专利交易市场

本发明提出了一种基于时空联合响应网络的智能家居控制方法，属于行为识别领域，可以通过识别目标对象的行为发出相应的指令来控制家居的运作状态。首先，通过物理层采集动作视频，再经数据处理层进行处理并生成动作特征图传入行为识别层。行为识别层采用StarNet网络结构，该网络分别训练针对于时间和空间特征的自编码器，然后利用门控机制自动地对时间、空间或时空混合的输入做出响应并进行最优化编码。编码后的特征向量经全连接层和激活层实现分类。然后，控制层获取行为识别层的分类结果并根据设计的行为关联库发出相应的指令控制家居的运转。本发明提高了行为识别的准确度和智能家居系统的可靠性，解决了语音受限条件下智能家居的控制问题。

本发明公开一种基于折半交叉网络的健康指导方法和系统，包括如下步骤：构建物理层和数据处理层，通过摄像头采集动作视频并进行处理得到去噪深度图和时间梯度图；构建行为识别层：构建特征提取网络，通过特征提取得到深度特征图和时间梯度特征图；构建折半交叉注意力模型，计算得到特征向量；输入全连接层，并通过激活函数进行激活，通过分类器得到输出结果；构建控制层：根据输出结果建立行为与控制的匹配关系，确定每个动作对应的语音指令以及实现对用户的建议提示。采用本发明的健康指导方法，解决了数据维度过高和无关特征信息对模型性能产生影响的问题，增强了对人体行为时空特征的表述能力，提高了行为识别精度和颈椎康复指导系统的可靠性。

本发明公开了一种基于点云特征图的实时三维行为识别方法，涉及行为识别技术领域，首先将点云序列抽象为虚拟行为序列，在此基础上，提出了两种点云特征图，即点云外观图PCAM和点云运动图PCMM，以获得三维行为识别的时空外观结构和运动动态；本方法在三个行为识别数据集上进行了大量的实验，在NTU RGB+D 60数据集上实现了跨视图精度96.7%，在UTD‑MHAD数据集上实现了跨主题精度91.61%，在MSR Action3D数据集上实现了91.91%的精度，优于现有技术，从而有效地简化了点云序列分类任务的复杂性，同时保持了优异的识别性能。