[发明专利]一种复杂背景下动作分类方法及分类系统有效
申请号: | 201910126360.9 | 申请日: | 2019-02-20 |
公开(公告)号: | CN109948445B | 公开(公告)日: | 2023-04-07 |
发明(设计)人: | 曹正文;乔念祖;卜起荣;冯筠 | 申请(专利权)人: | 西北大学 |
主分类号: | G06V40/20 | 分类号: | G06V40/20;G06V10/26;G06V10/82;G06N3/04 |
代理公司: | 西安恒泰知识产权代理事务所 61216 | 代理人: | 孙雅静 |
地址: | 710069 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 复杂 背景 动作 分类 方法 系统 | ||
1.一种复杂背景下动作分类方法,其特征在于,包括以下步骤:
步骤1,采用下采样加速方法对动作时序图像进行超像素分割得到超像素分割结果;根据超像素分割结果对动作时序图像进行下采样得到视觉概要图像;采用深度学习语义分割网络对视觉概要图像进行图像分割得到动作掩模图像;
步骤2,采用CNN类网络提取步骤1中的动作时序图像的时刻图像特征与动作掩模图像的时刻图像特征得到时刻特征图谱,然后采用RNN类网络按时间顺序提取时刻特征图谱的时段图像特征得到结合了图像时序信息的特征图谱;
步骤3,同时采集步骤1中人体在对应时段做出动作时的脑电波形图像,采用RNN类网络按照时间顺序提取脑电波形图像的图像特征得到脑电波形特征图谱;
步骤4,对步骤2中结合了图像时序信息的特征图谱和步骤3中脑电波形特征图谱进行特征图谱合并得到合并后的特征图谱,然后采用CNN类网络对合并后的特征图谱进行分类得出动作分类结果;
包括动作信息采集系统,所述的动作信息采集系统包括摄像头,所述的摄像头至少有4个。
2.如权利要求1所述的复杂背景下动作分类方法,其特征在于,步骤1中的下采样加速方法包括像素1:1条件下采样加速方法和像素1:3条件下采样加速方法。
3.如权利要求1所述的复杂背景下动作分类方法,其特征在于,步骤1中根据超像素分割结果对动作时序图像进行下采样包括:
s1,将超像素分割结果结合深度学习平均池化方法,计算每一块超像素中所有像素点的灰度平均值;
s2,将s1中计算得到的灰度平均值重新再赋值给所对应的每一块超像素中的像素点,生成视觉概要图像。
4.一种复杂背景下动作分类系统,其特征在于,包括权利要求1~3中任意一种复杂背景下动作分类方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北大学,未经西北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910126360.9/1.html,转载请声明来源钻瓜专利网。