文摘
无线传感器网络是一个物理信息系统的一部分。分散传感器通过一组特殊的空间跟踪和记录环境的自然状态和管理信息收集在一个中央位置。传感器使用无线连接来创建自己的网络。无线传感器网络技术的灵活部署和使用方便的优点,发挥了重要作用领域的用户行为识别。通过部署无线传感器网络技术,用户可以收集日常信息,捕捉用户的行为习惯,并分析用户的健康状况。在部署和应用这种类型的技术,是非常重要的建立一个有效的模型的逻辑顺序关系监控人的行为。传感器数据可以通过无线传输发送到目标用户。动作识别通常是基于单一特征对学习和判断,因此在实际应用中有许多困难。本文旨在研究运动动摇意识和行动基于无线传感器网络的预测算法。针对人体姿势识别算法的研究,优化模型的整体性能,本文建议使用多通道输入,使用一个2 d和3 d网络结构,最后,提出了两个网络加权融合策略。 Aiming at the research of pedestrian motion discrimination, this article offers a behavior prediction algorithm based on multifeature joint learning. The algorithm adds the feature vectors output by gesture recognition and mask prediction and uses a cross-entropy cost function to jointly learn and predict classification. The results of the survey show that the pedestrian gesture recognition and motion recognition algorithm based on the wireless sensor network proposed in this paper has good performance and can be widely used in real scenes such as video surveillance. The accuracy of the gesture recognition algorithm in the UCF101 dataset and the HMDB51 dataset was 96% and 72%, respectively.
1。介绍
最近,随着无线传感器网络的发展和微电子设备技术,首先,底层原始数据预处理,然后,活动进行识别分析。最后,在这些数据的基础上,我们进行内容分析模式和意图等。目前,有许多应用程序行为的认可。例如,Android提供的位置服务架构可以自动识别用户的实时的体育活动,如散步,站,并运行,计算每个活动的概率。随着科学技术的发展,传感器节点的集群和小型化程度越来越高,所以特别的或危险的环境中,传感器节点可以开发人类无法进入。但从传感器节点的力量,并没有全面的可再生能源技术。当一个传感器节点的大小减少,权力交付给节点是有限的。然而,开发了传感器节点通常很难提供备用电源。因此,如何延长网络的生命周期是一个必要的因素无线传感器路由协议的设计,但还应该考虑整个网络的力量平衡,以避免网络中的“热点”问题。大多数无线传感器网络是由节点、传感器节点和装配的收集、计算,并将目标数据发送到监测区域。 A wireless sensor network that can communicate with the outside world also has a base station, midrange network equipment, task management system, and gateway. The wireless sensor network (WSN) is a distributed network system that collects information by a series of miniature sensor nodes and transmits information by means of wireless communication. Sensor networks are widely used in industry, medical and health, agriculture, transportation, and other fields, such as monitoring various physiological data of the human body, hospital drug management, and so on.
近年来,机器学习和计算机技术的不断进步也促进了智能家居技术的迅速发展和广泛应用。智能家居技术可以实现家用电器的远程控制等功能和监控的生活环境条件通过无线网络环境中的传感器节点用户生活的地方。近年来,数字图像处理技术和计算机视觉技术的不断发展和先进。在此基础上,移动目标的检测和跟踪技术也取得了相当大的进展,专家和学者们不断提出新的理论和算法。然而,相应的理论进展,在其实现技术是非常复杂的。目前,许多技术方面仍需要改进,仍有许多问题需要解决。例如,在一个非常复杂的环境中,算法的实时性能和可靠性是实现过程中受损。因此,目标检测与跟踪技术的研究不仅具有较强的理论价值,也有巨大的潜在的商业价值和应用前景。目前,它已经吸引了很多科学研究人员和研究机构。研究具有很大的现实意义。 Video surveillance needs to be watched by a dedicated person in real time, which may infringe on the user’s personal privacy. In addition, the staff responsible for watching and monitoring are prone to fatigue after long-term work and may not be able to deal with emergencies in time. For another example, video surveillance personnel will inadvertently spread the content of the user’s video, which seriously violates the user’s privacy. User behavior recognition based on wireless sensor networks can not only reduce the risk of privacy information leakage but also effectively save the human resources required for monitoring.
在专业的医疗领域,基于无线传感器网络的用户行为识别技术还可以广泛使用。针对医护人员的短缺,行为监测可以进行场景急诊室、手术室等,以实现合理的人员转移。或者当进行科学实验,实验过程可以实时监控,这样危险的情况下是可以避免的。在工厂环境中,施工人员可以实时监控,以便整个工作过程实时监控,促进产品的检测和识别。人体运动检测和手势识别是直接使用计算机来分析和处理视频的视觉信息,检测人体运动和姿势的视频,并描述和表达的信息和目的的姿势。随着计算机技术和信息技术的发展,社会需要更多的要求视频分析。希望人体姿态信息可以直接通过计算机分析的视频。因为它的人类视觉系统的深入了解,人体姿势的研究的关键技术之一是终于意识到领域的无线传感器。移动人体手势识别是数字图像处理,模式识别等技术的关键。图像信息的基础上,检测、提取、识别操作是通过分析,判断是否异常。 Human body gesture recognition has a wide range of applications and has great social and economic value.
朱镕基的团队认为,机器学习技术变得越来越重要对于即将到来的数据密集型科学的范式转变。特别是,深度学习已经被证明是一个创新和非常强大的工具在许多领域(1]。邦萨尔的研究小组发现,电脑在我们的日常生活中使用的不断增加,发展更好的人机交互接口的工作已迅速增加。现在比以往任何时候都更需要一个易于使用的先进的人机界面。在这个框架中,计算机的用户界面允许用户通过图形与电子设备交互图标和视觉线索,这仍不方便,不适合在一个虚拟的环境中工作。接口,允许用户通过手势交流下一步的方向先进人机接口(2]。沈的团队提出了一个新的MC-CNN模型分类肺结节的疑心。MC-CNN提取特征的多尺度结节在网络。他们提议的方法不应对结节分割和曾经字符(3]。无线传感器网络被认为是最有前途的技术之一,因为它的优点,如连续监测、灵活的部署和低成本。此外,这些网络的固有的不干扰特征已经被证明是适合需要隐私保护的环境。先前的方法证明了简单的二进制传感器具有良好的潜力解决家庭问题的ADL识别和可应用于医疗保健的问题主要集中在老年人。
2。该方法
2.1。姿态识别算法
运动姿势识别提取、分类和自然语言描述人类的姿态特征。这是一个近年来被广泛关注的研究课题。这是一个各种应用人体生理学等学科的研究领域,数字图像处理、模式识别、以及其他学科。克服的局限性和不确定性的单帧的分类结果作为最终鉴定结果,我们提出一个二次分类算法基于图像相似性。基于第一single-frame-based SVM分类算法自适应地分配第一个分类结果的统计权重歧视期内通过计算两个相邻图像帧,进行二次分类,最后输出造成区别的时间内统计结果。算法增加了前部和后部视频帧之间的相关性程度在识别过程中,改善姿势识别的准确性同时确保实时。
Posttitude人类对象的特征提取图像是一个二维数组。特征提取的人类目标一维特征向量可以大大减少特征向量维数和计算复杂度。本文主要是走路,跑步,跳跃,通过分析三个姿势手臂摇摆振幅和腿跨步振幅,对三个人类使用星型模型建模,即通过计算物体的运动人体目标图像质心和地方轮廓极及其关系,为了获得姿态特征。完美的人体轮廓的描述包括头部和四肢,而不是多余的。
如何确定电机的人类特征提取,通常对应于运动目标的移动类型,主要特点有以下三点要求:(1)可以充分展示人体运动的特点(2)应该有不同的特征,不应太相似吗(3)可以有多个功能相同的监控对象,但它不能每个特性之间的关联
2.1.1。多流道卷积神经网络
使用RGB数据提取场景、外观、和其他信息,RGB数据将被用作输入二维卷积和3 d回旋的工作(4,5]。
多流道卷积神经网络分为5网络分支,其中三个二维卷积神经网络。InCeption-V3用作基础网络,注意结构嵌入到网络结构,使网络自主学习的关键领域。特性减少噪音干扰(6,7]。与此同时,网络包含三个模态数据输入,即单帧RGB数据,单帧渐变映射数据,和堆密度光学流地图,最大化的时间和空间信息在人类行为识别(8,9]。另外两个分支是三维工作。三维的数据输入工作是连续多帧RGB地图和梯度地图数据(10,11]。
2.1.2。网络融合基于重量
无线传感器网络是一个倍受关注的前沿热点研究领域,国内外跨学科,高度聚集的知识。无线传感器网络由多个传感器节点在不同的地区,形成一个自助服务通过无线通信网络,相互合作和监督,感知,并收集各种信息实时监测对象和环境。传感器节点技术的发展,无线传感器网络被应用于环境监测、国防和军事、医疗卫生、交通规划等领域,其影响不容忽视。然而,吞吐量、带宽和能源的无线传感器网络,等等,是非常有限的,以及如何有效利用存储和计算资源已经成为传感器网络设计的瓶颈。数据融合技术是一个重要的技术实现节能通过删除冗余的方法,从而提高能源使用效率。在无线传感器网络中,传感器节点有一个广泛的特点,密集布局,协作感知和数据采集过程。相邻节点通过收集到的数据有相似的地方。在实践中,我们只关注结果,不需要收集大量的原始信息。在信息收集,我们充分利用节点的计算能力和存储能力,大量的信息或数据处理,并结合有效的信息。这是数据融合处理。
(1)网络融合基于模型权重。首先,我们假设空间是三维空间的重量 ;也就是说,有三种网络分支。我们将每个维度的边界长度x,y,z;你需要找到一组最优权重组合( )在这个重量二维空间网络模型的重量。
我们遍历权重空间,每个维度的滑步在哪里p,问,k分别获得所有可能的每个维度的权重值。最高的重量精度作为最终的网络模型重量(12,13]。
最后分类评分公式所示(1),代表每个维度的权重值在空间和重量年代代表了分类每个网络获得的分数。分类融合的分数,在权衡每个分数后,有两种决策方法:平均和最大,也就是说,F函数公式(1)。本文实验比较后,决定采用平均的方法。
(2)网络融合基于类别的重量。由于数据行为类型之间的差异,不同的网络有不同的分类对这些行为的影响(14,15]。首先,我们计算的总和所有网络模型的准确率在每个类别,然后找到每个模型的准确率的比例总准确率,最后用网络模型规范化[0,1]的权重。见公式(2),网络模型k行为类别的重量j是
除此之外,代表了网络模型的数字,我们代表的隔离标准验证。最后,在获得网络模型的每个类别的重量k网络的分类评分模型的行为分类推理计算如公式所示(3),年代代表原始网络模型的推理行为类别分数,和W代表了网络模型的类别重量;意味着elementwise乘法。
(3)背景分割方法。背景差分法是一种常见的运动对象检测方法,也称为背景切割方法。背景差分法的优点是它可以提取一个相对完整的目标区域,但相应的背景差分法,对外部变化过于敏感。如果光或阴影的变化,这将导致初始背景图像中的错误,导致最后检测移动目标的准确性降低,提取效果也很差。
(4)帧差分法。在静态背景,因为目标在运动过程中,会有一些差异的两帧图像在连续图像序列。通过这种差异的检测,可以检测并提取运动对象,相邻帧之间的区别是算法。帧间差分法的优点是算法简单,容易实现,这是非常适合应用在实时运动目标检测,而不需要考虑背景更新。因为帧和数据帧的时差在连续视频帧序列很小,光线变化不影响算法的结果,和影子的适应性比背景差分法,这是更实际的外部环境的变化。
动态手势识别的目标是把movement-generated面积从视频图像的背景,明确目标位置和尺寸,简化视频处理过程,并促进后来的提取运动信息,跟踪,目标的识别。在实际场景中,许多因素会影响运动姿态识别的准确性和分割效果,比如外部条件等因素变化的光,摇晃树枝,对象的闭塞,硬件设备的影响因素包括相机的抖动和噪音。因此,必须采取相应的算法对于现实的场景和系统需求16,17]。
现在,主要的困难在人体运动姿态识别基于无线传感器网络如下:(1)无线传感器的研究领域、目标检测和跟踪是人体姿态识别的基础,但在实践中,这些问题早在预处理通常不能有效解决。视频图像采集的过程中,许多实际因素,如照明、遮挡、阴影,看来,和相机设备,将影响早期的处理效果,从而减少姿态识别的准确性。(2)良好的运动姿态概要描述方法是运动手势识别的先决条件。运动姿态的不确定性导致了难以实现统一的部门指标,从而增加运动姿态特征的困难。(3)运动姿态分析的最终目的是了解人们的运动姿势所传递的信息,这不仅需要识别的基本运动姿态但还需要综合分析结合场景信息。大量的研究仅限于常规运动提出了简单的分类,和在特定的场景中特定的运动姿势分析还有待进一步研究。
2.2。行为预测算法
提出了一种预测框架基于行为预测的特征融合算法。在行为预测算法,一个特性表达式,不能够很好地应对视频中背景干扰等问题。在此基础上,本文设计了一种基于稀疏特性融合框架self-coding有效整合运动功能(多尺度光学直方图)和明显的特征(重要信息),不仅提供降维去除冗余,也生成丰富的综合功能和高级功能。
我们进入一幅被检测到;第一阶段后,你可以得到的坐标关节和照片中的人物每个人的面具,然后我们做坐标归一化和削减规范化坐标和减少图像(18,19]。在第二阶段,规范化坐标发送延时,减少图像发送ResNet提取局部特征和全局特征(20.,21]。然后,获得的特性结合起来,分配给一个单一的网络隔离。这里,叉补偿函数是用来发现模型梯度: 在哪里米是当前训练数据的批次的数量,是分配的数量,在一个炎热的编码的标签,然后呢是预测的概率分布。
本文的算法训练过程是培训分两步:(1)培训的第一阶段:原始特征提取网络VGG-19使用卷积的前五层内核开源ImageNet分类模型的初始化,和其余的新层使用参数初始化方法Xavier内核初始化,使卷积权重遵循以下分布(22,23]: (2)第二阶段的培训:使用Xavier初始化初始化的重量电路的延时是帮助信号通过深层神经网络,这样信号仍然在一个合理的范围内经过多层神经元;偏移量b经常向MLP的初始偏移量为0,和浮点初始化会导致体重失衡。
ResNet还使用Xavier初始化参数初始化方法,但由于大的训练速度卷积网络需要改进,著名的批归一化法(批处理规范化,BN)。我们正常关节的坐标点的矩形区域,和坐标
大量的行为收集数据,实时跟踪培训的学习算法实现的预测未来行为的人,和准确性非常高。虽然,相比之下,其他学习情况下,没有完整的替代行为,下一个行为是更准确的。算法使用迁移学习方法来有效地解决新的领域学习的特点和助攻目标组织培训与源组织样本和反复纠正错误的样品重量训练,以克服缺乏导致样本预测困难的问题。
3所示。实验
本文主要研究人们的态度承认在家庭环境中,包括运动目标检测从低到高测量、目标跟踪和识别算法的态度。我们首先介绍了几种常用的运动目标检测算法,包括帧间差分法和模拟,通过形态学处理和区域分析,过滤掉采集图像噪声。最后,我们提取目标外部轮廓和质心坐标。在运动目标跟踪方面,提高姿态识别的准确性通过当前常用的跟踪方法的介绍和比较。最后,运动对象特性分析方法被用来实现运动物体的识别和检测,主要是通过判断纵横比变化和质心坐标的位移。
3.1。数据收集
有很多的传感器设备,包括发射器,陀螺仪,角速度米,压力传感器等。数据收集使用传感器来收集信息关于人体执行不同的动作。动作完成过程中的信息转化为电信号并上传,实现简单的逻辑操作,数据存储和通信需求。根据实际应用的要求,传感器模块可以满足工作要求,模拟所需的人体识别的信息,和内部的分析和处理节点需要完成,所以节点的设计需要包括多个传感器模块,可用于完成系统的工作要求。在正常情况下,一个节点包含四个模块,包括处理器模块、电源、传感器模块,和一个智能模块。处理器模块是由控制传感器节点的每个功能模块正常运行并执行每个信号的相关处理;传感器模块实现的功能检测物体的运动信息,实现信息的传输电信号;如果过载信号通信模块,数据无线传输到其他设备;电源提供能量的正常运行。即将到来的传感器节点的功能是采集信号在关键时刻在人类的身体。与传感器节点时,移动设备的位置是不固定的,和识别系统将产生影响的结果。 The sensor detects motion information, and the device can be placed in a fixed location. The location avoids this effect. There are many platforms that the human body finds at present. Researchers need to build a posture detection platform according to their own research needs.
所有的实验都在这一节中进行UCF101数据集和HMDB51数据集。UCF101数据集共有13320个视频,包括101个类别,每个类别有大约100个视频。其中,教练数据库包括9537个视频和实验数据库包括3783个视频。HMDB51数据集共有6766个视频,包括51个类别,每个类别至少有101个视频。每个类别的训练数据是70个视频,和测试数据是30视频。
3.2。环境的调查
测试开发区域是Linux系统,和显卡是NIVDIA Teslak40m模型。使用的软件开发环境包括深度学习框架如MXNet库,所以OpenCV 2.4.13图像处理库,并行计算平台Cuda9.0和图书馆Cudnnv7.0 GPU加速。
3.3。训练参数设置
梯度法用于优化和水平设置为32。二维卷积网络模型,介绍了注意力机制使用叉损失函数,RGB网络的初始训练速度梯度和梯度数据设置为0.005,使用步骤的学习速率设置方法,步骤率设置为2000。2000次迭代之后,学习速率下降到十分之一的前一个值。最初的学习速率光流转时间流网络设置为0.001,和学习速率调整使用多步方法。当它到达10000年和16000年的迭代,学习速率下降到十分之一的当前值,和最大迭代次数设置为20000。取代的3 d网络输入数据通常切成连续多帧数据 。损失函数模型使用一个叉,最初的训练速度设置为0.001,和步骤方法用于设置课程,也就是3000次更新学习的前一个值的四分之一,和的最大数量配置是设置为10000。
4所示。讨论
4.1。网络实验结果的研究
以下4.4.1。网络融合实验结果的研究
大多数人类行为的发生是不规则的。不同的人会有不同的表现相同的行为。当一种行为发生时,其他行为可能发生。例如,当用户的行为是睡觉,他可能会中途上厕所,洗手,等。例如,用户可以看电视和打电话,烹饪。行为识别是不确定的,许多行为的过程是相同的,这将使收集到的传感器数据几乎相同。交错的并发行为使行为识别的挑战。
对所有网络融合方法,即平均融合,model-weighted融合,category-weighted融合,三个实验进行了比较和验证。加权融合的最好的工作。此外,当模型权重和类别权重都是应用,模型的分类精度是最高的。网络集成实验结果如表所示1和图1。
行为识别数据通常是由室内传感器,收集和实际收集的数据是受噪声的影响,和数据也不准确。类型的行为,行为识别模型可以识别是有限的。收集到的数据包含传感器数据段对应于观察到的行为,其中包含许多空的数据段,这很容易干扰识别结果。空数据的存在使行为识别需要特殊数据预处理去除无用的数据。
4.1.2。分类结果不同网络之间的差异
人类行为将受到许多因素的影响,如压力,情感,和环境。相同的相同的用户行为也会有不同的表现。用户行为识别的传统方法是基于相似性的相同类型的行为。由于同伴行为的多样性,有必要使识别模型抗干扰。
一部分UCF101数据集上的实验结果如下:画眼影的行为和吹头发,网络分类基于RGB数据更好;对于打高尔夫球和射击的行为,网络分类基于光流数据更好;长笛演奏和理发,网络分类基于梯度数据更好。不同网络之间的分类结果图所示2。
4.2。实验结果分析的运动姿势识别和行为预测算法
有一个困难的运动姿态识别的实现,由于目标运动状态的变化或其他干扰因素,这将降低精度。为了解决这个问题,我们可以估计运动目标的信息,为了准确地实现运动目标跟踪,通过分析不同的手势识别算法。
4.2.1。准备分析比较不同的动态手势识别算法的实验结果
然而,似乎每个人的测试数据和类型的行为不同,很难比较。此外,大多数的传感器数据和用户行为建模是进行传统的概率模型。传统的概率模型具有良好的理论基础,但它也有很多的局限性。对于这一点,本文提出一种混合模型,这样可以缓解传统概率模型的假设,并提出了一个方法来确定行为模型的初始参数。
到目前为止,本文基于人类行为识别、基线算法的结果进行了比较。与传统的IDT算法相比,dual-stream卷积神经网络,C3D,多流道卷积神经网络算法和其他算法,提出了有很大的改善。不同运动姿态识别算法的对比实验结果如表所示2和图3。
从图3,我们可以看到改进的运动姿态multiretention卷积算法的识别效果明显高于其他运动手势识别算法。
视频行为监控方法是直观地监控用户的行为的帮助下相机,使用相机的视频图像记录来识别用户的行为。图像分为二维图像和三维图像。一般来说,一个相机生成的二维图像,多个摄像头可以合成一个三维图像。不同的图像特征可以将研究方向划分为二维视频映像的行为识别和三维视频图像行为识别。
4.2.2。分析预测算法实验结果的行为
虽然视频行为识别方法是最直接的监控方法,每个人都认为,视频摄像机收集的信息对环境有更高的要求。当光线不强或相机的覆盖范围并不大,获得的视频图像设备的质量是相对较高的。从生活的角度来看,这个方法的实时视频监控的用户更加难以实现。用户想要保持自己的私人空间在家里一般不愿意安排多个摄像头在家里。
在图4,行动向MLP分类仅使用方法的准确性很差,和使用ResNet深全球行动字符图像的分类已经可以达到更好的准确性,但ResNet只能提取有限的有用特性;本文最后,multifeature联合判别方法可以达到更高的精度。测试结果如图行为的预测方法4。
因为预测算法结合迁移学习理论必定会执行长的算法基于单个数据集(凸和SVM算法)和multisource-based算法(TrAdaBoost),执行时间测试集中在比较多个源迁移算法,即MS-TrAdaBoost MO-TrAdaBoost, IMO-TrAdaBoost算法。此外,根据数据集的特点和域特征在文化建模中,使用的评估标准有效的实验的准确性,回忆,回忆,和F值。
5。结论
传感器的低成本特点和其特定优势在无线传感器网络广泛应用于用户行为识别。许多研究人员使用传感器来检测用户的行为。这些用途,根据他们的使用和测量方法,大致可以分为三种类型:便携式设备,定位,不干扰设备。基于无线传感器网络,本文在相关关键技术的解决问题和困难为主要研究和讨论。研究内容是人类主要用于室内移动目标,提出了一种基于Ronski函数的混合高斯模型。移动目标检测算法更好地实现完整的移动目标检测和涂片的抑制现象;人体姿态识别算法基于multifeature融合和图像相似性提出了快速的人体姿势识别,最后,以验证该算法的有效性,实现视频的实时检测和识别。结果表明本文的改进算法能够达到预期的设计目标,移动目标的检测效果更好,人体手势识别的准确性较高,和基于标准的视频库的实验效果更好。然而,仍然有一定的局限性和缺点,还有改进的余地来解决复杂的局势实际上捕获视频。不干扰行为监测意味着,在收集的过程中从用户行为数据,用户的日常生活不是打扰,用户的隐私不被泄露,和用户的生活习惯通过收集到的数据进行了分析。 The nonintrusive way is generally to collect data by installing sensors on the indoor floor, roof, or object. This method is different from video equipment, portable equipment, and location-based methods. It is triggered by analyzing each sensor. Time and space information for user identification is as follows:(1)无线传感器网络是非常类似于自组织的移动网络。这两个网络是无线网络基础设施。但两者之间有明显的差异。这主要体现在以下。移动网络设计的主要目的是提供高质量和高性能的服务并提供最大带宽利用率高机动环境中。在大多数无线传感器网络中,传感器节点通常在部署后不要移动,可以在人类无法进入的环境中部署。(2)本文基于当前人类的情况构成识别算法提取单一特征信息和没有良好的泛化能力。人类行为的认定方法提出了依靠多流道的工作。本文提出了两种加权融合的方法,基于模型的融合和融合category-based重量。试验结果表明,该算法的结果在一个更大的性能提升。运动决定了健康、监控日常锻炼规则有助于改善个人健康指数,和行为识别起着至关重要的作用。行为识别领域的研究已经持续了许多年,随着科学技术的不断创新,其研究方向也在广泛扩展。最初的行为识别的研究主要集中在检测和指导个人健康。如今,行为识别通常是用作基本服务。通过个人行为的识别状态和行为状态的统计数据,它为上层应用程序提供相应的服务。(3)本文通过改进的手势识别网络,添加一个新的完全卷积网络分支的分割字符的面具。通过培训这样一个端到端的网络,它可以用于手势识别和语义分割。这样一个网络的优点是,它不需要额外的预处理的背景差分法。它具有较强的泛化适用于任何场景。它可以分类像素和部分角色的前景,以避免背景干扰。本文主要建立了姿态模型和分类常见室内姿势。姿势主要包括行走、跳跃和跑步。总共3716份有效样本为每个姿势选择从12890年样本图像标准视频库,以及多级基于svm分类器是由提取的特征向量训练有效的样本。此外,为了克服的局限性和不确定性,使用一个框架的分类结果作为最终的识别结果,提出了一种二级分类算法基于图像相似性。算法是基于单帧视频帧之间的相关性分类的支持向量机第一次使手势识别的准确性同时确保实时性能。(4)在本文中,我们使用延时从联合点提取地方特色和ResNet从减少图像中提取全局特征。一个multifeature歧视算法联合学习行为。该算法使用局部特征提取的延时不依赖于底层的身体分割和跟踪,对噪声和遮挡问题不是很敏感,并有效地提高了准确性的歧视行为。源组织筛选算法,提出了基于属性划分和聚类改进行为预测的影响。我们选择源组织有一个很大的相关性与目标任务知识迁移之前,只有迁移预测的这部分组织来源,减少源组织参与迭代训练的数量,从而减少成本在训练的时间。此外,由于筛查是基于组织的固有特性,克服了传统检测方法的缺点基于数据验证,解决源组织筛选失败的问题,提高了预测效果。(5)摘要目标监控是一个独立的个体,算法是很容易的,因为缺乏其他目标干扰因素,但在现实生活中,通常有多个监控目标,因为增加的监控目标,和算法复杂性也需要改善和解决问题,包括目标之间的相互遮挡和目标行为的相关性,需要今后进一步研究和改进。
数据可用性
本文不涉及数据的研究。没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了武汉东湖新大学青年基金项目:老年人安全预警系统研究基于数据融合(2021 dhzk005)。