-
公开(公告)号：CN110222568B
公开(公告)日：2023-09-29
申请号：CN201910366189.9
申请日：2019-05-05
Applicant: 暨南大学
IPC: G06V40/20 , G06V10/762 , G06V10/80 , G06N3/0464
Abstract: 本发明公开了一种基于时空图的跨视角步态识别方法，S11，对待识别原始图片进行背景减除，并按等高同比例裁剪得到步态空间图；S12，对所述步态空间图的坐标索引进行转置，对转置后的步态空间图按第一维展开，得到步态时间图；S13，分别构建用于提取步态空间特征的空间卷积神经网络模块和用于提取步态动态时间特征的时间卷积神经网络模块；S14，将所述步态空间图输入到空间卷积神经网络模块进行步态的特征提取，得到N个第一空间特征向量，将所述步态时间图输入到时间卷积神经网络模块进行步态的特征提取，得到M个第二空间特征向量；本发明弥补了步态识别常用的GEI特征中对步态的动态不充分的缺点。
-
公开(公告)号：CN103886287B
公开(公告)日：2017-02-22
申请号：CN201410090718.4
申请日：2014-03-12
Applicant: 暨南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于3D投影的跨视角步态识别方法，该方法主要包括二维步态图像处理，重心轨迹提取，三维步态特征还原和三维视角转换四个步骤，该方法实现了不同拍摄视角之间步态特征精确转换的步态识别，并且可以将摄像机中平面图像的步态特征还原为3D空间中的立体步态特征，从而使步态识别过程不再需要多台摄像机实现立体还原。同时，由于该方法极大的提高了跨视角步态识别的运算速度和不受拍摄视角影响的特点，任意位置的摄像机拍摄得到的步态图像均可以进行识别，使用该方法开发出的步态识别系统既可应用于简单的门禁系统的开发，也可应用于流量大的街道、机场、公交站等公共场所监控系统的开发，使智能监控水平上升到一个新的高度。
-
公开(公告)号：CN103886287A
公开(公告)日：2014-06-25
申请号：CN201410090718.4
申请日：2014-03-12
Applicant: 暨南大学
Abstract: 本发明公开了一种基于3D投影的跨视角步态识别方法，该方法主要包括二维步态图像处理，重心轨迹提取，三维步态特征还原和三维视角转换四个步骤，该方法实现了不同拍摄视角之间步态特征精确转换的步态识别，并且可以将摄像机中平面图像的步态特征还原为3D空间中的立体步态特征，从而使步态识别过程不再需要多台摄像机实现立体还原。同时，由于该方法极大的提高了跨视角步态识别的运算速度和不受拍摄视角影响的特点，任意位置的摄像机拍摄得到的步态图像均可以进行识别，使用该方法开发出的步态识别系统既可应用于简单的门禁系统的开发，也可应用于流量大的街道、机场、公交站等公共场所监控系统的开发，使智能监控水平上升到一个新的高度。
-
公开(公告)号：CN110222568A
公开(公告)日：2019-09-10
申请号：CN201910366189.9
申请日：2019-05-05
Applicant: 暨南大学
Abstract: 本发明公开了一种基于时空图的跨视角步态识别方法，S11，对待识别原始图片进行背景减除，并按等高同比例裁剪得到步态空间图；S12，对所述步态空间图的坐标索引进行转置，对转置后的步态空间图按第一维展开，得到步态时间图；S13，分别构建用于提取步态空间特征的空间卷积神经网络模块和用于提取步态动态时间特征的时间卷积神经网络模块；S14，将所述步态空间图输入到空间卷积神经网络模块进行步态的特征提取，得到N个第一空间特征向量，将所述步态时间图输入到时间卷积神经网络模块进行步态的特征提取，得到M个第二空间特征向量；本发明弥补了步态识别常用的GEI特征中对步态的动态不充分的缺点。
-
公开(公告)号：CN105260718A
公开(公告)日：2016-01-20
申请号：CN201510673318.0
申请日：2015-10-13
Applicant: 暨南大学
IPC: G06K9/00
CPC classification number: G06K9/00348
Abstract: 本发明公开了一种基于光流场的步态识别方法，根据个体的步态轮廓图像序列获取到步态光流场并检测出步态周期，将步态轮廓图像序列中多个步态周期下的各个步态光流场相叠加，获取到个体步态光流图，提取个体的各步态光流图的步态光流图行光流横向分量和向量、步态光流图行光流纵向分量和向量、步态光流图列光流横向分量和向量以及步态光流图列光流纵向分量和向量四个步态特征向量。将测试个体的上述四个步态特征向量与步态数据库中训练个体的对应的四个步态特征向量进行匹配，在步态数据库中识别出测试个体。本发明对光流分量分别行列分解得到步态特征来识别身份，能很好的提取人行走过程中的步态运动信息，对服饰、携带物等具有很强的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN108921062B
公开(公告)日：2022-03-22
申请号：CN201810640150.7
申请日：2018-06-21
Applicant: 暨南大学
IPC: G06V40/20
Abstract: 本发明公开了一种联合多步态特征协同字典的步态识别方法，包括以下步骤：步态周期检测、深度图像的预处理、深度图像的特征提取、骨骼特征的提取、联合多特征协同字典的步态识别。该发明实现了一种新的联合步态骨骼特征和稀疏深度能量图的协同识别方法，不仅能够有效地提取具有显著差异性的步态特征，又能联合和互补多类型的步态特征，发挥每种类型特征的优势，提高了步态识别过程中的准确性和鲁棒性，为身份识别提供了一个有效和科学的解决方案。本发明充分考虑到了实际环境中摄像机与运动目标之间距离远近对深度图像成像产生的影响，并给出了具体的解决方案，使得深度图像不仅有效地与背景分割，还有效地消除了噪声的影响。
-
公开(公告)号：CN108921062A
公开(公告)日：2018-11-30
申请号：CN201810640150.7
申请日：2018-06-21
Applicant: 暨南大学
IPC: G06K9/00
Abstract: 本发明公开了一种联合多步态特征协同字典的步态识别方法，包括以下步骤：步态周期检测、深度图像的预处理、深度图像的特征提取、骨骼特征的提取、联合多特征协同字典的步态识别。该发明实现了一种新的联合步态骨骼特征和稀疏深度能量图的协同识别方法，不仅能够有效地提取具有显著差异性的步态特征，又能联合和互补多类型的步态特征，发挥每种类型特征的优势，提高了步态识别过程中的准确性和鲁棒性，为身份识别提供了一个有效和科学的解决方案。本发明充分考虑到了实际环境中摄像机与运动目标之间距离远近对深度图像成像产生的影响，并给出了具体的解决方案，使得深度图像不仅有效地与背景分割，还有效地消除了噪声的影响。
-
公开(公告)号：CN103679171B
公开(公告)日：2017-02-22
申请号：CN201310438809.8
申请日：2013-09-24
Applicant: 暨南大学
Abstract: 本发明公开了一种基于人体重心轨迹分析的步态特征提取方法，包括下述步骤：S1、步态检测与跟踪，将原始视频图像转换为单通道灰度图像，再进行高斯滤波平滑图像，并将图像转换为二值图；S2、计算人体重心位置，将运动目标运动中每一帧图像的重心坐标在同一坐标系中连接，得到行人的重心轨迹；S3、将去噪后的步态波形输入计算机，应用公式计算出对应于K次谐波频率的谐波振幅，并绘制输出相应的频谱图。本发明不仅能解决当前提取特征方法面临的难题，还能从复杂的步态图像中提取出一维的步态特征向量，便于进一步的分析、训练和识别。
-
公开(公告)号：CN103679171A
公开(公告)日：2014-03-26
申请号：CN201310438809.8
申请日：2013-09-24
Applicant: 暨南大学
Abstract: 本发明公开了一种基于人体重心轨迹分析的步态特征提取方法，包括下述步骤：S1、步态检测与跟踪，将原始视频图像转换为单通道灰度图像，再进行高斯滤波平滑图像，并将图像转换为二值图；S2、计算人体重心位置，将运动目标运动中每一帧图像的重心坐标在同一坐标系中连接，得到行人的重心轨迹；S3、将去噪后的步态波形输入计算机，应用公式计算出对应于K次谐波频率的谐波振幅，并绘制输出相应的频谱图。本发明不仅能解决当前提取特征方法面临的难题，还能从复杂的步态图像中提取出一维的步态特征向量，便于进一步的分析、训练和识别。
-
公开(公告)号：CN109446898B
公开(公告)日：2021-10-15
申请号：CN201811097958.1
申请日：2018-09-20
Applicant: 暨南大学
Abstract: 本发明公开了一种基于迁移学习和特征融合的行人重识别方法，包括以下步骤：获取行人数据，通过神经网络进行初步训练，修改完了结构并结合改进的损失函数在数据集中进行再次训练；进行手工特征提取和神经网络特征提取；提取特征之后，对两种特征进行融合，得到高‑低级特征；使用XQDA算法对高‑低级特征进行分类和验证，获取重识别结果；本发明采用交叉熵损失函数和三元组损失函数对整个网络加以更强的约束，再提取手工特征和卷积网络特征进行特征融合，形成高‑低级特征，覆盖行人特征表达的不同层次，达到较好的识别效果，并以微调的形式减少训练时间，对于小数据集具有良好的泛化性和可移植性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
