基于步底力特征的人体识别建模与分析

人体步态识别是一种生物识别技术,在信息识别、公共安全及生物医学检测等方面具有很大的应用潜力.基于人体步底力特征,在充分运用人体行走时运动力学知识的基础上,搭建基于三维测力平台的测试场景,对4名志愿者进行步态数据采集,建立力数据库,通过整理力数据库中的力数据,分析人体行走过程中步态变化与步底力之间的映射关系,为人体识别提供一种新的建模与分析方法.     

基于嵌入式设备的人体健康行为识别

针对现代人运动量过少或者过度运动的问题,文章设计一种可穿戴设备辅助人体健康运动。基于STM32F1系列单片机设计了硬件,采用分层决策算法识别上下楼、走路、跑步、静止、跳跃和站蹲7种人体常见活动,基于行为判断基础上融合心率和血压数据,作为运动过量和紧急人体异常判别,经验证,设计的嵌入式识别能够较准确识别人体健康运动模式。     

基于体态的视频人像特征提取与比对

信息技术的发展壮大和应用的快速普及,利用计算机技术在图像处理方面的研究,并对视频图像中的人体行为进行特征提取和有效识别已成为日益关注的热点问题。然而如何构造有效的特征来对视频当中的人体动作进行描述一直是一个非常有挑战性的问题。对视频图像中的人体特征进行识别,是对视频图像的序列进行分析处理,并对检测出的人体运动目标进行特征提取和分类识别,从而达到理解和描述其行为的目的。人体行走的身体轮廓具有唯一性,是运动时的静态特征。同时人在行走运动中会带动上百处肢体的同步运动,人体的这些肢体角度包含了大量的运动信息,用于描述人体动态特征,可以很好地表示人的身份,并且容易与其它特征相结合。人体行为特征的提取与识别需要生物识别技术来识别和判断运动中的人的行为、区别个体身份。     

基于加速度传感器和神经网络的人体活动行为识别

人体活动行为识别在医疗、安全、娱乐等方面有着广泛的应用,为了高效、准确地获取人体活动的行为信息,提出一种基于加速度传感器和神经网络的个人活动行为识别方法。该方法通过在个人手上佩戴加速度传感器,实时采集个人活动的行为数据;再通过BP神经网络分析相关行为数据并建立个人活动行为模型,分类识别个人的行走、坐着、躺卧、站立和突然跌倒等活动行为特征。实验结果表明,该方法能够有效检测到个人活动的行为特征参数,并可准确识别出人体活动的五种典型行为。     

基于多特征的视频中单人行为识别

基于视频流的运动人体行为识别是一项既具有挑战性同时又非常具有广阔应用前景的研究课题。行为识别是基于人体目标识别和人体跟踪更高级的计算机视觉部分,研究出一种健壮的行为识别算法具有重要的理论意义和广泛的应用前景。利用在视频的基础上提取出位置分布图、大小分布图等一系列的属性将人的行为进行分类。采用基于帧间差分和改进混合高斯模型的运动人体分割算法,解决了复杂背景下的运动目标检测问题。实验数据对提出的新的行为描述方法进行了各种指标的讨论,验证了本文提出的算法的合理性与高效性。     

基于多层运动历史图像的飞行时间相机人体运动识别

该文利用飞行时间(Time-Of-Fligh, TOF)相机提供的距离图像,在运动历史图像的基础上提出一种基于多层运动历史图像的人体运动识别方法。计算距离轮廓序列的运动能量图作为整体运动信息,同时根据距离变化量,计算前向、后向的多层运动历史图像作为局部运动信息,共同组成多层运动历史图像。为了解决Hu矩对不连续或具有噪声的形状较为敏感的问题,引入R变换对每层运动历史图像进行特征提取,串联形成特征向量送入SVM进行分类识别。实验结果表明,该识别方法可以有效识别人体运动。     

基于传感器的人体活动识别技术综述

作为泛在计算的一个重要分支,人体活动识别一直是一个热门的研究领域.基于传感器的人体活动识别为大量医疗保健、娱乐、军事等上层应用提供重要上下文信息.相比于基于视觉的活动识别,基于传感器的活动识别更具有灵活性,具有很大优势.本文从识别系统流程的视角,介绍了目前活动识别系统的各项技术研究现状,对活动识别技术进行了总结,并分析了当前工作存在的问题和未来的发展方向.     

基于SVM的人体运动分析与防跌倒检测技术

随着人们对健康监测关注度的日益增长和智能手机的普及,文中提出了一种基于SVM的人体运动分析方法,并基于该方法和Android平台设计了一种防跌倒系统。通过采集智能手机内置传感器的数据,并对原始数据进行滤波去噪、加窗分割、时频特征提取及特征降维等处理,使用SVM分析与识别不同的行为。该防跌倒系统,在检测到用户处于跌倒状态时会发出求救信息。实验与测试结果表明,所提出的方法能获得97. 5%的敏感性和98. 3%的特异性,对跌倒行为具有较高的识别精度。     

视频图像中人体运动目标检测算法研究

视频图像中人体运动目标的检测是人体运动视觉分析的主要研究方向之一,在许多方面有着广泛的应用.主要针对摄像头固定即静态背景下的情况,提出一种基于高斯建模的背景减除法来实现运动目标的检测,并对运动目标实现人体分类判别,不仅可以较为精确地从背景中提取出前景区域,获得人体目标信息,又对环境有一定的自适应性,算法具有比较良好的鲁棒性.     

基于微多普勒特征的人体目标雷达回波信号分析

基于雷达的人体微动研究是近年发展起来的新技术, 雷达对人体的探测有着其他传感器不具备的优势.雷达不受天气和光线的影响,可实施全天候的探测,雷达可穿透障碍物,对隐藏在障碍物后的人员实施搜索.通过信号处理手段可获取人体走动时手和腿的摆动激励的多普勒频移,用于人体生命特征的探测与识别.本文首先通过人体运动模型,对人体的雷达回波进行了建模,给出了人体各部分回波的详细表达式,分析了各部分的多普勒频移,指出了其多普勒频率调制特性与人体结构和运动参数之间的关系,最后通过魏格纳分布和W-V分布峰值检测法提取微多普勒特性,最后通过仿真实验和国外实测数据的对比,证明本文对于人体雷达回波分析方法的合理性.     

基于最近邻特定点的人体运动姿态特征点标定识别方法

为了提高人体运动姿态的准确检测识别能力,提出基于最近邻特定点的人体运动姿态特征点标定识别方法。人体运动姿态图像采集依托于激光扫描技术,检测激光图像边缘轮廓,结合图像分割技术进行人体运动姿态的轮廓线分割和特征识别,构建激光图像灰度直方图分布结构模型,采取区域块匹配的方法提取模型中人体运动姿态和动作特征,采用多维像素重构方法进行人体运动姿态模拟,采用大间隔最近邻特定点标定方法进行人体运动姿态的特征点标定和检测,达到识别和优化人体的运动姿态的目的。实验结果表明,本文方法姿态识别的准确性较高,识别精度高,识别耗时短的特点,提高了人体运动姿态识别能力。     

融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

基于循环神经网络的人体异常行为识别模型

传统识别模型在进行人体异常行为识别时,无法准确地定位到识别目标的IP地址与目标源.针对此问题,设计了一种基于循环神经网络的人体异常行为识别模型.根据人体异常行为在循环神经网络中的传播方式,计算人体规律性异常行为、重复性异常行为在网络中占用的流量,并通过Lex.net技术提取网络规则,对比人体行为执行规则与循环神经网络规则,描述人体异常行为网络执行规则;同时,引进CNN标记方式,对异常信息进行标记,引入卷积神经网络标记异常信息,将标记结果按照高语义特征与低语义特征,以此实现对行为的有效识别.实验证明,本文设计的识别模型,可以在有限时间内输出所有人体异常行为,并能在完成对异常行为的识别后,追踪到行为对应的目标个体.     

穿墙雷达人体目标探测技术综述

为获知穿墙雷达技术发展脉络以及预测未来可能的发展趋势,对近年来穿墙雷达研究领域中的墙后人体目标探测技术的发展情况进行了梳理.围绕墙后人体目标探测中的微多普勒谱识别、二维运动目标检测,以及三维人体目标高分辨成像等关键技术,对国内外公开发表的相关文献进行了归纳总结.结果表明,穿墙雷达已经在墙后人体目标的生命特征提取、运动行为监测、动作姿态识别等应用领域取得了长足进步.随着相关研究的深入,穿墙雷达系统开始表现出轻型化、小型化、低成本化的特点,而对应的处理算法则向更加智能化方向发展.     

基于计算机视觉的人体异常行为识别综述

人体行为识别是计算机视觉和模式识别领域的研究热点之一。作为人体行为识别的一个重要分支,人体异常行为检测近年来也不断得到学界及工业界的重视。人体行为识别研究从早期的依赖人体形状特征发展到基于梯度设计的特征检测,再到当前随着神经网络的新发展,深度学习开始广泛应用于行为识别。同时由于红外波段具有适应弱光照环境、可全天候检测等优点,基于该波段的人体行为识别研究开始兴起,它也必将成为人体行为识别领域中一个新的研究热点。     

基于改进的加权累积差分法的人体行为识别*

针对两帧差分法和三帧差分法难以提取到完整的运动剪影,本文提出了一种基于改进的加权累计差分法的人体行为识别方法。通过使用改进的加权累计差分法能通过计算帧的相似度,用于对权值进行自适应变化,从而提取到较为完整的人体运动剪影,然后采用提出的关键帧的模板选取方法和分块特征提取来进行行为的特征提取,最后利用支持向量机构造分类器进行识别。实验结果表明采用改进的加权累积差分法能有效提高人体行为识别率。     

人体行为特征融合与行为识别的分析

伴随着信息技术的快速发展,人体行为识别技术逐渐被引入到各领域中,如安防监控、运动分析、医学辅助诊断和智能人机交互等,而技术实现的关键在于借助相关的特征融合方法。文章对人体行为识别的相关技术以及兴趣点提取方法、尺度混合特征模型与MKL方法的应用进行分析,以期对人体行为识别技术的发展起到推动作用。     

基于轮廓特征的人体行为识别

提出了一种以运动人体轮廓为特征,基于模板匹配的人体行为识别方法。首先,利用背景差分法和阴影消除技术提取运动人体轮廓;定义一种边界点-半径的轮廓描述方法,将时变的二维轮廓形状转换为对应的一维距离向量;以成本函数为特征向量,利用谱系聚类方法提取行为序列的关键姿态;最后,将关键姿态编码为行为字符串,利用编辑距离度量测试序列与标准序列间的相似性。实验结果表明,利用本文方法对人的6种日常行为进行识别,正确识别率达到84.3%以上,具有简单实用的特点。     

基于激光传感器的人体参数化运动学模型构建

为了实现对人体运动参数准确跟踪识别,提出基于激光传感器的人体参数化运动学模型.采用激光传感器进行人体运动参数检测,结合激光传感信息融合方法建立人体参数化运动学特征检测的阵列分布模型,通过模糊信息融合方法提取人体参数的关键特征量,根据高维矩阵特征分解方法建立人体参数化运动学激光传感数据特征分解模型,在邻近点中进行人体参数...     

基于运动传感器的体态识别系统设计

本文通过可穿戴手环的运动加速度参数检测人体的运动行为,可以对老年人的身体姿态和运动状态进行监测,再配合手环的心率以及血氧的信息,能够识别老人的生活起居情况,便于对老人的健康状态进行预测和及时干预。通过对人体模型进行建模,通过采集人体运动数据,建立数据库。结合SVM分类算法,提取人体运动的时域特征,对走动、跑步、坐、站立等动作进行分类,从而识别人体的运动姿态。