[go: up one dir, main page]

CN114724236A - 一种基于3d卷积神经网络的行为识别方法及系统 - Google Patents

一种基于3d卷积神经网络的行为识别方法及系统 Download PDF

Info

Publication number
CN114724236A
CN114724236A CN202110271335.7A CN202110271335A CN114724236A CN 114724236 A CN114724236 A CN 114724236A CN 202110271335 A CN202110271335 A CN 202110271335A CN 114724236 A CN114724236 A CN 114724236A
Authority
CN
China
Prior art keywords
behavior recognition
convolutional neural
neural network
human behavior
video data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110271335.7A
Other languages
English (en)
Inventor
刘国明
于晖
康凯
李虎
陈宁
杜国利
刘卉
张经真
刘斌
王万国
王振利
刘广秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Intelligent Technology Co Ltd
Taian Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Intelligent Technology Co Ltd
Taian Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Intelligent Technology Co Ltd, Taian Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Intelligent Technology Co Ltd
Priority to CN202110271335.7A priority Critical patent/CN114724236A/zh
Publication of CN114724236A publication Critical patent/CN114724236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于行为识别领域，提供了一种基于3D卷积神经网络的行为识别方法及系统。其中，该方法包括获取电力场景实时视频数据；提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。

Description

一种基于3D卷积神经网络的行为识别方法及系统
技术领域
本发明属于行为识别领域，尤其涉及一种基于3D卷积神经网络的行为识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
为了对电网区域工作人员的行为进行识别，需要使用人体行为识别算法建立行为识别模型，将工作人员的行为分析问题转换成人体行为识别问题。虽然对人体行为识别的研究历来已久，也已经取得阶段性的成果，但是目前人体行为识别法在公开数库上识别准确率高，可以达到90％以上，但是发明人发现，对于相对复杂的电力场景下进行人体行为识别准确率就低很多，即使在条件苛刻的实验室中，也只能达到70％。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于3D卷积神经网络的行为识别方法及系统，其通用性广，鲁棒性强，识别准确率高并且能在复杂电力场景下表现优异。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于3D卷积神经网络的行为识别方法。
一种基于3D卷积神经网络的行为识别方法，其包括：
获取电力场景实时视频数据；
提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；
基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；
其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
本发明的第二个方面提供一种基于3D卷积神经网络的行为识别系统。
一种基于3D卷积神经网络的行为识别系统，其包括：
视频数据获取模块，其用于获取电力场景实时视频数据；
双流信息提取模块，其用于提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；
人体行为识别模块，其基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；
其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于3D卷积神经网络的行为识别方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于3D卷积神经网络的行为识别方法中的步骤。
与现有技术相比，本发明的有益效果是：
创新提出了一种基于3D卷积神经网络的行为识别方法及系统，其基于双流模型框架的人体行为识别模型对输入的空间流信息和时间流信息进行处理，识别出当前视频数据中的人体行为类型，解决了相对复杂的电力场景下进行人体行为识别准确率低的问题，提高了行为识别的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于3D卷积神经网络的行为识别方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供了一种基于3D卷积神经网络的行为识别方法，其包括：
S101：获取电力场景实时视频数据。
在具体实施中，电力场景可为变电站或是输电路等等场景。
S102：提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中。
在具体实施中，所述空间流信息是RGB视频序列。所述空间流信息提取过程：将输入的视频片段处理成具有空间信息的RGB视频帧。
所述时间流信息是光流场。所述时间流信息的提取过程：在RGB视频帧中，提取出包含运动信息的光流场，再转换成光流特征图像。
S103：基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型。
在本实施例中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
其中，空间流特征为具体空间信息的RGB视频帧特征；
时间流特征为光流特征图像中特征。
此处可以理解的是，3D卷积神经网络的结构为现有结构，此处不再累述。
具体地，在空间流特征和时间流特征加权融合的过程中，空间流特征和时间流特征的权重均为0.5。
此处需要说明的是，在其他实施例中，为了达到不同的精度需求，本领域技术人员可将空间流特征和时间流特征的权重自行选择设置，此处不再详述。
在基于双流模型框架的人体行为识别模型的训练过程中：
以电力场景视频监控数据为基础，挑选视频图像行人目标区域并标记人员在图像中的位置与标签，构造行为识别视频数据集合；
构建基于双流模型框架的人体行为识别模型，通过结合视频数据中的空间流信息和时间流信息，进一步提高目标检测的精度；
将视频数据的光流场与RGB形式分别作为时间与空间两种数据流输入到3D卷积神经网络中进行训练，再将各自得到的分类结果进行加权融合，再输入至全连接层神经网络，得到人体行为识别结果。
本实施例为了解决变电站场景工作人员的行为识别问题，提出了利用深度学习的动作分类技术实现人员的行为分析，选取3D卷积神经网络来对视频中人员进行行为识别。首先研究不同的特征提取网络和不同的网络参数对行为识别的影响，通过调整网络参数和模型优化方法对网络进行改进，选取最有利于行为识别的3D网络参数；然后分别提取视频数据中的空间流信息和时间流信息作为行为识别模型的输入，从而进一步提高行为识别的精度；最后利用变电站采集的视频数据对模型进行实验验证。
实施例二
本实施例提供了一种基于3D卷积神经网络的行为识别系统，其包括：
视频数据获取模块，其用于获取电力场景实时视频数据；
双流信息提取模块，其用于提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；
人体行为识别模块，其基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；
其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
此处需要说明的是，本实施例的基于3D卷积神经网络的行为识别系统中的各个模块，与实施例一中的基于3D卷积神经网络的行为识别方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于3D卷积神经网络的行为识别方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于3D卷积神经网络的行为识别方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于3D卷积神经网络的行为识别方法，其特征在于，包括：
获取电力场景实时视频数据；
提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；
基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；
其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
2.如权利要求1所述的基于3D卷积神经网络的行为识别方法，其特征在于，所述空间流信息是RGB视频序列。
3.如权利要求2所述的基于3D卷积神经网络的行为识别方法，其特征在于，所述空间流信息提取过程：将输入的视频片段处理成具有空间信息的RGB视频帧。
4.如权利要求2所述的基于3D卷积神经网络的行为识别方法，其特征在于，所述时间流信息是光流场。
5.如权利要求4所述的基于3D卷积神经网络的行为识别方法，其特征在于，所述时间流信息的提取过程：在RGB视频帧中，提取出包含运动信息的光流场，再转换成光流特征图像。
6.如权利要求1所述的基于3D卷积神经网络的行为识别方法，其特征在于，在空间流特征和时间流特征加权融合的过程中，空间流特征和时间流特征的权重均为0.5。
7.如权利要求1所述的基于3D卷积神经网络的行为识别方法，其特征在于，在基于双流模型框架的人体行为识别模型的训练过程中，以电力场景视频监控数据为基础，挑选视频图像行人目标区域并标记人员在图像中的位置与标签，构造行为识别视频数据集合。
8.一种基于3D卷积神经网络的行为识别系统，其特征在于，包括：
视频数据获取模块，其用于获取电力场景实时视频数据；
双流信息提取模块，其用于提取电力场景实时视频数据中的空间流信息和时间流信息并输入至基于双流模型框架的人体行为识别模型中；
人体行为识别模块，其基于双流模型框架的人体行为识别模型识别出当前视频数据中的人体行为类型；
其中，基于双流模型框架的人体行为识别模型包括两个并行的3D卷积神经网络和全连接层神经网络，两个并行的3D卷积神经网络用于分别对应提取空间流信息和时间流信息中的空间流特征和时间流特征，并将空间流特征和时间流特征加权融合后输入至全连接层神经网络，进而得到对应的人体行为类型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于3D卷积神经网络的行为识别方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于3D卷积神经网络的行为识别方法中的步骤。
CN202110271335.7A 2021-03-12 2021-03-12 一种基于3d卷积神经网络的行为识别方法及系统 Pending CN114724236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271335.7A CN114724236A (zh) 2021-03-12 2021-03-12 一种基于3d卷积神经网络的行为识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271335.7A CN114724236A (zh) 2021-03-12 2021-03-12 一种基于3d卷积神经网络的行为识别方法及系统

Publications (1)

Publication Number Publication Date
CN114724236A true CN114724236A (zh) 2022-07-08

Family

ID=82234776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271335.7A Pending CN114724236A (zh) 2021-03-12 2021-03-12 一种基于3d卷积神经网络的行为识别方法及系统

Country Status (1)

Country Link
CN (1) CN114724236A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761893A (zh) * 2022-11-25 2023-03-07 国网安徽省电力有限公司超高压分公司 基于双流cnn的行为识别与动作检测识别方法及系统
CN115841730A (zh) * 2022-11-16 2023-03-24 华能新能源工程建设(北京)有限公司 视频监控系统、异常事件检测方法
CN118658182A (zh) * 2024-06-24 2024-09-17 西安电子科技大学 基于双流三维卷积神经网络的人体行为识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084228A (zh) * 2019-06-25 2019-08-02 江苏德劭信息科技有限公司 一种基于双流卷积神经网络的危险行为自动识别方法
CN110909658A (zh) * 2019-11-19 2020-03-24 北京工商大学 一种基于双流卷积网络的视频中人体行为识别方法
CN111199238A (zh) * 2018-11-16 2020-05-26 顺丰科技有限公司 一种基于双流卷积神经网络的行为识别方法及设备
CN111368739A (zh) * 2020-03-05 2020-07-03 东北大学 一种基于双流卷积神经网络的暴力行为识别方法
CN111462183A (zh) * 2020-03-31 2020-07-28 山东大学 一种基于注意力机制双流网络的行为识别方法及系统
CN112183240A (zh) * 2020-09-11 2021-01-05 山东大学 一种基于3d时间流和并行空间流的双流卷积行为识别方法
CN112434608A (zh) * 2020-11-24 2021-03-02 山东大学 一种基于双流结合网络的人体行为识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199238A (zh) * 2018-11-16 2020-05-26 顺丰科技有限公司 一种基于双流卷积神经网络的行为识别方法及设备
CN110084228A (zh) * 2019-06-25 2019-08-02 江苏德劭信息科技有限公司 一种基于双流卷积神经网络的危险行为自动识别方法
CN110909658A (zh) * 2019-11-19 2020-03-24 北京工商大学 一种基于双流卷积网络的视频中人体行为识别方法
CN111368739A (zh) * 2020-03-05 2020-07-03 东北大学 一种基于双流卷积神经网络的暴力行为识别方法
CN111462183A (zh) * 2020-03-31 2020-07-28 山东大学 一种基于注意力机制双流网络的行为识别方法及系统
CN112183240A (zh) * 2020-09-11 2021-01-05 山东大学 一种基于3d时间流和并行空间流的双流卷积行为识别方法
CN112434608A (zh) * 2020-11-24 2021-03-02 山东大学 一种基于双流结合网络的人体行为识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨天明;陈志;岳文静;: "基于视频深度学习的时空双流人物动作识别模型", 《计算机应用》, vol. 38, no. 03, 10 March 2018 (2018-03-10), pages 895 - 899 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841730A (zh) * 2022-11-16 2023-03-24 华能新能源工程建设(北京)有限公司 视频监控系统、异常事件检测方法
CN115841730B (zh) * 2022-11-16 2025-02-18 华能新能源工程建设(北京)有限公司 视频监控系统、异常事件检测方法
CN115761893A (zh) * 2022-11-25 2023-03-07 国网安徽省电力有限公司超高压分公司 基于双流cnn的行为识别与动作检测识别方法及系统
CN118658182A (zh) * 2024-06-24 2024-09-17 西安电子科技大学 基于双流三维卷积神经网络的人体行为识别方法
CN118658182B (zh) * 2024-06-24 2025-09-26 西安电子科技大学 基于双流三维卷积神经网络的人体行为识别方法

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive fusion for RGB-D salient object detection
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN110222787A (zh) 多尺度目标检测方法、装置、计算机设备及存储介质
CN110188635A (zh) 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN111353385B (zh) 一种基于掩膜对齐与注意力机制的行人再识别方法和装置
CN114724236A (zh) 一种基于3d卷积神经网络的行为识别方法及系统
CN112801019B (zh) 基于合成数据消除无监督车辆再识别偏差的方法及系统
CN103971386A (zh) 一种动态背景场景下的前景检测方法
CN110969110B (zh) 一种基于深度学习的人脸跟踪方法及系统
CN108921942B (zh) 对图像进行2d转制3d的方法及装置
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN114333062B (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法
CN113378799A (zh) 基于目标检测和姿态检测框架的行为识别方法及系统
CN106529477A (zh) 基于显著轨迹和时空演化信息的视频人体行为识别方法
CN117437691A (zh) 一种基于轻量化网络的实时多人异常行为识别方法及系统
CN108875555B (zh) 基于神经网络的视频兴趣区域和显著目标提取与定位系统
CN114170570B (zh) 一种适用于拥挤场景下的行人检测方法及系统
CN104036243A (zh) 一种基于光流信息的行为识别方法
CN109753884A (zh) 一种基于关键帧提取的视频行为识别方法
CN111325773A (zh) 运动目标的检测方法、装置、设备及可读存储介质
CN113705384A (zh) 一种考虑局部时空特性和全局时序线索的面部表情识别方法
CN115240106A (zh) 任务自适应的小样本行为识别方法及系统
CN113887272A (zh) 基于边缘计算的暴力行为智能安全检测系统
CN103761510A (zh) 模拟人类视皮层感知机制的动作识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220708