申请/专利权人:浙江师范大学
申请日:2023-11-07
公开(公告)日:2024-01-16
公开(公告)号:CN117409481A
主分类号:G06V40/20
分类号:G06V40/20;G06V20/40;G06V10/25;G06V10/26;G06V10/44;G06V10/52;G06V10/62;G06V10/764;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084;G06N3/0985
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.02#实质审查的生效;2024.01.16#公开
摘要:本发明公开了一种基于2DCNN和3DCNN的动作检测方法,涉及图像处理与计算机视觉技术领域,首先对构建的新动作识别网络进行训练,获得动作预测模型;然后获取监控视频,对监控视频进行分割,获取每一帧以及当前帧之前的k帧连续帧,使用动作预测模型中的2DCNN神经网络提取关键帧的空间特征图,使用3DCNN神经网络提取前k帧连续帧的时序特征图,使用通道维度融合空间特征图和时序特征图,再将初步融合的特征图分别使用通道注意力机制和位置注意力机制进行处理,融合;最后通过预测层得出运动者动作分类以及在视频中的位置。本发明的检测速度更快,更好的捕捉空间信息。
主权项:1.一种基于2DCNN和3DCNN的动作检测方法,其特征在于,包括以下步骤:步骤1:获取动作数据集,将YOWO动识别算法网络模型中的YOLOV2替换成2DCNN,构建新动作识别网络;利用动作数据集对新动作识别网络进行训练,获得动作预测模型;步骤2:获取待检测视频,并进行分割,划分为关键帧图像和关键帧之前的k帧图像序列;步骤3:将关键帧图像和k帧图像序列输入动作预测模型,获得动作边界框和动作分类结果。
全文数据:
权利要求:
百度查询: 浙江师范大学 一种基于2DCNN和3DCNN的动作检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。