[发明专利]幼少年行为语言数字化建模方法在审
申请号: | 202210971016.1 | 申请日: | 2022-08-14 |
公开(公告)号: | CN115331306A | 公开(公告)日: | 2022-11-11 |
发明(设计)人: | 吴晓涛;黄俊锋 | 申请(专利权)人: | 珠海清大声光电工程技术研发中心 |
主分类号: | G06V40/20 | 分类号: | G06V40/20;G06V10/30;G06V10/36;G06V10/40;G06V10/75;G06T17/00 |
代理公司: | 深圳众邦专利代理有限公司 44545 | 代理人: | 熊指挥 |
地址: | 519000 广东省珠海市高新区唐家*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 少年 行为 语言 数字化 建模 方法 | ||
1.幼少年行为语言数字化建模方法,其特征在于,包括以下步骤:
获取儿童身体的三维数据信息,作为仿真生成三维模型的仿真参数;
为所述肢体行为及肢体行为数据与其对应的语义数据建立基础数据库;
根据三维模型的仿真参数及肢体行为数据和语义的基础数据库建立数字化仿真模型;
获取儿童肢体行为的数据作为输入,将肢体行为数据输入数字化仿真模型中,数字化仿真模型输出肢体行为对应的语义。
2.根据权利要求1所述的幼少年行为语言数字化建模方法,其特征在于:所述获取儿童肢体行为语义包括以下步骤:
采用图像采集设备获取儿童肢体行为图像;
对图像进行降噪处理,并提取图像中的特征点;
将获取的儿童肢体行为特征点与基础数据库中肢体行为数据进行匹配;
得到相应的肢体行为对应的语义。
3.根据权利要求1所述的幼少年行为语言数字化建模方法,其特征在于:所述儿童身体的三维数据信息包括儿童的骨骼数据和各肢体关节的世界坐标系数据。
4.根据权利要求1所述的幼少年行为语言数字化建模方法,其特征在于:所述图像的降噪处理采用以下方法:
首先构件数字图像采集模型,采用三个角度均匀遍历方法进行传感器采像,假设数字图像成像区域F中的一点P(x,y)为像素点,在尺度σ上数字图像的Hessian矩阵可定义为:
进行M-1次传递迭代,取含噪声数字图像Hessian矩阵的临界点P(x,y),有,
提取两个时刻含有噪声数字图像中多元特征数据集,进行初始网络模式信息提取,此时Hessian矩阵转化为,
简化后,
在含噪信息特征子空间中,采用Hessian矩阵极值点检测方法进行数字图像的角点特征提取,利用9×9的中值滤波器进行数字图像像素中心噪点的均匀遍历,强干扰环境下采集的数字图像通常含有大量的噪声,难以进行有效的细节分析,为了减少计算量和计算的复杂度,进行数字图像降噪滤波处理,构建Hessian矩阵进行数字图像的细节增强,数字图像增强处理的Hessian矩阵为:
H=DxxDyy-(ωDyy)2
进行数字图像的原始像素特征提取和信息预处理,得到的数字图像灰度像素特征c为:
数字图像进行细节辨识的权重系数mj(k)设定为0.9,通过自适应特征分解,能计算H′取得局部绩效点;Dxx<0那么数字图像灰度像素特征点P(x,y)是局部极大点。
5.根据权利要求1所述的幼少年行为语言数字化建模方法,其特征在于:所述获取的图像特征提取与匹配过程为:
特征提取:采用海森矩阵来检测特征点,像素点I(a,b)的海森矩阵为
特征点定位需要具备尺度不变性,因此计算海森矩阵钱,要用高斯核与原图像卷积,加上尺度α,形成在不同尺度下的检测公式:
其中,SURF先计算每个点的海森矩阵行列式,通过盒型滤波器建立金字塔,完成特征点粗定位,海森矩阵行列式的近似计算公式为:
det(E)≈QaaQbb-(0.9Qab)2
由于9×9盒型滤波器相当于方差为1.2的高斯函数并且代表变换图像的最小尺度,在金字塔图像上,每一个点与同层的8各点和相邻层18个点比较对渎职,若是极值点,则初步定义为特征点,然后采用二元三次拟合函数来去除不稳定点和边缘相应点,完成特征点精定位;
特征描述算法,特征描述子区分性和匹配效率是衡量描述子好坏的关键指标,LDB由于结合了特征邻域强度信息和梯度信息,具有很强的区分性。此外,LDB由于采用二进制描述方式可用汉明距离匹配,具有很高的匹配效率。
LDB先将特征点邻域划分成n×n个相同大小的网格,计算每个网格的平均强度信息和a,b方向的梯度信息,平均强度信息可通过积分图像快速计算,代表了网格的整体统计特性,通过计算得到a,b方向的梯度信息,代表了网格内部的强度变化特性,
其中m为每隔网格中像素点的个数,通过计算灰度均值和a,b方向的梯度,每隔网格用上式中的3个特征信息表面,然后在网格间比较测试确定每隔网格的二进制描述,测试函数为
为从中挑选出某些位,增强特征点之间的相关性,减弱误匹配点之间的相关性,采用算法选择描述子的比特位,先对多幅影响特征是否匹配进行标记,然后从已标记好是否匹配的特征中抽取样本;
通过对特征比特位的选择,增大了不匹配对的距离,同时减小了匹配对的距离,并且描述子内部具有很低的相关性,为实现特征的旋转不变形,LDB采用灰度质心确定主方向,确定主方向后,把特征点邻域旋转至主方向,然后在划分网格,利用旋转后的积分图像进行灰度均值和梯度计算,
计算图像中每一个特征描述子向量与基础数据库中图像的特征描述子向量欧式距离,计算所得的最小值即认为是特征的最佳匹配。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于珠海清大声光电工程技术研发中心,未经珠海清大声光电工程技术研发中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210971016.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种涡扇发动机喷口前馈线确定方法
- 下一篇:堤坝险情处置训练装置与实训方法