公开(公告)号：CN118172724A

公开(公告)日：2024-06-11

申请号：CN202410234561.1

申请日：2024-03-01

申请人： 西北大学

发明人： 许鹏飞 ,  王静雯 ,  郭竞 ,  谷晓康 ,  廖飞 ,  李成 ,  沈征宇

IPC分类号： G06V20/52 ,  G06V10/82 ,  G06N3/092 ,  G06V10/26 ,  G06T7/11

摘要： 本发明提供了一种一种基于强化学习的目标计数方法，包括：步骤S1，图像预处理；步骤S2，映射至网格；步骤S3，获取密集区域；步骤S4，获取最佳密集区域划分：采用RegionNet进行步骤S3中获得的密集区域的边缘细化，设定相应的状态函数、动作选择以及奖励函数，获取最佳密集区域划分。步骤S5，获取图像中的人数。本发明尝试探索利用强化学习的思想对图像人群分布不均匀的区域按照人员聚集程度进行划分，将划分后的人群非密集区和密集区分别采用基于检测的人数计数和基于密度的人数计数的方法对最终的总人数进行估计，从而解决在不均匀分布场景下导致人数计数误差率较高的问题，进一步提高人群计数方法的准确率和模型的鲁棒性。

公开(公告)号：CN118230410A

公开(公告)日：2024-06-21

申请号：CN202410248078.9

申请日：2024-03-05

申请人： 西北大学

发明人： 郭竞 ,  刘征奇 ,  穆浩文 ,  尹爽 ,  谷晓康

IPC分类号： G06V40/20 ,  G06V40/70 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/049

摘要： 本发明公开了一种基于无线信号和视频信息的多模态手势识别方法：步骤S1：采集无线信号和手势视频数据；步骤S2：获取CSI信息；步骤S3：得到幅值序列；步骤S4：对幅值序列预处理；步骤S5：将预处理的CSI数据分为有标签和无标签两部分；步骤S6：循环训练完成CSI特征提取；步骤S7：得到手势动作图；步骤S8：得到骨架手势动作数据集；步骤S9：提取手势视频骨架特征；步骤S10：得到视频流手势动作特征；步骤S11：融合；步骤S12：对融合特征进行手势预测得到识别结果。本发明解决了基于单模态的手势识别方法中因多变的环境等固有限制因素导致识别精度下降的问题，提升了手势识别模型的识别准确率和鲁棒性，可广泛应用于手势识别乃至动作识别领域。