北京, 2023年8月16日 — WiMi虚拟现实云股份有限公司(纳斯达克股票代码:WIMI)(“WiMi”或”公司”),是一家领先的全球虚拟增强现实(AR)技术提供商,今天宣布开发了一套基于卷积神经网络(CNN)的3D人体行为识别算法系统,该系统具有很好的表征能力。
人体行为识别(HBR)是通过高级技术解析和理解人体行为,分析、理解和分类这些行为,为机器提供任何有效输入或刺激的过程。深度学习在解决识别和分类问题方面非常有效,它进行端到端优化,相关任务可以互相受益(迁移学习)。
首先,从关节相对运动中提取四个独特的时空特征向量,随后将其编码成图像输入CNN进行深度特征提取。更具体地说,该系统使用3D人体骨骼数据提取四种信息特征(距离、距离速度、角度和角度速度特征),并使用适当的编码方案将其编码为图像。此外,WiMi使用反向离子优化从特征空间中去除冗余和误导信息。最后,WiMi使用分类进行最终预测操作。
该系统的应用过程主要包括数据收集、数据预处理、特征提取、分类和预测决策。
第一步是收集CNN基于3D HBR系统所需的适当数据。一个适当的、结构化的和正确标记的数据集是训练模型的最重要要求之一。神经网络将使用数据集作为例子学习其对应特征信息,保存深度神经网络训练的记忆,并使用这一记忆作为预测其他对应数据集的基础。因此,数据集的质量将直接影响神经网络训练的质量。在广泛覆盖、信息完整和分辨率高的数据集上训练的神经网络,远比在简单、分辨率低且背景复杂的数据集上训练的网络效果好。人体行为识别网络对数据集的要求包括全面行为类别、高质量行为、清晰视频等。第二步是数据预处理,其中特征转换、特征选择和特征提取被结合在一起,通常称为数据预处理模块。特征提取和正确表示是提高模型性能的关键步骤。对于高维数据,模型过拟合的可能性相对增加,因此需要选择相关特征。选择分类模型所需的特征是取得成功的关键步骤。下一步是分类,其中提取的特征用于训练模型识别和分类不同形式的人体行为。最后是预测分析,其中从卷积神经网络模型的输入中提取更有信息的特征,使模型能在不考虑类别之间的视觉差异的情况下做出决定。
WiMi基于CNN技术的3D HBR算法系统可以实现个人和群体行为的高精度识别,设置异常行为预测和及时警告,可广泛应用于人员识别、车辆识别、区域入侵、目标异常检测等应用场景。
关于WiMi虚拟现实云
WiMi虚拟现实云股份有限公司(纳斯达克股票代码:WIMI)是一家专注于虚拟增强现实(AR)头戴设备和相关软件技术的公司。其服务和虚拟现实技术包括虚拟现实汽车应用、3D虚拟现实激光雷达技术、虚拟现实半导体技术、虚拟现实软件开发、虚拟现实广告技术、虚拟现实娱乐技术、虚拟现实SDK支付、交互式虚拟现实通信等虚拟现实相关技术。
