北京，2023年8月16日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，開發了一種基于卷積神經網絡（CNN）的具有良好表征能力的3D人類行為識别算法系統。
人類行為識别（HBR）是通過複雜的技術破譯人類行為的過程，目的是使機器能夠理解、分析、理解和分類這些行為，并提供任何有效的輸入或刺激。深度學習在解決識别和分類問題方面非常有效，因為它可以進行端到端優化，相關任務可以相互受益（遷移學習）。
首先，從骨骼關節的相對運動中提取四個獨特的時空特征向量，随後将其編碼為圖像，然後将其輸入CNN進行深度特征提取。更具體地說，該系統通過從3D骨架數據中提取四種類型的信息特征（距離、距離-速度、角度和角度-速度特征）并使用合适的編碼方案将它們編碼成圖像，來将數據用于3D人類行為識别任務。此外，WiMi使用反離子優化來從特征空間中去除冗餘和誤導性信息。最後，WiMi使用分類來進行操作的最終預測。
該系統的應用過程主要包括數據采集、數據預處理、特征提取、分類和預測決策。
第一步是為基于CNN的3D HBR系統收集适當的數據。一個合适的、結構化的和正确标記的數據集是訓練模型的最基本要求之一。神經網絡将以數據集為例學習其相應的特征信息，保存深度神經網絡訓練的内存，并将該内存作為預測其他相應數據集的基礎。因此，數據集的質量将直接影響神經網絡訓練的質量。在覆蓋範圍廣、信息全、分辨率高的數據集上訓練的神經網絡遠優于在複雜背景的簡單、低分辨率數據集上培訓的網絡。人類行為識别網絡對數據集的要求包括全面的行為類别、高質量的行為、清晰的視頻等。第二步是數據預處理，将特征轉換、特征選擇和特征提取耦合在一起，通常稱為數據預處理模塊。特征提取和正确表示是提高模型性能的關鍵步驟。對于高維數據，模型過拟合的可能性相對增加，因此需要選擇相關特征。為分類模型選擇所需的特征是使其正确的關鍵步驟。下一步是分類，提取的特征用于訓練模型，用于識别和分類不同形式的人類行為。最後，還有預測分析，從卷積神經網絡模型的輸入中提取更多信息特征，以便模型可以在不考慮類别之間視覺差異的情況下做出決策。
WiMi基于CNN技術的3D HBR算法系統可以實現對個人和群體的高精度行為識别，設置異常行為預測和及時預警，可廣泛應用于人員識别、車輛識别、區域入侵、目标異常檢測等應用場景。
關于WIMI全息雲
維密全息雲股份有限公司（NASDAQ:WIMI）是一家全息雲綜合技術解決方案提供商，專注于全息AR汽車HUD軟件、3D全息脈沖激光雷達、頭戴光場全息設備、全息半導體、全息雲軟件、全息汽車導航等專業領域。其服務和全息AR技術包括全息AR汽車應用、3D全息脈沖激光雷達技術、全息視覺半導體技術、全息軟件開發、全息AR廣告技術、全息AR娛樂技術、全息ARSDK支付、交互式全息通信和其他全息AR技術。
