申请/专利权人：广东海聊科技有限公司

申请日：2021-12-03

公开（公告）日：2024-06-28

公开（公告）号：CN114202561B

主分类号：G06T7/246

分类号：G06T7/246;G06V10/764;G06V10/82;G06N3/0442;G06N3/049;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.04.19#实质审查的生效;2022.03.18#公开

摘要：本发明公开了一种长跑运动轨迹异常检测方法，包括获取历史运动轨迹；通过历史运动轨迹建立运动轨迹模型；通过定位设备获取当前运动轨迹；采用静止时间、轨迹偏离距离和运动轨迹模型对当前运动轨迹进行异常检测；定位设备将做出反应，当输出的预测结果显示运动轨迹状态异常时，设备将根据异常类型提示救援人员。本发明利用设定规则和深度学习，解决了设备出现自身定位故障导致的漂移或静止数据等情况下，仅考虑轨迹相似度，难以对运动员异常状况做出正确决策的问题；对运动员的异常检测更准确高效，能够及时对运动员进行异常检测并实施救援，保证了比赛时的安全性。

主权项：1.一种长跑运动轨迹异常检测方法，其特征在于包括如下步骤：S1.获取历史运动轨迹；S2.通过历史运动轨迹建立运动轨迹模型；包括如下步骤：A1.对历史运动轨迹进行切片，设置滑动窗口大小和滑动窗口步长，并根据运动员求救数据对每一个轨迹切片加上对应的异常标签，然后根据得到的轨迹切片和对应的异常标签进行后续训练运动轨迹模型；A2.根据运动员每一时刻的运动方向与水平线正方向形成的夹角，计算运动员的行进角度；A3.采用卷积神经网络求解运动轨迹模型；包括如下步骤：B1.通过步骤A2计算运动员的行进角度，并根据最远的点的集合求解运动员从行进距离；生成运动员的行进距离系列和行进角度序列；对运动员轨迹坐标序列、运动员的行进距离系列和行进角度序列进行插值，并进行归一化；并将处理后的数据存储到数据库；B2.将步骤B1获取的归一化后的运动员轨迹坐标序列，归一化后的运动员行进距离序列和归一化后的运动员行进角度序列分别输入到3个卷积层进行特征提取，并输出时序数据；B3.采用LSTM层处理步骤B2输出的时序数据；B4.将第一LSTM层、第二LSTM层和第三LSTM层的输出值进行合并；B5.将合并后得到的值作为输入值输入到全连接层，通过线性加权求和，得到全连接层的输出值；B6.采用步骤B1-B5求得的运动轨迹模型获取异常分数，并将异常分数与异常阈值对比，若异常分数大于异常阈值，则输出为深度学习模型检测出的异常，否则，输出结果为正常；S3.通过定位设备获取当前运动轨迹；S4.采用静止时间对当前运动轨迹进行异常检测，并获取时间异常；采用轨迹偏离距离对当前运动轨迹进行异常检测，并获取距离异常；采用运动轨迹模型对当前运动轨迹进行异常检测，并获取轨迹异常；S5.定位设备将做出反应，当输出的预测结果显示运动轨迹状态异常时，设备将根据异常类型提示救援人员。

全文数据：

权利要求：

百度查询： 广东海聊科技有限公司 一种长跑运动轨迹异常检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD