CN104156819B - 一种重要岗位不安全行为自动观察纠偏方法及装置 - Google Patents
一种重要岗位不安全行为自动观察纠偏方法及装置 Download PDFInfo
- Publication number
- CN104156819B CN104156819B CN201410389990.2A CN201410389990A CN104156819B CN 104156819 B CN104156819 B CN 104156819B CN 201410389990 A CN201410389990 A CN 201410389990A CN 104156819 B CN104156819 B CN 104156819B
- Authority
- CN
- China
- Prior art keywords
- behavior
- unsafe acts
- image information
- video image
- human
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种重要岗位不安全行为自动观察纠偏方法及装置,其中,该方法包括:采集预设重要岗位区域的视频图像信息;将该视频图像信息向外发送;接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;根据接收到的所述纠偏指令进行纠偏处理。通过采用本发明公开方法及装置可以快速、有效、简便的方式降低并消除不安全行为,保证顺利生产和人身安全。
Description
技术领域
本发明涉及企业行为安全技术领域,尤其涉及一种重要岗位不安全行为自动观察纠偏方法及装置。
背景技术
随着社会的不断发展,人类生产活动中的安全问题得到了越来越高的重视,对于安全的投入也逐渐增大,但是纵观近几年来我国安全事故发生量仍然巨大,如何有效的控制事故的发生是摆在安全管理人员面前的一个重要课题。
然而传统的安全管理方式侧重于物的研究,对人的不安全行为重视程度不够。实际上,对人的不安全行为进行研究将大大减少工作中产生的意外情况,提高人的可靠性,从而降低事故发生的频率。人因失误及人不安全行为是导致事故的重要原因,国家安全生产监督管理总局公布的统计数据表明,2007年全国发生各类生产安全事故506376起,死亡10480人,其中发生重特大事故86起,死亡1525人,由于人因失误或人不安全行为导致的事故伤亡发生率就占70%以上。上文分析可知,由不安全行为导致的安全生产事故日益增多,不安全行为的重要性在企业的日常安全管理中已经得到了共识,要提高安全生产水平,就必须改善员工的不安全行为。
人具有心理和生理两种因素,同时还受到环境等条件的制约,人的行为产生因素极其复杂。目前,国内外在对不安全行为具体的管理中控制方面缺少必要的设备设施,大多只是停留在口号上,对事故发生只是事后回顾寻找原因,很少对不安全行为实时及时指导工作,很少有及时发现问题以及及时解决问题的方法,很少有对危险区域不安全行为进行视频观察和后期统计处理的方法,而后针对视频监控统计分析出来的实际问题进行相应培训与教育就相对更少了,现行的不安全行为的管理措施缺乏系统性和连续性。
发明内容
本发明的目的是提供一种重要岗位不安全行为自动观察纠偏方法及装置,可以快速、有效、简便的方式降低并消除不安全行为,保证顺利生产和人身安全。
本发明的目的是通过以下技术方案实现的:
一种重要岗位不安全行为自动观察纠偏方法,该方法包括:
采集预设重要岗位区域的视频图像信息;
将该视频图像信息向外发送;
接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;
根据接收到的所述纠偏指令进行纠偏处理。
一种重要岗位不安全行为自动观察纠偏装置,该装置包括:
行为视频采集模块,用于采集预设重要岗位区域的视频图像信息;
数据传输模块,用于将该视频图像信息向外发送;
行为识别模块,接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;
不安全行为纠偏模块,用于根据接收到的所述纠偏指令进行纠偏处理。
由上述本发明提供的技术方案可以看出,通过在重要岗位的工人对不安全行为的观察、识别、预警、检查、评审等。更加的灵活、方便、可靠,不但提高安全动作发生的可能性,而且提高工作的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例一提供的一种重要岗位不安全行为自动观察纠偏方法的流程图;
图2为本发明实施例二提供的一种重要岗位不安全行为自动观察纠偏装置的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例一
图1为本发明实施例一提供的一种重要岗位不安全行为自动观察纠偏方法的流程图。如图1所示,该方法主要包括如下步骤:
步骤11、采集预设重要岗位区域的视频图像信息。
本发明实施例中,确定所述预设重要岗位区域的步骤为:通过单元危险性快速排序法对危险岗位区域进行程度划分,将危险程度高于阈值的作为重要岗位区域;具体的:运用单元危险性快速排序法,在企业中的危险区域进行程度划分,危险区域危险程度是根据事故发生的可能性与其后果的乘积,其危险程度的数值由颜色的深浅表示,然后用颜色的深浅确定危险程度较大的区域,从而企业中形成颜色叠加的危险平面图,然后将危险程度较高的区域作为重要岗位区域。
首先,采集所述预设重要岗位区域内的视频图像信息;再将该视频图像信息进行压缩编码,以满足存储和传输的要求。
步骤12、将该视频图像信息向外发送。
本发明实施例中,可经由无线AP(访问接入点)和交换机向外发送数据,也可使用有线的方式向外传输。
步骤13、接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令。
具体来说,本步骤包括:接收所述视频图像信息后进行解码,获得对应的模拟视频信息;并依次进行图像预处理、人体运动检测、人体运动跟踪及人体行为识别;若识别结果为不安全行为,则将不安全行为自动分类统计、储存并进行显示,且向外发出纠偏指令。
其中,所述图像预处理、人体运动检测、人体运动跟踪及人体行为识别的具体步骤包括:
图像预处理:依次采用直方图修正、图像线性运算、线性滤波器进行图像预处理,获得预处理后的图像。
人体运动检测:利用背景减除法,并对混合高斯模型参数均值和方差采用不同的学习率,来提取预处理后的图像的背景;采用贝叶斯准则对前景进行判定,通过对前景和背景分类,并将马尔可夫随机场理论引入前景分割中实现高精度前景分割;利用包含人体的长方形标记进行人体运动检测,在长方形区域范围内,使用HSV(色调/饱和度/值颜色系统)对阴影检测并快速消除。
人体运动跟踪:使用卡尔曼(Kalman)滤波算法对运动目标进行自动选择,再使用均值漂移(Mean shift)算法进行运动目标跟踪,并实现快速搜索。
人体行为识别包括:隐马尔可夫模型参数训练、人体行为特征提取、隐马尔可夫模型人体行为识别;具体的:隐马尔可夫模型参数训练是采用测试序列来训练,首先对模型参数初始化,根据先验知识,手工设定,模型参数初始化后,采用Baum-Welch(重估计算法又称为向前向后算法,通过递归方式更新HMM中的参数,以得到能够最好解释训练样本的HMM参数)算法的重估公式,采用迭代算法用以训练模型参数,从而确定隐马尔可夫模型的最优参数;人体行为包括安全行为与不安全行为,不安全行为为一组连续图像帧的集合,特征提取时采用k-means(硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则)聚类方法选取关键帧,获得人体关键姿态最佳表征,该方法自身就可以从代表一类行为的图像中自动选择一系列关键姿态,将人体关键姿态进行编码,再采用Hausdorff(豪斯多夫距离量度,度量空间中真子集之间的距离)距离来评估当前姿态与基本行为库中姿态的相似程度,相似度最高的姿态即为所属行为类别,从而实现人体不安全行为序列编码,编码之后,姿态序列就转化为编码序列;隐马尔可夫模型人体行为识别为,根据提取出的编码序列,计算每个训练模型产生该序列的最大似然概率,拥有最大似然概率模型即识别出具体的不安全行为。
步骤14、根据接收到的所述纠偏指令进行纠偏处理。
具体来说,是根据接收到的所述纠偏指令启动急停开关停止正在运行的机器,且启动报警器提醒操作人员终止不安全行为,此时工作人员就会发现自己的不安全行为,则会及时改正,如果工作人员忘记正确的操作行为,已经启动语音和视频提示器会发出正确的操作提示,来提醒、引导操作人员做出安全行为,进而使工人可以发出暂时性的安全行为,这样减少人为失误带来的事故,从而使工作得以继续的进行。
在后期培训教育过程中,可以根据已经存储的不安全行为统计结果做出相应的不安全行为问题分析,可以对相应工人进行相应的安全教育培训措施,并且定期进行考核直至通过,从而提高重要岗位的危险区域的操作知识和安全意识,可以使工人发出长期稳定的安全行为。
本发明实施例通过在重要岗位的工人对不安全行为的观察、识别、预警、检查、评审等。更加的灵活、方便、可靠,不但提高安全动作发生的可能性,而且提高工作的效率。
实施例二
图2为本发明实施例二提供的一种重要岗位不安全行为自动观察纠偏装置的示意图。如图2所示,该装置主要包括:
行为视频采集模块,用于采集预设重要岗位区域的视频图像信息;
数据传输模块,用于将该视频图像信息向外发送;
行为识别模块,接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;
不安全行为纠偏模块,用于根据接收到的所述纠偏指令进行纠偏处理。
进一步的,所述行为视频采集模块包括:
视觉传感器,用于采集所述预设重要岗位区域内的视频图像信息;
视频服务器,用于将该视频图像信息进行压缩编码;
其中,确定所述预设重要岗位区域的步骤为:通过单元危险性快速排序法对危险岗位区域进行程度划分,将危险程度高于阈值的作为重要岗位区域。
进一步的,所述数据传输模块将该视频图像信息向外发送时,可经由无线AP(访问接入点)和交换机向外发送数据,也可使用有线的方式向外传输。
进一步的,所述行为识别模块包括:
解码器,接收所述视频图像信息后进行解码,获得对应的模拟视频信息;
主处理器,用于依次进行图像预处理、人体运动检测、人体运动跟踪及人体行为识别;若识别结果为不安全行为,则将不安全行为自动分类统计、储存并进行显示,且向外发出纠偏指令;
储存模块,用于储存不安全行为信息;包括:flash存储器(不挥发性内存)与SDRAM内存(随机存取存储器)。
显示器,用于显示不安全行为对应的视频图像信息。
进一步的,所述图像预处理、人体运动检测、人体运动跟踪及人体行为识别的步骤包括:
图像预处理:依次采用直方图修正、图像线性运算、线性滤波器进行图像预处理,获得预处理后的图像;
人体运动检测:利用背景减除法,并对混合高斯模型参数均值和方差采用不同的学习率,来提取预处理后的图像的背景;采用贝叶斯准则对前景进行判定,通过对前景和背景分类,并将马尔可夫随机场理论引入前景分割中实现高精度前景分割;利用包含人体的长方形标记进行人体运动检测,在长方形区域范围内,使用HSV对阴影检测并快速消除;
人体运动跟踪:使用卡尔曼Kalman滤波算法对运动目标进行自动选择,再使用均值漂移Mean shift算法进行运动目标跟踪,并实现快速搜索;
人体行为识别包括:隐马尔可夫模型参数训练、人体行为特征提取、隐马尔可夫模型人体行为识别;具体的:隐马尔可夫模型参数训练是采用测试序列来训练,首先对模型参数初始化,根据先验知识,手工设定,模型参数初始化后,采用重估计算法Baum-Welch算法的重估公式,采用迭代算法用以训练模型参数,从而确定隐马尔可夫模型的最优参数;人体行为包括安全行为与不安全行为,不安全行为为一组连续图像帧的集合,人体行为特征提取时采用硬聚类算法k-means聚类方法选取关键帧,获得人体关键姿态最佳表征,该方法自身就可以从代表一类行为的图像中自动选择一系列关键姿态,将人体关键姿态进行编码,再采用豪斯多夫距离量度Hausdorff距离来评估当前姿态与基本行为库中姿态的相似程度,相似度最高的姿态即为所属行为类别,从而实现人体不安全行为序列编码,编码之后,姿态序列就转化为编码序列;隐马尔可夫模型人体行为识别,是根据获得的编码序列,计算每个训练模型产生该序列的最大似然概率,拥有最大似然概率模型即为未知行为的类型。
进一步的,所述不安全行为纠偏模块包括:
语音与视频提示器,用于发出语音和播放视频来提醒操作人员做出安全行为;
急停开关,用于停止正在运行的机器;
报警器,用于发出警报提醒操作人员终止不安全行为;
总线扩展器,用于根据该纠偏指令启动所述急停开关停止正在运行的机器、启动报警器提醒操作人员终止不安全行为,以及启动语音与视频提示器发出正确的操作提示,来提醒操作人员做出安全行为。
需要说明的是,上述装置中包含的各个功能模块所实现的功能的具体实现方式在前面的各个实施例中已经有详细描述,故在这里不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种重要岗位不安全行为自动观察纠偏方法,其特征在于,该方法包括:
采集预设重要岗位区域的视频图像信息;
将该视频图像信息向外发送;
接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;具体为:接收所述视频图像信息后进行解码,获得对应的模拟视频信息;并依次进行图像预处理、人体运动检测、人体运动跟踪及人体行为识别;若识别结果为不安全行为,则将不安全行为自动分类统计、储存并进行显示,且向外发出纠偏指令;
根据接收到的所述纠偏指令进行纠偏处理;
其中,所述图像预处理、人体运动检测、人体运动跟踪及人体行为识别的步骤包括:
图像预处理:依次采用直方图修正、图像线性运算、线性滤波器进行图像预处理,获得预处理后的图像;
人体运动检测:利用背景减除法,并对混合高斯模型参数均值和方差采用不同的学习率,来提取预处理后的图像的背景;采用贝叶斯准则对前景进行判定,通过对前景和背景分类,并将马尔可夫随机场理论引入前景分割中实现高精度前景分割;利用包含人体的长方形标记进行人体运动检测,在长方形区域范围内,使用HSV对阴影检测并快速消除;
人体运动跟踪:使用卡尔曼Kalman滤波算法对运动目标进行自动选择,再使用均值漂移Mean shift算法进行运动目标跟踪,并实现快速搜索;
人体行为识别包括:隐马尔可夫模型参数训练、人体行为特征提取、隐马尔可夫模型人体行为识别;具体的:隐马尔可夫模型参数训练是采用测试序列来训练,首先对模型参数初始化,根据先验知识,手工设定,模型参数初始化后,采用重估计算法Baum-Welch算法的重估公式,采用迭代算法用以训练模型参数,从而确定隐马尔可夫模型的最优参数;人体行为包括安全行为与不安全行为,不安全行为为一组连续图像帧的集合,人体行为特征提取时采用硬聚类算法k-means聚类方法选取关键帧,获得人体关键姿态最佳表征,该方法自身就可以从代表一类行为的图像中自动选择一系列关键姿态,将人体关键姿态进行编码,再采用豪斯多夫距离量度Hausdorff距离来评估当前姿态与基本行为库中姿态的相似程度,相似度最高的姿态即为所属行为类别,从而实现人体不安全行为序列编码,编码之后,姿态序列就转化为编码序列;隐马尔可夫模型人体行为识别,是根据获得的编码序列,计算每个训练模型产生该序列的最大似然概率,拥有最大似然概率模型即为未知行为的类型。
2.根据权利要求1所述的方法,其特征在于,所述采集预设重要岗位区域的视频图像信息包括:
采集所述预设重要岗位区域内的视频图像信息;再将该视频图像信息进行压缩编码;
其中,确定所述预设重要岗位区域的步骤为:通过单元危险性快速排序法对危险岗位区域进行程度划分,将危险程度高于阈值的作为重要岗位区域。
3.根据权利要求1所述的方法,其特征在于,所述根据接收到的所述纠偏指令进行纠偏处理包括:
根据接收到的所述纠偏指令启动急停开关停止正在运行的机器,且启动报警器提醒操作人员终止不安全行为,以及启动语音和视频提示器发出正确的操作提示,来提醒操作人员做出安全行为。
4.一种重要岗位不安全行为自动观察纠偏装置,其特征在于,该装置包括:
行为视频采集模块,用于采集预设重要岗位区域的视频图像信息;
数据传输模块,用于将该视频图像信息向外发送;
行为识别模块,接收所述视频图像信息,并对其进行行为识别,判断该视频图像信息中的行为是否安全行为;若识别结果为不安全行为,则向外发出纠偏指令;其包括:解码器,接收所述视频图像信息后进行解码,获得对应的模拟视频信息;主处理器,用于依次进行图像预处理、人体运动检测、人体运动跟踪及人体行为识别;若识别结果为不安全行为,则将不安全行为自动分类统计、储存并进行显示,且向外发出纠偏指令;储存模块,用于储存不安全行为信息;显示器,用于显示不安全行为对应的视频图像信息;
不安全行为纠偏模块,用于根据接收到的所述纠偏指令进行纠偏处理;
其中,所述图像预处理、人体运动检测、人体运动跟踪及人体行为识别的步骤包括:
图像预处理:依次采用直方图修正、图像线性运算、线性滤波器进行图像预处理,获得预处理后的图像;
人体运动检测:利用背景减除法,并对混合高斯模型参数均值和方差采用不同的学习率,来提取预处理后的图像的背景;采用贝叶斯准则对前景进行判定,通过对前景和背景分类,并将马尔可夫随机场理论引入前景分割中实现高精度前景分割;利用包含人体的长方形标记进行人体运动检测,在长方形区域范围内,使用HSV对阴影检测并快速消除;
人体运动跟踪:使用卡尔曼Kalman滤波算法对运动目标进行自动选择,再使用均值漂移Mean shift算法进行运动目标跟踪,并实现快速搜索;
人体行为识别包括:隐马尔可夫模型参数训练、人体行为特征提取、隐马尔可夫模型人体行为识别;具体的:隐马尔可夫模型参数训练是采用测试序列来训练,首先对模型参数初始化,根据先验知识,手工设定,模型参数初始化后,采用重估计算法Baum-Welch算法的重估公式,采用迭代算法用以训练模型参数,从而确定隐马尔可夫模型的最优参数;人体行为包括安全行为与不安全行为,不安全行为为一组连续图像帧的集合,人体行为特征提取时采用硬聚类算法k-means聚类方法选取关键帧,获得人体关键姿态最佳表征,该方法自身就可以从代表一类行为的图像中自动选择一系列关键姿态,将人体关键姿态进行编码,再采用豪斯多夫距离量度Hausdorff距离来评估当前姿态与基本行为库中姿态的相似程度,相似度最高的姿态即为所属行为类别,从而实现人体不安全行为序列编码,编码之后,姿态序列就转化为编码序列;隐马尔可夫模型人体行为识别,是根据获得的编码序列,计算每个训练模型产生该序列的最大似然概率,拥有最大似然概率模型即为未知行为的类型。
5.根据权利要求4所述的装置,其特征在于,所述行为视频采集模块包括:
视觉传感器,用于采集所述预设重要岗位区域内的视频图像信息;
视频服务器,用于将该视频图像信息进行压缩编码;
其中,确定所述预设重要岗位区域的步骤为:通过单元危险性快速排序法对危险岗位区域进行程度划分,将危险程度高于阈值的作为重要岗位区域。
6.根据权利要求4所述的装置,其特征在于,所述不安全行为纠偏模块包括:
语音与视频提示器,用于发出语音和播放视频来提醒操作人员做出安全行为;
急停开关,用于停止正在运行的机器;
报警器,用于发出警报提醒操作人员终止不安全行为;
总线扩展器,用于根据该纠偏指令启动所述急停开关停止正在运行的机器、启动报警器提醒操作人员终止不安全行为,以及启动语音与视频提示器发出正确的操作提示,来提醒操作人员做出安全行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389990.2A CN104156819B (zh) | 2014-08-08 | 2014-08-08 | 一种重要岗位不安全行为自动观察纠偏方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389990.2A CN104156819B (zh) | 2014-08-08 | 2014-08-08 | 一种重要岗位不安全行为自动观察纠偏方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156819A CN104156819A (zh) | 2014-11-19 |
CN104156819B true CN104156819B (zh) | 2017-08-25 |
Family
ID=51882314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410389990.2A Active CN104156819B (zh) | 2014-08-08 | 2014-08-08 | 一种重要岗位不安全行为自动观察纠偏方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156819B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447303A (zh) * | 2016-10-22 | 2017-02-22 | 辽宁科技大学 | 一种企业员工行为安全观察装置及观察方法 |
US10896496B2 (en) | 2018-08-01 | 2021-01-19 | International Business Machines Corporation | Determination of high risk images using peer-based review and machine learning |
CN109445315A (zh) * | 2018-08-21 | 2019-03-08 | 成都理工大学 | 高电压试验大厅安全保护装置及安全控制方法 |
CN109977843B (zh) * | 2019-03-21 | 2021-03-30 | 重庆工程职业技术学院 | 一种煤矿现场人员行为监测及违章智能识别系统 |
CN110124933B (zh) * | 2019-06-24 | 2020-09-08 | 临清市鸿基集团有限公司 | 一种防止误操作的辊涂机 |
CN110533339A (zh) * | 2019-09-02 | 2019-12-03 | 北京旷视科技有限公司 | 安防成本的确定方法、装置及系统 |
CN113011449A (zh) * | 2019-12-20 | 2021-06-22 | 中移(上海)信息通信科技有限公司 | 行为确定方法、装置、设备及存储介质 |
CN111488858B (zh) * | 2020-04-30 | 2021-07-06 | 杭州齐圣科技有限公司 | 云计算大数据金融安防系统行人行为分析方法及系统 |
CN114666501B (zh) * | 2022-03-17 | 2023-04-07 | 深圳市百泰实业股份有限公司 | 一种可穿戴设备的摄像头智能控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN201830388U (zh) * | 2010-10-13 | 2011-05-11 | 成都创烨科技有限责任公司 | 一种视频内容采集及处理装置 |
CN102355575A (zh) * | 2011-10-18 | 2012-02-15 | 北京邮电大学 | 一种具有预警功能的分布式视频监控装置 |
CN102811343A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于行为识别的智能视频监控系统 |
-
2014
- 2014-08-08 CN CN201410389990.2A patent/CN104156819B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN201830388U (zh) * | 2010-10-13 | 2011-05-11 | 成都创烨科技有限责任公司 | 一种视频内容采集及处理装置 |
CN102811343A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于行为识别的智能视频监控系统 |
CN102355575A (zh) * | 2011-10-18 | 2012-02-15 | 北京邮电大学 | 一种具有预警功能的分布式视频监控装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104156819A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156819B (zh) | 一种重要岗位不安全行为自动观察纠偏方法及装置 | |
CN109657592B (zh) | 一种智能挖掘机的人脸识别方法 | |
CN108241844B (zh) | 一种公交客流统计方法、装置及电子设备 | |
CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
CN107491752B (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN112926541B (zh) | 一种睡岗检测方法、装置及相关设备 | |
EP2927871A1 (en) | Method and device for calculating number of pedestrians and crowd movement directions | |
CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN104318578A (zh) | 一种视频图像分析方法及系统 | |
CN105404867A (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN111680637A (zh) | 基于深度学习和图像识别技术的口罩检测方法及检测系统 | |
CN110751675A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN109902619A (zh) | 图像闭环检测方法及系统 | |
CN116311081B (zh) | 一种基于图像识别的医学实验室监控图像分析方法和系统 | |
CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN109146913B (zh) | 一种人脸跟踪方法及装置 | |
CN105741503B (zh) | 一种现有监控设备下的停车场实时预警方法 | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
US11954955B2 (en) | Method and system for collecting and monitoring vehicle status information | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN114782519A (zh) | 基于点云信息的球形或类球形物体定位方法、装置及介质 | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |