CN104346802B - 一种人员离岗监控方法及设备 - Google Patents
一种人员离岗监控方法及设备 Download PDFInfo
- Publication number
- CN104346802B CN104346802B CN201310337309.5A CN201310337309A CN104346802B CN 104346802 B CN104346802 B CN 104346802B CN 201310337309 A CN201310337309 A CN 201310337309A CN 104346802 B CN104346802 B CN 104346802B
- Authority
- CN
- China
- Prior art keywords
- video frame
- frame image
- image
- specific region
- video
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种人员离岗监控方法及设备，具体内容为：对获得的视频图像帧序列包含的多个视频图像帧进行分析，针对所述多个视频图像帧的同一特定区域，确定第一数量的视频图像帧中所述特定区域内存在与预先获得的人体头部特征相匹配的图像特征的视频图像帧的第一个数信息，以及第二数量的视频图像帧中所述特定区域内存在运动目标的视频图像帧的第二个数信息，从而确定处于所述特定区域所对应的实际区域内的人员是否离岗，可有效对人员的离岗行为进行实时监控。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种人员离岗监控方法及设备。
背景技术
在银行、企业办公室等室内场景，为了实现对员工管理的自动化规范化，需要对员工的离岗情况进行实时监测。目前，现有技术主要采用对背景图像和前景目标进行区分检测的方法，实现对员工的离岗行为进行监测。具体而言，现有技术中的背景前景检测方法可先对图像中的背景区域（即背景图像）和前景目标进行区分；然后，再对前景目标的运动情况进行监控；最后，根据前景目标是否运动到指定区域之外，即可判断前景目标是否发生离开指定区域的行为。
由于现有技术采用的该方法中，背景图像的检测准确性容易受到光线等导致图像背景发生变化的因素的影响，因此当摄像头所监控的区域内出现开关灯或人员走动等情况时，图像的背景会发生较大变化，从而难以准确检测到背景图像，进而也就导致前景目标的检测准确度受到较大的影响，容易导致前景目标检测错误。
基于现有技术的上述缺陷，现有技术难以实现对人员是否离岗的准确判断。
发明内容
有鉴于此，本发明提出了一种人员离岗监控方法，用以解决现有技术中存在的难以准确判断人员是否离岗的问题。
根据本发明一实施例，提供了一种人员离岗监控方法，包括：
获得视频图像帧序列；
通过分别检测所述视频图像帧序列包含的第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征，确定用于表征所述特定区域内存在所述图像特征的视频图像帧的第一个数的信息；
通过分别检测所述视频图像帧序列包含的第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标，确定用于表征所述特定区域内存在运动目标的视频图像帧的第二个数的信息；
根据用于表征第一个数的信息以及用于表征第二个数的信息，判断处于所述特定区域所对应的实际区域内的人员是否离岗。
从上述方案中可以看出，由于针对获得的视频图像帧序列包含的多个视频图像帧的同一特定区域，分别进行人体头部特征检测和运动目标检测，并根据两种检测结果的结合来确定处于所述特定区域所对应的实际区域内的人员是否离岗，与现有技术提供的方案相比，本发明实施例提供的该方案不容易受到光线等因素的影响，因此可实现对人员是否离岗进行准确判断。
具体地，所述特定区域为所述视频图像帧的整个区域，则采用下述方式，分别检测所述第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征：
针对所述第一数量的视频图像帧中的每个视频图像帧分别执行第一指定操作；
其中，所述第一指定操作包括：
将该视频图像帧输入预先设置的分类器；其中，所述分类器用于区分存在与所述人体头部特征相匹配的图像特征的视频图像帧和不存在与所述人体头部特征相匹配的图像特征的视频图像帧；
当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，确定该视频图像帧的所述特定区域内存在所述图像特征；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征。
利用分类器进行特征检测，检测结果较准确，可为判断人员是否离岗提供初步依据。
进一步地，当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，还可继续判断针对该视频图像帧所确定的运动连通域与所述图像特征所在的该视频图像帧的子区域是否有重叠；在判断出所述运动连通域与所述图像特征所在的所述子区域有重叠，且所述运动连通域与所述图像特征所在的子区域发生重叠的区域的面积大于第一预设面积阈值时，确定该视频图像帧的所述特定区域内存在所述图像特征。
这样做的好处是可避免误检到的图像特征对于统计出的所述第一个数的准确性的影响。
若所述特定区域为所述视频图像帧的局部区域，则采用下述方式，分别检测所述第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征：
针对所述第一数量的视频图像帧中的每个视频图像帧分别执行第二指定操作；
其中，所述第二指定操作包括：
将该视频图像帧输入预先设置的分类器；其中，所述分类器用于区分存在与所述人体头部特征相匹配的图像特征的视频图像帧和不存在与所述人体头部特征相匹配的图像特征的视频图像帧；
当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，根据该图像特征在该视频图像帧中所处位置的信息，以及获得的所述特定区域在该视频图像帧中所处位置的信息，判断该图像特征在该视频图像帧中所处位置与所述特定区域在该视频图像帧中所处位置是否有重叠；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；
在判断结果为有重叠时，确定该视频图像帧的所述特定区域内存在所述图像特征。
在视频图像帧包含多个特定区域，或者视频图像帧包含一个特定区域且该特定区域为视频图像帧的局部区域的情况下，利用分类器进行特征检测，并将检测到的图像特征与特定区域进行比对，检测结果较准确，可为判断人员是否离岗提供初步依据。
进一步地，在判断结果为有重叠时，判断针对该视频图像帧所确定的运动连通域与所述特定区域是否有重叠；在判断出所述运动连通域与所述特定区域有重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第二预设面积阈值时，确定该视频图像帧的所述特定区域内存在所述图像特征。
这样做的好处是可避免误检到的图像特征对于统计出的所述第一个数的准确性的影响。
可选地，在确定出该视频图像帧的所述特定区域内存在所述图像特征后，所述方法还包括：根据所述图像特征在所述特定区域内所处的位置，以及预先设置的所述特定区域的不同位置与权重值的对应关系，确定所述图像特征在所述特定区域内所处的位置对应的权重值；则确定用于表征第一个数的信息，具体包括：根据针对所述图像特征所确定的所述权重值，确定用于表征第一个数的信息。
根据图像特征在所述特定区域内所处的位置确定权重值，并根据权重值影响统计值，可提高检测的准确度。
针对运动目标检测，若所述特定区域为所述视频图像帧的整个区域，则采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第三指定操作；
其中，所述第三指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；
在所述运动连通域的面积大于第三预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
利用运动连通域进行运动目标检测，检测结果较准确，可为判断人员是否离岗提供另一方面的依据。
若所述特定区域为所述视频图像帧的局部区域，则采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第四指定操作；
其中，所述第四指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；
在所述运动连通域与所述特定区域发生重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第四预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
在视频图像帧包含多个特定区域，或者视频图像帧包含一个特定区域且该特定区域为视频图像帧的局部区域的情况下，利用运动连通域进行运动目标检测，并将检测到的运动连通域与特定区域进行比对，检测结果较准确，可为判断人员是否离岗提供另一方面的依据。
可选地，可采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第五指定操作；
其中，所述第五指定操作包括：
确定该视频图像帧的所述特定区域内的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定对应于所述特定区域的运动幅度值；
在所述运动幅度值大于预设运动幅度阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
利用运动幅度值进行运动目标检测，检测结果较准确，可为判断人员是否离岗提供另一方面的依据。
与上述人员离岗监控方法相对应，本发明的实施例还提供一种人员离岗监控设备，所述设备包括：
获得模块，用于获得视频图像帧序列；
第一确定模块，用于通过分别检测所述视频图像帧序列包含的第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征，确定用于表征所述特定区域内存在所述图像特征的视频图像帧的第一个数的信息；
第二确定模块，用于通过分别检测所述视频图像帧序列包含的第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标，确定用于表征所述特定区域内存在运动目标的视频图像帧的第二个数的信息；
判决模块，用于根据用于表征第一个数的信息以及用于表征第二个数的信息，判断处于所述特定区域所对应的实际区域内的人员是否离岗。
采用该设备针对获得的视频图像帧序列包含的多个视频图像帧的同一特定区域，分别进行人体头部特征检测和运动目标检测，并根据两种检测结果的结合来确定处于所述特定区域所对应的实际区域内的人员是否离岗，与现有技术提供的方案相比，本发明实施例提供的该方案不容易受到光线等因素的影响，因此可实现对人员是否离岗进行准确判断。
附图说明
图1为本发明实施例一中的方法步骤示意图；
图2为本发明实施例二中的设备结构示意图。
具体实施方式
本发明实施例的方案通过对获得的视频图像帧序列包含的多个视频图像帧进行静态人头检测和动态运动目标检测，针对所述多个视频图像帧的同一特定区域，确定所述多个视频图像帧中，所述特定区域内存在与预先获得的人体头部特征相匹配的图像特征的视频图像帧的个数，以及所述特定区域内存在运动目标的视频图像帧的个数，从而确定处于所述特定区域所对应的实际区域内的人员是否离岗，可有效对人员的离岗行为进行实时监控。
下面结合说明书附图对本发明实施例作进一步说明，但本发明不局限于下面的实施例。
实施例一：
如图1所示，为本发明实施例一中人员离岗监控方法的步骤示意图，所述方法主要包括以下步骤：
步骤101：获得视频图像帧序列。
若室内安装有一台摄像机，其可以实时拍摄室内人员的工作情况，则本步骤101的具体实现方式可以为：获取某一设定时间段内摄像机拍摄到的视频图像帧序列。具体地，所述设定时间段可以具备较长的时间长度，如十分钟。
本步骤101所获得的视频图像帧序列的一帧视频图像帧中，可能出现一个人，也可能出现多个人。例如，假设当前摄像机能够拍摄到三个工位，且需要监控分别处于这三个工位的工作人员A、工作人员B和工作人员C是否离岗，则可以将获得的视频图像帧划分成三块区域，这三块区域分别为：工作人员A在视频图像帧中所处的特定区域A、工作人员B在视频图像帧中所处的特定区域B、工作人员C在视频图像帧中所处的特定区域C；而若假设摄像机只拍摄一个工位上的工作人员D时，则该工作人员D在视频图像帧中所处的区域为特定区域D，且该特定区域D可以为视频图像帧的整个区域或局部区域。
需要说明的是，以上述特定区域A、特定区域B和特定区域C的划分方式为例，若本发明实施例提供的该方法的执行主体是一种人员离岗监控设备，则该设备对视频图像帧中三个特定区域的划分方式可以是：在接收到输入该设备的上述三个特定区域的位置信息后，根据所述三个特定区域的位置信息来进行划分。
步骤102：确定在该视频图像帧序列包含的第一数量的视频图像帧中，同一特定区域内存在与预先获得的人体头部特征相匹配的图像特征的视频图像帧的第一个数信息。
为了便于描述，本发明实施例中将检测视频图像帧中与预先获得的人体头部特征相匹配的图像特征简称为人头检测。
基于步骤101获得的视频图像帧序列，本步骤102对所获得的所述视频图像帧序列包含的第一数量的视频图像帧进行人头检测，并针对同一特定区域统计检测到人头的视频图像帧的第一个数。
具体地，本步骤102可对所获得的视频图像帧序列中的各视频图像帧进行人头检测，并针对同一特定区域统计检测到人头的视频图像帧的个数，即上文所述的第一数量可以是该视频图像帧序列所包含的视频图像帧的总个数。可选地，为了减少计算量，可间隔N帧对所获得的图像帧序列进行人头检测，其中，N为大于1的正整数，可选地，N为2～5之间的正整数，即上文所述的第一数量可以小于该视频图像帧序列所包含的视频图像帧的总个数。例如，假设获得的视频图像帧序列总共包含200个视频图像帧，若对视频图像帧序列每隔4帧进行人头检测，则实际进行人头检测的视频图像帧的个数为50，即第一数量为50，而在这50个视频图像帧中检测到有35个视频图像帧的特定区域内存在人头，即第一个数为35。
为了实现对获得的视频图像帧序列包含的第一数量的视频图像帧进行人头检测，可以先得到用于检测人头的强分类器。具体地，可以通过以下方式获得所述强分类器：
首先，采集人头图像作为正样本，如可以利用摄像机，从人头的正面、背面、左侧面和右侧面四个角度分别进行拍摄来采集人头图像，其中可以从每个角度分别拍摄一定数量的人头图像作为正样本；再采集一些非人头图像，如采集人的手臂图像、腿部图像等作为负样本。接着，根据采集得到的正样本和负样本进行分类器训练，例如，利用Adaboost训练方法，在Haar或局部二值模式（Local Binary Patterns，LBP）的特征池里，按照选取的正样本的共性特征与负样本的共性特征之间具有明显区分性，且被选取的用于生成不同弱分类器的共性特征互不相同的选取规则，分别选取正样本的共性特征和负样本的共性特征生成多个弱分类器，然后再将这些弱分类器进行级联即可得到关于人体头部特征的强分类器。
下面分别以视频图像帧中包含一个特定区域和三个特定区域，对视频图像帧序列包含的200个视频图像帧每隔4帧进行人头检测，即对获得的视频图像帧序列中的50个视频图像帧进行人头检测为例，对本步骤102的具体实现方式进行详细描述。
第一步：将步骤101获得的视频图像帧序列包含的200个视频图像帧每隔4帧依次输入至预先得到的关于人体头部特征的强分类器，分别判断输入至强分类器中的视频图像帧中是否存在与所述人体头部特征相匹配的图像特征。
具体地，在一帧视频图像帧输入至所述强分类器后，该强分类器对该视频图像帧进行遍历搜索，当该视频图像帧中存在与所述人体头部特征相匹配的图像特征时，强分类器输出1且输出该图像特征的位置信息，若该视频图像帧中存在多个与所述人体头部特征相匹配的图像特征时，强分类器分别输出1且输出与各图像特征相对应的位置信息；当该视频图像帧中不存在与所述人体头部特征相匹配的图像特征时，强分类器输出0。
可选地，在将一帧视频图像帧输入至所述强分类器之前，本步骤102可先对该视频图像帧进行全图搜索，并利用均值方差、梯度等信息快速滤除无内容的区域后，再在剩余的区域利用强分类器检测是否存在与所述人体头部特征相匹配的图像特征。例如，对该视频图像帧按区域（如10pi*10pi的矩阵）依次计算其均值方差，若该视频图像帧中的某一区域的均值方差小于预设方差值，则认为在该区域内没有物体，后续可不对其进行判别是否存在与所述人体头部特征相匹配的图像特征。
第二步：针对第一步处理后的某一视频图像帧，在确定出该视频图像帧中存在与所述人体头部特征相匹配的图像特征时，确定在同一特定区域内检测到人头的视频图像帧的个数。
针对该视频图像帧中包含一个特定区域且该特定区域为该视频图像帧的整个区域的情况，在第一步中的强分类器输出1后，即可确定出该视频图像帧中存在与所述人体头部特征相匹配的图像特征，从而直接确定该视频图像帧的特定区域内存在人头，将在该特定区域内检测到人头的视频图像帧的个数加1。
可选地，在第一步中的强分类器输出1且输出该图像特征的位置信息后，可进一步判断针对该视频图像帧所确定的运动连通域与该图像特征在该视频图像帧中的子区域是否有重叠。其中，该图像特征在该视频图像帧中的子区域可根据强分类器输出的该图像特征的位置信息确定。在判断出该视频图像帧中有运动连通域与该图像特征所在的子区域有重叠，且该运动连通域与该图像特征所在的子区域发生重叠的区域的面积大于第一预设面积阈值时，则确定该视频图像帧的特定区域内存在人头，将在该特定区域内检测到人头的视频图像帧的个数加1。其中，所述视频图像帧中的运动连通域的确定方法将在下文进行详细描述。
可选地，在确定出该视频图像帧的特定区域内存在与所述人体头部特征相匹配的图像特征后，可进一步根据该图像特征在该视频图像帧的特定区域内所处的位置，以及预先设置的该视频图像帧的特定区域内的不同位置与权重值的对应关系，确定该图像特征在该视频图像帧的特定区域内所处的位置对应的权重值，将在该特定区域内检测到人头的视频图像帧的个数加1*权重值。
针对该视频图像帧中包含三个特定区域的情况，由于各特定区域在该视频图像帧中所处的位置信息已知，本发明实施例的方案可对三个特定区域并行进行判断是否存在与所述人体头部特征相匹配的图像特征。
针对上述三个特定区域中某一特定区域，当第一步中的强分类器输出1后，可确定该视频图像帧中存在与所述人体头部特征相匹配的图像特征，由于该特定区域为该视频图像帧的局部区域，可根据强分类器输出的图像特征的位置信息，判断该图像特征在该视频图像帧中所处位置与该特定区域在该视频图像帧中所处位置是否有重叠。在判断得出该图像特征在该视频图像帧中所处位置与该特定区域在该视频图像帧中所处位置有重叠时，则确定在该特定区域内存在人头，将在该特定区域内检测到人头的视频图像帧的个数加1。例如，针对特定区域A，在判断得出该图像特征在该视频图像帧中所处位置与特定区域A在该视频图像帧中所处位置有重叠时，则确定在特定区域A内存在人头，将在特定区域A内检测到人头的视频图像帧的个数加1。
可选地，在判断得出该图像特征在该视频图像帧中所处位置与该特定区域在该视频图像帧中所处位置有重叠后，可进一步判断针对该视频图像帧所确定的运动连通域与该特定区域是否有重叠。在判断出该视频图像帧中有运动连通域与该特定区域有重叠，且该运动连通域与该特定区域发生重叠的区域的面积大于第二预设面积阈值时，则确定在该特定区域内存在人头，将在该特定区域内检测到人头的视频图像帧的个数加1。
可选地，在确定出该特定区域内存在与所述人体头部特征相匹配的图像特征后，可进一步根据该图像特征在该特定区域内所处的位置，以及预先设置的该特定区域内的不同位置与权重值的对应关系，确定该图像特征在该特定区域内所处的位置对应的权重值，将在该特定区域内检测到人头的视频图像帧的个数加1*权重值。
在所获得的视频图像帧序列包含的200个视频图像帧每隔4帧执行完第一步和第二步后，即实现了确定在该视频图像帧序列包含的第一数量的视频图像帧中，同一特定区域内存在人头的视频图像帧的第一个数。
步骤103：确定在该视频图像帧序列包含的第二数量的视频图像帧中，同一特定区域内存在运动目标的视频图像帧的第二个数信息。
需要说明的是，本步骤103和步骤102是独立进行的，其执行顺序不分先后，可以同时进行。
基于步骤101获得的视频图像帧序列，本步骤103对所获得的该视频图像帧序列包含的第二数量的视频图像帧进行运动目标检测，并针对同一特定区域统计检测到存在运动目标的视频图像帧的第二个数。
与步骤102类似，本步骤103可对所获得的视频图像帧序列中的各视频图像帧进行运动目标检测，并针对同一特定区域统计检测到存在运动目标的视频图像帧的个数，即上文所述的第二数量可以是该视频图像帧序列所包含的视频图像帧的总个数。可选地，为了减少计算量，可间隔N帧对所获得的视频图像帧序列进行运动目标检测，其中，N为大于1的正整数，可选地，N为2～5之间的正整数，即上文所述的第二数量可以小于该视频图像帧序列所包含的视频图像帧的总个数。例如，假设获得的视频图像帧序列总共包含200个视频图像帧，若对视频图像帧序列每隔4帧进行运动目标检测，则实际进行运动目标检测的视频图像帧的个数为50，即第二数量为50，而在这50个视频图像帧中检测到有30个视频图像帧的特定区域内存在运动目标，即第二个数为30。
需要说明的是，本步骤103中进行运动目标检测的视频图像帧的第二数量与步骤102中进行人头检测的视频图像帧的第一数量，可以相同，也可以不同，若在步骤102中进行人头检测的视频图像帧在步骤103中也进行了运动目标检测，则检测结果较准确。
下面分别以视频图像帧中包含一个特定区域和三个特定区域，对视频图像帧序列包含的200个视频图像帧每隔4帧进行运动目标检测，即对获得的视频图像帧序列中的50个视频图像帧进行运动目标检测为例，对本步骤103的具体实现方式进行详细描述。
第一步：对步骤101获得的视频图像帧序列包含的200个视频图像帧每隔4帧进行高斯平滑处理，以减小各视频图像帧的噪声。
第二步：对平滑后的前后两帧视频图像帧依次进行全局光流场的计算，确定后一帧视频图像帧中各像素点的运动矢量的模值。
具体地，所述光流场反映的是图像间的运动信息，表示在一定时间间隔内由于运动所造成的图像变化。以任一视频图像帧中坐标为（x，y）的像素点为例，通过对该视频图像帧的全局光流场的计算，可以确定与该像素点对应的运动矢量（vx，vy）。具体地，可采用现有的LK光流法确定该视频图像帧的全局光流场，从而确定该视频图像帧的各个像素点对应的运动矢量。当确定了该视频图像帧中各个像素点的运动矢量后，即可确定各个像素点的运动矢量的模值，以上述坐标为（x，y）的像素点为例，基于该像素点对应的运动矢量（vx，vy），可以确定该像素点的运动矢量的模值
以上述的包含75帧平滑后的视频图像帧的视频图像帧序列为例，通过执行该第二步，可以计算出该视频图像帧序列中的除第一帧外的其他74帧视频图像帧中各个像素点对应的运动矢量。
需要说明的是，本步骤103并不限于利用光流法确定该视频图像帧中各个像素点的运动矢量。
第三步：针对第二步处理后的某一视频图像帧，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域，并根据运动连通域确定在该特定区域内检测到存在运动目标的视频图像帧的个数。
在确定了该视频图像帧中的各个像素点的运动矢量的模值后，可将运动矢量的模值小于预设模值阈值的像素点确定为非运动点，从而予以排除，再由剩下的像素点得到各运动连通域。
在得到运动连通域后，针对该视频图像帧中包含一个特定区域且该特定区域为该视频图像帧的整个区域的情况，在所述运动连通域的面积大于第三预设面积阈值时，即可确定该视频图像帧内存在运动目标，从而直接确定该视频图像帧的特定区域内存在运动目标，将在该特定区域内检测到存在运动目标的视频图像帧的个数加1。
可选地，在确定出该视频图像帧的运动连通域的面积大于第三预设面积阈值后，可进一步判断该视频图像帧中与所述人体头部特征相匹配的图像特征所在的子区域与运动连通域是否有重叠，在判断出该视频图像帧中该图像特征所在的子区域与该运动连通域有重叠，且重叠的区域的面积大于某一预设面积阈值时，确定该视频图像帧的特定区域内存在运动目标，将在该特定区域内检测到存在运动目标的视频图像帧的个数加1。
针对该视频图像帧中包含三个特定区域的情况，本发明实施例的方案可对三个特定区域并行进行判断是否存在运动目标。针对上述三个特定区域中某一特定区域，在得到运动连通域后，可判断得到的运动连通域与该特定区域是否重叠。具体地，由于该视频图像帧可能存在多个运动连通域，可将各运动连通域在该视频图像帧中所处位置的信息与该特定区域在该视频图像帧中所处位置的信息进行比对，当某一运动连通域与该特定区域发生重叠，且该运动连通域与该特定区域发生重叠的区域的面积大于第四预设面积阈值时，则确定该特定区域内存在运动目标，将在该特定区域内检测到存在运动目标的视频图像帧的个数加1。例如，当经过位置信息的比对，得出运动连通域1与特定区域A发生重叠，且运动连通域1与特定区域A发生重叠的区域的面积大于第四预设面积阈值时，确定特定区域A内存在运动目标，将在特定区域A内检测到存在运动目标的视频图像帧的个数加1。
可选地，在通过执行本步骤103所包含的第二步，确定出当前视频图像帧中各像素点的运动矢量的模值之后，可不再执行第三步，而执行下述的第四步。
第四步：针对第二步处理后的某一视频图像帧中的同一特定区域，确定对应于该特定区域的运动幅度值，并根据该运动幅度值确定在该特定区域内检测到存在运动目标的视频图像帧的个数。
在第二步得到某一视频图像帧中各个像素点的运动矢量的模值后，针对该视频图像帧中的某一特定区域，可确定该特定区域的运动幅度值。具体地，所述运动幅度值可以为该特定区域内各像素点的运动矢量模值的中值或均值。
在确定出对应于该特定区域的运动幅度值后，当确定该运动幅度值大于预设运动幅度阈值时，则确定该特定区域内存在运动目标，将在该特定区域内检测到存在运动目标的视频图像帧的个数加1。
在所获得的视频图像帧序列中的视频图像帧每隔4帧执行完第二步和第三步，或第二步和第四步后，即实现了确定在该视频图像帧序列包含的第二数量的视频图像帧中，同一特定区域内存在运动目标的视频图像帧的第二个数。
步骤104：根据步骤102和步骤103的结果，判定处于该特定区域所对应的实际区域内的人员是否发生离岗。
在步骤102和步骤103分别确定出在所述视频图像帧序列包含的多个视频图像帧中，同一特定区域内检测到与预先获得的人体头部特征相匹配的图像特征的视频图像帧的个数，以及在该特定区域内检测到存在运动目标的视频图像帧的个数后，本步骤104可对人员的离岗行为进行判定。
具体地，针对视频图像帧序列包含的多个视频图像帧的某一特定区域，当在第一数量的视频图像帧中，该特定区域内存在与预先获得的人体头部特征相匹配的图像特征（即人头）的视频图像帧的第一个数小于第一个数阈值，且在第二数量的视频图像帧中，该特定区域内存在运动目标的视频图像帧的第二个数小于第二个数阈值时，则确定处于该特定区域所对应的实际区域内的人员离岗。例如，针对视频图像帧包含三个特定区域的情况，对步骤101获得的视频图像帧序列每隔4帧进行人头检测和运动目标检测，基于检测结果，当确定出在特定区域A内检测到人头的视频图像帧的个数小于第一个数阈值，且在该特定区域A内检测到存在运动目标的视频图像帧的个数小于第二个数阈值时，确定与特定区域A对应的实际区域内的人员离岗。
本发明实施例的方案通过对室内人员进行实时监测，对所获得的视频图像帧序列包含的多个视频图像帧进行静态人头检测和动态运动目标检测，针对室内某一人员在视频图像帧中所处的某一特定区域，当在该特定区域内检测到人头的视频图像帧的个数少于某一设定阈值且在该特定区域内出现运动目标的视频图像帧的个数少于另一设定阈值时，确定处于该特定区域所对应的实际区域内的人员离岗，可有效对人员的离岗行为进行实时监控。
实施例二：
本实施例二是与实施例一属于同一发明构思的人员离岗监控设备，如图2所示，所述设备主要包括：获得模块11、第一确定模块12、第二确定模块13以及判决模块14。
其中，获得模块11用于获得视频图像帧序列。
第一确定模块12用于通过分别检测所述视频图像帧序列包含的第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征，确定用于表征所述特定区域内存在所述图像特征的视频图像帧的第一个数的信息。
第二确定模块13用于通过分别检测所述视频图像帧序列包含的第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标，确定用于表征所述特定区域内存在运动目标的视频图像帧的第二个数的信息。
判决模块14用于根据用于表征第一个数的信息以及用于表征第二个数的信息，判断处于所述特定区域所对应的实际区域内的人员是否离岗。
具体地，所述特定区域为所述视频图像帧的整体区域，则第一确定模块12具体用于针对所述视频图像帧序列包含的多个视频图像帧中的每个视频图像帧分别执行第一指定操作。其中，所述第一指定操作包括：将该视频图像帧输入预先设置的分类器，当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，确定该视频图像帧的所述特定区域内存在与所述人体头部特征相匹配的图像特征；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征。
或者，所述特定区域为所述视频图像帧的局部区域，则第一确定模块12具体用于针对所述视频图像帧序列包含的多个视频图像帧中的每个视频图像帧分别执行第二指定操作。其中，所述第二指定操作包括：将该视频图像帧输入预先设置的分类器；当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，根据该图像特征在该视频图像帧中所处位置的信息，以及获得的所述特定区域在该视频图像帧中所处位置的信息，判断该图像特征在该视频图像帧中所处位置与所述特定区域在该视频图像帧中所处位置是否有重叠；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；在判断结果为有重叠时，确定该视频图像帧的所述特定区域内存在与所述人体头部特征相匹配的图像特征。
具体地，所述特定区域为所述视频图像帧的整体区域，则第二确定模块13具体用于针对所述视频图像帧序列包含的多个视频图像帧中的每个视频图像帧分别执行第三指定操作。其中，所述第三指定操作包括：分别确定该视频图像帧中的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；在所述运动连通域的面积大于第三预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
或者，所述特定区域为所述视频图像帧的局部区域，则第二确定模块13具体用于针对所述视频图像帧序列包含的多个视频图像帧中的每个视频图像帧分别执行第四指定操作。其中，所述第四指定操作包括：分别确定该视频图像帧中的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；在所述运动连通域与所述特定区域发生重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第四预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
可选地，第二确定模块13具体用于针对所述视频图像帧序列包含的多个视频图像帧中的每个视频图像帧分别执行第五指定操作。其中，所述第五指定操作包括：确定该视频图像帧的所述特定区域内的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定对应于所述特定区域的运动幅度值；在所述运动幅度值大于预设运动幅度阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
需要说明的是，本发明实施例二中对人员离岗监控设备的各组成部分的描述是对各组成部分主要功能的描述，本发明实施例二中各组成部分也具备实现实施例一中所描述的方法步骤的功能，同时，本发明实施例二中的人员离岗监控设备还具有执行实施例一各步骤的逻辑模块。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种人员离岗监控方法，其特征在于，所述方法包括：
获得视频图像帧序列；
通过分别检测所述视频图像帧序列包含的第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征，确定用于表征所述特定区域内存在所述图像特征的视频图像帧的第一个数的信息；
通过分别检测所述视频图像帧序列包含的第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标，确定用于表征所述特定区域内存在运动目标的视频图像帧的第二个数的信息；
根据用于表征第一个数的信息以及用于表征第二个数的信息，判断处于所述特定区域所对应的实际区域内的人员是否离岗；其中，在第一个数小于第一个数阈值并且第二个数小于第二个数阈值的情况下，确定处于所述特定区域所对应的实际区域内的人员离岗；
其中，若所述特定区域为所述视频图像帧的整个区域，则
采用下述方式，分别检测所述第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征：
针对所述第一数量的视频图像帧中的每个视频图像帧分别执行第一指定操作；
其中，所述第一指定操作包括：
将该视频图像帧输入预先设置的分类器；其中，所述分类器用于区分存在与所述人体头部特征相匹配的图像特征的视频图像帧和不存在与所述人体头部特征相匹配的图像特征的视频图像帧；
当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，判断针对该视频图像帧所确定的运动连通域与所述图像特征所在的该视频图像帧的子区域是否有重叠；
在判断出所述运动连通域与所述图像特征所在的所述子区域有重叠，且所述运动连通域与所述图像特征所在的子区域发生重叠的区域的面积大于第一预设面积阈值时，确定该视频图像帧的所述特定区域内存在所述图像特征；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；
其中，针对该视频图像帧确定运动连通域的方式包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域。
2.如权利要求1所述的人员离岗监控方法，其特征在于，若所述特定区域为所述视频图像帧的局部区域，则
采用下述方式，分别检测所述第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征：
针对所述第一数量的视频图像帧中的每个视频图像帧分别执行第二指定操作；
其中，所述第二指定操作包括：
将该视频图像帧输入预先设置的分类器；其中，所述分类器用于区分存在与所述人体头部特征相匹配的图像特征的视频图像帧和不存在与所述人体头部特征相匹配的图像特征的视频图像帧；
当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，根据该图像特征在该视频图像帧中所处位置的信息，以及获得的所述特定区域在该视频图像帧中所处位置的信息，判断该图像特征在该视频图像帧中所处位置与所述特定区域在该视频图像帧中所处位置是否有重叠；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；
在判断结果为有重叠时，确定该视频图像帧的所述特定区域内存在所述图像特征。
3.如权利要求2所述的人员离岗监控方法，其特征在于，在判断结果为有重叠时，确定该视频图像帧的所述特定区域内存在所述图像特征，具体包括：
在判断结果为有重叠时，判断针对该视频图像帧所确定的运动连通域与所述特定区域是否有重叠；
在判断出所述运动连通域与所述特定区域有重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第二预设面积阈值时，确定该视频图像帧的所述特定区域内存在所述图像特征；
其中，针对该视频图像帧确定运动连通域的方式包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域。
4.如权利要求1～3任一所述的人员离岗监控方法，其特征在于，所述特定区域为所述视频图像帧的整个区域，则
采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第三指定操作；
其中，所述第三指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；
在所述运动连通域的面积大于第三预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
5.如权利要求1～3任一所述的人员离岗监控方法，其特征在于，所述特定区域为所述视频图像帧的局部区域，则
采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第四指定操作；
其中，所述第四指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；
在所述运动连通域与所述特定区域发生重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第四预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
6.如权利要求1～3任一所述的人员离岗监控方法，其特征在于，
采用下述方式，分别检测所述第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标：
针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第五指定操作；
其中，所述第五指定操作包括：
确定该视频图像帧的所述特定区域内的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定对应于所述特定区域的运动幅度值；
在所述运动幅度值大于预设运动幅度阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
7.如权利要求1～3任一所述的人员离岗监控方法，其特征在于，在确定出该视频图像帧的所述特定区域内存在所述图像特征后，所述方法还包括：
根据所述图像特征在所述特定区域内所处的位置，以及预先设置的所述特定区域的不同位置与权重值的对应关系，确定所述图像特征在所述特定区域内所处的位置对应的权重值；则
确定用于表征第一个数的信息，具体包括：
根据针对所述图像特征所确定的所述权重值，确定用于表征第一个数的信息。
8.一种人员离岗监控设备，其特征在于，所述设备包括：
获得模块，用于获得视频图像帧序列；
第一确定模块，用于通过分别检测所述视频图像帧序列包含的第一数量的视频图像帧中的每个视频图像帧的同一特定区域内是否存在与预先获得的人体头部特征相匹配的图像特征，确定用于表征所述特定区域内存在所述图像特征的视频图像帧的第一个数的信息；
第二确定模块，用于通过分别检测所述视频图像帧序列包含的第二数量的视频图像帧中的每个视频图像帧的所述特定区域内是否存在运动目标，确定用于表征所述特定区域内存在运动目标的视频图像帧的第二个数的信息；
判决模块，用于根据用于表征第一个数的信息以及用于表征第二个数的信息，判断处于所述特定区域所对应的实际区域内的人员是否离岗；其中，在第一个数小于第一个数阈值并且第二个数小于第二个数阈值的情况下，确定处于所述特定区域所对应的实际区域内的人员离岗；
其中，若所述特定区域为所述视频图像帧的整个区域，则
所述第一确定模块，具体用于针对所述第一数量的视频图像帧中的每个视频图像帧分别执行第一指定操作；
其中，所述第一指定操作包括：
将该视频图像帧输入预先设置的分类器；其中，所述分类器用于区分存在与所述人体头部特征相匹配的图像特征的视频图像帧和不存在与所述人体头部特征相匹配的图像特征的视频图像帧；
当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，判断针对该视频图像帧所确定的运动连通域与所述图像特征所在的该视频图像帧的子区域是否有重叠；
在判断出所述运动连通域与所述图像特征所在的所述子区域有重叠，且所述运动连通域与所述图像特征所在的子区域发生重叠的区域的面积大于第一预设面积阈值时，确定该视频图像帧的所述特定区域内存在所述图像特征；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；
其中，针对该视频图像帧确定运动连通域的方式包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；
根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域。
9.如权利要求8所述的人员离岗监控设备，其特征在于，若所述特定区域为所述视频图像帧的局部区域，则
所述第一确定模块，具体用于针对所述第一数量的视频图像帧序列中的每个视频图像帧分别执行第二指定操作；
其中，所述第二指定操作包括：
将该视频图像帧输入预先设置的分类器；当所述分类器输出的针对该视频图像帧的分类结果与预先规定的分类结果一致时，根据该图像特征在该视频图像帧中所处位置的信息，以及获得的所述特定区域在该视频图像帧中所处位置的信息，判断该图像特征在该视频图像帧中所处位置与所述特定区域在该视频图像帧中所处位置是否有重叠；其中，所述预先规定的分类结果表示该视频图像帧中存在与所述人体头部特征相匹配的图像特征；在判断结果为有重叠时，确定该视频图像帧的所述特定区域内存在所述图像特征。
10.如权利要求8～9任一所述的人员离岗监控设备，其特征在于，所述特定区域为所述视频图像帧的整个区域，则
所述第二确定模块，具体用于针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第三指定操作；
其中，所述第三指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；在所述运动连通域的面积大于第三预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
11.如权利要求8～9任一所述的人员离岗监控设备，其特征在于，所述特定区域为所述视频图像帧的局部区域，则
所述第二确定模块，具体用于针对所述第二数量的视频图像帧序列中的每个视频图像帧分别执行第四指定操作；
其中，所述第四指定操作包括：
分别确定该视频图像帧中的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定由运动矢量的模值不小于预设模值阈值的像素点构成的运动连通域；在所述运动连通域与所述特定区域发生重叠，且所述运动连通域与所述特定区域发生重叠的区域的面积大于第四预设面积阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
12.如权利要求8～9任一所述的人员离岗监控设备，其特征在于，
所述第二确定模块，具体用于针对所述第二数量的视频图像帧中的每个视频图像帧分别执行第五指定操作；
其中，所述第五指定操作包括：
确定该视频图像帧的所述特定区域内的各个像素点的运动矢量的模值；根据所述各个像素点的运动矢量的模值，确定对应于所述特定区域的运动幅度值；在所述运动幅度值大于预设运动幅度阈值时，确定该视频图像帧的所述特定区域内存在运动目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310337309.5A CN104346802B (zh) | 2013-08-05 | 2013-08-05 | 一种人员离岗监控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310337309.5A CN104346802B (zh) | 2013-08-05 | 2013-08-05 | 一种人员离岗监控方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104346802A CN104346802A (zh) | 2015-02-11 |
| CN104346802B true CN104346802B (zh) | 2018-02-16 |
Family
ID=52502343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310337309.5A Active CN104346802B (zh) | 2013-08-05 | 2013-08-05 | 一种人员离岗监控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104346802B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545224B (zh) * | 2016-06-29 | 2018-11-23 | 珠海优特电力科技股份有限公司 | 变电站人员行为识别的方法及装置 |
| CN107403158A (zh) * | 2017-07-28 | 2017-11-28 | 中国电子科技集团公司第三十八研究所 | 一种人员在岗视频识别方法及智能用户信息传输装置 |
| CN107680188A (zh) * | 2017-09-30 | 2018-02-09 | 四川民工加网络科技有限公司 | 一种建筑工地基于图像识别的考勤登记方法及系统 |
| CN109190710B (zh) * | 2018-09-13 | 2022-04-08 | 东北大学 | 基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法 |
| CN109614848B (zh) | 2018-10-24 | 2021-07-20 | 百度在线网络技术（北京）有限公司 | 人体识别方法、装置、设备及计算机可读存储介质 |
| CN110363114A (zh) * | 2019-06-28 | 2019-10-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人员工作状态检测方法、装置及终端设备 |
| CN112449147B (zh) * | 2019-08-29 | 2023-03-24 | 北京天诚同创电气有限公司 | 光伏电站视频集群监控系统及其图像处理方法 |
| CN110648509B (zh) * | 2019-09-25 | 2020-12-11 | 珠海格力电器股份有限公司 | 生成提示信息的方法、装置和系统 |
| CN111192374B (zh) * | 2020-01-02 | 2022-07-08 | 湖南映客互娱网络信息有限公司 | 一种实时在线监控方法与系统 |
| CN113706573B (zh) * | 2020-05-08 | 2024-06-11 | 杭州海康威视数字技术股份有限公司 | 一种运动物体的检测方法、装置及存储介质 |
| CN112102249B (zh) * | 2020-08-19 | 2024-05-28 | 深圳数联天下智能科技有限公司 | 检测人体是否存在的方法及相关装置 |
| CN112163121B (zh) * | 2020-11-03 | 2021-03-23 | 万得信息技术股份有限公司 | 一种基于大数据的视频内容信息智能分析处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211411A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种人体检测的方法和装置 |
| CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
| CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8265392B2 (en) * | 2006-02-07 | 2012-09-11 | Qualcomm Incorporated | Inter-mode region-of-interest video object segmentation |
-
2013
- 2013-08-05 CN CN201310337309.5A patent/CN104346802B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211411A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种人体检测的方法和装置 |
| CN101577812A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种岗位监测的方法和系统 |
| CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于MPEG-4的运动目标检测技术研究;董宝鸳;《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》;20070615;第2007年卷(第06期);第31页第2部分算法流程部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104346802A (zh) | 2015-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104346802B (zh) | 一种人员离岗监控方法及设备 | |
| CN110263774B (zh) | 一种人脸检测方法 | |
| Cui et al. | SDDNet: A fast and accurate network for surface defect detection | |
| CN106096577B (zh) | 一种摄像头分布地图中的目标追踪方法 | |
| CN104077594B (zh) | 一种图像识别方法和装置 | |
| CN110084831A (zh) | 基于YOLOv3多伯努利视频多目标检测跟踪方法 | |
| CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
| CN109271886A (zh) | 一种教育考试监控视频的人体行为分析方法及系统 | |
| CN105243356B (zh) | 一种建立行人检测模型的方法及装置及行人检测方法 | |
| Mandhala et al. | Object detection using machine learning for visually impaired people | |
| CN108460790A (zh) | 一种基于一致性预测器模型的视觉跟踪方法 | |
| CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
| CN110298297A (zh) | 火焰识别方法和装置 | |
| CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
| CN107657244A (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
| CN104123529A (zh) | 人手检测方法及系统 | |
| CN104036237B (zh) | 基于在线预测的旋转人脸的检测方法 | |
| CN108648211A (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
| CN108154159A (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
| CN108805016A (zh) | 一种头肩区域检测方法及装置 | |
| CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
| CN110097091A (zh) | 训练与推理数据分布不一致条件下的图像细粒度识别方法 | |
| CN108288020A (zh) | 基于上下文信息的视频遮挡检测系统及方法 | |
| Ali et al. | Deep Learning Algorithms for Human Fighting Action Recognition. | |
| CN105354549A (zh) | 基于似物性估计的快速行人检测方法 |
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 |