CN105825631B - 基于视频智能算法的疲劳检测方法及系统 - Google Patents
基于视频智能算法的疲劳检测方法及系统 Download PDFInfo
- Publication number
- CN105825631B CN105825631B CN201610264968.4A CN201610264968A CN105825631B CN 105825631 B CN105825631 B CN 105825631B CN 201610264968 A CN201610264968 A CN 201610264968A CN 105825631 B CN105825631 B CN 105825631B
- Authority
- CN
- China
- Prior art keywords
- human eye
- fatigue
- face
- region
- fatigue detecting
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于视频智能算法的疲劳检测系统及方法，系统包括多个疲劳检测设备、监控中心和监控客户端，所述的疲劳检测设备采集工作人员的视频图像，所述的监控中心或者疲劳检测设备对采集的视频图像进行疲劳检测，所述的检测包括判断工作人员是否在岗、判断工作人员的眼睛和嘴巴的开合度、以及通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；其中，开合度的阈值为自行设定；所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。本发明提供用户多多目标进行疲劳检测，适用于对集中力要求高的工作领域以及行车领域。
Description
技术领域
本发明涉及一种基于视频智能算法的疲劳检测系统及方法。
背景技术
近年来, 随着大众生活水平的提高, 各国人民汽车的人均持有量也变得越来越多。然而, 伴随而来的交通事故也不断的增多。经研究表明, 疲劳驾驶是交通事故变得日益严重的重要原因之一, 因此, 研究出可以进行实时检测驾驶员疲劳的预警系统有着十分重要的现实意义。一套好的检测系统必须要有成熟而完善的算法。本项目对疲劳检测系统的实现方法进行研究, 以期提高疲劳检测的速度和准确度。如果能将好的算法应用于疲劳检测系统之中, 无疑能更有效的预防驾驶员疲劳驾驶而引起不必要的人员伤亡和经济损失。
同时，对于一些集中力要求高的工作也会有对于疲劳的要求。但是上级不可能对于所有在工作的在岗人员同时进行疲劳检测，最多只能做到目测是否在岗，而不能做到同时进行疲劳检测。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于视频智能算法的疲劳检测系统及方法,将云服务和疲劳检测做结合，当疲劳检测设备检测到疲劳状态/不在岗状态则发送至云服务器，云服务器自动推送至用户客户端；当监控中心的工控机检测到疲劳状态/不在岗状态，也自动推送至用户客户端；用户可以同时对多个在岗人员进行疲劳监测。
本发明的目的是通过以下技术方案来实现的：基于视频智能算法的疲劳检测系统，它包括多个疲劳检测设备、监控中心和监控客户端，所述的疲劳检测设备采集工作人员的视频图像，所述的监控中心或者疲劳检测设备对采集的视频图像进行疲劳检测，所述的检测包括判断工作人员是否在岗、判断工作人员的眼睛和嘴巴的开合度、以及通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；其中，开合度的阈值为自行设定；所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。
所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据；同时，工控机对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的监控客户端包括PC、手机、平板电脑中的一种或者多种。
基于视频智能算法的疲劳检测方法，包括以下步骤：
S1：疲劳检测设备采集工作人员的视频图像；
S2：疲劳检测设备或者监控中心对采集的视频图像进行疲劳检测，所述的判断包括以下子步骤：
S21：通过人脸识别判断工作人员是否在岗，如果在岗的话则进入步骤S22；
S22：对于在岗情况，对工作人员的眼睛和嘴巴的开合度进行分析；
S23：通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率。其中，开合度的阈值为自行设定；
S3：所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。
步骤S2中，疲劳检测设备对采集的视频图像进行疲劳检测；所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的疲劳检测设备在判断工作人员不在岗时，将不在岗的状态发送至云服务器；云服务器将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。
步骤S2中，监控中心对采集的视频图像进行疲劳检测；所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据；同时，工控机对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的工控机在判断工作人员不在岗时，保存为不在岗状态；工控机将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。
本发明的有益效果是：
本发明提供两种疲劳检测系统：其中一种为产品类：就是提供给客户一个疲劳检测设备，智能算法是安装在疲劳检测设备内，视频采集、检测、状态传输一体化设计，当检测到有疲劳状况出现时把状态通过无线网络（GPRS\3G\4G）传输到我们的云服务器，客户通过我们的客户端软件进行远程监测和管理；另外一种是项目类：对于要求比较高的场合，我们提供的疲劳检测属于一个系统集成项目，有一整套的软件、硬件解决方案，智能算法是安装于工控机内，前端的高清摄像机只负责采集信号，通过有线网络或WIFI网络传输到检测主机，把各种疲劳算法中的参数采集进入本地数据库保存，同时把疲劳状态通过无线网络传输到远端的监控中心。
用户根据具体情况进行选择，其中产品类的主要成本在于疲劳监控终端，而项目类的主要成本在于监控中心；当需要的疲劳监控终端的数量确定且较少的情况下，建议采用产品类；当需要的疲劳监控终端的数量不确定（有可能随着后期的项目进一步开展而增加）或者确定且较多的情况下，建议采用项目类。
附图说明
图1为实施例1系统框图；
图2为实施例1方法流程图；
图3为实施例2系统框图；
图4为实施例2方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案：
实施例1为将疲劳算法安装在疲劳监控终端中的系统与对应的方法，当检测到有疲劳状况出现时把状态通过无线网络（GPRS\3G\4G）传输到我们的云服务器，客户通过我们的客户端软件进行远程监测和管理。
如图1所示，基于视频智能算法的疲劳检测系统，它包括多个疲劳检测设备、监控中心和监控客户端；
所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据。
所述的检测包括判断工作人员是否在岗、判断工作人员的眼睛和嘴巴的开合度、以及通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；其中，开合度的阈值为自行设定；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的监控客户端包括PC、手机、平板电脑中的一种或者多种。
如图2所示，基于视频智能算法的疲劳检测方法，包括以下步骤：
S1：疲劳检测设备采集工作人员的视频图像；
S2：疲劳检测设备对采集的视频图像进行疲劳检测，所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据；
所述的判断包括以下子步骤：
S21：通过人脸识别判断工作人员是否在岗，如果在岗的话则进入步骤S22；
S22：对于在岗情况，对工作人员的眼睛和嘴巴的开合度进行分析；
S23：通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率。其中，开合度的阈值为自行设定；
S3：所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。
所述的疲劳检测设备在判断工作人员不在岗时，将不在岗的状态发送至云服务器；云服务器将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。即用户通过监控客户端可以查看多个疲劳检测设备的实时状态，包括不在岗/在岗正常和疲劳。
同时，疲劳检测设备包括一个报警状态，当检测到不在岗状态和疲劳状态的时候进行警告。
实施例2为智能算法是安装于工控机内，前端的高清摄像机只负责采集信号，通过有线网络或WIFI网络传输到检测主机，把各种疲劳算法中的参数采集进入本地数据库保存，同时把疲劳状态通过无线网络传输到远端的监控中心。
如图3所示，基于视频智能算法的疲劳检测系统，它包括多个疲劳检测设备、监控中心和监控客户端；
所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据。
所述的检测包括判断工作人员是否在岗、判断工作人员的眼睛和嘴巴的开合度、以及通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；其中，开合度的阈值为自行设定；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
所述的监控客户端包括PC、手机、平板电脑中的一种或者多种。
如图4所示，基于视频智能算法的疲劳检测方法，包括以下步骤：
S1：疲劳检测设备采集工作人员的视频图像；
S2：监控中心对采集的视频图像进行疲劳检测，监控中心对采集的视频图像进行疲劳检测；所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据；
所述的判断包括以下子步骤：
S21：通过人脸识别判断工作人员是否在岗，如果在岗的话则进入步骤S22；
S22：对于在岗情况，对工作人员的眼睛和嘴巴的开合度进行分析；
S23：通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率。其中，开合度的阈值为自行设定；
S3：所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。
所述的工控机在判断工作人员不在岗时，保存为不在岗状态；工控机将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。即用户通过监控客户端可以查看多个疲劳检测设备的实时状态，包括不在岗/在岗正常和疲劳。
同时，疲劳检测设备包括一个报警状态，当工控机检测到不在岗状态和疲劳状态的时候向疲劳检测设备发送警告新号，疲劳检测设备进行警告。
对于实施例1和实施例2中的眼睛开合度判断，均可采用以下方法：
S101：通过人脸检测器和肤色模型进行人脸检测，输出最终人脸区域；
S102：通过人眼检测器和人眼合成模板在所述最终人脸区域实现人眼定位，输出人眼精确定位区域，并更新所述人眼合成模板；
S103：对所述人眼精确定位区域进行人眼轮廓点采样，获取采样点，对所述采样点进行椭圆拟合，当短半轴和长半轴的比值小于第一阈值时，则为小于开合度，否则大于开合度；
S104：重新执行步骤S101，在连续N 帧内小于开合度状态所占比例大于第二阈值时，则判断为疲劳状态，否则为清醒状态。
其中，第一阈值和第二阈值均可根据要求进行自定义。
所述通过人脸检测器和肤色模型进行人脸检测，输出最终人脸区域的步骤具体包括：
1）基于Haar 特征和Adaboost 级联分类器构建所述人脸检测器，将当前一帧被检测视频图像输入至所述人脸检测器；
2）所述人脸检测器判断被检测视频图像中是否包含人脸，如果是，获取人脸的位置信息，记为候选人脸区域，执行步骤3）；如果否，输入当前帧的下一帧被检测视频图像至所述人脸检测器，重新执行步骤2），直至遍历完被检测视频图像的所有帧；
3）通过HSV 色彩空间的肤色检测模型对所有候选人脸区域进行检测，判断当前候选人脸区域是否存在肤色信息，如果是，执行步骤5）；如果否，执行步骤4）；
4）判断下一候选人脸区域是否存在肤色信息，如果是，执行步骤5）；如果否，判决为闭眼，即也是处于小于开合度状态；
5）输出初始人脸区域；
6）对所述初始人脸区域进行融合，获取所述最终人脸区域：计算所有初始人脸区域中心的平均值作为融合后人脸区域的中心，然后计算所有人脸区域半径的平均值作为融合后人脸区域的半径。
所述通过人眼检测器和人眼合成模板在所述最终人脸区域实现人眼定位，输出人眼精确定位区域的步骤具体包括：
1）通过所述最终人脸区域对人眼进行粗定位，输出人眼粗定位区域；
2）基于Haar 特征和Adaboost 级联模型构建所述人眼检测器，在所述人眼粗定位区域的基础上，通过所述人眼检测器和所述人眼合成模板进行精确定位，输出所述人眼精确定位区域。
所述基于Haar 特征和Adaboost 级联模型构建所述人眼检测器，在所述人眼粗定位区域的基础上，通过所述人眼检测器和所述人眼合成模板进行精确定位，输出所述人眼精确定位区域的步骤具体包括：
1）通过所述人眼检测器判断所述人眼粗定位区域是否存在人眼，如果是，进行人眼合成模板学习；如果否，重新执行步骤1）；
2）通过所述人眼检测器和所述人眼合成模板分别对所述人眼粗定位区域分别进行处理，获取人眼检测区域和人眼匹配区域，以及两区域中心点的欧式距离；
3）判断所述欧氏距离是否小于第一阈值T1，如果是，执行步骤4）；如果否，执行步骤5）；
4）融合所述人眼检测区域和所述人眼匹配区域，获取人眼精确定位区域，更新所述人眼合成模板：计算所述人眼检测区域和所述人眼匹配区域中心的平均值作为融合后所述人眼精确定位区域的中心，计算所述人眼检测区域和所述人眼匹配区域半径的平均值作为融合后所述人眼精确定位区域的半径，并截取所述人眼精确定位区域合成新的人眼合成模板。
5）所述人眼匹配区域为所述人眼精确定位区域。
对于实施例1和实施例2中的嘴巴开合度判断，也均可采用上述方法。将人眼替换成嘴巴。
Claims (9)
1.基于视频智能算法的疲劳检测方法，其特征在于：包括以下步骤：
S1：疲劳检测设备采集工作人员的视频图像；
S2：疲劳检测设备或者监控中心对采集的视频图像进行疲劳检测，所述疲劳检测包括以下子步骤：
S21：通过人脸识别判断工作人员是否在岗，如果在岗的话则进入步骤S22；
S22：对于在岗情况，对工作人员的眼睛和嘴巴的开合度进行分析；
S23：通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；
其中，开合度的阈值为自行设定；
S3：监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态；
其中，对眼睛的开合度判断方法为：
S101：通过人脸检测器和肤色模型进行人脸检测，输出最终人脸区域；
S102：通过人眼检测器和人眼合成模板在所述最终人脸区域实现人眼定位，输出人眼精确定位区域，并更新所述人眼合成模板；
S103：对所述人眼精确定位区域进行人眼轮廓点采样，获取采样点，对所述采样点进行椭圆拟合，当短半轴和长半轴的比值小于第一阈值时，则为小于开合度，否则大于开合度；
S104：重新执行步骤S101，在连续N帧内小于开合度状态所占比例大于第二阈值时，则判断为疲劳状态，否则为清醒状态；
其中，第一阈值和第二阈值均可根据要求进行自定义；
其中，所述通过人脸检测器和肤色模型进行人脸检测，输出最终人脸区域的步骤具体包括：
S101-1）基于Haar特征和Adaboost级联分类器构建所述人脸检测器，将当前一帧被检测视频图像输入至所述人脸检测器；
S101-2）所述人脸检测器判断被检测视频图像中是否包含人脸，如果是，获取人脸的位置信息，记为候选人脸区域，执行步骤S101-3）；如果否，输入当前帧的下一帧被检测视频图像至所述人脸检测器，重新执行步骤S101-2），直至遍历完被检测视频图像的所有帧；
S101-3）通过HSV色彩空间的肤色检测模型对所有候选人脸区域进行检测，判断当前候选人脸区域是否存在肤色信息，如果是，执行步骤S101-5）；如果否，执行步骤S101-4）；
S101-4）判断下一候选人脸区域是否存在肤色信息，如果是，执行步骤S101-5）；如果否，判决为闭眼，即也是处于小于开合度状态；
S101-5）输出初始人脸区域；
S101-6）对所述初始人脸区域进行融合，获取所述最终人脸区域：计算所有初始人脸区域中心的平均值作为融合后人脸区域的中心，然后计算所有人脸区域半径的平均值作为融合后人脸区域的半径；
其中，所述通过人眼检测器和人眼合成模板在所述最终人脸区域实现人眼定位，输出人眼精确定位区域的步骤具体包括：
S102-1）通过所述最终人脸区域对人眼进行粗定位，输出人眼粗定位区域；
S102-2）基于Haar特征和Adaboost级联模型构建所述人眼检测器，在所述人眼粗定位区域的基础上，通过所述人眼检测器和所述人眼合成模板进行精确定位，输出所述人眼精确定位区域；
所述基于Haar特征和Adaboost级联模型构建所述人眼检测器，在所述人眼粗定位区域的基础上，通过所述人眼检测器和所述人眼合成模板进行精确定位，输出所述人眼精确定位区域的步骤具体包括：
1）通过所述人眼检测器判断所述人眼粗定位区域是否存在人眼，如果是，进行人眼合成模板学习；如果否，重新执行步骤1）；
2）通过所述人眼检测器和所述人眼合成模板分别对所述人眼粗定位区域分别进行处理，获取人眼检测区域和人眼匹配区域，以及两区域中心点的欧氏 距离；
3）判断所述欧氏距离是否小于第一阈值T1，如果是，执行步骤4）；如果否，执行步骤5）；
4）融合所述人眼检测区域和所述人眼匹配区域，获取人眼精确定位区域，更新所述人眼合成模板：计算所述人眼检测区域和所述人眼匹配区域中心的平均值作为融合后所述人眼精确定位区域的中心，计算所述人眼检测区域和所述人眼匹配区域半径的平均值作为融合后所述人眼精确定位区域的半径，并截取所述人眼精确定位区域合成新的人眼合成模板；
5）所述人眼匹配区域为所述人眼精确定位区域。
2.根据权利要求1所述的基于视频智能算法的疲劳检测方法，其特征在于：步骤S2中，疲劳检测设备对采集的视频图像进行疲劳检测；所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
3.根据权利要求2所述的基于视频智能算法的疲劳检测方法，其特征在于：所述的疲劳检测设备在判断工作人员不在岗时，将不在岗的状态发送至云服务器；云服务器将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。
4.根据权利要求1所述的基于视频智能算法的疲劳检测方法，其特征在于：步骤S2中，监控中心对采集的视频图像进行疲劳检测；所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据；同时，工控机对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
5.根据权利要求4所述的基于视频智能算法的疲劳检测方法，其特征在于：所述的工控机在判断工作人员不在岗时，保存为不在岗状态；工控机将疲劳状态、不在岗状态和在岗正常状态推送至授权监控客户端。
6.一种采用如权利要求1-5之一的疲劳检测方法的疲劳检测系统，其特征在于：所述系统包括多个疲劳检测设备、监控中心和监控客户端，所述的疲劳检测设备采集工作人员的视频图像，所述的监控中心或者疲劳检测设备对采集的视频图像进行疲劳检测，所述的检测包括判断工作人员是否在岗、判断工作人员的眼睛和嘴巴的开合度、以及通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率；其中，开合度的阈值为自行设定；所述的监控客户端接收来自监控中心推送过来的多个疲劳检测设备的状态。
7.根据权利要求6所述的疲劳检测系统，其特征在于：所述的监控中心包括云服务器；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行疲劳检测，当检测到疲劳状态时，把状态通过无线传输模块传输到云服务器；所述的存储模块存储采集的数据；同时，云服务器对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
8.根据权利要求6所述的疲劳检测系统，其特征在于：所述的监控中心包括工控机；所述的疲劳检测设备包括处理器、视频图像采集模块、存储模块和无线传输模块；所述的视频图像采集模块采集工作人员的视频图像并发送至处理器，所述的处理器对视频数据进行编码同时通过无线传输模块发送至工控机；所述的工控机对视频数据进行疲劳检测；所述的存储模块存储采集的数据；同时，工控机对授权后的监控客户端发送疲劳状态，监控客户端进行远程监测和管理。
9.根据权利要求7或8所述的疲劳检测系统，其特征在于：所述的监控客户端包括PC、手机、平板电脑中的一种或者多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610264968.4A CN105825631B (zh) | 2016-04-26 | 2016-04-26 | 基于视频智能算法的疲劳检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610264968.4A CN105825631B (zh) | 2016-04-26 | 2016-04-26 | 基于视频智能算法的疲劳检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825631A CN105825631A (zh) | 2016-08-03 |
| CN105825631B true CN105825631B (zh) | 2018-01-16 |
Family
ID=56527538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610264968.4A Active CN105825631B (zh) | 2016-04-26 | 2016-04-26 | 基于视频智能算法的疲劳检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825631B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991792A (zh) * | 2017-05-15 | 2017-07-28 | 广东小天才科技有限公司 | 一种眼睛疲劳检测方法及装置、用户设备 |
| CN112000227A (zh) * | 2020-08-31 | 2020-11-27 | 中国科学院重庆绿色智能技术研究院 | 一种工作状态监测反馈系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470935A (zh) * | 2007-12-26 | 2009-07-01 | 南京理工大学 | 关键岗位职守人员状态监控与信息提示方法及其实现装置 |
| CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测系统 |
| CN102073857A (zh) * | 2011-01-24 | 2011-05-25 | 沈阳工业大学 | 多模态驾驶员疲劳检测方法及其专用设备 |
| CN102542727A (zh) * | 2011-12-08 | 2012-07-04 | 中国船舶重工集团公司第七一一研究所 | 船舶值班人员打盹监控系统及其监控方法 |
| CN103150870A (zh) * | 2013-02-04 | 2013-06-12 | 浙江捷尚视觉科技有限公司 | 一种基于视频的火车驾驶员疲劳检测方法 |
| CN104504856A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 基于Kinect及人脸识别的疲劳驾驶检测方法 |
| CN104732251A (zh) * | 2015-04-23 | 2015-06-24 | 郑州畅想高科股份有限公司 | 一种基于视频的机车司机驾驶状态检测方法 |
| CN105249976A (zh) * | 2015-11-26 | 2016-01-20 | 中山大学 | 一种基于头部监测的司机疲劳监测方法及系统 |
| CN105336105A (zh) * | 2015-11-30 | 2016-02-17 | 宁波力芯科信息科技有限公司 | 一种预防疲劳驾驶的方法、智能设备及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100679093B1 (ko) * | 2006-02-17 | 2007-02-06 | 양재우 | 졸음 운전 방지 시스템 및 방법 |
| JP2013252764A (ja) * | 2012-06-06 | 2013-12-19 | Parama Tec:Kk | 居眠り警告装置 |
-
2016
- 2016-04-26 CN CN201610264968.4A patent/CN105825631B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470935A (zh) * | 2007-12-26 | 2009-07-01 | 南京理工大学 | 关键岗位职守人员状态监控与信息提示方法及其实现装置 |
| CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测系统 |
| CN102073857A (zh) * | 2011-01-24 | 2011-05-25 | 沈阳工业大学 | 多模态驾驶员疲劳检测方法及其专用设备 |
| CN102542727A (zh) * | 2011-12-08 | 2012-07-04 | 中国船舶重工集团公司第七一一研究所 | 船舶值班人员打盹监控系统及其监控方法 |
| CN103150870A (zh) * | 2013-02-04 | 2013-06-12 | 浙江捷尚视觉科技有限公司 | 一种基于视频的火车驾驶员疲劳检测方法 |
| CN104504856A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 基于Kinect及人脸识别的疲劳驾驶检测方法 |
| CN104732251A (zh) * | 2015-04-23 | 2015-06-24 | 郑州畅想高科股份有限公司 | 一种基于视频的机车司机驾驶状态检测方法 |
| CN105249976A (zh) * | 2015-11-26 | 2016-01-20 | 中山大学 | 一种基于头部监测的司机疲劳监测方法及系统 |
| CN105336105A (zh) * | 2015-11-30 | 2016-02-17 | 宁波力芯科信息科技有限公司 | 一种预防疲劳驾驶的方法、智能设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825631A (zh) | 2016-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105913559B (zh) | 一种基于体感技术的银行atm机智能监控方法 | |
| CN103839346B (zh) | 一种智能门窗防入侵装置以及系统、智能门禁系统 | |
| CN102663452B (zh) | 基于视频分析的可疑行为检测方法 | |
| WO2019129255A1 (zh) | 一种目标跟踪方法及装置 | |
| CN104166861A (zh) | 一种行人检测方法 | |
| CN202130312U (zh) | 一种驾驶员疲劳驾驶监控装置 | |
| CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
| CN108447078A (zh) | 基于视觉显著性的干扰感知跟踪算法 | |
| CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
| CN106981150A (zh) | 一种超市智能防盗系统及方法 | |
| CN111241913A (zh) | 一种检测人员摔倒的方法、装置及系统 | |
| CN106228709B (zh) | 一种智慧金睛识别单人加钞报警方法和装置 | |
| CN103281779B (zh) | 基于背景学习的射频层析成像方法 | |
| CN109035685B (zh) | 一种幼儿高空防坠落系统及方法 | |
| CN114469076B (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
| CN114446026B (zh) | 一种物品遗忘提醒方法、相应的电子设备及装置 | |
| CN102902954A (zh) | 基于物联网的智能家居安防网关的行人检测系统及方法 | |
| CN104331687B (zh) | 一种基于车载式视频分析的未系安全带行为检测方法 | |
| CN104159088A (zh) | 一种远程智能车辆监控系统及方法 | |
| CN108346265B (zh) | 一种危险目标识别报警方法 | |
| CN105825631B (zh) | 基于视频智能算法的疲劳检测方法及系统 | |
| CN115471865A (zh) | 作业现场数字化安全管控方法、装置、设备和存储介质 | |
| CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
| CN104392201A (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
| Ezatzadeh et al. | ViFa: an analytical framework for vision-based fall detection in a surveillance environment |
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 |