CN106027978B - 一种智能家居养老的视频监控异常行为方法 - Google Patents
一种智能家居养老的视频监控异常行为方法 Download PDFInfo
- Publication number
- CN106027978B CN106027978B CN201610447391.0A CN201610447391A CN106027978B CN 106027978 B CN106027978 B CN 106027978B CN 201610447391 A CN201610447391 A CN 201610447391A CN 106027978 B CN106027978 B CN 106027978B
- Authority
- CN
- China
- Prior art keywords
- video
- monitoring
- abnormal
- abnormal behaviour
- smart home
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Abstract
本发明公开了一种智能家居养老的视频监控异常行为方法,属于模式识别、计算机视觉技术领域。本发明的监控系统包括:双镜头监控摄像头、视频处理节点以及通讯中心,该系统通过双镜头监控摄像头实时监控室内活动情况;通过视频处理节点识别处理异常行为,并依据人脸表情作为辅助识别,检测是否出现异常行为活动;然后由通讯中心给用户发送异常行为警告信息。本发明可以实时监控人体活动状态,在出现异常情况时发出警报,具有应用范围广、安全性高、识别稳定可靠等优点。
Description
技术领域
本发明涉及模式识别、计算机视觉以及自动化技术和嵌入式领域,更具体地说,涉及一种智能家居养老的视频监控异常行为系统及方法。
背景技术
根据民政部门最新统计,目前我国人口老龄化问题愈发严重,老年人口高达1.62亿。2009年开始我国进入老龄化的快速发展阶段,2020年老年人人数会达到2.48亿,平均每三四个人中就有一位老人。过快的老龄化速度会引发一系列社会问题,老人保障制度不完善、服务发展滞后等都反映我国在人口老龄化问题上存在着明显不足。
2005年随着物联网概念的提出,智能养老这个概念也被越来越多的人所了解。贯通物联网技术,通过智能感知、识别技术与普适云计算打破传统养老思维模式,通过各类传感器和计算机网络进行连接,让老人的日常生活(尤其是老年人的日常健康状况监控和出行安全状况)能通过网络让子女远程了解和查看。这种结合物联网科技手段,能实时监控老人活动状态的新型养老模式,即智能养老系统,不仅能让老人在养老院舒适安全的生活,也让老人的子女能随时关注父母的活动状态,不必担忧父母走失等情况的发生,充分满足了子女对老人的关注与远程监控。
随着计算机硬件处理能力的提高和计算机视觉技术的出现,人们对计算机实现智能监控的期望已成为现实。同时随着经济发展迅速,智能家庭监控受到越来越多的关注,在服务、陪护老人、康复期的病人等方面有广阔的发展空间。美国、日本等国家已率先开展了具有智能视频监控功能机器人及其行为分析、理解算法方面的研究,旨在解决独居老人的照顾、病人康复监测、儿童行为分析等问题。研发具有智能视频监控功能的助老助残、医疗辅助家居养老系统在敬老院及独居老人、康复病人的家庭有很大的重要性。
目前,家居视频监控是一个研究热点,具有很大的发展空间。在现有技术中,绝大部分的系统只能传输给指定设备(手机、电脑等)实时视频信息,大部分时间上这些视频信息是无用的,也很浪费数据带宽,但有异常行为(摔倒、昏迷等)的时候,系统没有主动提示功能,所以实用性很差。部分系统在设计的时候加入了运动目标检测的功能,在视频所覆盖的范围内只要有物体运动,就发出警报,提示用户有异常行为,这类设计存在很多的误报情况。即使在一些含有人体运动的算法监控系统中,所运用的算法也是非常简单且鲁棒性差的。单一的行为监控是不能完全说明是否存在异常行为。同时,现有的各种监控方案多采用普通摄像头进行监控,缺乏对监控范围内细节的捕捉。
因此,目前急需一种识别误差小、鲁棒性好的智能家居视频监控系统。
经检索,中国专利公开号CN103325080A,申请公布日为2013年9月25日,发明创造名称为:一种基于物联网技术的敬老院智能看护系统及方法,该申请案结合物联网技术与行为识别技术,通过监护仪和环境传感器对老人的生理信息、姿态信息及环境信息进行监控,同时通过监护仪携带的RFID标签信息计算老人的位置信息,当有异常情况发生时,视频监控网络根据老人的位置信息获取老人监控视频的序列图像,对序列图像进行行为识别,根据老人的行为进一步判定是否确实有危险情况发生。该申请案在老人发生危险时进行双重判断,且该申请案基于物联网技术在设置完成后可自动运行,降低了看护人员的工作量。
中国专利公开号CN 105046876A,申请公布日为2015年11月11日,发明创造名称为:一种基于图像识别的儿童安全监测系统;该申请案主要是采用GPS/LBS,即卫星定位和基站的智能模式定位技术,监护人可以通过上网或者手机等移动终端查看儿童的实时信息,以确保是否处于安全的区域;一旦离开安全区域就会将信息发送给家长,还包括一些紧急救援,比如有危险或者异常发生时,可以按紧急呼救键并拨打预先设定的手机号。该系统是在基于人脸图像识别的基础上,通过人脸表情识别技术提高对儿童安全性的判断,更进一步的判定儿童的安全性。
上述申请案均不失为一种较好的智能家居监控系统,但上述申请案均忽视了对监控范围内细节的捕捉,使得仍存在较大识别误差,鲁棒性差,仍需进一步改进。
发明内容
1.发明要解决的技术问题
本发明鉴于上述现有技术存在的不足,提供了一种智能家居养老的视频监控异常行为系统及方法;本发明通过目标跟踪、特征提取和异常行为识别,可以对老人的日常行为进行跟踪检测,并在发生危险异常情况时进行报警提示。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种智能家居养老的视频监控异常行为系统,包括监控摄像头、视频处理节点和通讯中心;其中:
所述的监控摄像头用于获取室内的视频图像,并通过网络传输给视频处理节点;
所述的视频处理节点接收来自监控摄像头的视频数据,并进行目标跟踪,提取人体运动的特征信息,然后对人体运动分类,识别人脸表情作为辅助,将异常的运动信息通过网络传输给通讯中心;
每一个视频处理节点拥有一个指定的编号,所述编号对应指定的手机号码;
所述的通讯中心接收视频处理节点的异常运动信息,并将异常运动信息通过GSM传输给编号指定的手机号码。
更进一步地,所述的监控摄像头包括第一镜头和第二镜头,第一镜头为定焦镜头,监控范围不小于90°;第二镜头为变焦镜头,在检查到有异常行为时,自动变焦对人面部表情进行识别,作为异常行为的辅助判断。
更进一步地,所述监控摄像头在单个房间内至少安装4个,要求监控范围覆盖整个房间;每一个视频处理节点接收一个房间内所有监控摄像头的数据。
更进一步地,所述的视频处理节点包括无线网接收模块、视频压缩编码模块和图像处理模块,所述无线网接收模块采用2.4GHz/5GHz WLAN接收视频数据;所述视频压缩编码模块将接收到的视频数据压缩编码,缩小帧率,生成待处理的视频数据;所述图像处理模块采用背景减除法对运动目标进行跟踪,再用时空兴趣点的方法提取运动特征,然后使用条件随机场模型对运动进行分类,将异常运动信息和视频处理节点对应的编号通过有线网络发送给通讯中心。
更进一步地,所述的视频处理节点采用Cortex-A系列内核的32位微处理器。
更进一步地,所述的通讯中心包括Cortex-M内核的STM32微处理器芯片、以太网模块和GSM模块。
本发明的一种智能家居养老的视频监控异常行为系统方法,其步骤为:
步骤一、监控摄像头拍摄视频数据传输给视频处理节点;
步骤二、视频处理节点接收视频数据,压缩格式,提取运动特征,然后分类识别,将异常运动信息发送给通讯中心;
步骤三、通讯中心接收到异常运动信息,通过GSM发送给指定的手机号码。
更进一步地,步骤一中监控摄像头的第一镜头作为室内场景监控,实时监控老人在室内的活动;第二镜头作为面部表情辅助监控,在检查到有异常运动时,启动第二镜头,捕捉人脸轮廓,然后改变焦距,清晰化人脸表情,再将第二镜头数据传输给视频处理节点,进行异常表情识别,作为异常行为的辅助判断。
更进一步地,步骤二中视频处理节点提取运动特征,然后分类识别,将异常运动信息发送给通讯中心的具体处理过程为:
(1)采用背景减除法提取运动目标:
对缩小帧率后生成的待处理视频进行背景前景的分割,得背景图像fb(x,y),然后使用当前帧图像fk(x,y)与背景图像fb(x,y)做差得到帧差图像Dk(x,y),并对得到的帧差图像进行二值化处理,处理规则为:
其中,100<T<150;
(2)对提取的运动目标使用时空兴趣点方法提取运动特征:
对图像中时空Harris角点进行检测,搜索图像区域中具有显著特征值的点,通过非边界条件对兴趣点进行筛选,得到前N个最大极值点,作为最终提取到的运动特征;
(3)采用条件随机场模型对运动特征进行分类:
在条件随机场预测算法中,将提取到的时空兴趣点作为输入的观测序列x=(x1,x2,…,xn);所输出的最优路径即为分类结果;具体算法如下:
输入:模型特征向量F(y,x)和权值向量w,观测序列x=(x1,x2,…,xn);
输出:最优路径
a.初始化非规范化概率:
δ1(j)=w·F1(y0=start,y1=j,x),
j=1,2,…,m
b.递推:对i=1,2,…,n
c.终止:
d.返回路径:
求得最优路径
(4)当检测到出现异常运动的时候,通过LBP算法识别人脸表情状态,作为辅助判别,综合识别出现异常行为时,将异常运动信息和对应视频处理节点的编号发送给通讯中心。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种智能家居养老的视频监控异常行为系统,基于双镜头摄像技术和面部表情辅助识别,其中,双镜头摄像技术不仅能准确的拍摄室内整体变化,而且可以捕捉到面部的细微表情,通过自动变焦技术可以更充分的描述面部表情特征;在异常行为的识别中加入表情辅助识别,可以更加准确的识别出异常表情,减少了误判的概率;
(2)本发明的一种智能家居养老的视频监控异常行为系统,视频处理节点只向通讯中心发送异常运动信息和标签,不会传输视频数据,有效的防止视频外泄,有利于保护个人隐私;
(3)本发明的一种智能家居养老的视频监控异常行为系统方法,采用背景减除法对运动目标进行跟踪,再用时空兴趣点的方法提取运动特征,然后使用条件随机场模型对运动进行分类,该异常运动信息分类方法准确率及效率高,有利于异常信息的准确、快速传达。
附图说明
图1为本发明的一种智能家居养老的视频监控异常行为系统的结构示意图;
图2为本发明的监控系统中摄像头的结构示意图;
图3为本发明的监控系统中摄像头的分布示意图;
图4为本发明中视频处理节点系统框图;
图5为本发明的监控系统运行流程图。
示意图中的标号说明:
100、监控摄像头;101、第一镜头;102、第二镜头;200、视频处理节点;201、无线网接收模块;202、视频压缩编码模块;203、图像处理模块;300、通讯中心。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
参见图1,本实施例的一种智能家居养老的视频监控异常行为系统,主要包括监控摄像头100、视频处理节点200和通讯中心300。其中监控摄像头100作为视频监控系统的数据源头,将拍摄的室内场景通过无线网络实时传输给视频处理节点200。
参见图2,本实施例中每个监控摄像头100包含两个高清的第一镜头101和第二镜头102。其中第一镜头101采用定焦镜头作为室内场景监控,实时监控老人在室内的活动;第二镜头102采用自动变焦镜头作为面部表情辅助监控,在系统检查到有异常运动时,启动第二镜头102,通过人脸识别算法捕捉人脸轮廓,然后改变焦距,清晰化人脸表情,再将第二镜头102数据传输给视频处理节点200,进行异常表情识别,作为异常行为的辅助判断。
参见图3,本实施例在每个需监控的房间中放置4个或以上的监控摄像头100,每个监控摄像头100正对房间中心,成环形在墙壁间隔2米处排列。每个监控摄像头100监控角度大于等于90度,所以监控范围可以包围整个房间,以达到无死角监控的目的。对于相邻两个监控摄像头100的监控边界以两摄像头的距离中点为界,在此中点上粘贴特殊图案作为标签。在视频处理过程中,通过标签可以连接整个房间内摄像头的可视边界。
所述视频处理节点200采用Cortex-A系列内核的32位微处理器,每一个视频处理节点200处理一个监控房间的视频数据,拥有一个指定的编号,安放于所在房间内。对于家中有多个房间的情况,每个编号都对应一个指定手机号码(老人子女的手机号);对于养老院的情况,一个编号对应一个指定的手机号码(居住在对应编号房间内老人子女的手机号)。
视频处理节点200通过无线网络接收来自监控摄像头100的视频数据,并对视频数据进行处理,将异常运动信息通过有线网络传输给通讯中心300。
参见图4,视频处理节点200上运行无线网接收模块201、视频压缩编码模块202和图像处理模块203。其中,无线网接收模块201采用2.4GHz/5GHz WLAN接收视频数据,至少可以同时接收4个监控摄像头100发来的视频数据。视频压缩编码模块202将接收到的各路视频数据压缩编码,缩小帧率,生成待处理的视频数据,其具体步骤为:
利用OpenCV函数库中VideoCapture类定义一个对象capture,将视频载入capture;然后利用cvResize函数对视频中每帧数据进行缩放,经过处理后每帧图像尺寸大小为640*480;最后将视频顺序读出capture>>frame,每隔一帧保存一次,将保存的帧写入输出的avi格式视频,得到的输出视频数据比原始视频尺寸减小、帧率为之前的二分之一、格式为avi格式。
图像处理模块203采用背景减除法对运动目标进行跟踪,再用时空兴趣点的方法提取运动特征,然后使用条件随机场模型对运动进行分类,将异常运动信息和所述视频处理节点的编号通过有线网络发送给通讯中心300。具体处理过程为:
(1)采用背景减除法提取运动目标:
利用OpenCV函数库中BackgroundSubtractorMOG2函数进行背景前景的分割,通过getBackgroundImage()函数返回背景图像fb(x,y),然后使用当前帧图像fk(x,y)与背景图像fb(x,y)做差得到帧差图像Dk(x,y),并对得到的帧差图像通过threshold函数进行二值化处理,处理规则为:
对于帧差图像Dk(x,y)是256阶的灰度图像,二值化的阈值T作为灰度中间值取值范围在127前后,具体范围根据监控环境不同在100<T<150。
(2)对提取的运动目标使用时空兴趣点方法提取运动特征:
利用OpenCV函数库中cornerHarris函数对图像中时空Harris角点进行检测,搜索图像区域中具有显著特征值的点,即在水平、竖直、时间三个维度变化较大的点,通过非边界条件(三个维度均有较大变化的点)对兴趣点进行筛选,得到前N个最大极值点,20<N<30,作为最终提取到的运动特征。
(3)采用条件随机场模型对运动特征进行分类:
在条件随机场预测算法中,将提取到的时空兴趣点作为输入的观测序列x=(x1,x2,…,xn);所输出的最优路径即为分类结果。具体算法如下:
输入:模型特征向量F(y,x)和权值向量w,观测序列x=(x1,x2,…,xn);
输出:最优路径
a.初始化非规范化概率:
δ1(j)=w·F1(y0=start,y1=j,x),
j=1,2,…,m
b.递推:对i=1,2,…,n
c.终止:
d.返回路径:
求得最优路径
(4)当检测到出现异常运动的时候,通过LBP算法识别人脸表情状态,作为辅助判别,综合识别出现异常行为时,将异常运动信息和对应视频处理节点的编号发送给通讯中心,具体处理过程为:
当检测到异常运动时,调用第二镜头102调整焦距,捕捉人脸区域,进行LBP表情特征提取:将被检测的窗口划分为16×16的小区域;对于每个小区域中的单个像素点,与相邻的8个像素点灰度值进行比较,若周围像素点灰度值大于中心像素点灰度值,则该像素点的位置被标记为1,否则为0。如此,中心像素点邻域内的8个像素点经比较可产生8位二进制数;计算每个小区域的直方图,即每个数字(十进制数LBP值)出现的频率;对该直方图进行归一化处理。然后将得到的每个小区域的统计直方图进行连接,形成一个特征向量,也就是整幅图的LBP纹理特征向量,最后利用libsvm函数库进行分类。在得出异常表情判断时,将异常运动信息和对应视频处理节点的编号发送给通讯中心。
通讯中心300包括Cortex-M内核的STM32微处理器芯片、以太网模块和GSM模块,通过有线网络可以接收多个视频处理节点200的数据。当接收到异常运动数据和视频处理节点的编号时,通过GSM将异常信息发送给标签对应的手机号码。这个过程中只有异常运动的发生时间和系统判别的异常行为类型,不包括任何视频数据。
参见图5,根据上述方案得到的智能家居养老的视频监控异常行为实现过程如下:
当监控范围内出现运动行为时,监控摄像头100拍摄视频数据传输给视频处理节点200;
视频处理节点200接收视频数据,压缩格式,提取运动特征,然后分类识别,将异常运动信息发送给通讯中心300;
通讯中心300接收到异常运动信息,通过GSM发送给指定的号码。
本实施例可以实时监控人体活动状态,在出现异常情况时发出警报,具有应用范围广、安全性高、识别稳定可靠等优点。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.一种智能家居养老的视频监控异常行为方法,其步骤为:
步骤一、监控摄像头(100)拍摄视频数据传输给视频处理节点(200);
步骤二、视频处理节点(200)接收视频数据,提取运动特征,然后分类识别,将异常运动信息发送给通讯中心(300);具体处理过程为:
(1)采用背景减除法提取运动目标:
对缩小帧率后生成的待处理视频进行背景前景的分割,得背景图像fb(x,y),然后使用当前帧图像fk(x,y)与背景图像fb(x,y)做差得到帧差图像Dk(x,y),并对得到的帧差图像进行二值化处理,处理规则为:
其中,100<T<150;
(2)对提取的运动目标使用时空兴趣点方法提取运动特征:
对图像中时空Harris角点进行检测,搜索图像区域中具有显著特征值的点,通过非边界条件对兴趣点进行筛选,得到前N个最大极值点,作为最终提取到的运动特征;
(3)采用条件随机场模型对运动特征进行分类:
在条件随机场预测算法中,将提取到的时空兴趣点作为输入的观测序列x=(x1,x2,…,xn);所输出的最优路径即为分类结果;具体算法如下:
输入:模型特征向量F(y,x)和权值向量w,观测序列x=(x1,x2,…,xn);
输出:最优路径
a.初始化非规范化概率:
δ1(j)=w·F1(y0=start,y1=j,x),
j=1,2,…,m
b.递推:对i=1,2,…,n
l=1,2,…,m
c.终止:
d.返回路径:
求得最优路径
(4)当检测到出现异常运动的时候,通过LBP算法识别人脸表情状态,作为辅助判别,综合识别出现异常行为时,将异常运动信息和对应视频处理节点(200)的编号发送给通讯中心(300);
步骤三、通讯中心(300)接收到异常运动信息,通过GSM发送给指定的手机号码。
2.根据权利要求1所述的一种智能家居养老的视频监控异常行为方法,其特征在于:步骤一中监控摄像头(100)的第一镜头(101)作为室内场景监控,实时监控老人在室内的活动;第二镜头(102)作为面部表情辅助监控,在检查到有异常运动时,启动第二镜头(102),捕捉人脸轮廓,然后改变焦距,清晰化人脸表情,再将第二镜头(102)数据传输给视频处理节点(200),进行异常表情识别,作为异常行为的辅助判断。
3.根据权利要求2所述的一种智能家居养老的视频监控异常行为方法,其特征在于:该监控异常行为方法所用系统包括监控摄像头(100)、视频处理节点(200)和通讯中心(300);其中:
所述的监控摄像头(100)用于获取室内的视频图像,并通过网络传输给视频处理节点(200);
所述的视频处理节点(200)接收来自监控摄像头(100)的视频数据,并进行目标跟踪,提取人体运动的特征信息,然后对人体运动分类,识别人脸表情作为辅助,将异常的运动信息通过网络传输给通讯中心(300);
每一个视频处理节点(200)拥有一个指定的编号,所述编号对应指定的手机号码;
所述的通讯中心(300)接收视频处理节点(200)的异常运动信息,并将异常运动信息通过GSM传输给编号指定的手机号码。
4.根据权利要求3所述的一种智能家居养老的视频监控异常行为方法,其特征在于:所述的监控摄像头(100)包括第一镜头(101)和第二镜头(102),第一镜头(101)为定焦镜头,监控范围不小于90°;第二镜头(102)为变焦镜头,在检查到有异常行为时,自动变焦对人面部表情进行识别,作为异常行为的辅助判断。
5.根据权利要求4所述的一种智能家居养老的视频监控异常行为方法,其特征在于:所述监控摄像头(100)在单个房间内至少安装4个,要求监控范围覆盖整个房间;每一个视频处理节点(200)接收一个房间内所有监控摄像头(100)的数据。
6.根据权利要求3所述的一种智能家居养老的视频监控异常行为方法,其特征在于:所述的视频处理节点(200)包括无线网接收模块(201)、视频压缩编码模块(202)和图像处理模块(203),所述无线网接收模块(201)采用2.4GHz/5GHz WLAN接收视频数据;所述视频压缩编码模块(202)将接收到的视频数据压缩编码,缩小帧率,生成待处理的视频数据;所述图像处理模块(203)采用背景减除法对运动目标进行跟踪,再用时空兴趣点的方法提取运动特征,然后使用条件随机场模型对运动进行分类,将异常运动信息和视频处理节点(200)对应的编号通过有线网络发送给通讯中心(300)。
7.根据权利要求6所述的一种智能家居养老的视频监控异常行为方法,其特征在于:所述的视频处理节点(200)采用Cortex-A系列内核的32位微处理器。
8.根据权利要求7所述的一种智能家居养老的视频监控异常行为方法,其特征在于:所述的通讯中心(300)包括Cortex-M内核的STM32微处理器芯片、以太网模块和GSM模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610447391.0A CN106027978B (zh) | 2016-06-21 | 2016-06-21 | 一种智能家居养老的视频监控异常行为方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610447391.0A CN106027978B (zh) | 2016-06-21 | 2016-06-21 | 一种智能家居养老的视频监控异常行为方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106027978A CN106027978A (zh) | 2016-10-12 |
CN106027978B true CN106027978B (zh) | 2019-02-05 |
Family
ID=57085566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610447391.0A Active CN106027978B (zh) | 2016-06-21 | 2016-06-21 | 一种智能家居养老的视频监控异常行为方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106027978B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778497A (zh) * | 2016-11-12 | 2017-05-31 | 上海任道信息科技有限公司 | 一种基于综合检测的智能养老看护方法及系统 |
CN106454277B (zh) * | 2016-11-30 | 2019-09-27 | 杭州联络互动信息科技股份有限公司 | 一种用于视频监控的图像分析方法以及装置 |
CN106603982A (zh) * | 2016-12-20 | 2017-04-26 | 四川长虹电器股份有限公司 | 一种基于数字电视的智能托管系统及智能托管方法 |
CN107729950A (zh) * | 2017-11-07 | 2018-02-23 | 钟永松 | 一种监控效果良好的小区监控系统 |
CN109699018B (zh) * | 2018-04-15 | 2020-01-03 | 解波 | 室内活跃度实时测量方法 |
CN108391096B (zh) * | 2018-04-15 | 2019-01-08 | 郑锋 | 室内活跃度实时测量系统 |
CN108924482B (zh) * | 2018-06-22 | 2021-03-23 | 张小勇 | 一种视频记录方法和系统 |
CN109784175A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 基于微表情识别的异常行为人识别方法、设备和存储介质 |
CN109543659B (zh) * | 2018-12-25 | 2020-03-31 | 北京心法科技有限公司 | 适于老年用户的风险行为监测预警方法及系统 |
CN109918989A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技(深圳)有限公司 | 监控画面中人物行为类型识别方法、装置、介质和设备 |
CN109857114A (zh) * | 2019-02-26 | 2019-06-07 | 温州市职业中等专业学校 | 校园移动智能机器人及校园智能管理系统 |
CN111325954B (zh) * | 2019-06-06 | 2021-09-17 | 杭州海康威视系统技术有限公司 | 人员走失预警方法、装置、系统及服务器 |
CN112102585A (zh) * | 2019-06-18 | 2020-12-18 | 广东点讯智能科技有限公司 | 一种应用于养老场所的智能行为分析系统 |
CN110430397A (zh) * | 2019-07-31 | 2019-11-08 | 广州竞德信息技术有限公司 | 基于多模态的行为识别方法 |
CN110781771A (zh) * | 2019-10-08 | 2020-02-11 | 北京邮电大学 | 一种基于深度学习的异常行为实时监测方法 |
CN111523491A (zh) * | 2020-04-26 | 2020-08-11 | 四川大学锦城学院 | 一种基于混合深度学习的视频序列表情识别方法及系统 |
CN111680607A (zh) * | 2020-06-03 | 2020-09-18 | 长春博立电子科技有限公司 | 基于视频分析的病房异常监测方法及系统 |
CN111601092A (zh) * | 2020-06-10 | 2020-08-28 | 路邦科技授权有限公司 | 一种智能急救识别救护系统及其监控方法、行为识别方法 |
CN112287783A (zh) * | 2020-10-19 | 2021-01-29 | 燕山大学 | 基于视觉与压力传感的病房智能看护识别方法及识别系统 |
CN112562260B (zh) * | 2020-12-16 | 2022-08-09 | 浙江大华技术股份有限公司 | 防走失方法及装置 |
CN113158858A (zh) * | 2021-04-09 | 2021-07-23 | 苏州爱可尔智能科技有限公司 | 基于深度学习的行为分析方法、系统 |
CN113992896A (zh) * | 2021-10-28 | 2022-01-28 | 南京奥拓电子科技有限公司 | 一种安全监测预警管理方法、系统及存储介质 |
CN114859749B (zh) * | 2022-06-27 | 2023-03-10 | 忆月启函(盐城)科技有限公司 | 一种基于物联网的智能家居管理方法及管理系统 |
CN115914583B (zh) * | 2023-02-28 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 基于视觉识别的老人监控设备及监控方法 |
CN116112675B (zh) * | 2023-04-11 | 2023-06-09 | 深圳市海威恒泰智能科技有限公司 | 一种视频编码方法和视频编码系统 |
CN116805175B (zh) * | 2023-06-02 | 2023-12-26 | 中哲国际工程设计有限公司 | 基于cim技术的医疗养老建筑运维管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778264A (zh) * | 2010-02-11 | 2010-07-14 | 北京众和汇智科技有限公司 | 视频监控方法和系统 |
CN103576660A (zh) * | 2013-11-13 | 2014-02-12 | 汕头大学 | 智能家居监控系统及方法 |
CN104660991A (zh) * | 2015-02-02 | 2015-05-27 | 上海理工大学 | 室内视频监控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917907B2 (en) * | 2011-02-28 | 2014-12-23 | Seiko Epson Corporation | Continuous linear dynamic systems |
-
2016
- 2016-06-21 CN CN201610447391.0A patent/CN106027978B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778264A (zh) * | 2010-02-11 | 2010-07-14 | 北京众和汇智科技有限公司 | 视频监控方法和系统 |
CN103576660A (zh) * | 2013-11-13 | 2014-02-12 | 汕头大学 | 智能家居监控系统及方法 |
CN104660991A (zh) * | 2015-02-02 | 2015-05-27 | 上海理工大学 | 室内视频监控系统 |
Non-Patent Citations (1)
Title |
---|
基于条件随机场的人体行为识别研究;赵晋辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第03期);正文第3.1.1节、4.1.2节、5.4节 |
Also Published As
Publication number | Publication date |
---|---|
CN106027978A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106027978B (zh) | 一种智能家居养老的视频监控异常行为方法 | |
CN103576660B (zh) | 智能家居监控方法 | |
CN106372576A (zh) | 一种基于深度学习的智能室内入侵检测方法及系统 | |
CN107911653A (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
Chen et al. | Fall detection system based on real-time pose estimation and SVM | |
WO2020253475A1 (zh) | 智能车运动控制方法及装置、设备和存储介质 | |
CN113723185B (zh) | 动作行为识别方法、装置、存储介质及终端设备 | |
CN111047824B (zh) | 一种室内儿童看护联动控制预警方法及系统 | |
CN110852306A (zh) | 一种基于人工智能的安全监控系统 | |
CN112446244A (zh) | 人体动作的识别方法、神经网络的训练方法及相关装置、设备 | |
Rougier et al. | Video surveillance for fall detection | |
Beddiar et al. | Fall detection using body geometry and human pose estimation in video sequences | |
Soni et al. | Automated fall detection from a camera using support vector machine | |
CN115482485A (zh) | 视频处理方法、装置、计算机设备及可读存储介质 | |
Keshavarz et al. | Distributed vision-based reasoning for smart home care | |
Yang et al. | Digital video intrusion intelligent detection method based on narrowband Internet of Things and its application | |
CN110222647B (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
CN113384267A (zh) | 一种跌倒实时检测方法、系统、终端设备及存储介质 | |
CN115861905B (zh) | 一种基于物联网的酒店管理系统 | |
Pires et al. | A real-time position monitoring system for fall detection and analysis using human pose estimation | |
Fern'ndez-Caballero et al. | HOLDS: Efficient fall detection through accelerometers and computer vision | |
CN116229507A (zh) | 人体姿态检测方法及系统 | |
Hsu et al. | Privacy free indoor action detection system using top-view depth camera based on key-poses | |
Kavya et al. | Human Fall Detection Using Video Surveillance | |
CN113128330A (zh) | 一种人体跌倒监控系统 |
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 |