CN107103300A - 一种离岗检测方法及系统 - Google Patents

一种离岗检测方法及系统 Download PDF

Info

Publication number
CN107103300A
CN107103300A CN201710268127.5A CN201710268127A CN107103300A CN 107103300 A CN107103300 A CN 107103300A CN 201710268127 A CN201710268127 A CN 201710268127A CN 107103300 A CN107103300 A CN 107103300A
Authority
CN
China
Prior art keywords
model
people
post
right ear
upper half
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.)
Granted
Application number
CN201710268127.5A
Other languages
English (en)
Other versions
CN107103300B (zh
Inventor
文莉
毛亮
朱婷婷
黄仝宇
汪刚
宋兵
宋一兵
侯玉清
刘双广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN201710268127.5A priority Critical patent/CN107103300B/zh
Publication of CN107103300A publication Critical patent/CN107103300A/zh
Application granted granted Critical
Publication of CN107103300B publication Critical patent/CN107103300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及视频检测领域，更具体地，涉及一种离岗检测方法及系统。方法包括：模型训练步骤：对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；离岗检测步骤：获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。本发明大大降低了误检的概率，大大提高了检测的准确率。

Description

一种离岗检测方法及系统
技术领域
本发明涉及视频检测领域，更具体地，涉及一种离岗检测方法及系统。
背景技术
在一些关系到国计民生的重要公共设施、企业（如核电站）等重要地方会在室外设置岗哨以保卫重要目标的安全。为了消除哨兵擅自离开岗哨而造成的不必要的危害以及实现对哨兵在岗亭中站岗的智能化与规范化管理，需要对哨兵离岗的情况进行实时监测。
现有的离岗检测技术主要通过提取前景运动目标并对前景运动目标的轨迹进行分析，以确定目标是否离开岗哨。此类方法缺陷较为明显，其容易把室外光线变化、树叶抖动等误检为前景运动目标，而且当目标动作微小或不动时，容易把前景目标误认为背景，致使在离岗检测时产生误报。
公开号为“CN104408406A”的发明专利提出了一种基于帧差法和减背景法的人员离岗检测方法，其利用减背景法计算出每一帧图像与背景帧图像的差值图像，通过判断检测区域是否出现运动目标且未出现差值图像，表示当前帧人员未在岗，否则表示当前帧人员在岗。此方法容易受室外环境变化的影响，且当目标不动时，容易把前景目标误认为背景，以致产生误报。
公开号为“CN104346802A”的发明专利提出了一种人头检测与运动目标检测相结合的方法，其确定多个视频图像帧中特定区域内与头部特征相匹配的视频图像帧的个数，以及特定区域内存在运动目标的视频图像帧的个数，从而确定特定区域所对应的实际区域中的人员是否离岗。这种方法只适应于室内场景，且当目标长时间不动时，检测不到运动目标，容易产生误报。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种提高目标检测精度的离岗检测方法及系统。
为解决上述技术问题，本发明的技术方案如下：
一种离岗检测方法，包括：
模型训练步骤：对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
离岗检测步骤：获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
本发明的离岗监测方法融合了多个模型，其利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭中的哨兵进行检测，以确定哨兵是否离岗或者在岗，相对于现有技术中以运动目标为检测对象来说，本发明的方法由于以人体多个部位为检测目标进行哨兵检测，受相机安装角度以及周围环境影响小（如光线变化、树叶抖动等），能准确对人员离岗做出检测，而且当哨兵只有微小动作或者长时间不动时本发明的方法仍然能够检测哨兵的身体部位，大大降低了误检的概率，大大提高了检测的准确率。
上述方案中，所述模型训练步骤具体包括如下步骤：
从实际应用场景中获取各种类型人头、左右耳、人体上半身、人全身图像形成训练集样本；
对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
使用训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。
本发明的方法中，通过采集各种类型人身体部位的图像样本进行训练，可以使模型可以适应相机的拍摄范围从上半身到全身进行变化的应用情况，提高模型检测的准确度。
上述方案中，利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型。
上述方案中，利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
上述方案中，离岗检测步骤具体包括如下步骤：
S21.获取视频帧序列；
S22.利用人头模型、左右耳模型、人体上半身模型、人全身模型中的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S23，否则执行步骤S21；
S23.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S24，否则执行步骤S21；
S24.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S25，否则执行步骤S21；
S25.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23、S24所使用模型外的剩余模型对视频帧序列中的哨兵进行检测，若检测不到目标则判断为离岗状态，否则执行步骤S21。
本发明的方法中，只有在利用人头模型、左右耳模型、人体上半身模型、人全身模型进行离岗检测都没有检测到目标时，方可判断哨兵为离岗状态，否则在检测到哨兵人头、左右耳、上半身、全身中的任一项时均判断为哨兵在岗状态。考虑到实际当中，岗亭中人的拍摄范围从上半身到全身进行变化，且为了减少室外环境的影响（如光线变化、树叶抖动等）以及站岗人员只有微小动作或长时间不动造成的误检，因此本文采用多模型的融合的方法对站岗人员是否在岗进行正判断，其大大地减少了误检情况的出现，提高了离岗检测的准确率。
上述方案中，所述方法在判断为离岗状态后还产生离岗告警信息。本发明在判断出离岗状态后进行离岗告警，以便及时向外通知离岗的信息。
一种离岗检测系统，包括：
模型训练模块，用于对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
离岗检测模块，用于获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
本发明的离岗监测系统融合了多个模型，其利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭中的哨兵进行检测，以确定哨兵是否离岗或者在岗，相对于现有技术中以运动目标为检测对象来说，本发明的系统由于以人体多个部位为检测目标进行哨兵检测，受周围环境影响小，能准确对人员离岗做出检测，而且当哨兵只有微小动作或者长时间不动时本发明的系统仍然能够检测哨兵的身体部位，大大降低了误检的概率，大大提高了检测的准确率。
而且本发明的系统中，只有在利用人头模型、左右耳模型、人体上半身模型、人全身模型进行离岗检测都没有检测到目标时，方可判断哨兵为离岗状态，否则在检测到哨兵人头、左右耳、上半身、全身中的任一项时均判断为哨兵在岗状态。考虑到实际当中，岗亭中人的拍摄范围从上半身到全身进行变化，且为了减少室外环境的影响（如光线变化、树叶抖动等）以及站岗人员只有微小动作或长时间不动造成的误检，因此本文采用多模型的融合的方法对站岗人员是否在岗进行正判断，其大大地减少了误检情况的出现，提高了离岗检测的准确率。
上述方案中，所述模型训练模块具体包括：
样本获取模块，用于获取各种类型人头、左右耳、人体上半身、人全身图像，形成训练集样本；
预处理模块，用于对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
训练模块，用于对训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。
上述方案中，训练模块具体利用harr特征与级联Adaboost算法对训练集样本本进行训练获得人头模型、左右耳模型，以及利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
上述方案中，所述系统还包括告警模块，用于在判断为离岗状态后还产生离岗告警信息。本发明在判断出离岗状态后进行离岗告警，以便及时向外通知离岗的信息。
与现有技术相比，本发明技术方案的有益效果是：
本发明针对现有离岗检测技术的不足，提出了一种更有效的方法和系统，其在大量数据样本支撑的前提下，利用harr特征与Adaboost算法训练人头、左右耳模型以及利用DPM（Deformable Parts Model）训练上半身、全身模型，从而实现对哨兵的检测，进而准确地判断哨兵是否离岗。本发明受相机安装角度以及周围环境影响小，能准确对人员离岗作出告警，且当站岗人员只有微小动作或长时间不动时不会产生误报，算法在实际应用中误报率低，大大地提高了目标的检测精度。
附图说明
图1为本发明一种离岗检测方法具体实施例的流程图。
图2为本发明具体实施例中人头模型、左右耳模型的训练步骤和检测步骤的流程图。
图3为本发明具体实施例中人体上半身模型、人全身模型的训练步骤和检测步骤的流程图。
图4为本发明一种离岗检测系统具体实施例的架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要理解的是，此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，为本发明一种离岗检测方法具体实施例的流程图。参见图1，本具体实施例一种离岗检测方法分两个阶段进行，第一个阶段是人头、左右耳、人体上半身、人全身的模型训练阶段，第二阶段是离岗检测阶段；具体为：
S1.模型训练阶段：对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
S2.离岗检测阶段：获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
在具体实施过程中，步骤S1的具体步骤包括：
S11.获取各种类型人头、左右耳、人体上半身、人全身图像形成训练集样本；图像的采集从现实场景中获取，以保证样本贴合实际应用。
S12.对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
S13.对训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。其中，可以利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型，以及利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
在具体实施过程中，步骤S2的离岗检测阶段具体包括如下步骤：
S21.获取视频帧序列；在此步骤之前还可以预先进行ROI区域的初始化。
S22.利用人头模型、左右耳模型、人体上半身模型、人全身模型中的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S23，否则执行步骤S21；
S23.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S24，否则执行步骤S21；
S24.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S25，否则执行步骤S21；
S25.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23、S24所使用模型外的剩余模型对视频帧序列中的哨兵进行检测，若检测不到目标则判断为离岗状态，否则执行步骤S21。
本具体实施例一检测到人头、左右耳、上半身、全身中的任一项时均判断为哨兵在岗状态，使本发明的方法以多个检测目标相结合的方式进行离岗状态的判断，大大减小了环境对检测的影响，降低了误检概率，提高了离岗检测的准确率。
在一种优选的实施方式中，如图1所示，在离岗检测阶段中，先利用人头模型进行人头的检测，如果检测到人头则以隔一帧的方式再次获取输入的视频序列重新进行人头的检测，若检测不到，则利用左右耳模型进行左右耳的检测，如果检测到左右耳则以隔一帧的方式再次获取输入的视频序列重新进行人头、左右耳检测，如若二者皆检测不到，则利用上半身模型进行上半身的检测，如果检测到上半身则以隔一帧的方式再次获取输入的视频序列重新进行人头、左右耳以及上半身的检测，如三者都检测不到，则利用人全身模型进行全身的检测，如果检测到全身则以隔一帧的方式再次获取输入的视频训练重新进行人头、左右耳、人的上半身和全身的检测，如这四种模型都不能检测到，则判断为离岗状态，并产生告警信息向外通报离岗状态。。此检测顺序可以节省离岗检测算法对每帧图像检测的时间，原因在于当哨兵站岗位置靠近相机时，在图像中通常只能看到哨兵的上半身，而且人头模型的检测速度很快，因此首先采用人头模型检测，然后再采用左右耳或上半身模型，其次是上半身或左右耳模型，最后是人的全身模型，如此可以节省离岗检测的时间。
下面结合图2和图3所示的具体训练和检测步骤对本发明的方法进行进一步的说明。
如图2所示，为利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型的具体步骤以及进行人头、左右耳检测的具体步骤。参见图2，人头/左右耳模型的训练过程为：
对人头/左右耳的训练集样本进行图像预处理，经过图像预处理后计算积分图，根据矩形特征圆形计算矩形特征值并获得特征集；确定阈值，由矩形特征生成对应的弱分类器，进而得到弱分类器集；使用Adaboost算法挑选最优的弱分类器构成强分类器；强分类器组合为级联分类器作为人头/左右耳的模型。
人头/左右耳的检测步骤具体为：
从视频序列中提取图片，将该图片进行图像预处理，然后计算积分图，基于级联分类器计算矩形特征并利用级联分类器对人头/左右耳进行分类识别，从而判断出是否从图片中检测到人头/左右耳。
如图3所示，为利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型的具体步骤以及进行人体上半身、人全身检测的具体步骤。参见图3，上半身/人全身模型的训练过程为：
对人体上半身/全身的训练集样本进行HOG特征金字塔的处理，接着进行LSVM的训练，最终生成上半身/人全身模型。
上半身/人全身模型的检测步骤具体为：
从视频序列中获取测试图像，对测试图像进行HOG特征金字塔的处理，然后利用生成的上半身/人全身模型结合动态规划算法以及广义距离变换得到部件的最优位置，最后对上半身/人全身目标进行定位，从而判断是否检测到上半身/人全身。
利用本具体的实施例进行实验时，将相机安装在岗亭中，画面为岗亭所在范围，且相机安装及角度与人几乎垂直，岗亭中的人的拍摄范围从上半身到全身进行变化。利用本发明的方法在不同日期、同一天不同时段对岗亭中的哨兵进行离岗判断，得到的结果如下表所示：
表1 多模型融合的方法离岗检测结果
算法类型 准确率（正确告警次数/离岗次数） 误报率（误报次数/离岗次数）
基于多模型融合框架下的离岗检测方法 96.296% 7.407%
由表1可知，本发明提出的基于多模型融合框架下的离岗检测方法可在哨兵离岗时能正确产生告警且误报率低。
实施例2
在实施例1的基础上，本发明还提供了一种离岗检测系统。如图4所示，为本具体实施例一种离岗检测系统的架构图。参见图4，本具体实施例一种离岗检测系统具体包括：
模型训练模块110，用于对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
离岗检测模块120，用于获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
告警模块130，用于在判断为离岗状态后产生离岗告警信息。本发明在判断出离岗状态后进行离岗告警，以便及时向外通知离岗的信息。
本具体实施例的离岗监测系统融合了多个模型，其利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭中的哨兵进行检测，以确定哨兵是否离岗或者在岗，相对于现有技术中以运动目标为检测对象来说，本发明的系统由于以人体多个部位为检测目标进行哨兵检测，受相机安装角度以及周围环境影响小，能准确对人员离岗做出检测，而且当哨兵只有微小动作或者长时间不动时本发明的系统仍然能够检测哨兵的身体部位，大大降低了误检的概率，大大提高了检测的准确率。
而且本具体实施例的系统中，只有在利用人头模型、左右耳模型、人体上半身模型、人全身模型进行离岗检测都没有检测到目标时，方可判断哨兵为离岗状态，否则在检测到哨兵人头、左右耳、上半身、全身中的任一项时均判断为哨兵在岗状态。考虑到实际当中，岗亭中人的拍摄范围从上半身到全身进行变化，且为了减少室外环境的影响（如光线变化、树叶抖动等）以及站岗人员只有微小动作或长时间不动造成的误检，因此本文采用多模型的融合的方法对站岗人员是否在岗进行正判断，其大大地减少了误检情况的出现，提高了离岗检测的准确率。如图2所示，在具体实施过程中，所述模型训练模块110具体包括：
样本获取模块111，用于获取各种类型人头、左右耳、人体上半身、人全身图像形成训练集样本；图像的采集从现实场景中获取，以保证样本贴合实际应用。
预处理模块112，用于对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
训练模块113，用于对训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。其中，可以利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型，以及利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
在具体实施过程中，训练模块113在进行人头/左右耳的训练时具体用于：对人头/左右耳的训练集样本进行图像预处理，经过图像预处理后计算积分图，根据矩形特征圆形计算矩形特征值并获得特征集；确定阈值，由矩形特征生成对应的弱分类器，进而得到弱分类器集；使用Adaboost算法挑选最优的弱分类器构成强分类器；强分类器组合为级联分类器作为人头/左右耳的模型。
在具体实施过程中，训练模块113在进行上半身/全身的训练时具体用于：对人体上半身/全身的训练集样本进行HOG特征金字塔的处理，接着进行LSVM的训练，最终生成上半身/人全身模型。
在具体实施过程中，离岗检测模块120进行人头/左右耳的检测时具体用于：
从视频序列中提取图片，将该图片进行图像预处理，然后计算积分图，基于级联分类器计算矩形特征并利用级联分类器对人头/左右耳进行分类识别，从而判断出是否从图片中检测到人头/左右耳。
在具体实施过程中，离岗检测模块120进行上半身/人全身的检测时具体用于：
从视频序列中获取测试图像，对测试图像进行HOG特征金字塔的处理，然后利用生成的上半身/人全身模型结合动态规划算法以及广义距离变换得到部件的最优位置，最后对上半身/人全身目标进行定位，从而判断是否检测到上半身/人全身。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种离岗检测方法，其特征在于，包括：
模型训练步骤：对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
离岗检测步骤：获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
2.根据权利要求1所述的离岗检测方法，其特征在于，所述模型训练步骤具体包括如下步骤：
从实际应用场景中获取各种类型人头、左右耳、人体上半身、人全身图像形成训练集样本；
对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
使用训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。
3.根据权利要求2所述的离岗检测方法，其特征在于，利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型。
4.根据权利要求2所述的离岗检测方法，其特征在于，利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
5.根据权利要求1-4任一项所述的离岗检测方法，其特征在于，离岗检测步骤具体包括如下步骤：
S21.获取视频帧序列；
S22.利用人头模型、左右耳模型、人体上半身模型、人全身模型中的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S23，否则执行步骤S21；
S23.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S24，否则执行步骤S21；
S24.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23所使用模型外的任一种模型对视频帧序列中的哨兵进行检测，若检测不到目标则执行步骤S25，否则执行步骤S21；
S25.利用人头模型、左右耳模型、人体上半身模型、人全身模型中除去步骤S22、S23、S24所使用模型剩余的模型对视频帧序列中的哨兵进行检测，若检测不到目标则判断为离岗状态，否则执行步骤S21。
6.根据权利要求5所述的离岗检测方法，其特征在于，所述方法在判断为离岗状态后还还产生离岗告警信息。
7.一种离岗检测系统，其特征在于，包括：
模型训练模块，用于对包括各种类型人头、左右耳、人体上半身、人全身图像的训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型和人全身模型；
离岗检测模块，用于获取岗亭视频帧序列，利用人头模型、左右耳模型、人体上半身模型、人全身模型对岗亭视频帧序列进行检测，至少检测到人头、左右耳、人体上半身、人全身中的一种，否则判断为离岗状态。
8.根据权利要求7所述的离岗检测系统，其特征在于，所述模型训练模块具体包括：
样本获取模块，用于在实际应用场景中获取各种类型人头、左右耳、人体上半身、人全身图像，训练集样本；
预处理模块，用于对训练集样本进行标注，得到图像中人头、左右耳、人体上半身、人全身的目标区域和所属类别；
训练模块，用于对训练集样本进行训练获得人头模型、左右耳模型、人体上半身模型、人全身模型。
9.根据权利要求8所述的离岗检测系统，其特征在于，训练模块具体利用harr特征与级联Adaboost算法对训练集样本进行训练获得人头模型、左右耳模型，以及利用级联的DPM算法对训练集样本进行训练获得人体上半身模型、人全身模型。
10.根据权利要求7-9任一项所述的离岗检测系统，其特征在于，所述系统还包括告警模块，用于在判断为离岗状态后产生离岗告警信息。
CN201710268127.5A 2017-04-22 2017-04-22 一种离岗检测方法及系统 Active CN107103300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710268127.5A CN107103300B (zh) 2017-04-22 2017-04-22 一种离岗检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710268127.5A CN107103300B (zh) 2017-04-22 2017-04-22 一种离岗检测方法及系统

Publications (2)

Publication Number Publication Date
CN107103300A true CN107103300A (zh) 2017-08-29
CN107103300B CN107103300B (zh) 2020-08-04

Family

ID=59656973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710268127.5A Active CN107103300B (zh) 2017-04-22 2017-04-22 一种离岗检测方法及系统

Country Status (1)

Country Link
CN (1) CN107103300B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679471A (zh) * 2017-09-24 2018-02-09 天津大学 基于视频监控平台的室内人员空岗检测方法
CN108979211A (zh) * 2018-08-10 2018-12-11 人人家科技发展股份有限公司 一种可监测定时上岗的治安岗亭及系统
CN109190710A (zh) * 2018-09-13 2019-01-11 东北大学 基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法
CN109979057A (zh) * 2019-03-26 2019-07-05 国家电网有限公司 一种基于云计算的电力通信安防人脸智能识别系统
CN110110575A (zh) * 2018-02-01 2019-08-09 广州弘度信息科技有限公司 一种人员脱岗检测方法及装置
CN110443179A (zh) * 2019-07-29 2019-11-12 思百达物联网科技(北京)有限公司 离岗检测方法、装置以及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102426653A (zh) * 2011-10-28 2012-04-25 西安电子科技大学 基于第二代Bandelet变换和星型模型的静态人体检测方法
CN103679212A (zh) * 2013-12-06 2014-03-26 无锡清华信息科学与技术国家实验室物联网技术中心 基于视频图像的人员检测和计数方法
CN104408406A (zh) * 2014-11-03 2015-03-11 安徽中科大国祯信息科技有限责任公司 基于帧差法和减背景法的人员离岗检测方法
CN105117681A (zh) * 2015-06-29 2015-12-02 电子科技大学 基于安卓的多特征疲劳实时检测方法
US20170069071A1 (en) * 2015-09-04 2017-03-09 Electronics And Telecommunications Research Institute Apparatus and method for extracting person region based on red/green/blue-depth image
CN106570467A (zh) * 2016-10-25 2017-04-19 南京南瑞集团公司 一种基于卷积神经网络的人员离岗检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102426653A (zh) * 2011-10-28 2012-04-25 西安电子科技大学 基于第二代Bandelet变换和星型模型的静态人体检测方法
CN103679212A (zh) * 2013-12-06 2014-03-26 无锡清华信息科学与技术国家实验室物联网技术中心 基于视频图像的人员检测和计数方法
CN104408406A (zh) * 2014-11-03 2015-03-11 安徽中科大国祯信息科技有限责任公司 基于帧差法和减背景法的人员离岗检测方法
CN105117681A (zh) * 2015-06-29 2015-12-02 电子科技大学 基于安卓的多特征疲劳实时检测方法
US20170069071A1 (en) * 2015-09-04 2017-03-09 Electronics And Telecommunications Research Institute Apparatus and method for extracting person region based on red/green/blue-depth image
CN106570467A (zh) * 2016-10-25 2017-04-19 南京南瑞集团公司 一种基于卷积神经网络的人员离岗检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679471A (zh) * 2017-09-24 2018-02-09 天津大学 基于视频监控平台的室内人员空岗检测方法
CN107679471B (zh) * 2017-09-24 2020-03-06 天津大学 基于视频监控平台的室内人员空岗检测方法
CN110110575A (zh) * 2018-02-01 2019-08-09 广州弘度信息科技有限公司 一种人员脱岗检测方法及装置
CN108979211A (zh) * 2018-08-10 2018-12-11 人人家科技发展股份有限公司 一种可监测定时上岗的治安岗亭及系统
CN109190710A (zh) * 2018-09-13 2019-01-11 东北大学 基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法
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
CN109979057A (zh) * 2019-03-26 2019-07-05 国家电网有限公司 一种基于云计算的电力通信安防人脸智能识别系统
CN109979057B (zh) * 2019-03-26 2022-05-10 国家电网有限公司 一种基于云计算的电力通信安防人脸智能识别系统
CN110443179A (zh) * 2019-07-29 2019-11-12 思百达物联网科技(北京)有限公司 离岗检测方法、装置以及存储介质

Also Published As

Publication number Publication date
CN107103300B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN107103300A (zh) 一种离岗检测方法及系统
CN110852219B (zh) 一种多行人跨摄像头在线跟踪系统
CN106392304B (zh) 一种激光辅助焊缝智能寻迹系统及方法
CN101751744B (zh) 一种烟雾检测和预警方法
CN104751603B (zh) 危岩崩塌监测预警系统及方法
CN110188724A (zh) 基于深度学习的安全帽定位与颜色识别的方法及系统
CN105894529B (zh) 车位状态检测方法和装置及系统
CN111753712A (zh) 电力生产人员安全监测方法、系统以及设备
CN108764167A (zh) 一种时空关联的目标重识别方法和系统
CN110085029A (zh) 基于轨道式巡检机器人的高速公路巡检系统与方法
CN110850723A (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
CN112235537A (zh) 一种变电站现场作业安全预警方法
CN109711322A (zh) 一种基于rfcn的人车分离方法
CN103051887A (zh) 仿鹰眼智能视觉传感节点及其工作方法
CN107358778A (zh) 一种结合knn算法的火灾报警器
CN109598193A (zh) 一种基于人工智能的火焰图像识别方法
CN116148801B (zh) 一种基于毫米波雷达的目标检测方法及系统
CN105809219B (zh) 一种隧道预制管片生产线的预制管片质量检测统计系统和方法
CN110210338A (zh) 一种对目标人员的着装信息进行检测识别的方法及系统
CN105844282A (zh) 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法
JP2017224148A (ja) 人流解析システム
CN115620192A (zh) 一种高空作业安全绳穿戴检测的方法和装置
CN116189052A (zh) 基于视频流分析的安防方法、系统、智能终端及存储介质
CN111795716A (zh) 一种基于城市感知微网的管廊检修合法性判断方法
CN106683077A (zh) 一种扶梯口楼层板上大件物滞留检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant