CN107239744A - 人体关联关系的监控方法、系统及存储装置 - Google Patents

人体关联关系的监控方法、系统及存储装置 Download PDF

Info

Publication number
CN107239744A
CN107239744A CN201710337581.1A CN201710337581A CN107239744A CN 107239744 A CN107239744 A CN 107239744A CN 201710337581 A CN201710337581 A CN 201710337581A CN 107239744 A CN107239744 A CN 107239744A
Authority
CN
China
Prior art keywords
human body
incidence relation
information
image sequence
range image
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
CN201710337581.1A
Other languages
English (en)
Other versions
CN107239744B (zh
Inventor
黄源浩
肖振中
许宏淮
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.)
Shenzhen Orbbec Co Ltd
Original Assignee
Shenzhen Orbbec 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 Shenzhen Orbbec Co Ltd filed Critical Shenzhen Orbbec Co Ltd
Priority to CN201710337581.1A priority Critical patent/CN107239744B/zh
Publication of CN107239744A publication Critical patent/CN107239744A/zh
Application granted granted Critical
Publication of CN107239744B publication Critical patent/CN107239744B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • 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
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人体关联关系的监控方法、系统及存储装置，该方法包括：获取多人场景的深度图像序列；通过深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；若是，则对关联关系及关联关系相关的人体进行标记并保存；监控已标记的关联关系及相关的人体；若关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。该系统包括至少一个深度相机、处理器和存储器，深度相机和存储器均与处理器连接。该存储装置包括该存储装置存储有程序数据，该程序数据能够被执行以实现上述方法。本发明能有效防止走失、走散的情况发生，还能够在发生走失、走散之后，快速地寻找到走失的人，因而本发明能提高、改善监控效果。

Description

人体关联关系的监控方法、系统及存储装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种人体关联关系的监控方法、系统及存储装置。
背景技术
深度相机捕获场景的深度图像中每一像素具有的深度信息为场景表面到深度相机的距离，从而根据深度图像可以获取场景目标的位置信息。
在现有技术中，采用2D图像序列对场景进行监控，例如，采用2D视频进行拍摄，再根据2D视频里的图像信息来获取视频内的人物的关联信息。对现有技术的研究和实践过程中，本发明的发明人发现从2D图像序列中无法获得图像中目标的距离、位置信息，因而也不能分辨前后遮挡的位置关系，容易导致产生错误的关联关系，从而对场景的监控效果不佳。
发明内容
本发明提供一种人体关联关系的监控方法、系统及存储装置，能够解决现有技术存在监控效果差的问题。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种人体关联关系的监控方法，该方法包括以下步骤：获取多人场景的深度图像序列；通过所述深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；若是，则对所述关联关系及所述关联关系相关的人体进行标记并保存；监控已标记的关联关系及相关的人体；若所述关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种人体关联关系的监控系统，该系统包括至少一个深度相机、处理器和存储器，所述深度相机和所述存储器均与所述处理器连接；所述深度相机用于获取多人场景的深度图像序列；所述处理器用于通过所述深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；若是，则对所述关联关系及所述关联关系相关的人体进行标记；监控已标记的关联关系及相关的人体；若所述关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体；所述存储器用于对所述处理器所做的标记进行保存。
为解决上述技术问题，本发明采用的又一个技术方案是：提供一种存储装置，该存储装置存储有程序数据，所述程序数据能够被执行以实现上述方法。
本发明的有益效果是：区别于现有技术的情况，本发明通过深度图像序列来判断多个人体之间的关联关系，因而能做出准确的判断，规避误判，本发明还对关联关系和相关的人体进行标记和监控，并在关联关系发生解除时发出预警，从而能有效防止走失、走散的情况发生。此外，通过对关联关系的相关的人体进行标记和监控，还能够在发生走失、走散的情况之后，快速地寻找到走失的人。因而，本发明能提高、改善监控效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的附图。
图1是本发明提供的一种人体关联关系的监控方法实施例的流程示意图；
图2是本发明提供的一种人体关联关系的监控方法另一实施例的流程示意图；
图3是图2中步骤S22实施例的流程示意图；
图4是本发明实施例的一个场景的俯视图；
图5是图3中步骤S223实施例的流程示意图；
图6是本发明提供的一种人体关联关系的监控方法又一实施例的流程示意图；
图7是图6中步骤S32实施例的流程示意图；
图8是本发明另一实施例的一个场景的俯视图；
图9是图7中步骤S323实施例的流程示意图；
图10是图6中步骤S34实施例的流程示意图；
图11是本发明提供的一种人体关联关系的监控系统实施例的结构示意图；
图12是本发明提供的一种人体关联关系的监控系统另一实施例的结构示意图。
具体实施方式
下面将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，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本发明提供的人体关联关系的监控方法可应用于车站、游乐场等公共场合的安防监控。请参阅图1，图1是本发明提供的一种人体关联关系的监控方法实施例的流程示意图。图1所示的人体关联关系的监控方法包括步骤：
S11、获取多人场景的深度图像序列。
具体地，深度图像序列可以通过深度相机来获取，其中，多人场景可以是例如车站、游乐场等公共场合。深度图像则不仅包括空间物体的像素信息，还包括每一像素信息的深度信息，即空间内物体到深度相机之间的距离信息。深度图像序列则是指在一个时间段内的连续的深度图像。
步骤S11中，可以使用单一可移动的深度相机来追踪获取所述深度图，或者，也可以使用多个固定于不同位置的深度相机来追踪获取所述深度图。
S12、通过深度图像序列判断多个人体之间的关联关系是否为预设的关联关系。
步骤S12中，预设的关联关系可以是跟随，其中，跟随可以是近距离但没有接触的跟随，当然，在一些实施例中，跟随也可以包括牵手和抱婴等。
S13、若是，则对关联关系及关联关系相关的人体进行标记并保存。
在判断人体之间的关联关系为预设的关联关系之后，则对该关联关系进行标记并保存，以便于对该关联关系进行追踪监控，同时，对该关联关系相关的人体进行标记并保存，以便于对该人体进行追踪监控。
S14、监控已标记的关联关系及相关的人体。
具体地，S14中的监控为持续追踪该标记的关联关系及相关的人体，以监控该关联关系是否会解除或者发生其它变化，或者该关联关系相关的人体的走向等信息。
其中，监控的方式有多种，例如，在一些实施例中，可以通过深度相机进行移动追踪，该深度相机可以具有里程记录功能。当然，在另一些实施例中，可以通过在不同的位置固定多个深度相机，以使多个深度相机对多个场景进行拍摄。并且，可以使多个深度相机所拍摄的场景连贯衔接起来，从而减少或者避免盲区的出现。
S15、若关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
在监控的过程中，若标记的关联关系发生变化，例如该关联关系发生解除，则发出预警，例如，如果在游乐场或者车站等公共场所，若监控到家长和小孩之间的关联关系解除，则可以通过广播提示家长要注意看管好小孩，也可以在监控画面中发出预警，以引起公共场所的监控工作人员的注意，从而可以通过工作人员进行提示。从而能够预防发生走散、走失的情况。
在关联关系解除之后，仍继续监控该关联关系相关的人体，从而使得预警发出之后，即使相关的人仍然没有意识到发生了走失的情况，也能在发现走失后能快速获知该标记的人体的去向，从而能快速寻找到走失的人。
区别于现有技术，本发明通过深度图像序列来判断多个人体之间的关联关系，因而能做出准确的判断，规避误判，本发明还对关联关系和相关的人体进行标记和监控，并在关联关系发生解除时发出预警，从而能有效防止走失、走散的情况发生。此外，通过对关联关系的相关的人体进行标记和监控，还能够在发生走失、走散的情况之后，快速地寻找到走失的人。因而，本发明能提高、改善监控效果。
请参阅图2，图2是本发明提供的一种人体关联关系的监控方法另一实施例的流程示意图。
S21、获取多人场景的深度图像序列。
S22、通过深度图像序列判断多个人体之间的关联关系是否为跟随。
具体地，如图3所示，图3是图2中步骤S22实施例的流程示意图。步骤S22进一步包括：
S221、从深度图像序列中识别多个人体。
步骤S221中，可以基于深度图像来获取该深度图像中出现的人体的深度图轮廓，从而识别出人体。
具体地，首先可以除去深度图像中的背景。例如，可以在深度图中初步确定一个斑块(blob，即，具有相似值的像素的连接组)作为对象的身体，然后从该斑块中去除具有明显不同深度值的其它斑块。以这种方式初步确定的斑块通常必须具有某个最小尺寸。然而，为此，斑块边缘处的像素坐标之间的简单的欧几里德距离不给出该尺寸的准确测量。该不准确的原因是，与具有给定实际尺寸的物体相对应的斑块的尺寸(以像素为单位)随着该物体与设备的距离的变化而增加或减小。
因此，为了确定物体的实际尺寸，首先使用下面的公式将物体的(x，y，深度)坐标变换为“现实世界”坐标(xr，yr，深度)：
xr＝(x-fovx/2)*像素尺寸*深度/参考深度
yr＝(y-fovy/2)*像素尺寸*深度/参考深度
这里，fovx和fovy为x和y方向上的深度图的视野(以像素为单位)。像素尺寸为，在离绘图设备给定距离(参考深度)处像素所对着的长度。然后，斑块的尺寸可以通过求该斑块边缘的现实世界坐标之间的欧几里德距离来实际确定。
因此，可以通过识别具有所要求的最小尺寸的斑块来除去深度图像中的背景，其中，该斑块在场景中的各斑块中间具有最小平均深度值。可以假设，距离深度相机最近的斑块为人体，深度比该平均深度值大了至少某个阈值的所有像素都被假定属于背景物体，并将这些像素的深度值设置为零值。其中，上述阈值可以根据实际需要来确定。此外，在一些实施例中，还可以将具有明显小于所述斑块的平均深度值的深度值的各像素置零。另外，还可以预先设定一个最大深度，从而忽略超过该最大深度的物体。
在一些实施例中，还可以动态地确定深度值，超过该深度值的话，物体就从深度图中去除。为此，假设场景中的物体正在移动。因此，在某最小数目个帧中深度没有变化的任何像素都被假设是背景物体。深度值大于该静态深度值的像素被认为是属于背景物体的，因此都被置零。开始，场景中的所有像素可以都被定义为静态，或者场景中的所有像素可以都被定义为非静态的。在这两种情形中，一旦对象开始运动，就可以动态生成实际的深度过滤器。
当然，还可以通过现有技术中已知的其它方法来除去深度图像中的背景。
在除去背景之后，可以通过边缘检测方法在深度图中找出身体的外部轮廓。本实施例中，采用两步阈值化机制来找出人体的轮廓：
首先，遍历深度图像中与人形相对应的斑块中的所有像素，并且，如果任何给定像素具有有效深度值，并且如果该像素与其四个相连的邻近像素(右、左、上和下)中的至少一个像素之间的深度值之差大于第一阈值，则将其标记为轮廓位置。(其中，有效深度值和零值之间的差被认为是无穷大)。
然后，在完成了上一步骤之后，再次遍历该斑块，并且如果在任何像素(该像素还没有被标记为轮廓位置)的八个相连的邻近像素之中有轮廓像素，并且如果当前像素和剩下的相连邻近位置中的至少一个像素之间的深度值之差大于第二阈值(低于所述第一阈值)，则将其标记为轮廓位置。
在找出人体的外轮廓之后，再识别身体的各个部位，例如，头部、躯干和四肢。
先旋转深度图像，使得身体轮廓处于竖直位置。该转动的目的是为了通过将身体的纵轴与Y坐标(垂直)轴对齐来简化下述步骤中的计算。可选择地，下述计算可以相对于身体的纵轴来执行，而不需要进行该转动，如本领域技术人员所了解的。
在识别身体的各个部位之前，可以先找出身体的3D轴。具体地，找出身体的3D轴可以采用以下方法：
将原始深度图像下采样(down-sample)为节点栅格，其中，在X方向和Y方向上隔n个像素取一个节点。基于以节点为中心的n×n方块中的深度值来计算每个节点的深度值。如果方块中多于半数像素具有零值，则将相应节点设置为零值。否则，将该节点设置为n×n方块中的有效深度值的平均值。
然后，可以基于邻近节点的值来进一步“清理”该下采样的深度图像：如果给定节点的大部分相邻节点具有零值，则将该节点也设置为零值(即使在前述步骤之后它具有有效的深度值)。
在上述步骤完成时，找出下采样的图中所剩节点的纵轴。为此，可以进行线性最小二乘拟合来找出最拟合各节点的线。可选择地，可以拟合围绕各节点的一个椭圆并找出其主轴。
在找出身体的3D轴之后，通过在平行和垂直于纵轴的方向上测量身体轮廓的厚度来识别身体的躯干。为此，可以在身体轮廓的周围限定约束框，然后可以对该框中的像素值进行二值化：将具有零深度值的像素设为0，而将具有非零深度值的像素设为1。
然后，通过沿着相应的垂直线对二进制像素值进行相加，对框内的每个X值计算纵向厚度值，并通过沿着相应的水平线对二进制像素值进行加和，对每个Y值计算横向厚度值。对所得到的值应用阈值，以便识别沿着哪些条垂直线和水平线轮廓相对厚。
当轮廓某一水平区域的横向厚度超过X阈值，某一垂直区域的纵向厚度超过Y阈值时，该水平区域和垂直区域的交集可以确定为躯干。
在确定了躯干之后，可以基于几何考虑来识别身体的头部和四肢。手部手臂是连接到躯干区域的左侧和右侧的区域；头部是躯干区域上方的连接区域；腿部是躯干区域下方的连接区域。还可以将躯干区域的左上角和右上角初步识别为肩膀。
当轮廓以及人体的各个部位均识别出来之后，即可在深度图像中识别出人体。
S222、获取多个人体在深度图像序列中的空间位置信息。
具体而言，空间位置信息包括在深度相机的相机坐标系中的第一坐标，以及在场景所在的世界坐标系中的第二坐标。例如，人体在以深度相机所在位置为原点的相机坐标系中的位置为第一坐标，人体在以场景空间中某个特定点为原点的世界坐标系中的位置为第二坐标。
在本实施例中，空间位置信息为人体位置信息，即人体在相机坐标系和世界坐标系中位置信息。
当步骤S221识别出人体之后，可以根据步骤S221中识别出的人体轮廓、人体部位等信息获取人体的特定点的位置，即该点在相机坐标系中的坐标。
人体位置信息可以是人体的躯干的质心的位置信息。例如，人体的躯干的质心在相机坐标系中的坐标。步骤S221中，当从轮廓中识别出躯干、头部、右壁、左臂、右腿和左腿之后，可以确定身体每个区域的质心。其中，区域的质心指该区域的代表深度或位置。为此，例如，可以生成区域内深度值的直方图，并将具有最高频率的深度值(或具有最高频率的两个或多个深度值的平均值)设为该区域的质心。确定了躯干的质心之后，即可确定人体的躯干的质心在相机坐标系中的坐标。
值得一提的是，本发明中的质心是指通过深度图像处理所获取的质心，而并非物理质心。本发明的质心可以通过质心法获取，也可以通过其它方法获取，本发明不做限定。
如图4所示，图4是本发明实施例的一个场景的俯视图。深度相机10所拍摄的场景内有人体A、人体B和人体C，根据深度相机10拍摄的深度图像可以确定人体A的躯干的质心在相机坐标系中的坐标为(x1,y1,z1)，人体A的躯干的质心在世界坐标系中的坐标为(x1’,y1’,z1’)，人体B的躯干的质心在相机坐标系中的坐标为(x2,y2,z2)，人体B的躯干的质心在世界坐标系中的坐标为(x2’,y2’,z2’)，人体C的躯干的质心在相机坐标系中的坐标为(x3,y3,z3)，人体C的躯干的质心在世界坐标系中的坐标为(x3’,y3’,z3’)。
当然，在其它一些实施例中，人体位置信息还可以是人体轮廓上特定点的位置信息，可以通过步骤S221识别的人体的轮廓来确定人体的轮廓上特定点，从而确定其在相机坐标系上的坐标。在另一些实施例中，人体位置信息还可以是人体的部位或者该部位的质心(或中心)的位置信息，可以通过骤S221识别的人体头部、肩膀、四肢等部位，从而确定该人体部位在相机坐标系上的坐标，或者通过上述方法确定该人体部位的质心，从而确定该人体部位的质心在相机坐标系上的坐标。
S223、根据多个人体的空间位置信息及多个人体的空间位置信息之间的关系所持续的时长来判断多个人体之间的关联关系。
具体而言，根据多个人体的空间位置信息可以获取多个人体之间的位置关系，从而可以根据该位置关系以及持续的时长来判断多个人体之间的关联关系。
请参阅图5，图5是图3中步骤S223实施例的流程示意图。本实施例的步骤S223包括：
S2231、根据人体位置信息计算多个人体之间的人体距离信息。
具体地，可以通过各人体在相机坐标系中的坐标值来计算多个人体之间的人体距离信息。其中，人体距离信息可以是多个人体的轮廓边缘之间的距离，人体距离信息还可以是多个人体的人体质心或者人体中心之间的距离，此外，人体距离信息还可以是多个人体的某个人体部位，例如，人体的头部、肩膀等或者该部位的质心或中心的距离。
举例而言，图4中的人体A和人体B之间的距离信息S1是人体A的质心和人B的质心之间的距离，其计算方法为：
同理，人体A的躯干的质心和人体C的躯干的质心之间的距离信息S2的计算方法为：
人体B的躯干的质心和人体的躯干的质心C之间的距离信息S3的计算方法为：
值得一提的是，当识别出多个人体的时候，人体距离信息包括多个人体中两两人体之间的距离信息。
当然，在其它一些实施例中，也可以通过世界坐标系中的坐标来计算人体之间的距离。
S2232、将人体距离信息与预设的人体距离阈值比较。
具体地，步骤S2232之前，可以预设一人体距离阈值以使实际人体距离信息与该人体距离阈值比较，从而作为判断人体关联关系的一个标准。
人体距离阈值S0可以是0-1m，例如，0-0.6m，具体可以是0.2m，0.3m，0.4m或者0.5m，可以理解地，在其它一些实施例中，人体距离阈值还可以是其它值，可以根据实际需求设定，本发明不做限定。
例如，本实施例中，S0＝0.5m，S1＝0.2m，S2＝1.5m，S3＝1.2m，可以得出比较结果：S1＜S0，S2＞S0，S3＞S0，即，人体A和人体B之间的距离信息小于人体距离阈值，表示人体A和人体B的距离较近，并且可能是跟随关系，但人体A和人体B的近距离关系有可能为偶然发生的，因而需要进入步骤S2233-S2234排除此种偶然发生的近距离关系。而人体B和人体C之间的距离较远，人体A和人体C之间的距离也较远，因而认为人体B和人体C之间、人体A和人体C之间均不是跟随关系。
S2233、若人体距离信息小于或等于人体距离阈值，则检测人体距离信息小于或等于人体距离阈值的状态的第一持续时长。
检测第一持续时长可以从检测到人体距离信息小于或等于人体距离阈值时开始进行计时。
S2234、当第一持续时长达到预设的第一时间阈值时，则判断多个人体之间的关联关系为跟随。
步骤S2234即从开始计时到所计时长达到预设的第一时间阈值时即做出判断。
其中，第一时间阈值可以在步骤S2234前预先设定，以将人体距离信息小于或等于人体距离阈值的状态的第一持续时长与预设的第一时间阈值进行比较，从而作为判断人体关联关系的另一个标准。
具体地，该第一时间阈值t0可以是30-90s，例如，30-70s，具体可以是45s，50s或者60s等。当然，在其它一些实施例中，第一时间阈值还可以是其它数值，具体根据实际需要而设定，本发明不做限定。
当该第一持续时长达到第一时间阈值时，表示人体之间在较长的时间段内维持了较近距离的位置关系，因而可以判断该人体之间的关联关系为跟随。
例如，本实施例中，t0＝60s，当检测到人体A和人体B的距离信息小于人体距离阈值的状态所维持的第一持续时长达到60s时，表示人体A和人体B在较长的时间内保持较近的距离，则判断人体A和人体B之间的关联关系为跟随。从而进入步骤S23。
可以理解地，若第一持续时长未达到第一时间阈值，表示人体A和人体B之间近距离状态持续的时间并不长，表示人体A和人体B之间仅是偶然地发生近距离状态，因而可以认为人体A和人体B之间并不是跟随关系，因而不会进入步骤S23。
S23、若是，则对关联关系及关联关系相关的人体进行标记并保存。
例如，本实施例在判断人体A和人体B之间是跟随关系之后，可以将该跟随的关联关系进行标记，同时对该人体A和人体B分别进行标记，并保存，以便于后期对该关联关系及相关的人体进行跟踪监控。
S24、监控已标记的关联关系及相关的人体。
本实施例中，通过在公共场所的不同位置设置多个深度相机，从而能监控已标记的跟随的关联关系，同时监控已标记的人体A和人体B。
监控已标记的关联关系可以是监控关联关系是否发生变化，例如是否发生解除。
值得一提的是，由于在步骤S222中同时获取了人体的第二坐标，因此，在步骤S24中，可以通过多个相机所拍摄的深度图像中的场景内的特定的点作为标记，将多个深度相机所拍摄的场景归一化为一个世界坐标系，从而得出人体A和人体B在各个深度相机所拍摄的深度图像中的第二坐标。
S25、若关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
举例而言，人体A和人体B之间的跟随关系是否发生解除，可以根据人体A和人体B之间的距离信息来判断，例如，如果人体A和人体B之间的距离信息S1大于人体距离阈值S0，则判断，人体A和人体B之间的跟随关系发生解除。
当该关联关系发生解除时，即发出预警，以提示人们注意看管好跟随关系的人，或者注意保持跟随关系。例如，人体A为家长，人体B为该家长的小孩，当家长接收到预警信息之后，会即刻注意看管好小孩，保持小孩与其的跟随关系。
若预警均未引起人体A和人体B的注意，各深度相机还会继续监控人体A和人体B，并从深度图像序列中获取人体A和人体B在世界坐标中的位置，例如，(x1’,y1’,z1’)和(x2’,y2’,z2’)，从而便于寻找到人体A和人体B，防止走失。
请参阅图6，图6是本发明提供的一种人体关联关系的监控方法又一实施例的流程示意图。
S31、获取多人场景的深度图像序列。
S32、通过深度图像序列判断多个人体之间的关联关系是否为跟随。
具体而言，如图7所示，图7是图6中步骤S32实施例的流程示意图。步骤S32进一步包括：
S321、从深度图像序列中识别多个人体，并根据识别出的多个人体进一步识别人体部位。
步骤S321中，可以基于深度图像来获取该深度图像中出现的人体的深度图轮廓，从而识别出人体。
具体地，人体部位可以是人体的躯干或者四肢等部位，其中，人体部位可以通过上一实施例中的方法来识别，在此不再赘述。例如，本实施例中的人体部位为手部，手部可以在识别出左、右臂之后，识别左、右臂的外端部为手部。在深度图像序列中通过人体的轮廓识别出人体之后，可以进一步通过该人体的部位的轮廓来识别出人体的部位。例如，通过手部的轮廓信息来识别人体的手部。
S322、获取多个人体部位在深度图像序列中的部位位置信息。
具体而言，部位位置信息包括人体部位在深度相机的相机坐标系中的第一坐标，以及在场景所在的世界坐标系中的第二坐标。例如，人体部位在以深度相机所在位置为原点的相机坐标系中的位置为第一坐标，人体部位在以场景空间中某个特定点为原点的世界坐标系中的位置为第二坐标。
其中，部位位置信息可以是人体部位的轮廓上特定点在在相机坐标系中的坐标，还可以是人体部位的质心或中心在相机坐标系中的坐标。人体部位的轮廓以及人体部位的质心的获取可以通过上一实施例中所述的方法，在此不再赘述。
例如，如图8所示，图8是本发明另一实施例的一个场景的俯视图。图5中深度相机10所拍摄的场景内有人体D和人体E，通过深度相机10拍摄的深度图像可以确定，人体D的手的质心在相机坐标系中的坐标为(x4,y4,z4)，人体D的手的质心在世界坐标系中的坐标为(x4’,y4’,z4’)。人体E的手的质心在相机坐标系中的坐标为(x5,y5,z5)，人体E的手的质心在世界坐标系中的坐标为(x5’,y5’,z5’)。
S323、根据多个人体的部位位置信息及多个人体的部位位置信息之间的关系所持续的时长来判断多个人体之间的关联关系。
请参阅图9，图9是图7中步骤S323实施例的流程示意图。具体地，步骤S323包括：
S3231、根据部位位置信息计算多个人体的人体部位之间的部位距离信息。
具体地，可以通过各人人体部位在相机坐标系中的坐标值来计算多个人体部位之间的部位距离信息。部位距离信息可以是人体部位的轮廓的特定点之间的距离，也可以是人体部位的质心或者中心之间的距离。
举例而言，图8中的人体D的手的质心和人体E的手的质心之间的距离信息S4的计算方法为：
当然，在其它实施例中，也可以通过人体D的手和人体E的手的世界坐标来计算。
S3232、将部位距离信息与预设的部位距离阈值比较。
其中，部位距离阈值可以在步骤S3232之前预先设置好，以作为判断人体关联关系的一个标准。
部位距离阈值S0’可以是0-0.03m，例如，0.01m，0.02m，或者0.03m，可以理解地，在其它一些实施例中，部位距离阈值还可以是其它值，可以根据实际需求设定，本发明不做限定。
本实施例中，S0’＝0.02m，S4＝0m，即人体D的手部和人体E的手部之间的距离信息小于部位距离阈值，S4＜S0’，表示人体D的手部和人体E的手部距离较近，本实施例中，S4＝0m，可表示人体D的手部和人体E的手部接触，但是人体D的手部和人体E的手部的近距离的关系有可能为偶然发生的状态，因而需要进入步骤S3233-S3234排除此种偶然发生的近距离关系。
S3233、若部位距离信息小于或等于部位距离阈值，则检测部位距离信息小于或等于部位阈值距离的状态的第二持续时长。
步骤S3233中，在检测到部位距离信息小于或等于部位距离阈值时即开始计时，以检测第二持续时长。
S3234、当第二持续时长达到预设的第二时间阈值时，则判断多个人体之间的关联关系为跟随。
步骤S3234即从开始计时到所计时长达到第二时间阈值时即做出判断。
其中，第二时间阈值可以在步骤S3233前预先设定，以将部位距离信息小于或等于部位距离阈值的状态的第二持续时长与预设的第二时间阈值进行比较，从而作为判断人体关联关系的另一个标准。
具体地，该第二时间阈值t0’可以是1-10s，例如，1-4s，或者5s-9s，具体可以是2s，3s，4s，6s或者8s等。可以理解地，在其它一些实施例中，第二时间阈值还可以是其它数值，具体根据实际需要而设定，本发明不做限定。
当该第二持续时长达到第二时间阈值时，表示人体部位之间在较长的时间段内维持了相互接触的关系，因而可以判断该两个人体之间的关联关系为跟随。
例如，本实施例中，t0’＝2s，人体D的手部和人体E的手部的距离信息小于部位距离阈值的状态的第二持续时长达到2s时，表示人体D的手部和人体E的手部在较长的时间内保持接触的关系，表示人体D和人体E之间的关联关系为牵手，本实施例将牵手作为跟随关系的一种情况，因此，判断人体D和人体E之间的关联关系为跟随，然后进入步骤S33。
可以理解地，若第二持续时长未达到第二时间阈值，则表示人体D的手部和人体E的手部之间仅是偶然地发生接触，该接触状态持续的时间并不长，因而可以认为人体D和人体E之间并不是跟随关系，因而不会进入步骤S33。
S33、若是，则对关联关系及关联关系相关的人体进行标记并保存。
判断人体D和人体E之间是跟随关系之后，可以将该跟随的关联关系进行标记，同时对该人体D和人体E分别进行标记并保存，以便于后期对该关联关系及相关的人体进行跟踪监控。
可以理解地，在其它一些实施例中，人体D和人体E之间还可能是其它状态，例如抱婴状态。此时，人体D和人体E之间，不管是人体之间的人体距离信息还是人体部位之间的部位距离信息均为0，再结合持续时长，则可以通过深度图像序列准确地进行判断。
在本发明的一些实施例中，可以直接通过人体之间的距离及该距离维持的时间来判断人体的关联关系。在另一些实施例中，也可以至二级通过人体部位之间的距离及该距离维持的时间来判断人体的关联关系。在又一些实施例中，还可以是结合人体之间的距离及其持续时间以及通过人体部位之间的距离及其持续时间进行判断，例如，先通过人体之间的距离及其持续时间进行判断，若判断为非跟随关系，则再通过人体部位之间的距离及其持续时间进行判断，以使判断结果更加准确。
S34、监控已标记的关联关系及相关的人体。
步骤S33已对人体D和人体E进行标记，并标记了人体D和人体E之间的关联关系为跟随，则对人体D和人体E进行监控，同时监控人体D和人体E之间的跟随关系。
具体地，如图10所示，图10是图6中步骤S34实施例的流程示意图。本实施例的步骤S34还包括以下步骤：
S341、持续获取不同场景的深度图像序列。
例如，通过单个深度相机对人体进行追踪拍摄，或者，也可以通过将多个深度相机设置在场所的不同位置，以持续跟踪拍摄已标记人体及关联关系，从而进行监控。
举例而言，在车站中，不同的位置设置有多个深度相机，以形成连续的监控区，因而，人体D和人体E无论走到监控区内的任何位置，均会出现在深度图像序列中。
S342、检测深度图像序列中是否包含已标记的人体。
检测不同场景获取的深度图像序列，以确定该深度图像序列中是否包括已标记的人体。
例如，在某一场景中检测该场景的深度图像序列内是否包含人体D和人体E。
S343、若包含所述已标记的人体，则检测深度图像序列中是否包含该已标记的人体的关联关系。
如果在步骤S342中检测到人体D和人体E，则进一步检测人体D和人体E之间的关联关系是否包含已标记的跟随的关联关系。
S344、若不包含所述关联关系，则表示关联关系发生解除。
如果步骤S343中检测到人体D和人体E之间没有跟随的关联关系，则表示关联关系发生解除，从而进入步骤S35。
S35、若关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
当步骤S344判断出关联关系发生解除，则发出预警，以提示人们注意看管好跟随关系的人，或者注意保持跟随关系。例如，人体D为家长，人体E为该家长的小孩，当家长接收到预警信息之后，会即刻注意看管好小孩，保持小孩与其的跟随关系。
如果预警并未引起人体D和人体E的注意，各个位置处的深度相机还会继续监控人体D和人体E，并通过归一化后的世界坐标获取人体D和人体E在该世界坐标中的位置，以便于快速寻找到人体D或人体E，防止走失。
请参阅图11和图12，图11是本发明提供的一种人体关联关系的监控系统实施例的结构示意图，图12是本发明提供的一种人体关联关系的监控系统另一实施例的结构示意图。其中，人体关联关系的监控系统包括至少一个深度相机10、处理器11和存储器12，深度相机10和存储器12均与处理器11连接。图11所示的人体关联关系的监控系统包括一个深度相机10，图12所示的人体关联关系的监控系统包括多个深度相机10。
具体地，深度相机10用于获取多人场景的深度图像序列。其中，深度图像序列可以通过深度相机来获取，其中，多人场景可以是例如车站、游乐场等公共场合。深度图像则不仅包括空间物体的像素信息，还包括每一像素信息的深度信息，即空间内物体到深度相机之间的距离信息。深度图像序列则是指在一个时间段内的连续的深度图像。
处理器11用于通过深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；若是，则对关联关系及关联关系相关的人体进行标记；监控已标记的关联关系及相关的人体；若关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
存储器用于对处理器所做的标记进行保存。
举例而言，预设的关联关系可以是跟随，其中，跟随可以是近距离但没有接触的跟随，当然，在一些实施例中，跟随也可以包括牵手和抱婴等。在判断人体之间的关联关系为预设的关联关系之后，则对该关联关系进行标记并保存，以便于对该关联关系进行追踪监控，同时，对该关联关系相关的人体进行标记并保存，以便于对该人体进行追踪监控。监控为持续追踪该标记的关联关系及相关的人体，以监控该关联关系是否会解除或者发生其它变化，或者该关联关系相关的人体的走向等信息。
其中，空间位置信息可以包括在深度相机的相机坐标系中的第一坐标，以及在场景所在的世界坐标系中的第二坐标。
监控的方式有多种，例如，在一些实施例中，可以通过一个深度相机进行移动追踪，该深度相机可以具有里程记录功能。当然，在另一些实施例中，可以通过在不同的位置固定多个深度相机，以使多个深度相机对多个场景进行拍摄。并且，可以使多个深度相机所拍摄的场景连贯衔接起来，从而减少或者避免盲区的出现。
在监控的过程中，若标记的关联关系发生变化，例如该关联关系发生解除，则发出预警，例如，如果在游乐场或者车站等公共场所，若监控到家长和小孩之间的关联关系解除，则可以通过广播提示家长要注意看管好小孩，也可以在监控画面中发出预警，以引起公共场所的监控工作人员的注意，从而可以通过工作人员进行提示。从而能够预防发生走散、走失的情况。
在关联关系解除之后，仍继续监控该关联关系相关的人体，从而使得预警发出之后，即使相关的人仍然没有意识到发生了走失的情况，也能在发现走失后能快速获知该标记的人体的去向，从而能快速寻找到走失的人。
在一实施例中，深度相机10还用于持续获取不同场景的深度图像序列。处理器11还用于检测深度图像序列中是否包含已标记的人体；若包含所述已标记的人体，则检测深度图像序列中是否包含该已标记的人体的关联关系；若不包含所述关联关系，则表示关联关系发生解除。
在另一实施例中，处理器11还用于从深度图像序列中识别多个人体；获取多个人体在深度图像序列中的空间位置信息；根据多个人体的空间位置信息及多个人体的空间位置信息之间的关系所持续的时长来判断多个人体之间的关联关系。
在又一实施例中，预设的关联关系为跟随，空间位置信息为人体位置信息。处理器11还用于根据人体位置信息计算多个人体之间的人体距离信息；将人体距离信息与预设的人体距离阈值比较；若人体距离信息小于或等于人体距离阈值，则检测人体距离信息小于或等于人体距离阈值的状态的第一持续时长；当第一持续时长达到预设的第一时间阈值时，则判断多个人体之间的关联关系为跟随。
在另一实施例中，述预设的关联关系为跟随，空间位置信息为人体部位位置信息。
处理器11还用于根据识别出的多个人体进一步识别人体部位；获取多个人体部位在深度图像序列中的部位位置信息；根据部位位置信息计算多个人体的人体部位之间的部位距离信息；将部位距离信息与预设的部位距离阈值比较；若部位距离信息小于或等于部位距离阈值，则检测部位距离信息小于或等于部位阈值距离的状态的第二持续时长；当第二持续时长达到预设的第二时间阈值时，则判断多个人体之间的关联关系为跟随。
本发明还提供了一种存储装置，该存储装置存储有程序数据，该程序数据能够被执行以实现上述任一实施例的人体关联关系的监控方法。
举例而言，该存储装置可以是便携式存储介质，例如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等。可以理解地，存储装置还可以是服务器等各种可以存储程序代码的介质。
综上所述，本发明能有效防止走失、走散的情况发生，还能够在发生走失、走散之后，快速地寻找到走失的人，因而本发明能提高、改善监控效果。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (15)

1.一种人体关联关系的监控方法，其特征在于，包括以下步骤：
获取多人场景的深度图像序列；
通过所述深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；
若是，则对所述关联关系及所述关联关系相关的人体进行标记并保存；
监控已标记的关联关系及相关的人体；
若所述关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体。
2.根据权利要求1所述的方法，其特征在于，所述监控已标记的关联关系及相关的人体的步骤包括：
持续获取不同场景的深度图像序列；
检测所述深度图像序列中是否包含已标记的人体；
若包含所述已标记的人体，则检测所述深度图像序列中是否包含该已标记的该人体的关联关系；
若不包含所述关联关系，则表示所述关联关系发生解除。
3.根据权利要求1所述的方法，其特征在于，所述通过所述深度图像序列判断多个人体之间的关联关系是否为预设的关联关系的步骤包括：
从所述深度图像序列中识别多个人体；
获取所述多个人体在所述深度图像序列中的空间位置信息；
根据所述多个人体的空间位置信息及所述多个人体的空间位置信息之间的关系所持续的时长来判断所述多个人体之间的关联关系。
4.根据权利要求3所述的方法，其特征在于，所述预设的关联关系为跟随；
所述获取所述多个人体在所述深度图像序列中的空间位置信息的步骤中，所述空间位置信息为人体位置信息；
所述根据所述多个人体的空间位置信息及所述空间位置信息所持续的时长判断所述多个人体之间的关联关系的步骤包括：
根据所述人体位置信息计算多个人体之间的人体距离信息；
将所述人体距离信息与预设的人体距离阈值比较；
若所述人体距离信息小于或等于所述人体距离阈值，则检测所述人体距离信息小于或等于所述人体距离阈值的状态的第一持续时长；
当所述第一持续时长达到预设的第一时间阈值时，则判断所述多个人体之间的关联关系为跟随。
5.根据权利要求3所述的方法，其特征在于，所述预设的关联关系为跟随；
所述从所述深度图像序列中识别多个人体的步骤中，还包括：
根据识别出的所述多个人体进一步识别人体部位；
所述获取所述多个人体在所述深度图像序列中的空间位置信息的步骤中，所述空间位置信息为人体部位的部位位置信息；
所述根据所述多个人体的空间位置信息及所述空间位置信息所持续的时长判断所述多个人体之间的关联关系的步骤包括：
根据所述部位位置信息计算多个人体的人体部位之间的部位距离信息；
将所述部位距离信息与预设的部位距离阈值比较；
若所述部位距离信息小于或等于所述部位距离阈值，则检测所述部位距离信息小于或等于所述部位阈值距离的状态的第二持续时长；
当所述第二持续时长达到预设的所述第二时间阈值时，则判断所述多个人体之间的关联关系为跟随。
6.根据权利要求3所述的方法，其特征在于，所述获取所述多个人体在所述深度图像序列中的空间位置信息的步骤中，所述空间位置信息包括在深度相机的相机坐标系中的第一坐标，以及在场景所在的世界坐标系中的第二坐标。
7.根据权利要求1所述的方法，其特征在于，所述获取多人场景的深度图像序列的步骤中，使用单一可移动的深度相机来追踪获取所述深度图，或者使用多个固定于不同位置的深度相机来追踪获取所述深度图。
8.一种人体关联关系的监控系统，其特征在于，包括至少一个深度相机、处理器和存储器，所述深度相机和所述存储器均与所述处理器连接；
所述深度相机用于获取多人场景的深度图像序列；
所述处理器用于通过所述深度图像序列判断多个人体之间的关联关系是否为预设的关联关系；若是，则对所述关联关系及所述关联关系相关的人体进行标记；监控已标记的关联关系及相关的人体；若所述关联关系发生解除，则发出预警，并继续监控该关联关系相关的人体；
所述存储器用于对所述处理器所做的标记进行保存。
9.根据权利要求8所述的系统，其特征在于，所述深度相机还用于持续获取不同场景的深度图像序列；
所述处理器还用于检测所述深度图像序列中是否包含已标记的人体；若包含所述已标记的人体，则检测所述深度图像序列中是否包含该已标记的人体的关联关系；若不包含所述关联关系，则表示所述关联关系发生解除。
10.根据权利要求8所述的系统，其特征在于，所述处理器还用于从所述深度图像序列中识别多个人体；获取所述多个人体在所述深度图像序列中的空间位置信息；根据所述多个人体的空间位置信息及所述多个人体的空间位置信息之间的关系所持续的时长来判断所述多个人体之间的关联关系。
11.根据权利要求10所述的系统，其特征在于，所述预设的关联关系为跟随，所述空间位置信息为人体位置信息；
所述处理器还用于根据所述人体位置信息计算多个人体之间的人体距离信息；将所述人体距离信息与预设的人体距离阈值比较；若所述人体距离信息小于或等于所述人体距离阈值，则检测所述人体距离信息小于或等于所述人体距离阈值的状态的第一持续时长；当所述第一持续时长达到预设的第一时间阈值时，则判断所述多个人体之间的关联关系为跟随。
12.根据权利要求10所述的系统，其特征在于，所述预设的关联关系为跟随，所述空间位置信息为人体部位位置信息；
所述处理器还用于根据识别出的所述多个人体进一步识别人体部位；获取所述多个人体部位在所述深度图像序列中的部位位置信息；根据所述部位位置信息计算多个人体的人体部位之间的部位距离信息；将所述部位距离信息与预设的部位距离阈值比较；若所述部位距离信息小于或等于所述部位距离阈值，则检测所述部位距离信息小于或等于所述部位阈值距离的状态的第二持续时长；当所述第二持续时长达到预设的所述第二时间阈值时，则判断所述多个人体之间的关联关系为跟随。
13.根据权利要求10所述的系统，其特征在于，所述空间位置信息包括在深度相机的相机坐标系中的第一坐标，以及在场景所在的世界坐标系中的第二坐标。
14.根据权利要求8所述的系统，其特征在于，所述深度相机包括单一可移动的深度相机，或者所述深度相机包括多个固定于不同位置的深度相机，以追踪获取所述深度图。
15.一种存储装置，其特征在于，存储有程序数据，所述程序数据能够被执行以实现如权利要求1至7任一项所述的方法。
CN201710337581.1A 2017-05-15 2017-05-15 人体关联关系的监控方法、系统及存储装置 Active CN107239744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710337581.1A CN107239744B (zh) 2017-05-15 2017-05-15 人体关联关系的监控方法、系统及存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710337581.1A CN107239744B (zh) 2017-05-15 2017-05-15 人体关联关系的监控方法、系统及存储装置

Publications (2)

Publication Number Publication Date
CN107239744A true CN107239744A (zh) 2017-10-10
CN107239744B CN107239744B (zh) 2020-12-18

Family

ID=59984973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710337581.1A Active CN107239744B (zh) 2017-05-15 2017-05-15 人体关联关系的监控方法、系统及存储装置

Country Status (1)

Country Link
CN (1) CN107239744B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280964A (zh) * 2018-02-02 2018-07-13 深圳市盛路物联通讯技术有限公司 一种数据处理的方法及装置
CN109035686A (zh) * 2018-07-10 2018-12-18 北京三快在线科技有限公司 一种预防丢失的报警方法及装置
CN110298293A (zh) * 2019-06-25 2019-10-01 重庆紫光华山智安科技有限公司 一种防走失方法、装置、可读存储介质及电子终端
CN110414339A (zh) * 2019-06-21 2019-11-05 武汉倍特威视系统有限公司 基于视频流数据的审讯室人员近距离接触识别方法
CN110782627A (zh) * 2019-09-23 2020-02-11 武汉职业技术学院 一种基于多人人脸识别的防走失系统
CN111210590A (zh) * 2019-12-27 2020-05-29 恒大智慧科技有限公司 智慧社区内儿童走失预警方法、设备及可读存储介质
CN111539254A (zh) * 2020-03-26 2020-08-14 深圳市商汤科技有限公司 目标检测方法、装置、电子设备及计算机可读存储介质
CN111667664A (zh) * 2019-03-08 2020-09-15 本田技研工业株式会社 迷路儿童预防支援系统
WO2022057804A1 (zh) * 2020-09-16 2022-03-24 青岛维感科技有限公司 一种间距监测方法、装置、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063725A (zh) * 2010-12-30 2011-05-18 Tcl集团股份有限公司 一种基于深度信息的多目标跟踪方法
CN102103786A (zh) * 2011-03-03 2011-06-22 南昌大学 一种基于无线通讯技术追踪监护的系统和方法
CN102148921A (zh) * 2011-05-04 2011-08-10 中国科学院自动化研究所 基于动态群组划分的多目标跟踪方法
CN102799863A (zh) * 2012-07-02 2012-11-28 中国计量学院 视频监控中的团体人群异常行为检测方法
WO2013072401A2 (en) * 2011-11-15 2013-05-23 Swiss Timing Ltd Tracklet-based multi-commodity network flow for tracking multiple people
CN103354016A (zh) * 2013-07-01 2013-10-16 广东欧珀移动通信有限公司 防止移动终端丢失的报警系统、相关装置和报警方法
CN203896465U (zh) * 2014-06-27 2014-10-22 广东九联科技股份有限公司 一种实用机顶盒
CN104573612A (zh) * 2013-10-16 2015-04-29 北京三星通信技术研究有限公司 估计深度图像中重叠的多个人体对象的姿态的设备和方法
CN105303763A (zh) * 2014-06-30 2016-02-03 李国芳 一种防止小孩丢失的保护装置
US20160242217A1 (en) * 2010-03-25 2016-08-18 Nokia Technologies Oy Method and apparatus for providing a remote lost-and-found service

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160242217A1 (en) * 2010-03-25 2016-08-18 Nokia Technologies Oy Method and apparatus for providing a remote lost-and-found service
CN102063725A (zh) * 2010-12-30 2011-05-18 Tcl集团股份有限公司 一种基于深度信息的多目标跟踪方法
CN102103786A (zh) * 2011-03-03 2011-06-22 南昌大学 一种基于无线通讯技术追踪监护的系统和方法
CN102148921A (zh) * 2011-05-04 2011-08-10 中国科学院自动化研究所 基于动态群组划分的多目标跟踪方法
WO2013072401A2 (en) * 2011-11-15 2013-05-23 Swiss Timing Ltd Tracklet-based multi-commodity network flow for tracking multiple people
CN102799863A (zh) * 2012-07-02 2012-11-28 中国计量学院 视频监控中的团体人群异常行为检测方法
CN103354016A (zh) * 2013-07-01 2013-10-16 广东欧珀移动通信有限公司 防止移动终端丢失的报警系统、相关装置和报警方法
CN104573612A (zh) * 2013-10-16 2015-04-29 北京三星通信技术研究有限公司 估计深度图像中重叠的多个人体对象的姿态的设备和方法
CN203896465U (zh) * 2014-06-27 2014-10-22 广东九联科技股份有限公司 一种实用机顶盒
CN105303763A (zh) * 2014-06-30 2016-02-03 李国芳 一种防止小孩丢失的保护装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIMM LINDER等: "multi-model hypothesis tracking of groups of people in RGB-D data", 《17TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 *
陈非予: "智能视频监控中小群体运动分析研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280964A (zh) * 2018-02-02 2018-07-13 深圳市盛路物联通讯技术有限公司 一种数据处理的方法及装置
CN109035686A (zh) * 2018-07-10 2018-12-18 北京三快在线科技有限公司 一种预防丢失的报警方法及装置
CN111667664A (zh) * 2019-03-08 2020-09-15 本田技研工业株式会社 迷路儿童预防支援系统
CN111667664B (zh) * 2019-03-08 2021-09-21 本田技研工业株式会社 迷路儿童预防支援系统
CN110414339A (zh) * 2019-06-21 2019-11-05 武汉倍特威视系统有限公司 基于视频流数据的审讯室人员近距离接触识别方法
CN110298293A (zh) * 2019-06-25 2019-10-01 重庆紫光华山智安科技有限公司 一种防走失方法、装置、可读存储介质及电子终端
CN110298293B (zh) * 2019-06-25 2020-08-07 重庆紫光华山智安科技有限公司 一种防走失方法、装置、可读存储介质及电子终端
CN110782627A (zh) * 2019-09-23 2020-02-11 武汉职业技术学院 一种基于多人人脸识别的防走失系统
CN111210590A (zh) * 2019-12-27 2020-05-29 恒大智慧科技有限公司 智慧社区内儿童走失预警方法、设备及可读存储介质
CN111210590B (zh) * 2019-12-27 2021-10-19 恒大智慧科技有限公司 智慧社区内儿童走失预警方法、设备及可读存储介质
CN111539254A (zh) * 2020-03-26 2020-08-14 深圳市商汤科技有限公司 目标检测方法、装置、电子设备及计算机可读存储介质
WO2022057804A1 (zh) * 2020-09-16 2022-03-24 青岛维感科技有限公司 一种间距监测方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN107239744B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN107239744A (zh) 人体关联关系的监控方法、系统及存储装置
CN111709974B (zh) 基于rgb-d图像的人体跟踪方法及装置
Rougier et al. Fall detection from depth map video sequences
CN103268616B (zh) 多特征多传感器的移动机器人运动人体跟踪方法
CN107392086A (zh) 人体姿态的评估装置、系统及存储装置
CN103810717B (zh) 一种人体行为检测方法及装置
CN107230226A (zh) 人体关联关系的判断方法、装置及存储装置
CN104318578A (zh) 一种视频图像分析方法及系统
CN104700408B (zh) 一种基于摄像机网络的室内单目标定位方法
CN106960179A (zh) 轨道交通线路环境安全智能监测方法和装置
CN103699908A (zh) 基于联合推理的视频多目标跟踪方法
CN107742306A (zh) 一种智能视觉中运动目标跟踪算法
CN106778655A (zh) 一种基于人体骨架的入口尾随进入检测方法
CN107025657A (zh) 一种基于视频图像的车辆行为轨迹检测方法
CN110110608A (zh) 一种全景监控下基于视觉的叉车速度监测方法和系统
CN104463099A (zh) 一种基于图的半监督耦合度量的多角度步态识别方法
CN111091025A (zh) 图像处理方法、装置和设备
Sekkal et al. Simple monocular door detection and tracking
CN103903279B (zh) 基于仿生双目视觉机载平台的并行跟踪系统与方法
CN105205467A (zh) 基于人脸识别、车辆识别系统的监控追踪方法
CN107341179A (zh) 标准运动数据库的生成方法、装置及存储装置
Sheh et al. Extracting terrain features from range images for autonomous random stepfield traversal
CN102156994A (zh) 一种单视角无标记人体运动跟踪的关节定位方法
Pan et al. Fighting detection based on pedestrian pose estimation
CN106023252A (zh) 一种基于oab算法的多摄像机人体跟踪方法

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