CN108710837A - 吸烟行为识别方法、装置、计算机设备和存储介质 - Google Patents
吸烟行为识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108710837A CN108710837A CN201810426654.9A CN201810426654A CN108710837A CN 108710837 A CN108710837 A CN 108710837A CN 201810426654 A CN201810426654 A CN 201810426654A CN 108710837 A CN108710837 A CN 108710837A
- Authority
- CN
- China
- Prior art keywords
- image
- face area
- area image
- cigarette
- smog
- 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.)
- Pending
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种吸烟行为识别方法、系统、计算机设备和存储介质。所述方法包括:对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。采用本方法能够使检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
Description
技术领域
本申请涉及图像检测技术领域,特别是涉及一种吸烟行为识别方法、装置、计算机设备和存储介质。
背景技术
随着公众对健康的日益重视,公共场所的禁烟力度不断加强。在明令禁止吸烟的场所,可以获取各个场所的监测图像,通过监测图像对烟雾的检测识别吸烟行为。
传统的吸烟识别方式主要是通过对监测图像的烟雾检测来识别吸烟行为。通过背景相减的方法来获得图像中的运动图元,通过色彩模型来区分烟雾与其他运动物体,在颜色空间中找到具有烟雾特征的像素并加以标记,得到烟雾疑似区域图元。然而,上述传统的吸烟识别方式中的颜色空间容易受光线等外部因素影响,误检率高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低误检率的吸烟行为识别方法、装置、计算机设备和存储介质。
一种吸烟行为识别方法,所述方法包括:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
在一个实施例中,所述的吸烟行为识别方法,所述获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别,包括:
将所述脸部区域图像进行灰度化处理得到灰度图像;
检测所述灰度图像内的直线,获取所述直线中倾角在指定范围内的一组平行线,根据所述平行线在所述灰度图像中的位置确定目标区域;
在所述目标区域中获取所述白色像素点;
根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别。
在一个实施例中,所述的吸烟行为识别方法,所述将所述脸部区域图像进行灰度化处理得到灰度图像之后,包括:
通过对所述灰度图像进行边缘检测,剔除所述灰度图像中非边缘的像素点。
在一个实施例中,所述的吸烟行为识别方法,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别的步骤,包括:
当所述白色像素点的数量超过阈值时,判定所述脸部区域图像中存在香烟。
在一个实施例中,所述的吸烟行为识别方法,根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别的步骤,包括:
对所述脸部区域图像进行小波变换;
当小波变换后图像的能量值在监测过程中变小时,判定所述脸部区域图像中存在烟雾。
在一个实施例中,所述的吸烟行为识别方法,所述对所述脸部区域图像进行小波变换,包括:
获取所述脸部区域图像的亮度值,对所述亮度值进行小波变换。
在一个实施例中,所述的吸烟行为识别方法,根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为,包括:
当所述脸部区域图像中存在香烟且所述脸部区域图像中存在烟雾时,判定所述监测图像中存在吸烟行为。
一种吸烟行为识别装置,所述装置包括:
图像获取模块,用于对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
香烟识别模块,用于获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
烟雾识别模块,用于根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
吸烟行为识别模块,用于根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
上述吸烟行为识别方法、装置、计算机设备和存储介质,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
附图说明
图1为一个实施例中吸烟行为识别方法的应用环境图;
图2为一个实施例中吸烟行为识别方法的流程示意图;
图3为一个实施例中香烟识别步骤的流程示意图;
图4为一个实施例中像素梯度示意图;
图5为一个实施例中烟雾识别步骤的流程示意图;
图6为一个实施例中图像小波变换示意图;
图7为一个实施例中吸烟行为识别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的吸烟行为识别方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种吸烟行为识别方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,对获取的监测图像进行人脸检测,识别图像中的脸部区域图像。
具体地,可以使用开源计算机视觉库(Open Source Computer Vision Library,OpenCV)自带的人脸的矩形(Haar)特征分类器进行人脸检测,在确定了人脸位置之后,可以截取检测到的脸部区域图像。例如,当监测的对象是司机时,可以截取监测图像中司机的人脸区域图像。
步骤204,获取脸部区域图像中的白色像素点,根据白色像素点的数量对脸部区域图像中的香烟进行识别。
在本步骤中,可以把检测到的白色像素点所在区域认为是人脸部区域图像中香烟所在区域。若监测图像中存在吸烟行为,则香烟与嘴巴接触频繁,所以在人脸区域对香烟进行检测,可以作为判断是否存在吸烟行为的重要依据。
步骤206,根据脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。
可以通过上述步骤对脸部区域图像进行烟雾检测,当监测图像中存在吸烟行为时,人脸部位会有烟雾吐出,当脸部区域图像中存在烟雾时,脸部区域图像的清晰度会发生变化,同时脸部区域图像的能量值会发生变化,利用对人脸位置的烟雾检测,可以作为判断是否存在吸烟行为的重要依据。
步骤208,根据对脸部区域图像识别的香烟和烟雾,识别监测图像中的吸烟行为。
上述步骤,可以先识别脸部区域图像中是否存在香烟,也可以先识别脸部区域图像中是否存在烟雾,此处不对识别香烟和识别烟雾的先后顺序做限定。
上述吸烟行为识别方法,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,如图3所示,对于步骤204,可以通过以下步骤对脸部区域图像中的香烟进行识别:
S2042,将脸部区域图像进行灰度化处理得到灰度图像。
上述步骤将脸部区域图像进行灰度化处理可以去掉图像的彩色信息,简化了图像信息,且不影响图像的轮廓等信息。
S2044,检测灰度图像内的直线,获取直线中倾角在指定范围内的一组平行线,根据平行线在灰度图像中的位置确定目标区域。
可以将上述灰度图像映射到霍夫空间,可以通过以下步骤将灰度图像映射到霍夫空间:可以在灰度图像上建立x(横)轴和y(纵)轴坐标,设点A(x0,y0)是坐标轴区域内的一点,则经过点A的直线必定满足y0=kx0+b,其中,k是直线的斜率,b是直线的截距,经过点A的直线用极坐标表示为:ρ=x cosθ+y sinθ,以ρ和θ作为坐标轴构建构建霍夫空间,则可以将x-y空间内的特定直线用霍夫空间内的特定点表示。在霍夫空间中,所要检测的x-y空间内的直线对应的霍夫空间内的点,可以是霍夫空间中一定数量的直线相交的那个点。可以通过这种方式检测出x-y空间中香烟所在目标区域的边界线。可以在检测到的边界线里提取倾角范围在[45°,135°]的两条直线,当这两条直线的倾斜角度相差在5°以内时,可以认为是一对平行线。可以将这对平行线认为是香烟轮廓的边界线。在监测图像中,香烟一般出现在人脸的下半部分,因此可以将这对平行线在人脸区域图像的下半部分所围成的区域确定为目标区域。
S2046,在目标区域中获取白色像素点。
可以在目标区域进行颜色检测,检测目标区域内的白色像素点。
S2048,根据白色像素点的数量对脸部区域图像中的香烟进行识别。
上述步骤中白色像素点的数量可以根据图片的具体分辨率来设置,可以根据脸部区域图像中白色像素点的数量来判断图像中是否存在香烟。
上述吸烟行为识别方法,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,在步骤S2042之后,可以执行以下步骤:通过对灰度图像进行边缘检测,剔除灰度图像中非边缘的像素点。
在本实施例中,可以通过坎尼(Canny)边缘检测算法对灰度图像进行边缘检测。具体可以执行以下步骤:首先,将高斯卷积核跟灰度图像进行卷积运算,对灰度图像进行高斯滤波;其次,用梯度算子计算梯度幅值和方向,以寻找图像的边缘信息;再次,对梯度幅值进行非极大值抑制,排除非边缘的像素点,以使图像的边缘能够更清晰地呈现出来;最后,再通过双阈值处理,进一步排除非边缘的像素点。
其中,通过高斯滤波处理可以抑制噪声,高斯卷积核可以是由二维高斯(正态)分布的公式:
产生的σ为1的高斯卷积核,其中,σ为方差,x和y分别是图像的两个坐标轴。高斯卷积核的矩阵表达为:
梯度算子可以是索贝尔(Sobel)算子,可以使用Sobel算子计算x和y方向上的梯度以及梯度的方向角。Sobel算子的x轴方向的卷积因子为:
y轴方向的卷积因子为:
将Sobel算子的x轴方向的卷积因子与y轴方向的卷积因子分别与高斯滤波后的图像做平面卷积,可以分别得到横向及纵向边的亮度差分近似值,如果以A代表高斯滤波后的图像,则Gx为横向边缘检测的图像:
Gy为纵向边缘检测的图像:
x和y方向融合的梯度幅值为:
非极大值抑制为将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较,如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制(梯度值为0)。非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。通常为了更加精确的计算,在跨越梯度方向的两个相邻像素之间使用线性插值来得到要比较的像素梯度。如图4所示,将梯度分为8个方向,分别为E、NE、N、NW、W、SW、S、SE,其中0代表0°~45°,1代表45°~90°,2代表-90°~-45°,3代表-45°~0°。像素点P的梯度方向为θ,tanθ=Gy/Gx,像素点P1的梯度线性插值为:
像素点P2的梯度线性插值为:
其中,非极大值抑制的规则为:若G大于或等于和则保留该点,否则将该点的梯度值置为0。
双阈值处理是指分别设置像素点位置的高阈值和低阈值,若某一像素点位置的幅值超过高阈值,该像素被保留为边缘像素。如果某一像素点位置的幅值小于低阈值,可以将该像素点排除。如果某一像素点位置的幅值在两个阈值之间,该像素可以在连接到一个高于高阈值的像素点时被保留。
上述吸烟行为识别方法,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,步骤S2048包括:当白色像素点的数量超过阈值时,判定脸部区域图像中存在香烟。
在上述实施例中,可以预设白色像素点的数量阈值,例如,设数量阈值为80,当检测到的白色像素点的数量超过80时,可以认为图像中存在香烟。
上述实施例,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,如图5所示,对于步骤S208可以通过以下步骤对脸部区域图像中的烟雾进行识别:
S2082,对脸部区域图像进行小波变换;
S2084,当小波变换后图像的能量值在监测过程中变小时,判定脸部区域图像中存在烟雾。
对于步骤S2082和S2084,小波变换继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。人脸部分产生烟雾对应着一系列视频帧的边缘值减少,这意味着场景变得模糊,将监测视频序列进行小波变换后,其子图像的能量值呈现减少趋势。因此,可以通过小波变换监控其能量值变换,检测脸部区域图像中是否存在烟雾。
上述实施例,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,步骤S2082包括:获取脸部区域图像的亮度值,对亮度值进行小波变换。
在上述实施例中,可以RGB(Red Green Blue,红绿蓝)颜色空间转换到YUV(Luminance Chrominance,明亮度色度)颜色空间。在YUV中,"Y"表示明亮度,而“U”和“V”表示的则是色度,作用是描述影像色彩及饱和度。可以使用亮度值进行小波变换,将RGB颜色空间转换到YUV颜色空间可以得到下式:
上述实施例可以使用二维离散哈尔(haar)小波变换,可以先使用高低滤波器对图像的进行行变换(以行为单位与滤波器进行卷积),然后再进行列变换(以列为单位与滤波器进行卷积)。如图6所示,L是指使用低频滤波器计算的结果,H是指用高频滤波计算的结果,高频滤波器的过滤范围可以是[-0.5,0.5],低频滤波器的过滤范围可以是[0.5,0.5]。对一幅m行n列的图像进行二维小波变换的过程是先对图像的每一行做一维小波变换(行分解),得到L和H两个对半部分;然后对得到的LH图像(仍是m行n列)的每一列做一维小波变换(列分解)这样经过一级小波变换后的图像就可以分为LL,HL,LH,HH四个部分。使用亮度值进行小波变换更加准确。
使用图像的亮度值进行haar小波变换后,图像的能量值定义为:
Wn(x,y)=|LHn(x,y)|2+|HLn(x,y)|2+|HHn(x,y)|2,
其中,n是图6中LL、HL、LH、HH四个小图的像素点点数(四个小图的像素点数是一致的),(x,y)是像素点在小图中的坐标位置,所以四个小图中同一位置的像素点(x,y)的取值是都是一样的,Hn(x,y)是指像素点(x,y)使用高频滤波器计算的结果,Ln(x,y)是指像素点(x,y)使用低频滤波器计算的结果。所以图像的总能量值为:
i为小图的数量,此处,图6中i=4,R是四个小图的区域。可以计算图像的总能量值,当图像的能量值在监测过程中变小时,判定图像边缘变模糊,脸部区域图像中存在烟雾。
上述实施例,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
在一个实施例中,对于步骤S208,可以通过执行以下步骤识别监测图像中的吸烟行为:当脸部区域图像中存在香烟且脸部区域图像中存在烟雾时,判定监测图像中存在吸烟行为。
在存在吸烟行为的脸部区域图像中,可以检测到香烟和烟雾,通过对香烟和烟雾的检测,可以判断监测图像中是否存在吸烟行为。
上述实施例,根据监测图像中脸部区域图像的白色像素点的数量,对脸部区域图像中的香烟进行识别,根据监测图像中脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别。根据识别的香烟和烟雾,识别监测图像中的吸烟行为。检测结果不受外部因素影响,能够更精确地检测出监测图像中的吸烟行为,误检率低。
应该理解的是,虽然图2、3和5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3和5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种吸烟行为识别装置,包括:
图像获取模块702,用于对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
香烟识别模块704,用于获取脸部区域图像中的白色像素点,根据白色像素点的数量对脸部区域图像中的香烟进行识别;
烟雾识别模块706,用于根据脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别;
吸烟行为识别模块708,用于根据对脸部区域图像识别的香烟和烟雾,识别监测图像中的吸烟行为。
关于吸烟行为识别装置的具体限定可以参见上文中对于吸烟行为识别方法的限定,在此不再赘述。上述吸烟行为识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的8关系。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储吸烟行为识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种吸烟行为识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取脸部区域图像中的白色像素点,根据白色像素点的数量对脸部区域图像中的香烟进行识别;
根据脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别;
根据对脸部区域图像识别的香烟和烟雾,识别监测图像中的吸烟行为。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将脸部区域图像进行灰度化处理得到灰度图像;检测灰度图像内的直线,获取直线中倾角在指定范围内的一组平行线,根据平行线确定目标区域;在目标区域中获取白色像素点;根据白色像素点的数量对脸部区域图像中的香烟进行识别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过对灰度图像进行边缘检测,剔除灰度图像中非边缘的像素点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当白色像素点的数量超过阈值时,判定脸部区域图像中存在香烟。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对脸部区域图像进行小波变换;当小波变换后图像的能量值在监测过程中变小时,判定脸部区域图像中存在烟雾。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取脸部区域图像的亮度值,对亮度值进行小波变换。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当脸部区域图像中存在香烟且脸部区域图像中存在烟雾时,判定监测图像中存在吸烟行为。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取脸部区域图像中的白色像素点,根据白色像素点的数量对脸部区域图像中的香烟进行识别;
根据脸部区域图像的能量值在监测过程中的变化,对脸部区域图像中的烟雾进行识别;
根据对脸部区域图像识别的香烟和烟雾,识别监测图像中的吸烟行为。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将脸部区域图像进行灰度化处理得到灰度图像;检测灰度图像内的直线,获取直线中倾角在指定范围内的一组平行线,根据平行线确定目标区域;在目标区域中获取白色像素点;根据白色像素点的数量对脸部区域图像中的香烟进行识别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过对灰度图像进行边缘检测,剔除灰度图像中非边缘的像素点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当白色像素点的数量超过阈值时,判定脸部区域图像中存在香烟。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对脸部区域图像进行小波变换;当小波变换后图像的能量值在监测过程中变小时,判定脸部区域图像中存在烟雾。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取脸部区域图像的亮度值,对亮度值进行小波变换。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当脸部区域图像中存在香烟且脸部区域图像中存在烟雾时,判定监测图像中存在吸烟行为。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种吸烟行为识别方法,其特征在于,包括:
对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
2.根据权利要求1所述的吸烟行为识别方法,其特征在于,所述获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别,包括:
将所述脸部区域图像进行灰度化处理得到灰度图像;
检测所述灰度图像内的直线,获取所述直线中倾角在指定范围内的一组平行线,根据所述平行线在所述灰度图像中的位置确定目标区域;
在所述目标区域中获取所述白色像素点;
根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别。
3.根据权利要求2所述的吸烟行为识别方法,其特征在于,所述将所述脸部区域图像进行灰度化处理得到灰度图像之后,包括:
通过对所述灰度图像进行边缘检测,剔除所述灰度图像中非边缘的像素点。
4.根据权利要求2或3所述的吸烟行为识别方法,其特征在于,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别的步骤,包括:
当所述白色像素点的数量超过阈值时,判定所述脸部区域图像中存在香烟。
5.根据权利要求1至3中任一项所述的吸烟行为识别方法,其特征在于,根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别的步骤,包括:
对所述脸部区域图像进行小波变换;
当小波变换后图像的能量值在监测过程中变小时,判定所述脸部区域图像中存在烟雾。
6.根据权利要求5所述的吸烟行为识别方法,其特征在于,所述对所述脸部区域图像进行小波变换,包括:
获取所述脸部区域图像的亮度值,对所述亮度值进行小波变换。
7.根据权利要求1至3中任一项所述的吸烟行为识别方法,其特征在于,根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为,包括:
当所述脸部区域图像中存在香烟且所述脸部区域图像中存在烟雾时,判定所述监测图像中存在吸烟行为。
8.一种吸烟行为识别装置,其特征在于,包括:
图像获取模块,用于对获取的监测图像进行人脸检测,识别图像中的脸部区域图像;
香烟识别模块,用于获取所述脸部区域图像中的白色像素点,根据所述白色像素点的数量对所述脸部区域图像中的香烟进行识别;
烟雾识别模块,用于根据所述脸部区域图像的能量值在监测过程中的变化,对所述脸部区域图像中的烟雾进行识别;
吸烟行为识别模块,用于根据对所述脸部区域图像识别的香烟和烟雾,识别所述监测图像中的吸烟行为。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的吸烟行为识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的吸烟行为识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426654.9A CN108710837A (zh) | 2018-05-07 | 2018-05-07 | 吸烟行为识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426654.9A CN108710837A (zh) | 2018-05-07 | 2018-05-07 | 吸烟行为识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710837A true CN108710837A (zh) | 2018-10-26 |
Family
ID=63867890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426654.9A Pending CN108710837A (zh) | 2018-05-07 | 2018-05-07 | 吸烟行为识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710837A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN109635673A (zh) * | 2018-11-22 | 2019-04-16 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN110390673A (zh) * | 2019-07-22 | 2019-10-29 | 福州大学 | 一种监控场景下基于深度学习的香烟自动检测方法 |
CN111553275A (zh) * | 2020-04-28 | 2020-08-18 | 厦门博海中天信息科技有限公司 | 基于ai及热成像的吸烟监测方法、模块、设备及介质 |
WO2020200095A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 动作识别方法和装置、电子设备、存储介质 |
CN112434612A (zh) * | 2020-11-25 | 2021-03-02 | 创新奇智(上海)科技有限公司 | 吸烟检测方法、装置、电子设备及计算机可读存储介质 |
CN112950540A (zh) * | 2021-02-01 | 2021-06-11 | 联宝(合肥)电子科技有限公司 | 一种条码识别方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150560A (zh) * | 2013-03-15 | 2013-06-12 | 福州龙吟信息技术有限公司 | 一种汽车智能安全驾驶的实现方法 |
WO2013157466A1 (ja) * | 2012-04-20 | 2013-10-24 | 株式会社デンソー | 喫煙検出装置、方法及びプログラム |
CN104598934A (zh) * | 2014-12-17 | 2015-05-06 | 安徽清新互联信息科技有限公司 | 一种驾驶员吸烟行为监控方法 |
CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
-
2018
- 2018-05-07 CN CN201810426654.9A patent/CN108710837A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013157466A1 (ja) * | 2012-04-20 | 2013-10-24 | 株式会社デンソー | 喫煙検出装置、方法及びプログラム |
CN103150560A (zh) * | 2013-03-15 | 2013-06-12 | 福州龙吟信息技术有限公司 | 一种汽车智能安全驾驶的实现方法 |
CN104598934A (zh) * | 2014-12-17 | 2015-05-06 | 安徽清新互联信息科技有限公司 | 一种驾驶员吸烟行为监控方法 |
CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
Non-Patent Citations (1)
Title |
---|
王晓婧: "室内视频监控中的香烟烟雾识别的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN109635673A (zh) * | 2018-11-22 | 2019-04-16 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN109635673B (zh) * | 2018-11-22 | 2020-02-21 | 湖南中烟工业有限责任公司 | 吸烟行为识别方法和装置 |
CN109598214B (zh) * | 2018-11-22 | 2021-09-14 | 湖南中烟工业有限责任公司 | 吸烟行为识别方法和装置 |
WO2020200095A1 (zh) * | 2019-03-29 | 2020-10-08 | 北京市商汤科技开发有限公司 | 动作识别方法和装置、电子设备、存储介质 |
CN110390673A (zh) * | 2019-07-22 | 2019-10-29 | 福州大学 | 一种监控场景下基于深度学习的香烟自动检测方法 |
CN111553275A (zh) * | 2020-04-28 | 2020-08-18 | 厦门博海中天信息科技有限公司 | 基于ai及热成像的吸烟监测方法、模块、设备及介质 |
CN112434612A (zh) * | 2020-11-25 | 2021-03-02 | 创新奇智(上海)科技有限公司 | 吸烟检测方法、装置、电子设备及计算机可读存储介质 |
CN112950540A (zh) * | 2021-02-01 | 2021-06-11 | 联宝(合肥)电子科技有限公司 | 一种条码识别方法及设备 |
CN112950540B (zh) * | 2021-02-01 | 2022-04-15 | 联宝(合肥)电子科技有限公司 | 一种条码识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710837A (zh) | 吸烟行为识别方法、装置、计算机设备和存储介质 | |
US10963993B2 (en) | Image noise intensity estimation method, image noise intensity estimation device, and image recognition device | |
CA2867365C (en) | Method, system and computer storage medium for face detection | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN108921823A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN111209845A (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN111754528A (zh) | 人像分割方法、装置、电子设备和计算机可读存储介质 | |
CN111445410A (zh) | 基于纹理图像的纹理增强方法、装置、设备和存储介质 | |
CN110059666B (zh) | 一种注意力检测方法及装置 | |
CN108323203A (zh) | 一种定量检测人脸肤质参量的方法、装置和智能终端 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN111753782B (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
CN112101195B (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
US20190385283A1 (en) | Image pre-processing for object recognition | |
CN116263942A (zh) | 一种调整图像对比度的方法、存储介质及计算机程序产品 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN116385316B (zh) | 多目标图像动态捕捉方法及相关装置 | |
CN111126191B (zh) | 一种虹膜图像的采集方法、装置及存储介质 | |
CN106415596A (zh) | 基于分割的图像变换 | |
CN112541853A (zh) | 数据处理方法、装置及设备 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN116258643A (zh) | 图像阴影消除方法、装置、设备及存储介质 | |
CN114359414A (zh) | 镜头脏污识别方法、装置、计算机设备及存储介质 | |
CN114066794A (zh) | 图像处理方法、装置及设备、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |