CN108803341A - 一种基于扫地机器人的家庭安保监测系统及方法 - Google Patents
一种基于扫地机器人的家庭安保监测系统及方法 Download PDFInfo
- Publication number
- CN108803341A CN108803341A CN201810703310.8A CN201810703310A CN108803341A CN 108803341 A CN108803341 A CN 108803341A CN 201810703310 A CN201810703310 A CN 201810703310A CN 108803341 A CN108803341 A CN 108803341A
- Authority
- CN
- China
- Prior art keywords
- module
- furniture
- sweeping robot
- house security
- frame
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于扫地机器人的家庭安保监测系统及方法,包括:安装有摄像头的扫地机器人、图像处理模块、家具识别模块、家具位置检测模块、家具形态检测模块、保警示信号输出模块;还包括利用以上系统,根据家具模型识别、家具位置变化、家具形态变化输出安保警示信号的方法。本发明的家庭安保监测系统,根据RGB图像、利用训练出的神经网络模型,进行家具识别;本发明的家庭安保监测方法,利用基于神经网络的家具识别算法,根据家具位置检测、家具形态检测结果分配,判断出家庭安保异常,并输出安保警示信号,开发了扫地机器人的外围应用,增强了扫地机器人使用的乐趣性。
Description
技术领域
本发明涉及基于图像处理的异常行为监测领域,具体涉及一种基于扫地机器人的家庭安保监测系统及方法。
背景技术
当室内无人时容易发生入室盗窃等刑事案件,给住户造成较大的经济损失,甚至有可能会因为住户临时返回家中、住户与案犯意外相遇而给住户人身安全造成损失。
扫地机器人,又称自动打扫机、智能吸尘、机器人吸尘器等,是智能家用电器的一种,能凭借一定的人工智能,自动在房间内完成地板清理工作。一般采用刷扫和真空方式,将地面杂物先吸纳进入自身的垃圾收纳盒,从而完成地面清理的功能。一般来说,将完成清扫、吸尘、擦地工作的机器人,也统一归为扫地机器人,现有扫地机器人仅仅具有打扫清洁的功能,其功能单一,智能化程度低,使用乐趣少,而扫地机器人使用环境又多为家庭环境,故一种基于扫地机器人的家庭安保系统丞代开发。
发明内容
为解决上述问题,本发明提供了一种基于扫地机器人的家庭安保监测系统及方法。本发明的家庭安保监测系统,根据RGB图像、利用训练出的神经网络模型,进行家具识别;本发明的家庭安保监测方法,利用基于神经网络的家具识别算法,根据家具位置检测、家具形态检测结果分配,判断出家庭安保异常,并输出安保警示信号,开发了扫地机器人的外围应用,增强了扫地机器人使用的乐趣性。
为实现所述技术目的,本发明的技术方案是:一种基于扫地机器人的家庭安保监测系统,包括:安装有摄像头的扫地机器人、图像处理模块、形心计算模块、用户异常行为判断模块、异常行为报警模块;
所述图像处理模块用于根据所述摄像头的视频输入,按帧进行RGB数据处理;
所述家庭安保监测系统还包括:关节点估计模块或轮廓提取模块的一种;其中所述关节点估计模块用于对RGB数据处理后的视频逐帧进行人物关节点估计,其中轮廓提取模块用于对RGB数据处理后的视频逐帧利用边缘算法进行人物轮廓提取;
所述形心计算模块根据关节点估计模块估计出的关节点,或根据轮廓提取模块提取出的人物轮廓进行形心计算;
所述用户异常行为判断模块用于在形心下降时间低于m秒时,输出报警信号至异常行为报警模块,且m≤0.5。
进一步,所述关节点估计模块包括LSTM主网络模块、时域注意力子网络模块、空域注意力子网络模块;
所述主网络模块(Main LSTM Network)用于对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出,所述时域注意力子网络模块(Temporal Attention)用于给不同帧分配合适的重要性,所述空域注意力子网络模块(Spatial Attention)用于给不同关节点分配合适的重要性。
进一步,本系统还包括家具识别模块,家具识别模块采用神经网络模型,其包括:输入层、标准卷积层、可分离卷积包、平均降纬层、完全连接层、家具识别输出层;
所述输入层对所述图像处理模块进行RGB数据处理后的视频按帧读取;所述家具识别输出层用于输出视频中的家具模型以及识别结果的置信度。
作为本发明家庭安保监测系统的一种优选的实施方案,基于上述内容,还包括骨架行动速度检测模块、骨架个数检测模块、家具位置检测模块、家具形态检测模块;
连接所述关节点估计模块估计出的关节点,形成用户骨架,骨架行动速度检测模块、骨架个数检测模块分别对骨架进行行动速度检测、骨架个数检测;
家具位置检测模块、家具形态检测模块分别对所述家具识别模块判断出的家具进行家具位置检测、家具形态检测。
进一步,本系统还包括家庭安保警示信号输出模块,用于为所述骨架行动速度检测模块、骨架个数检测模块、家具位置检测模块、家具形态检测模块的检测结果分配权重,计算出家庭安保异常,并输出安保警示信号。
一种基于扫地机器人的家庭安保监测方法,利用了上述基于扫地机器人的家庭安保监测系统,其包括以下步骤:
S1:录制扫地机器人旋转一周的视觉范围内视频;
S2:对所述步骤S1中的视频逐帧进行关节点估计,判断人物的关节点,形成骨架特征;
S3:根据所述步骤S2中的骨架特征,判断所述步骤S1视频中是否存在用户骨架特征,若存在则进行步骤S4,否则返回所述步骤S2;
S4:根据所述步骤S3中的用户骨架特征,对计算用户形体的形心;
S5:判断所述步骤S4中的形心下降时间低于m秒时,输出用户异常行为并报警。
进一步,对所述步骤S2中关节点估计的方法为:
利用主网络(Main LSTM Network)对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出;时域注意力子网络(Temporal Attention)给所述步骤S1中视频的不同帧分配合适的重要性,在主网络(Main LSTM Network)时,加以空域注意力子网络(Spatial Attention)给不同关节点分配合适的重要性。
作为本发明家庭安保监测方法的一种优选的实施方案,基于上述内容,还包括步骤S6:采用包括输入层、标准卷积层、可分离卷积包、平均降纬层、完全连接层、家具识别输出层的神经网络模型,对所述图像处理模块进行RGB数据处理后的视频按帧读取,通过对每帧图像进行标准卷积、可分离卷积、平均降纬、完全连接处理,判断出图像中的家具,输出视频中的家具模型以及识别结果的置信度。
进一步,所述可分离卷积的方法包括深度卷积操作,线性整流操作,批量标准化操作和逐点卷积操作。
进一步,本方法还包括家庭安保警示的步骤:
S7:根据所述步骤S3中的用户骨架特征,进行骨架行动速度检测、骨架个数检测;
S8:根据所述步骤S6中输出的家具模型,分别对所述步骤S1视频中的家具进行家具位置检测、家具形态检测;
S9:为步骤S7和步骤S8中骨架行动速度检测、骨架个数检测、家具位置检测、家具形态检测结果分配权重,综合骨架行动速度过快、骨架个数突变、家具位置变化、家具形态变化条件,判断家庭安保异常,并输出安保警示信号。
本发明的有益效果在于:
本发明的家庭安保监测系统,根据RGB图像、利用训练出的神经网络模型,进行家具识别;本发明的家庭安保监测方法,利用基于神经网络的家具识别算法,根据家具位置检测、家具形态检测结果分配,判断出家庭安保异常,并输出安保警示信号,开发了扫地机器人的外围应用,增强了扫地机器人使用的乐趣性。
附图说明
图1是本发明基于扫地机器人的家庭安保监测系统的模块原理图;
图2是本发明图1中的家具识别模块所包含的模块原理图;
图3是本发明基于扫地机器人的家庭安保监测方法的流程图;
图4是本发明图3中的可分离卷积算法的流程图;
图5是本发明根据形心下降判断用户异常行为的方法示意图。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述。
如图1所示,一种基于扫地机器人的家庭安保监测系统,包括:安装有摄像头的扫地机器人、图像处理模块、形心计算模块、用户异常行为判断模块、异常行为报警模块;
所述图像处理模块用于根据所述摄像头的视频输入,按帧进行RGB数据处理;
所述家庭安保监测系统还包括:关节点估计模块或轮廓提取模块的一种;其中所述关节点估计模块用于对RGB数据处理后的视频逐帧进行人物关节点估计,其中轮廓提取模块用于对RGB数据处理后的视频逐帧利用边缘算法进行人物轮廓提取;
所述形心计算模块根据关节点估计模块估计出的关节点,或根据轮廓提取模块提取出的人物轮廓进行形心计算;
所述用户异常行为判断模块用于在形心下降时间低于m秒时,输出报警信号至异常行为报警模块,这种报警的方式可以是短信、app消息提醒等方式,且m≤0.5。需要说明的RGB图像进行关节点估计或轮廓提取,是图像处理领域的技术人员的常规技术手段,在此不做赘述。本发明的基于扫地机器人的家庭安保监测系统,根据RGB图像进行关节点估计或轮廓提取,计算出扫地机器人视觉范围内用户的形心,并追踪形心的变化,在形心下降时间低于m秒时,输出报警信号至异常行为报警模块,实现了扫地机器人对用户的行为分析监测。
进一步,所述关节点估计模块包括LSTM主网络模块、时域注意力子网络模块、空域注意力子网络模块;
所述主网络模块(Main LSTM Network)用于对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出,所述时域注意力子网络模块(Temporal Attention)用于给不同帧分配合适的重要性,所述空域注意力子网络模块(Spatial Attention)用于给不同关节点分配合适的重要性。本发明利用时域、空域相关性、增强了骨架特征识别的鲁棒性和有强判别性。
进一步,如图2所示,本系统还包括家具识别模块,家具识别模块采用神经网络模型,其包括:输入层(input)、标准卷积层(conv1)、可分离卷积包(module1-9)、平均降纬层(average pool)、完全连接层(full connect)、家具识别输出层(output);
所述输入层对所述图像处理模块进行RGB数据处理后的视频按帧读取;所述家具识别输出层用于输出视频中的家具模型以及识别结果的置信度。其中这种神经网络模型可以在前期进行人工置顶数据集收集与标注家具,后期基于MobileNet构架进行分类模型预训练得到。
作为本发明家庭安保监测系统的一种优选的实施方案,基于上述内容,还包括骨架行动速度检测模块、骨架个数检测模块、家具位置检测模块、家具形态检测模块;
连接所述关节点估计模块估计出的关节点,形成用户骨架,骨架行动速度检测模块、骨架个数检测模块分别对骨架进行行动速度检测、骨架个数检测;
家具位置检测模块、家具形态检测模块分别对所述家具识别模块判断出的家具进行家具位置检测、家具形态检测。本系统还包括家庭安保警示信号输出模块,用于为所述骨架行动速度检测模块、骨架个数检测模块、家具位置检测模块、家具形态检测模块的检测结果分配权重,计算出家庭安保异常,并输出安保警示信号。采用本实施例的有益效果在于,可以利用关节点估计技术和家具识别技术,进行家具安保监控,开发了扫地机器人的外围应用,增强了扫地机器人使用的乐趣性。
如图3所示,一种基于扫地机器人的家庭安保监测方法,利用了上述基于扫地机器人的家庭安保监测系统,其包括以下步骤:
S1:录制扫地机器人旋转一周的视觉范围内视频;
S2:对所述步骤S1中的视频逐帧进行关节点估计,判断人物的关节点,形成骨架特征;
S3:根据所述步骤S2中的骨架特征,判断所述步骤S1视频中是否存在用户骨架特征,若存在则进行步骤S4,否则返回所述步骤S2;
S4:根据所述步骤S3中的用户骨架特征,对计算用户形体的形心:
S5:判断所述步骤S4中的形心下降时间低于m秒时,输出用户异常行为并报警,这种报警的方式可以是短信、app消息提醒等方式。需要说明的RGB图像进行关节点估计或轮廓提取,是图像处理领域的技术人员的常规技术手段,在此不做赘述。本发明的基于扫地机器人的家庭安保监测方法,根据RGB图像进行关节点估计或轮廓提取,计算出扫地机器人视觉范围内用户的形心,并追踪形心的变化,在形心下降时间低于m秒时,输出报警信号至异常行为报警模块,实现了扫地机器人对用户的行为分析监测。
如图5所示,理想状态下,一个质点下降速度为重力加速度(9.8m/s),那么对应一个质点(形心)由连杆(均质)固定至地面,连杆受轻微外力倒下时,则该质点(形心)的速度V<9.8m/s(实际应为角速度);结合加速度可能存在的情况和人体形心高度,则判断出形心下降时间低于m秒时,人是摔倒的,否则应是自然蹲下或躺下动作。
进一步,对所述步骤S2中关节点估计的方法为:
利用主网络(Main LSTM Network)对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出;时域注意力子网络(Temporal Attention)给所述步骤S1中视频的不同帧分配合适的重要性,在主网络(Main LSTM Network)时,加以空域注意力子网络(Spatial Attention)给不同关节点分配合适的重要性。本发明利用时域、空域相关性、增强了骨架特征识别的鲁棒性和有强判别性。
作为本发明家庭安保监测方法的一种优选的实施方案,基于上述内容,还包括步骤S6:采用包括输入层、标准卷积层、可分离卷积包、平均降纬层、完全连接层、家具识别输出层的神经网络模型,对所述图像处理模块进行RGB数据处理后的视频按帧读取,通过对每帧图像进行标准卷积、可分离卷积、平均降纬、完全连接处理,判断出图像中的家具,输出视频中的家具模型以及识别结果的置信度。其中这种神经网络模型可以在前期进行人工置顶数据集收集与标注家具,后期基于MobileNet构架进行分类模型预训练得到。
进一步,如图4所示,所述可分离卷积的方法包括深度卷积(depthwise conv)操作,线性整流(RELU)操作,批量标准化(batch norm)操作和逐点卷积(1×1conv)操作。
进一步,本方法还包括家庭安保警示的步骤:
S7:根据所述步骤S3中的用户骨架特征,进行骨架行动速度检测、骨架个数检测;
S8:根据所述步骤S6中输出的家具模型,分别对所述步骤S1视频中的家具进行家具位置检测、家具形态检测;其中家具形态检测的方法,可以采用Kinect等深度摄像头,建立室内3D模型,通过当前3D模型和历史3D模型进行对比,检测家具位置和形态的变化。
S9:为步骤S7和步骤S8中骨架行动速度检测、骨架个数检测、家具位置检测、家具形态检测结果分配权重,综合骨架行动速度过快、骨架个数突变、家具位置变化、家具形态变化条件,判断家庭安保异常,并输出安保警示信号。本发明利用了关节点估计技术和家具识别技术,进行家具安保监控,开发了扫地机器人的外围应用,增强了扫地机器人使用的乐趣性。
对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于扫地机器人的家庭安保监测系统,其特征在于,包括:安装有摄像头的扫地机器人、图像处理模块、家具识别模块、家具位置检测模块、家具形态检测模块、保警示信号输出模块;
所述图像处理模块用于根据所述摄像头的视频输入,按帧进行RGB数据处理;
所述家具识别模块采用神经网络模型,其包括:输入层、标准卷积层、可分离卷积包、平均降纬层、完全连接层、家具识别输出层;所述输入层对所述图像处理模块进行RGB数据处理后的视频按帧读取;所述家具识别输出层用于输出视频中的家具模型以及识别结果的置信度。
所述家具位置检测模块、家具形态检测模块分别对所述家具识别模块判断出的家具进行家具位置检测、家具形态检测;
所述家庭安保警示信号输出模块,用于为所述家具位置检测模块、家具形态检测模块的检测结果分配权重,计算出家庭安保异常,并输出安保警示信号。
2.根据权利要求1所述的基于扫地机器人的家庭安保监测系统,其特征在于,所述家庭安保监测系统还包括:关节点估计模块或轮廓提取模块的一种、形心计算模块、用户异常行为判断模块、异常行为报警模块;
其中关节点估计模块用于对RGB数据处理后的视频逐帧进行人物关节点估计,其中轮廓提取模块用于对RGB数据处理后的视频逐帧利用边缘算法进行人物轮廓提取;
形心计算模块根据关节点估计模块估计出的关节点,或根据轮廓提取模块提取出的人物轮廓进行形心计算;
所述用户异常行为判断模块用于在形心下降时间低于m秒时,输出报警信号至异常行为报警模块,且m≤0.5。
3.根据权利要求2所述的基于扫地机器人的家庭安保监测系统,其特征在于,所述关节点估计模块包括LSTM主网络模块、时域注意力子网络模块、空域注意力子网络模块;
主网络模块(Main LSTM Network)用于对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出,时域注意力子网络模块(Temporal Attention)用于给不同帧分配合适的重要性,空域注意力子网络模块(Spatial Attention)用于给不同关节点分配合适的重要性。
4.根据权利要求2所述的基于扫地机器人的家庭安保监测系统,其特征在于,还包括骨架行动速度检测模块、骨架个数检测模块;
连接所述关节点估计模块估计出的关节点,形成用户骨架,骨架行动速度检测模块、骨架个数检测模块分别对骨架进行行动速度检测、骨架个数检测。
5.根据权利要求4所述的基于扫地机器人的家庭安保监测系统,其特征在于,所述家庭安保警示信号输出模块,还将所述骨架行动速度检测模块、骨架个数检测模块的检测结果分配权重,计算出家庭安保异常,并输出安保警示信号。
6.一种基于扫地机器人的家庭安保监测方法,利用了权利要求1或5所述的基于扫地机器人的家庭安保监测系统,其特征在于,包括以下步骤:
S1:录制扫地机器人旋转一周的视觉范围内视频;
S2:采用包括输入层、标准卷积层、可分离卷积包、平均降纬层、完全连接层、家具识别输出层的神经网络模型,对所述图像处理模块进行RGB数据处理后的视频按帧读取,通过对每帧图像进行标准卷积、可分离卷积、平均降纬、完全连接处理,判断出图像中的家具,输出视频中的家具模型以及识别结果的置信度;
S3:为S2中家具位置检测、家具形态检测结果分配权重,综合家具位置变化、家具形态变化条件,判断家庭安保异常,并输出安保警示信号。
7.根据权利要求6所述的基于扫地机器人的家庭安保监测方法,其特征在于,所述可分离卷积的方法包括深度卷积操作,线性整流操作,批量标准化操作和逐点卷积操作。
8.根据权利要求6所述的基于扫地机器人的家庭安保监测方法,其特征在于,还包括以下步骤:
T1:对所述步骤S1中的视频逐帧进行关节点估计,判断人物的关节点,形成骨架特征;
T2:根据所述步骤T1中的骨架特征,判断所述步骤S1视频中是否存在用户骨架特征,若存在则进行步骤S4,否则返回所述步骤S2;
T3:根据所述步骤T2中的用户骨架特征,对计算用户形体的形心;
T4:判断所述步骤T3中的形心下降时间低于m秒时,输出用户异常行为并报警。
9.根据权利要求8所述的基于扫地机器人的家庭安保监测方法,其特征在于,对所述步骤S4中关节点估计的方法为:
利用主网络(Main LSTM Network)对目标骨架特征进行提取、时域相关性利用和最终关节点的判断与输出;时域注意力子网络(Temporal Attention)给所述步骤S1中视频的不同帧分配合适的重要性,在主网络(Main LSTM Network)时,加以空域注意力子网络(SpatialAttention)给不同关节点分配合适的重要性。
10.根据权利要求8所述的基于扫地机器人的家庭安保监测方法,其特征在于,所述步骤S3中家庭安保警示的步骤还包括:
S4:根据所述步骤T2中的用户骨架特征,进行骨架行动速度检测、骨架个数检测;
S5:为步骤S2和步骤S4中的骨架行动速度检测、骨架个数检测、家具位置检测、家具形态检测结果分配权重,综合骨架行动速度过快、骨架个数突变、家具位置变化、家具形态变化条件,判断家庭安保异常,并输出安保警示信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703310.8A CN108803341A (zh) | 2018-06-29 | 2018-06-29 | 一种基于扫地机器人的家庭安保监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703310.8A CN108803341A (zh) | 2018-06-29 | 2018-06-29 | 一种基于扫地机器人的家庭安保监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108803341A true CN108803341A (zh) | 2018-11-13 |
Family
ID=64073754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810703310.8A Pending CN108803341A (zh) | 2018-06-29 | 2018-06-29 | 一种基于扫地机器人的家庭安保监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803341A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102541059A (zh) * | 2010-08-23 | 2012-07-04 | 德国福维克控股公司 | 可自动移动的设备 |
CN104598896A (zh) * | 2015-02-12 | 2015-05-06 | 南通大学 | 基于Kinect骨架追踪的人体摔倒自动检测方法 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
CN107194967A (zh) * | 2017-06-09 | 2017-09-22 | 南昌大学 | 基于Kinect深度图像的人体摔倒检测方法及装置 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
CN107657244A (zh) * | 2017-10-13 | 2018-02-02 | 河海大学 | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 |
-
2018
- 2018-06-29 CN CN201810703310.8A patent/CN108803341A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102541059A (zh) * | 2010-08-23 | 2012-07-04 | 德国福维克控股公司 | 可自动移动的设备 |
CN104598896A (zh) * | 2015-02-12 | 2015-05-06 | 南通大学 | 基于Kinect骨架追踪的人体摔倒自动检测方法 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
CN107194967A (zh) * | 2017-06-09 | 2017-09-22 | 南昌大学 | 基于Kinect深度图像的人体摔倒检测方法及装置 |
CN107657244A (zh) * | 2017-10-13 | 2018-02-02 | 河海大学 | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 |
Non-Patent Citations (3)
Title |
---|
HOWARD, ANDREW G,ZHU, MENGLONG,CHEN, BO,KALENICHENKO, DMITRY: "MobileNets:Efficient Convolutional Neural Networks for Mobile Vision Applications", 《HTTPS://ARXIV.ORG/PDF/1704.04861.PDF》 * |
兰翠玲: "⾏为识别:让机器学会"察⾔观⾊"第⼀步", 《HTTPS://WWW.MSRA.CN/ZH-CN/NEWS/FEATURES/ACTION-RECOGNITION-20170206》 * |
项保华: "《决策管理疑难与破解》", 31 March 2011 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106241533B (zh) | 基于机器视觉的电梯乘员综合安全智能监控方法 | |
CN105913559B (zh) | 一种基于体感技术的银行atm机智能监控方法 | |
CN108898108A (zh) | 一种基于扫地机器人的用户异常行为监测系统及方法 | |
CN106022230B (zh) | 一种基于视频的游泳池溺水事件检测方法 | |
CN106006266B (zh) | 一种应用于电梯安全监控的机器视觉建立方法 | |
CN106241534B (zh) | 多人乘梯异常活动智能监控方法 | |
CN108474866A (zh) | 一种基于深度学习的井盖缺失检测系统及方法 | |
CN101577812B (zh) | 一种岗位监测的方法和系统 | |
Zhang et al. | A viewpoint-independent statistical method for fall detection | |
CN108806142A (zh) | 一种无人安保系统,方法及扫地机器人 | |
CN105279483A (zh) | 一种基于深度图像的跌倒行为实时检测方法 | |
CN102302370A (zh) | 一种跌倒检测方法和装置 | |
CN104787084A (zh) | 一种铁路异物侵限检测系统及检测方法 | |
CN109558785A (zh) | 安防监控系统及应用其的无人便利店 | |
Shoaib et al. | View-invariant fall detection for elderly in real home environment | |
CN109867186B (zh) | 一种基于智能视频分析技术的电梯困人检测方法及系统 | |
Liciotti et al. | Human activity analysis for in-home fall risk assessment | |
US11935297B2 (en) | Item monitoring for doorbell cameras | |
CN102348099B (zh) | 嵌入式视频烟雾探测器及烟雾识别方法 | |
CN113099178B (zh) | 基于视频远程监控的智慧社区安全在线实时监测预警方法 | |
CN109637066A (zh) | 一种楼宇智能消防报警控制系统及方法 | |
CN115019463B (zh) | 基于人工智能技术的水域监管系统 | |
Stone et al. | Silhouette classification using pixel and voxel features for improved elder monitoring in dynamic environments | |
Pramerdorfer et al. | Fall detection based on depth-data in practice | |
CN108803341A (zh) | 一种基于扫地机器人的家庭安保监测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |