CN109271961A - 基于人物身份特征识别的行为模式判断方法 - Google Patents
基于人物身份特征识别的行为模式判断方法 Download PDFInfo
- Publication number
- CN109271961A CN109271961A CN201811173577.7A CN201811173577A CN109271961A CN 109271961 A CN109271961 A CN 109271961A CN 201811173577 A CN201811173577 A CN 201811173577A CN 109271961 A CN109271961 A CN 109271961A
- Authority
- CN
- China
- Prior art keywords
- model
- staff
- behavior pattern
- behavior
- action
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Abstract
本发明涉及基于人物身份特征识别的行为模式判断方法，根据不同应用场景进行身份特征和行为模式建模并存储在后台服务器中，所述的身份特征和行为模式应符合应用场景的规定；在应用场景安装高清摄像头，360°全方位采集场景内所有人物的身份特征和动作行为，并将采集到的信息上传到后台服务器；后台服务器将采集到的身份特征和动作行为与身份特征模型和行为模式模型进行比对，对不符合身份特征模型和行为模式模型的事件进行标记并生产记录文件。本发明摒弃传统监控中感应触发报警，采用智能人工识别，对目标对象的行为进行分析，并针对不同对象进行不同的处理。
Description
技术领域
本发明涉及监控领域，具体涉及一种基于人物身份特征识别的行为模式判断方法。
背景技术
监控系统是安防系统中应用最多的系统之一，现在市面上较为适合的工地监控系统是手持式视频通信设备，视频监控现在是主流。 从最早模拟监控到前些年火热数字监控再到现在方兴未艾网络视频监控，发生了翻天覆地变化。在IP技术逐步统一全球今天，我们有必要重新认识视频监控系统发展历史。从技术角度出发，视频监控系统发展划分为第一代模拟视频监控系统(CCTV)，到第二代基于"PC+多媒体卡"数字视频监控系统(DVR)，到第三代完全基于IP网络视频监控系统(IPVS)。
随着网络技术、识别技术、微电子技术、编解码技术、操作系统技术等的发展将使得嵌入式DVR向着智能化、集成化、无线化、高清晰化、个性化、互动化方向发展。
1、硬件处理速度更快，存储时间更长 随着芯片技术的发展，更高性能的中央处理器让DVR的速度更快，功能更加强大。从早期的CIF硬盘录像机，D1硬盘录像机，960H硬盘录像机，混合式硬盘录像机，HD-SDI硬盘录像机。另外随着对高清化的趋势，存储的需求也在增加，DVR硬盘管理技术也在提升。基本上DVR可能会支持更多的硬盘接口，支持RAID技术，支持DAS、SAN、NAS等存储技术的兼容。
2、编码方式更加先进 市面上主流的DVR采用的压缩技术有MPEG-4、H.264、M-JPEG。MPEG-4、H.264是国内最常见的压缩方式，而H.264因其更切合网络传输的要求已成为主流。今后为了使嵌入式DVR具有更广泛的适用性，各种算法的统一将是未来发展的趋势，但这种统一不是以国内哪个企业的标准为标准，而需要广泛的政府职能部门与DVR产业链上的各类企业的广泛参与。例如，我国具备自主知识产权的AVS压缩算法，还有H.265压缩算法，相对于H.264在很多方面有了革命性的变化。
3、智能化是重要发展方向 从技术角度来讲，智能化是一个重要的发展方向，只有通过智能分析技术对视频信息管理才能够把人的工作从繁复的事务中解脱出来。其实，实时监控、预警、信息的处理、检索等方面的功能都需要智能技术应用。虽然在短时间内还难以完全实现智能分析技术的管理，但是技术已经可以在某种程度上实现半自动的监控智能，在大部分的情况下利用智能分析技术能够完成大部分工作，工作人员能够集中到管理和协调处理方面，这是现阶段一个比较好的应用方式。智能化方面来说，市场需求很强。很多厂商都推出了带有智能分析技术的DVR.。现在最好的智能分析技术也没有100%的准确率，技术方面还需要很大的突破和进步才能满足市场的应用。
现有技术的缺点在于：传统的监控技术只能记录监控画面，而目前的智能监控系统一般是固定场合安装行为监测的传感器进行监测，从而使得监测极为机械化。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于人物身份特征识别的行为模式判断方法，主要应用于公共场合的监控，摒弃传统监控中感应触发报警，采用智能人工识别，对目标对象的行为进行分析，并针对不同对象进行不同的处理。
本发明的目的是通过以下技术方案来实现的：
基于人物身份特征识别的行为模式判断方法，该方法步骤如下：
S1.根据不同应用场景进行身份特征和行为模式建模并存储在后台服务器中，所述的身份特征和行为模式应符合应用场景的规定；
S2.在应用场景安装高清摄像头，360°全方位采集场景内所有人物的身份特征和动作行为，并将采集到的信息上传到后台服务器；
S3.后台服务器将采集到的身份特征和动作行为与身份特征模型和行为模式模型进行比对，对不符合身份特征模型和行为模式模型的事件进行标记并生产记录文件。
进一步的，所述身份特征模型包括应用场景下目标人员的体型特征模型和着装特征模型；
所述行为模式包括应用场景下目标人员的肢体动作模型、行动轨迹模型。
进一步的，所述应用场景下目标人员包括该应用场景的工作人员和非工作人员，后台服务器事先采集工作人员的体型特征、并定义工作人员的着装特征；
然后根据工作人员的日常工作内容定义肢体动作模型A和行为轨迹模型A；对于非工作人员则根据应用场景定义肢体动作模型B和行为轨迹模型B；
进行行为模式判断时，首先判断目标是工作人员还是非工作人员；
如果是工作人员则以肢体动作模型A和行为轨迹模型A为标准进行行为模式判断；
如果是非工作人员则以肢体动作模型B和行为轨迹模型B为标准进行行为模式判断。
进一步的，所述后台服务器记录工作人员的日常行为轨迹，然后根据对这些日常行为轨迹提取相同特征点，从而匹配出该工作人员特有的行为特征，然后将该行为特征写入后台服务器的肢体动作模型A中，并更新该肢体动作模型A。
进一步的，所述后台服务器模式判断采用OpenCV算法框架，综合应用adaboost 、人工神经网络CNN、Faster、R-CN进行判断。
进一步的，所述判断步骤如下：
S01：将采集到的视频画面分割成若干视频片段，对每一段视频片段按图片帧生成若干图片，图片按时间顺序依次编号；
S02：对每一帧图片中的人物进行识别，将图片中的人物分为工作人员和非工作人员；
S03：提取每一帧图片中工作人员和非工作人员的行为特征，采用双线程进行比对；
将工作人员行为特征与肢体动作模型A比对；
将非工作人员行为特征与肢体动作模型B比对；
S04：提取连续图片，通过前后帧图片中目标人员的位置分别绘制出工作人员行动轨迹和非工作人员行动轨迹；
将工作人员行动轨迹与行为轨迹模型A进行比对；
将非工作人员行动轨迹与行为轨迹模型B进行比对；
S05：当工作人员行为特征与肢体动作模型A相比以及行动轨迹与行为轨迹模型A相比低于阈值A时，记录当下事件并生成日志；
当非工作人员行为特征与肢体动作模型B相比以及行动轨迹与行为轨迹模型B相比超过阈值B时，记录当下事件并进行报警。
进一步的，所述阈值A是指采集到的工作人员行为特征、行动轨迹与肢体动作模型A、行为轨迹模型A的重合率低于85%；
所述阈值B是采集到的非工作人员行为特征、行动轨迹与肢体动作模型B、行为轨迹模型B相比重合率超过60%。
进一步的，所述肢体动作模型A、行为轨迹模型A是指工作人员规范操作下的行为模型，所述肢体动作模型B、行为轨迹模型B是指非工作人员非规范操作的行为模型。
本发明的有益效果是：和传统技术相比，本方案中利用的是对监控对象进行分类，分为工作人员和非工作人员，并对此制定两套行为模型，对于工作人员采用标准的符合型模型，即一旦不符合该模型则视为非规范操作，而对于非工作人员鉴于其人员的灵活性则制定排他型模型，即制定哪些事件或行为是非规范操作，一旦达到该事件模型则视为非规范操作，对于工作人员的非规范操作进行后台处理生成日志，对于非工作人员的非规范操作则发出警报及时处理，两种处理方式使得监控更加具体有效。
具体实施方式
下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
实施例
基于人物身份特征识别的行为模式判断方法，该方法步骤如下：
S1.根据不同应用场景进行身份特征和行为模式建模并存储在后台服务器中，所述的身份特征和行为模式应符合应用场景的规定；
S2.在应用场景安装高清摄像头，360°全方位采集场景内所有人物的身份特征和动作行为，并将采集到的信息上传到后台服务器；
S3.后台服务器将采集到的身份特征和动作行为与身份特征模型和行为模式模型进行比对，对不符合身份特征模型和行为模式模型的事件进行标记并生产记录文件。
作为一种实施例，所述身份特征模型包括应用场景下目标人员的体型特征模型和着装特征模型；
所述行为模式包括应用场景下目标人员的肢体动作模型、行动轨迹模型。
作为一种实施例，所述应用场景下目标人员包括该应用场景的工作人员和非工作人员，后台服务器事先采集工作人员的体型特征、并定义工作人员的着装特征；
然后根据工作人员的日常工作内容定义肢体动作模型A和行为轨迹模型A；对于非工作人员则根据应用场景定义肢体动作模型B和行为轨迹模型B；
进行行为模式判断时，首先判断目标是工作人员还是非工作人员；
如果是工作人员则以肢体动作模型A和行为轨迹模型A为标准进行行为模式判断；
如果是非工作人员则以肢体动作模型B和行为轨迹模型B为标准进行行为模式判断。
作为一种实施例，所述后台服务器记录工作人员的日常行为轨迹，然后根据对这些日常行为轨迹提取相同特征点，从而匹配出该工作人员特有的行为特征，然后将该行为特征写入后台服务器的肢体动作模型A中，并更新该肢体动作模型A。
作为一种实施例，所述后台服务器模式判断采用OpenCV算法框架，综合应用adaboost 、人工神经网络CNN、Faster、R-CN进行判断。
作为一种实施例，所述判断步骤如下：
S01：将采集到的视频画面分割成若干视频片段，对每一段视频片段按图片帧生成若干图片，图片按时间顺序依次编号；
S02：对每一帧图片中的人物进行识别，将图片中的人物分为工作人员和非工作人员；
S03：提取每一帧图片中工作人员和非工作人员的行为特征，采用双线程进行比对；
将工作人员行为特征与肢体动作模型A比对；
将非工作人员行为特征与肢体动作模型B比对；
S04：提取连续图片，通过前后帧图片中目标人员的位置分别绘制出工作人员行动轨迹和非工作人员行动轨迹；
将工作人员行动轨迹与行为轨迹模型A进行比对；
将非工作人员行动轨迹与行为轨迹模型B进行比对；
S05：当工作人员行为特征与肢体动作模型A相比以及行动轨迹与行为轨迹模型A相比低于阈值A时，记录当下事件并生成日志；
当非工作人员行为特征与肢体动作模型B相比以及行动轨迹与行为轨迹模型B相比超过阈值B时，记录当下事件并进行报警。
作为一种实施例，所述阈值A是指采集到的工作人员行为特征、行动轨迹与肢体动作模型A、行为轨迹模型A的重合率低于85%；
所述阈值B是采集到的非工作人员行为特征、行动轨迹与肢体动作模型B、行为轨迹模型B相比重合率超过60%。
作为一种实施例，所述肢体动作模型A、行为轨迹模型A是指工作人员规范操作下的行为模型，所述肢体动作模型B、行为轨迹模型B是指非工作人员非规范操作的行为模型。
更为具体的，以下用具体应用场景进行具体说明，以加油站为例进行说明；
首先布置服务器，并在加油站区域内安装全景摄像头，录入每一个工作人员的岗位位置、每个工作人员的身高、体型（体型分为瘦、中等、胖三种情况，具体可以细分），然后根据工作内容进行工作人员的肢体动作建模和行为轨迹建模，视为母模型，并将模型植入服务器内；在后期监控过程中，根据不同工作人员的习惯特性逐渐改进和优化行为模型，并生成若干子模型，每一个子模型对应一个工作人员，形成独特的模型，当有新工作人员加入以后，重复上述步骤录入工作人员的身高、体型，然后对该新加入的工作人员则以母模型作为评判标准并随时间生成相应的字模型，从而最终形成每个工作人员具有唯一一个匹配的模型，一旦检测到该工作人员行为习惯于该子模型不匹配则生成记录日志，保留该监控视频片段；
对于非工作人员而言，则建立非规范操作的模型，例如用户自己加油、操作收银台等非规范操作模型，并在后续过程中学习生成该特定环境下独有的非规范操作模型，并更新到服务器中进行持续监控。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.基于人物身份特征识别的行为模式判断方法，其特征在于，该方法步骤如下：
S1.根据不同应用场景进行身份特征和行为模式建模并存储在后台服务器中，所述的身份特征和行为模式应符合应用场景的规定；
S2.在应用场景安装高清摄像头，360°全方位采集场景内所有人物的身份特征和动作行为，并将采集到的信息上传到后台服务器；
S3.后台服务器将采集到的身份特征和动作行为与身份特征模型和行为模式模型进行比对，对不符合身份特征模型和行为模式模型的事件进行标记并生产记录文件。
2.根据权利要求1所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述身份特征模型包括应用场景下目标人员的体型特征模型和着装特征模型；
所述行为模式包括应用场景下目标人员的肢体动作模型、行动轨迹模型。
3.根据权利要求2所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述应用场景下目标人员包括该应用场景的工作人员和非工作人员，后台服务器事先采集工作人员的体型特征、并定义工作人员的着装特征；
然后根据工作人员的日常工作内容定义肢体动作模型A和行为轨迹模型A；对于非工作人员则根据应用场景定义肢体动作模型B和行为轨迹模型B；
进行行为模式判断时，首先判断目标是工作人员还是非工作人员；
如果是工作人员则以肢体动作模型A和行为轨迹模型A为标准进行行为模式判断；
如果是非工作人员则以肢体动作模型B和行为轨迹模型B为标准进行行为模式判断。
4.根据权利要求3所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述后台服务器记录工作人员的日常行为轨迹，然后根据对这些日常行为轨迹提取相同特征点，从而匹配出该工作人员特有的行为特征，然后将该行为特征写入后台服务器的肢体动作模型A中，并更新该肢体动作模型A。
5.根据权利要求4所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述后台服务器模式判断采用OpenCV算法框架，综合应用adaboost 、人工神经网络CNN、Faster、R-CN进行判断。
6.根据权利要求5所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述判断步骤如下：
S01：将采集到的视频画面分割成若干视频片段，对每一段视频片段按图片帧生成若干图片，图片按时间顺序依次编号；
S02：对每一帧图片中的人物进行识别，将图片中的人物分为工作人员和非工作人员；
S03：提取每一帧图片中工作人员和非工作人员的行为特征，采用双线程进行比对；
将工作人员行为特征与肢体动作模型A比对；
将非工作人员行为特征与肢体动作模型B比对；
S04：提取连续图片，通过前后帧图片中目标人员的位置分别绘制出工作人员行动轨迹和非工作人员行动轨迹；
将工作人员行动轨迹与行为轨迹模型A进行比对；
将非工作人员行动轨迹与行为轨迹模型B进行比对；
S05：当工作人员行为特征与肢体动作模型A相比以及行动轨迹与行为轨迹模型A相比低于阈值A时，记录当下事件并生成日志；
当非工作人员行为特征与肢体动作模型B相比以及行动轨迹与行为轨迹模型B相比超过阈值B时，记录当下事件并进行报警。
7.根据权利要求6所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述阈值A是指采集到的工作人员行为特征、行动轨迹与肢体动作模型A、行为轨迹模型A的重合率低于85%；
所述阈值B是采集到的非工作人员行为特征、行动轨迹与肢体动作模型B、行为轨迹模型B相比重合率超过60%。
8.根据权利要求7所述的基于人物身份特征识别的行为模式判断方法，其特征在于，所述肢体动作模型A、行为轨迹模型A是指工作人员规范操作下的行为模型，所述肢体动作模型B、行为轨迹模型B是指非工作人员非规范操作的行为模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173577.7A CN109271961B (zh) | 2018-10-09 | 2018-10-09 | 基于人物身份特征识别的行为模式判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173577.7A CN109271961B (zh) | 2018-10-09 | 2018-10-09 | 基于人物身份特征识别的行为模式判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109271961A true CN109271961A (zh) | 2019-01-25 |
| CN109271961B CN109271961B (zh) | 2021-02-02 |
Family
ID=65195306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811173577.7A Active CN109271961B (zh) | 2018-10-09 | 2018-10-09 | 基于人物身份特征识别的行为模式判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109271961B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188617A (zh) * | 2019-05-05 | 2019-08-30 | 深圳供电局有限公司 | 一种机房智能监控方法及系统 |
| CN110210750A (zh) * | 2019-05-29 | 2019-09-06 | 北京天正聚合科技有限公司 | 一种识别导购员业务的方法、装置、电子设备及存储介质 |
| CN110276436A (zh) * | 2019-05-15 | 2019-09-24 | 深圳市木愚科技有限公司 | 一种对虚拟人物进行的监控的方法 |
| CN110472870A (zh) * | 2019-08-15 | 2019-11-19 | 成都睿晓科技有限公司 | 一种基于人工智能的收银台服务规范检测系统 |
| CN111080491A (zh) * | 2019-12-12 | 2020-04-28 | 成都阳帆网络科技有限公司 | 一种基于视频识别的施工现场检查系统及方法 |
| CN111310612A (zh) * | 2020-01-22 | 2020-06-19 | 中国建设银行股份有限公司 | 行为督导方法和装置 |
| CN112667308A (zh) * | 2020-12-16 | 2021-04-16 | 浙江大华技术股份有限公司 | 特征信息的处理方法、装置和特征信息的处理系统 |
| CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
| CN112906646A (zh) * | 2021-03-23 | 2021-06-04 | 中国联合网络通信集团有限公司 | 人体姿态的检测方法及装置 |
| CN113438457A (zh) * | 2021-08-26 | 2021-09-24 | 广州洛克韦陀安防科技有限公司 | 提高示警准确性的居家监控方法和居家监控系统 |
| CN114463850A (zh) * | 2022-02-08 | 2022-05-10 | 南京科源视觉技术有限公司 | 一种适用于多种应用场景的人体动作识别系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105427421A (zh) * | 2015-11-16 | 2016-03-23 | 苏州市公安局虎丘分局 | 基于人脸识别的门禁控制方法 |
| CN105512534A (zh) * | 2015-12-31 | 2016-04-20 | 湖南人文科技学院 | 一种基于脑电波和虹膜及人脸识别的复合鉴证的可自毁式身份识别系统 |
| CN105787440A (zh) * | 2015-11-10 | 2016-07-20 | 深圳市商汤科技有限公司 | 一种基于人脸特征和步态特征的安保管理方法及系统 |
| CN107169906A (zh) * | 2017-04-16 | 2017-09-15 | 悠泊物联网科技(上海)有限公司 | 一种智能安防报警控制系统 |
-
2018
- 2018-10-09 CN CN201811173577.7A patent/CN109271961B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787440A (zh) * | 2015-11-10 | 2016-07-20 | 深圳市商汤科技有限公司 | 一种基于人脸特征和步态特征的安保管理方法及系统 |
| CN105427421A (zh) * | 2015-11-16 | 2016-03-23 | 苏州市公安局虎丘分局 | 基于人脸识别的门禁控制方法 |
| CN105512534A (zh) * | 2015-12-31 | 2016-04-20 | 湖南人文科技学院 | 一种基于脑电波和虹膜及人脸识别的复合鉴证的可自毁式身份识别系统 |
| CN107169906A (zh) * | 2017-04-16 | 2017-09-15 | 悠泊物联网科技(上海)有限公司 | 一种智能安防报警控制系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188617A (zh) * | 2019-05-05 | 2019-08-30 | 深圳供电局有限公司 | 一种机房智能监控方法及系统 |
| CN110276436A (zh) * | 2019-05-15 | 2019-09-24 | 深圳市木愚科技有限公司 | 一种对虚拟人物进行的监控的方法 |
| CN110210750A (zh) * | 2019-05-29 | 2019-09-06 | 北京天正聚合科技有限公司 | 一种识别导购员业务的方法、装置、电子设备及存储介质 |
| CN110472870B (zh) * | 2019-08-15 | 2023-02-28 | 成都睿晓科技有限公司 | 一种基于人工智能的收银台服务规范检测系统 |
| CN110472870A (zh) * | 2019-08-15 | 2019-11-19 | 成都睿晓科技有限公司 | 一种基于人工智能的收银台服务规范检测系统 |
| CN111080491A (zh) * | 2019-12-12 | 2020-04-28 | 成都阳帆网络科技有限公司 | 一种基于视频识别的施工现场检查系统及方法 |
| CN111310612A (zh) * | 2020-01-22 | 2020-06-19 | 中国建设银行股份有限公司 | 行为督导方法和装置 |
| CN112667308A (zh) * | 2020-12-16 | 2021-04-16 | 浙江大华技术股份有限公司 | 特征信息的处理方法、装置和特征信息的处理系统 |
| CN112906646A (zh) * | 2021-03-23 | 2021-06-04 | 中国联合网络通信集团有限公司 | 人体姿态的检测方法及装置 |
| CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
| CN113438457A (zh) * | 2021-08-26 | 2021-09-24 | 广州洛克韦陀安防科技有限公司 | 提高示警准确性的居家监控方法和居家监控系统 |
| CN114463850A (zh) * | 2022-02-08 | 2022-05-10 | 南京科源视觉技术有限公司 | 一种适用于多种应用场景的人体动作识别系统 |
| CN114463850B (zh) * | 2022-02-08 | 2022-12-20 | 南京科源视觉技术有限公司 | 一种适用于多种应用场景的人体动作识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109271961B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271961A (zh) | 基于人物身份特征识别的行为模式判断方法 | |
| CN106997629B (zh) | 门禁控制方法、装置及系统 | |
| CN106203458B (zh) | 人群视频分析方法及系统 | |
| Avgerinakis et al. | Recognition of activities of daily living for smart home environments | |
| CN108174165A (zh) | 电力安全作业及运维智能监管系统及方法 | |
| CN102136066B (zh) | 一种视频序列中人体动作的识别方法 | |
| CN107958220B (zh) | 一种基于人脸识别的人脸库压缩处理方法及其智能装置 | |
| CN106355154B (zh) | 一种监控视频中检测频繁过人的方法 | |
| CN107657232B (zh) | 一种行人智能识别方法及其系统 | |
| CN206272770U (zh) | 一种车辆和人脸卡口系统 | |
| CN113850229B (zh) | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 | |
| Avgerinakis et al. | Activity detection and recognition of daily living events | |
| CN109815878B (zh) | 基于人脸识别的落脚点分析方法和装置 | |
| Ullah et al. | Gaussian mixtures for anomaly detection in crowded scenes | |
| CN111353338A (zh) | 一种基于营业厅视频监控的能效改进方法 | |
| CN116994390A (zh) | 基于物联网的安防监控系统及其方法 | |
| CN109410387A (zh) | 一种人脸识别监狱安防管理方法及系统 | |
| Amiri et al. | Non-intrusive human activity monitoring in a smart home environment | |
| Huszar et al. | Toward fast and accurate violence detection for automated video surveillance applications | |
| CN110519324B (zh) | 一种基于网络轨迹大数据的人物追踪方法与系统 | |
| Singh et al. | A multi-gait dataset for human recognition under occlusion scenario | |
| WO2015028856A1 (en) | Pose and sub-pose clustering-based identification of individuals | |
| Xu et al. | An efficient and robust system for multiperson event detection in real-world indoor surveillance scenes | |
| CN112132057A (zh) | 一种多维身份识别方法及系统 | |
| Lee et al. | Modeling of human walking trajectories for surveillance |
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 |