CN109635778B - 适于特殊人群的风险行为监测预警方法及系统 - Google Patents

适于特殊人群的风险行为监测预警方法及系统 Download PDF

Info

Publication number
CN109635778B
CN109635778B CN201811589293.6A CN201811589293A CN109635778B CN 109635778 B CN109635778 B CN 109635778B CN 201811589293 A CN201811589293 A CN 201811589293A CN 109635778 B CN109635778 B CN 109635778B
Authority
CN
China
Prior art keywords
emotion
early warning
special
individuals
facial
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.)
Active
Application number
CN201811589293.6A
Other languages
English (en)
Other versions
CN109635778A (zh
Inventor
马皑
宋业臻
方秋兰
孙晓
王方兵
刘晓倩
林振林
赵一洋
舒志
陈奕帆
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.)
Beijing Xinfa Technology Co Ltd
Original Assignee
Beijing Xinfa Technology 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 Beijing Xinfa Technology Co Ltd filed Critical Beijing Xinfa Technology Co Ltd
Priority to CN201811589293.6A priority Critical patent/CN109635778B/zh
Publication of CN109635778A publication Critical patent/CN109635778A/zh
Application granted granted Critical
Publication of CN109635778B publication Critical patent/CN109635778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/174—Facial expression recognition
    • G06V40/176—Dynamic expression
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种适于特殊人群的风险行为监测预警方法及系统。一种适于特殊人群的风险行为监测预警方法，包括：获取特殊人群个体面部活动监测数据；将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；根据所述特殊人群个体的情绪类型，确定是否进行预警。本实施例中通过面部图像识别分析情绪状态，从而可以使预警结果更加精确。并且，本实施例中可以动态和实时监测个体情绪，可以实现监测的实时性，可以提高监测效率。

Description

适于特殊人群的风险行为监测预警方法及系统
技术领域
本发明涉及预警技术领域，尤其涉及一种适于特殊人群的风险行为监测预警方法及系统。
背景技术
目前，对于特殊人群预警可以包括以下方式：例如管理者通过定期定时对用户进行行为观察和个体访谈，然后自身经验判断特殊人群中是否存在行为异常者。又如，管理者可以根据心理学理论设计编制质性/量化问题，采用检验信效度并修正问卷，通过特殊人群填写问卷的结果推断是否存在行为异常可能性。
然而，现有预警方法存在以下缺点：
第一，观察法、访谈法的主观性强，不精确，难以统一测量标准，故难以做到精确判断识别。
第二，问卷量表填写需要耗费大量时间，导致测评效率比较低。
第三，测评周期比较长，无法做到实时监测。
发明内容
针对现有技术中的缺陷，本发明提供了一种适于特殊人群的风险行为监测预警方法及系统，用于解决相关技术中存在的技术问题。
第一方面，本发明实施例提供了一种适于特殊人群的风险行为监测预警方法，所述方法包括：
获取特殊人群个体面部活动监测数据；
将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
根据所述特殊人群个体的情绪类型，确定是否进行预警。
可选地，面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态。
可选地，所述预先训练好的情绪分类器训练方式如下：
(1)构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p＝0.5的Softmax层；
(2)根据人脸面部结构设置9个不同兴趣区域ROI，主动引导神经网路关注与表情相关的区域；
(3)从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成；
(4)经过训练、测试，得到准确率超过98％的分类器；
(5)将特殊人群个体面部特征输入按照上述步骤(1)-(4)进行训练、测试得到最终的情绪分类器。
可选地，3个卷积层分别为：CNN-64：[32，32，64，64]；CNN-96：[48，48，96，200]；CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：ReLU(x)＝max(0，x)；
以及，
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
可选地，根据所述特殊人群个体的情绪类型，确定是否进行预警，包括：
记录特殊人群中各个体在预设时间段内的情感类型；
调用预设预警策略，确定所述情感类型是否满足所述预设预警策略，若满足则报警。
第二方面，本发明实施例提供了一种适于特殊人群的风险行为监测预警系统，所述系统包括：
监测数据获取模块，用于获取特殊人群个体面部活动监测数据；
预警确定模块，用于将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
预警确定模块，用于根据所述特殊人群个体的情绪类型，确定是否进行预警。
可选地，所述面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态。
可选地，所述预先训练好的情绪分类器训练方式如下：
(1)构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p＝0.5的Softmax层；
(2)根据人脸面部结构设置9个不同兴趣区域ROI，主动引导神经网路关注与表情相关的区域；
(3)从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成；
(4)经过训练、测试，得到准确率超过98％的分类器；
(5)将特殊人群个体面部特征输入按照上述步骤(1)-(4)进行训练、测试得到最终的情绪分类器。
可选地，3个卷积层分别为：CNN-64：[32，32，64，64]；CNN-96：[48，48，96，200]；CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：ReLU(x)＝max(0，x)；
以及，
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
可选地，所述预警确定模块包括：
情感类型记录单元，用于记录特殊人群中各个体在预设时间段内的情感类型；
情感预警单元，用于调用预设预警策略，确定所述情感类型是否满足所述预设预警策略，若满足则报警。
由上述技术方案可知，本发明实施例中通过获取特殊人群个体面部活动监测数据；然后，将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；最后，根据所述特殊人群个体的情绪类型，确定是否进行预警。这样，本实施例中通过面部图像识别分析情绪状态，从而可以使预警结果更加精确。并且，本实施例中可以动态和实时监测个体情绪，可以实现监测的实时性，可以提高监测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种适于特殊人群的风险行为监测预警方法的流程示意图；
图2～图3为本发明一实施例提供的另一种适于特殊人群的风险行为监测预警系统的框图。
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，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
目前，对于特殊人群预警可以包括以下方式：例如管理者通过定期定时对用户进行行为观察和个体访谈，然后自身经验判断特殊人群中是否存在行为异常者。又如，管理者可以根据心理学理论设计编制质性/量化问题，采用检验信效度并修正问卷，通过特殊人群填写问卷的结果推断是否存在行为异常可能性。
然而，现有预警方法存在以下缺点：
第一，观察法、访谈法的主观性强，不精确，难以统一测量标准，故难以做到精确判断识别。
第二，问卷量表填写需要耗费大量时间，导致测评效率比较低。
第三，测评周期比较长，无法做到实时监测。
本申请的发明人考虑到：当个体难以适应环境时，通常会出现悲伤、低落类型的情绪状态；当个体认为环境中有威胁时，通常会出现愤怒类型的情绪状态。并且，当个体持续处于某种情绪状态，且与其自身的一般正常情绪状态偏离较大时，尤其在愤怒、悲伤等情绪状态下，有极高可能性激发其做出攻击他人、自杀等风险行为。人类情绪状态会对自主神经活动产生影响，从而产生一系列的外部生理表现，较为明显的表现主要包括：面部表情(面部活动单位)的变化、面部温度变化、呼吸变化等。
为此，本发明实施例提供了一种适于特殊人群的风险行为监测预警方法，图1为本发明一实施例提供的适于特殊人群的风险行为监测预警方法的流程示意图，可以应用于智能设备、个人计算机、服务器等电子设备。参见图1，一种适于特殊人群的风险行为监测预警方法包括：
101，获取特殊人群个体面部活动监测数据；
102，将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
103，根据所述特殊人群个体的情绪类型，确定是否进行预警。
下面结合附图1、图2和实施例对适于特殊人群的风险行为监测预警方法的各步骤作详细描述。
首先，介绍101，获取特殊人群个体面部活动监测数据的步骤。
本实施例中，面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态。其中：
(1)面部活动单元的区域变化。将面部活动单元标注为18-20个活动点位(Landmarks)，每一个活动点位由一组坐标值描述：
Dn(Xn，Yn)；
其中，D表示某一活动点位，n为序号，Xn为第n个活动点位的横坐标值，Yn为第n个活动点位的纵坐标值。
(2)面部温度变化。面部温度的变化，表现在视频图像上，体现为面部图像颜色差异，通过图像增强技术将面部温度变化描述为：
ΔC＝(C(n+1)-Cn)；
其中，C表示图像色彩，C(n+1)表示第(n+1)秒的图像色彩值，Cn表示第n秒的图像色彩值。
(3)呼吸、心率变化。呼吸、心率变化体现在面部特定区域的颜色变化上，呼吸、心率变化预先设置的公式即可计算出。
然后，介绍102，将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类的步骤。
本实施例中，将面部活动特征输入预先训练好的情绪分类器进行情绪分类。其中，预先训练好的情绪分类器训练方式如下：
(1)构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p＝0.5的Softmax层；
CNN-64：[32，32，64，64]；
CNN-96：[48，48，96，200]；
CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：
ReLU(x)＝max(0，x)；
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
(2)根据人脸面部结构设置9个不同兴趣区域ROI(Region of Interesting)，主动引导神经网路关注与表情相关的区域。
(3)从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成。
可理解的是，训练数据或者测试数据的数量可以根据具体场景进行调整，在此不作限定。
(4)经过训练、测试，得到准确率超过98％的分类器。
(5)将特殊人群个体面部特征输入按照上述步骤(1)-(4)进行训练、测试得到最终的情绪分类器。
本实施例中，将摄像机拍摄的特殊人群个体面部特征输入情绪分类器，按照上述步骤(1)-(4)进行训练、测试得到的情绪分类器。通过情绪分类器计算，可以得到当日、当时个体X的情绪类型，如：(编号X，悲伤)。
最后，介绍103，根据所述特殊人群个体的情绪类型，确定是否进行预警的步骤。
本实施例中，可以记录特殊人群中各个体在预设时间段内的情感类型。然后，调用预设预警策略，确定情感类型是否满足预设预警策略，若满足则报警。
例如，某个体，在一日三次观测中，连续三次出现悲伤、愤怒情绪时，确定预警。
又如，某名个体与其他个体相比，在一日三次观测中，情绪类型连续呈现三次明显差异时，如：某日，在整个特殊人群中，85％的个体连续呈现三次喜悦情绪，但是个体X连续三次呈现愤怒情绪，确定预警；或个体Y连续三次呈现中性情绪，确定准备预警。
至此，本实施例中通过面部图像识别分析情绪状态，从而可以使预警结果更加精确。并且，本实施例中可以动态和实时监测个体情绪，可以实现监测的实时性，可以提高监测效率。并且，本实施例中通过个体自身情绪类型记录与前后差异比较预警，以及个体-群体情绪类型记录与横向差异比较预警，可以提升预警准确率。
第二方面，本发明实施例提供了一种适于特殊人群的风险行为监测预警系统，参见图2，所述系统包括：
监测数据获取模块201，用于获取特殊人群个体面部活动监测数据；
情绪分类模块202，用于将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
预警确定模块203，用于根据所述特殊人群个体的情绪类型，确定是否进行预警。
在一些实施例中，所述面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态。
在一些实施例中，所述预先训练好的情绪分类器训练方式如下：
(1)构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p＝0.5的Softmax层；
(2)根据人脸面部结构设置9个不同兴趣区域ROI，主动引导神经网路关注与表情相关的区域；
(3)从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成；
(4)经过训练、测试，得到准确率超过98％的分类器；
(5)将特殊人群个体面部特征输入按照上述步骤(1)-(4)进行训练、测试得到最终的情绪分类器。
在一些实施例中，3个卷积层分别为：CNN-64：[32，32，64，64]；CNN-96：[48，48，96，200]；CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：ReLU(x)＝max(0，x)；
以及，
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
在一些实施例中，参见图3，所述预警确定模块203包括：
情感类型记录单元301，用于记录特殊人群中各个体在预设时间段内的情感类型；
情感预警单元302，用于调用预设预警策略，确定所述情感类型是否满足所述预设预警策略，若满足则报警。
需要说明的是，本发明实施例提供的适于特殊人群的风险行为监测预警系统与上述方法是一一对应的关系，上述方法的实施细节同样适用于上述系统，本发明实施例不再对上述系统进行详细说明。
本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (4)

1.一种适于特殊人群的风险行为监测预警方法，其特征在于，所述方法包括：
获取特殊人群个体面部活动监测数据；
将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
根据所述特殊人群个体的情绪类型，确定是否进行预警;其中，通过个体自身情绪类型记录与前后差异比较预警，以及个体-群体情绪类型记录与横向差异比较预警；
所述预先训练好的情绪分类器训练方式如下：
（1）构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p=0.5的Softmax层；
（2）根据人脸面部结构设置9个不同兴趣区域ROI，主动引导神经网路关注与表情相关的区域；
（3）从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成；
（4）经过训练、测试，得到准确率超过98%的分类器；
（5）将特殊人群个体面部活动特征输入按照上述步骤（1）-（4）进行训练、测试得到最终的情绪分类器；其中，面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态；
所述3个卷积层分别为：CNN-64：[32，32，64，64]；CNN-96：[48，48，96，200]；CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：ReLU（x）=max（0，x）；
以及，
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
2.根据权利要求1所述的适于特殊人群的风险行为监测预警方法，其特征在于，根据所述特殊人群个体的情绪类型，确定是否进行预警，包括：
记录特殊人群中各个体在预设时间段内的情感类型；
调用预设预警策略，确定所述情感类型是否满足所述预设预警策略，若满足则报警。
3.一种适于特殊人群的风险行为监测预警系统，其特征在于，所述系统包括：
监测数据获取模块，用于获取特殊人群个体面部活动监测数据；
预警确定模块，用于将所记录的特殊人群个体的面部活动特征输入预先训练好的情绪分类器进行情绪分类；
预警确定模块，用于根据所述特殊人群个体的情绪类型，确定是否进行预警; 其中，通过个体自身情绪类型记录与前后差异比较预警，以及个体-群体情绪类型记录与横向差异比较预警；
所述预先训练好的情绪分类器训练方式如下：
（1）构建一个卷积神经网络，针对输入大小为32*32的灰度图，构建3个卷积&最大池化层、1个全链接层、全链接层后连接1个p=0.5的Softmax层；
（2）根据人脸面部结构设置9个不同兴趣区域ROI，主动引导神经网路关注与表情相关的区域；
（3）从互联网上抽取高兴、悲伤、愤怒和惊讶4类各900张面部图片，并抽取证件照900张中性情绪图片作为训练数据，并经过ROI处理得到40500张图片训练数据；测试数据由互联网上下载的高兴、悲伤、愤怒、惊讶和中性情绪5类各300张图片构成；
（4）经过训练、测试，得到准确率超过98%的分类器；
（5）将特殊人群个体面部活动特征输入按照上述步骤（1）-（4）进行训练、测试得到最终的情绪分类器；其中，所述面部活动监测数据包括面部活动单元的区域变化、面部温度变化以及呼吸和心率变化，以及特殊人群个体报告的姓名和情绪状态；
所述3个卷积层分别为：CNN-64：[32，32，64，64]；CNN-96：[48，48，96，200]；CNN-128：[64,64,128,300]；
除了Softmax层外，其余各层激活函数均为：ReLU（x）=max（0，x）；
以及，
权值W初始化采用Krizhevsky的零均值、常数标准差，各层常数标准差为：[0.0001,0.001,0.001,0.01,0.1]。
4.据权利要求3所述的适于特殊人群的风险行为监测预警系统，其特征在于，所述预警确定模块包括：
情感类型记录单元，用于记录特殊人群中各个体在预设时间段内的情感类型；
情感预警单元，用于调用预设预警策略，确定所述情感类型是否满足所述预设预警策略，若满足则报警。
CN201811589293.6A 2018-12-25 2018-12-25 适于特殊人群的风险行为监测预警方法及系统 Active CN109635778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811589293.6A CN109635778B (zh) 2018-12-25 2018-12-25 适于特殊人群的风险行为监测预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811589293.6A CN109635778B (zh) 2018-12-25 2018-12-25 适于特殊人群的风险行为监测预警方法及系统

Publications (2)

Publication Number Publication Date
CN109635778A CN109635778A (zh) 2019-04-16
CN109635778B true CN109635778B (zh) 2020-01-03

Family

ID=66077166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811589293.6A Active CN109635778B (zh) 2018-12-25 2018-12-25 适于特殊人群的风险行为监测预警方法及系统

Country Status (1)

Country Link
CN (1) CN109635778B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113171612A (zh) * 2021-04-30 2021-07-27 天津大学 一种用于情绪改善的沉浸式vr体验场景的搭建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512620A (zh) * 2015-11-30 2016-04-20 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法和装置
CN106649603A (zh) * 2016-11-25 2017-05-10 北京资采信息技术有限公司 一种基于网页文本数据情感分类的指定信息推送方法
CN108197670A (zh) * 2018-01-31 2018-06-22 国信优易数据有限公司 伪标签生成模型训练方法、装置及伪标签生成方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006006355A (ja) * 2004-06-22 2006-01-12 Sony Corp 生体情報の処理装置および映像音響再生装置
EP2429643B1 (en) * 2009-04-30 2017-08-23 Medtronic, Inc. Patient state detection based on support vector machine based algorithm
US20170330029A1 (en) * 2010-06-07 2017-11-16 Affectiva, Inc. Computer based convolutional processing for image analysis
CN105913053B (zh) * 2016-06-07 2019-03-08 合肥工业大学 一种基于稀疏融合的单演多特征的人脸表情识别方法
CN106650621A (zh) * 2016-11-18 2017-05-10 广东技术师范学院 一种基于深度学习的情绪识别方法及系统
CN107491726B (zh) * 2017-07-04 2020-08-04 重庆邮电大学 一种基于多通道并行卷积神经网络的实时表情识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512620A (zh) * 2015-11-30 2016-04-20 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法和装置
CN106649603A (zh) * 2016-11-25 2017-05-10 北京资采信息技术有限公司 一种基于网页文本数据情感分类的指定信息推送方法
CN108197670A (zh) * 2018-01-31 2018-06-22 国信优易数据有限公司 伪标签生成模型训练方法、装置及伪标签生成方法及装置

Also Published As

Publication number Publication date
CN109635778A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
JP6799302B2 (ja) 全身測定値抽出のためのシステムおよび方法
US10007921B2 (en) Automatic analysis of rapport
Lian et al. A multitask point process predictive model
JP2019532532A (ja) プライバシーの保護を伴う人物の識別しおよび／または痛み、疲労、気分、および意図の識別および定量化のためのシステムおよび方法
JP2018151963A (ja) 人物動向記録装置
EP3797379A1 (en) Image-based personal protective equipment fit system using worker-specific fit test image data
CN110826453A (zh) 一种通过提取人体关节点坐标的行为识别方法
CN109829362A (zh) 安检辅助分析方法、装置、计算机设备和存储介质
CN111513732A (zh) 面向疫病状况下多类人群的心理压力智能评估预警系统
JP6930277B2 (ja) 提示装置、提示方法、通信制御装置、通信制御方法及び通信制御システム
CN111241883A (zh) 防止远程被测人员作弊的方法和装置
CN109543659B (zh) 适于老年用户的风险行为监测预警方法及系统
CN109635778B (zh) 适于特殊人群的风险行为监测预警方法及系统
Zhang et al. Multiparty visual co-occurrences for estimating personality traits in group meetings
US20220067519A1 (en) Neural network synthesis architecture using encoder-decoder models
CN113143274A (zh) 基于摄像头的情绪预警方法
Nerella et al. Pain action unit detection in critically ill patients
CN111723869A (zh) 一种面向特殊人员的行为风险智能预警方法及系统
JP2021033359A (ja) 感情推定装置、感情推定方法、プログラム、情報提示装置、情報提示方法及び感情推定システム
Brunyé et al. Seeing the crowd for the bomber: Spontaneous threat perception from static and randomly moving crowd simulations.
CN111202534A (zh) 一种基于群体温度监测的情绪预测方法
JP6650659B2 (ja) 不審者検出装置およびプログラム
TWI646438B (zh) 情緒偵測系統及方法
Rolff et al. When do saccades begin? prediction of saccades as a time-to-event problem
Puteri et al. Micro-sleep detection using combination of haar cascade and convolutional neural network

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