CN109657564A - 一种人员在岗检测方法、装置、存储介质及终端设备 - Google Patents

一种人员在岗检测方法、装置、存储介质及终端设备 Download PDF

Info

Publication number
CN109657564A
CN109657564A CN201811434395.0A CN201811434395A CN109657564A CN 109657564 A CN109657564 A CN 109657564A CN 201811434395 A CN201811434395 A CN 201811434395A CN 109657564 A CN109657564 A CN 109657564A
Authority
CN
China
Prior art keywords
personnel
duty
mobilenet
testing result
video
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
CN201811434395.0A
Other languages
English (en)
Other versions
CN109657564B (zh
Inventor
曾杨
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 Clp Smart Security Polytron Technologies Inc
Original Assignee
Shenzhen Clp Smart Security Polytron Technologies Inc
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 Clp Smart Security Polytron Technologies Inc filed Critical Shenzhen Clp Smart Security Polytron Technologies Inc
Priority to CN201811434395.0A priority Critical patent/CN109657564B/zh
Publication of CN109657564A publication Critical patent/CN109657564A/zh
Application granted granted Critical
Publication of CN109657564B publication Critical patent/CN109657564B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及安全视频分析技术领域，尤其涉及一种人员在岗检测方法、装置、存储介质及终端设备。所述方法包括获取拍摄自目标检测区域的视频，并根据视频的第一视频帧进行高斯背景建模，得到高斯混合模型；利用高斯混合模型，确定视频的第二视频帧中是否存在运动物体；若第二视频帧中存在运动物体，则将第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到mobileNet_ssd模型输出的检测结果；当检测结果不满足第一预设条件时，发出目标检测区域中存在人员离岗的第一报警信息，以通过采用高斯背景建模和mobileNet_ssd模型相结合的方式，来实现人员的在岗检测，提高人员在岗检测的检测准确性。

Description

一种人员在岗检测方法、装置、存储介质及终端设备
技术领域
本发明涉及安全视频分析技术领域，尤其涉及一种人员在岗检测方法、装置、计算机可读存储介质及终端设备。
背景技术
目前，很多公司、企业等为保证工作人员的在岗率，以提高工作效率或者办事效率等，往往需要对工作人员的在岗情况进行检测，而常规的检测方法是利用人工巡查来进行工作人员的在岗检测与记录，需要花费较多的人力、物力和时间等，检测效率较低。
随着计算机技术的发展，利用计算机技术进行人员的在岗检测可极大地提高检测效率，但现有的利用计算机技术进行人员在岗检测的方法主要是通过获取人头部的特征信息(颜色，纹理等)，并对这些特征信息生成特征向量，利用这些特征向量训练分类器(svm，KNN等分类器)，然后通过该分类器对所拍摄的视频进行人员识别，以判断人员是否在岗，存在误差较大、检测不准确以及漏检率高等问题。
发明内容
本发明实施例提供了一种人员在岗检测方法、装置、计算机可读存储介质及终端设备，能够自动进行人员的在岗检测，并能够降低人员在岗检测的检测误差和漏检率，提高人员在岗检测的检测准确性。
本发明实施例的第一方面，提供了一种人员在岗检测方法，包括：
获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
进一步地，所述当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息，包括：
根据所述mobileNet_ssd模型输出的检测结果，确定所述目标检测区域中的人员在岗数量；
当所述人员在岗数量小于预设数量值时，获取所述人员在岗数量小于所述预设数量值的存在时间；
若所述存在时间超过预设时间，则确定所述检测结果不满足所述第一预设条件，并发出所述目标检测区域中存在人员离岗的第一报警信息。
优选地，所述mobileNet_ssd模型通过以下步骤训练得到：
预先收集拍摄自目标检测区域的样本图像；
标记各所述样本图像对应的标准检测结果；
将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果；
计算所述训练检测结果与所述标准检测结果之间的误差；
若所述误差不满足第二预设条件，则调整所述mobileNet_ssd模型的模型参数，并将模型参数调整后的mobileNet_ssd模型作为初始的mobileNet_ssd模型，返回执行将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果的步骤以及后续步骤；
若所述误差满足所述第二预设条件，则确定所述mobileNet_ssd模型训练完成。
可选地，在预先收集拍摄自目标检测区域的样本图像之后，包括：
对所述样本图像进行归一化处理，以将所述样本图像转换成预设大小的图像。
进一步地，在预先收集拍摄自目标检测区域的样本图像之后，包括：
对所述样本图像执行翻转、剪切和/或者旋转操作。
优选地，在利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体之后，包括：
若所有所述第二视频帧中均不存在运动物体，则确定所述视频中不存在运动物体，并发出所述目标检测区域中存在人员离岗的第二报警信息。
本发明实施例的第二方面，提供了一种人员在岗检测装置，包括：
高斯模型构建模块，用于获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
运动物体确定模块，用于利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
检测结果输出模块，用于若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
人员离岗报警模块，用于当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如前述第一方面所述人员在岗检测方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述第一方面所述人员在岗检测方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明发明实施例中，通过采用高斯背景建模和mobileNet_ssd模型相结合的方式，来实现人员在岗的自动、快速检测，可极大地降低人员在岗检测的检测误差和漏检率，提高人员在岗检测的检测准确性，并可节省人员在岗检测中的人力、物力和时间等成本。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种人员在岗检测方法的一个实施例流程图；
图2为本发明实施例中一种人员在岗检测方法在一个应用场景下训练mobileNet_ssd模型的流程示意图；
图3为本发明实施例中一种人员在岗检测装置的一个实施例结构图；
图4为本发明一实施例提供的一种终端设备的示意图。
具体实施方式
本发明实施例提供了一种人员在岗检测方法、装置、计算机可读存储介质及终端设备，用于自动进行人员的在岗检测，并用于降低人员在岗检测的检测误差和漏检率，提高人员在岗检测的检测准确性。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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。
请参阅图1，本发明实施例提供了一种人员在岗检测方法，所述人员在岗检测方法，包括：
步骤S101、获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
可以理解的是，本发明实施例的执行主体可以是终端设备或者服务器，优选地，本发明实施例的执行主体为一服务器。其中，所述目标检测区域可以为公司、企业中人员办公的工作区域。本发明实施例中，可以在所述目标检测区域中安装摄像头等摄像装置，所述摄像头等摄像装置则可与所述服务器通信连接，如所述摄像头等摄像装置可通过移动网络、无线网络或者有线网络与所述服务器通信连接。所述摄像头等摄像装置用于对所述目标检测区域进行视频拍摄，并将所拍摄的视频通过移动网络、无线网络或者有线网络传输至所述服务器。
所述服务器在获取到所述摄像头等摄像装置拍摄的视频后，可以获取所述视频的前n-1个视频帧，所述前n-1个视频帧即为上述所述的第一视频帧，然后根据这前n-1个视频帧进行高斯背景建模，得到高斯混合模型。其中，所述混合高斯模型可用于判断某一视频场景中是否存在运动物体。
步骤S102、利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
本发明实施例中，在得到所述高斯混合模型后，可随即利用所述高斯混合模型来判断所述视频的第n个视频帧中是否存在运动物体，即判断所述视频的当前视频帧中是否存在运动物体，其中，所述当前视频帧即为上述所述的第二视频帧，以确定出所述目标检测区域中是否存在运动物体，以此初步确定所述目标检测区域中是否存在人员在岗。
当确定出所述第二视频帧中不存在运动物体时，即确定当前视频帧中不存在运动物体时，可进一步获取下一帧的视频帧，以作为新的当前视频帧，并再次利用所述高斯混合模型，来确定该新的当前视频帧中是否存在运动物体，若仍不存在运动物体的话，则继续进行下一帧视频帧的获取与确定，而若确定所述视频的所有当前视频帧中均不存在运动物体时，则可认为所述目标检测区域中不存在任何人员在岗，即可直接发出所述目标检测区域中存在人员离岗的第二报警信息，如可向相关负责人员所在的终端发送语音报警信息或者文字报警信息，又或者启动所述目标检测区域中的报警器、指示灯等，以告知相关负责人员所述目标检测区域中的人员离岗情况。
步骤S103、若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
可以理解的是，若确定出所述第二视频帧中存在运动物体的话，则可将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果，其中，所述检测结果为所述第二视频帧中所包括的人员区域，也就是说，所述mobileNet_ssd模型可以直接检测出所述第二视频帧中所包括的各人员区域。
需要说明的是，所述人员在岗检测模型是利用谷歌提供的mobileNet_ssd模型训练得到的，即预先经过大量的训练样本对mobileNet_ssd模型进行迁移学习的训练，以此得到所述人员在岗检测模型。在此，所述人员在岗检测模型的具体训练过程将在后续内容中进行详细叙述。
步骤S104、当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
本发明实施例中，可预先设置检测结果需满足的第一预设条件，因而，在得到所述mobileNet_ssd模型输出的检测结果后，可通过判断所述检测结果是否满足所述第一预设条件，来确定所述目标检测区域中的人员是否在岗。
在此，若所述检测结果不满足所述第一预设条件，如若所述目标检测区域目前的人员在岗数量小于预先设置的预设数量值的话，则可以认为所述目标检测区域中存在人员离岗，因而，此时所述服务器即可发出相应的报警信息，如向相关负责人员所在的终端发送语音报警信息或者文字报警信息，又或者启动所述目标检测区域中的报警器、指示灯等，以告知相关负责人员所述目标检测区域中的人员离岗情况。
进一步地，本发明实施例中，所述当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息，可以包括：
步骤a、根据所述mobileNet_ssd模型输出的检测结果，确定所述目标检测区域中的人员在岗数量；
步骤b、当所述人员在岗数量小于预设数量值时，获取所述人员在岗数量小于所述预设数量值的存在时间；
步骤c、若所述存在时间超过预设时间，则确定所述检测结果不满足所述第一预设条件，并发出所述目标检测区域中存在人员离岗的第一报警信息。
对于上述步骤a至步骤c，可以理解的是，本发明实施例中，在得到所述mobileNet_ssd模型输出的检测结果后，可首先根据所述检测结果，确定出所述目标检测区域目前的人员在岗数量，然后判断该人员在岗数量是否小于预先设置的预设数量值，例如在消防行业，所述预设数量值可设置为2个；若该人员在岗数量小于所述预设数量值，如该人员在岗数量为1个时，可进一步获取所述人员在岗数量小于所述预设数量值的存在时间，若所述存在时间超过预设时间的话，如在某一具体应用场景中，所述预设时间可设置为30分钟，因而，当所述人员在岗数量小于所述预设数量值的存在时间超过30分钟时，则可确定所述检测结果不满足所述第一预设条件，即可确定所述目标检测区域中存在人员离岗，并发出所述目标检测区域中存在人员离岗的第一报警信息。
优选地，如图2所示，本发明实施例中，所述mobileNet_ssd模型通过以下步骤训练得到：
步骤S201、预先收集拍摄自目标检测区域的样本图像；
步骤S202、标记各所述样本图像对应的标准检测结果；
步骤S203、将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果；
步骤S204、计算所述训练检测结果与所述标准检测结果之间的误差；
步骤S205、判断所述误差是否满足第二预设条件；
步骤S206、若所述误差满足所述第二预设条件，则确定所述mobileNet_ssd模型训练完成；
步骤S207、若所述误差不满足第二预设条件，则调整所述mobileNet_ssd模型的模型参数，并将模型参数调整后的mobileNet_ssd模型作为初始的mobileNet_ssd模型，返回执行将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果的步骤以及后续步骤。
对于上述步骤S201，在训练所述mobileNet_ssd模型之前，需要预先收集用于训练的训练样本，这些训练样本均拍摄自目标检测区域中，即可预先收集拍摄自目标检测区域的样本图像，而这些样本图像包含了目标检测区域中人员在岗、离岗的各种情况。可以理解的是，这些训练样本的数据量越大，对所述mobileNet_ssd模型的训练效果越好，因而，本发明实施例中，可尽可能收集多的样本图像。
优选地，为进一步提高mobileNet_ssd模型的训练效果，本发明实施例，在预先收集拍摄自目标检测区域的样本图像之后，还可以对各所述样本图像进行预处理，如可以对各所述样本图像进行尺寸调整等归一化处理，以将所述样本图像转换成预设大小的图像，从而通过统一样本图像，提高mobileNet_ssd模型的训练效率。另外，还可以对所述样本图像执行随机翻转、剪切和/或者旋转操作，以通过增加样本图像的多样性，来进一步提高mobileNet_ssd模型的训练效果。
对于上述步骤S202，在获取到训练用的样本图像之后，还需要标记这些样本图像所对应的标准检测结果，即标记各样本图像中所包含的人员区域，如将各样本图像中的各人员分别利用一个个矩形框标注出。
对于上述步骤S203，在标记完这些样本图像所对应的标准检测结果后，即标记完各样本图像中所包含的人员区域后，可将这些样本图像输入至初始的mobileNet_ssd模型中，以得到初始的训练检测结果，由于初始时mobileNet_ssd模型尚未训练完成，因此，此时其输出的训练检测结果与标记的标准检测结果之间会存在一定的偏差、误差。
对于上述步骤S204和步骤S205，在得到训练检测结果之后，可以计算所述训练检测结果与对应的标准检测结果之间的误差，并判断该误差是否满足第二预设条件，如判断误差是否小于5％。在此，所述第二预设条件可以在训练具体的mobileNet_ssd模型时确定，例如设定第二预设条件为误差小于特定阈值，该特定阈值可以是一个百分比数值，其中，特定阈值越小，则最后训练完成得到的mobileNet_ssd模型越稳定，识别精确度越高。
对于上述步骤S206，可以理解的是，当所述训练检测结果与所述标准检测结果之间的误差满足所述第二预设条件时，如所述训练风险值与所述标准风险值之间的误差小于5％时，则可确定所述mobileNet_ssd模型训练完成，并将此时所得到的误差满足所述第二预设条件的mobileNet_ssd模型作为训练完成的mobileNet_ssd模型，可用于获取后续的第二视频帧所对应的检测结果。
对于上述步骤S207，当所述训练检测结果与所述标准检测结果之间的误差不满足所述第二预设条件时，如所述训练检测结果与所述标准检测结果之间的误差为10％时，则可调整所述mobileNet_ssd模型的模型参数，并将模型参数调整后的mobileNet_ssd模型作为初始的mobileNet_ssd模型，然后重新进行样本图像的训练，以通过反复调整mobileNet_ssd模型的模型参数，并进行多次样本图像的训练，来使得后续训练输出的训练检测结果与标准检测结果之间的误差最小化，直到最终的训练检测结果与标准检测结果之间的误差满足所述第二预设条件。
本发明发明实施例中，通过采用高斯背景建模和mobileNet_ssd模型相结合的方式，来实现人员在岗的自动、快速检测，可极大地降低人员在岗检测的检测误差和漏检率，提高人员在岗检测的检测准确性，并可节省人员在岗检测中的人力、物力和时间等成本。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上面主要描述了一种人员在岗检测方法，下面将对一种人员在岗检测装置进行详细描述。
如图3所示，本发明实施例提供了一种人员在岗检测装置，所述人员在岗检测装置，包括：
高斯模型构建模块301，用于获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
运动物体确定模块302，用于利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
检测结果输出模块303，用于若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
人员离岗报警模块304，用于当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
进一步地，所述人员离岗报警模块304，包括：
在岗数量确定单元，用于根据所述mobileNet_ssd模型输出的检测结果，确定所述目标检测区域中的人员在岗数量；
存在时间获取单元，用于当所述人员在岗数量小于预设数量值时，获取所述人员在岗数量小于所述预设数量值的存在时间；
人员离岗报警单元，用于若所述存在时间超过预设时间，则确定所述检测结果不满足所述第一预设条件，并发出所述目标检测区域中存在人员离岗的第一报警信息。
优选地，所述人员在岗检测装置，包括：
样本图像收集模块，用于预先收集拍摄自目标检测区域的样本图像；
样本图像标记模块，用于标记各所述样本图像对应的标准检测结果；
样本图像训练模块，用于将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果；
误差计算模块，用于计算所述训练检测结果与所述标准检测结果之间的误差；
模型参数调整模块，用于若所述误差不满足第二预设条件，则调整所述mobileNet_ssd模型的模型参数，并将模型参数调整后的mobileNet_ssd模型作为初始的mobileNet_ssd模型，返回执行将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果的步骤以及后续步骤；
模型训练完成确定模块，用于若所述误差满足所述第二预设条件，则确定所述mobileNet_ssd模型训练完成。
可选地，所述人员在岗检测装置，还包括：
归一化处理模块，用于对所述样本图像进行归一化处理，以将所述样本图像转换成预设大小的图像。
进一步地，所述人员在岗检测装置，还包括：
操作执行模块，用于对所述样本图像执行翻转、剪切和/或者旋转操作。
优选地，所述人员在岗检测装置，还包括：
第二报警消息发出模块，用于若所有所述第二视频帧中均不存在运动物体，则确定所述视频中不存在运动物体，并发出所述目标检测区域中存在人员离岗的第二报警信息。
图4是本发明一实施例提供的一种终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如人员在岗检测程序。所述处理器40执行所述计算机程序42时实现上述各个人员在岗检测方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示的模块301至模块304的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成高斯模型构建模块、运动物体确定模块、检测结果输出模块、人员离岗报警模块，各模块具体功能如下：
高斯模型构建模块，用于获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
运动物体确定模块，用于利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
检测结果输出模块，用于若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
人员离岗报警模块，用于当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述，以上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精神和范围。

Claims (10)

1.一种人员在岗检测方法，其特征在于，包括：
获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
2.根据权利要求1所述的人员在岗检测方法，其特征在于，所述当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息，包括：
根据所述mobileNet_ssd模型输出的检测结果，确定所述目标检测区域中的人员在岗数量；
当所述人员在岗数量小于预设数量值时，获取所述人员在岗数量小于所述预设数量值的存在时间；
若所述存在时间超过预设时间，则确定所述检测结果不满足所述第一预设条件，并发出所述目标检测区域中存在人员离岗的第一报警信息。
3.根据权利要求1所述的人员在岗检测方法，其特征在于，所述mobileNet_ssd模型通过以下步骤训练得到：
预先收集拍摄自目标检测区域的样本图像；
标记各所述样本图像对应的标准检测结果；
将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果；
计算所述训练检测结果与所述标准检测结果之间的误差；
若所述误差不满足第二预设条件，则调整所述mobileNet_ssd模型的模型参数，并将模型参数调整后的mobileNet_ssd模型作为初始的mobileNet_ssd模型，返回执行将各所述样本图像输入至所述mobileNet_ssd模型，得到所述mobileNet_ssd模型输出的训练检测结果的步骤以及后续步骤；
若所述误差满足所述第二预设条件，则确定所述mobileNet_ssd模型训练完成。
4.根据权利要求3所述的人员在岗检测方法，其特征在于，在预先收集拍摄自目标检测区域的样本图像之后，包括：
对所述样本图像进行归一化处理，以将所述样本图像转换成预设大小的图像。
5.根据权利要求3所述的人员在岗检测方法，其特征在于，在预先收集拍摄自目标检测区域的样本图像之后，包括：
对所述样本图像执行翻转、剪切和/或者旋转操作。
6.根据权利要求1至5中任一项所述的人员在岗检测方法，其特征在于，在利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体之后，包括：
若所有所述第二视频帧中均不存在运动物体，则确定所述视频中不存在运动物体，并发出所述目标检测区域中存在人员离岗的第二报警信息。
7.一种人员在岗检测装置，其特征在于，包括：
高斯模型构建模块，用于获取拍摄自目标检测区域的视频，并根据所述视频的第一视频帧进行高斯背景建模，得到高斯混合模型；
运动物体确定模块，用于利用所述高斯混合模型，确定所述视频的第二视频帧中是否存在运动物体；
检测结果输出模块，用于若所述第二视频帧中存在运动物体，则将所述第二视频帧输入至预先训练完成的人员在岗检测mobileNet_ssd模型中，得到所述mobileNet_ssd模型输出的检测结果；
人员离岗报警模块，用于当所述检测结果不满足第一预设条件时，发出所述目标检测区域中存在人员离岗的第一报警信息。
8.根据权利要求7所述的人员在岗检测装置，其特征在于，所述人员离岗报警模块，包括：
在岗数量确定单元，用于根据所述mobileNet_ssd模型输出的检测结果，确定所述目标检测区域中的人员在岗数量；
存在时间获取单元，用于当所述人员在岗数量小于预设数量值时，获取所述人员在岗数量小于所述预设数量值的存在时间；
人员离岗报警单元，用于若所述存在时间超过预设时间，则确定所述检测结果不满足所述第一预设条件，并发出所述目标检测区域中存在人员离岗的第一报警信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6中任一项所述人员在岗检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述人员在岗检测方法的步骤。
CN201811434395.0A 2018-11-28 2018-11-28 一种人员在岗检测方法、装置、存储介质及终端设备 Active CN109657564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811434395.0A CN109657564B (zh) 2018-11-28 2018-11-28 一种人员在岗检测方法、装置、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811434395.0A CN109657564B (zh) 2018-11-28 2018-11-28 一种人员在岗检测方法、装置、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN109657564A true CN109657564A (zh) 2019-04-19
CN109657564B CN109657564B (zh) 2020-10-27

Family

ID=66111726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811434395.0A Active CN109657564B (zh) 2018-11-28 2018-11-28 一种人员在岗检测方法、装置、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN109657564B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197497A (zh) * 2019-06-03 2019-09-03 山东浪潮人工智能研究院有限公司 一种基于深度学习的野外生物追踪系统及方法
CN110363114A (zh) * 2019-06-28 2019-10-22 深圳市中电数通智慧安全科技股份有限公司 一种人员工作状态检测方法、装置及终端设备
CN110414340A (zh) * 2019-06-21 2019-11-05 武汉四创自动控制技术有限责任公司 一种船闸监控系统中的船舶识别方法
CN110458090A (zh) * 2019-08-08 2019-11-15 成都睿云物联科技有限公司 挖掘机工作状态检测方法、装置、设备和存储介质
CN110472555A (zh) * 2019-08-12 2019-11-19 北京比特大陆科技有限公司 目标检测方法和装置
CN110516636A (zh) * 2019-08-30 2019-11-29 盈盛智创科技(广州)有限公司 一种工序的监测方法、装置、计算机设备和存储介质
CN110633680A (zh) * 2019-09-19 2019-12-31 天津天地伟业机器人技术有限公司 一种基于视频的人数异常检测方法
CN110889334A (zh) * 2019-11-06 2020-03-17 江河瑞通（北京）技术有限公司 人员闯入识别方法及装置
CN111325105A (zh) * 2020-01-22 2020-06-23 上海眼控科技股份有限公司 目标检测方法、装置、设备和存储介质
CN111698473A (zh) * 2020-06-10 2020-09-22 中国工商银行股份有限公司 一种值班人员的检测方法及装置
CN112101279A (zh) * 2020-09-24 2020-12-18 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN112189496A (zh) * 2020-09-15 2021-01-08 津市市毛里湖镇自强柑橘农民专业合作社 一种农作物的种植方法
CN113449581A (zh) * 2020-03-24 2021-09-28 杭州海康威视数字技术股份有限公司 目标区域检测方法、装置和电子设备
CN114663995A (zh) * 2022-03-31 2022-06-24 游密科技(深圳)有限公司 离岗预警方法、装置、计算机设备、存储介质和程序产品
CN115019252A (zh) * 2022-02-28 2022-09-06 北京建工集团有限责任公司 混凝土质量检测方法、装置及监控设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080089579A1 (en) * 2006-06-13 2008-04-17 Feng Han System and method for detection of multi-view/multi-pose objects
CN103136534A (zh) * 2011-11-29 2013-06-05 汉王科技股份有限公司 自适应的区域行人计数方法及装置
CN106384089A (zh) * 2016-09-07 2017-02-08 中国人民解放军国防科学技术大学 基于终生学习的人体可靠检测方法
CN107545224A (zh) * 2016-06-29 2018-01-05 珠海优特电力科技股份有限公司 变电站人员行为识别的方法及装置
CN108121961A (zh) * 2017-12-21 2018-06-05 华自科技股份有限公司 巡检行为识别方法、装置、计算机设备和存储介质
CN108205661A (zh) * 2017-12-27 2018-06-26 浩云科技股份有限公司 一种基于深度学习的atm机异常人脸检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080089579A1 (en) * 2006-06-13 2008-04-17 Feng Han System and method for detection of multi-view/multi-pose objects
CN103136534A (zh) * 2011-11-29 2013-06-05 汉王科技股份有限公司 自适应的区域行人计数方法及装置
CN107545224A (zh) * 2016-06-29 2018-01-05 珠海优特电力科技股份有限公司 变电站人员行为识别的方法及装置
CN106384089A (zh) * 2016-09-07 2017-02-08 中国人民解放军国防科学技术大学 基于终生学习的人体可靠检测方法
CN108121961A (zh) * 2017-12-21 2018-06-05 华自科技股份有限公司 巡检行为识别方法、装置、计算机设备和存储介质
CN108205661A (zh) * 2017-12-27 2018-06-26 浩云科技股份有限公司 一种基于深度学习的atm机异常人脸检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方奇敏: "基于视频分析的执勤人员疲劳和离岗检测系统软件设计", 《中国优秀硕士学位论文全文数据库.信息科技辑》 *
雷帮军 等: "《视频目标跟踪系统分步详解》", 1 December 2015, 国防工业出版社 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197497A (zh) * 2019-06-03 2019-09-03 山东浪潮人工智能研究院有限公司 一种基于深度学习的野外生物追踪系统及方法
CN110414340A (zh) * 2019-06-21 2019-11-05 武汉四创自动控制技术有限责任公司 一种船闸监控系统中的船舶识别方法
CN110363114A (zh) * 2019-06-28 2019-10-22 深圳市中电数通智慧安全科技股份有限公司 一种人员工作状态检测方法、装置及终端设备
CN110458090A (zh) * 2019-08-08 2019-11-15 成都睿云物联科技有限公司 挖掘机工作状态检测方法、装置、设备和存储介质
CN110472555B (zh) * 2019-08-12 2022-10-04 北京算能科技有限公司 目标检测方法和装置
CN110472555A (zh) * 2019-08-12 2019-11-19 北京比特大陆科技有限公司 目标检测方法和装置
CN110516636A (zh) * 2019-08-30 2019-11-29 盈盛智创科技(广州)有限公司 一种工序的监测方法、装置、计算机设备和存储介质
CN110633680A (zh) * 2019-09-19 2019-12-31 天津天地伟业机器人技术有限公司 一种基于视频的人数异常检测方法
CN110889334A (zh) * 2019-11-06 2020-03-17 江河瑞通（北京）技术有限公司 人员闯入识别方法及装置
CN111325105A (zh) * 2020-01-22 2020-06-23 上海眼控科技股份有限公司 目标检测方法、装置、设备和存储介质
CN113449581A (zh) * 2020-03-24 2021-09-28 杭州海康威视数字技术股份有限公司 目标区域检测方法、装置和电子设备
CN111698473A (zh) * 2020-06-10 2020-09-22 中国工商银行股份有限公司 一种值班人员的检测方法及装置
CN112189496A (zh) * 2020-09-15 2021-01-08 津市市毛里湖镇自强柑橘农民专业合作社 一种农作物的种植方法
CN112101279A (zh) * 2020-09-24 2020-12-18 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN112101279B (zh) * 2020-09-24 2023-09-15 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN115019252A (zh) * 2022-02-28 2022-09-06 北京建工集团有限责任公司 混凝土质量检测方法、装置及监控设备
CN115019252B (zh) * 2022-02-28 2023-04-07 北京建工集团有限责任公司 混凝土质量检测方法、装置及监控设备
CN114663995A (zh) * 2022-03-31 2022-06-24 游密科技(深圳)有限公司 离岗预警方法、装置、计算机设备、存储介质和程序产品
CN114663995B (zh) * 2022-03-31 2024-05-10 游密科技(深圳)有限公司 离岗预警方法、装置、计算机设备、存储介质和程序产品

Also Published As

Publication number Publication date
CN109657564B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109657564A (zh) 一种人员在岗检测方法、装置、存储介质及终端设备
CN107862270B (zh) 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN109697416B (zh) 一种视频数据处理方法和相关装置
EP3766006A1 (en) Deterministic labeled data generation and artificial intelligence training pipeline
CN108124485A (zh) 针对肢体冲突行为的告警方法、装置、存储介质及服务器
CN107480624B (zh) 常住人口获取方法、装置及系统、计算机装置和存储介质
CN110659391A (zh) 一种视频侦查方法及装置
CN110516529A (zh) 一种基于深度学习图像处理的投喂检测方法和系统
CN110889334A (zh) 人员闯入识别方法及装置
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN109803112A (zh) 基于大数据的视频分析管理方法、装置及系统、存储介质
CN110796580B (zh) 智能交通系统管理方法及相关产品
CN110348343A (zh) 一种暴力行为监测方法、装置、存储介质及终端设备
WO2024139301A1 (zh) 一种行为识别方法、装置、电子设备及计算机存储介质
CN111970490B (zh) 用户流量监控方法及相关设备
CN111401215A (zh) 一种多类别目标检测的方法及系统
CN111191507A (zh) 智慧社区的安全预警分析方法及系统
CN110363098A (zh) 一种暴力行为预警方法、装置、可读存储介质及终端设备
CN112686156A (zh) 一种情绪监测方法、装置、计算机设备及可读存储介质
CN110532448B (zh) 基于神经网络的文档分类方法、装置、设备及存储介质
CN112037255B (zh) 目标跟踪方法和装置
CN113313098A (zh) 视频处理方法、设备、系统及存储介质
CN117593682A (zh) 一种监测处理方法和装置
CN113837138B (zh) 一种着装监控方法、系统、介质及电子终端
CN107783856A (zh) 一种图像处理器参数的测试方法及系统

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