CN110008822B - 一种基于红外传感器的姿态识别方法及系统 - Google Patents
一种基于红外传感器的姿态识别方法及系统 Download PDFInfo
- Publication number
- CN110008822B CN110008822B CN201910123166.5A CN201910123166A CN110008822B CN 110008822 B CN110008822 B CN 110008822B CN 201910123166 A CN201910123166 A CN 201910123166A CN 110008822 B CN110008822 B CN 110008822B
- Authority
- CN
- China
- Prior art keywords
- infrared
- attitude
- information
- target object
- image
- 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
Links
Images
Classifications
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,具体提供了一种基于红外传感器的姿态识别方法及系统,该方案基于红外传感器对室内场景进行成像,并通过后端信息处理模块进行人体目标的检测及姿态识别,一旦检测到异常姿态如摔倒,则立即通过网络输出异常告警信号,将识别到的异常图像画面输出至告警终端。由于红外传感器捕获的是人体温度信息,因此不存在泄漏人体隐私的问题,而且可以全天时工作。一方面采用单个广角红外传感器即可监控一个房间,提高了成像距离,增强了实用性;另一方面采用目标检测网络+分类网络,只需要人体在图像范围内,任意位置都可以被自动检测到,然后对其进行姿态分类,实用性大大提高。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于红外传感器的姿态识别方法及系统。
背景技术
目前全球人口老龄化趋势加重,独居老人因在室内发生摔倒没有被及时发现而造成伤害的事件时有发生。当前针对老年人摔倒检测的产品繁复多样,但主要可分为两大类:
一类是基于配备加速度传感器的可穿戴设备,如智能手环、手机等,根据仪器内置的加速度传感器,预测佩带主体的实时姿态信息;另一类是基于视频的智能监控产品,不需要主动佩带设备仪器,主要由可见光、近红外、深度相机等一个或多个传感器,以及相应后端信息处理系统组成,通过对视频图像中的人体进行目标检测,进而实时判断人体姿态信息。
当前应用较广的视频的智能监控产品中,基于可见光传感器的方案,虽然成本低,但依赖照明,在夜晚无法正常工作,且存在泄漏使用者的隐私的风险;基于近红外或Kinect等深度传感器的方案,虽然不依赖可见光照明,也不存在泄漏用户隐私的风险,但是识别距离近、多传感器部署时产品成本昂贵。
公开号为CN109086754A、名称为一种基于深度学习的人体姿态识别方法的发明专利,采用kinect深度相机和分类网络算法,不能实时检测到人在图像中的位置,因此需要被测试者主动配合站在固定位置(如图像中央),实用性极为受限。
发明内容
本发明的目的是克服现有技术中人体姿态识别效率低且使用局限性大的问题。
为此,本发明提供了一种基于红外传感器的姿态识别方法,包括:S1:预存目标物的红外姿态样本模型,并在开源框架TensorFlow下对该红外姿态样本模型进行深度学习训练;
S2:获取目标物的红外姿态信息;
S3:将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果。
优选地,在所述步骤S1之前还包括:信号处理单元提前采集不同室内温度、不同体型的目标物的红外姿态样本模型,并对所述红外姿态样本模型标注坐标信息及姿态类别。
优选地,所述实时姿态检测结果包括坐标信息及姿态类别。
优选地,所述步骤S3具体包括:先对所述红外姿态信息进行动态范围压缩得到图像信息,然后将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果。
优选地,所述动态范围压缩的方式为自适应线性映射,公式如下:
C=Cexp/(nMax-nMin)
B=Bexp-C*nAvg
Y8[i]=Y16[i]*C+B
其中,Y16[i]为红外姿态信息的16位的红外姿态信息,Y8[i]为进行动态压缩后得到的8位图像信息,所述nMax、nMin、nAvg分别代表16位的红外姿态信息的全图灰度最大值、最小值、平均值,B、C分别代表亮度、对比度,Bexp、Cexp为预设的期望亮度、期望对比度,默认值分别为110、255。
优选地,所述步骤S2具体包括:通过广角红外传感器实时获取目标物的红外姿态信息。
优选地,所述步骤S3之后还包括:若检测到所述目标物的姿态异常时,则进行报警。
本发明还提供了一种基于红外传感器的姿态识别系统,包括:图像采集单元及信号处理单元;
所述图像采集单元用于获取目标物的红外姿态信息;
所述信号处理单元用于预存目标物的红外姿态图像得到样本模型,并在开源框架TensorFlow下对该样本模型进行深度学习训练,然后将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果。
优选地,所述系统还包括图像预处理单元,所述图像预处理单元用于对所述红外姿态信息进行动态范围压缩得到图像信息。
优选地,所述系统还包括告警输出单元,所述告警输出单元用于对所述目标物的异常姿态进行报警并输出。
本发明的有益效果:本发明提供的这种基于红外传感器的姿态识别方法及系统,该方案基于红外传感器对室内场景进行成像,并通过后端信息处理模块进行人体目标的检测及姿态识别,一旦检测到异常姿态如摔倒,则立即通过网络输出异常告警信号,将识别到的异常图像画面输出至告警终端。由于红外传感器捕获的是人体温度信息,因此不存在泄漏人体隐私的问题,而且可以全天时工作。一方面采用单个广角红外传感器即可监控一个房间,提高了成像距离,增强了实用性;另一方面采用目标检测网络+分类网络,只需要人体在图像范围内,任意位置都可以被自动检测到,然后对其进行姿态分类,实用性大大提高。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是本发明基于红外传感器的姿态识别方法的流程示意图;
图2是本发明基于红外传感器的姿态识别系统的电路原理图。
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它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于红外传感器的姿态识别方法,包括:
S1:预存目标物的红外姿态样本模型,并在开源框架TensorFlow下对该红外姿态样本模型进行深度学习训练;
S2:获取目标物的红外姿态信息;
S3:将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果。
由此可知,如图1所示,本发明采用基于SSD模型的深度学习网络完成姿态检测功能,目标物主要是人体,如老年人或者婴幼儿。信号处理单元提前先进行样本采集,提前采集大量不同室内温度、不同体型的人体姿态信息,并分别标注人体的坐标信息(x/y/w/h),从而形成目标物的红外姿态样本模型,然后在开源框架TensorFlow下对该红外姿态样本模型进行深度学习训练。其中采集不同室内温度、不同体型的人,是为了增加样本的复杂多样性,从而提高训练所得到的模型的鲁棒性。
在开源框架TensorFlow下完成深度学习模型的训练前,为减小算法运算量及模型存储空间,模型训练完成后,对模型进行移植,对模型进行8bit量化,并进行嵌入式移植。然后将模型投入使用,此时图像采集单元完成对场景信息的实时采集,信号处理单元将图像采集单元实时采集到的人体的红外姿态信息输入至红外姿态样本模型中,然后进行矩阵运算,即可对传入的红外姿态信息进行姿态检测及识别,一旦检测到人体目标,则会同时输出人体在图像中的坐标(x、y、width、height)、当时所处的姿态(stand/sit/lie)、以及置信度(probs)。
具体地,训练后的模型,其实质是一组参数量极大(数十万级)的矩阵参数。将采集的图像以矩阵的形式输入到该模型中,经网络计算会得到8732个坐标框(x y w h c),然后经过非极大值抑制,得到最终的检测及分类结果。
其中,图像采集单元由一个或多个广角红外传感器组成,传感器的分辨率120*90,视场角120°*90°,红外传感器是通过捕获物体之间的温差进行成像的,由于反应的是物体温度分布信息,因此与人眼所见的纹理不大相同,从而不会泄露使用者的生活隐私;而且工作不受可见光照明的影响,即使在完全无光的夜晚,也无需开灯即可保持正常工作状态。
优选的方案,步骤S3具体包括:先对所述红外姿态信息进行动态范围压缩得到图像信息,然后所述图像信息与所述样本模型进行对比分析完成对所述目标物的姿态检测,动态范围压缩的方式为自适应线性映射,公式如下:
C=Cexp/(nMax-nMin)
B=Bexp-C*nAvg
Y8[i]=Y16[i]*C+B
其中,Y16[i]为红外姿态信息的16位的红外姿态信息,Y8[i]为进行动态压缩后得到的8位图像信息,所述nMax、nMin、nAvg分别代表16位的红外姿态信息的全图灰度最大值、最小值、平均值,B、C分别代表亮度、对比度,Bexp、Cexp为预设的期望亮度、期望对比度,默认值分别为110、255。由此可知,通常红外传感器为保证采样精度,输出的是16bit或14bit高动态范围图像,此类图像无法直接用于显示观看,因此需要进行动态范围压缩。本发明采用自适应线性映射的方式,完成对图像的动态范围压缩。
优选的方案,步骤S2具体包括:通过广角红外传感器实时获取目标物的红外姿态信息。由此可知,广角红外传感器成像距离远且覆盖范围广,即使对于客厅等大面积的房间,也仅需部署一个传感器即可,节约成本。
优选的方案,步骤S3之后还包括:若检测到所述目标物的姿态异常时,则进行报警。由此可知,当检测到异常姿态(如摔倒),则立即通过网络输出异常告警信号,将识别到的异常图像画面输出至告警终端。
本发明实施例还提供了一种基于红外传感器的姿态识别系统,包括:图像采集单元及信号处理单元;
所述图像采集单元用于获取目标物的红外姿态信息;
所述信号处理单元用于预存目标物的红外姿态图像得到样本模型,并在开源框架TensorFlow下对该样本模型进行深度学习训练,然后将所述红外姿态信息与所述样本模型进行对比分析完成对所述目标物的姿态检测。
如图2所示,图像采集单元包括红外模块即广角红外传感器,信号处理单元包括芯片即处理器包括芯片STM32H753IIK6,二者之间通过MAX5插槽过渡连接。
优选的方案,系统还包括图像预处理单元,所述图像预处理单元用于对所述红外姿态信息进行动态范围压缩得到图像信息。由此可知,图像预处理单元可以是芯片STM32H753IIK6。
优选的方案,系统还包括告警输出单元,所述告警输出单元用于对所述目标物的异常姿态进行报警并输出。由此可知,告警输出单元可以是喇叭或者LED灯,通过芯片STM32H753IIK6的IO口即可实现。
本发明的有益效果:本发明提供的这种基于红外传感器的姿态识别方法及系统,该方案基于红外传感器对室内场景进行成像,并通过后端信息处理模块进行人体目标的检测及姿态识别,一旦检测到异常姿态如摔倒,则立即通过网络输出异常告警信号,将识别到的异常图像画面输出至告警终端。由于红外传感器捕获的是人体温度信息,因此不存在泄漏人体隐私的问题,而且可以全天时工作。一方面采用单个广角红外传感器即可监控一个房间,提高了成像距离,增强了实用性;另一方面采用目标检测网络+分类网络,只需要人体在图像范围内,任意位置都可以被自动检测到,然后对其进行姿态分类,实用性大大提高。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种基于红外传感器的姿态识别方法,其特征在于,包括:
S1:预存目标物的红外姿态样本模型,并在开源框架TensorFlow下对该红外姿态样本模型进行深度学习训练;模型训练完成后,对模型进行移植,对模型进行8bit量化,并进行嵌入式移植;
S2:获取目标物的红外姿态信息;
S3:将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果;
具体地,先对所述红外姿态信息进行动态范围压缩得到图像信息,然后将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果;
所述动态范围压缩的方式为自适应线性映射,公式如下:
C=Cexp/(nMax-nMin)
B=Bexp-C*nAvg
Y8[i]=Y16[i]*C+B
其中,Y16[i]为红外姿态信息的16位的红外姿态信息,Y8[i]为进行动态压缩后得到的8位图像信息,所述nMax、nMin、nAvg分别代表16位的红外姿态信息的全图灰度最大值、最小值、平均值,B、C分别代表亮度、对比度,Bexp、Cexp为预设的期望亮度、期望对比度,默认值分别为110、255。
2.根据权利要求1所述的基于红外传感器的姿态识别方法,其特征在于,在步骤S1之前还包括:信号处理单元提前采集不同室内温度、不同体型的目标物的红外姿态样本模型,并对所述红外姿态样本模型标注坐标信息及姿态类别。
3.根据权利要求1所述的基于红外传感器的姿态识别方法,其特征在于:所述实时姿态检测结果包括坐标信息及姿态类别。
4.根据权利要求1所述的基于红外传感器的姿态识别方法,其特征在于,步骤S2具体包括:通过广角红外传感器实时获取目标物的红外姿态信息。
5.根据权利要求1所述的基于红外传感器的姿态识别方法,其特征在于,步骤S3之后还包括:若检测到所述目标物的姿态异常时,则进行报警。
6.一种基于红外传感器的姿态识别系统,其特征在于,包括:图像采集单元及信号处理单元;
所述图像采集单元用于获取目标物的红外姿态信息;
所述信号处理单元用于预存目标物的红外姿态图像得到样本模型,并在开源框架TensorFlow下对该样本模型进行深度学习训练,模型训练完成后,对模型进行移植,对模型进行8bit量化,并进行嵌入式移植;然后将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果;
具体地,先对所述红外姿态信息进行动态范围压缩得到图像信息,然后将所述红外姿态信息输入至所述红外姿态样本模型中,并进行矩阵运算分析得到该目标物的实时姿态检测结果;
所述动态范围压缩的方式为自适应线性映射,公式如下:
C=Cexp/(nMax-nMin)
B=Bexp-C*nAvg
Y8[i]=Y16[i]*C+B
其中,Y16[i]为红外姿态信息的16位的红外姿态信息,Y8[i]为进行动态压缩后得到的8位图像信息,所述nMax、nMin、nAvg分别代表16位的红外姿态信息的全图灰度最大值、最小值、平均值,B、C分别代表亮度、对比度,Bexp、Cexp为预设的期望亮度、期望对比度,默认值分别为110、255。
7.根据权利要求6所述的基于红外传感器的姿态识别系统,其特征在于:所述系统还包括图像预处理单元,所述图像预处理单元用于对所述红外姿态信息进行动态范围压缩得到图像信息。
8.根据权利要求6所述的基于红外传感器的姿态识别系统,其特征在于:所述系统还包括告警输出单元,所述告警输出单元用于对所述目标物的异常姿态进行报警并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123166.5A CN110008822B (zh) | 2019-02-18 | 2019-02-18 | 一种基于红外传感器的姿态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123166.5A CN110008822B (zh) | 2019-02-18 | 2019-02-18 | 一种基于红外传感器的姿态识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008822A CN110008822A (zh) | 2019-07-12 |
CN110008822B true CN110008822B (zh) | 2021-07-23 |
Family
ID=67165821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910123166.5A Active CN110008822B (zh) | 2019-02-18 | 2019-02-18 | 一种基于红外传感器的姿态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008822B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080967A (zh) * | 2019-12-20 | 2020-04-28 | 西安工业大学 | 基于热红外图像信息的居家老人摔倒行为识别与报警系统 |
CN111246177A (zh) * | 2020-01-23 | 2020-06-05 | 深圳市大拿科技有限公司 | 一种用户安全告警提示方法及系统 |
CN111104932A (zh) * | 2020-02-03 | 2020-05-05 | 北京都是科技有限公司 | 一种摔倒检测系统、方法及图像处理器 |
CN111881712B (zh) * | 2020-05-12 | 2021-03-19 | 郑海英 | 基于信号处理的医疗器械实时跟踪平台 |
CN111883257B (zh) * | 2020-09-25 | 2021-02-26 | 西南交通大学 | 基于多传感器的人体健康状态评估与预警系统 |
CN112435440B (zh) * | 2020-10-30 | 2022-08-09 | 成都蓉众和智能科技有限公司 | 一种基于物联网平台的非接触式室内人员跌倒识别方法 |
CN113497921A (zh) * | 2021-07-07 | 2021-10-12 | 合肥英睿系统技术有限公司 | 一种监护方法及智能监护系统 |
CN113723277B (zh) * | 2021-08-27 | 2024-02-27 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
CN114364104A (zh) * | 2022-01-04 | 2022-04-15 | 西安建筑科技大学 | 一种夜间照明控制及危险监测报警系统及方法 |
CN115376161B (zh) * | 2022-08-22 | 2023-04-04 | 北京航空航天大学 | 一种基于低分辨率红外阵列传感器的居家伴学系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102451008A (zh) * | 2010-11-02 | 2012-05-16 | 胡志宇 | 全方位老年人健康和行动监护系统 |
CN104463114A (zh) * | 2014-11-28 | 2015-03-25 | 清华大学 | 一种用于图像捕获和目标快速识别的方法与嵌入式设备 |
CN108805942A (zh) * | 2017-04-28 | 2018-11-13 | 武汉多谱多勒科技有限公司 | 一种红外图像宽动态压缩方法 |
CN109271947A (zh) * | 2018-09-28 | 2019-01-25 | 合肥工业大学 | 一种基于热成像的夜间实时手语识别系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9299130B2 (en) * | 2013-03-15 | 2016-03-29 | Trustees Of Tufts College | Methods and apparatus for image processing and analysis |
-
2019
- 2019-02-18 CN CN201910123166.5A patent/CN110008822B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102451008A (zh) * | 2010-11-02 | 2012-05-16 | 胡志宇 | 全方位老年人健康和行动监护系统 |
CN104463114A (zh) * | 2014-11-28 | 2015-03-25 | 清华大学 | 一种用于图像捕获和目标快速识别的方法与嵌入式设备 |
CN108805942A (zh) * | 2017-04-28 | 2018-11-13 | 武汉多谱多勒科技有限公司 | 一种红外图像宽动态压缩方法 |
CN109271947A (zh) * | 2018-09-28 | 2019-01-25 | 合肥工业大学 | 一种基于热成像的夜间实时手语识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110008822A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008822B (zh) | 一种基于红外传感器的姿态识别方法及系统 | |
CN110044486B (zh) | 用于人体检验检疫系统避免重复报警的方法、装置、设备 | |
Chen et al. | A fall detection system based on infrared array sensors with tracking capability for the elderly at home | |
CN107247945A (zh) | 一种基于Kinect设备的病房病患监护系统及监护方法 | |
KR100822476B1 (ko) | 원격 응급상황 모니터링 시스템 및 방법 | |
CN100464348C (zh) | 视频监视识别智能装置与方法 | |
CN111241913A (zh) | 一种检测人员摔倒的方法、装置及系统 | |
CN116092199B (zh) | 一种员工工作状态识别方法及识别系统 | |
CN108012026B (zh) | 一种保护视力方法及移动终端 | |
CN111681758A (zh) | 一种家庭健康的监测方法、监测系统以及监测装置 | |
CN111289110A (zh) | 人体温度检测方法、系统、装置及热红外图像处理器 | |
JP2020182146A (ja) | 監視装置、及び、監視方法 | |
CN112907892A (zh) | 基于多视图的人体跌倒报警方法 | |
CN111832373A (zh) | 一种基于多目视觉的汽车驾驶姿态检测方法 | |
CN112991659B (zh) | 一种具备预警处理功能的大数据安防监控管理方法 | |
KR20180096038A (ko) | 행위 예측을 위한 다중 모션 기반 옴니뷰 기법 | |
CN112270807A (zh) | 一种老人跌倒预警系统 | |
CN107064159B (zh) | 一种依据植物黄叶检测判断生长趋势的装置及系统 | |
US20080211908A1 (en) | Monitoring Method and Device | |
CN117132949A (zh) | 一种基于深度学习的全天候跌倒检测方法 | |
TWM610371U (zh) | 動作識別系統 | |
CN114202797A (zh) | 行为识别方法、装置和存储介质 | |
CN115731563A (zh) | 一种远距离监控人员倒地识别方法 | |
CN108520727B (zh) | 屏幕亮度调节方法及移动终端 | |
TWI755950B (zh) | 動作識別方法及其系統 |
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 |