CN110110710A - 一种场景异常状态识别方法、系统和智能终端 - Google Patents

一种场景异常状态识别方法、系统和智能终端 Download PDF

Info

Publication number
CN110110710A
CN110110710A CN201910475836.XA CN201910475836A CN110110710A CN 110110710 A CN110110710 A CN 110110710A CN 201910475836 A CN201910475836 A CN 201910475836A CN 110110710 A CN110110710 A CN 110110710A
Authority
CN
China
Prior art keywords
human body
information
collected
scene
target
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
Application number
CN201910475836.XA
Other languages
English (en)
Inventor
东东
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 Qipui Intelligent Technology Co Ltd
Original Assignee
Beijing Qipui Intelligent 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 Qipui Intelligent Technology Co Ltd filed Critical Beijing Qipui Intelligent Technology Co Ltd
Priority to CN201910475836.XA priority Critical patent/CN110110710A/zh
Publication of CN110110710A publication Critical patent/CN110110710A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G08B21/18—Status alarms
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Social Psychology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种场景异常状态识别方法、系统和智能终端，该方法包括：分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；根据输出的动作变化轨迹，获取该被采集人体目标即将作出的行为状态，并根据预估的行为状态是否异常输出应对策略。其适用于区域较小或对象目标较多时的场景监控，识别精度较高，且识别速度较快。

Description

一种场景异常状态识别方法、系统和智能终端
技术领域
本发明涉及智能识别技术领域，具体涉及一种用于多目标监控的场景异常状态识别方法和系统。
背景技术
近年来，随着人工智能的快速发展，基于人工智能的智能识别、监控技术给人们的生活带来了极大的变化。传统的监控设备无法预测复杂环境下危险情况的发生。而在实际使用过程中，例如加油站、化工厂、监狱、机场、火车站等人员众多的场合，很容易出现火灾烟雾、不法分子越狱、行人摔倒、在易燃区使用明火等情况，这些场景下都需要进行有效的识别和报警措施，以避免事态的恶化。此外，在例如养老院、企业员工管理等方面，智能高效的监测系统是各行各业更优运行的有力保障。
在上述特定的场合下，现有技术多采用目标检测的方式实施监控。目标检测(Object Detection)是指利用图像处理和模式识别等领域的理论和方法，从图像或视频中分离出有一定意义的人或物体，在检测出图像中存在的目标对象的同时，标记目标对象在图像中的位置。在目标检测(Object Detection)的领域，通常使用one-stage方法中的两个系列：但是，目标检测(Object Detection)技术的识别精度和速度会受到检测区域的大小和目标数量的影响，区域过小或对象目标较多时会出现识别精度下降或速度变慢的问题，对于一些人员较为密集、区域较为狭小的特定场合下，基于目标检测的监控设备对于异常场景的识别精度较低，且处理速度较慢。
发明内容
为此，本发明提供一种用于多目标监控的场景异常状态识别方法和系统，以至少部分解决上述至少一个技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种场景异常状态识别方法，包括以下步骤：
多次分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；
在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；
基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；
基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签；
实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态；
将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
该场景异常状态识别方法根据预设场景图像中的人体生物学姿态信息，获取多个时间节点上的姿态信息和位置信息，从而获取目标对象在连续时间上的姿态变化，根据大量数据训练得到与行为状态对应的模型，并将模型中携带有异常行为信息的模型设置一一对应的异常行为标签，在使用时，检测当前目标的姿态并得到其行为状态，通过与预设模型的比对，进而对目标对象的行为作出预估和判断，从而根据行动变化轨迹和预估的行为状态判断是否存在行为状态的异常，进而作出应对策略。该方法尤其适用于区域较小或对象目标较多时的场景监控，识别精度较高，且识别速度较快。
进一步地，还包括：
多次采集每个所述被采集人体目标在各个时间节点的姿态信息，以获取各个时间节点上每个所述被采集人体目标的姿态出现概率；
将输出的动作变化轨迹与所述姿态出现概率相比对，以判断该被采集人体目标即将作出的行为状态是否为异常。
进一步地，还包括：
获取在所述预设场景图像中所有被采集人体目标的图像信息，并获取各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息；
基于各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息，判断目标区域内的群体行为状态是否异常。
进一步地，还包括：
分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，则发出报警信号。
进一步地，还包括：
将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。
本发明还提供一种场景异常状态识别系统，包括：
人体采集模块，用于分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；
姿态跟踪记录模块，用于在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；
动作变化预估模块，用于基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；
模型建立模块，用于基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签；
当前目标状态采集模块，用于实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态；
异常判断模块，用于将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
该场景异常状态识别系统根据预设场景图像中的人体生物学姿态信息，获取多个时间节点上的姿态信息和位置信息，从而获取目标对象在连续时间上的姿态变化，根据大量数据训练得到与行为状态对应的模型，并将模型中携带有异常行为信息的模型设置一一对应的异常行为标签，在使用时，检测当前目标的姿态并得到其行为状态，通过与预设模型的比对，进而对目标对象的行为作出预估和判断，从而根据行动变化轨迹和预估的行为状态判断是否存在行为状态的异常，进而作出应对策略。该系统尤其适用于区域较小或对象目标较多时的场景监控，识别精度较高，且识别速度较快。
进一步地，还包括：
物品采集模块，用于分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
范围生成模块，用于基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
预警模块，用于追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，则发出报警信号。
进一步地，还包括：
场景结合判断模块，用于将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。
本发明还提供一种智能终端，包括如上所述的场景异常状态识别系统。
本发明还提供一种基于场景异常状态识别方法的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1和图2为本发明所提供的场景异常状态识别方法一种具体实施方式的流程图；
图3为本发明所提供的场景异常状态识别系统一种具体实施方式的系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
请参考图1，图1为本发明所提供的场景异常状态识别方法一种具体实施方式的流程图。
在一种具体实施方式中，本发明所提供的场景异常状态识别方法，用于在一定的环境下，使监控设备智能化，自动识别人体的行为状态，自动检测是否有危险情况或指定情况发生,并精准地发出报警提示，通过姿态信息和位置信息的采集，能够判断监控画面中出现的目标人体是否出现摔倒、打架、吸烟、使用手机、吃零食等异常行为，并实现对这些异常行为的进行自动识别，具有运行速度快，识别精度高，系统稳定，操作灵活等效果。
如图1所示，该方法包括以下步骤：
S11：多次分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；具体地，对场景图像中的不同尺度的人体进行检测，以确定每个人的大小和位置，从而生成人体生物学姿态信息，并利用深度学习技术对图像中的人体进行检测，提取检测到的人体图像，归一化至固定的分辨率，用以多目标跟踪和骨骼关节点检测。
S12：在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；通过该步骤可实现多目标跟踪，即跟踪监控场景下的每一个个体，记录每一个检测到的个体，在当前监控场景下每一个时间节点的位置，并记录每一个时间节点被采集人体目标的骨骼姿态信息。
需要指出的是，上述预设时间段可以根据使用需要设定，例如可以为24小时或12个小时，具体设定时间段的长度可根据使用场景设定。为了得到在预设时间段内较为连续的姿态信息，以便提高姿态和行为预估的精准度，设定定的时间节点需要足够密集，例如，可将每一分钟设定为一个时间节点，也可将每五分钟设定为一个时间节点等。
S13：基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹。具体的，姿态信息可通过骨骼关节点检测或其他的生物特征点检测实现，例如，通过骨骼关节点检测以实现对个体的姿态进行估计，并构建个体的骨架结构图，从而构建出被采集人体目标在一定时间范围内的动作变化。
S14：基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签。通过S11-S13，通过大量获取的数据信息和具体行为的契合和数据学习，得到多种行为状态模型，例如人体处于摔倒、驻足、奔跑、坐立，分别建立对应的摔倒状态模型、驻足状态模型、奔跑状态模型和坐立状态模型，这些行为状态模型中，包括有异常行为状态模型，例如摔倒状态模型，将摔倒状态模型上打标签，形成异常行为标签。
应当理解的是，通过S11-S14的反复进行和实施，即可通过海量数据建立多个需要建立的行为模型，后续可通过实时检测到的当前目标状态与预先建立模型的比对，得到是否存在行为异常的判断结果。
S15：实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态；
S16：将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
具体地，根据动作变化轨迹进行人体行为分析，基于预设目标区域图像信息和个体的骨骼姿态信息，判断个体是否处于摔倒、驻足、奔跑、坐立等状态，个体动作的判断是基于与前述预估的动作变化轨迹的比对得到的，例如，根据步骤S13的判断，某一个体在预设时间段内的动作变化轨迹显示，其始终处于行走状态，此时若通过骨骼姿态信息判断出其处于躺卧状态，则判断该个体与正常行为状态存在差异，提示该个体行为状态异常，此时可输出报警等应对策略。
进一步地，为了提高判断结果的精确程度，以进一步提高行为状态的识别精度，该方法还包括以下步骤：
多次采集每个所述被采集人体目标在各个时间节点的姿态信息，以获取各个时间节点上每个所述被采集人体目标的姿态出现概率；也就是说，基于大数据统计，通过海量的数据采集，得到在特定时间节点上被采集人体目标特定姿态的出现概率。
将输出的动作变化轨迹与所述姿态出现概率相比对，以判断该被采集人体目标即将作出的行为状态是否为异常，即，通过当前输出的动作变化轨迹提示的当前姿态与前述大概率特定姿态相比对，若当前姿态并非几种较大概率的特定姿态时，则可能存在行为异常，从而通过依据多目标跟踪系统统计的时序个体变化，分析个体在各个时刻的姿态可能性，联合时序上的变化做出最终的判别结果，以保证结果的稳定性和精准性。
在实际工作过程中，例如监狱等特定区域内，很容易发生群体性行为，例如群体斗殴等行为，为了实现对群体性行为的监控，该方法还可以包括以下步骤：
获取在所述预设场景图像中所有被采集人体目标的图像信息，并获取各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息，从而建立与群体异常行为对应的行为模型，并可设置相应的标签；
基于各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息，判断目标区域内的群体行为状态是否异常。这样，通过人群行为分析，即基于个体间的位置分布和身体姿态对疑似区域进行筛选，然后通过图像分类器对疑似区域进行识别，从而有效减少计算的复杂度，提升识别的效率。上述方法中，所述监测系统根据在一定的环境和连续时间内对人体的行为状态分析，自动检测是否有危险情况或指定情况发生。通过与行为模型的比对，判断是否有异常的群体行为出现，当判断出现群体行为时，例如出现或可能出现打架、聚集、吵架、滋事等行为，可及时精准地发出报警。
除了进行人体行为的识别和判断，本发明所提供的场景异常状态识别方法还可以对物品进行监控，以避免物品遗失。具体地，如图2所示，该方法还包括以下步骤：
S21：分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
S22：基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
S23：追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，例如当物品出现移动、遮挡、丢失或损坏等情况时，则发出报警信号。
进一步地，为了实现人体和物品的同步监控，从而用于识别一些人体和物品均发生动作而构成的行为场景，例如吸烟、吃东西等行为，以扩大该方法应用的范围，可以将上述物体的形态信息和人体的姿态信息相结合得到结合后的场景信息，从而根据场景信息判断是否有行为异常。
具体的，该方法还包括：
将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。该方法基于多维度的数据采集设备，可以做到任意角度的人体数据采集，并利用三维游戏生成虚拟数据集，进一步扩充训练数据，可拥有9到10T的人体姿态数据，通过海量高质量的数据，使得仅仅基于2D图像就可以实现稳定性很好的人体姿态检测。该方法可根据人的不同姿态和在连续时间上的姿态变化信息来预设危险情况或特殊情况的发生，根据需要在各类复杂环境中通过相应的数据采集和数据学习建立模型，并基于当前采集信息与模型的比对情况，确定是否有异常情况出现，如烟雾火灾识别、摔倒、坐立、吸烟、打架、睡觉、吃东西、贵重物品遗失、未佩戴工牌等情况，可以迅速识别并发出报警提示。当判断出个体行为时，出现例如奔跑、摔倒、抽烟、驻足、昏迷等行为，可及时精准地发出报警，从而适合应用于各种服务类行业中，例如养老院看护、幼儿园、医院等。同时，采集到监控数据后，可依据用户需求设置需要识别的行为，例如睡觉、吃东西、玩手机、未佩戴工牌、染头发等，以适合应用于各类企业，协助企业进行人员管理。
该场景异常状态识别方法根据预设场景图像中的人体生物学姿态信息，获取多个时间节点上的姿态信息和位置信息，从而获取目标对象在连续时间上的姿态变化，根据大量数据训练得到与行为状态对应的模型，并将模型中携带有异常行为信息的模型设置一一对应的异常行为标签，在使用时，检测当前目标的姿态并得到其行为状态，通过与预设模型的比对，进而对目标对象的行为作出预估和判断，从而根据行动变化轨迹和预估的行为状态判断是否存在行为状态的异常，进而作出应对策略。该方法尤其适用于区域较小或对象目标较多时的场景监控，识别精度较高，且识别速度较快。同时，该场景异常状态识别方法，基于多目标跟踪技术可提取每一个行人在连续时间上的姿态变化信息，可根据具体环境需要和个人的需要提出判断规则进行行为识别。相比现有技术而言，本发明通过在连续时间上的姿态变化，可应用于各种复杂的环境中，也可以自主设置想要识别的具体情况，比如加油站、公安安防、企业人员监管、养老院、博物馆等，从而对目标的分析将更加精确快速，监测范围更广。
除了上述场景异常状态识别方法，本发明还提供一种场景异常状态识别系统，如图3所示，在一种具体实施方式中，该系统包括：
人体采集模块101，用于分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；具体地，人体采集模块对场景图像中的不同尺度的人体进行检测，以确定每个人的大小和位置，从而生成人体生物学姿态信息，并利用深度学习技术对图像中的人体进行检测，提取检测到的人体图像，归一化至固定的分辨率，用以多目标跟踪和骨骼关节点检测。
姿态跟踪记录模块102，用于在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；通过姿态跟踪记录模块可实现多目标跟踪，即跟踪监控场景下的每一个个体，记录每一个检测到的个体，在当前监控场景下每一个时间节点的位置，并记录每一个时间节点被采集人体目标的骨骼姿态信息。
需要指出的是，上述预设时间段可以根据使用需要设定，例如可以为24小时或12个小时，具体设定时间段的长度可根据使用场景设定。为了得到在预设时间段内较为连续的姿态信息，以便提高姿态和行为预估的精准度，设定定的时间节点需要足够密集，例如，可将每一分钟设定为一个时间节点，也可将每五分钟设定为一个时间节点等。
动作变化预估模块103，用于基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；具体的，姿态信息可通过骨骼关节点检测或其他的生物特征点检测实现，例如，通过骨骼关节点检测以实现对个体的姿态进行估计，并构建个体的骨架结构图，从而构建出被采集人体目标在一定时间范围内的动作变化。
模型建立模块109，用于基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签。
当前目标状态采集模块110，用于实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态。
异常判断模块104，用于将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
具体地，根据动作变化轨迹进行人体行为分析，基于预设目标区域图像信息和个体的骨骼姿态信息，判断个体是否处于摔倒、驻足、奔跑、坐立等状态，个体动作的判断是基于与前述预估的动作变化轨迹的比对得到的，例如，根据判断，某一个体在预设时间段内的动作变化轨迹显示，其始终处于行走状态，此时若通过骨骼姿态信息判断出其处于躺卧状态，则判断该个体与正常行为状态存在差异，提示该个体行为状态异常，此时可输出报警等应对策略。
该场景异常状态识别系统根据预设场景图像中的人体生物学姿态信息，获取多个时间节点上的姿态信息和位置信息，从而获取目标对象在连续时间上的姿态变化，根据大量数据训练得到与行为状态对应的模型，并将模型中携带有异常行为信息的模型设置一一对应的异常行为标签，在使用时，检测当前目标的姿态并得到其行为状态，通过与预设模型的比对，进而对目标对象的行为作出预估和判断，从而根据行动变化轨迹和预估的行为状态判断是否存在行为状态的异常，进而作出应对策略。该系统尤其适用于区域较小或对象目标较多时的场景监控，识别精度较高，且识别速度较快。
除了进行人体行为的识别和判断，本发明所提供的场景异常状态识别方法还可以对物品进行监控，以避免物品遗失。具体地，该系统还包括：
物品采集模块105，用于分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
范围生成模块106，用于基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
预警模块107，用于追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，则发出报警信号。
为了实现人体和物品的同步监控，从而用于识别一些人体和物品均发生动作而构成的行为场景，例如吸烟、吃东西等行为，以扩大该方法应用的范围，可以将上述物体的形态信息和人体的姿态信息相结合得到结合后的场景信息，从而根据场景信息判断是否有行为异常。
进一步地，该系统还包括：
场景结合判断模块108，用于将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。
该系统基于多维度的数据采集设备，可以做到任意角度的人体数据采集，并利用三维游戏生成虚拟数据集，进一步扩充训练数据，可拥有9到10T的人体姿态数据，通过海量高质量的数据，使得仅仅基于2D图像就可以实现稳定性很好的人体姿态检测。该系统可根据人的不同姿态和在连续时间上的姿态变化信息来预设危险情况或特殊情况的发生，根据需要在各类复杂环境中设置判断规则，如烟雾火灾识别、摔倒、坐立、吸烟、打架、睡觉、吃东西、贵重物品遗失、未佩戴工牌等情况，可以迅速识别并发出报警提示。当判断出个体行为时，出现例如奔跑、摔倒、抽烟、驻足、昏迷等行为，可及时精准地发出报警，从而适合应用于各种服务类行业中，例如养老院看护、幼儿园、医院等。同时，采集到监控数据后，可依据用户需求设置需要识别的行为，例如睡觉、吃东西、玩手机、未佩戴工牌、染头发等，以适合应用于各类企业，协助企业进行人员管理。
进一步地，本发明还提供一种智能终端，包括如上所述的场景异常状态识别系统。该智能终端可具体为手机、电脑或PAD等终端设备，这些终端设备的其他各部分结构和控制策略与现有技术相同，在此不做赘述。
本发明还提供一种基于场景异常状态识别方法的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
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示例的单元及算法步骤，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。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，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。
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。
所述功能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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：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)

1.一种场景异常状态识别方法，其特征在于，包括以下步骤：
多次分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；
在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；
基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；
基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签；
实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态；
将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
2.根据权利要求1所述的场景异常状态识别方法，其特征在于，还包括：
多次采集每个所述被采集人体目标在各个时间节点的姿态信息，以获取各个时间节点上每个所述被采集人体目标的姿态出现概率；
将输出的动作变化轨迹与所述姿态出现概率相比对，以判断该被采集人体目标即将作出的行为状态是否为异常。
3.根据权利要求1所述的场景异常状态识别方法，其特征在于，还包括：
获取在所述预设场景图像中所有被采集人体目标的图像信息，并获取各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息；
基于各被采集人体目标之间的位置关系和每个被采集人体目标的姿态信息，判断目标区域内的群体行为状态是否异常。
4.根据权利要求1-3任一项所述的场景异常状态识别方法，其特征在于，还包括：
分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，则发出报警信号。
5.根据权利要求4所述的场景异常状态识别方法，其特征在于，还包括：
将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。
6.一种场景异常状态识别系统，其特征在于，包括：
人体采集模块，用于多次分别采集预设场景图像中的人体生物学姿态信息，以获取在所述预设场景图像中所有被采集人体目标的图像信息；
姿态跟踪记录模块，用于在预设时间段内，跟踪并记录多个时间节点下各所述被采集人体目标的位置信息和姿态信息，并分别保存每个时间节点、每个所述被采集人体目标的位置信息和姿态信息；
动作变化预估模块，用于基于每个所述被采集人体目标在各个时间节点的姿态信息，预估并输出在所述预设时间段内该被采集人体目标的动作变化轨迹；
模型建立模块，用于基于数据训练和获取的动作变化轨迹，建立行为状态模型，筛选其中的异常行为模型，并对应不同的异常行为模型设置一一对应的异常行为标签；
当前目标状态采集模块，用于实时采集预设场景图像中的当前人体生物学姿态信息，并根据当前人体生物学姿态信息预估当前目标的动作变化轨迹，并获取当前目标即将作出的行为状态；
异常判断模块，用于将当前目标即将输出的行为状态与所述异常行为标签相比对，若匹配度大于或等于预设匹配值，则判断当前目标处于异常行为状态，并输出应对策略。
7.根据权利要求6所述的场景异常状态识别系统，其特征在于，还包括：
物品采集模块，用于分别采集预设场景图像中的物品参数信息，以获取在所述预设场景图像中所有被采集物体目标的图像信息；
范围生成模块，用于基于被采集物体目标的图像信息，获取被采集物体目标的位置，并根据被采集物体目标的规格和初始摆放的位置生成看管范围；
预警模块，用于追踪所述被采集物体目标，若检测到被采集物体目标的形态发生变化，则发出报警信号。
8.根据权利要求7所述的场景异常状态识别系统，其特征在于，还包括：
场景结合判断模块，用于将被采集物体目标的形态信息与被采集人体目标的位置信息和姿态信息相结合，以生成预设场景图像中的场景信息，并基于得到的场景信息判断是否出现场景异常，若是，则发出报警信号。
9.一种智能终端，其特征在于，包括如权利要求6-8任一项所述的场景异常状态识别系统。
10.一种基于场景异常状态识别方法的计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一所述方法的步骤。
CN201910475836.XA 2019-06-03 2019-06-03 一种场景异常状态识别方法、系统和智能终端 Pending CN110110710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910475836.XA CN110110710A (zh) 2019-06-03 2019-06-03 一种场景异常状态识别方法、系统和智能终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910475836.XA CN110110710A (zh) 2019-06-03 2019-06-03 一种场景异常状态识别方法、系统和智能终端

Publications (1)

Publication Number Publication Date
CN110110710A true CN110110710A (zh) 2019-08-09

Family

ID=67493636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910475836.XA Pending CN110110710A (zh) 2019-06-03 2019-06-03 一种场景异常状态识别方法、系统和智能终端

Country Status (1)

Country Link
CN (1) CN110110710A (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443977A (zh) * 2019-08-29 2019-11-12 张玉华 人体行为的动态预警方法和动态预警系统
CN110490171A (zh) * 2019-08-26 2019-11-22 睿云联(厦门)网络通讯技术有限公司 一种危险姿态识别方法、装置、计算机设备及存储介质
CN110674717A (zh) * 2019-09-16 2020-01-10 合肥中科奔巴科技有限公司 基于姿态识别的吸烟监测系统
CN110738256A (zh) * 2019-10-15 2020-01-31 四川长虹电器股份有限公司 基于统计学习模型的图像隐含信息挖掘方法及装置
CN110769042A (zh) * 2019-10-11 2020-02-07 北京经纬信息技术有限公司 一种用于铁路装卸作业信息采集的系统
CN111045372A (zh) * 2019-12-30 2020-04-21 重庆能工科技发展有限公司 一种智能工地管理系统
CN111078751A (zh) * 2019-12-13 2020-04-28 万翼科技有限公司 一种基于unreal4进行目标统计的方法及其系统
CN111191511A (zh) * 2019-12-03 2020-05-22 北京联合大学 一种监狱动态实时行为识别方法及系统
CN111383026A (zh) * 2020-03-09 2020-07-07 支付宝(杭州)信息技术有限公司 识别交易行为异常的方法以及装置
CN111603343A (zh) * 2020-05-22 2020-09-01 济南三科智能化工程有限公司 一种隔离舱及其控制方法、装置和系统
CN111611966A (zh) * 2020-05-29 2020-09-01 北京每日优鲜电子商务有限公司 目标人员检测方法、装置、设备及存储介质
CN111753648A (zh) * 2020-05-12 2020-10-09 高新兴科技集团股份有限公司 人体姿态监控方法、装置、设备及存储介质
CN111932708A (zh) * 2020-09-03 2020-11-13 四川弘和通讯有限公司 一种基于ai识别实现加油站卸油作业违规安全监管的方法
CN112287846A (zh) * 2020-10-30 2021-01-29 深圳市优必选科技股份有限公司 目标人物跟随方法、装置、可移动机器人及可读存储介质
CN112684711A (zh) * 2020-12-24 2021-04-20 青岛理工大学 一种人体行为与意图的交互识别方法
CN112712002A (zh) * 2020-12-24 2021-04-27 深圳力维智联技术有限公司 基于cgan的环境监控方法、装置、系统及存储介质
CN112802303A (zh) * 2021-02-09 2021-05-14 成都视海芯图微电子有限公司 一种基于3d视觉的实时风险预测方法及系统
CN113269945A (zh) * 2021-04-20 2021-08-17 重庆电子工程职业学院 一种计算机人工智能预警系统
CN113593074A (zh) * 2021-07-15 2021-11-02 盛景智能科技(嘉兴)有限公司 监控视频生成方法及装置
CN113822250A (zh) * 2021-11-23 2021-12-21 中船（浙江）海洋科技有限公司 一种船舶驾驶异常行为检测方法
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
CN114596530A (zh) * 2022-03-23 2022-06-07 中国航空油料有限责任公司浙江分公司 一种基于非接触式光学ai的飞机加油智能管理方法及装置
CN115206094A (zh) * 2022-06-27 2022-10-18 五邑大学 交通运输枢纽异常事件检测方法、检测系统、存储介质
CN115240367A (zh) * 2022-09-23 2022-10-25 杭州中芯微电子有限公司 一种基于uwb智能定位的用户管理预警方法及系统
CN115240142A (zh) * 2022-07-28 2022-10-25 杭州海宴科技有限公司 基于跨媒体的室外重点场所人群异常行为预警系统和方法
CN115410365A (zh) * 2022-07-20 2022-11-29 米塔盒子科技有限公司 应用于轨道交通车站的灯光引导方法及系统
CN116250830A (zh) * 2023-02-22 2023-06-13 武汉易师宝信息技术有限公司 人体姿态判断与识别系统、装置与识别方法
CN116505738A (zh) * 2023-06-26 2023-07-28 易充新能源（深圳）有限公司 一种节能降耗电源的控制方法及系统
CN116935286A (zh) * 2023-08-03 2023-10-24 广州城市职业学院 一种短视频识别系统
CN117315592A (zh) * 2023-11-27 2023-12-29 四川省医学科学院·四川省人民医院 一种基于机器人端实时监控摄像的识别预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法
CN109325474A (zh) * 2018-11-14 2019-02-12 郭道宁 一种对需特别看护人员的异常状态检测方法
CN109409289A (zh) * 2018-10-26 2019-03-01 国网四川省电力公司电力科学研究院 一种电力作业安全监督机器人安全作业识别方法及系统
CN109472233A (zh) * 2018-11-01 2019-03-15 济南创视睿智能科技有限公司 一种行为追踪系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324010A1 (en) * 2008-06-26 2009-12-31 Billy Hou Neural network-controlled automatic tracking and recognizing system and method
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法
CN109409289A (zh) * 2018-10-26 2019-03-01 国网四川省电力公司电力科学研究院 一种电力作业安全监督机器人安全作业识别方法及系统
CN109472233A (zh) * 2018-11-01 2019-03-15 济南创视睿智能科技有限公司 一种行为追踪系统
CN109325474A (zh) * 2018-11-14 2019-02-12 郭道宁 一种对需特别看护人员的异常状态检测方法

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490171A (zh) * 2019-08-26 2019-11-22 睿云联(厦门)网络通讯技术有限公司 一种危险姿态识别方法、装置、计算机设备及存储介质
CN110443977A (zh) * 2019-08-29 2019-11-12 张玉华 人体行为的动态预警方法和动态预警系统
CN110674717B (zh) * 2019-09-16 2022-08-26 杭州奔巴慧视科技有限公司 基于姿态识别的吸烟监测系统
CN110674717A (zh) * 2019-09-16 2020-01-10 合肥中科奔巴科技有限公司 基于姿态识别的吸烟监测系统
CN110769042A (zh) * 2019-10-11 2020-02-07 北京经纬信息技术有限公司 一种用于铁路装卸作业信息采集的系统
CN110738256A (zh) * 2019-10-15 2020-01-31 四川长虹电器股份有限公司 基于统计学习模型的图像隐含信息挖掘方法及装置
CN111191511B (zh) * 2019-12-03 2023-08-18 北京联合大学 一种监狱动态实时行为识别方法及系统
CN111191511A (zh) * 2019-12-03 2020-05-22 北京联合大学 一种监狱动态实时行为识别方法及系统
CN111078751A (zh) * 2019-12-13 2020-04-28 万翼科技有限公司 一种基于unreal4进行目标统计的方法及其系统
CN111045372A (zh) * 2019-12-30 2020-04-21 重庆能工科技发展有限公司 一种智能工地管理系统
CN111383026B (zh) * 2020-03-09 2022-07-05 支付宝(杭州)信息技术有限公司 识别交易行为异常的方法以及装置
CN111383026A (zh) * 2020-03-09 2020-07-07 支付宝(杭州)信息技术有限公司 识别交易行为异常的方法以及装置
CN111753648A (zh) * 2020-05-12 2020-10-09 高新兴科技集团股份有限公司 人体姿态监控方法、装置、设备及存储介质
CN111603343A (zh) * 2020-05-22 2020-09-01 济南三科智能化工程有限公司 一种隔离舱及其控制方法、装置和系统
CN111611966A (zh) * 2020-05-29 2020-09-01 北京每日优鲜电子商务有限公司 目标人员检测方法、装置、设备及存储介质
CN111932708A (zh) * 2020-09-03 2020-11-13 四川弘和通讯有限公司 一种基于ai识别实现加油站卸油作业违规安全监管的方法
CN112287846A (zh) * 2020-10-30 2021-01-29 深圳市优必选科技股份有限公司 目标人物跟随方法、装置、可移动机器人及可读存储介质
CN112712002A (zh) * 2020-12-24 2021-04-27 深圳力维智联技术有限公司 基于cgan的环境监控方法、装置、系统及存储介质
CN112684711A (zh) * 2020-12-24 2021-04-20 青岛理工大学 一种人体行为与意图的交互识别方法
CN112684711B (zh) * 2020-12-24 2022-10-11 青岛理工大学 一种人体行为与意图的交互识别方法
CN112802303A (zh) * 2021-02-09 2021-05-14 成都视海芯图微电子有限公司 一种基于3d视觉的实时风险预测方法及系统
CN113269945A (zh) * 2021-04-20 2021-08-17 重庆电子工程职业学院 一种计算机人工智能预警系统
CN113593074A (zh) * 2021-07-15 2021-11-02 盛景智能科技(嘉兴)有限公司 监控视频生成方法及装置
CN113822250A (zh) * 2021-11-23 2021-12-21 中船（浙江）海洋科技有限公司 一种船舶驾驶异常行为检测方法
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
CN114596530A (zh) * 2022-03-23 2022-06-07 中国航空油料有限责任公司浙江分公司 一种基于非接触式光学ai的飞机加油智能管理方法及装置
CN115206094A (zh) * 2022-06-27 2022-10-18 五邑大学 交通运输枢纽异常事件检测方法、检测系统、存储介质
CN115410365A (zh) * 2022-07-20 2022-11-29 米塔盒子科技有限公司 应用于轨道交通车站的灯光引导方法及系统
CN115240142A (zh) * 2022-07-28 2022-10-25 杭州海宴科技有限公司 基于跨媒体的室外重点场所人群异常行为预警系统和方法
CN115240367A (zh) * 2022-09-23 2022-10-25 杭州中芯微电子有限公司 一种基于uwb智能定位的用户管理预警方法及系统
CN116250830A (zh) * 2023-02-22 2023-06-13 武汉易师宝信息技术有限公司 人体姿态判断与识别系统、装置与识别方法
CN116505738A (zh) * 2023-06-26 2023-07-28 易充新能源（深圳）有限公司 一种节能降耗电源的控制方法及系统
CN116505738B (zh) * 2023-06-26 2024-01-16 易充新能源（深圳）有限公司 一种节能降耗电源的控制方法及系统
CN116935286A (zh) * 2023-08-03 2023-10-24 广州城市职业学院 一种短视频识别系统
CN116935286B (zh) * 2023-08-03 2024-01-09 广州城市职业学院 一种短视频识别系统
CN117315592A (zh) * 2023-11-27 2023-12-29 四川省医学科学院·四川省人民医院 一种基于机器人端实时监控摄像的识别预警系统
CN117315592B (zh) * 2023-11-27 2024-01-30 四川省医学科学院·四川省人民医院 一种基于机器人端实时监控摄像的识别预警系统

Similar Documents

Publication Publication Date Title
CN110110710A (zh) 一种场景异常状态识别方法、系统和智能终端
Gjoreski et al. Accelerometer placement for posture recognition and fall detection
Deep et al. A survey on anomalous behavior detection for elderly care using dense-sensing networks
Bakalos et al. Protecting water infrastructure from cyber and physical threats: Using multimodal data fusion and adaptive deep learning to monitor critical systems
CN110428522A (zh) 一种智慧新城的智能安防系统
CN105426820B (zh) 基于安防监控视频数据的多人异常行为检测方法
CN105405150B (zh) 基于融合特征的异常行为检测方法和装置
Ghorbel et al. Fast and efficient outlier detection method in wireless sensor networks
CN109299703A (zh) 对鼠情进行统计的方法、装置以及图像采集设备
Dore et al. Interaction analysis with a bayesian trajectory model
CN110275042B (zh) 一种基于计算机视觉与无线电信号分析的高空抛物检测方法
CN110472612A (zh) 人体行为识别方法及电子设备
Stauffer Learning to track objects through unobserved regions
Jeffin Gracewell et al. RETRACTED ARTICLE: Fall detection based on posture classification for smart home environment
CN110414360A (zh) 一种异常行为的检测方法及检测设备
Karlsson et al. Tracking and identification of animals for a digital zoo
CN115798047A (zh) 行为识别方法和装置、电子设备、计算机可读存储介质
Irfan et al. Anomaly detection in crowds using multi sensory information
CN114241270A (zh) 一种家庭护理智能监督方法、系统及装置
Pazhoumand-Dar FAME-ADL: A data-driven fuzzy approach for monitoring the ADLs of elderly people using Kinect depth maps
Fernando et al. Gaja-mithuru: Smart elephant monitoring and tracking system
Jaikumar et al. Detection of anomalous events from unlabeled sensor data in smart building environments
Yulita et al. Adaboost support vector machine method for human activity recognition
Reddy et al. Automated facemask detection and monitoring of body temperature using iot enabled smart door
KR101340287B1 (ko) 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템

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