CN110288801A - 电力现场视频监控方法、装置、计算机设备和存储介质 - Google Patents
电力现场视频监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110288801A CN110288801A CN201910553126.4A CN201910553126A CN110288801A CN 110288801 A CN110288801 A CN 110288801A CN 201910553126 A CN201910553126 A CN 201910553126A CN 110288801 A CN110288801 A CN 110288801A
- Authority
- CN
- China
- Prior art keywords
- electric power
- video
- monitoring
- personnel
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种电力现场视频监控方法、装置、计算机设备和存储介质。所述方法包括：获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；解析所述目标监控人员，得到现场行为轨迹；根据所述现场行为轨迹，生成电力安全预警信号；发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
Description
技术领域
本申请涉及智能视频分析技术领域，特别是涉及一种电力现场视频监控方法、装置、计算机设备和存储介质。
背景技术
随着智能视频分析技术的不断发展，视频监控技术也被广泛应用于各个领域。
传统的电力现场视频监控方法，通常采用移动侦测技术(Motion detectiontechnology)进行监控，即通过摄像头按不同帧率采集得到的图像进行分析比较，当画面有变化时，如有人走动或是镜头被移动，则将得出超过阈值的计算结果，进而指示系统自动作出相应处理，即自动报警处理。
然而，传统的电力现场视频监控方法智能判断出画面变化内容，无法区分目标和背景干扰，抗干扰能力较差。
因此，传统的电力现场视频监控方法存在着监控预警可靠性低的问题。
发明内容
基于此，有必要针对上述电力现场视频监控方法，存在着监控预警可靠性低的技术问题，提供一种能够合理解决上述技术问题的电力现场视频监控方法、装置、计算机设备和存储介质。
一种电力现场视频监控方法，包括如下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
在其中一个实施例中，所述获取目标监控人员，包括：
获取电力现场监控视频；
将所述电力现场监控视频进行模数转换，得到数字监控视频；
解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；
将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
在其中一个实施例中，在所述获取电力现场监控视频之后，还包括：
检测所述电力现场监控视频的视频质量数据；
当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
在其中一个实施例中，所述对所述电力现场监控视频进行质量优化处理，包括：
执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
在其中一个实施例中，所述现场行为轨迹包括局部监控区域，所述根据所述现场行为轨迹，生成电力安全预警信号，包括：
获取预设的安全设备模型；
将所述安全设备模型与所述局部监控区域进行匹配；
当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
在其中一个实施例中，所述将所述安全设备模型与所述局部监控区域进行匹配，包括：
确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；
根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；
当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
在其中一个实施例中，所述根据所述现场行为轨迹，生成电力安全预警信号，包括：
解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；
检测所述目标人员位置的停留时间，得到目标停留时间；
当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
在其中一个实施例中，在所述获取目标监控人员之后，还包括：
确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；
当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；
将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
在其中一个实施例中，所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
一种电力现场视频监控装置，所述装置包括：
监控人员获取模块，用于获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
行为轨迹解析模块，用于解析所述目标监控人员，得到现场行为轨迹；
预警信号生成模块，用于根据所述现场行为轨迹，生成电力安全预警信号；
预警信号发送模块，用于发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
一种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以下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
上述电力现场视频监控方法、装置、计算机设备和存储介质，服务器首先获取电力现场监控视频中的目标监控人员，进而针对目标监控人员进行解析，获取其现场行为轨迹，再根据现场行为轨迹作分析判断，由分析结果确定是否生成电力安全预警信号，若生产各行该信号，则将进一步发送至终端，以使终端通过各种提示方法进行电力安全预警。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
附图说明
图1为一个实施例中电力现场视频监控方法的应用环境图；
图2为一个实施例中电力现场视频监控方法的流程示意图；
图3为一个实施例中电力现场视频监控装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先需要说明的是，本申请采用的技术原来主要基于智能视频分析技术，智能视频分析的技术原理是接入各种摄像机、DVR(Digital Video Recorder)、DVS(digitalvideo server)以及流媒体服务器等各种视频设备，并且通过智能化图像识别处理技术，对各种安全事件主动预警，通过实时分析，将报警信息传导综合监控平台及客户端。具体来讲，智能视频分析系统通过摄像机实时“发现敌情”并“看到”视野中的监视目标，同时通过自身的智能化识别算法判断出这些被监视目标的行为是否存在安全威胁，对已经出现或将要出现的威胁，及时向综合监控平台或后台管理人员通过声音、视频等类型发出报警。
在本申请中，除了采用智能视频分析技术，还主要基于卷积神经网络(Convolutional Neural Networks，CNN)进行视频数据分析，即利用前期训练好的卷积神经网络作为标准模板，将实时获取到的视频数据输入到卷积神经网络之中，以得到电力现场视频的分析结果，进而作出预警提示。
其中，卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一，由于卷积神经网络能够进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络”(Shift-Invariant ArtificialNeural Networks，SIANN)，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
本发明所提供的一种电力现场视频监控方法，可以应用于如图1所示的应用环境中。其中，在一个电力现场视频监控系统中，可以包括有摄像机102、服务器104以及终端106，服务器104分别通过网络与摄像机102、终端106建立了通信连接。
其中，摄像机102可以是集成有多个摄镜头的多目摄像机，还可以是由多个单镜头摄像机组成的摄像机集群来实现。同时，摄像机102的类型可以是红外摄像机、体感摄像机等具有特殊功能的摄像机。
其中，服务器104可以用独立的服务器，或者是多个服务器组成的服务器集群来实现，服务器104可以对摄像机102采集传输的视频进行分析处理，并将视频分析结果发送至终端106，以使终端106实现对电力现场情况的实时监控。
其中，终端106可以但不限于是各种具有显示屏的个人计算机、笔记本电脑、智能手机以及平板电脑。同时，终端106可根据接收到的电力安全预警信号，控制以视频弹窗、驱动报警设备播放报警音或是开启报警灯等方式报警。
在一个实施例中，如图2所示，提供了一种电力现场视频监控方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S210，获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员。
其中，目标监控人员是指电力现场监控视频中负者执行电力相关任务的工作人员。
具体实现中，服务器104通过网络分别与摄像机102和终端106建立了通信连接，获取目标监控人员之前，可通过摄像机102对电力现场的视频采集，获取电力现场监控视频，进而分析电力现场监控视频的内容，得到目标监控人员。
例如，服务器104首先生成一个监控视频获取指令，并将该指令发送至摄像机102，摄像机102响应该指令后即可采集待测电力现场的视频信息，并将采集到的视频信息发送至服务器104，由服务器104接收并分析该视频所含信息，以此获取到目标监控人员。
步骤S220，解析所述目标监控人员，得到现场行为轨迹。
其中，现场行为轨迹是指目标监控人员的行为、动作、穿戴设备等信息。
具体实现中，服务器104获取到电力现场监控视频中的目标监控人员之后，将对目标监控人员进行行为追踪，分析其行为轨迹、动作方向以及设备穿戴情况，得到现场行为轨迹。
步骤S230，根据所述现场行为轨迹，生成电力安全预警信号。
其中，电力安全预警信号可以是服务器104将现场行为轨迹输入到卷积神经网络模型中，由卷积神经网络模型输入结果判定生成的预警信号，该信号生成表示现场行为轨迹与卷积神经网络模型中的样本不匹配，即现场行为轨迹不符合预定标准。电力安全预警信号可以是服务器104根据卷积神经网络模型的匹配输出结果而生成的，也可以是由服务器104所控制运行的卷积神经网络模型直接输出的结果。
具体实现中，由于现场行为轨迹包括目标监控人员的行为轨迹、动作方向、设备穿戴情况等信息，因此卷积神经网络模型中的匹配样本可以包括人员行动轨迹、手势动作、行走方向、电力安全设备如安全帽、安全手套等的穿戴情况，服务器104可利用前期训练好的卷积神经网络模型进行识别预测，由此得到模型输出结果，该输出结果可以包括现场行为轨迹与预设轨迹要求的匹配结果，例如，目标监控人员未穿戴安全帽、行走方向与预设行动轨迹存在较大差异等，由此根据模型输出结果生成电力安全预警信号。
步骤S240，发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
具体实现中，服务器104生产各行电力安全预警信号之后，将发送至终端106，以使终端106根据电力安全预警信息号进行电力安全预警提示，提示方法可以是播放预警提示音、开启预警提示灯、展示预警提示语等方式进行预警。
上述电力现场视频监控方法，服务器首先获取电力现场监控视频中的目标监控人员，进而针对目标监控人员进行解析，获取其现场行为轨迹，再根据现场行为轨迹作分析判断，由分析结果确定是否生成电力安全预警信号，若生产各行该信号，则将进一步发送至终端，以使终端通过各种提示方法进行电力安全预警。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
在一个实施例中，所述步骤S210包括：
获取电力现场监控视频；将所述电力现场监控视频进行模数转换，得到数字监控视频；解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
其中，数字监控视频是指以数字形式记录的视频，视频影像的颜色和亮度信息为电信号，与模拟视频相对。
其中，背景目标边界是指监控视频中，电力现场背景与电力现场人员轮廓重叠所形成的边界交线。
具体实现中，服务器104要获取目标监控人员，首先要获取摄像机102采集的电力现场监控视频，并将该视频进行模数转换，即将视频信号由模拟形式转化为数字形式，进而确定数字监控视频中的背景目标边界，该边界的确定步骤可以是首先锁定电力现场监控背景中的电力现场人员，可以是电力现场中出现的所有人，也可以是距离摄像机102最近的一个人。在人员锁定之后，可进一步描绘电力现场人员的人体轮廓边界，以改边界确定为背景目标边界，从而将边界内的数据信息作为目标监控人员，而边界外的数据信息作为电力现场背景进行删除。
在一个实施例中，在所述获取电力现场监控视频之后，还包括：
检测所述电力现场监控视频的视频质量数据；当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
其中，视频质量数据可以是指电力现场监控视频的含噪比例，例如，20％、30％等；也可以是指视频的颜色饱和度、色调色温、光线强度等。
其中，预设质量要求为视频图像信息含参的对应参数阈值，例如，含噪比例阈值为30％、色调色温为5300k等。
具体实现中，服务器104在获取摄像机102采集的电力现场监控视频之后，首先要对视频进行质量检查，即判断其是否满足分析要求，可以是视频图像的含噪声程度、颜色饱和度、色调色温、光线强度等参数是否达标，若不满足预设条件，则需进一步对视频信息进行优化处理，直至满足要求。
例如，服务器104检测到电力现场监控视频的噪声含量为60％，而预设质量要求为30％，则判断该视频质量数据不符合预设质量要求，需进一步对电力现场监控视频进行质量优化处理。
在一个实施例中，所述对所述电力现场监控视频进行质量优化处理，包括：
执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
具体实现中，对视频的优化处理，可以是执行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。其中，雨雪屏蔽主要根据雨雪尺寸和雨雪由上至下的运动趋势进行判定，抖动稳定可以是利用均值滤波原理或慢速处理视频播放速率进行处理，光线调整则可调节视频对比度、曝光度等参数进行优化处理，直至满足预设质量要求。
在一个实施例中，所述现场行为轨迹包括局部监控区域，所述步骤S230包括：
获取预设的安全设备模型；将所述安全设备模型与所述局部监控区域进行匹配；当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
其中，安全设备模型可以包括电力安全工器具，既包括如个体防护装备、绝缘安全工器具、登高工器具、警示标示等四类主要设备，通过建立其三维物理模型而形成安全设备模型，并存储于服务器104中。例如，安全帽模型、安全手套模型、警示牌模型等。
其中，局部监控区域可以是指目标监控人员的人体局部区域，也可以是电力现场中某个预设固定位置区域，例如，手掌、头部、固定设置警示牌处等。
具体实现中，服务器104要分析现场行为轨迹，可以是分析现场行为轨迹中的局部监控区域，如目标监控人员是否佩戴安全帽、安全手套等，或是警示牌设置处是存在警示牌等方式进行现场行为轨迹分析。需要说明的是，分析原理采用预设的设备三维物理模型实新匹配分析，即判断电力现场视频中的现场行为轨迹是否对应存在不同的设备，以满足视频中设备信息与设备三维物理模型大概率匹配。又或者是，现场行为轨迹包括目标监控人员的动作手势、行为轨迹等，例如动作顺序、行走方向等，该部分的分析主要基于卷积神经网络模型的前期样本训练，即利用符合要求的样本进行模型训练，从而实现被测样本的检测。
在一个实施例中，所述将所述安全设备模型与所述局部监控区域进行匹配，包括：
确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
具体实现中，服务器104将安全设备模型与局部监控区域进行匹配的步骤可以是首先确定安全设备模型的设备类型，如放置类型、穿戴类型，或是头部穿戴类型、手部穿戴类型等。进一步地，再确定局部监控区域的区域位置，如电力现场的预设环境位置或目标监控人员的人体局部位置，之后根据区域位置和设备类型将安全设备模型与局部监控区域进行设备形状，或是设备数量上的匹配，一旦匹配结果为不匹配，则确定安全设备模型与局部监控区域不匹配。
例如，当前局部监控区域的区域位置确定为目标监控人员的头部区域，则进一步根据该头部区域确定出安全设备模型的设备类型为安全帽，匹配过程中，若头部区域不存在安全膜，即安全帽模型并未出现在对应头部区域，则判定安全设备模型与局部监控区域不匹配。
在一个实施例中，所述步骤S230，包括：
解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；检测所述目标人员位置的停留时间，得到目标停留时间；当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
其中，目标人员位置为目标监控人员的当前所处位置。
其中，目标停留时间是指目标监控人员在目标人员位置停止不移动的持续时间，例如，10min、50s等。
其中，停留时间阈值是指针对目标停留时间满足生成电力安全预警信号的临界值，例如，5min、20s等。
具体实现中，服务器104对现场行为轨迹进行分析，可首先确定目标人员位置，再进一步检测目标人员位置对应的目标停留时间，当目标停留时间达到停留时间阈值时，表示电力现场出现异常，生成电力安全预警信号。
例如，目标监控人员在位置A处持续停留了40min未移动，而停留时间阈值为30min，则目标停留时间达到了停留时间阈值，此时服务器104将生成电力安全预警信号。
在一个实施例中，在所述步骤S210之后，还包括：
确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
其中，目标人员数量是指目标监控人员的数量，例如，2、4、6等。
其中，人员数量是指电力现场监控视频中所有出现的人的数量，例如，1、3、5等。
具体实现中，服务器104对电力现场监控视频进行安全监控，还需监控电力现场是否出现人员入侵的情况，服务器104在获取目标监控人员之后，即已锁定了目标人员数量，该目标人员数量在一段预设时间内存储不变，或是在一次任务清零前存储不变、也可以是在一次预警信号生成之前存储不变，即保存在用于分析的目标人员数量，此时，一旦摄像机102实时采集的电力现场监控视频中出现的人员数量与目标人员数量不符，则生成人员入侵预警信号，该信号同样可发送至终端106，供终端106处理。
在一个实施例中，所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
具体实现中，安全设备模型可以根据人体穿戴位置进行划分，如头部穿戴安全帽，而安全设备模型的颜色、数量、外形轮廓等均可作为待分析数据。
根据本发明实施例提供的方案，服务器通过连接摄像机对电力现场进行视频采集来获取目标监控人员，并针对电力现场监控视频分析目标监控人员的现场行为轨迹，由现场行为轨迹的穿戴分析、人员入侵分析等分析电力现场是否安全。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种电力现场视频监控装置，包括监控人员获取模块310、行为轨迹解析模块320、预警信号生成模块330和预警信号发送模块340，其中：
监控人员获取模块310，用于获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
行为轨迹解析模块320，用于解析所述目标监控人员，得到现场行为轨迹；
预警信号生成模块330，用于根据所述现场行为轨迹，生成电力安全预警信号；
预警信号发送模块340，用于发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
根据本发明实施例提供的方案，服务器首先获取电力现场监控视频中的目标监控人员，进而针对目标监控人员进行解析，获取其现场行为轨迹，再根据现场行为轨迹作分析判断，由分析结果确定是否生成电力安全预警信号，若生产各行该信号，则将进一步发送至终端，以使终端通过各种提示方法进行电力安全预警。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
在一个实施例中，所述监控人员获取模块310，包括：
监控视频获取子模块，用于获取电力现场监控视频；视频格式转换子模块，用于将所述电力现场监控视频进行模数转换，得到数字监控视频；目标边界确定子模块，用于解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；电力背景删除子模块，用于将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
在一个实施例中，所述装置还包括：
视频质量检测模块，用于检测所述电力现场监控视频的视频质量数据；视频质量优化模块，用于当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
在一个实施例中，所述视频质量优化模块，包括：
视频质量优化子模块，用于执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
在一个实施例中，所述现场行为轨迹包括局部监控区域，所述预警信号生成模块330，包括：
设备模型获取子模块，用于获取预设的安全设备模型；模型区域匹配子模块，用于将所述安全设备模型与所述局部监控区域进行匹配；预警信号生成子模块，用于当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
在一个实施例中，所述模型区域匹配子模块，包括：
类型位置确定单元，用于确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；形状数量匹配单元，用于根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；匹配结果确定单元，用于当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
在一个实施例中，所述预警信号生成模块330，包括：
目标位置确定模块，用于解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；停留时间检测模块，用于检测所述目标人员位置的停留时间，得到目标停留时间；时间阈值触发模块，用于当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
在一个实施例中，所述装置还包括：
人员数量确定模块，用于确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；入侵信号生成模块，用于当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；入侵信号发送模块，用于将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
在一个实施例中，所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
根据本发明实施例提供的方案，服务器通过连接摄像机对电力现场进行视频采集来获取目标监控人员，并针对电力现场监控视频分析目标监控人员的现场行为轨迹，由现场行为轨迹的穿戴分析、人员入侵分析等分析电力现场是否安全。采用本方法，能够对电力现场环境进行实时有效监控，避免电力现场出现安全隐患未及时被发现所导致的安全问题，增强了视频监控预警的可靠性，更降低了人工监控成本。
关于电力现场视频监控装置的具体限定，可以参见上文中对电力现场视频监控方法的限定，在此不再赘述。上述电力现场视频监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储标识信息和设备信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现一种物体尺寸测量方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电力现场监控视频；将所述电力现场监控视频进行模数转换，得到数字监控视频；解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
检测所述电力现场监控视频的视频质量数据；当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设的安全设备模型；将所述安全设备模型与所述局部监控区域进行匹配；当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；检测所述目标人员位置的停留时间，得到目标停留时间；当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电力现场监控视频；将所述电力现场监控视频进行模数转换，得到数字监控视频；解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
检测所述电力现场监控视频的视频质量数据；当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设的安全设备模型；将所述安全设备模型与所述局部监控区域进行匹配；当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；检测所述目标人员位置的停留时间，得到目标停留时间；当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种电力现场视频监控方法，其特征在于，包括如下步骤：
获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
解析所述目标监控人员，得到现场行为轨迹；
根据所述现场行为轨迹，生成电力安全预警信号；
发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
2.根据权利要求1所述的方法，其特征在于，所述获取目标监控人员，包括：
获取电力现场监控视频；
将所述电力现场监控视频进行模数转换，得到数字监控视频；
解析所述数字监控视频，确定背景目标边界；所述背景目标边界为电力现场背景与电力现场人员相交的边界交线；
将所述电力现场背景进行删除，并确定所述电力现场人员，作为所述目标监控人员。
3.根据权利要求2所述的方法，其特征在于，在所述获取电力现场监控视频之后，还包括：
检测所述电力现场监控视频的视频质量数据；
当所述视频质量数据不符合预设质量要求时，对所述电力现场监控视频进行质量优化处理。
4.根据权利要求3所述的方法，其特征在于，所述对所述电力现场监控视频进行质量优化处理，包括：
执行对所述电力现场监控视频进行雨雪屏蔽、抖动稳定、光线调整中的至少一个步骤。
5.根据权利要求1所述的方法，其特征在于，所述现场行为轨迹包括局部监控区域，所述根据所述现场行为轨迹，生成电力安全预警信号，包括：
获取预设的安全设备模型；
将所述安全设备模型与所述局部监控区域进行匹配；
当所述安全设备模型与所述局部监控区域不匹配时，生成电力安全预警信号。
6.根据权利要求5所述的方法，其特征在于，所述将所述安全设备模型与所述局部监控区域进行匹配，包括：
确定所述安全设备模型的设备类型，以及，确定所述局部监控区域的区域位置；
根据所述区域位置与所述设备类型，将所述安全设备模型与所述局部监控区域进行设备形状和/或设备数量匹配；
当所述设备形状和/或所述设备数量不匹配时，确定所述安全设备模型与所述局部监控区域不匹配。
7.根据权利要求1所述的方法，其特征在于，所述根据所述现场行为轨迹，生成电力安全预警信号，包括：
解析所述现场行为轨迹，确定目标人员位置；所述目标人员位置为所述目标监控人员的停留位置；
检测所述目标人员位置的停留时间，得到目标停留时间；
当所述目标停留时间达到预设的停留时间阈值时，生成电力安全预警信号。
8.根据权利要求1所述的方法，其特征在于，在所述获取目标监控人员之后，还包括：
确定所述目标监控人员的目标人员数量，以及，确定所述电力现场监控视频中的人员数量；
当所述人员数量与所述目标人员数量不匹配时，生成人员入侵预警信号；
将所述人员入侵预警信号发送至终端，以使所述终端根据所述人员入侵预警信号进行预警。
9.根据权利要求5所述的方法，其特征在于，所述安全设备模型包括安全帽模型、安全手套模型、安全防护眼镜模型中的至少一种。
10.一种电力现场视频监控装置，其特征在于，所述装置包括：
监控人员获取模块，用于获取目标监控人员；所述目标监控人员为电力现场监控视频中的目标监控人员；
行为轨迹解析模块，用于解析所述目标监控人员，得到现场行为轨迹；
预警信号生成模块，用于根据所述现场行为轨迹，生成电力安全预警信号；
预警信号发送模块，用于发送所述电力安全预警信号至终端，以使所述终端根据所述电力安全预警信号进行电力安全预警。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910553126.4A CN110288801A (zh) | 2019-06-25 | 2019-06-25 | 电力现场视频监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910553126.4A CN110288801A (zh) | 2019-06-25 | 2019-06-25 | 电力现场视频监控方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288801A true CN110288801A (zh) | 2019-09-27 |
Family
ID=68005494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910553126.4A Pending CN110288801A (zh) | 2019-06-25 | 2019-06-25 | 电力现场视频监控方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288801A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079612A (zh) * | 2019-12-09 | 2020-04-28 | 北京国网富达科技发展有限责任公司 | 输电线路通道入侵物体停留监测方法及装置 |
| CN111126321A (zh) * | 2019-12-27 | 2020-05-08 | 广州市奔流电力科技有限公司 | 电力安全施工防护方法、装置及计算机设备 |
| CN111556293A (zh) * | 2020-04-26 | 2020-08-18 | 上海明略人工智能(集团)有限公司 | 一种冷库的监测方法及装置、可读存储介质 |
| CN112738347A (zh) * | 2020-12-10 | 2021-04-30 | 南方电网数字电网研究院有限公司 | 信息安全运行监测预警呼叫系统 |
| CN112800883A (zh) * | 2021-01-15 | 2021-05-14 | 广州穗能通能源科技有限责任公司 | 基于边缘盒子的电力行为监控方法、装置和边缘盒子 |
| CN113888836A (zh) * | 2021-11-01 | 2022-01-04 | 西安热工研究院有限公司 | 一种用于火电厂危险设备靠近的报警提示设备 |
| CN114387750A (zh) * | 2021-12-28 | 2022-04-22 | 东旭新能源投资有限公司 | 一种变电设备监测的方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040143602A1 (en) * | 2002-10-18 | 2004-07-22 | Antonio Ruiz | Apparatus, system and method for automated and adaptive digital image/video surveillance for events and configurations using a rich multimedia relational database |
| CN103108159A (zh) * | 2013-01-17 | 2013-05-15 | 新疆电力公司乌鲁木齐电业局 | 一种电力智能视频分析监控系统和方法 |
| CN104410855A (zh) * | 2014-11-05 | 2015-03-11 | 广州中国科学院先进技术研究所 | 一种监控视频的抖动检测方法 |
| 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 |
| CN108650485A (zh) * | 2018-03-21 | 2018-10-12 | 江苏同袍信息科技有限公司 | 基于图像检测和无线探针的人员监控方法及系统 |
-
2019
- 2019-06-25 CN CN201910553126.4A patent/CN110288801A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040143602A1 (en) * | 2002-10-18 | 2004-07-22 | Antonio Ruiz | Apparatus, system and method for automated and adaptive digital image/video surveillance for events and configurations using a rich multimedia relational database |
| CN103108159A (zh) * | 2013-01-17 | 2013-05-15 | 新疆电力公司乌鲁木齐电业局 | 一种电力智能视频分析监控系统和方法 |
| CN104410855A (zh) * | 2014-11-05 | 2015-03-11 | 广州中国科学院先进技术研究所 | 一种监控视频的抖动检测方法 |
| 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 |
| CN108650485A (zh) * | 2018-03-21 | 2018-10-12 | 江苏同袍信息科技有限公司 | 基于图像检测和无线探针的人员监控方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 王泰鹏: "《大学生课外科技创新活动指南.机械、近机械类专业》", 30 June 2012 * |
| 谢剑斌 等: "《视频感知与智能视频监控》", 31 March 2012 * |
| 马晓路 等: "《MATLAB图像处理从入门到精通》", 28 February 2013 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079612A (zh) * | 2019-12-09 | 2020-04-28 | 北京国网富达科技发展有限责任公司 | 输电线路通道入侵物体停留监测方法及装置 |
| CN111126321A (zh) * | 2019-12-27 | 2020-05-08 | 广州市奔流电力科技有限公司 | 电力安全施工防护方法、装置及计算机设备 |
| CN111126321B (zh) * | 2019-12-27 | 2023-09-15 | 广州市奔流电力科技有限公司 | 电力安全施工防护方法、装置及计算机设备 |
| CN111556293A (zh) * | 2020-04-26 | 2020-08-18 | 上海明略人工智能(集团)有限公司 | 一种冷库的监测方法及装置、可读存储介质 |
| CN112738347A (zh) * | 2020-12-10 | 2021-04-30 | 南方电网数字电网研究院有限公司 | 信息安全运行监测预警呼叫系统 |
| CN112800883A (zh) * | 2021-01-15 | 2021-05-14 | 广州穗能通能源科技有限责任公司 | 基于边缘盒子的电力行为监控方法、装置和边缘盒子 |
| CN113888836A (zh) * | 2021-11-01 | 2022-01-04 | 西安热工研究院有限公司 | 一种用于火电厂危险设备靠近的报警提示设备 |
| CN114387750A (zh) * | 2021-12-28 | 2022-04-22 | 东旭新能源投资有限公司 | 一种变电设备监测的方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288801A (zh) | 电力现场视频监控方法、装置、计算机设备和存储介质 | |
| Franklin et al. | Anomaly detection in videos for video surveillance applications using neural networks | |
| EP3333764A1 (en) | Techniques for assessing group level cognitive states | |
| KR102195706B1 (ko) | 침입 탐지방법 및 그 장치 | |
| CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
| CN104463174A (zh) | 一种多角度动态人物识别及行为预测系统 | |
| Raj et al. | IoT-based real-time poultry monitoring and health status identification | |
| CN112257500A (zh) | 一种基于云边协同技术的电力设备智能图像识别系统及识别方法 | |
| CN111626199A (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
| CN109934074A (zh) | 行动轨迹确定方法及装置 | |
| CN109523041A (zh) | 核电站管理系统 | |
| KR102511287B1 (ko) | 영상 기반 자세 예측 및 행동 검출 방법 및 장치 | |
| CN116165981A (zh) | 一种工业行业安全生产智能监控系统 | |
| CN116129490A (zh) | 一种用于复杂环境行为识别的监控装置及监控方法 | |
| CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| CN116152745A (zh) | 一种抽烟行为检测方法、装置、设备及存储介质 | |
| CN113660455B (zh) | 一种基于dvs数据的跌倒检测方法、系统、终端 | |
| CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 | |
| CN113158744A (zh) | 一种基于人脸识别的安防管理系统 | |
| CN112733642A (zh) | 基于监所的行为分析方法、终端 | |
| CN111191511A (zh) | 一种监狱动态实时行为识别方法及系统 | |
| CN117935116B (zh) | 基于人工智能的实时火场态势感知模型训练方法及系统 | |
| CN111291597A (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
| CHAHARI et al. | Neural network assisted video surveillance for monitoring human activity | |
| Dandan et al. | Establishment and Optimization of Video Analysis System in Metaverse Environment |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |