CN110334671A - 一种基于表情识别的暴力侵害检测系统及检测方法 - Google Patents

一种基于表情识别的暴力侵害检测系统及检测方法 Download PDF

Info

Publication number
CN110334671A
CN110334671A CN201910621190.1A CN201910621190A CN110334671A CN 110334671 A CN110334671 A CN 110334671A CN 201910621190 A CN201910621190 A CN 201910621190A CN 110334671 A CN110334671 A CN 110334671A
Authority
CN
China
Prior art keywords
violence
module
image data
face
feature vector
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
CN201910621190.1A
Other languages
English (en)
Other versions
CN110334671B (zh
Inventor
叶亮
付晓玲
李月
李卓明
韩帅
石硕
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910621190.1A priority Critical patent/CN110334671B/zh
Publication of CN110334671A publication Critical patent/CN110334671A/zh
Application granted granted Critical
Publication of CN110334671B publication Critical patent/CN110334671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/175—Static expression
    • 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

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)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于表情识别的暴力侵害检测系统及检测方法，本发明涉及基于表情识别的暴力侵害检测系统及检测方法。本发明的目的是为了解决现有固定式暴力事件检测设备存在检测死角、检测不方便、利用率低、耗费大量的人力物力以及后期维护成本高的问题。系统包括帽子主体；所述帽子主体上设置有微处理器模块、图像采集模块、定位模块和无线通信模块；所述图像采集模块用于采集用户所面对人物的面部图像数据并传递给微处理器；所述定位模块用于采集用户的位置信息；所述微处理器模块用于根据人物的面部图像数据判断用户是否处于被暴力侵害状态；所述无线通信模块用于将微处理器模块判断结果和位置信息进行传输。本发明用于暴力侵害检测领域。

Description

一种基于表情识别的暴力侵害检测系统及检测方法
技术领域
本发明涉及基于表情识别的暴力侵害检测系统及检测方法。
背景技术
现今社会中，暴力事件不仅会对受害人本身造成直接伤害，也会对周围的人构成威胁。
目前，解决暴力事件发生的大多数手段是由旁观者举报或事后当事人报警处理，然而 如果暴力事件没有得到及时报警制止，可能会造成非常严重的后果，包括对受害人造成身 心伤害，对周围人构成安全隐患，这种损失将是无可挽回的。
虽然目前也出现了一些暴力事件的预防方案，但是目前的手段和措施还不能真正的做 到在暴力事件发生时得到及时发现和制止。现有的暴力事件检测手段基本上都是固定安装 (如在电梯中安装监控)，一般不能全面覆盖公共场所，会存在很多死角，不能全方面检测， 此外大量安装固定检测设备会极大的增加成本，而暴力事件的发生有极大的随机性，导致 设备的实际利用率低；而且还会耗费大量的人力物力进行检测，耗费大量的人力物力。同 时由于这些设备需要定期维护和维修，存在较高的后期的维护成本。
发明内容
本发明的目的是为了解决现有固定式暴力事件检测设备存在检测死角、检测不方便、 利用率低、耗费大量的人力物力以及后期维护成本高的问题，而提出一种基于表情识别的 暴力侵害检测系统及检测方法。
一种基于表情识别的暴力侵害检测系统包括帽子主体；
所述帽子主体上设置有微处理器模块、图像采集模块、定位模块和无线通信模块；
所述图像采集模块用于采集用户所面对人物的面部图像数据并传递给微处理器；
所述定位模块用于采集用户的位置信息；
所述微处理器模块用于根据人物的面部图像数据判断用户是否处于被暴力侵害状态；
所述无线通信模块用于将微处理器模块判断结果和位置信息进行传输。
一种基于表情识别的暴力侵害检测方法具体过程为：
步骤一、帽子主体上的图像采集模块采集用户所面对人物的面部图像数据，在微处理 器模块中对面部图像数据进行预处理，得到预处理后面部图像数据；
步骤二、在微处理器模块中对步骤一预处理后的面部图像数据进行特征提取及降维， 得到降维后的特征向量；
步骤三、在微处理器模块中将步骤二得到的降维后的特征向量划分为训练集和测试集， 用SVM(支持向量机)算法进行分类，用训练集训练SVM分类模型，用测试集测试所训练SVM分类模型的识别准确率，当识别准确率达到预期目标，得到训练好的SVM分类模 型，执行步骤四；否则重复执行步骤一至步骤三，直到识别准确率达到预期目标；
步骤四、使用者戴上基于表情识别的暴力侵害检测帽子，摄像头朝向正前方，帽子上 的摄像头采集对面人的面部表情图像，在微处理器模块中采用步骤一对采集对面人的面部 表情图像进行预处理，得到预处理后面部图像数据，采用步骤二对预处理后的面部图像数 据进行特征提取及降维，得到降维后的特征向量，使用步骤三得到的训练好的SVM分类模 型判断降维后的特征向量是否属于暴力侵害表情，如果是，则利用无线通信模块向指定接 收人发送报警消息，其中携带戴帽人的位置信息；如果否，则重复执行步骤四。
本发明的有益效果为：
本发明设计一种基于表情识别的暴力侵害检测系统，以普通的帽子为基础平台，在其 上配以微处理器模块、图像采集模块、定位模块和无线通信模块进行暴力事件检测，并在 暴力事件发生时自动报警；
本发明设计一种基于表情识别的暴力侵害检测方法，一、帽子主体上的图像采集模块 采集用户所面对人物的面部图像数据，对面部图像数据进行预处理，得到预处理后面部图 像数据；包括：灰度处理、人脸检测、去噪、尺度归一化、直方图均衡化；二、对预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向量；三、将得到的降维后的特征向量划分为训练集和测试集，用训练集训练SVM分类模型，用测试集测试所训练SVM 分类模型的识别准确率，当识别准确率达到预期目标，得到训练好的SVM分类模型，执行 四；否则重复执行一至三，直到识别准确率达到预期目标；四、使用者戴上基于表情识别 的暴力侵害检测帽子，摄像头朝向正前方，帽子上的摄像头采集对面人的面部表情图像， 在微处理器模块中采用步骤一对采集对面人的面部表情图像进行预处理，得到预处理后面 部图像数据，采用步骤二对预处理后的面部图像数据进行特征提取及降维，得到降维后的 特征向量，使用步骤三得到的训练好的SVM分类模型判断降维后的特征向量是否属于暴力 侵害表情，如果是，则利用无线通信模块向指定接收人发送报警消息，其中携带戴帽人的 位置信息；如果否，则重复执行步骤四。
1.便携，戴在头上，正面朝前即可。
2.识别暴力侵害表情，涵盖大部分暴力方式，包括身体暴力、言语暴力，只要施暴人呈现暴力侵害的表情，就能识别。
3.成本低，所涉及外设硬件便宜，解决现有固定式暴力事件检测设备后期维护成本 高的问题。
4.自动检测，节省人力成本，节省公共设备开销，从受害者的角度实现自动报警，解决现有固定式暴力事件检测设备耗费大量的人力物力的问题。
5.兼容性好，可基于现有帽子改装，也可以做成一体式的，解决现有固定式暴力事件 检测设备存在检测死角、检测不方便、利用率低的问题。
附图说明
图1为本发明基于表情识别的暴力侵害检测方法流程图。
具体实施方式
具体实施方式一：本实施方式一种基于表情识别的暴力侵害检测系统包括帽子主体；
所述帽子主体上设置有微处理器模块、图像采集模块、定位模块和无线通信模块；
所述图像采集模块用于采集用户所面对人物的面部图像数据并传递给微处理器；
所述定位模块用于采集用户的位置信息；
所述微处理器模块用于根据人物的面部图像数据判断用户是否处于被暴力侵害状态；
所述无线通信模块用于将微处理器模块判断结果和位置信息进行传输。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述微处理器模块判断用 户处于被暴力侵害状态时，微处理器模块控制无线通信模块向指定接收人发送报警消息， 其中携带戴帽人的位置信息；
所述微处理器模块判断用户不处于被暴力侵害状态时，微处理器模块控制无线通信模 块不进行通信(不向指定接收人发送报警消息)。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述图像采集模块为 摄像头。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：结合图1说明本实施方式，本实施方式一种基于表情识别的暴力侵 害检测方法具体过程为：
步骤一、帽子主体上的图像采集模块采集用户所面对人物的面部图像数据，在微处理 器模块中对面部图像数据进行预处理，得到预处理后面部图像数据；
步骤二、在微处理器模块中对步骤一预处理后的面部图像数据进行特征提取及降维， 得到降维后的特征向量；
步骤三、在微处理器模块中将步骤二得到的降维后的特征向量划分为训练集和测试集， 用SVM(支持向量机)算法进行分类，用训练集训练SVM分类模型，用测试集测试所训练SVM分类模型的识别准确率，当识别准确率达到预期目标，得到训练好的SVM分类模 型，执行步骤四；否则重复执行步骤一至步骤三，直到识别准确率达到预期目标；
步骤四、使用者戴上基于表情识别的暴力侵害检测帽子(基于表情识别的暴力侵害检 测系统)，摄像头朝向正前方，帽子上的摄像头采集对面人的面部表情图像，在微处理器模 块中采用步骤一对采集对面人的面部表情图像进行预处理，得到预处理后面部图像数据， 采用步骤二对预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向量，使 用步骤三得到的训练好的SVM分类模型判断降维后的特征向量是否属于暴力侵害表情，如 果是，则利用无线通信模块向指定接收人发送报警消息，其中携带戴帽人的位置信息；如 果否，则重复执行步骤四。
本发明的基于表情识别的暴力侵害检测帽子，在投入使用前，预先通过提取暴力侵害 动作数据对步骤三得到的分类模型进行训练，得到区分暴力侵害事件和非暴力事件的判定 条件。在投入使用后，仍然可以通过提取暴力侵害动作数据对步骤三得到的分类模型进行 反复训练，从而提高分类模型的准确率和针对具体个体的适性。
具体实施方式五：本实施方式与具体实施方式四不同的是，所述步骤一中帽子主体上 的图像采集模块采集用户所面对人物的面部图像数据，在微处理器模块中对面部图像数据 进行预处理，得到预处理后面部图像数据；具体过程为：
步骤一一、灰度处理：
对采集的面部图像数据进行灰度处理，得到转化为灰度的面部图像；
步骤一二、人脸检测：
采用Cascade级联算法检测步骤一一中转化为灰度的面部图像中是否存在人脸，如果 不存在，中止识别；如果存在，执行步骤一三；
步骤一三、去噪：
步骤一三一、采用中值滤波滤除步骤一二中存在人脸的面部图像中的椒盐噪声，得到 去除椒盐噪声的面部图像；
步骤一三二、采用均值滤波滤除步骤一三一得到的去除椒盐噪声的面部图像中的高斯 噪声，得到去除高斯噪声的面部图像；
步骤一四、尺度归一化：
将步骤一三去噪后的面部图像变换为统一的尺寸大小(145像素×145像素)，以便于 后续表情特征提取；
步骤一五、对步骤一四得到的尺度归一化后的面部图像进行直方图均衡化，使输入图 像在每一个灰度级上都有相同像素点数，以便于图像比较。
其它步骤及参数与具体实施方式四相同。
具体实施方式六：本实施方式与具体实施方式四或五不同的是，所述步骤二中在微处 理器模块中对步骤一预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向 量；具体过程为：
步骤二一、提取Gabor特征，过程为：
对步骤一预处理后的面部图像数据的每一幅表情图像提取5个尺度8个方向(Gabor 函数的尺度和方向)的Gabor小波变换后的幅值特征(进行Gabor小波变换后可以得到幅 值和相位特征，得到40个Gabor幅值特征)，并将40个Gabor幅值特征级联(先将每个Gabor幅值特征矩阵转成行向量，然后把40个Gabor行向量拼接成一个行向量)，构成 1*841000的特征向量；
步骤二二、用ReliefF算法对步骤二一得到的特征向量进行特征选择；
步骤二三、用PCA算法对步骤二二得到的特征向量进行降维。
其它步骤及参数与具体实施方式四或五相同。
具体实施方式七：本实施方式与具体实施方式四至六之一不同的是，所述步骤二二中 用ReliefF算法对步骤二一得到的特征向量进行特征选择，过程为：
选择特征向量中权重大于等于0.02的特征构成新特征集，新特征集中特征向量维度为 354400维。
其它步骤及参数与具体实施方式四至六之一相同。
具体实施方式八：本实施方式与具体实施方式四至七之一不同的是，所述步骤二三中 用PCA算法对步骤二二得到的特征向量进行降维，过程为：
选取保留特征向量空间95％以上信息量(步骤二二得到的进行特征选择后的特征向量 信息量会损失)的前36个主成分(PCA降维后原特征在新特征空间的投影)构成新的特征 向量，新的特征向量维度降为36维；
所述特征向量为步骤二二得到的进行特征选择后的特征向量；
所述PCA为主成分分析。
其它步骤及参数与具体实施方式四至七之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例具体过程为：
(1)使用公开表情库jaffe，从中选择6种表情共90个样本，其中“暴力侵害”类 30个样本，“非暴力侵害”类60个样本。所有样本平均分成3组，做3折交叉验证。
(2)对训练集样本依次进行灰度处理、人脸检测、去噪、尺度归一化、直方图均衡化、Gabor幅值特征提取、特征选择、特征降维。
(3)用步骤(2)得到的特征集训练SVM分类器，核函数分别选择线性核函数、多 项式核函数、径向基函数核函数、sigmoid核函数，得到4个分类模型。
(4)对测试集样本依次进行灰度处理、人脸检测、去噪、尺度归一化、直方图均衡化、Gabor幅值特征提取、特征选择、特征降维。
(5)用步骤(4)得到的特征集分别测试步骤(3)得到的4个SVM模型，发现当 核函数为线性核函数和多项式核函数时，分类准确率达到100％，因此可选用线性核函数 或多项式核函数对应的SVM模型作为本发明的分类器。至此识别率满足需求，可以付诸 实用。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术 人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发 明所附的权利要求的保护范围。

Claims (8)

1.一种基于表情识别的暴力侵害检测系统，其特征在于：所述系统包括帽子主体；
所述帽子主体上设置有微处理器模块、图像采集模块、定位模块和无线通信模块；
所述图像采集模块用于采集用户所面对人物的面部图像数据并传递给微处理器；
所述定位模块用于采集用户的位置信息；
所述微处理器模块用于根据人物的面部图像数据判断用户是否处于被暴力侵害状态；
所述无线通信模块用于将微处理器模块判断结果和位置信息进行传输。
2.根据权利要求1所述一种基于表情识别的暴力侵害检测系统，其特征在于：所述微处理器模块判断用户处于被暴力侵害状态时，微处理器模块控制无线通信模块向指定接收人发送报警消息，其中携带戴帽人的位置信息；
所述微处理器模块判断用户不处于被暴力侵害状态时，微处理器模块控制无线通信模块不进行通信。
3.根据权利要求1或2所述一种基于表情识别的暴力侵害检测系统，其特征在于：所述图像采集模块为摄像头。
4.一种基于表情识别的暴力侵害检测系统的检测方法，其特征在于：所述一种基于表情识别的暴力侵害检测方法具体过程为：
步骤一、帽子主体上的图像采集模块采集用户所面对人物的面部图像数据，在微处理器模块中对面部图像数据进行预处理，得到预处理后面部图像数据；
步骤二、在微处理器模块中对步骤一预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向量；
步骤三、在微处理器模块中将步骤二得到的降维后的特征向量划分为训练集和测试集，用训练集训练SVM分类模型，用测试集测试所训练SVM分类模型的识别准确率，当识别准确率达到预期目标，得到训练好的SVM分类模型，执行步骤四；否则重复执行步骤一至步骤三，直到识别准确率达到预期目标；
步骤四、使用者戴上基于表情识别的暴力侵害检测帽子，摄像头朝向正前方，帽子上的摄像头采集对面人的面部表情图像，在微处理器模块中采用步骤一对采集对面人的面部表情图像进行预处理，得到预处理后面部图像数据，采用步骤二对预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向量，使用步骤三得到的训练好的SVM分类模型判断降维后的特征向量是否属于暴力侵害表情，如果是，则利用无线通信模块向指定接收人发送报警消息，其中携带戴帽人的位置信息；如果否，则重复执行步骤四。
5.根据权利要求4所述一种基于表情识别的暴力侵害检测方法，其特征在于：所述步骤一中帽子主体上的图像采集模块采集用户所面对人物的面部图像数据，在微处理器模块中对面部图像数据进行预处理，得到预处理后面部图像数据；具体过程为：
步骤一一、灰度处理：
对采集的面部图像数据进行灰度处理，得到转化为灰度的面部图像；
步骤一二、人脸检测：
采用Cascade级联算法检测步骤一一中转化为灰度的面部图像中是否存在人脸，如果不存在，中止识别；如果存在，执行步骤一三；
步骤一三、去噪：
步骤一三一、采用中值滤波滤除步骤一二中存在人脸的面部图像中的椒盐噪声，得到去除椒盐噪声的面部图像；
步骤一三二、采用均值滤波滤除步骤一三一得到的去除椒盐噪声的面部图像中的高斯噪声，得到去除高斯噪声的面部图像；
步骤一四、尺度归一化：
将步骤一三去噪后的面部图像变换为统一的尺寸大小；
步骤一五、对步骤一四得到的尺度归一化后的面部图像进行直方图均衡化。
6.根据权利要求5所述一种基于表情识别的暴力侵害检测方法，其特征在于：所述步骤二中在微处理器模块中对步骤一预处理后的面部图像数据进行特征提取及降维，得到降维后的特征向量；具体过程为：
步骤二一、提取Gabor特征，过程为：
对步骤一预处理后的面部图像数据的每一幅表情图像提取5个尺度8个方向的Gabor小波变换后的幅值特征，并将40个Gabor幅值特征级联，构成1*841000的特征向量；
步骤二二、用ReliefF算法对步骤二一得到的特征向量进行特征选择；
步骤二三、用PCA算法对步骤二二得到的特征向量进行降维。
7.根据权利要求6所述一种基于表情识别的暴力侵害检测方法，其特征在于：所述步骤二二中用ReliefF算法对步骤二一得到的特征向量进行特征选择，过程为：
选择特征向量中权重大于等于0.02的特征构成新特征集，新特征集中特征向量维度为354400维。
8.根据权利要求7所述一种基于表情识别的暴力侵害检测方法，其特征在于：所述步骤二三中用PCA算法对步骤二二得到的特征向量进行降维，过程为：
选取保留特征向量空间95％以上信息量的前36个主成分构成新的特征向量，新的特征向量维度降为36维；
所述特征向量为步骤二二得到的进行特征选择后的特征向量；
所述PCA为主成分分析。
CN201910621190.1A 2019-07-10 2019-07-10 一种基于表情识别的暴力侵害检测系统及检测方法 Active CN110334671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910621190.1A CN110334671B (zh) 2019-07-10 2019-07-10 一种基于表情识别的暴力侵害检测系统及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910621190.1A CN110334671B (zh) 2019-07-10 2019-07-10 一种基于表情识别的暴力侵害检测系统及检测方法

Publications (2)

Publication Number Publication Date
CN110334671A true CN110334671A (zh) 2019-10-15
CN110334671B CN110334671B (zh) 2021-11-09

Family

ID=68146213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910621190.1A Active CN110334671B (zh) 2019-07-10 2019-07-10 一种基于表情识别的暴力侵害检测系统及检测方法

Country Status (1)

Country Link
CN (1) CN110334671B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926407A (zh) * 2021-02-02 2021-06-08 华南师范大学 基于校园欺凌的求救信号检测方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108245387A (zh) * 2018-02-11 2018-07-06 中明博瑞成都科技有限公司 一种基于穿戴设备的智能导盲系统
CN108741370A (zh) * 2018-07-17 2018-11-06 上海草家物联网科技有限公司 一种智能帽子及其应用系统
CN109658666A (zh) * 2018-12-06 2019-04-19 中山乐心电子有限公司 一种危险防护方法、设备、系统、电子设备及存储介质
CN109718069A (zh) * 2019-03-06 2019-05-07 吉林大学 一种用于典型十字路口的导盲智能终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108245387A (zh) * 2018-02-11 2018-07-06 中明博瑞成都科技有限公司 一种基于穿戴设备的智能导盲系统
CN108741370A (zh) * 2018-07-17 2018-11-06 上海草家物联网科技有限公司 一种智能帽子及其应用系统
CN109658666A (zh) * 2018-12-06 2019-04-19 中山乐心电子有限公司 一种危险防护方法、设备、系统、电子设备及存储介质
CN109718069A (zh) * 2019-03-06 2019-05-07 吉林大学 一种用于典型十字路口的导盲智能终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘皓: "基于条件随机场模型的异常行为检测方法研究", 《中国博士学位论文全文数据库（电子期刊）信息科技辑》 *
杜杰: "基于Kernel ReliefF的人脸表情识别研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926407A (zh) * 2021-02-02 2021-06-08 华南师范大学 基于校园欺凌的求救信号检测方法、装置及系统

Also Published As

Publication number Publication date
CN110334671B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN110458101B (zh) 基于视频与设备结合的服刑人员体征监测方法及设备
CN103366506A (zh) 一种驾驶员行车途中接打手机行为的自动监控装置及方法
CN108030494A (zh) 基于交叉验证的心电信号错误标记训练样本识别方法
CN110958568B (zh) 基于WiFi的船舶驾驶室人员值班行为识别方法及系统
CN111027378A (zh) 行人重识别的方法、装置、终端及存储介质
CN103324944A (zh) 一种基于svm和稀疏表示的假指纹检测方法
CN110636048B (zh) 一种基于ecu信号特征标识符的车载入侵检测方法及系统
CN106056079A (zh) 一种图像采集设备及人脸五官的遮挡检测方法
CN112183438B (zh) 基于小样本学习神经网络的违规行为的图像识别方法
CN106682589A (zh) 人脸识别及监狱点名系统
CN110415152A (zh) 一种安全监控系统
CN110991346A (zh) 一种疑似吸毒人员识别的方法、装置及存储介质
CN105138886B (zh) 机器人生物体征识别系统
CN112396023A (zh) 基于机器学习的火灾检测方法
CN113591520A (zh) 一种图像识别方法、入侵对象检测方法及装置
CN110334671A (zh) 一种基于表情识别的暴力侵害检测系统及检测方法
CN112580531B (zh) 一种真假车牌的识别检测方法及系统
CN113343926A (zh) 一种基于卷积神经网络的驾驶员疲劳检测方法
CN112992372A (zh) 疫情风险监测方法、装置、设备、存储介质及程序产品
CN112699744A (zh) 跌倒姿态的分类识别方法、装置和可穿戴设备
CN116933002A (zh) 一种动作检测方法、装置、终端设备和存储介质
CN110866470A (zh) 一种基于随机图像特征的人脸防伪检测方法
CN115909212A (zh) 一种电力作业典型违章行为实时预警方法
CN113378702B (zh) 一种用于登杆作业的多特征融合的疲劳监测识别方法
CN116935253A (zh) 基于结合时空注意力机制的残差网络的人脸篡改检测方法

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