CN110598633B - 一种摔倒行为识别方法、装置及系统 - Google Patents
一种摔倒行为识别方法、装置及系统 Download PDFInfo
- Publication number
- CN110598633B CN110598633B CN201910863922.8A CN201910863922A CN110598633B CN 110598633 B CN110598633 B CN 110598633B CN 201910863922 A CN201910863922 A CN 201910863922A CN 110598633 B CN110598633 B CN 110598633B
- Authority
- CN
- China
- Prior art keywords
- fall
- behavior
- monitoring image
- data stream
- tumble
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Abstract
本发明提供了一种摔倒行为识别方法、装置及系统,该摔倒行为识别方法首先获取待监控图像以及历史监控图像数据流,基于所述历史监控图像数据流,建立摔倒数据集。然后,搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练。之后,将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。本方案中,摔倒识别模型的输入为单帧输入,进而能提高识别速率、降低内存,且本方案基于摔倒数据集对摔倒识别模型进行训练,实现了深度学习与摔倒物理识别的结合,能够实现多人场景下的摔倒行为识别并提高识别速率。
Description
技术领域
本发明涉及视频监控技术领域,具体涉及一种摔倒行为识别方法、装置及系统。
背景技术
众所周知,建筑施工工地是一个高危场景,施工人员的工作环境相对严峻,存在许多安全隐患。其中,摔倒是众多安全隐患之一,例如,在高温情况下工人可能会由于炎热而晕倒,此时需要进行及时有效的治疗,因此需要识别摔倒行为并进行预警。
目前,摔倒识别方法主要包括:
1.利用传感器采集行为数据进而判断是否发生摔倒行为,该方法需要施工人员佩戴采集装备,实际应用较为繁琐。
2.利用深度学习卷积进行视频分析判断,该方法一次识别需要多帧数输入,会造成速率低以及内存耗损过大的问题,除此,多人场景下识别效率较低。
因此,如何提供一种摔倒行为识别方法、装置及系统,既能进行多人场景下的摔倒行为识别,又能提高识别速率、降低内存,是本领域技术人员亟待解决的一大技术难题。
发明内容
有鉴于此,本发明实施例提供了一种摔倒行为识别方法、装置及系统,既能进行多人场景下的摔倒行为识别,又能提高识别速率、降低内存。
为实现上述目的,本发明实施例提供如下技术方案:
一种摔倒行为识别方法,包括:
获取待监控图像以及历史监控图像数据流;
基于所述历史监控图像数据流,建立摔倒数据集;
搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;
将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。
可选的,在获取所述历史监控图像数据流之前,还包括:
计算预设时间间隔内所述待监控图像中身体重心下降速度;
判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流。
可选的,所述获取历史监控图像数据流,包括:
在待监控场景设置摄像头;
获取所述摄像头实时拍摄的监控图像;
确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
可选的,所述基于所述历史监控图像数据流,建立摔倒数据集,包括:
将所述历史监控图像数据流输入预设模型,生成骨架数据;
对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
确定多个所述子数据集的合集为所述摔倒数据集。
可选的,所述搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练,包括:
按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
基于所述验证集对所中间摔倒行为识别结果进行修正。
一种摔倒行为识别装置,包括:
获取模块,用于获取待监控图像以及历史监控图像数据流;
建立模块,用于基于所述历史监控图像数据流,建立摔倒数据集;
训练模块,用于搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;
确定模块,用于将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。
可选的,还包括:
计算模块,用于计算预设时间间隔内所述待监控图像中身体重心下降速度;
判断模块,用于判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流。
可选的,所述获取模块包括:
设置单元,用于在待监控场景设置摄像头;
获取单元,用于获取所述摄像头实时拍摄的监控图像;
第一确定单元,用于确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
可选的,所述建立模块包括:
生成单元,用于将所述历史监控图像数据流输入预设模型,生成骨架数据;
标注单元,用于对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
第二确定单元,用于确定多个所述子数据集的合集为所述摔倒数据集。
可选的,所述训练模块包括:
拆分单元,用于按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
输出单元,用于将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
修正单元,用于基于所述验证集对所中间摔倒行为识别结果进行修正。
一种摔倒行为识别系统,包括任意一项上述的摔倒行为识别装置。
基于上述技术方案,本发明实施例提供了一种摔倒行为识别方法、装置及系统,首先获取待监控图像以及历史监控图像数据流,基于所述历史监控图像数据流,建立摔倒数据集。然后,搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练。之后,将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。本方案中,摔倒识别模型的输入为单帧输入,进而能提高识别速率、降低内存,且本方案基于摔倒数据集对摔倒识别模型进行训练,实现了深度学习与摔倒物理识别的结合,能够实现多人场景下的摔倒行为识别并提高识别速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种摔倒行为识别方法的流程示意图;
图2为本发明实施例提供的一种摔倒行为识别方法的又一流程示意图;
图3为本发明实施例提供的一种摔倒行为识别方法的又一流程示意图;
图4为本发明实施例提供的一种摔倒行为识别方法的又一流程示意图;
图5为本发明实施例提供的一种摔倒行为识别方法的又一流程示意图;
图6为本发明实施例提供的一种摔倒行为识别装置的结构示意图。
具体实施方式
请参阅图1,图1为本发明实施例提供的一种摔倒行为识别方法的流程示意图,包括:
S11、获取待监控图像以及历史监控图像数据流;
具体的,本发明实施例提供了一种获取历史监控图像数据流的具体实现方式,如图2所示,包括:
S21、在待监控场景设置摄像头;
S22、获取所述摄像头实时拍摄的监控图像;
S23、确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
其中,预设时间段可以根据实际的设计需求进行设定,例如为两天、一周、一月等。而本实施例中的待监控图像为输入训练好的摔倒识别模型的数据,由该模型输出摔倒行为检测结果。
S12、基于所述历史监控图像数据流,建立摔倒数据集;
具体的,如图3所示,本发明实施例提供了一种基于所述历史监控图像数据流,建立摔倒数据集的具体实现方式,包括:
S31、将所述历史监控图像数据流输入预设模型,生成骨架数据;
S32、对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
S33、确定多个所述子数据集的合集为所述摔倒数据集。
示意性的,在本实施例中,首先将摄像头获取的历史监控图像数据流输入预设模型,例如开源openpose模型,以提取出人体骨架数据。然后对收集到的历史监控图像数据流进行标注,分别为工地上施工、行走、摔倒三个类别,其中,每个类别数至少2万张。
值得一提的是,本实施例中,不同于图像标注,是将摔倒正负样本进行标注,具体的,需要先将人体骨架数据提取出来,最终存储不同类别骨架数据,而骨架数据为序列数据,更利于后续的摔倒模型识别。
S13、搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;
具体的,如图4所示,本发明实施例还提供了一种搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练的具体实现方式,包括:
S41、按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
S42、将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
S43、基于所述验证集对所中间摔倒行为识别结果进行修正。
示意性的,在本实施例中,首先按照预设比例,将所述摔倒数据集拆分成训练集以及验证集,例如将数据集按照10:1划分成训练集和验证集。具体的,本实施例中,摔倒识别模型采用深度神经网络模型DNN,该模型主要由三个基础块和最后一个全连接层构成。其中,基础块用来从原始骨架数据中抽取特征,因骨骼数据与图像数据有明显不同,骨骼数据为序列数据。因此基础块由一个线性层,一个归一化层,一个激活层组成,在本实施例中,可以设计激活层激活函数为Relu函数。
然后,将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果,并基于所述验证集对所中间摔倒行为识别结果进行修正,即对摔倒识别模型进行训练。
具体的,模型进行训练,可以设定学习率lr为0.0001,损失函数为交叉熵损失函数(Cross Entropy Loss),其公式为迭代方法为Adam算法,最后批处理次数batch_size为128,模型训练次数按1000、2000、3000、5000次数依次训练,每次训练完成后在工地摔倒检测平台上进行测试,不断调整训练次数,最终最优训练次数为3000次,达到精度93%。
S14、将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。
最后,将所述待监控图像输入所述摔倒识别模型,即可得到摔倒行为识别结果。
由于本方案中,摔倒识别模型的输入为单帧输入,进而能提高识别速率、降低内存,且本方案基于摔倒数据集对摔倒识别模型进行训练,实现了深度学习与摔倒物理识别的结合,能够实现多人场景下的摔倒行为识别并提高识别速率。
发明人考虑到对单帧识别摔倒可能会由于每帧判断,导致一定的误识,因此,本实施例还提供了一种结合摔倒本身具备的运动特征的摔倒行为识别方法,如图5所示,包括:
S51、计算预设时间间隔内所述待监控图像中身体重心下降速度;
S52、判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流。
可见,本实施例将已经训练好的模型结合摔倒运动特征进行综合识别。示意性的,如下:
①每隔10帧做一次判断。
②计算身体重心下降速度Vm,其中身体重心下降速度计算通过脖子关节点位置变化计算。
③如若Vm大于设定阈值a,则第10帧以后的10帧会进入上述摔倒识别模型进行判断,如若检测出摔倒则框显出来并发至报警器报警。
本方法能将摔倒识别精度提升至96%。
在上述实施例的基础上,如图6所示,本实施例还提供了一种摔倒行为识别装置,包括:
获取模块61,用于获取待监控图像以及历史监控图像数据流;
建立模块62,用于基于所述历史监控图像数据流,建立摔倒数据集;
训练模块63,用于搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;
确定模块64,用于将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。
除此,本实施例提供的摔倒行为识别装置,还包括:
计算模块,用于计算预设时间间隔内所述待监控图像中身体重心下降速度;
判断模块,用于判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流。
在上述实施例的基础上,本实施例提供的摔倒行为识别装置中,所述获取模块可以包括:
设置单元,用于在待监控场景设置摄像头;
获取单元,用于获取所述摄像头实时拍摄的监控图像;
第一确定单元,用于确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
而建立模块可以包括:
生成单元,用于将所述历史监控图像数据流输入预设模型,生成骨架数据;
标注单元,用于对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
第二确定单元,用于确定多个所述子数据集的合集为所述摔倒数据集。
所述训练模块可以包括:
拆分单元,用于按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
输出单元,用于将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
修正单元,用于基于所述验证集对所中间摔倒行为识别结果进行修正。
该装置实施例的工作原理请参见上述方法实施例,在此不重复叙述。
除此,本实施例还提供了一种摔倒行为识别系统,包括任意一项上述的摔倒行为识别装置。
综上,本发明实施例提供了一种摔倒行为识别方法、装置及系统,首先获取待监控图像以及历史监控图像数据流,基于所述历史监控图像数据流,建立摔倒数据集。然后,搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练。之后,将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为。本方案中,摔倒识别模型的输入为单帧输入,进而能提高识别速率、降低内存,且本方案基于摔倒数据集对摔倒识别模型进行训练,实现了深度学习与摔倒物理识别的结合,能够实现多人场景下的摔倒行为识别并提高识别速率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种摔倒行为识别方法,其特征在于,包括:
获取待监控图像以及历史监控图像数据流;所述待监控图像为建筑施工工地上拍摄到的图像;
基于所述历史监控图像数据流,建立摔倒数据集;
搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;所述摔倒识别模型采用深度神经网络模型;
将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为;
在获取所述历史监控图像数据流之前,还包括:
计算预设时间间隔内所述待监控图像中身体重心下降速度;其中,所述身体重心下降速度通过脖子关节点位置变化计算得到;
判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流;
所述基于所述历史监控图像数据流,建立摔倒数据集,包括:
将所述历史监控图像数据流输入预设模型,生成骨架数据;
对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
确定多个所述子数据集的合集为所述摔倒数据集。
2.根据权利要求1所述的摔倒行为识别方法,其特征在于,所述获取历史监控图像数据流,包括:
在待监控场景设置摄像头;
获取所述摄像头实时拍摄的监控图像;
确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
3.根据权利要求1所述的摔倒行为识别方法,其特征在于,所述搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练,包括:
按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
基于所述验证集对所中间摔倒行为识别结果进行修正。
4.一种摔倒行为识别装置,其特征在于,包括:
获取模块,用于获取待监控图像以及历史监控图像数据流;所述待监控图像为建筑施工工地上拍摄到的图像;
建立模块,用于基于所述历史监控图像数据流,建立摔倒数据集;
训练模块,用于搭建摔倒识别模型,并基于所述摔倒数据集对所述摔倒识别模型进行训练;所述摔倒识别模型采用深度神经网络模型;
确定模块,用于将所述待监控图像输入所述摔倒识别模型,确定出目标摔倒行为;
计算模块,用于计算预设时间间隔内所述待监控图像中身体重心下降速度;其中,所述身体重心下降速度通过脖子关节点位置变化计算得到;
判断模块,用于判断所述身体重心下降速度是否大于预设阈值,如果是,获取所述历史监控图像数据流;
所述建立模块包括:
生成单元,用于将所述历史监控图像数据流输入预设模型,生成骨架数据;
标注单元,用于对所述骨架数据进行标注,形成至少三类子数据集,所述子数据集包括施工状态子数据集、行走状态子数据集以及摔倒状态子数据集;
第二确定单元,用于确定多个所述子数据集的合集为所述摔倒数据集。
5.根据权利要求4所述的摔倒行为识别装置,其特征在于,所述获取模块包括:
设置单元,用于在待监控场景设置摄像头;
获取单元,用于获取所述摄像头实时拍摄的监控图像;
第一确定单元,用于确定预设时间段内的多个所述监控图像为所述历史监控图像数据流。
6.根据权利要求4所述的摔倒行为识别装置,其特征在于,所述训练模块包括:
拆分单元,用于按照预设比例,将所述摔倒数据集拆分成训练集以及验证集;
输出单元,用于将所述训练集输入所述摔倒识别模型,输出中间摔倒行为识别结果;
修正单元,用于基于所述验证集对所中间摔倒行为识别结果进行修正。
7.一种摔倒行为识别系统,其特征在于,包括如权利要求4-6中任意一项所述的摔倒行为识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863922.8A CN110598633B (zh) | 2019-09-12 | 2019-09-12 | 一种摔倒行为识别方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863922.8A CN110598633B (zh) | 2019-09-12 | 2019-09-12 | 一种摔倒行为识别方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598633A CN110598633A (zh) | 2019-12-20 |
CN110598633B true CN110598633B (zh) | 2023-04-07 |
Family
ID=68859179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863922.8A Active CN110598633B (zh) | 2019-09-12 | 2019-09-12 | 一种摔倒行为识别方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598633B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428592A (zh) * | 2020-03-12 | 2020-07-17 | 厦门路桥信息股份有限公司 | 基于深度学习的灌注桩识别方法及系统 |
CN111860202A (zh) * | 2020-06-28 | 2020-10-30 | 中铁大桥科学研究院有限公司 | 图像识别与智能设备结合的梁场台座状态识别方法及系统 |
CN111860318A (zh) * | 2020-07-20 | 2020-10-30 | 杭州品茗安控信息技术股份有限公司 | 一种建筑工地行人徘徊检测方法、装置、设备及存储介质 |
CN113221621B (zh) * | 2021-02-04 | 2023-10-31 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
CN113128418B (zh) * | 2021-04-23 | 2022-02-18 | 深圳市黑金工业制造有限公司 | 一种校园智能监控系统及监控中识别异常的方法 |
CN115937991A (zh) * | 2023-03-03 | 2023-04-07 | 深圳华付技术股份有限公司 | 人体摔倒识别方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348190A (zh) * | 2018-12-05 | 2019-02-15 | 吉林大学 | 基于视频监控的摔倒监控系统及方法 |
CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726672B (zh) * | 2018-12-27 | 2020-08-04 | 哈尔滨工业大学 | 一种基于人体骨架序列和卷积神经网络的摔倒检测方法 |
CN109871775A (zh) * | 2019-01-22 | 2019-06-11 | 北京影谱科技股份有限公司 | 一种基于行为检测的滑冰场监控方法和装置 |
CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
CN110188599A (zh) * | 2019-04-12 | 2019-08-30 | 哈工大机器人义乌人工智能研究院 | 一种人体姿态行为智能分析识别方法 |
-
2019
- 2019-09-12 CN CN201910863922.8A patent/CN110598633B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
CN109348190A (zh) * | 2018-12-05 | 2019-02-15 | 吉林大学 | 基于视频监控的摔倒监控系统及方法 |
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598633A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598633B (zh) | 一种摔倒行为识别方法、装置及系统 | |
CN105426827B (zh) | 活体验证方法、装置和系统 | |
CN108090458B (zh) | 人体跌倒检测方法和装置 | |
Frank et al. | Activity and gait recognition with time-delay embeddings | |
CN111144263A (zh) | 一种建筑工人高坠事故预警方法及装置 | |
CN106997629A (zh) | 门禁控制方法、装置及系统 | |
CN107918755A (zh) | 一种基于人脸识别技术的实时专注度分析方法及系统 | |
CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
CN107862270A (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
CN109165685B (zh) | 基于表情和动作的监狱服刑人员潜在性风险监测方法和系统 | |
CN107566781A (zh) | 视频监控方法和视频监控设备 | |
CN105160318A (zh) | 基于面部表情的测谎方法及系统 | |
CN104156729B (zh) | 一种教室人数统计方法 | |
CN108596041A (zh) | 一种基于视频的人脸活体检测方法 | |
CN111563404B (zh) | 用于基于视频的人再识别的全局局部时间表示方法 | |
CN110674790A (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN113065474A (zh) | 行为识别方法、装置及计算机设备 | |
CN108875482A (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
CN110147736A (zh) | 一种基于姿态的重复异常行为检测方法 | |
CN105956549A (zh) | 一种工人作业前安全装备及行为能力检查系统及方法 | |
CN102314591B (zh) | 静止前景物体的检测方法和设备 | |
JP2016200971A (ja) | 学習装置、識別装置、学習方法、識別方法及びプログラム | |
CN111860118A (zh) | 一种基于人工智能的人体行为分析方法 | |
CN112885014A (zh) | 预警方法、装置、系统和计算机可读存储介质 | |
CN117292288A (zh) | 体育测试方法、系统、电子设备、芯片及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Block C, 5th Floor, Building B, Paradise Software Park, No. 3 Xidoumen Road, Xihu District, Hangzhou, Zhejiang 310000 Applicant after: Pin Ming Technology Co.,Ltd. Address before: 310012 Room C, 5 / F, building B, Paradise Software Park, 3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU PINMING SAFETY CONTROL INFORMATION TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |