CN110738650A - 一种传染病感染识别方法、终端设备及存储介质 - Google Patents

一种传染病感染识别方法、终端设备及存储介质 Download PDF

Info

Publication number
CN110738650A
CN110738650A CN201910981599.4A CN201910981599A CN110738650A CN 110738650 A CN110738650 A CN 110738650A CN 201910981599 A CN201910981599 A CN 201910981599A CN 110738650 A CN110738650 A CN 110738650A
Authority
CN
China
Prior art keywords
known patient
image
susceptible individual
distance
infectious disease
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
CN201910981599.4A
Other languages
English (en)
Other versions
CN110738650B (zh
Inventor
郭诗辉
林俊聪
廖明宏
高星
李贵林
宋亮
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201910981599.4A priority Critical patent/CN110738650B/zh
Publication of CN110738650A publication Critical patent/CN110738650A/zh
Application granted granted Critical
Publication of CN110738650B publication Critical patent/CN110738650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30196—Human being; Person
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种传染病感染识别方法、终端设备及存储介质，该方法中包括：S1：采集包含已知病人的视频图像序列；S2：从视频图像序列中的每幅图像中识别出所有的人物对象；S3：从每幅图像中的所有人物对象中查找出已知病人；S4：构建已知病人与其余人物对象的接触图；S5：针对接触图中与已知病人对应的节点连接的每条连线，设定该连线的另一端节点对应的人物对象为易感染个体，计算每条连线对应的易感染个体与已知病人之间的距离；S6：根据计算的距离与距离阈值的关系确定每条连线对应的易感染个体的感染风险高低。本发明利用人工智能系统在同时解决多项任务方面的优势，大大减少了时间和劳动力成本，且具有很高的准确性和效率。

Description

一种传染病感染识别方法、终端设备及存储介质
技术领域
本发明涉及传染识别领域，尤其涉及一种传染病感染识别方法、终端设备及存储介质。
背景技术
人类中最常见的传染病，以及最有可能迅速传播大流行病的疾病，通常在近距离相互作用中通过液滴传播，如流感、普通感冒、百日咳、沙士病等。为了了解和减轻上述流行性疾病的传播，必须确定与确诊患者密切接触的人群。
现有的方法中有模拟联系网络，通过在线提问、调查方式，可穿戴设备和手工方法(调查和访谈)，手工方法需要大量的人力，而可穿戴设备会带来额外的成本，且仅限于小规模研究。
发明内容
为了解决上述问题，本发明提出了一种传染病感染识别方法、终端设备及存储介质。
具体方案如下：
一种传染病感染识别方法，包括以下步骤：
S1：采集包含已知病人的视频图像序列；
S2：从视频图像序列中的每幅图像中识别出所有的人物对象；
S3：从每幅图像中的所有人物对象中查找出已知病人；
S4：构建已知病人与其余人物对象的接触图；
所述接触图包括每个人物对象对应的节点和两个节点之间的连线，该连线代表两个节点对应的人物对象具有相互作用，当两个节点对应的人物对象在N幅图像中均有相互作用时，该两个节点之间的连线有N条；
S5：针对接触图中与已知病人对应的节点连接的每条连线，设定该连线的另一端节点对应的人物对象为易感染个体，计算每条连线对应的易感染个体与已知病人之间的距离；
S6：根据计算的距离与距离阈值的关系确定每条连线对应的易感染个体的感染风险高低。
进一步的，步骤S5中计算每个易感染个体与已知病人之间的距离的方法为：
S51：从视频图像序列中提取该易感染个体的空间信息和时间信息；所述空间信息为人物对象的位置坐标；所述时间信息为图像拍摄的时间；
S52：估计视频图像序列中的每幅图像中的该易感染个体和已知病人的深度信息；
S53：对该易感染个体和已知病人的姿势进行估计，获得图像中的该易感染个体和已知病人的所有可见关键点的二维位置信息；
S54：根据该易感染个体和已知病人的深度信息和二维位置信息，计算该易感染个体与已知病人的所有可见的关键点之间的距离S：
Figure BDA0002235358910000021
Figure BDA0002235358910000022
其中，J表示该易感染个体，J*表示已知病人，下标i、j和m均表示关键点的序号，N表示可见关键点的个数，Ji表示该易感染个体的第i个关键点，
Figure BDA0002235358910000031
Figure BDA0002235358910000032
分别表示已知病人的第m个和第j个关键点，函数D(.)表示求两个关键点之间的欧式距离。
进一步的，步骤S2中人物对象的识别采用快速r-cnn算法。
进一步的，步骤S3中将人物对象的个数超过个数阈值的图像分为多块，分别对每块子图像进行已知病人的查找。
一种传染病感染识别终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，提出了一种基于近距离交互原理自动评估感染风险的新框架，利用人工智能系统在同时解决多项任务方面的优势，大大减少了时间和劳动力成本，且具有很高的准确性和效率。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种传染病感染识别方法，如图1所示，其为本发明实施例所述的传染病感染识别方法的流程图，所述方法包括以下步骤：
S1：通过固定位置设置的摄像装置采集视频图像序列，视频图像序列中包含了有已知病人p*的视频图像序列。
该已知病人p*是指事先已经在临床上被证实患有某种传染病的病人。
视频图像序列为持续一段时间采集的连续图像，其内包含n幅图像，分别为I1、I2、…、In。
S2：从视频图像序列中的每幅图像中识别出所有的人物对象。
该实施例中优选采用快速r-cnn算法识别图像中的人物对象。
快速r-cnn算法中通过将区域提案网络(rpns)与原有的cnn网络架构统一起来，以突破计算时间费用的瓶颈。rpns是一种全卷积网络，用于生成检测方案，与快速r-cnn共享卷积层。rpns和快速r-cnn是独立训练的。统一的体系结构为对象检测和区域建议任务提供了卷积特性。
该实施例中，首先对快速r-cnn网络通过训练集进行160k次迭代训练，从0.02的学习率开始，在60k和80K迭代时减少10。
在rpn网络中，使用5个标度，其方块面积为32、64、128、256和512像素作为锚，3个比例为0.5、1、2。每幅影像共有256个锚，供训练使用。r-cnn输出单个检测结果的速度越快。
S3：在每幅图像中从识别出的所有人物对象中查找出该已知病人p*。
该实施例中采用现有的第三方开源项目svdnet来重新识别该已知病人p*。之所以选择这种方法，是因为它在计算性能和可比精度方面的优点是最新的。通过奇异向量分解(svd)优化了深度表示学习过程。研究发现，在训练出用于分类的卷积神经网络(cnn)后，全连通层(fc)内的重量向量通常是高度相关的。
该实施例中采用casia数据库来训练网络模型来完成人物对象的重新识别任务。结合部分卷积基线(pcb)和resnet50的训练策略达到了最先进的性能。使用AdamOptimizer，学习率为0.1，批量尺寸为32，步幅为2。为避免超配问题，采用了退出策略，下降率为0.5。
由于不同图像中人物对象的个数可能不同，而人物对象的个数的不同会严重影响本步骤中算法的计算负载。但在步骤S2中的快速r-cnn算法运行过程中对人物对象的个数不敏感，其算法运行时间与人物对象的个数不相关。因此，该实施例中将存在人物对象的个数超过个数阈值的图像分为多块，使得每块子图像中包含的人物对象的个数均小于个数阈值，通过分别对每块子图像进行识别，可以减轻计算负载，降低运算时间。
步骤4、构建该已知病人p*与其余所有人物对象的接触图。
所述接触图包括每个人物对象对应的节点和代表两个人物对象具有相互作用的两个节点之间的连线。
所述具有相互作用可以通过两个任务对象之间在图像上的距离与阈值的关系来进行判断。
所述接触图中一个节点对应一个人物对象，每一个边都是包含作为两个节点的两个人物对象的序列，两个节点之间的连线可以为多条，因为两个对象可以在多个地点(图像)相遇。
当两个节点对应的人物对象在某幅图像中具有相互作用时，将两个节点之间连接一条连线；当两个节点对应的人物对象在多幅图像中具有相互作用时，则两个节点之间具有多条连线。
S5：针对接触图中与已知病人对应的节点连接的每条连线，设定该连线的另一端节点对应的人物对象为易感染个体，计算每条连线对应的易感染个体与已知病人之间的距离。
计算每个易感染个体与已知病人之间的距离的方法为：
S51：从视频图像序列中提取该易感染个体的空间信息和时间信息；所述空间信息为人物对象的位置坐标；所述时间信息为图像拍摄的时间。
所述空间信息为人物对象的位置坐标；所述时间信息为图像拍摄的时间。通过在连续一段时间内人物对象的位置坐标的变化可以获得该人物对象在三维空间内的运动轨迹。
S52：深度估计：采用现有的深度估计方法来估计视频图像序列的深度信息，该深度信息用于估计三维空间内的关节轨迹。
所述深度信息为图像中的人物对象距离摄像装置的距离，由于图像中只包含二维坐标，该深度信息为垂直于图像平面的方向上的坐标。
S53：姿势估计：改用第三方开源系统openpose来进行多人姿势估计。使用其提供的身体和手探测器来获得图像中每个人物对象的24个关键点，进而获得人物对象对应的二维位置信息。
S54：根据每个人物对象的深度信息和二维位置信息，计算已知病人之外的每个人物对象与已知病人的所有可见的关键点之间的距离S：
Figure BDA0002235358910000071
Figure BDA0002235358910000075
其中，J表示已知病人之外的人物对象，J*表示已知病人，下标i、j和m均表示关键点的序号，N表示该人物对象的可见关键点的个数，Ji表示该人物对象的第i个关键点，
Figure BDA0002235358910000072
分别表示已知病人的第m个和第j个关键点，函数D(.)表示求两个关键点之间的欧式距离。
Figure BDA0002235358910000073
表示计算已知病人的任意一个关键点与该人物对象的任意一个关键点之间的距离，设定
Figure BDA0002235358910000074
为计算的距离最小时对应的已知病人关键点，m为此时已知病人的该关键点的序号。
S6：根据计算的距离与距离阈值的关系确定每条连线对应的易感染个体的感染风险高低。
该实施例中距离小于距离阈值的个体评估为高风险感染个体。所述的距离阈值可以根据疾病种类的不同，依据医学经验或医学指导手册的建议，进行相应的设置和调整。
本发明实施例一提出了一种基于近距离交互原理自动评估感染风险的新框架，利用人工智能系统在同时解决多项任务方面的优势，大大减少了时间和劳动力成本，且具有很高的准确性和效率。
实施例二：
本发明还提供一种传染病感染识别终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述传染病感染识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述传染病感染识别终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述传染病感染识别终端设备的组成结构仅仅是传染病感染识别终端设备的示例，并不构成对传染病感染识别终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述传染病感染识别终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述传染病感染识别终端设备的控制中心，利用各种接口和线路连接整个传染病感染识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述传染病感染识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述传染病感染识别终端设备集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种传染病感染识别方法，其特征在于，包括以下步骤：
S1：采集包含已知病人的视频图像序列；
S2：从视频图像序列中的每幅图像中识别出所有的人物对象；
S3：从每幅图像中的所有人物对象中查找出已知病人；
S4：构建已知病人与其余人物对象的接触图；
所述接触图包括每个人物对象对应的节点和两个节点之间的连线，该连线代表两个节点对应的人物对象具有相互作用，当两个节点对应的人物对象在N幅图像中均有相互作用时，该两个节点之间的连线有N条；
S5：针对接触图中与已知病人对应的节点连接的每条连线，设定该连线的另一端节点对应的人物对象为易感染个体，计算每条连线对应的易感染个体与已知病人之间的距离；
S6：根据计算的距离与距离阈值的关系确定每条连线对应的易感染个体的感染风险高低。
2.根据权利要求1所述的传染病感染识别方法，其特征在于：步骤S5中计算每个易感染个体与已知病人之间的距离的方法为：
S51：从视频图像序列中提取该易感染个体的空间信息和时间信息；所述空间信息为人物对象的位置坐标；所述时间信息为图像拍摄的时间；
S52：估计视频图像序列中的每幅图像中的该易感染个体和已知病人的深度信息；
S53：对该易感染个体和已知病人的姿势进行估计，获得图像中的该易感染个体和已知病人的所有可见关键点的二维位置信息；
S54：根据该易感染个体和已知病人的深度信息和二维位置信息，计算该易感染个体与已知病人的所有可见的关键点之间的距离S：
Figure FDA0002235358900000021
Figure FDA0002235358900000022
其中，J表示该易感染个体，J*表示已知病人，下标i、j和m均表示关键点的序号，N表示可见关键点的个数，Ji表示该易感染个体的第i个关键点，分别表示已知病人的第m个和第j个关键点，函数D(.)表示求两个关键点之间的欧式距离。
3.根据权利要求1所述的传染病感染识别方法，其特征在于：步骤S2中人物对象的识别采用快速r-cnn算法。
4.根据权利要求1所述的传染病感染识别方法，其特征在于：步骤S3中将人物对象的个数超过个数阈值的图像分为多块，分别对每块子图像进行已知病人的查找。
5.一种传染病感染识别终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～4中任一所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～4中任一所述方法的步骤。
CN201910981599.4A 2019-10-16 2019-10-16 一种传染病感染识别方法、终端设备及存储介质 Active CN110738650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910981599.4A CN110738650B (zh) 2019-10-16 2019-10-16 一种传染病感染识别方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910981599.4A CN110738650B (zh) 2019-10-16 2019-10-16 一种传染病感染识别方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN110738650A true CN110738650A (zh) 2020-01-31
CN110738650B CN110738650B (zh) 2022-06-21

Family

ID=69269053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910981599.4A Active CN110738650B (zh) 2019-10-16 2019-10-16 一种传染病感染识别方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110738650B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260716A (zh) * 2020-02-28 2020-06-09 北京三快在线科技有限公司 商户座位间隔的确定方法、装置、服务器及存储介质
CN111261301A (zh) * 2020-02-13 2020-06-09 姜通渊 一种大数据传染病防控方法及系统
CN111711676A (zh) * 2020-06-04 2020-09-25 中国联合网络通信集团有限公司 传染病患者的室内密切接触者的确认方法及服务器
CN112309529A (zh) * 2020-11-02 2021-02-02 常州市第一人民医院 一种基于人工智能的感染控制管理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090265106A1 (en) * 2006-05-12 2009-10-22 Michael Bearman Method and System for Determining a Potential Relationship between Entities and Relevance Thereof
US20130318027A1 (en) * 2011-11-20 2013-11-28 Gal Almogy System and method to enable detection of viral infection by users of electronic communication devices
CN104318217A (zh) * 2014-10-28 2015-01-28 吴建忠 一种基于分布式云计算的人脸识别情报分析方法和系统
WO2019020477A1 (en) * 2017-07-28 2019-01-31 Koninklijke Philips N.V. MONITORING THE DIRECT AND INDIRECT TRANSMISSION OF INFECTIONS IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM
CN109508657A (zh) * 2018-10-29 2019-03-22 重庆中科云丛科技有限公司 人群聚集分析方法、系统、计算机可读存储介质及设备
US20190252078A1 (en) * 2018-02-15 2019-08-15 X Development Llc Predicting the spread of contagions
WO2019159587A1 (ja) * 2018-02-14 2019-08-22 パナソニックＩｐマネジメント株式会社 リスク評価システム及びリスク評価方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090265106A1 (en) * 2006-05-12 2009-10-22 Michael Bearman Method and System for Determining a Potential Relationship between Entities and Relevance Thereof
US20130318027A1 (en) * 2011-11-20 2013-11-28 Gal Almogy System and method to enable detection of viral infection by users of electronic communication devices
CN104318217A (zh) * 2014-10-28 2015-01-28 吴建忠 一种基于分布式云计算的人脸识别情报分析方法和系统
WO2019020477A1 (en) * 2017-07-28 2019-01-31 Koninklijke Philips N.V. MONITORING THE DIRECT AND INDIRECT TRANSMISSION OF INFECTIONS IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM
WO2019159587A1 (ja) * 2018-02-14 2019-08-22 パナソニックＩｐマネジメント株式会社 リスク評価システム及びリスク評価方法
US20190252078A1 (en) * 2018-02-15 2019-08-15 X Development Llc Predicting the spread of contagions
CN109508657A (zh) * 2018-10-29 2019-03-22 重庆中科云丛科技有限公司 人群聚集分析方法、系统、计算机可读存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAKI TAKAHASHI,ET AL.: "Hand, Foot, and Mouth Disease in China: Modeling Epidemic Dynamics of Enterovirus Serotypes and Implications for Vaccination", 《PLOS MEDICINE》 *
董世存: "突发传染病疫情现场流调与智能分析系统研究", 《知网硕士电子期刊》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111261301A (zh) * 2020-02-13 2020-06-09 姜通渊 一种大数据传染病防控方法及系统
CN111261301B (zh) * 2020-02-13 2021-02-05 和宇健康科技股份有限公司 一种大数据传染病防控方法及系统
CN111260716A (zh) * 2020-02-28 2020-06-09 北京三快在线科技有限公司 商户座位间隔的确定方法、装置、服务器及存储介质
CN111711676A (zh) * 2020-06-04 2020-09-25 中国联合网络通信集团有限公司 传染病患者的室内密切接触者的确认方法及服务器
CN111711676B (zh) * 2020-06-04 2021-12-10 中国联合网络通信集团有限公司 传染病患者的室内密切接触者的确认方法及服务器
CN112309529A (zh) * 2020-11-02 2021-02-02 常州市第一人民医院 一种基于人工智能的感染控制管理方法及系统

Also Published As

Publication number Publication date
CN110738650B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN110738650B (zh) 一种传染病感染识别方法、终端设备及存储介质
CN110827342B (zh) 三维人体模型重建方法及存储设备、控制设备
JP6616017B2 (ja) 物体ランドマーク検出のための深層変形ネットワーク
CN112446398B (zh) 图像分类方法以及装置
Park et al. 3D human pose estimation using convolutional neural networks with 2D pose information
WO2020107847A1 (zh) 基于骨骼点的跌倒检测方法及其跌倒检测装置
WO2020042419A1 (zh) 基于步态的身份识别方法、装置、电子设备
WO2018228218A1 (zh) 身份识别方法、计算设备及存储介质
WO2017133009A1 (zh) 一种基于卷积神经网络的深度图像人体关节定位方法
WO2020061489A1 (en) Training neural networks for vehicle re-identification
WO2020225562A1 (en) Processing captured images
CN110363817B (zh) 目标位姿估计方法、电子设备和介质
EP4322056A1 (en) Model training method and apparatus
CN110222718B (zh) 图像处理的方法及装置
Reily et al. Skeleton-based bio-inspired human activity prediction for real-time human–robot interaction
US20220262093A1 (en) Object detection method and system, and non-transitory computer-readable medium
CN111709268B (zh) 一种深度图像中的基于人手结构指导的人手姿态估计方法和装置
WO2023083030A1 (zh) 一种姿态识别方法及其相关设备
JP2022546643A (ja) 不確実性を有するランドマーク位置推定のための画像処理システムおよび方法
CN114495241B (zh) 一种图像识别方法及装置、电子设备、存储介质
CN111126249A (zh) 一种大数据和贝叶斯相结合的行人重识别方法及装置
Ansar et al. Robust hand gesture tracking and recognition for healthcare via Recurent neural network
Núñez et al. Multiview 3D human pose estimation using improved least-squares and LSTM networks
CN111104911A (zh) 一种基于大数据训练的行人重识别方法及装置
CN114140841A (zh) 点云数据的处理方法、神经网络的训练方法以及相关设备

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