CN110796017A - 物品遗落的确定方法和装置、模型训练方法和装置 - Google Patents
物品遗落的确定方法和装置、模型训练方法和装置 Download PDFInfo
- Publication number
- CN110796017A CN110796017A CN201910944161.9A CN201910944161A CN110796017A CN 110796017 A CN110796017 A CN 110796017A CN 201910944161 A CN201910944161 A CN 201910944161A CN 110796017 A CN110796017 A CN 110796017A
- Authority
- CN
- China
- Prior art keywords
- article
- information
- data
- preset area
- preset
- 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.)
- Withdrawn
Links
Images
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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例提供了一种物品遗落的确定方法和装置、模型训练方法和装置,所述物品遗落的确定方法包括:从针对预设区域的第一数据中检测人物信息,得到参考人物信息;从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;根据所述识别结果确定是否发生物品遗落。本公开的实施例可以通过预先训练的模型识别物品,不需要用户就座之后标记物品,有助于降低操作复杂度,且不会存在无法识别漏标记的贵重物品。
Description
技术领域
本公开的实施例涉及计算机处理技术领域,尤其涉及一种物品遗落的确定方法和装置、模型训练方法和装置。
背景技术
用户在外出时通常会出现将物品遗落的问题,例如,在餐厅就餐,或在一个会议室开会之后均可能会出现遗落物品的问题。
现有技术中,可以通过图像识别及时发现遗落物品,主要步骤包括:首先,在图像中标记贵重物品,例如手机,并设置联系号码;然后,通过摄像头持续拍摄预设区域,并判断拍摄的图像中是否存在标记的贵重物品,若不存在标记的贵重物品,则发起提示信息至设置的联系号码或直接呼叫联系号码的终端。
发明人对上述方案进行研究之后发现,上述方案需要用户在就坐之后人工标记贵重物品,导致操作复杂度较高;且无法识别未标记的贵重物品。
发明内容
本公开的实施例提供一种物品遗落的确定方法和装置、模型训练方法和装置,可以通过预先训练的模型识别物品,不需要用户就座之后标记物品,有助于降低操作复杂度,且不会存在无法识别漏标记的贵重物品。
根据本公开的实施例的第一方面,提供了一种物品遗落的确定方法,所述方法包括:
从针对预设区域的第一数据中检测人物信息,得到参考人物信息;
从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;
响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;
根据所述识别结果确定是否发生物品遗落。
根据本公开的实施例的第二方面,提供了一种模型训练方法,所述方法包括:
获取图像样本,所述图像样本中至少包括与预设区域相关的物品;
在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关;
通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从第二图像数据中识别新物品是否与所述预设区域相关。
根据本公开的实施例的第三方面,提供了一种物品遗落的确定装置,所述装置包括:
参考人物信息获取模块,用于从针对预设区域的第一数据中检测人物信息,得到参考人物信息;
参考人物确定模块,用于从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;
物品识别模块,用于响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;
遗落判断模块,用于根据所述识别结果确定是否发生物品遗落。
根据本公开的实施例的第四方面,提供了模型训练装置,所述装置包括:
图像样本获取模块,用于获取图像样本,所述图像样本中至少包括与预设区域相关的物品;
图像标注模块,用于在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关;
模型训练模块,用于通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从第二图像数据中识别新物品是否与所述预设区域相关。
根据本公开的实施例的第五方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上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程序时实现前述物品遗落的确定方法、模型训练方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述物品遗落的确定方法、模型训练方法。
本公开的实施例提供了一种物品遗落的确定方法和装置、模型训练方法和装置,所述物品遗落的确定方法包括:从针对预设区域的第一数据中检测人物信息,得到参考人物信息;从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;根据所述识别结果确定是否发生物品遗落。本公开的实施例可以通过预先训练的模型识别物品,不需要用户就座之后标记物品,有助于降低操作复杂度,且不会存在无法识别的未标记物品。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开的一种实施例中的物品遗落的确定方法步骤流程图;
图2示出了本公开的一种实施例中的物品遗落的确定装置的结构图;
图3示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,其示出了本公开的一种实施例中的物品遗落的确定方法的步骤流程图,具体如下。
步骤101,从针对预设区域的第一数据中检测人物信息,得到参考人物信息。
本公开的实施例可以应用于用户外出至固定场所的场景,从而可以在用户离开时提示用户遗落物品,从而用户在固定场所的所在区域可以为预设区域,例如,在用户外出就餐,餐厅的餐桌可以为预设区域;或用户开会时,会议桌可以作为预设区域等。当然,还可以将整个餐厅或整个会议室作为预设区域。
其中,第一数据包括:第一图像数据、或第一音频数据。本公开的实施例在预设区域上方安装摄像头,从而可以拍摄到该预设区域,得到第一图像数据,具体地,摄像头可以持续检测是否有人,或当用户落座之后开启摄像头。可以理解,第一图像数据可以为所有用户落座之后拍摄的图像数据,其中包含了所有用户的图像信息。此外,本公开的实施例还可以在预设区域的旁边安装音频采集设备(例如,录音器),从而可以录音到该预设区域中的音频信息得到第一音频数据。具体地,音频采集设备可以持续检测是否有人的声音,或当用户落座之后开启音频采集设备。可以理解,第一音频数据可以为所有用户落座之后采集的音频数据,其中包含了所有用户的声音信息。
可以理解,若第一数据为第一图像数据,则可以通过检测人脸特征点来检测人物信息。例如,检测五官、轮廓等。人脸检测的技术已经很成熟,本公开的实施例对其不加以赘述。当然,还可以将其余具有人物特点的图像信息作为人物信息,例如,四肢、头等。
此外,若第一数据为第一音频数据,则可以通过声纹检测技术检测声纹信息,作为人物信息。因为不同人的声音震动频率是不同的,且与其余物品发出的声音震动频率也不同。声纹信息可以为人的身份信息。
需要说明的是,若第一数据中不存在参考人物信息,即不进行后续步骤,直至检测到参考人物信息。
在实际应用中,可以将音频和图像结合起来,从而可以提高检测的准确度。
步骤102,从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据。
可以理解,第二数据为实时得到的数据,与第一数据的区别在于获取的时间点不同,可以为获取到第一数据之后得到的数据。例如,第二数据可以为在用户落座之后,摄像头实时拍摄的图像数据或音频采集设备采集的音频数据。从而可以通过人脸检测技术从中实时检测人脸信息得到实时人脸信息,或,通过声纹识别技术从中实时检测声音信息得到实时声音信息。
需要说明的是,由于第一数据和第二数据的获取时间点不同,从而导致拍摄内容可能不同,即包含不同的人物、物品。例如,若第一数据为第一图像数据,第二数据为第二图像数据,则在用户落座时,第一图像数据中包含人物A1、A2、A3和物品B1、B2,之后由于又来了人物A4,但人物A1离开并携带随身物品B1离开,从而第二图像数据中包含人物A2、A3、A4和物品B2。又例如,若第一数据为第一音频数据,第二数据为第二音频数据,则在用户落座时,第一图像数据中包含人物A1、A2、A3的声音信息,之后由于又来了人物A4,但人物A1离开,从而第二音频数据中包含人物A2、A3、A4的声音信息。
具体地,若参考人物信息为参考图像信息,则可以从第二图像数据中检测图像信息,并与参考图像信息匹配,或直接将每个参考图像信息与第二图像数据匹配,确定第二图像数据中是否存在该参考图像信息。
此外,若参考人物信息为参考声纹信息,则还可以从第二音频数据中检测声纹信息,并与参考声纹信息匹配,或直接将每个参考声纹信息与第二图像数据匹配,确定第二音频数据中是否存在该参考声纹信息。本公开的实施例对具体地确定方法不加以限制。
步骤103,响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品。
可以理解,若第二数据中不存在任意一个参考人物信息,则代表所有人物均已离开,此时需要确定是否存在遗落的物品。
需要说明的是,当参考人物信息存在两个或以上时,若第二数据中至少存在其中一个参考人物信息,则确定第二数据中存在参考人物信息;若第二数据中不存在任一个参考人物信息,则确定第二数据中不存在参考人物信息。
具体地,采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,包括:将第二图像数据中的物品进行分类,第一类为目标物品,包括:与预设区域相关的物品,第二类为未知物品,包括:与预设区域不相关的物品。
其中,目标物品可以为预先可以知道其特征的物品,具体可以为用户携带的私人物品之外的物品。例如,用户外出就餐时,目标物品可以为商家在餐桌上放置的物品,包括:餐具、菜单、提示牌等。可以理解,由于目标物品是可以预知的少量物品,可以预先获取到目标物品的特征,从而从第二图像中将目标物品之外的其余物品作为未知物品,认为是用户携带的私人物品。当所有人离开时,若存在未知物品,代表该未知物品作为用户携带的私人物品,存在被遗落的风险。
本公开的实施例可以通过预先训练的物品检测模型识别贵重物品,不需要用户对贵重物品进行标记,降低了用户的操作复杂度,且不会存在无法识别的未标记物品。
步骤104,根据所述识别结果确定是否发生物品遗落。
具体地,若识别结果中存在未知物品,则确定发生物品遗落;若识别结果中不存在未知物品,则确定未发生物品遗落。
可选地,在本公开的另一种实施例中,所述采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果的步骤,包括子步骤1031:
子步骤1031,采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别目标物品和未知物品,得到识别结果,所述目标物品为与预设区域相关的物品,所述未知物品为与预设区域不相关的物品。
本公开的实施例可以预先训练预设模型得到物品检测模型,使其可以在训练过程中学习到目标物品和未知物品的特征知识,有助于提高识别结果的准确度。
可选地,在本公开的另一种实施例中,所述物品检测模型通过如下步骤105至107训练得到:
步骤105,获取图像样本,所述图像样本中至少包括与预设区域相关的物品。
具体地,可以针对预设区域拍摄大量的图像,作为图像样本,从而使得图像样本中至少包含有与该预设区域相关的物品。例如,若预设区域为餐厅的餐桌,则可以对餐桌进行拍摄得到图像样本,从而图像样本中包括餐厅提供的刀、叉、筷子、餐巾纸、牙签等物品。又例如,若预设区域为会议桌,则图像样本中包括会议室提供的投影仪、笔等物品。
步骤106,在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关。
其中,标识信息可以为一个指定的标识。若预设区域为餐桌区域,则可以仅通过分类标识表示物品是否与餐桌相关,例如,用“Y”或“1”表示物品与餐桌区域相关,即物品为餐桌区域的固有物品;还可以具体的指明物品的名称,例如,用“1”表示物品为“筷子”,“2”表示物品为“勺子”,“3”表示物品为“牙签”,“4”表示物品为“餐巾纸”。
当然,在本公开的实施例中,由于对预设区域不相关的物品仅关注其不与预设区域相关,并不关注其具体名称,从而可以将与预设区域不相关的标识信息设置为“N”或“0”。
步骤107,通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从所述第二图像数据中识别新物品是否与所述预设区域相关。
其中,所述预设模型包括卷积神经网络。卷积神经网络可以从图像中学习到目标物品的图像特征,以作为识别与预设区域相关的物品的特征知识,以及,与预设区域不相关的物品的特征知识。
可以理解,训练采用的图像标注了标识信息,该标识信息用于表示物品是否与预设区域相关,从而训练得到的物品检测模型可以确定第二图像数据中的新物品的标识信息,并根据该标识信息确定该新物品是否与预设区域相关。由于我们仅关注物品是否与预设区域相关,且相关的物品较少,从而不需要准备大量的图像样本,有助于降低人工成本和训练复杂度。
可选地,在本公开的另一种实施例中,所述第一数据包括第一图像数据,所述步骤101,包括子步骤1011:
子步骤1011,从针对预设区域的第一图像数据中检测人脸信息,得到参考人物信息;
所述步骤102包括子步骤1021至1022:
子步骤1021,从针对所述预设区域拍摄的第二图像数据中检测人脸信息得到实时人物信息。
子步骤1022,响应于所述第二图像数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二图像数据中不存在所述参考人物信息。
在实际应用中,人脸信息作为人物的身份信息,其准确度较高,从而本公开的实施例可以优选使用人脸信息作为人物信息。而人脸检测技术已经是公知较为成熟的技术,本公开的实施例对具体采用的人脸检测技术不加以限制。
可以理解,在本公开的实施例中,参考人物信息为参考人脸信息,实时人物信息为实时人脸信息。
当实时人脸信息为一个,且参考人脸信息为一个时,实时人脸信息与参考人脸信息不匹配时,确定第二图像数据中不存在参考人脸信息。例如,用户一个人来就餐,从而第一图像数据中包含了该用户的人脸信息,即为参考人脸信息,用户离开后,一个服务人员来整理餐桌,此时第二图像数据检测到一个服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中不存在参考人脸信息。
当实时人脸信息为一个,但参考人脸信息为多个时,若该实时人脸信息与任一个参考人脸信息均不匹配,则确定第二图像数据中不存在参考人脸信息,例如,用户多个人来就餐,从而第一图像数据中包含了该多个用户的人脸信息,即为参考人脸信息,该多个用户离开后,一个服务人员来整理餐桌,此时第二图像数据检测到一个服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中不存在参考人脸信息;若该实时人脸信息与其中一个参考人脸信息匹配,则确定第二图像数据中存在参考人脸信息。例如,用户多个人来就餐,从而第一图像数据中包含了该多个用户的人脸信息,即为参考人脸信息,其中用户离开剩下其中一个用户,此时第二图像数据检测到该剩下用户的人脸信息,即为实时人脸信息,此时第二图像数据中存在参考人脸信息。
当实时人脸信息为多个,但参考人脸信息为一个时,若任一个实时人脸信息均与该参考人脸信息不匹配,则确定第二图像数据中不存在参考人脸信息,例如,用户一个人来就餐,从而第一图像中包含了该用户的人脸信息,即为参考人脸信息,该用户离开后,多个服务人员来整理餐桌,此时第二图像数据检测到多个服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中不存在参考人脸信息;若其中一个实时人脸信息与该参考人脸信息匹配,则确定该第二图像数据中存在参考人脸信息,例如,用户一个人来就餐,从而第一图像中包含了该用户的人脸信息,即为参考人脸信息,之后有服务人员来向该用户提供服务,此时第二图像数据检测到用户和服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中存在参考人脸信息。
当实时人脸信息为多个,但参考人脸信息为多个时,若任一个实时人脸信息均与任一个参考人脸信息不匹配,则确定第二图像数据中不存在参考人脸信息,例如,用户多个人来就餐,从而第一图像中包含了该多个用户的人脸信息,即为参考人脸信息,该多个用户离开后,多个服务人员来整理餐桌,此时第二图像数据检测到多个服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中不存在参考人脸信息;若其中一个实时人脸信息与其中一个参考人脸信息匹配,则确定该第二图像数据中存在参考人脸信息,例如,用户多个人来就餐,从而第一图像中包含了该多个用户的人脸信息,即为参考人脸信息,之后有服务人员来向该用户提供服务,且有一个用户离开去卫生间,此时第二图像数据检测到剩余用户和服务人员的人脸信息,即为实时人脸信息,此时第二图像数据中存在参考人脸信息。
本公开的实施例可以根据实时人脸信息的数目、以及实时人脸信息与参考人脸信息对比确定第二图像数据中是否存在参考人脸信息,有助于进一步提高识别准确度。
可选地,在本公开的另一种实施例中,所述第一数据包括第一音频数据,所述第二数据还包括第二音频数据,所述步骤101包括子步骤1012至1013:
子步骤1012,从针对预设区域的第一音频数据中提取声纹信息。
子步骤1013,根据预设的人物声音频率范围从所述声纹信息中确定参考声纹信息,得到参考人物信息。
所述步骤102包括子步骤1023至1024:
子步骤1023,从针对所述预设区域的第二音频数据中提取声纹信息得到实时人物信息;
子步骤1024,响应于所述第二音频数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二音频数据中不存在所述参考人物信息。
在实际应用中,声纹信息作为人物的身份信息,其准确度较高,从而本公开的实施例还可以使用声纹信息作为人物信息。而声纹检测技术已经是公知较为成熟的技术,本公开的实施例对具体采用的声纹检测技术不加以限制。
在本公开的实施例中,参考人物信息为参考声纹信息,实时人物信息为实时声纹信息。
当实时声纹信息为一个,且参考声纹信息为一个时,实时声纹信息与参考声纹信息不匹配时,确定第二音频数据中不存在参考声纹信息。例如,用户一个人来就餐,从而第一音频数据中包含了该用户的声纹信息,即为参考声纹信息,用户离开后,一个服务人员来整理餐桌,此时第二音频数据可能检测到一个服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中不存在参考声纹信息。
当实时声纹信息为一个,但参考声纹信息为多个时,若该实时声纹信息与任一个参考声纹信息均不匹配,则确定第二音频数据中不存在参考声纹信息。例如,用户多个人来就餐,从而第一音频数据中包含了该多个用户的声纹信息,即为参考声纹信息,该多个用户离开后,一个服务人员来整理餐桌,此时第二音频数据检测到一个服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中不存在参考声纹信息;若该实时声纹信息与其中一个参考声纹信息匹配,则确定第二音频数据中存在参考声纹信息。例如,用户多个人来就餐,从而第一音频数据中包含了该多个用户的声纹信息,即为参考声纹信息,其中用户离开剩下其中一个用户,此时第二音频数据检测到该剩下用户的声纹信息,即为实时声纹信息,此时第二音频数据中存在参考声纹信息。
当实时声纹信息为多个,但参考声纹信息为一个时,若任一个实时声纹信息均与该参考声纹信息不匹配,则确定第二音频数据中不存在参考声纹信息,例如,用户一个人来就餐,从而第一图像中包含了该用户的声纹信息,即为参考声纹信息,该用户离开后,多个服务人员来整理餐桌,此时第二音频数据检测到多个服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中不存在参考声纹信息;若其中一个实时声纹信息与该参考声纹信息匹配,则确定该第二音频数据中存在参考声纹信息,例如,用户一个人来就餐,从而第一图像中包含了该用户的声纹信息,即为参考声纹信息,之后有服务人员来向该用户提供服务,此时第二音频数据检测到用户和服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中存在参考声纹信息。
当实时声纹信息为多个,但参考声纹信息为多个时,若任一个实时声纹信息均与任一个参考声纹信息不匹配,则确定第二音频数据中不存在参考声纹信息,例如,用户多个人来就餐,从而第一图像中包含了该多个用户的声纹信息,即为参考声纹信息,该多个用户离开后,多个服务人员来整理餐桌,此时第二音频数据检测到多个服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中不存在参考声纹信息;若其中一个实时声纹信息与其中一个参考声纹信息匹配,则确定该第二音频数据中存在参考声纹信息,例如,用户多个人来就餐,从而第一图像中包含了该多个用户的声纹信息,即为参考声纹信息,之后有服务人员来向该用户提供服务,且有一个用户离开去卫生间,此时第二音频数据检测到剩余用户和服务人员的声纹信息,即为实时声纹信息,此时第二音频数据中存在参考声纹信息。
可以理解,第一音频数据中可能包括人的声纹信息和物体、动物的声纹信息,从而从第一音频数据中提取声音频率在人物声音频率范围内的声纹信息作为参考声纹信息。
其中,人物声音频率范围可以为人类的声带振动频率的范围。据统计,人物声音频率范围为100HZ至10000HZ。
可以理解,在实际应用中,在检测参考人物信息时可以同时从第一图像数据和第一音频数据中提取参考人脸信息和参考声纹信息,作为参考人物信息;在检测实时人物信息时,也可以同时从第二图像数据和第二音频数据中提取实时人脸信息和实时声纹信息,作为实时人物信息。从而,若第二图像数据中不存在所述实时人脸信息,或每个所述实时人脸信息均与所述参考人脸信息不匹配,则确定所述第二图像数据中不存在所述参考人脸信息;若第二音频数据中不存在所述实时声纹信息,或每个所述实时声纹信息均与所述参考声纹信息不匹配,则确定所述第二音频数据中不存在所述参考声纹信息。此时,若所述第二图像数据中不存在所述参考人脸信息,且确定所述第二音频数据中不存在所述参考声纹信息,则确定第二数据中不存在所述参考人物信息;否则,确定第二数据中存在所述参考人物信息。
本公开的实施例可以根据实时声纹信息的数目、以及实时声纹信息与参考声纹信息对比确定第二音频数据中是否存在参考声纹信息,有助于进一步提高识别准确度。
可选地,在本公开的另一种实施例中,所述子步骤1031之后,所述方法还包括子步骤1032:
子步骤1032,向商家预设的号码发送针对所述未知物品的遗落提示信息。
其中,预设的号码可以为移动终端号码、或其他具有提示功能的设备号码,例如语音播放设备等。
具体地,可以向预设的号码发送提示信息,若预设的号码为可以进行语音通话的设备号码,则还可以直接呼叫该预设号码。
在本公开的实施例中,当预设的号码对应的设备接收到提示时,服务人员可以立即提示正在离开的用户携带好私人物品。
本公开的实施例可以及时的通过遗落提示信息提示用户遗落物品,有助于减小物品遗落的概率。
可选地,在本公开的另一种实施例中,所述子步骤1032之前还包括子步骤1033:
子步骤1033,从所述第二图像数据中识别位置信息;
所述子步骤1032包括子步骤10321:
子步骤10321,向商家预设的号码发送针对所述未知物品、所述位置信息的遗落提示信息。
其中,位置信息可以为预设区域的位置标识或位置描述信息,与预设区域一一对应。
具体地,可以通过预先训练的深度学习模型识别位置信息,该深度学习模型可以预先用标注了位置信息的图像样本训练得到。
此外,还可以根据摄像头与桌号的对应关系确定位置信息,预设区域均对应一个摄像头,从而不同摄像头与该预设区域的位置信息相对应。例如,安装于餐厅中每个桌子上的摄像头与桌号对应。
其中,商家预设的号码可以为商家店内的座机号码,或移动电话号码。本公开的实施例对具体什么类型的号码不加以限制,由于商家预设的号码比较固定,不会因为用户变更而频繁切换,降低了用户操作复杂度。
遗落提示信息可以为文本信息或语音信息,当为文本信息时,需要服务人员提示用户遗落物品;当为语音信息时,可以直接播放该语音信息,例如,将语音信息发送至播放设备以提示用户遗落物品。
此外,为了准确的提示,还可以将位置信息添加到遗落提示信息中,例如,直接语音播放语音信息:“XXX号桌遗落物品”。
本公开的实施例可以将遗落提示信息发送至商家预设的号码,从而避免用户设置号码,有助于进一步降低用户操作复杂度,并且通过位置信息准确提示遗落物品。
可选地,在本公开的另一种实施例中,所述步骤107中,所述识别新物品是否与所述预设区域相关,包括子步骤1071至1073:
子步骤1071,识别新物品的标识信息;
子步骤1072,若所述标识信息为第一分类标识,则确定所述新物品与所述预设区域相关;
子步骤1073,若所述标识信息为第二分类标识,则确定所述新物品与所述预设区域不相关。
需要说明的是,基于步骤106中对标识信息的说明,若标识信息为表示物品与预设区域相关的第一分类标识,或,表示物品与预设区域不相关的第二分类标识。则训练得到的物品检测模型可以检测出第二图像数据中每个物品的标识信息,并判断该标识信息是否为第一分类标识和第二分类标识。
上述说明可以由下述例子进一步说明:若一个物品的标识信息为第一分类标识“Y”或“1”,则该物品为与预设区域相关的物品;若另一个物品的标识信息为第二分类标识“N”或“0”,则该物品的标识信息为与预设区域不相关的物品。
可选地,在本公开的另一种实施例中,所述步骤107中,所述识别新物品是否与所述预设区域相关,包括子步骤1074至1076:
子步骤1074,识别新物品的标识信息;
子步骤1075,若所述标识信息属于目标标识集,则确定所述新物品与所述预设区域相关;
子步骤1076,若所述标识信息为第二分类标识,则确定所述新物品与所述预设区域不相关。其中,目标标识集可以由与预设区域相关的所有物品的标识信息构成。例如,若预设区域为餐桌,且餐桌上包括有“筷子”、“勺子”、“牙签”、“餐巾纸”,则目标标识集可以为{1,2,3}。其中,“1”为“筷子”对应的编号,“2”为“勺子”对应的编号,“3”为“牙签”对应的编号,“4”为“餐巾纸”对应的编号。
需要说明的是,基于步骤106中对标识信息的说明,对于与预设区域相关的物品,其对应的标识信息对应物品的名称;对于与预设区域不相关的物品,其对应的标识信息为表示物品与预设区域不相关的第二分类标识。则训练得到的物品检测模型可以检测出第二图像数据中每个物品的标识信息,并判断该标识信息是否属于目标标识集,或,是否为第二分类标识。
上述说明可以由下述例子进一步说明:若一个物品的标识信息为名称“筷子”对应的编号“1”,且该物品属于目标标识集{1,2,3,4},则该物品为与预设区域相关的物品;若另一个物品的标识信息为第二分类标识“N”或“0”,则该物品的标识信息为与预设区域不相关的物品。
此外,本公开的实施例可以应用于特定消费场景中的遗失物品检测,也可用于特定场景的监控,例如防盗检测、入侵检测等。例如,对于遗失物品检测,可以用模型在两个时刻检测房间内的目标物品,然后对两个时刻的目标物品进行对比,若后一时刻比前一时刻的目标物品少,则代表有物品遗失,该原理与本公开的物品遗落的确定方法原理相同;对于防盗检测和入侵检测,其基本原理基本相同,在此不再赘述。
综上所述,本公开的实施例提供了一种物品遗落的确定方法,包括:从针对预设区域的第一数据中检测人物信息,得到参考人物信息;从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;根据所述识别结果确定是否发生物品遗落。本公开的实施例可以通过预先训练的模型识别物品,不需要用户就座之后标记物品,有助于降低操作复杂度,且不会存在无法识别的未标记物品。
实施例二
参照图2,其示出了在本公开的另一种实施例中的物品遗落的确定装置的结构图,具体如下。
参考人物信息获取模块201,用于从针对预设区域的第一数据中检测人物信息,得到参考人物信息。
参考人物确定模块202,用于从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据。
物品识别模块203,用于响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品。
遗落判断模块204,用于根据所述识别结果确定是否发生物品遗落。
可选地,在本公开的另一种实施例中,所述物品识别模块203包括物品识别子模块2031:
物品识别子模块2031,用于采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别目标物品和未知物品,得到识别结果,所述目标物品为与预设区域相关的物品,所述未知物品为与预设区域不相关的物品。
可选地,在本公开的另一种实施例中,所述物品检测模型通过如下图像样本获取模块205、图像标注模块206、模型训练模块207训练得到:
图像样本获取模块205,用于获取图像样本,所述图像样本中至少包括与预设区域相关的物品。
图像标注模块206,用于在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关。
模型训练模块207,用于通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从第二图像数据中识别新物品是否与所述预设区域相关。
可选地,在本公开的另一种实施例中,所述第一数据包括第一图像数据,所述参考人物信息获取模块201包括参考人物信息检测子模块2011:
第一参考人物信息检测子模块2011,用于从针对预设区域的第一图像数据中检测人脸信息,得到参考人物信息;
所述参考人物确定模块202包括实时人物信息检测子模块2021、第一不存在确定子模块2022:
实时人物信息检测子模块2021,用于从针对所述预设区域拍摄的第二图像数据中检测人脸信息得到实时人物信息。
第一不存在确定子模块2022,用于响应于所述第二图像数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二图像数据中不存在所述参考人物信息。
可选地,在本公开的另一种实施例中,所述第一数据包括第一音频数据,所述第二数据还包括第二音频数据,所述参考人物信息获取模块201包括声纹信息提取模块2012、第二参考人物信息检测子模块2013:
声纹信息提取模块2012,用于从针对预设区域的第一音频数据中提取声纹信息。
第二参考人物信息检测子模块2013,用于根据预设的人物声音频率范围从所述声纹信息中确定参考声纹信息,得到参考人物信息;
所述参考人物确定模块202包括第二声纹信息提取子模块2023、第二不存在确定子模块2024:
第二声纹信息提取子模块2023,用于从针对所述预设区域的第二音频数据中提取声纹信息得到实时人物信息;
第二不存在确定子模块2024,用于响应于所述第二音频数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二音频数据中不存在所述参考人物信息。
可选地,在本公开的另一种实施例中,所述装置还包括遗落提示子模块2032:
遗落提示子模块2032,用于向商家预设的号码发送针对所述未知物品的遗落提示信息。
可选地,在本公开的另一种实施例中,所述装置还包括位置信息识别子模块2033:
位置信息识别子模块2033,用于从所述第二图像数据中识别位置信息;
所述遗落提示子模块2032包括:
遗落提示单元20321,用于向商家预设的号码发送针对所述未知物品、所述位置信息的遗落提示信息。
可选地,在本公开的另一种实施例中,所述物品检测模型还用于:
识别新物品的标识;
若所述标识为第一分类标识,则确定所述新物品与所述预设区域相关;
若所述标识为第二分类标识,则确定所述新物品与所述预设区域不相关。
可选地,在本公开的另一种实施例中,所述物品检测模型还用于:
识别新物品的标识;
若所述标识属于目标标识集,则确定所述新物品与所述预设区域相关;
若所述标识为第二分类标识,则确定所述新物品与所述预设区域不相关。
综上所述,本公开的实施例提供了一种物品遗落的确定装置,所述装置包括:参考人物信息获取模块,用于从针对预设区域的第一数据中检测人物信息,得到参考人物信息;参考人物确定模块,用于从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;物品识别模块,用于响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;遗落判断模块,用于根据所述识别结果确定是否发生物品遗落。本公开的实施例可以通过预先训练的模型识别物品,不需要用户就座之后标记物品,有助于降低操作复杂度,且不会存在无法识别的未标记物品。
实施例二为实施例一对应的装置实施例,详细说明可以参照实施例一,在此不再赘述。
本公开的实施例还提供了一种电子设备,参照图3,包括:处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021,所述处理器301执行所述程序时实现前述实施例的物品遗落的确定方法,或模型训练方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的物品遗落的确定方法或,模型训练方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的实施例的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的服务评价设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种物品遗落的确定确定方法,所述方法包括:
从针对预设区域的第一数据中检测人物信息,得到参考人物信息;
从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;
响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;
根据所述识别结果确定是否发生物品遗落。
2.根据权利要求1所述的方法,其特征在于,所述采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果的步骤,包括:
采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别目标物品和未知物品,得到识别结果,所述目标物品为与预设区域相关的物品,所述未知物品为与预设区域不相关的物品。
3.根据权利要求2所述的方法,其特征在于,所述物品检测模型通过如下步骤训练得到:
获取图像样本,所述图像样本中至少包括与预设区域相关的物品;
在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关;
通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从所述第二图像数据中识别新物品是否与所述预设区域相关。
4.根据权利要求1至3其中任一项所述的方法,其特征在于,所述第一数据包括第一图像数据,所述从针对预设区域的第一数据中检测人物信息,得到参考人物信息的步骤,包括:
从针对预设区域的第一图像数据中检测人脸信息,得到参考人物信息;
所述从针对所述预设区域的第二数据中确定是否存在所述参考人物信息的步骤,包括:
从针对所述预设区域拍摄的第二图像数据中检测人脸信息得到实时人物信息;
响应于所述第二图像数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二图像数据中不存在所述参考人物信息。
5.根据权利要求1至3其中任一项所述的方法,其特征在于,所述第一数据包括第一音频数据,所述第二数据还包括第二音频数据,所述从针对预设区域的第一数据中检测人物信息,得到参考人物信息的步骤,包括:
从针对预设区域的第一音频数据中提取声纹信息;
根据预设的人物声音频率范围从所述声纹信息中确定参考声纹信息,得到参考人物信息;
所述从针对所述预设区域的第二数据中确定是否存在所述参考人物信息的步骤,包括:
从针对所述预设区域的第二音频数据中提取声纹信息得到实时人物信息;
响应于所述第二音频数据中不存在所述实时人物信息,或每个所述实时人物信息均与所述参考人物信息不匹配,确定所述第二音频数据中不存在所述参考人物信息。
6.根据权利要求2所述的方法,其特征在于,所述采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别目标物品和未知物品,得到识别结果的步骤之后,所述方法还包括:
向商家预设的号码发送针对所述未知物品的遗落提示信息。
7.根据权利要求6所述的方法,其特征在于,所述向商家预设的号码发送针对所述未知物品的遗落提示信息的步骤之前,还包括:
从所述第二图像数据中识别位置信息;
所述向商家预设的号码发送针对所述未知物品的遗落提示信息的步骤,包括:
向商家预设的号码发送针对所述未知物品、所述位置信息的遗落提示信息。
8.一种模型训练方法,其特征在于,所述方法包括:
获取图像样本,所述图像样本中至少包括与预设区域相关的物品;
在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关;
通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从第二图像数据中识别新物品是否与所述预设区域相关。
9.根据权利要求8所述的方法,其特征在于,所述识别新物品是否与所述预设区域相关,包括:
识别新物品的标识;
若所述标识为第一分类标识,则确定所述新物品与所述预设区域相关;
若所述标识为第二分类标识,则确定所述新物品与所述预设区域不相关。
10.根据权利要求8所述的方法,其特征在于,所述识别新物品是否与所述预设区域相关,包括:
识别新物品的标识;
若所述标识属于目标标识集,则确定所述新物品与所述预设区域相关;
若所述标识为第二分类标识,则确定所述新物品与所述预设区域不相关。
11.一种物品遗落的确定装置,其特征在于,所述装置包括:
参考人物信息获取模块,用于从针对预设区域的第一数据中检测人物信息,得到参考人物信息;
参考人物确定模块,用于从针对所述预设区域的第二数据中确定是否存在所述参考人物信息,所述第二数据至少包括第二图像数据;
物品识别模块,用于响应于不存在所述参考人物信息,则采用通过图像样本训练得到的物品检测模型,从所述第二图像数据中识别物品得到识别结果,所述图像样本中包括被标注为与预设区域相关的物品;
遗落判断模块,用于根据所述识别结果确定是否发生物品遗落。
12.一种模型训练装置,其特征在于,所述装置包括:
图像样本获取模块,用于获取图像样本,所述图像样本中至少包括与预设区域相关的物品;
图像标注模块,用于在所述图像样本中标注所述物品的标识信息,所述标识信息用于表示所述物品是否与所述预设区域相关;
模型训练模块,用于通过标注有标识信息的图像样本对预设模型进行训练,得到物品检测模型,所述物品检测模型用于从第二图像数据中识别新物品是否与所述预设区域相关。
13.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中一个或多个所述的物品遗落的确定方法,或,如权利要求8-10中一个或多个所述的模型训练方法。
14.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-7中一个或多个所述的物品遗落的确定方法,或,如权利要求8-10中一个或多个所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944161.9A CN110796017A (zh) | 2019-09-30 | 2019-09-30 | 物品遗落的确定方法和装置、模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944161.9A CN110796017A (zh) | 2019-09-30 | 2019-09-30 | 物品遗落的确定方法和装置、模型训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796017A true CN110796017A (zh) | 2020-02-14 |
Family
ID=69438699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944161.9A Withdrawn CN110796017A (zh) | 2019-09-30 | 2019-09-30 | 物品遗落的确定方法和装置、模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796017A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065425A (zh) * | 2021-03-19 | 2021-07-02 | 东风汽车集团股份有限公司 | 基于环境信息的车内遗落物提醒方法、系统及存储介质 |
CN115297306A (zh) * | 2022-10-10 | 2022-11-04 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520938A (zh) * | 2008-12-31 | 2009-09-02 | 上海序参量科技发展有限公司 | 基于物品识别的忘物提醒装置及其实现方法 |
CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
CN106778901A (zh) * | 2016-12-30 | 2017-05-31 | 广州视源电子科技股份有限公司 | 室内物品遗落提示方法及装置 |
CN108875839A (zh) * | 2018-06-28 | 2018-11-23 | 深圳市元征科技股份有限公司 | 一种车辆内遗落物品提醒方法、系统及设备和存储介质 |
CN109448336A (zh) * | 2018-09-21 | 2019-03-08 | 鲁班嫡系机器人(深圳)有限公司 | 一种遗留包裹提醒、安检方法及装置、系统 |
CN109766804A (zh) * | 2018-12-28 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 基于车载场景的物品识别方法、装置、设备和存储介质 |
US20190197196A1 (en) * | 2017-12-26 | 2019-06-27 | Seiko Epson Corporation | Object detection and tracking |
CN109948455A (zh) * | 2019-02-22 | 2019-06-28 | 中科创达软件股份有限公司 | 一种遗留物体检测方法及装置 |
-
2019
- 2019-09-30 CN CN201910944161.9A patent/CN110796017A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520938A (zh) * | 2008-12-31 | 2009-09-02 | 上海序参量科技发展有限公司 | 基于物品识别的忘物提醒装置及其实现方法 |
CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
CN106778901A (zh) * | 2016-12-30 | 2017-05-31 | 广州视源电子科技股份有限公司 | 室内物品遗落提示方法及装置 |
US20190197196A1 (en) * | 2017-12-26 | 2019-06-27 | Seiko Epson Corporation | Object detection and tracking |
CN108875839A (zh) * | 2018-06-28 | 2018-11-23 | 深圳市元征科技股份有限公司 | 一种车辆内遗落物品提醒方法、系统及设备和存储介质 |
CN109448336A (zh) * | 2018-09-21 | 2019-03-08 | 鲁班嫡系机器人(深圳)有限公司 | 一种遗留包裹提醒、安检方法及装置、系统 |
CN109766804A (zh) * | 2018-12-28 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 基于车载场景的物品识别方法、装置、设备和存储介质 |
CN109948455A (zh) * | 2019-02-22 | 2019-06-28 | 中科创达软件股份有限公司 | 一种遗留物体检测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065425A (zh) * | 2021-03-19 | 2021-07-02 | 东风汽车集团股份有限公司 | 基于环境信息的车内遗落物提醒方法、系统及存储介质 |
CN115297306A (zh) * | 2022-10-10 | 2022-11-04 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
CN115297306B (zh) * | 2022-10-10 | 2023-03-24 | 深圳市旗扬特种装备技术工程有限公司 | 一种行人随身物品防丢监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106104569B (zh) | 用于在电子装置之间建立连接的方法及设备 | |
Sen et al. | The case for smartwatch-based diet monitoring | |
CN112328999B (zh) | 双录质检方法、装置、服务器及存储介质 | |
EP2210214B1 (en) | Automatic identifying | |
US10990813B2 (en) | Method and apparatus for recognizing illegal behavior in unattended scenario | |
US9959885B2 (en) | Method for user context recognition using sound signatures | |
US9251403B2 (en) | Method for finding and digitally evaluating illegal image material | |
CN109829381A (zh) | 一种犬只识别管理方法、装置、系统及存储介质 | |
CN110569771A (zh) | 吸烟识别方法、装置、存储介质及电子设备 | |
CN101681228A (zh) | 生物测定数据采集系统 | |
CN109035633A (zh) | 一种基于图像识别的菜单推送方法及系统 | |
CN107808423A (zh) | 一种基于服务机器人的员工考勤签到系统与实现方法 | |
JP2022168070A (ja) | 人物検出システム | |
CN110796017A (zh) | 物品遗落的确定方法和装置、模型训练方法和装置 | |
CN109829691B (zh) | 基于位置和深度学习多重生物特征的c/s打卡方法和装置 | |
CN110188610A (zh) | 一种基于深度学习的情绪强度估计方法及系统 | |
CN110310668A (zh) | 静音检测方法、系统、设备及计算机可读存储介质 | |
CN109903522A (zh) | 一种监控方法、装置、存储介质及家用电器 | |
CN106529375A (zh) | 移动终端及其图像中物体特征的识别方法 | |
CN110490106A (zh) | 信息管理方法及相关设备 | |
CN109934731A (zh) | 一种基于图像识别的点餐方法、电子设备及存储介质 | |
JP6572629B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN107196979A (zh) | 基于语音识别的叫号预提醒系统 | |
CN109583430A (zh) | 一种展示装置的控制方法及装置 | |
CN107665447A (zh) | 信息处理方法和信息处理设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200214 |
|
WW01 | Invention patent application withdrawn after publication |