CN110796068A - 社区泳池溺水检测方法及系统 - Google Patents

社区泳池溺水检测方法及系统 Download PDF

Info

Publication number
CN110796068A
CN110796068A CN201911027522.XA CN201911027522A CN110796068A CN 110796068 A CN110796068 A CN 110796068A CN 201911027522 A CN201911027522 A CN 201911027522A CN 110796068 A CN110796068 A CN 110796068A
Authority
CN
China
Prior art keywords
feature
block set
classification
feature block
frame image
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
Application number
CN201911027522.XA
Other languages
English (en)
Inventor
蒋宇
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.)
Evergrande Intelligent Technology Co Ltd
Original Assignee
Evergrande Intelligent Technology Co Ltd
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 Evergrande Intelligent Technology Co Ltd filed Critical Evergrande Intelligent Technology Co Ltd
Priority to CN201911027522.XA priority Critical patent/CN110796068A/zh
Publication of CN110796068A publication Critical patent/CN110796068A/zh
Pending legal-status Critical Current

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
    • G06V20/41—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
    • 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
    • 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
    • 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
    • G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明所提供的一种社区泳池溺水检测方法，包括：在社区泳池周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；所述服务器从所述视频流数据中提取帧图像数据；所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到多个第二特征块组成的第二特征块集合；将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体；将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类；若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。本发明准确率高且能够节省人力成本。

Description

社区泳池溺水检测方法及系统
技术领域
本发明实施例涉及图像处理领域，尤其是一种社区泳池溺水检测方法及系统。
背景技术
游泳是大家都非常喜欢的一项运动，而且现在很多高端小区都标配了游泳池。但随之而来的溺水问题也是不可忽视，特别是社区人员数量众多，而且其各年龄段的人都有，缺乏安全监管。
目前主要的溺水检测是基于游泳者随身佩戴的检测装置，但是并不是人人都有这个危机意识。随着深度学习的发展和应用，采用深度学习的方法来监测溺水事件成为一种可能。
前面所述，现在主要是采用佩戴监测装置，通过传感器来计算游泳者在水面下停留的时间，以及游泳者的心跳活动等信息，综合来判断游泳者是否处于溺水
若发生了溺水，则发出警报，这种方式所产生的成本高，难以维护，并且很难保证所有人都佩戴监测装置。同时会给游泳者游泳带来不便。
发明内容
为解决上述问题，本发明实施例提供了一种社区泳池溺水检测方法，包括以下步骤：
在社区泳池周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；
所述服务器从所述视频流数据中提取帧图像数据；
所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合；
将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体；
将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的损失函数为
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
优选的，所述视频流编码格式为H.264/H.265格式。
优选的，所述所述服务器从所述帧图像数据中提取多个第一特征块的步骤包括：
对所述帧图像进行二值化处理，得到待处理的灰度帧图像；
根据所述灰度帧图像的每个像素的灰度值，生成灰度值矩阵；
对所述灰度值矩阵分离若干矩阵，所述若干矩阵用以表征所述第一特征块。
优选的，所述利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合的步骤为：
通过预置的过滤器，将所述过滤器覆盖所述灰度帧图像，计算所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和；
将所述过滤器沿预置步长进行移动，重新执行所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和的计算，直至所述灰度帧图像中所有像素都已完成过滤，得到由多个第二特征块组成的第二特征块集合。
优选的，所述得到有多个第二特征块组成的第二特征块集合的步骤之后，还包括：
将所述第二特征块集合交付于池化层进行采样，得到新的低维度第二特征块，并对原第二特征块集合元素进行更替。
优选的，所述为所述第一特征块配置限定框的步骤包括：
获取所述第一特征块边角点坐标，根据所述边角点坐标的极值赋予限定框P(a,b,c,d)中各坐标变量值，并将限定框进行显示。
优选的，所述判断所述限定框是否触碰预置的警戒线的步骤包括：
以任意顺序选取限定框的任意边长，让其与所述预置的警戒线进行逻辑运算，若符合预设的阈值，则判定所述限定框触碰预置的警戒线。
本发明实施例还提供一种社区泳池溺水检测系统，包括：
视频流模块，用于在社区围墙周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；
帧模块，用于所述服务器从所述视频流数据中提取帧图像数据；
第一特征模块，用于所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合；
第二特征模块，用于将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的卷积和，判断所述第二特征块集合的卷积和是否大于预设阈值，若是，则判定所述第一特征块为人体；
二分类模块，用于将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的损失函数为
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
预警模块，用于若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
本发明实施例还提供一种计算机设备，所述计算机设备包括存储器、处理器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，所述计算机程序被处理器执行时实现如前述的社区泳池溺水检测方法。
本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如前述的社区泳池溺水检测方法的步骤。
本发明实施例所提供的社区泳池溺水检测方法、系统、计算机设备以及存储介质，准确率高且能够节省人力成本。
附图说明
图1为本发明所提供的社区泳池溺水检测方法的步骤流程图；
图2为本发明所提供的社区泳池溺水检测系统的程序模块示意图；
图3为本发明计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅处于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述指定关键字，但指定关键字不应限于这些术语。这些术语仅用来将指定关键字彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一指定关键字也可以被称为第二指定关键字，类似地，第二指定关键字也可以被称为第一指定关键字。
取决于语境，如在此所使用的词语“如果”可以被解释称为“在……时”或“当……时”或“相应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或时间)”可以被解释成“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
请参考图1，本发明实施例提供一种社区泳池溺水检测方法，包括：
步骤S100在社区泳池周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据。
具体的，在社区泳池周围或围墙上布置多个摄像头，组成监控网络，向所连接的服务器传送监控图像，服务器用于接收监控图像，存储监控图像以及分析监控图像。
步骤S200所述服务器从所述视频流数据中提取帧图像数据。
具体的，所述服务器可利用SVM向量机对视频流数据中提取任意时间帧的单帧或多帧图像数据，该操作范畴属于向量机的常用技术，本发明在此不做赘述。
步骤S300所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合；
具体的，所述服务器再提取到帧图像数据后，便开始图像是否存在人体翻越行为的正式识别步骤，在此，服务器并仅仅对一张帧图像进行分析，根据实际分析情况可连续抓取后续帧进行精细分析。
如下讲解一帧图像的分析步骤：
所述服务器从所述帧图像数据中提取多个第一特征块，可以由预置的候选框进行框取，也可将整体图像进行均分，均分和框取后的一个个小图像均包含部分图像元素特征，因此本文将该一个个小图像成为第一特征块，因该后文中还会提到另一种特征块，因此采用第一和第二进行区分。
所有的第一特征块提取完毕后，服务器将其每个与所述预置的过滤器进行卷积运算，得到第二特征块集合，具体利用特征块的各像素值形成矩阵，与过滤器所内含的矩阵进行卷积运算，进而得到第二特征块，而进过运算后所生成的所述第二特征块的像素量远低于所述第一特征块，后文中会详细解释具体第二特征块生成的计算方式。
步骤S400将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体。
具体的，生成第二特征块集合后，针对第二特征块，预置由多个不同的权重系数，所有的第二特征块所对应的数值矩阵乘以对应的权重系数得到所述第二特征块集合的权重和值，对于计算得出最终权重和值，服务器预置由其对应的阈值，若所述权重和值大于所述阈值，则判定对于从一开始的帧图像中所选取的第一特征块包含人体特征，进而完成对人体的类的判定归属。
步骤S500将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的损失函数为
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
步骤S600若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
本发明实施例所提供的社区泳池溺水检测方法、系统、计算机设备以及存储介质，准确率高且能够节省人力成本。
本发明实施例所提供的社区泳池溺水检测方法、系统、计算机设备以及存储介质，准确率高且能够节省人力成本。
可选的，所述视频流编码格式为H.264/H.265格式。
具体的，H.264与H.265均为视频流的格式，本发明在此不再赘述。
可选的，步骤S300所述服务器从所述帧图像数据中提取多个第一特征块的步骤包括：
步骤S310对所述帧图像进行二值化处理，得到待处理的灰度帧图像。
步骤S320根据所述灰度帧图像的每个像素的灰度值，生成灰度值矩阵；
步骤S330对所述灰度值矩阵分离若干矩阵，所述若干矩阵用以表征所述第一特征块。
具体的，对帧图像向二值化处理，因为源图像包含RGB三通道，所代表的矩阵有3个，每个通道各有对应的数值矩阵一个，对帧图像二值化处理后，所对应的数值矩阵只有一个，而对人体所需要的判定不需要三通道的矩阵，其收益不大，二值化后的矩阵即可满足判定需要，并且节省时间。
可选的，步骤S300所述利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合的步骤为：
步骤S340通过预置的过滤器，将所述过滤器覆盖所述灰度帧图像，计算所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和；
步骤S350将所述过滤器沿预置步长进行移动，重新执行所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和的计算，直至所述灰度帧图像中所有像素都已完成过滤，得到由多个第二特征块组成的第二特征块集合。
具体的，过滤器即为卷积核，通过源图像灰度矩阵与所述卷积和进行点积运算，对原有图像特征进行进一步抽象和简化。
示例性的，若源图像大小为宽32，高32，于2乘以2的卷积和进行点击运算后，得到8乘以8的特征图像。
可选的，步骤S300所述得到有多个第二特征块组成的第二特征块集合的步骤之后，还包括：
将所述第二特征块集合交付于池化层进行采样，得到新的低维度第二特征块，并对原第二特征块集合元素进行更替。
可选的，步骤S400所述将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体之后，还包括：
获取所述第一特征块边角点坐标，根据所述边角点坐标的极值赋予限定框P(a,b,c,d)中各坐标变量值，并将限定框进行显示。
可选的，步骤S500将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类的步骤之前，还包括：
将二分类交叉熵损失函数输入前的全连接层设置为1*1的全连接层。
本发明实施例还提供一种社区泳池溺水检测系统，包括：
视频流模块100，用于在社区围墙周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；
帧模块200，用于所述服务器从所述视频流数据中提取帧图像数据；
第一特征模块300，用于所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合；
第二特征模块400，用于将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的卷积和，判断所述第二特征块集合的卷积和是否大于预设阈值，若是，则判定所述第一特征块为人体；
二分类模块500，用于将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的损失函数为
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
预警模块600，用于若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
请参考图3，是本发明实施例之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是个人计算机、平板计算机、移动电话及智能手机登，也可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等用于提供虚拟客户端的运设备。如图所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及社区泳池溺水检测系统20，其中：
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以使计算机设备2的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital)SD卡，闪存卡(FlashCard)等，当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21用于存储安装于计算机设备2的操作系统和各类应用软件，例如社区泳池溺水检测系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行社区泳池溺水检测系统20，以实现社区泳池溺水检测方法。
所述网络接口23可包括无线网络接口或有限网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端项链，在计算机设备2与外部中断之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystemofMobilecommunication，GSM)、宽带码分多址(WidebandCodeDivisionMultipleAccess，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
在本实施例中，存储于存储器21中的所述社区泳池溺水检测系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
另外，本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于社区泳池溺水检测系统20，被处理器执行时实现本发明的社区泳池溺水检测方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种社区泳池溺水检测方法，其特征在于，包括：
在社区泳池周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；
所述服务器从所述视频流数据中提取帧图像数据；
所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到多个第二特征块组成的第二特征块集合；
将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体；
将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的二分类交叉熵损失函数为：
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
2.根据权利要求1所述的社区泳池溺水检测方法，其特征在于，所述视频流编码格式为H.264/H.265格式。
3.根据权利要求1所述的社区泳池溺水检测方法，其特征在于，所述所述服务器从所述帧图像数据中提取多个第一特征块的步骤包括：
对所述帧图像进行二值化处理，得到待处理的灰度帧图像；
根据所述灰度帧图像的每个像素的灰度值，生成灰度值矩阵；
对所述灰度值矩阵分离若干矩阵，所述若干矩阵用以表征所述第一特征块。
4.根据权利要求3所述的社区泳池溺水检测方法，其特征在于，所述利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合的步骤为：
通过预置的过滤器，将所述过滤器覆盖所述灰度帧图像，计算所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和；
将所述过滤器沿预置步长进行移动，重新执行所述过滤器与被覆盖灰度帧图像所对应灰度值矩阵的卷积和的计算，直至所述灰度帧图像中所有像素都已完成过滤，得到由多个第二特征块组成的第二特征块集合。
5.根据权利要求4所述的社区泳池溺水检测方法，其特征在于，所述得到有多个第二特征块组成的第二特征块集合的步骤之后，还包括：
将所述第二特征块集合交付于池化层进行采样，得到新的低维度第二特征块，并对原第二特征块集合元素进行更替。
6.根据权利要求1所述的社区泳池溺水检测方法，其特征在于，所述将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的权重和值，判断所述第二特征块集合的权重和值是否大于预设阈值，若是，则判定所述第一特征块为人体的步骤还包括：
获取所述第一特征块边角点坐标，根据所述边角点坐标的极值赋予限定框P(a,b,c,d)中各坐标变量值，并将限定框进行显示。
7.根据权利要求6所述的社区泳池溺水检测方法，其特征在于，所述将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类的步骤之前，还包括：
将二分类交叉熵损失函数输入前的全连接层设置为1*1的全连接层。
8.一种社区泳池溺水检测系统，其特征在于，包括：
视频流模块，用于在社区泳池周围布置摄像头，服务器周期性获取摄像头所采集到的视频流数据；
帧模块，用于所述服务器从所述视频流数据中提取帧图像数据；
第一特征模块，用于所述服务器从所述帧图像数据中提取多个第一特征块，利用预置的过滤器，将其与所述第一特征块进行卷积运算，得到第二特征块集合；
第二特征模块，用于将所述第二特征块集合的各个元素，与所对应的权重系数进行相乘并求得所述第二特征块集合的卷积和，判断所述第二特征块集合的卷积和是否大于预设阈值，若是，则判定所述第一特征块为人体；
二分类模块，用于将所述第二特征块集合中每个元素进行赋权计算，根据权值和判定其对应的归属分类，其中所述分类为二分类，所对应的损失函数为
log(yt|yp)＝-(yt*log(yp)+(1-yt)*log(1-yp))
预警模块，用于若归属分类为用以表征溺水的分类，则所述服务器发送至泳池管理人员。
9.一种计算机设备，所述计算机设备包括存储器、处理器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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的社区泳池溺水检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至7任一项所述的社区泳池溺水检测方法的步骤。
CN201911027522.XA 2019-10-28 2019-10-28 社区泳池溺水检测方法及系统 Pending CN110796068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911027522.XA CN110796068A (zh) 2019-10-28 2019-10-28 社区泳池溺水检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911027522.XA CN110796068A (zh) 2019-10-28 2019-10-28 社区泳池溺水检测方法及系统

Publications (1)

Publication Number Publication Date
CN110796068A true CN110796068A (zh) 2020-02-14

Family

ID=69441442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911027522.XA Pending CN110796068A (zh) 2019-10-28 2019-10-28 社区泳池溺水检测方法及系统

Country Status (1)

Country Link
CN (1) CN110796068A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956165A (zh) * 2020-02-25 2020-04-03 恒大智慧科技有限公司 智慧社区未栓绳宠物预警方法及系统
CN117319612A (zh) * 2023-11-30 2023-12-29 成都智敏实业有限公司 水下影像采集识别系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596188A (zh) * 2018-04-04 2018-09-28 西安电子科技大学 基于hog特征算子的视频目标检测方法
CN110210323A (zh) * 2019-05-09 2019-09-06 浙江大学 一种基于机器视觉的溺水行为在线识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596188A (zh) * 2018-04-04 2018-09-28 西安电子科技大学 基于hog特征算子的视频目标检测方法
CN110210323A (zh) * 2019-05-09 2019-09-06 浙江大学 一种基于机器视觉的溺水行为在线识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷飞等: "平稳小波滤波算法在泳池报警系统中的应用", 《制造业自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956165A (zh) * 2020-02-25 2020-04-03 恒大智慧科技有限公司 智慧社区未栓绳宠物预警方法及系统
CN117319612A (zh) * 2023-11-30 2023-12-29 成都智敏实业有限公司 水下影像采集识别系统
CN117319612B (zh) * 2023-11-30 2024-02-02 成都智敏实业有限公司 水下影像采集识别系统

Similar Documents

Publication Publication Date Title
CN110956122B (zh) 图像处理方法及装置、处理器、电子设备、存储介质
CN112633144A (zh) 人脸遮挡检测方法、系统、设备及存储介质
CN113052029A (zh) 基于动作识别的异常行为监管方法、装置及存储介质
CN112580523A (zh) 行为识别方法、装置、设备及存储介质
CN109815797B (zh) 活体检测方法和装置
CN111161090B (zh) 圈养栏信息的确定方法、装置及系统、存储介质
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
WO2021051547A1 (zh) 暴力行为检测方法及系统
CN111275040B (zh) 定位方法及装置、电子设备、计算机可读存储介质
KR20220044828A (ko) 얼굴 속성 인식 방법, 장치, 전자 기기 및 저장 매체
CN110796068A (zh) 社区泳池溺水检测方法及系统
CN110602446A (zh) 垃圾回收提醒方法、系统及存储介质
CN113034514A (zh) 天空区域分割方法、装置、计算机设备和存储介质
CN113822259B (zh) 一种离岗检测方法、装置、计算机设备及存储介质
CN115392937A (zh) 一种用户欺诈风险识别方法、装置、电子设备及存储介质
CN115577768A (zh) 半监督模型训练方法和装置
CN113221842B (zh) 模型训练方法、图像识别方法、装置、设备及介质
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN112132867A (zh) 一种遥感影像变换检测方法及装置
CN112633179A (zh) 基于视频分析的农贸市场过道物体占道检测方法
CN110705420A (zh) 电梯轿厢广告精准推送方法、装置及存储介质
CN111199182A (zh) 基于智慧社区的丢失物件方法、系统及存储介质
CN116310474A (zh) 端到端关系识别方法、模型训练方法、装置、设备及介质
CN115375663A (zh) 基于深度互学习和双尺度特征融合的图像质量评价方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200214

WD01 Invention patent application deemed withdrawn after publication