CN110852303A - 一种基于OpenPose的吃东西行为识别方法 - Google Patents

一种基于OpenPose的吃东西行为识别方法 Download PDF

Info

Publication number
CN110852303A
CN110852303A CN201911150648.6A CN201911150648A CN110852303A CN 110852303 A CN110852303 A CN 110852303A CN 201911150648 A CN201911150648 A CN 201911150648A CN 110852303 A CN110852303 A CN 110852303A
Authority
CN
China
Prior art keywords
alarm
frame
picture
pictures
human
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
CN201911150648.6A
Other languages
English (en)
Inventor
吕金刚
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.)
Zhongke Zhiyun Technology Co Ltd
Original Assignee
Zhongke Zhiyun 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 Zhongke Zhiyun Technology Co Ltd filed Critical Zhongke Zhiyun Technology Co Ltd
Priority to CN201911150648.6A priority Critical patent/CN110852303A/zh
Publication of CN110852303A publication Critical patent/CN110852303A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种基于OpenPose的吃东西行为识别方法，通过使用深度学习人体检测模型对单帧视频图像的人体目标进行检测，再使用OpenPose提取出人体目标骨架特征向量，并将提取出的人体骨架特征向量送入离线训练号的吃东西动作识别分类器进行识别分类，最后将识别出的人体目标有吃东西行为的单帧图像进行缓存并报警推送，从而实现了对厨房人员吃东西行为的识别与监测。

Description

一种基于OpenPose的吃东西行为识别方法
技术领域
本发明属于计算机智能学习领域，具体地说，涉及一种基于OpenPose的吃东西行为识别方法。
背景技术
明厨亮灶是国家食品药品监督管理局推行的一项利民工程，即让消费者坐在饭店大厅或包间，就可以通过透明玻璃或大屏幕将后厨的一举一动尽收眼底。此举既是督促餐饮单位加强自律，也是鼓励他律，使餐饮单位全面接受消费者监督，主动保障饮食安全。随着视频分析以及人工智能技术的发展与进步，越来越多的事件可以通过视频监控实时进行检测与识别，例如人脸识别、身份认证等，同样通过视频分析可以对厨师或者食品加工人员的吃东西动作进行检测和识别，辅助监管部门对各个公共食堂、餐馆以及食品加工厂进行有效的监管。
目前国内外用于人体动作分析的技术很多，但用于吃东西动作检测的却很少，几乎是没有的。基于OpenPose的动作识别技术，例如，一种高尔夫挥杆视频的智能比对分析系统及方法CN 201810170508.4，基于OpenPose的击剑动作获取方法及计算机存储介质CN201810338998.4等。以上两篇专利对人体工作的识别均是基于时间序列来完成的，一方面采集动作姿态序列训练集样本比较困难，另外一方面系统模型过于复杂，对硬件平台要求很高。
因此一个高效，实时，简单，对硬件平台要求不高的吃东西动作行为识别方法可以对厨师或者食品加工人员的偷吃行为起到有效的监督效果，类似711员工把关东煮吞进嘴后吐回锅的事件，可以大量的减少，从而保证公共食品卫生的安全。
发明内容
本发明基于厨房工作人员偷吃行为和现有技术训练样本集困难、对硬件平台要求高的问题，提出了一种基于OpenPose的吃东西行为识别方法，实现了对厨房工作人员偷吃行为实时，准确的监测，且对硬件要求不高。
本发明具体内容如下：
一种基于OpenPose的吃东西行为识别方法，包括人体目标骨架特征提取、吃东西动作识别和决策报警三个步骤：
步骤S1.人体目标骨架特征提取：使用深度学习人形检测器，对单帧视频图像进行人体目标检测，并将人体目标位置标记出来；通过OpenPose将人体目标图像进行人体骨架特征提取，并将提取的人体骨架特征向量化为人体骨架特征向量；
步骤S2.吃东西动作识别：对标记出来的人体目标位置进行识别，判断是否有吃东西的行为；
步骤S3.决策报警：将识别出的吃东西行为进行图像保存并报警。
为了更好地实现本发明，进一步地，所述步骤S2.具体还包括以下步骤：
步骤S2.1.收集吃东西动作的正样本图片集和非吃东西动作的负样本图片集；
步骤S2.2.通过OpenPose提取正样本图片集和负样本图片集中的人体骨架特征向量，并将提取的人体骨架特征向量整理为训练数据集；
步骤S2.3.使用所述步骤S2.2.中整理的训练数据集训练ResNet-56吃东西动作识别分类器模型；所述ResNet-56吃东西动作识别分类器模型为离线训练模型；
步骤S2.4.使用所述步骤S2.3.中的ResNet-56吃东西动作识别分类器模型实时对人体骨架特征向量进行分类识别；
为了更好地实现本发明，进一步地，所述步骤S2.4.设置有置信度阈值，当对人体骨架特征向量进行分类识别时，系统将置信度超过阈值的人体目标判定为有此东西的行为，并对置信度超过阈值的该人体目标进行状态标记，并将包含被标记的人体目标的单帧视频图像标记为报警图片。
为了更好地实现本发明，进一步地，所述步骤S3.具体是指：缓存最近N帧对置信度超过阈值的人体目标进行状态标记的报警图片；若报警图片为缓存队列中的第一帧报警图片，则将第一帧报警图片进行缓存，然后推送被缓存报警图片进行报警，并退出决策报警环节。
为了更好地实现本发明，进一步地，所述报警图片如果不是缓存队列中的第一帧报警图片，则将缓存队列中的该非第一帧报警图片与缓存队列中的报警图片依次进行人脸匹配；用户事先设置非第一帧报警图片与缓存队列中的报警图片的匹配度阈值H、非第一帧报警图片与缓存队列中的报警图片的匹配度超过匹配度H的个数阈值M；若非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M，则缓存该非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节。
为了更好地实现本发明，进一步地，当非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M时，先判定缓存队列是否超时，若超时，则清空缓存报警队列中的报警图片，并缓存该与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M的非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节
本发明与现有技术相比，具有以下优点和有益效果：
1）对硬件要求不高；
2）报警实时，单帧图像即为输出的报警结果；
3）通过单帧视频图像中人体骨架特征进行动作识别，对光照变换具有较高适应性，识别精确。
附图说明
图1为吃东西动作检测整体流程图；
图2为提取人体目标骨架特征流程图；
图3为吃东西动作识别流程图；
图4为决策报警流程图；
图5为实际运行绿色矩形框标记人体目标示意图；
图6为实际运行人体骨架特征向量提取示意图；
图7为实际运行识别出人体目标吃东西动作示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。
实施例1：
一种基于OpenPose的吃东西行为识别方法，结合图1、图2、图5、图6和图7所示，包括人体目标骨架特征提取、吃东西动作识别和决策报警三个步骤：
步骤S1.人体目标骨架特征提取：使用深度学习人形检测器，对单帧视频图像进行人体目标检测，并将人体目标位置标记出来；通过OpenPose将人体目标图像进行人体骨架特征提取，并将提取的人体骨架特征向量化为人体骨架特征向量；
步骤S2.吃东西动作识别：对标记出来的人体目标位置进行识别，判断是否有吃东西的行为；
步骤S3.决策报警：将识别出的吃东西行为进行图像保存并报警。
工作原理：首先将视频帧图像输入，使用深度学习人体检测模型yolov3在视频帧图像中对人体目标进行检测，将检测到的人体目标用绿色矩形框框选出进行标记；将深度学习人形检测模型yolov3获取到的人体目标图片，送入到OpenPose处理模块，先生成热图heatmap，再生成向量映射图vectmap，最后提取框选出人体目标骨架特征状态向量。将该向量按照人体骨架构造顺序进行渲染绘制成彩色线段；再通过OpenPose识别判断，并进行报警图5、图6、图7为灰黑色图片，实际运行中图5用绿色矩形框标记人体目标，图6为彩色线段表现人体骨架特征向量，图7用红色矩形框标记有吃东西行为的人体目标，绿色矩形框标记没有吃东西行为的人体目标。
实施例2：
为了更好地实现本发明，进一步地，如图3、图7所示，所述步骤S2.具体还包括以下步骤：
步骤S2.1.收集吃东西动作的正样本图片集和非吃东西动作的负样本图片集；
步骤S2.2.通过OpenPose提取正样本图片集和负样本图片集中的人体骨架特征向量，并将提取的人体骨架特征向量整理为训练数据集；
步骤S2.3.使用所述步骤S2.2.中整理的训练数据集训练ResNet-56吃东西动作识别分类器模型；所述ResNet-56吃东西动作识别分类器模型为离线训练模型；
步骤S2.4.使用所述步骤S2.3.中的ResNet-56吃东西动作识别分类器模型实时对人体骨架特征向量进行分类识别；系统设置有置信度阈值，当对人体骨架特征向量进行分类识别时，系统将置信度超过阈值的人体目标判定为有此东西的行为，并对置信度超过阈值的该人体目标进行状态标记，并将包含被标记的人体目标的单帧视频图像标记为报警图片，图7中用红色矩形框标记有吃东西行为的人体目标，绿色矩形框标记没有吃东西行为的人体目标，图7为灰黑色表现不明显，但在实际运行彩图中区别明显。
工作原理：通过事先建立离线训练器，可以减少实时处理的工作量，降低对硬件的要求，在线实时对单帧视频图像进行识别时，只需要调用事先训练好的离线训练模型即可；通过设定置信度阈值，可以筛选出具有吃东西行为的人体目标图像，从而实现实时精确的监测。
本实施例的其他部分与上述实施例1相同，故不再赘述。
实施例3：
为了更好地实现本发明，进一步地，如图4所示，所述步骤S3.具体是指：缓存最近N帧对置信度超过阈值的人体目标进行状态标记的报警图片；若报警图片为缓存队列中的第一帧报警图片，则将第一帧报警图片进行缓存，然后推送被缓存报警图片进行报警，并退出决策报警环节。
所述报警图片如果不是缓存队列中的第一帧报警图片，则将缓存队列中的该非第一帧报警图片与缓存队列中的报警图片依次进行人脸匹配；用户事先设置非第一帧报警图片与缓存队列中的报警图片的匹配度阈值H、非第一帧报警图片与缓存队列中的报警图片的匹配度超过匹配度H的个数阈值M；若非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M，则缓存该非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节。
当非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M时，先判定缓存队列是否超时，若超时，则清空缓存报警队列中的报警图片，并缓存该与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M的非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节。
工作原理：当获取的报警图片为缓存队列中的第一帧报警图片时，因为是第一帧报警图片，不存在重复报警等情况，故可以直接缓存，并进行报警推送；当获取的图片不是第一帧报警图片的时候，则要先判断是否是重复报警或者同一吃东西行为动作长时间持续等情况，当该非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M时，才将该非第一帧报警图片缓存，并进行报警推送；当判断该非第一帧报警图像为非重复图像后，还要进行缓存队列是否超时的判断，若缓存队列超时，则清空缓存队列，这样可以保证动作识别的及时性和有效性，同时系统处理的工作量也不会过于庞大，减轻了系统的压力。
本实施例的其他部分与上述实施例1-2相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (6)

1.一种基于OpenPose的吃东西行为识别方法，其特征在于，包括人体目标骨架特征提取、吃东西动作识别和决策报警三个步骤：
步骤S1.人体目标骨架特征提取：使用深度学习人形检测器，对单帧视频图像进行人体目标检测，并将人体目标位置标记出来；通过OpenPose将人体目标图像进行人体骨架特征提取，并将提取的人体骨架特征向量化为人体骨架特征向量；
步骤S2.吃东西动作识别：对标记出来的人体目标位置进行识别，判断是否有吃东西的行为；
步骤S3.决策报警：将识别出的吃东西行为进行图像保存并报警。
2.如权利要求1所述的一种基于OpenPose的吃东西行为识别方法，其特征在于，所述步骤S2.具体还包括以下步骤：
步骤S2.1.收集吃东西动作的正样本图片集和非吃东西动作的负样本图片集；
步骤S2.2.通过OpenPose提取正样本图片集和负样本图片集中的人体骨架特征向量，并将提取的人体骨架特征向量整理为训练数据集；
步骤S2.3.使用所述步骤S2.2.中整理的训练数据集训练ResNet-56吃东西动作识别分类器模型；所述ResNet-56吃东西动作识别分类器模型为离线训练模型；
步骤S2.4.使用所述步骤S2.3.中的ResNet-56吃东西动作识别分类器模型实时对人体骨架特征向量进行分类识别。
3.如权利要求2所述的一种基于OpenPose的吃东西行为识别方法，其特征在于，所述步骤S2.4.具体是指：设置有置信度阈值，当对人体骨架特征向量进行分类识别时，系统将置信度超过阈值的人体目标判定为有此东西的行为，并对置信度超过阈值的该人体目标进行状态标记，并将包含被标记的人体目标的单帧视频图像标记为报警图片。
4.如权利要求1所述的一种基于OpenPose的吃东西行为识别方法，其特征在于，所述步骤S3.具体是指：缓存最近N帧对置信度超过阈值的人体目标进行状态标记的报警图片；若报警图片为缓存队列中的第一帧报警图片，则将第一帧报警图片进行缓存，然后推送被缓存报警图片进行报警，并退出决策报警环节。
5.如权利要求4所述的一种基于OpenPose的吃东西行为识别方法，其特征在于，所述报警图片如果不是缓存队列中的第一帧报警图片，则将缓存队列中的该非第一帧报警图片与缓存队列中的报警图片依次进行人脸匹配；用户事先设置非第一帧报警图片与缓存队列中的报警图片的匹配度阈值H、非第一帧报警图片与缓存队列中的报警图片的匹配度超过匹配度H的个数阈值M；若非第一帧报警图片与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M，则缓存该非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节。
6.如权利要求5所述的一种基于OpenPose的吃东西行为识别方法，其特征在于，当非第一帧报警图片与缓存队列中的报警图片的匹配度超过匹配度H的个数总和大于个数阈值M时，先判定缓存队列是否超时，若超时，则清空缓存报警队列中的报警图片，并缓存该与缓存队列中的报警图片匹配度超过匹配度H的个数总和大于个数阈值M的非第一帧报警图片，然后推送被缓存报警图片进行报警，并退出决策报警环节。
CN201911150648.6A 2019-11-21 2019-11-21 一种基于OpenPose的吃东西行为识别方法 Pending CN110852303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911150648.6A CN110852303A (zh) 2019-11-21 2019-11-21 一种基于OpenPose的吃东西行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911150648.6A CN110852303A (zh) 2019-11-21 2019-11-21 一种基于OpenPose的吃东西行为识别方法

Publications (1)

Publication Number Publication Date
CN110852303A true CN110852303A (zh) 2020-02-28

Family

ID=69603445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911150648.6A Pending CN110852303A (zh) 2019-11-21 2019-11-21 一种基于OpenPose的吃东西行为识别方法

Country Status (1)

Country Link
CN (1) CN110852303A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259874A (zh) * 2020-05-06 2020-06-09 成都派沃智通科技有限公司 一种基于深度学习的校园安全视频监测方法
CN111967433A (zh) * 2020-08-31 2020-11-20 重庆科技学院 一种基于自监督学习网络的动作识别办法
CN112001347A (zh) * 2020-08-31 2020-11-27 重庆科技学院 一种基于人体骨架形态与检测目标的动作识别方法
CN112465078A (zh) * 2021-02-03 2021-03-09 成都点泽智能科技有限公司 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503687A (zh) * 2016-11-09 2017-03-15 合肥工业大学 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN108664896A (zh) * 2018-04-16 2018-10-16 彭友 基于OpenPose的击剑动作获取方法及计算机存储介质
CN109460702A (zh) * 2018-09-14 2019-03-12 华南理工大学 基于人体骨架序列的乘客异常行为识别方法
CN109614882A (zh) * 2018-11-19 2019-04-12 浙江大学 一种基于人体姿态估计的暴力行为检测系统及方法
CN110215216A (zh) * 2019-06-11 2019-09-10 中国科学院自动化研究所 基于骨骼关节点分区域分层次的行为识别方法、系统
CN110263680A (zh) * 2019-06-03 2019-09-20 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
US20190294871A1 (en) * 2018-03-23 2019-09-26 Microsoft Technology Licensing, Llc Human action data set generation in a machine learning system
CN110287825A (zh) * 2019-06-11 2019-09-27 沈阳航空航天大学 一种基于关键骨骼点轨迹分析的摔倒动作检测方法
CN110298310A (zh) * 2019-06-28 2019-10-01 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110414348A (zh) * 2019-06-26 2019-11-05 深圳云天励飞技术有限公司 一种视频处理方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503687A (zh) * 2016-11-09 2017-03-15 合肥工业大学 融合人脸多角度特征的监控视频人物身份识别系统及其方法
US20190294871A1 (en) * 2018-03-23 2019-09-26 Microsoft Technology Licensing, Llc Human action data set generation in a machine learning system
CN108664896A (zh) * 2018-04-16 2018-10-16 彭友 基于OpenPose的击剑动作获取方法及计算机存储介质
CN109460702A (zh) * 2018-09-14 2019-03-12 华南理工大学 基于人体骨架序列的乘客异常行为识别方法
CN109614882A (zh) * 2018-11-19 2019-04-12 浙江大学 一种基于人体姿态估计的暴力行为检测系统及方法
CN110263680A (zh) * 2019-06-03 2019-09-20 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
CN110215216A (zh) * 2019-06-11 2019-09-10 中国科学院自动化研究所 基于骨骼关节点分区域分层次的行为识别方法、系统
CN110287825A (zh) * 2019-06-11 2019-09-27 沈阳航空航天大学 一种基于关键骨骼点轨迹分析的摔倒动作检测方法
CN110414348A (zh) * 2019-06-26 2019-11-05 深圳云天励飞技术有限公司 一种视频处理方法及装置
CN110298310A (zh) * 2019-06-28 2019-10-01 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SOPHIE AUBRY ET AL: "Action recognition based on 2D skeletons extracted from RGB videos", 《2018 INTERNATIONAL JOINT CONFERENCE ON METALLURGICAL AND MATERIALS ENGINEERING (JCMME 2018)》 *
SUMAIRA GHAZAL ET AL: "Human activity recognition using 2D skeleton data and supervised machine learning", 《IET IMAGE PROCESS》 *
YIDONG CHEN ET AL: "An Anthropometric Dimensions Measurement Method Using Multi-pose Human Images with Complex Background", 《2019 3RD INTERNATIONAL CONFERENCE ON COMPUTER GRAPHICS AND DIGITAL IMAGE PROCESSING (CGDIP 2019)》 *
ZHE CAO ET AL: "Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
丁培甫等: "基于OpenPose的行人异常姿态研究", 《数字技术与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259874A (zh) * 2020-05-06 2020-06-09 成都派沃智通科技有限公司 一种基于深度学习的校园安全视频监测方法
CN111967433A (zh) * 2020-08-31 2020-11-20 重庆科技学院 一种基于自监督学习网络的动作识别办法
CN112001347A (zh) * 2020-08-31 2020-11-27 重庆科技学院 一种基于人体骨架形态与检测目标的动作识别方法
CN112001347B (zh) * 2020-08-31 2023-07-21 重庆科技学院 一种基于人体骨架形态与检测目标的动作识别方法
CN112465078A (zh) * 2021-02-03 2021-03-09 成都点泽智能科技有限公司 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110852303A (zh) 一种基于OpenPose的吃东西行为识别方法
CN104091176B (zh) 人像比对在视频中的应用技术
CN105404847B (zh) 一种遗留物实时检测方法
CN106600888B (zh) 一种森林火灾自动检测方法及系统
CN106339657B (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN109377703A (zh) 一种基于机器视觉的森林防火预警系统及其方法
CN108052900A (zh) 一种通过监控视频自动判断着装规范的方法
CN107491717A (zh) 考试作弊检测方法和装置
CN106845357A (zh) 一种基于多通道网络的视频人脸检测和识别方法
CN109255298A (zh) 一种动态背景中的安全帽检测方法与系统
CN109190475A (zh) 一种人脸识别网络与行人再识别网络协同训练方法
CN104123543A (zh) 一种基于人脸识别的眼球运动识别方法
CN107977639A (zh) 一种人脸清晰度判断方法
CN111401310B (zh) 基于人工智能的厨房卫生安全监督管理方法
CN107330414A (zh) 暴力行为监控方法
CN108470424A (zh) 一种基于图像特征的森林安全监测系统
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN110263663A (zh) 一种基于多维面部特征的驾驶员多级疲劳度识别方法
CN110458022A (zh) 一种基于域适应的可自主学习目标检测方法
CN108109220A (zh) 一种基于监控摄像头的教室考勤统计系统
CN108229421A (zh) 一种基于深度视频信息的坠床行为实时检测方法
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN106683077A (zh) 一种扶梯口楼层板上大件物滞留检测方法
CN105869184A (zh) 基于路径分析的林火烟雾图像检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228