CN110969115B - 行人事件的检测方法及装置、电子设备和存储介质 - Google Patents
行人事件的检测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110969115B CN110969115B CN201911192848.8A CN201911192848A CN110969115B CN 110969115 B CN110969115 B CN 110969115B CN 201911192848 A CN201911192848 A CN 201911192848A CN 110969115 B CN110969115 B CN 110969115B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- preset
- processed
- coordinates
- target pedestrian
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant 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
- G06F18/2411—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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/20084—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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种行人事件的检测方法及装置、电子设备和存储介质。所述方法包括:获取多帧待处理图像中目标行人的坐标;获取预设空间的坐标;根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件。本公开实施例能够提高检测行人事件的准确率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种行人事件的检测方法及装置、电子设备和存储介质。
背景技术
随着智慧城市的兴起,高清视频的应用场景越来越多,在不同的场景下检测行人事件就是其中很重要的一方面。显然,海量的视频信息无法单纯依靠人工查看检测其中的目标信息。随着城市智慧化的要求越来越高,一种自动检测行人事件的技术亟待开发。
发明内容
本公开提供了一种行人事件的检测技术方案。
根据本公开的一方面,提供了一种行人事件的检测方法,包括:
获取多帧待处理图像中目标行人的坐标;
获取预设空间的坐标;
根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件。
通过上述方式,能够提高检测行人事件的准确率。
在一种可能的实现方式中,所述获取多帧待处理图像中目标行人的坐标包括:
利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。
该实现方式通过利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标,能够更加快速准确地获取目标行人的坐标。
在一种可能的实现方式中,所述预设空间包括预设线,所述行人事件包括行人跨线事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;
根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;
在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
根据该实现方式,能够实现无方向的行人跨线事件的检测,由此能够实现地铁站、火车站、广场等的人流量及商场的客流量等的统计。
在一种可能的实现方式中,所述在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,包括:
确定预设方向的向量与所述第一坐标轴的方向向量的夹角;
在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
基于该实现方式,能够检测行人以预设方向跨越预设线的事件,由此能够实现地铁站出站人数、地铁站进站人数等的统计。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人逗留事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人逗留事件。
基于该实现方式,可以在目标行人在预设区域内的停留时间大于或等于时间阈值的情况下,确定目标行人在预设区域内发生行人逗留事件,由此能够在不希望行人逗留的应用场景中,及时发现行人逗留的情况,以便工作人员及时告知目标行人停止在预设区域内逗留。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人徘徊事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
确定所述目标行人在所述停留时间内的累计移动距离;
在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人徘徊事件。
基于该实现方式,可以在目标行人在预设区域内的停留时间大于或等于时间阈值,且累计移动距离大于或等于距离阈值的情况下,确定目标行人在预设区域内发生行人徘徊事件,由此能够在不希望行人徘徊的应用场景中,及时发现行人徘徊的情况,以便工作人员及时告知目标行人停止在预设区域内徘徊。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;
将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
在该实现方式中,可以不考虑目标行人中途是否离开预设区域,只考虑目标行人两次出现在预设区域内的时间间隔是否大于或等于时间阈值,由此能够适用于不考虑目标行人中途是否离开预设区域的应用场景。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;
将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。
该实现方式可以适用于不关心目标行人中途是否离开预设区域,但需考虑目标行人在预设区域内的累计时长的应用场景。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;
将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
在该实现方式中,关心目标行人中途是否离开预设区域,若目标行人中途离开预设区域,则重新计算持续时间。该实现方式可以适用于关心目标行人中途是否离开预设区域的应用场景。
在一种可能的实现方式中,所述确定所述目标行人在所述停留时间内的累计移动距离,包括:
将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;
对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离。
采用该实现方式确定的累计移动距离更能反映目标行人在预设区域内徘徊的情况,从而有助于提高行人徘徊事件检测的准确性。
在一种可能的实现方式中,所述方法还包括:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;
在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。
在该实现方式中,可以根据目标行人所在区域与预设区域的面积重合值,判断目标行人是否在预设区域内,由此能够提高判断目标行人是否在预设区域内的准确性。
在一种可能的实现方式中,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;
所述根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值,包括:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;
将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
根据该示例,可以根据重合区域的面积与目标行人的边界框的面积的比值来确定所述面积重合值,由此确定的面积重合值更能反映目标行人的边界框与预设区域的重合情况,从而有助于更准确地进行行人事件的检测。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人入侵事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
获取入侵敏感系数;
根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;
在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生所述行人入侵事件。
基于该实现方式,能够在不希望行人入侵的应用场景中,及时发现行人入侵的情况,以便工作人员及时告知目标行人离开预设区域。
在一种可能的实现方式中,所述方法还包括:
在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
在该实现方式中,通过在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息,由此能够使工作人员及时发现行人事件,以便及时进行处理。
在一种可能的实现方式中,所述方法还包括:
在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息;
输出所述目标行人的属性信息。
在该实现方式中,通过在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,输出所述目标行人的属性信息,由此能够帮助工作人员找到所述目标行人。
根据本公开的一方面,提供了一种行人事件的检测装置,包括:
第一获取模块,用于获取多帧待处理图像中目标行人的坐标;
第二获取模块,用于获取预设空间的坐标;
第一确定模块,用于根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件。
在一种可能的实现方式中,所述第一获取模块用于:
利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。
在一种可能的实现方式中,所述预设空间包括预设线,所述行人事件包括行人跨线事件;
所述第一确定模块用于:
根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;
根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;
在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
在一种可能的实现方式中,所述第一确定模块用于:
确定预设方向的向量与所述第一坐标轴的方向向量的夹角;
在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人逗留事件;
所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人逗留事件。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人徘徊事件;
所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
确定所述目标行人在所述停留时间内的累计移动距离;
在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人徘徊事件。
在一种可能的实现方式中,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;
将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;
将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;
将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块用于:
将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;
对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离。
在一种可能的实现方式中,所述装置还包括:
第二确定模块,用于根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;
第三确定模块,用于在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。
在一种可能的实现方式中,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;
所述第二确定模块用于:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;
将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人入侵事件;
所述第一确定模块用于:
获取入侵敏感系数;
根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;
在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生所述行人入侵事件。
在一种可能的实现方式中,所述装置还包括:
告警模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
在一种可能的实现方式中,所述装置还包括:
提取模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息;
输出模块,用于输出所述目标行人的属性信息。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过获取多帧待处理图像中目标行人的坐标,获取预设空间的坐标,并根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,由此能够提高检测行人事件的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的行人事件的检测方法的流程图。
图2示出本公开实施例提供的行人事件的检测方法中的行人跨线事件的示意图。
图3示出本公开实施例提供的行人事件的检测方法中的预设方向的行人跨线事件的示意图。
图4示出本公开实施例提供的行人检测方法的应用场景的示意图。
图5示出本公开实施例提供的行人事件的检测装置的框图。
图6示出本公开实施例提供的一种电子设备800的框图。
图7示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
相关技术主要存在两种行人事件的检测方法。一种方法是传统的温度检测方法或电子线圈检测方法,这种方法的可靠性较低,可扩展性较差,且安装维护较为不方便。另一种方法是基于视频的检测方法,采用背景差分、二值化分割等传统的图像处理和模式识别方法,在视频背景复杂的场景下,行人检出率较低,因此检测行人事件的准确率也较低。
在本公开实施例中,通过获取多帧待处理图像中目标行人的坐标,获取预设空间的坐标,并根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,由此能够提高检测行人事件的准确率。
本公开实施例可以应用于任何需要进行行人事件检测的应用场景中。例如,本公开实施例可以应用于地铁站、火车站、道路、商场、车站、监狱、广场或者公司门岗等场景中。
下面结合本公开实施例中的附图对本公开实施例进行描述。
图1示出本公开实施例提供的行人事件的检测方法的流程图。所述行人事件的检测方法的执行主体可以是行人事件的检测装置。例如,所述行人事件的检测方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述行人事件的检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述行人事件的检测方法包括步骤S11至步骤S13。
在步骤S11中,获取多帧待处理图像中目标行人的坐标。
本公开实施例的执行主体可以是服务器,服务器可以与监控摄像头相连,监控摄像头可以将采集到的视频流发送至服务器,服务器可以将监控摄像头发送的视频流中包含同一行人的多帧视频图像作为多帧待处理图像,而多帧待处理图像中包含的相同行人即为目标行人。需要理解的是,上述多帧视频图像可以是多帧连续的视频图像,也可以不是连续的视频图像。而目标行人的数量可以是一个,也可以是多个,即多帧待处理图像中可以包含一个或多个相同的行人。
举例来说,摄像头采集的视频流包含10帧图像,其中,第1帧图像、第2帧图像、第3帧图像、第6帧图像、第8帧图像、第9帧图像中均包含行人A,则可将第1帧图像、第2帧图像、第3帧图像、第6帧图像、第8帧图像、第9帧图像作为多帧待处理图像,其中,第1帧图像的时间戳小于第2帧图像的时间戳,第2帧图像的时间戳小于第3帧图像的时间戳,以此类推,第9帧图像的时间戳小于第10帧图像的时间戳。
在一种可能的实现方式中,所述获取多帧待处理图像中目标行人的坐标包括:利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。该实现方式通过利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标,能够更加快速准确地获取目标行人的坐标。
本公开实施例中,服务器可通过任意行人检测算法对待处理图像进行行人检测,其中,行人检测算法可以是只需一眼算法(you only look once,YOLO)、目标检测算法(deformable part model,DMP)、单张图像多目标检测算法(single shot multiBoxdetector,SSD)、Faster-RCNN算法等等,本公开对行人检测算法不做具体限定。
通过行人检测算法对每一帧待处理图像进行行人检测,可得到每一帧待处理图像中目标行人的坐标。其中,目标行人的坐标可以是包含目标行人的边界框的坐标,或者,目标行人的坐标可以是目标行人的边界框的几何中心的坐标,或者,目标行人的坐标还可以是目标行人的轮廓上的关键点的坐标,上述坐标均指在待处理图像的坐标系下的坐标。
在一种可能的实现方式中,每一帧待处理图像均包含时间戳,该时间戳可以表征待处理图像的采集时间。按待处理图像的时间戳的从小到大的顺序对每一帧待处理图像中目标行人的坐标排序可得到目标行人的坐标序列,即目标行人的在不同时刻下的坐标。再根据该多帧待处理图像中目标行人的坐标与该多帧待处理图像的时间戳可确定该多帧待处理图像的目标行人的坐标与时间之间的关系。其中,多帧待处理图像的目标行人的坐标与时间之间的关系可以包含目标行人在任意时刻下的坐标。
在一种可能的实现方式中,通过对多帧待处理图像中目标行人的坐标进行曲线拟合,可以得到多帧待处理图像中目标行人的坐标与时间之间的关系,从而可以得到目标行人的运动轨迹,其中,曲线拟合是通过连续曲线近似地刻画或比拟平面上多个离散点所表示的坐标之间的关系的一种数据处理方法。也就是说,通过对多帧待处理图像的边界框的坐标进行曲线拟合,可得到多帧待处理图像中目标行人的坐标与时间的关系,进而得到任意两帧待处理图像之间的任意时刻下目标行人的坐标。
在一个示例中,可以结合匈牙利算法(二分图最大匹配)和卡尔曼滤波进行处理,确定多帧待处理图像中目标行人的坐标与时间之间的关系。其中,采用匈牙利算法对前后相邻两帧待处理图像中的目标行人进行匹配,把后一帧的目标行人匹配到前一帧上,多帧组合形成一个坐标与时间序列,从而得到目标行人的坐标与时间之间的关系。卡尔曼滤波的主要作用是对每个目标行人的运动轨迹进行滤波和去除噪声,从而提高所输出的运动轨迹的精度,并提高匈牙利算法的匹配精度。
在步骤S12中,获取预设空间的坐标。
在本公开实施例中,所述预设空间可以为一维空间、二维空间或者三维空间。例如,所述预设空间可以包括预设线和/或预设区域。其中,预设线可以为一维空间,预设区域可以为二维空间或者三维空间。
在一种可能的实现方式中,用户可以在摄像头的监控区域内选择两个预设点,并将连接该两个预设点的线作为预设线。在另一种可能的实现方式中,用户可在摄像头的监控区域内依次选取多个预设点,并将多个预设点依次连接,得到一个包含多个预设点的封闭的多边形,并将该多边形包含的区域作为预设区域。
在步骤S13中,根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件。
在本公开实施例中,所述行人事件可以包括行人跨线事件、行人逗留事件、行人徘徊事件和行人入侵事件等中的一种或多种。其中,行人跨线事件可以表示行人跨越预设线的事件,行人逗留事件可以表示行人在预设区域内逗留的事件,行人徘徊事件可以表示行人在预设区域内徘徊的事件,行人入侵事件可以表示行人进入预设区域的事件。
在一种可能的实现方式中,所述预设空间包括预设线,所述行人事件包括行人跨线事件。基于该实现方式,能够检测行人跨越预设线的事件,由此能够实现地铁站、火车站、广场等的人流量及商场的客流量等的统计。
作为该实现方式的一个示例,行人跨线事件可以分为无方向跨线和有方向跨线两种形式。其中,无方向跨线不考虑跨线方向,只要从预设线的一边跨越至另一边,即发生了行人跨线事件;有方向跨线考虑跨线的方向,检测行人是否发生预设方向的跨线。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
例如,若将预设线作为第二坐标轴,则目标点为第一坐标轴和第二坐标轴的交点,即原点。
根据该实现方式,能够实现无方向的行人跨线事件的检测,由此能够实现地铁站、火车站、广场等的人流量及商场的客流量等的统计。
在该实现方式中,预设线的坐标可以采用预设线上的两个点的坐标来表示。图2示出本公开实施例提供的行人事件的检测方法中的行人跨线事件的示意图。如图2所示,预设线的坐标可以采用预设线上的两个点l1和l2的坐标来表示,其中,点l1的坐标为(m1,n1),点l2的坐标为(m2,n2)。预设线的方向向量可以表示为预设线的垂线的方向向量可以表示为即,在该实现方式中,第一坐标轴可以为图2中的x′轴,同时,可以将预设线的方向向量作为y′轴。
目标行人的坐标可以为目标行人的边界框的顶点坐标。在图2中,ci表示目标行人的边界框的顶点,ci的坐标可以表示为(xi,yi),1≤i≤n,例如,n=4。在图2中,目标行人的边界框的顶点的下标按照顺时针顺序排列。为了方便理解,图2以长方形为例示出了目标行人的边界框的示意图。本领域技术人员可以理解,目标行人的边界框可以为任意形状。ci在x′轴上的投影坐标可以表示为对于一帧待处理图像而言,若该待处理图像中目标行人的边界框的顶点满足min(p1,…,pn)≤0且max(p1,…,pn)≥0,则可以确定目标行人针对预设线发生行人跨线事件,其中,公式中的等号表示边界框的顶点在预设线上也认为跨线。对于多帧待处理图像而言,若相邻的两帧待处理图像中目标行人的边界框的顶点满足pi<0且qi>0,或者满足pi>0且qi<0,则可以确定目标行人针对预设线发生行人跨线事件,其中,1≤i≤n,pi和qi分别表示所述相邻的两帧待处理图像中目标行人的边界框的顶点。
在一种可能的实现方式中,所述在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,包括:确定预设方向的向量与所述第一坐标轴的方向向量的夹角;在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
基于该实现方式,能够检测行人以预设方向跨越预设线的事件,由此能够实现地铁站出站人数、地铁站进站人数等的统计。
在该实现方式中,第一坐标轴的方向向量可以平行于第一坐标轴,且指向第一坐标轴的正方向。
图3示出本公开实施例提供的行人事件的检测方法中的预设方向的行人跨线事件的示意图。在图3所示的示例中,预设方向的方向向量可以表示为可以采用上文所述的方法得到预设线的垂线的方向向量在一个例子中,若则可以令以使预设线的垂线的方向向量与预设方向的方向向量的夹角小于90度。在一个例子中,可以确定目标行人的边界框的几何中心并可以在该几何中心从预设线的一边跨到预设线的另一边且与预设方向一致时认为目标行人以预设方向跨越预设线。以预设线的垂线的方向向量为x′轴,几何中心cm在x′轴上的投影坐标可以表示为对于多帧待处理图像而言,若其中的两帧待处理图像k和l满足pmk<0,pml>0,且Tk<Tl,则可以确定目标行人以预设方向跨越预设线,其中,k和l表示这两帧待处理图像的序号,pmk表示待处理图像k中目标行人的边界框的几何中心在x′轴上的投影坐标,pml表示待处理图像l中目标行人的边界框的几何中心在x′轴上的投影坐标,Tk表示待处理图像k的时间戳,Tl表示待处理图像l的时间戳。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人逗留事件、行人徘徊事件和行人入侵事件中的一种或多种。基于该实现方式,可以对行人在预设区域内逗留、行人在预设区域内徘徊和行人进入预设区域中的一种或多种事件进行检测。
例如,地铁的出口处、机场等希望保持通畅,而不希望人员逗留或徘徊,则可以在地铁的出口处或者机场等处指定一个区域作为行人逗留事件或者行人徘徊事件对应的预设区域。
又如,在一些管控区域,例如军事区域,或者临时现场保护区域,不希望有人入侵,则可以将这些区域作为行人入侵事件对应的预设区域。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:在根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定满足所述目标行人在所述预设区域内、所述目标行人在所述预设区域内的停留时间大于或等于时间阈值、所述目标行人在所述停留时间内的累计移动距离大于或等于距离阈值中的一个或多个条件的情况下,确定所述目标行人在所述预设区域内发生行人逗留事件、行人徘徊事件和行人入侵事件中的一种或多种。
例如,在根据多帧待处理图像中目标行人的坐标和预设空间的坐标,确定目标行人在预设区域内的情况下,可以确定目标行人在预设区域内发生行人入侵事件;在根据多帧待处理图像中目标行人的坐标和预设空间的坐标,确定目标行人在预设区域内的停留时间大于或等于时间阈值的情况下,可以确定目标行人在预设区域内发生行人逗留事件;在根据多帧待处理图像中目标行人的坐标和预设空间的坐标,确定目标行人在预设区域内的停留时间大于或等于时间阈值,且目标行人在停留时间内的累计移动距离大于或等于距离阈值的情况下,可以确定目标行人在预设区域内发生行人徘徊事件。
基于该实现方式,可以根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标所满足的条件,对行人逗留事件、行人徘徊事件和行人入侵事件中的一种或多种事件进行检测。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人逗留事件;所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生行人逗留事件。
基于该实现方式,可以在目标行人在预设区域内的停留时间大于或等于时间阈值的情况下,确定目标行人在预设区域内发生行人逗留事件,由此能够在不希望行人逗留的应用场景中,及时发现行人逗留的情况,以便工作人员及时告知目标行人停止在预设区域内逗留。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人徘徊事件;所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;确定所述目标行人在所述停留时间内的累计移动距离;在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生行人徘徊事件。
例如,预设区域为地铁站厅,距离阈值为3000米,若目标行人在地铁站厅的停留时间大于或等于时间阈值,且累计移动距离大于或等于3000米,则可以确定目标行人在地铁站厅发生行人徘徊事件。
基于该实现方式,可以在目标行人在预设区域内的停留时间大于或等于时间阈值,且累计移动距离大于或等于距离阈值的情况下,确定目标行人在预设区域内发生行人徘徊事件,由此能够在不希望行人徘徊的应用场景中,及时发现行人徘徊的情况,以便工作人员及时告知目标行人停止在预设区域内徘徊。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
在该实现方式中,可以不考虑目标行人中途是否离开预设区域,只考虑目标行人两次出现在预设区域内的时间间隔是否大于或等于时间阈值,由此能够适用于不考虑目标行人中途是否离开预设区域的应用场景。
在一个示例中,若所述多帧待处理图像中的任意两帧待处理图像中目标行人在预设区域内,且这两帧待处理图像的时间戳之间的时间间隔大于或等于时间阈值,则可以确定目标行人在预设区域内发生行人逗留事件。例如,待处理图像a中目标行人在预设区域内,待处理图像b中目标行人在预设区域内,待处理图像a的时间戳为Ta,待处理图像b的时间戳为Tb,时间阈值为Tthreshold,若Tb-Ta≥Tthreshold,则可以确定目标行人在预设区域内发生行人逗留事件。
在一个例子中,可以记录目标行人第一次出现在预设区域内的时间戳作为参考时间戳,若目标行人再次出现在预设区域内的时间戳与参考时间戳之间的时间间隔大于或等于时间阈值,则可以确定目标行人在预设区域内发生行人逗留事件。
在一个示例中,若所述多帧待处理图像中的任意两帧待处理图像中目标行人在预设区域内,这两帧待处理图像的时间戳之间的时间间隔大于或等于时间阈值,且目标行人在预设区域内的累计移动距离大于或等于距离阈值,则可以确定目标行人在预设区域内发生行人徘徊事件。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。基于该实现方式,能够快速准确地确定目标行人在预设区域内的累计时长。
该实现方式可以适用于不关心目标行人中途是否离开预设区域,但需考虑目标行人在预设区域内的累计时长的应用场景。
例如,可以将所述图像数与每帧待处理图像的时长的乘积,作为所述目标行人在所述预设区域内的累计时长。例如,所述图像数为K,每帧待处理图像的时长为To,则累计时长可以等于KTo。
在一种可能的实现方式中,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
在该实现方式中,关心目标行人中途是否离开预设区域,若目标行人中途离开预设区域,则重新计算持续时间。该实现方式可以适用于关心目标行人中途是否离开预设区域的应用场景。
在一种可能的实现方式中,所述确定所述目标行人在所述停留时间内的累计移动距离,包括:将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离。其中,距离可以为欧氏距离。
在该实现方式中,可以仅考虑目标行人在预设区域内的移动距离,若目标行人离开预设区域,则不考虑其移动距离。例如,若在待处理图像1、2、3、5中,目标行人在预设区域内,在待处理图像4中,目标行人不在预设区域内,则可以将目标行人在待处理图像1和2中的坐标之间的距离、目标行人在待处理图像2和3中的坐标之间的距离、目标行人在待处理图像3和5中的坐标之间的距离计入累计移动距离中,而不将目标行人在待处理图像3和4中的坐标之间的距离、目标行人在待处理图像4和5中的坐标之间的距离计入累计移动距离中。
采用该实现方式确定的累计移动距离更能反映目标行人在预设区域内徘徊的情况,从而有助于提高行人徘徊事件检测的准确性。
在一种可能的实现方式中,可以将目标行人的边界框的几何中心的坐标确定为目标行人的坐标,并可以通过判断目标行人的边界框的几何中心是否在预设区域内,判断目标行人是否在预设区域内。即,若目标行人的边界框的几何中心在预设区域内,则可以判定目标行人在预设区域内;若目标行人的边界框的几何中心不在预设区域内,则可以判定目标行人不在预设区域内。
作为该实现方式的一个示例,可以在预设区域的面积远远大于目标行人的边界框的面积,例如可以在预设区域的面积与目标行人的边界框的面积的比值大于或等于预设比值的情况下,通过判断目标行人的边界框的几何中心是否在预设区域内,判断目标行人是否在预设区域内。
在一种可能的实现方式中,所述方法还包括:根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。例如,重合值阈值可以为0.5。
在该实现方式中,可以根据目标行人所在区域与预设区域的面积重合值,判断目标行人是否在预设区域内。
作为该实现方式的一个示例,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;所述根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值,包括:根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
根据该示例,可以根据重合区域的面积与目标行人的边界框的面积的比值来确定所述面积重合值,由此确定的面积重合值更能反映目标行人的边界框与预设区域的重合情况,从而有助于更准确地进行行人事件的检测。
作为该实现方式的另一个示例,可以直接将所述边界框包含的区域与所述预设区域的重合区域作为所述面积重合值。
作为该实现方式的一个示例,可以在预设区域的面积与目标行人的边界框的面积较接近,例如可以在预设区域的面积与目标行人的边界框的面积的比值小于预设比值的情况下,根据目标行人的边界框包含的区域与预设区域的重合程度,判断目标行人是否在预设区域内。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人入侵事件;所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:获取入侵敏感系数;根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生行人入侵事件。
在该实现方式中,入侵敏感系数可以表示对行人入侵预设区域的敏感度。在一个示例中,入侵敏感系数与对行人入侵预设区域的敏感度负相关,入侵敏感系数越小,则对行人入侵预设区域的敏感度越大。入侵敏感系数可以为大于或等于0且小于或等于1。入侵敏感系数为0表示只要目标行人的边界框的任何一部分进入预设区域,就认为目标行人入侵预设区域,即,确定目标行人针对预设区域发生行人入侵事件。入侵敏感系数为1表示只有目标行人的边界框完全处于预设区域的内部时才认为目标行人入侵预设区域。例如,一般可以将入侵敏感系数设置为0.5;对于危险区域,例如维修现场或者危险水域等,可以将入侵敏感系数设置为0;对于路障等较不敏感的区域,可以将入侵敏感系数设置为1。
基于该实现方式,能够在不希望行人入侵的应用场景中,及时发现行人入侵的情况,以便工作人员及时告知目标行人离开预设区域。
在一种可能的实现方式中,可以将目标行人的边界框的一部分(例如目标行人的边界框的下半部分)确定为目标行人所在区域,确定待处理图像中目标行人所在区域与预设区域的重合区域的第三面积,在第三面积与目标行人所在区域的面积的比值大于入侵敏感系数的情况下,确定目标行人针对预设区域发生行人入侵事件。
在一种可能的实现方式中,所述方法还包括:在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
在该实现方式中,通过在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息,由此能够使工作人员及时发现行人事件,以便及时进行处理。
在一种可能的实现方式中,为了避免频繁告警,可以设置冷却时间,从发出告警信息的时刻开始计时,在冷却时间之内,即使满足告警条件也不会告警。其中,冷却时间可以根据具体场景对告警敏感度的要求自适应配置。
在一种可能的实现方式中,所述方法还包括:在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息;输出所述目标行人的属性信息。
在该实现方式中,目标行人的属性信息可以为用于表示目标行人的外形特征或者属性的信息。例如,目标行人的属性信息可以包括目标行人的性别、年龄范围、衣服类型、衣服颜色、发型、发色、鞋子样式、鞋子颜色、是否带包、包类型、包颜色、是否戴帽子、是否戴眼镜、是否带雨伞和雨伞颜色等中的一项或多项。
作为该实现方式的一个示例,可以采用深度学习技术对目标行人进行属性识别,获得目标行人的属性信息。
作为该实现方式的一个示例,所述输出所述目标行人的属性信息,可以包括:向预设终端发送所述目标行人的属性信息。在该示例中,在向预设终端发送所述目标行人的属性信息的同时,还可以向预设终端发送目标行人针对预设空间发生的行人事件的类型。例如,预设空间为地铁站出口区域,预设终端为地铁站工作人员的手机,若检测到目标行人A在地铁站出口区域发生行人逗留事件,则可以向地铁站工作人员的手机发送目标行人A的属性信息以及目标行人A在地铁站出口区域发生的行人事件的类型,例如,“黄色上衣、黑色裤子、白色鞋子、戴鸭舌帽、戴眼镜的男性行人在地铁站C出口逗留”,以帮助地铁站工作人员在地铁站出口区域快速找到目标行人A,并告知目标行人A不应在地铁站出口区域逗留。
在该实现方式中,通过在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,输出所述目标行人的属性信息,由此能够帮助工作人员找到所述目标行人。
图4示出本公开实施例提供的行人检测方法的应用场景的示意图。如图4所示,可以通过摄像头采集视频,通过服务器对视频进行处理,判断是否发生行人事件,若服务器判定发生行人事件,则向预设终端发送告警信息,预设终端可以通过告警显示页面输出告警信息,以便工作人员及时收到告警信息。
针对不同的场景及应用,可以配置不同的行人事件的检测模型,例如,可以配置行人跨线事件、行人逗留事件、行人徘徊事件和行人入侵事件中的一种或多种行人事件的检测模型。
本公开实施例提供了一种检出率较高、误检率较低、实时性较高且可靠性较高的行人事件的检测方法,能够适用于大规模复杂场景,且能够适用于不同场景下的行人事件的检测。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了行人事件的检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种行人事件的检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出本公开实施例提供的行人事件的检测装置的框图。如图5所示,所述行人事件的检测装置包括:第一获取模块51,用于获取多帧待处理图像中目标行人的坐标;第二获取模块52,用于获取预设空间的坐标;第一确定模块53,用于根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件。
在一种可能的实现方式中,所述第一获取模块51用于:利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。
在一种可能的实现方式中,所述预设空间包括预设线,所述行人事件包括行人跨线事件;所述第一确定模块53用于:根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
在一种可能的实现方式中,所述第一确定模块53用于:确定预设方向的向量与所述第一坐标轴的方向向量的夹角;在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人逗留事件;所述第一确定模块53用于:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人逗留事件。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人徘徊事件;所述第一确定模块53用于:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;确定所述目标行人在所述停留时间内的累计移动距离;在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人徘徊事件。
在一种可能的实现方式中,所述第一确定模块53用于:根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块53用于:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块53用于:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
在一种可能的实现方式中,所述第一确定模块53用于:将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离。
在一种可能的实现方式中,所述装置还包括:第二确定模块,用于根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;第三确定模块,用于在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。
在一种可能的实现方式中,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;所述第二确定模块用于:根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
在一种可能的实现方式中,所述预设空间包括预设区域,所述行人事件包括行人入侵事件;所述第一确定模块53用于:获取入侵敏感系数;根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生所述行人入侵事件。
在一种可能的实现方式中,所述装置还包括:告警模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
在一种可能的实现方式中,所述装置还包括:提取模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息;输出模块,用于输出所述目标行人的属性信息。
在本公开实施例中,通过获取多帧待处理图像中目标行人的坐标,获取预设空间的坐标,并根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,由此能够提高检测行人事件的准确率。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的行人事件的检测方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的行人事件的检测方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsMac OS或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (24)
1.一种行人事件的检测方法,其特征在于,包括:
获取多帧待处理图像中目标行人的坐标,其中,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;
获取预设空间的坐标,其中,所述预设空间包括预设区域;
根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件;
所述行人事件包括行人入侵事件;所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:获取入侵敏感系数,其中,所述入侵敏感系数用于表示对行人入侵所述预设区域的敏感度,且所述入侵敏感系数与对行人入侵所述预设区域的敏感度负相关;根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生所述行人入侵事件;
所述行人事件包括行人徘徊事件;所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离;在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人徘徊事件;
在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息,其中,所述目标行人的属性信息为用于表示目标行人的外形特征或者属性的信息;
向预设终端发送所述目标行人的属性信息以及所述目标行人针对所述预设空间发生的行人事件的类型。
2.根据权利要求1所述的方法,其特征在于,所述获取多帧待处理图像中目标行人的坐标包括:
利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。
3.根据权利要求2所述的方法,其特征在于,所述预设空间包括预设线,所述行人事件包括行人跨线事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;
根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;
在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
4.根据权利要求3所述的方法,其特征在于,所述在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,包括:
确定预设方向的向量与所述第一坐标轴的方向向量的夹角;
在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
5.根据权利要求1所述的方法,其特征在于,所述行人事件包括行人逗留事件;
所述根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人逗留事件。
6.根据权利要求1或5所述的方法,其特征在于,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;
将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
7.根据权利要求1或5所述的方法,其特征在于,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;
将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。
8.根据权利要求1或5所述的方法,其特征在于,所述根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间,包括:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;
将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
9.根据权利要求1或5所述的方法,其特征在于,所述方法还包括:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;
在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。
10.根据权利要求9所述的方法,其特征在于,所述根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值,包括:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;
将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
11.根据权利要求1至5中任意一项所述的方法,其特征在于,所述方法还包括:
在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
12.一种行人事件的检测装置,其特征在于,包括:
第一获取模块,用于获取多帧待处理图像中目标行人的坐标,其中,所述目标行人的坐标包括包含所述目标行人的边界框的坐标;
第二获取模块,用于获取预设空间的坐标,其中,所述预设空间包括预设区域;
第一确定模块,用于根据所述多帧待处理图像中目标行人的坐标和所述预设空间的坐标,确定所述目标行人针对所述预设空间发生的行人事件;
其中,所述行人事件包括行人入侵事件;所述第一确定模块用于:获取入侵敏感系数,其中,所述入侵敏感系数用于表示对行人入侵所述预设区域的敏感度,且所述入侵敏感系数与对行人入侵所述预设区域的敏感度负相关;根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第二面积;在所述第二面积与所述边界框包含的区域的面积的比值大于所述入侵敏感系数的情况下,确定所述目标行人针对所述预设区域发生所述行人入侵事件;
所述行人事件包括行人徘徊事件;所述第一确定模块用于:根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;将所述停留时间内所述目标行人在所述预设区域内的待处理图像分别确定为停留图像;对所述目标行人在相邻的两帧停留图像中的坐标之间的距离进行累加,得到所述目标行人在所述停留时间内的累计移动距离;在所述停留时间大于或等于时间阈值,且所述累计移动距离大于或等于距离阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人徘徊事件;
提取模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,提取所述目标行人的属性信息,其中,所述目标行人的属性信息为用于表示目标行人的外形特征或者属性的信息;
输出模块,用于向预设终端发送所述目标行人的属性信息以及所述目标行人针对所述预设空间发生的行人事件的类型。
13.根据权利要求12所述的装置,其特征在于,所述第一获取模块用于:
利用深度神经网络的方式获取所述多帧待处理图像中目标行人的坐标。
14.根据权利要求13所述的装置,其特征在于,所述预设空间包括预设线,所述行人事件包括行人跨线事件;
所述第一确定模块用于:
根据所述预设线的坐标,确定与所述预设线垂直的第一坐标轴;
根据所述多帧待处理图像中所述目标行人的坐标,确定所述多帧待处理图像中所述目标行人在所述第一坐标轴上的投影坐标;
在所述投影坐标中的任意两个分别在目标点的两侧的情况下,确定所述目标行人针对所述预设线发生所述行人跨线事件,其中,所述目标点表示所述第一坐标轴与所述预设线的交点。
15.根据权利要求14所述的装置,其特征在于,所述第一确定模块用于:
确定预设方向的向量与所述第一坐标轴的方向向量的夹角;
在所述夹角小于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标小于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件;和/或,在所述夹角大于90度,所述投影坐标中的第一投影坐标和第二投影坐标分别在所述目标点的两侧,所述第一投影坐标对应的待处理图像的时间戳早于所述第二投影坐标对应的待处理图像,且所述第一投影坐标大于所述第二投影坐标的情况下,确定所述目标行人针对所述预设线发生所述预设方向的行人跨线事件。
16.根据权利要求12所述的装置,其特征在于,所述行人事件包括行人逗留事件;
所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述目标行人在所述预设区域内的停留时间;
在所述停留时间大于或等于时间阈值的情况下,确定所述目标行人在所述预设区域内发生所述行人逗留事件。
17.根据权利要求12或16所述的装置,其特征在于,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标、所述预设区域的坐标以及所述多帧待处理图像的时间戳,确定所述目标行人第一次出现在所述预设区域内的待处理图像的第一时间戳和所述目标行人最后一次出现在所述预设区域内的待处理图像的第二时间戳;
将所述第二时间戳与所述第一时间戳之间的时间间隔,确定为所述目标行人在所述预设区域内的停留时间。
18.根据权利要求12或16所述的装置,其特征在于,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的图像数;
将所述图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的累计时长,并将所述累计时长作为所述目标行人在所述预设区域内的停留时间。
19.根据权利要求12或16所述的装置,其特征在于,所述第一确定模块用于:
根据所述多帧待处理图像中目标行人的坐标和所述预设区域的坐标,确定所述多帧待处理图像中所述目标行人在所述预设区域内的最大连续图像数;
将所述最大连续图像数与每帧待处理图像的时长的乘积,确定为所述目标行人在所述预设区域内的最大持续时间,并将所述最大持续时间作为所述目标行人在所述预设区域内的停留时间。
20.根据权利要求12或16所述的装置,其特征在于,所述装置还包括:
第二确定模块,用于根据所述多帧待处理图像的任一待处理图像中所述目标行人的坐标和所述预设区域的坐标,确定所述待处理图像中所述目标行人所在区域与所述预设区域的面积重合值;
第三确定模块,用于在所述面积重合值大于或等于重合值阈值情况下,确定所述待处理图像中所述目标行人在所述预设区域内。
21.根据权利要求20所述的装置,其特征在于,所述第二确定模块用于:
根据所述多帧待处理图像的任一待处理图像中所述目标行人的边界框的坐标和所述预设区域的坐标,确定所述待处理图像中所述边界框包含的区域与所述预设区域的重合区域的第一面积;
将所述第一面积与所述边界框包含的区域的面积的比值,确定为所述面积重合值。
22.根据权利要求12至16中任意一项所述的装置,其特征在于,所述装置还包括:
告警模块,用于在检测到所述目标行人针对所述预设空间发生所述行人事件的情况下,发出告警信息。
23.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1至11中任意一项所述的方法。
24.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
Priority Applications (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192848.8A CN110969115B (zh) | 2019-11-28 | 2019-11-28 | 行人事件的检测方法及装置、电子设备和存储介质 |
JP2021538725A JP2022515908A (ja) | 2019-11-28 | 2020-05-07 | 歩行者行為の検出方法及び装置、電子機器並びに記憶媒体 |
PCT/CN2020/089071 WO2021103423A1 (zh) | 2019-11-28 | 2020-05-07 | 行人事件的检测方法及装置、电子设备和存储介质 |
SG11202107070UA SG11202107070UA (en) | 2019-11-28 | 2020-05-07 | Detection method and device for pedestrian events, electronic apparatus and storage medium |
KR1020217026051A KR20210113374A (ko) | 2019-11-28 | 2020-05-07 | 보행자행위의 검출방법 및 장치, 전자기기 및 기억매체 |
TW111103951A TW202230213A (zh) | 2019-11-28 | 2020-06-01 | 行人事件的檢測方法及檢測裝置、電子設備和電腦可讀儲存媒體 |
TW109118287A TWI757756B (zh) | 2019-11-28 | 2020-06-01 | 行人事件的檢測方法及檢測裝置、電子設備和電腦可讀儲存媒體 |
TW111103953A TW202219833A (zh) | 2019-11-28 | 2020-06-01 | 行人事件的檢測方法及檢測裝置、電子設備和電腦可讀儲存媒體 |
US17/361,841 US20210327086A1 (en) | 2019-11-28 | 2021-06-29 | Detection method for pedestrian events, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192848.8A CN110969115B (zh) | 2019-11-28 | 2019-11-28 | 行人事件的检测方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969115A CN110969115A (zh) | 2020-04-07 |
CN110969115B true CN110969115B (zh) | 2023-04-07 |
Family
ID=70032254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192848.8A Active CN110969115B (zh) | 2019-11-28 | 2019-11-28 | 行人事件的检测方法及装置、电子设备和存储介质 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210327086A1 (zh) |
JP (1) | JP2022515908A (zh) |
KR (1) | KR20210113374A (zh) |
CN (1) | CN110969115B (zh) |
SG (1) | SG11202107070UA (zh) |
TW (3) | TWI757756B (zh) |
WO (1) | WO2021103423A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969115B (zh) * | 2019-11-28 | 2023-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
CN112241696A (zh) * | 2020-09-28 | 2021-01-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN114554137A (zh) * | 2020-11-24 | 2022-05-27 | 京东方科技集团股份有限公司 | 区域管控方法、装置、设备及存储介质 |
CN113179423A (zh) * | 2021-04-23 | 2021-07-27 | 深圳市商汤科技有限公司 | 事件的检测输出方法及装置、电子设备和存储介质 |
CN113392754B (zh) * | 2021-06-11 | 2022-06-28 | 成都掌中全景信息技术有限公司 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
CN113989705A (zh) * | 2021-10-25 | 2022-01-28 | 阿波罗智联(北京)科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN114913470B (zh) * | 2022-07-11 | 2022-10-28 | 浙江大华技术股份有限公司 | 一种事件检测方法及装置 |
CN117152890B (zh) * | 2023-03-22 | 2024-03-08 | 宁德祺朗科技有限公司 | 指定区域监控方法、系统和终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522910A (zh) * | 2018-12-25 | 2019-03-26 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109697734A (zh) * | 2018-12-25 | 2019-04-30 | 浙江商汤科技开发有限公司 | 位姿估计方法及装置、电子设备和存储介质 |
CN109815844A (zh) * | 2018-12-29 | 2019-05-28 | 西安天和防务技术股份有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN110378312A (zh) * | 2019-07-26 | 2019-10-25 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008047074A (ja) * | 2006-08-21 | 2008-02-28 | Sogo Keibi Hosho Co Ltd | 警備装置、警備方法および警備プログラム |
WO2009111499A2 (en) * | 2008-03-03 | 2009-09-11 | Videoiq, Inc. | Dynamic object classification |
CN101883261B (zh) * | 2010-05-26 | 2012-12-12 | 中国科学院自动化研究所 | 大范围监控场景下异常目标检测及接力跟踪的方法及系统 |
CN102902971A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 基于智能视觉感知的电梯人流量统计方法及系统 |
CN105989367B (zh) * | 2015-02-04 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 目标获取方法及设备 |
CN105184812B (zh) * | 2015-07-21 | 2018-08-24 | 复旦大学 | 一种基于目标跟踪的行人徘徊检测方法 |
JP6417300B2 (ja) * | 2015-09-02 | 2018-11-07 | 株式会社中電工 | 指定範囲監視システム |
CN105279898A (zh) * | 2015-10-28 | 2016-01-27 | 小米科技有限责任公司 | 报警方法及装置 |
CN105678811B (zh) * | 2016-02-25 | 2019-04-02 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
TW201835851A (zh) * | 2017-03-27 | 2018-10-01 | 晶睿通訊股份有限公司 | 用來呈現區域分佈特性的物件統計方法及其影像處理裝置 |
WO2019010659A1 (en) * | 2017-07-13 | 2019-01-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR TRACK DETERMINATION |
JPWO2019188928A1 (ja) * | 2018-03-28 | 2020-12-03 | シャープ株式会社 | 監視装置および制御装置 |
CN109117721A (zh) * | 2018-07-06 | 2019-01-01 | 江西洪都航空工业集团有限责任公司 | 一种行人徘徊检测方法 |
CN110491135B (zh) * | 2019-08-20 | 2021-10-22 | 深圳市商汤科技有限公司 | 检测违章停车的方法及相关装置 |
CN110969115B (zh) * | 2019-11-28 | 2023-04-07 | 深圳市商汤科技有限公司 | 行人事件的检测方法及装置、电子设备和存储介质 |
-
2019
- 2019-11-28 CN CN201911192848.8A patent/CN110969115B/zh active Active
-
2020
- 2020-05-07 SG SG11202107070UA patent/SG11202107070UA/en unknown
- 2020-05-07 KR KR1020217026051A patent/KR20210113374A/ko not_active Application Discontinuation
- 2020-05-07 JP JP2021538725A patent/JP2022515908A/ja active Pending
- 2020-05-07 WO PCT/CN2020/089071 patent/WO2021103423A1/zh active Application Filing
- 2020-06-01 TW TW109118287A patent/TWI757756B/zh active
- 2020-06-01 TW TW111103951A patent/TW202230213A/zh unknown
- 2020-06-01 TW TW111103953A patent/TW202219833A/zh unknown
-
2021
- 2021-06-29 US US17/361,841 patent/US20210327086A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522910A (zh) * | 2018-12-25 | 2019-03-26 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109697734A (zh) * | 2018-12-25 | 2019-04-30 | 浙江商汤科技开发有限公司 | 位姿估计方法及装置、电子设备和存储介质 |
CN109815844A (zh) * | 2018-12-29 | 2019-05-28 | 西安天和防务技术股份有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN110378312A (zh) * | 2019-07-26 | 2019-10-25 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021103423A1 (zh) | 2021-06-03 |
JP2022515908A (ja) | 2022-02-22 |
TWI757756B (zh) | 2022-03-11 |
CN110969115A (zh) | 2020-04-07 |
US20210327086A1 (en) | 2021-10-21 |
TW202121249A (zh) | 2021-06-01 |
TW202230213A (zh) | 2022-08-01 |
SG11202107070UA (en) | 2021-07-29 |
KR20210113374A (ko) | 2021-09-15 |
TW202219833A (zh) | 2022-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969115B (zh) | 行人事件的检测方法及装置、电子设备和存储介质 | |
CN109740516B (zh) | 一种用户识别方法、装置、电子设备及存储介质 | |
WO2020135127A1 (zh) | 一种行人识别方法及装置 | |
EP3163498B1 (en) | Alarming method and device | |
US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
KR20210054550A (ko) | 데이터 업데이트 방법과 장치, 전자 기기 및 저장 매체 | |
CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111104920B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN108600656B (zh) | 在视频中添加面部标签的方法及装置 | |
CN111815675A (zh) | 目标对象的跟踪方法及装置、电子设备和存储介质 | |
CN111222404A (zh) | 检测同行人的方法及装置、系统、电子设备和存储介质 | |
CN111680646A (zh) | 动作检测方法及装置、电子设备和存储介质 | |
KR20220027202A (ko) | 객체 검출 방법 및 장치, 전자 기기 및 저장매체 | |
CN112101216A (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN112906484A (zh) | 一种视频帧处理方法及装置、电子设备和存储介质 | |
CN114187498A (zh) | 遮挡检测方法及装置、电子设备和存储介质 | |
KR102446688B1 (ko) | 타깃 추적 방법 및 장치, 전자 기기 및 저장 매체 | |
CN111832338A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN112330721B (zh) | 三维坐标的恢复方法及装置、电子设备和存储介质 | |
CN114550086A (zh) | 一种人群定位方法及装置、电子设备和存储介质 | |
CN112949568A (zh) | 人脸和人体匹配的方法及装置、电子设备和存储介质 | |
CN112437279B (zh) | 视频分析方法及装置 | |
CN114937224A (zh) | 状态检测方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40018248 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |