CN111064935B - 一种智慧工地人员姿态检测方法及系统 - Google Patents
一种智慧工地人员姿态检测方法及系统 Download PDFInfo
- Publication number
- CN111064935B CN111064935B CN201911394549.2A CN201911394549A CN111064935B CN 111064935 B CN111064935 B CN 111064935B CN 201911394549 A CN201911394549 A CN 201911394549A CN 111064935 B CN111064935 B CN 111064935B
- Authority
- CN
- China
- Prior art keywords
- person
- angle
- posture
- image
- monitored
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种智慧工地人员姿态检测方法及系统,其方法包括:获取监控区域的三维模拟场景;获取所述监控区域的第一角度图像;获取所述监控区域的第二角度图像;获取所述监控区域的第三角度图像;根据所述第一角度图像、所述第二角度图像和所述第三角度图像得到每一人员的姿态以及每一人员在所述监控区域内的位置;融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示;其中所述第一角度图像、所述第二角度图像和所述第三角度图像为不同角度下对监控区域进行监控获得监控图像。上述方案,相对于现有技术中的平面姿态检测结果具有更高的准确性,通过机器学习算法进行运算具有更高的运算效率,且更直观。
Description
技术领域
本发明涉及智慧工地管理技术领域,特别涉及一种智慧工地人员姿态检测方法及系统。
背景技术
在智慧工地的管理中,对于人员姿态检测是一项非常重要的检测,其目的是能够对于在智慧工地的人员姿态进行准确的检测以及跟踪,能够及时发现人员的危险姿态等。
现有技术中对于人员姿态的检测,只能够从平面角度对于人员进行检测,因此构建出的姿态检测结果也仅限于平面。这就会导致一个问题,在很多情况下人员的不同动作的平面检测结果可能都是一样的,这就会导致可能存在危险性的动作最后无法被及时发现,或者本身不存在危险性的动作会被误判为具有危险性,虽然可以通过调取监控视频的方式进一步对动作结果进行确认,但是这样就需要更多的时间,降低了处理问题的效率,因此以上问题亟需得到改善。
发明内容
本发明实施例旨在提供一种智慧工地人员姿态检测方法及系统,能够对于智慧工地内的人员姿态进行多个维度的检测,构建出与实际情况一致的姿态结果,从而准确判定人员动作,在有危险情况时及时处理提高解决问题的效率。
为此,本发明实施例提供一种智慧工地人员姿态检测方法,包括如下步骤:
获取监控区域的三维模拟场景;
获取所述监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;
获取所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;
获取所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;
根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;
融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示;
其中所述第一角度图像、所述第二角度图像和所述第三角度图像为不同角度下对监控区域进行监控获得监控图像。
可选地,上述的智慧工地人员姿态检测方法中,根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态的步骤中:
将与每一人员所对应的所述第一人像信息、所述第二人像信息和所述第三人像信息作为预设机器学习模型的输入参数,以所述预设机器学习模型的输出结果作为该人员的所述姿态;其中,所述预设机器学习模型通过如下方式得到:
选定机器学习模型;
获取训练样本图像,所述训练样本图像包括人员姿态样本图像以及与所述人员姿态样本图像对应的第一角度样本图像、第二角度样本图像和第三角度样本图像,其中所述第一角度样本图像与所述第二角度样本图像之间的相差角度与所述第一角度图像和所述第二角度图像之间的相差角度相同;所述第一角度样本图像与所述第三角度样本图像之间的相差角度与所述第一角度图像和所述第三角度图像之间的相差角度相同;所述第二角度样本图像与所述第三角度样本图像之间的相差角度与所述第二角度图像和所述第三角度图像之间的相差角度相同;
以所述第一角度样本图像、所述第二角度样本图像和所述第三角度样本图像作为所述机器学习模型的输入,以所述人员姿态样本图像作为所述机器学习模型的输出对所述机器学习模型进行训练,训练完成后得到所述预设机器学习模型。
可选地,上述的智慧工地人员姿态检测方法中,还包括如下步骤:
将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号以控制报警组件发出报警提示。
可选地,上述的智慧工地人员姿态检测方法中,还包括如下步骤:
获取所述监控区域内的所有被监控部件的位置信息,所述位置信息包括被监控部件的属性信息及其位置坐标;
将所述被监控部件的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件的属性信息的关联性;
若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件的属性信息;
根据被监控部件的属性信息下发提示信息至该人员的被监控部件上。
其中,所述被监控部件为智慧工地中的人员所佩戴。
可选地,上述的智慧工地人员姿态检测方法中,还包括如下步骤:
若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据该人员在所述监控区域中的位置确定监控设备的监控角度;
控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像。
本发明还提供一种计算机可读存储介质,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行以上任一项所述的智慧工地人员姿态检测方法。
本发明还提供一种智慧工地人员姿态检测系统,包括第一摄像头、第二摄像头、第三摄像头和控制器,其中:
所述第一摄像头、所述第二摄像头和所述第三摄像头分别设置于监控区域的三个位置处且不在同一直线上;
所述控制器,获取监控区域的三维模拟场景,以及:
获取所述第一摄像头拍摄的监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;获取所述第二摄像头拍摄的所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;获取所述第三摄像头拍摄的所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示。
可选地,上述的智慧工地人员姿态检测系统中,还包括被监控部件:
每一所述被监控部件由位于智慧工地中的人员所佩戴,每一所述被监控部件具有其特定的属性信息;
每一所述被监控部件配置有定位模块,所述定位模块与所述被监控部件具有一一对应关系;每一所述定位模块确定对应的被监控部件的位置坐标并将所述位置坐标以及被监控部件的属性信息关联后发送至所述控制器;
所述控制器还用于获取所述监控区域内的所有被监控部件的位置信息,所述位置信息包括被监控部件的属性信息及其位置坐标;将所述被监控部件的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件的属性信息的关联性;若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件的属性信息;根据被监控部件的属性信息下发提示信息至该人员的被监控部件上。
可选地,上述的智慧工地人员姿态检测系统中,还包括报警组件:
所述控制器还用于将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号;
所述报警组件的被控端与所述控制器的输出端连接,所述报警组件在接收到所述危险提示信号后发出报警提示。
可选地,上述的智慧工地人员姿态检测系统中,所述控制器还用于在任意一个人员的姿态与任意一个所述预设危险动作姿态匹配时,根据该人员在所述监控区域中的位置确定监控设备的监控角度;控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像;
所述监控设备为所述第一摄像头、所述第二摄像头和/或所述第三摄像头。
本发明提供的上述技术方案,与现有技术相比,至少具有如下有益效果:
本发明提供的智慧工地人员姿态检测方法及系统,能够通过不同角度对监控区域进行监控的结果分别的不同角度下的人像信息,进而得到人员姿态监控结果,直接将人员姿态检测的结果与监控区域的三维立体场景模拟结果融合在一起进行显示,能够使管理人员更加直观地看到每一个人员的姿态,相对于现有技术中的平面姿态检测结果具有更高的准确性,通过机器学习算法进行运算具有更高的运算效率,且具有更直观的效果。
附图说明
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述。
图1为本发明一个实施例所述智慧工地人员姿态检测方法的流程图;
图2为本发明另一个实施例所述的智慧工地人员姿态检测方法的流程图;
图3为本发明一个实施例所述的智慧工地人员姿态检测系统的结构框图;
图4为本发明另一个实施例所述的智慧工地人员姿态检测系统的结构框图。
具体实施方式
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和提供的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明的简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。其中,术语“第一位置”和“第二位置”为两个不同的位置。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个组件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例提供一种智慧工地人员姿态检测方法,可应用于智慧工地的监控系统中,如图1所示,包括如下步骤:
S101:获取监控区域的三维模拟场景;可以根据对智慧工地进行建造的初期的设计方案得到智慧工地中每一处监控区域的三维模拟场景。
S102:获取所述监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;获取所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;获取所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;其中所述第一角度图像、所述第二角度图像和所述第三角度图像为不同角度下对监控区域进行监控获得监控图像,可以通过设置在监控区域不同位置处的摄像头监控得到。
S103:根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;利用图像处理方法从每一个图像中对人形图案进行提取,不同角度下拍摄到的同一人员的人形图案进行融合处理后即可得到该人员的立体图像,即可得到该人员的姿态。
S104:融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示;也即将每一人员的具体姿态与三维模拟场景一同显示出来,能够实现立体的全方位的监控。
以上方案,能够通过不同角度对监控区域进行监控的结果分别的不同角度下的人像信息,进而得到人员姿态监控结果,直接将人员姿态检测的结果与监控区域的三维立体场景模拟结果融合在一起进行显示,能够使管理人员更加直观地看到每一个人员的姿态,相对于现有技术中的平面姿态检测结果具有更高的准确性,通过机器学习算法进行运算具有更高的运算效率,且具有更直观的效果。
进一步地,以上方案中,在所述步骤S103中,具体通过如下方式实现:将与每一人员所对应的所述第一人像信息、所述第二人像信息和所述第三人像信息作为预设机器学习模型的输入参数,以所述预设机器学习模型的输出结果作为该人员的所述姿态;其中,所述预设机器学习模型通过如下方式得到:
A:选定机器学习模型;
B:获取训练样本图像,所述训练样本图像包括人员姿态样本图像以及与所述人员姿态样本图像对应的第一角度样本图像、第二角度样本图像和第三角度样本图像,其中所述第一角度样本图像与所述第二角度样本图像之间的相差角度与所述第一角度图像和所述第二角度图像之间的相差角度相同;所述第一角度样本图像与所述第三角度样本图像之间的相差角度与所述第一角度图像和所述第三角度图像之间的相差角度相同;所述第二角度样本图像与所述第三角度样本图像之间的相差角度与所述第二角度图像和所述第三角度图像之间的相差角度相同;
C:以所述第一角度样本图像、所述第二角度样本图像和所述第三角度样本图像作为所述机器学习模型的输入,以所述人员姿态样本图像作为所述机器学习模型的输出对所述机器学习模型进行训练,训练完成后得到所述预设机器学习模型。
预设机器学习模型可以采用已经被训练好的机器学习模型,机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。机器学习已经有了十分广泛的应用,例如:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。目前现有技术中已经发展了很多比较成熟的机器学习算法,诸如类比学习算法、遗传算法和神经网络算法等,本方案中可从现有技术中进行选择即可。本方案中,使用训练算法来训练机器学习模型,机器学习模型可以采用前馈神经网络算法和递归神经网络算法。所述训练算法是利用配置参数来进行配置的。所述机器学习模型可以并行地执行许多训练实例。所述机器学习模型将预先规定好的样本输入到前馈神经网络中以便生成表示并将所述表示输入到递归神经网络中,每代入一个样本输入可以得到一个实际的样本输出,将实际的样本输出与原有的理论的样本输出进行比较,当实际得到的输出与理论输出之间的结果接近度很高时可以认为模型训练完成。
进一步地,如图2所示,以上方案中还可以包括如下步骤:
S105:将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号以控制报警组件发出报警提示。危险动作姿态例如吸烟、躺倒(预防晕厥等)、没有正确佩戴安全设备等,本方案中通过自动对人员姿态进行识别与已经存储的危险动作姿态进行比对判断,可自动识别出危险动作并在识别到危险动作后自动进行报警提示,提高了安全性能。
优选地,以上方案中还可以包括如下步骤:
S106:获取所述监控区域内的所有被监控部件的位置信息,所述位置信息包括被监控部件的属性信息及其位置坐标;其中,所述被监控部件为智慧工地中的人员所佩戴。所述被监控部件可以为具有GPS功能的手机。
S107:将所述被监控部件的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件的属性信息的关联性。本步骤可以通过如下方式来实现,在监控区域内的每一个人员都应佩戴有其自己的被监控部件,相应地人员所在位置应当与被监控部件所在位置具有一致性,可以在三维模拟场景下选定一个静态物体,根据每一人员姿态与该静态物体之间的位置关系、每一被监控部件与该静态物体之间的位置关系来确定人员姿态与被监控部件之间的对应关系。例如,根据静态物体为中心建立空间坐标系,在该空间坐标系中每一个人员姿态都具有其坐标,每一个被监控部件也具有其坐标,当两个坐标具有一致性时可认为二者是相对应的(例如沿着某一方向,二者都是距离该静态物体最近的,沿着某一方向二者都是与静态物体距离排名第三的等)。
S108:若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件的属性信息;根据步骤S107中得到了人员姿态与被监控部件的对应关系。
S109:根据被监控部件的属性信息下发提示信息至该人员的被监控部件上。也即怀疑到某一人员有危险动作时,则通过该人员持有的被监控部件对该人员进行呼叫和提醒等。
进一步优选地,以上方案中还可以包括如下步骤:
S110:若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据该人员在所述监控区域中的位置确定监控设备的监控角度。
S111:控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像。
本方案中,预先将每一个监控设备与监控区域中各个点的对应关系确定好,也即当指定某一位置时,即可立即确定如何调节监控设备才能对获得位置的最清晰、放大化后的图像。如果怀疑在监控区域内有人员可能有危险动作,可直接对该人员所在位置进行聚焦放大后进行监控,从而确定其是否真的有在进行危险动作。
实施例2
本实施例提供一种计算机可读存储介质,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行实施例1中任意方案所述的智慧工地人员姿态检测方法。
实施例3
本实施例提供一种智慧工地人员姿态检测系统,如图3所示,包括第一摄像头301、第二摄像头302、第三摄像头303和控制器304,其中:
所述第一摄像头301、所述第二摄像头302和所述第三摄像头303分别设置于监控区域的三个位置处且不在同一直线上;所述控制器304,获取监控区域的三维模拟场景,以及:
获取所述第一摄像头301拍摄的监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;获取所述第二摄像头302拍摄的所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;获取所述第三摄像头303拍摄的所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示,显示方式可以通过监控中心的显示屏进行显示。
以上方案,能够通过不同角度下对监控区域进行监控的结果分别得到不同角度下的人像信息,进而可得到人员姿态监控结果,相对于现有技术中的平面姿态检测结果具有更高的准确性,通过机器学习算法进行运算具有更高的运算效率。而且通过显示屏显示立体的监控结果,能使监控结果具有更直观的效果。
优选地,如图4所示,以上系统还可以包括报警组件305,所述控制器304还用于将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号;所述报警组件305的被控端与所述控制器304的输出端连接,所述报警组件305在接收到所述危险提示信号后发出报警提示。危险动作姿态例如吸烟、躺倒(预防晕厥等)、没有正确佩戴安全设备等,本方案中通过自动对人员姿态进行识别与已经存储的危险动作姿态进行比对判断,可自动识别出危险动作并在识别到危险动作后自动进行报警提示,提高了安全性能。
较佳地,以上系统还可以包括被监控部件306,每一所述被监控部件306由位于智慧工地中的人员所佩戴,每一所述被监控部件306具有其特定的属性信息;每一所述被监控部件306配置有定位模块,所述定位模块与所述被监控部件306具有一一对应关系;每一所述定位模块确定对应的被监控部件306的位置坐标并将所述位置坐标以及被监控部件306的属性信息关联后发送至所述控制器304;所述控制器304还用于获取所述监控区域内的所有被监控部件306的位置信息,所述位置信息包括被监控部件306的属性信息(例如,被监控部件为手机,则属性信息可以为手机号码)及其位置坐标;将所述被监控部件306的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件306的属性信息的关联性;若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件306的属性信息;根据被监控部件306的属性信息下发提示信息至该人员的被监控部件306上。也即怀疑到某一人员有危险动作时,则通过该人员持有的被监控部件对该人员进行呼叫和提醒等。
进一步地,以上方案中,所述控制器304还用于在任意一个人员的姿态与任意一个所述预设危险动作姿态匹配时,根据该人员在所述监控区域中的位置确定监控设备的监控角度;控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像;所述监控设备为所述第一摄像头301、所述第二摄像头302和/或所述第三摄像头303。
本方案中可以预先将每一个监控设备与监控区域中各个点的对应关系确定好,也即当指定某一位置时,即可立即确定如何调节第一摄像头301、所述第二摄像头302和/或所述第三摄像头303才能对获得位置的最清晰、放大化后的图像。如果怀疑在监控区域内有人员可能有危险动作,可通过第一摄像头301、所述第二摄像头302和/或所述第三摄像头303对该人员所在位置进行聚焦放大后进行监控,从而确定其是否真的有在进行危险动作。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种智慧工地人员姿态检测方法,其特征在于,包括如下步骤:
获取监控区域的三维模拟场景;
获取所述监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;
获取所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;
获取所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;
根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;
融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示;
其中所述第一角度图像、所述第二角度图像和所述第三角度图像为不同角度下对监控区域进行监控获得监控图像;
根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态的步骤中:
将与每一人员所对应的所述第一人像信息、所述第二人像信息和所述第三人像信息作为预设机器学习模型的输入参数,以所述预设机器学习模型的输出结果作为该人员的所述姿态;其中,所述预设机器学习模型通过如下方式得到:
选定机器学习模型;
获取训练样本图像,所述训练样本图像包括人员姿态样本图像以及与所述人员姿态样本图像对应的第一角度样本图像、第二角度样本图像和第三角度样本图像,其中所述第一角度样本图像与所述第二角度样本图像之间的相差角度与所述第一角度图像和所述第二角度图像之间的相差角度相同;所述第一角度样本图像与所述第三角度样本图像之间的相差角度与所述第一角度图像和所述第三角度图像之间的相差角度相同;所述第二角度样本图像与所述第三角度样本图像之间的相差角度与所述第二角度图像和所述第三角度图像之间的相差角度相同;
以所述第一角度样本图像、所述第二角度样本图像和所述第三角度样本图像作为所述机器学习模型的输入,以所述人员姿态样本图像作为所述机器学习模型的输出对所述机器学习模型进行训练,训练完成后得到所述预设机器学习模型;
还包括如下步骤:将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号以控制报警组件发出报警提示;
获取所述监控区域内的所有被监控部件的位置信息,所述位置信息包括被监控部件的属性信息及其位置坐标;将所述被监控部件的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件的属性信息的关联性;包括:在三维模拟场景下选定一个静态物体,根据每一人员姿态与该静态物体之间的位置关系、每一被监控部件与该静态物体之间的位置关系来确定人员姿态与被监控部件之间的对应关系;
若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件的属性信息;
根据被监控部件的属性信息下发提示信息至该人员的被监控部件上,
其中,所述被监控部件为智慧工地中的人员所佩戴。
2.根据权利要求1所述的智慧工地人员姿态检测方法,其特征在于,还包括如下步骤:
若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则根据该人员在所述监控区域中的位置确定监控设备的监控角度;
控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像。
3.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序指令,计算机读取所述程序指令后执行权利要求1或2所述的智慧工地人员姿态检测方法。
4.一种智慧工地人员姿态检测系统,其特征在于,包括第一摄像头、第二摄像头、第三摄像头和控制器,其中:
所述第一摄像头、所述第二摄像头和所述第三摄像头分别设置于监控区域的三个位置处且不在同一直线上;
所述控制器,获取监控区域的三维模拟场景,以及:
获取所述第一摄像头拍摄的监控区域的第一角度图像,解析所述第一角度图像中的每一人员的第一人像信息以及每一人员在所述监控区域内的第一位置信息;获取所述第二摄像头拍摄的所述监控区域的第二角度图像,解析所述第二角度图像中的每一人员的第二人像信息以及每一人员在所述监控区域内的第二位置信息;获取所述第三摄像头拍摄的所述监控区域的第三角度图像,解析所述第三角度图像中的每一人员的第三人像信息以及每一人员在所述监控区域内的第三位置信息;根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态;根据所述第一位置信息、所述第二位置信息和所述第三位置信息得到每一人员在所述监控区域内的位置;融合每一人员在所述监控区域内的位置、每一人员的姿态和所述三维模拟场景得到姿态检测结果并显示;其中,根据所述第一人像信息、所述第二人像信息和所述第三人像信息得到每一人员的姿态包括:
将与每一人员所对应的所述第一人像信息、所述第二人像信息和所述第三人像信息作为预设机器学习模型的输入参数,以所述预设机器学习模型的输出结果作为该人员的所述姿态;其中,所述预设机器学习模型通过如下方式得到:
选定机器学习模型;获取训练样本图像,所述训练样本图像包括人员姿态样本图像以及与所述人员姿态样本图像对应的第一角度样本图像、第二角度样本图像和第三角度样本图像,其中所述第一角度样本图像与所述第二角度样本图像之间的相差角度与所述第一角度图像和所述第二角度图像之间的相差角度相同;所述第一角度样本图像与所述第三角度样本图像之间的相差角度与所述第一角度图像和所述第三角度图像之间的相差角度相同;所述第二角度样本图像与所述第三角度样本图像之间的相差角度与所述第二角度图像和所述第三角度图像之间的相差角度相同;以所述第一角度样本图像、所述第二角度样本图像和所述第三角度样本图像作为所述机器学习模型的输入,以所述人员姿态样本图像作为所述机器学习模型的输出对所述机器学习模型进行训练,训练完成后得到所述预设机器学习模型;还包括被监控部件:
每一所述被监控部件由位于智慧工地中的人员所佩戴,每一所述被监控部件具有其特定的属性信息;
每一所述被监控部件配置有定位模块,所述定位模块与所述被监控部件具有一一对应关系;每一所述定位模块确定对应的被监控部件的位置坐标并将所述位置坐标以及被监控部件的属性信息关联后发送至所述控制器;
所述控制器还用于获取所述监控区域内的所有被监控部件的位置信息,所述位置信息包括被监控部件的属性信息及其位置坐标;将所述被监控部件的位置信息融合至所述姿态检测结果并显示,以使所述姿态检测结果显示每一人员的姿态与每一人员的被监控部件的属性信息的关联性;若任意一个人员的姿态与任意一个预设危险动作姿态匹配,则根据所述关联性确定与该人员的姿态相关联的被监控部件的属性信息;根据被监控部件的属性信息下发提示信息至该人员的被监控部件上;其包括:在三维模拟场景下选定一个静态物体,根据每一人员姿态与该静态物体之间的位置关系、每一被监控部件与该静态物体之间的位置关系来确定人员姿态与被监控部件之间的对应关系。
5.根据权利要求4所述的智慧工地人员姿态检测系统,其特征在于,还包括报警组件:
所述控制器还用于将每一人员的姿态与预设危险动作姿态进行比对,若任意一个人员的姿态与任意一个所述预设危险动作姿态匹配,则输出危险提示信号;
所述报警组件的被控端与所述控制器的输出端连接,所述报警组件在接收到所述危险提示信号后发出报警提示。
6.根据权利要求4或5所述的智慧工地人员姿态检测系统,其特征在于:
所述控制器还用于在任意一个人员的姿态与任意一个所述预设危险动作姿态匹配时,根据该人员在所述监控区域中的位置确定监控设备的监控角度;控制监控设备至所述监控角度,以使所述监控设备获得该人员放大后的监控图像;
所述监控设备为所述第一摄像头、所述第二摄像头和/或所述第三摄像头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394549.2A CN111064935B (zh) | 2019-12-30 | 2019-12-30 | 一种智慧工地人员姿态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394549.2A CN111064935B (zh) | 2019-12-30 | 2019-12-30 | 一种智慧工地人员姿态检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111064935A CN111064935A (zh) | 2020-04-24 |
CN111064935B true CN111064935B (zh) | 2022-01-18 |
Family
ID=70304679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394549.2A Active CN111064935B (zh) | 2019-12-30 | 2019-12-30 | 一种智慧工地人员姿态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111064935B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931567B (zh) * | 2020-07-01 | 2024-05-28 | 珠海大横琴科技发展有限公司 | 人体识别的方法及装置、电子设备、存储介质 |
CN112560627A (zh) * | 2020-12-09 | 2021-03-26 | 江苏集萃未来城市应用技术研究所有限公司 | 基于神经网的工地人员异常行为实时检测方法 |
CN113497921A (zh) * | 2021-07-07 | 2021-10-12 | 合肥英睿系统技术有限公司 | 一种监护方法及智能监护系统 |
CN113610027A (zh) * | 2021-08-13 | 2021-11-05 | 青岛海信网络科技股份有限公司 | 监控方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742255A (zh) * | 2009-12-04 | 2010-06-16 | 福建省电力有限公司 | 电力现场作业视频自动监控系统 |
CN102945375A (zh) * | 2012-11-20 | 2013-02-27 | 天津理工大学 | 多约束下的多视角监控视频行为检测和识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1108765A (zh) * | 1993-10-04 | 1995-09-20 | 窦舜臣 | 汽车后视仪 |
JP5423305B2 (ja) * | 2008-10-16 | 2014-02-19 | 株式会社ニコン | 画像評価装置及びカメラ |
US20100182436A1 (en) * | 2009-01-20 | 2010-07-22 | Core Action Group, Inc. | Venue platform |
US8531523B2 (en) * | 2009-12-08 | 2013-09-10 | Trueposition, Inc. | Multi-sensor location and identification |
CN106027959A (zh) * | 2016-05-13 | 2016-10-12 | 深圳先进技术研究院 | 基于位置线状拟合的视频识别追踪定位系统 |
CN105872979B (zh) * | 2016-05-31 | 2019-11-26 | 王方松 | 一种取得设定场所中人群信息的方法及装置 |
CN107132526A (zh) * | 2017-04-26 | 2017-09-05 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及定位系统 |
CN108303673B (zh) * | 2018-02-01 | 2024-07-05 | 杭州球帆科技有限公司 | 一种基于视频辅助定位的uwb三维定位系统 |
-
2019
- 2019-12-30 CN CN201911394549.2A patent/CN111064935B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742255A (zh) * | 2009-12-04 | 2010-06-16 | 福建省电力有限公司 | 电力现场作业视频自动监控系统 |
CN102945375A (zh) * | 2012-11-20 | 2013-02-27 | 天津理工大学 | 多约束下的多视角监控视频行为检测和识别方法 |
Non-Patent Citations (1)
Title |
---|
"基于结构化约束的多视角人体检测方法;张静等;《天津大学学报(自然科学与工程技术版)》;20140930;第47卷(第9期);说明书图1,1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111064935A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111064935B (zh) | 一种智慧工地人员姿态检测方法及系统 | |
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
CN110850723B (zh) | 一种基于变电站巡检机器人系统的故障诊断及定位方法 | |
JP5927691B2 (ja) | エリアモニタリングシステム | |
CN111753712A (zh) | 电力生产人员安全监测方法、系统以及设备 | |
CN111604888B (zh) | 巡检机器人控制方法、巡检系统、存储介质及电子设备 | |
JP2005250990A (ja) | 作業支援装置 | |
CN114155601A (zh) | 一种基于视觉的作业人员危险行为检测方法及系统 | |
CN112906441B (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
CN112432641B (zh) | 基于点云数字孪生技术的变电站操作票执行方法 | |
RU2713876C1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN115659452B (zh) | 一种智能巡视方法、智能巡视系统及计算机可读存储介质 | |
CN112686322A (zh) | 零件差异识别方法、装置、设备及存储介质 | |
JP2022052144A (ja) | Cbtにおける受験者の監視方法、及び、監視システム | |
CN115431266A (zh) | 一种巡检方法、巡检装置及巡检机器人 | |
CN111639272A (zh) | 人员健康监测方法、装置及系统 | |
CN115620192A (zh) | 一种高空作业安全绳穿戴检测的方法和装置 | |
US20210201542A1 (en) | Building maintaining method and system | |
CN109974784B (zh) | 一种用于机房检测的半自动检测设备 | |
CN116311034A (zh) | 一种基于对比检测的机器人巡检系统 | |
CN116363397A (zh) | 设备故障排查方法、装置及巡检系统 | |
CN111126328A (zh) | 一种智慧消防人员姿态监测方法及系统 | |
CN115857536A (zh) | 针对车间设备的无人机智能巡检方法、装置、设备及介质 | |
CN114125274A (zh) | 一种无人值守机房报警方法、系统、存储介质及智能终端 | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |