CN111127837A - 一种报警方法、摄像机及报警系统 - Google Patents
一种报警方法、摄像机及报警系统 Download PDFInfo
- Publication number
- CN111127837A CN111127837A CN201811290109.8A CN201811290109A CN111127837A CN 111127837 A CN111127837 A CN 111127837A CN 201811290109 A CN201811290109 A CN 201811290109A CN 111127837 A CN111127837 A CN 111127837A
- Authority
- CN
- China
- Prior art keywords
- video
- module
- voice
- target object
- camera
- 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
Links
Images
Classifications
-
- 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
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- 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
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Abstract
本申请提供一种报警方法、摄像机及报警系统,所述方法包括:获取目标对象在指定时间段内的视频序列;将所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态;若识别出所述目标姿态,向所述目标对象发出语音信号;当接收到所述目标对象发出的语音响应且所述语音响应存在预设关键词时,或在预设时间段内未接收到所述目标对象发出的语音响应,则输出报警信号至外部终端。本申请可以提高对目标姿态分析的准确性。
Description
技术领域
本申请涉及视频监控处理技术领域,尤其涉及一种报警方法、摄像机及报警系统。
背景技术
目前,全国老年人口数量庞大,因跌倒后无法快速救治造成的死亡率急剧上升。因此跌倒检测成为一个研究热点。在跌倒检测的研究中,主要涉及如下两个大的方向:一种是利用惯性传感器(电子陀螺仪、角加速度计等),另外一种利用视觉传感器(普通摄像头、红外热成像摄像头等),然后对这些传感器的数据分析实现跌倒判断。
针对利用惯性传感器进行跌倒判断,例如可以利用电子陀螺仪佩戴在人身上,当读取到某个方向的加速度较大时,认为人体跌倒。这种检测方式属于接触式检测,需要佩戴在人身上,容易对身体造成不适。并且经常需要对设备进行充电且不能离开身体,为用户带来不便。
针对利用视觉传感器进行跌倒判断,则是利用对图像信息进行分析,判断人体是否跌倒。相关技术公开了一种通过图像分析判断人体是否跌倒的过程如下:1)通过现成的Kinect设备,获得人体三维关节点数据;2)通过Kmeans聚类算法,将关节点聚成指定类别个数,并计算每个关节点到最近聚类中心的距离,作为特征描述;3)计算各个关节点距离地面的高度作为特征描述;4)计算头部关节点的加速度作为特征描述;5)汇总以上的特征描述,通过HMM(隐马尔可夫模型)对关节点序列进行建模,以区分跌倒和其它日常动作。但关节点提取的稳定性并不高,存在关节点丢失等问题,导致跌倒识别准确性不高。
发明内容
有鉴于此,本申请提供一种报警方法、摄像机及报警系统。
具体地,本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种报警方法,所述方法应用于摄像机中,所述摄像机与外部终端通信,所述方法包括:
获取目标对象在指定时间段内的视频序列;
将所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态;
若识别出所述目标姿态,向所述目标对象发出语音信号;
当接收到所述目标对象发出的语音响应且所述语音响应存在预设关键词时,或在预设时间段内未接收到所述目标对象发出的语音响应,则输出报警信号至外部终端。
优选地,所述获取目标对象在指定时间段内的视频序列,包括:
将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域;
基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
优选地,其特征在于,所述方法还包括:
当识别出所述目标姿态时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频并在本地存储所述回放视频;其中,所述回放视频以所述轨迹信息的第一个采样时刻为视频标识进行存储。
优选地,所述方法还包括:
接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
查找所述视频标识对应的回放视频返回所述外部终端。
优选地,所述方法还包括:
将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。
优选地,所述方法还包括:
根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
第二方面,本申请实施例提供了一种摄像机,所述摄像机与外部终端通信,所述摄像机包括:
视频序列获取模块,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块,用于将从所述视频序列获取模块接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块;
语音播放模块,用于向所述目标对象发出语音信号;
语音采集模块,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块,若在预设时间段内未采集到所述语音响应信号,则调用报警模块;
语音识别模块,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块;
报警模块,用于输出报警信号至外部终端。
优选地,所述视频序列获取模块包括:
对象检测子模块,用于将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域至对象跟踪子模块;
对象跟踪子模块,用于基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
图像截取子模块,用于接收所述对象跟踪子模块发送的轨迹信息,在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
优选地,所述摄像机还包括:
回放视频生成模块,用于当接收到所述姿态识别模块发送的识别出目标姿态的结果时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频;
存储模块,用于在本地存储所述回放视频;其中,所述回放视频以所述轨迹信息的第一个采样时刻为视频标识进行存储。
优选地,所述摄像机还包括:
视频获取请求接收模块,用于接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
视频发送模块,用于查找所述视频标识对应的回放视频返回所述外部终端。
优选地,所述摄像机还包括:
视频上传模块,用于将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。
优选地,所述摄像机还包括:
通话模块,用于根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
第三方面,本申请实施例提供了一种报警系统,所述报警系统包括能够相互通信的摄像机以及外部终端;
所述摄像机包括:
视频序列获取模块,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块,用于将从所述视频序列获取模块接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块;
语音播放模块,用于向所述目标对象发出语音信号;
语音采集模块,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块,若在预设时间段内未采集到所述语音响应信号,则调用报警模块;
语音识别模块,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块;
报警模块,用于输出报警信号至外部终端;
所述外部终端,用于接收所述摄像机发送的报警信号,并显示所述报警信号。
优选地,所述报警系统还包括云端服务器;
所述云端服务器用于接收所述摄像机发送的视频数据,并存储所述视频数据。
本申请实施例具有如下优点:
在本申请实施例中,摄像机获取目标对象在指定时间段内的视频序列以后,通过已训练的分类器对该视频序列进行姿态识别,如果识别出目标对象出现目标姿态时,则向目标对象发出语音信号;当接收到目标对象发出的语音响应且语音响应存在预设关键词时,或在预设时间段内未接收到目标对象发出的语音响应,则输出报警信号至外部终端。通过姿态识别和语音确认来确定是否发出报警,可以提高对目标姿态分析的准确性。
附图说明
图1是本申请一示例性实施例示出的一种报警方法实施例的步骤流程图;
图2是本申请一示例性实施例示出的摄像机结构示意图;
图3是本申请另一示例性实施例示出的一种报警方法实施例的步骤流程图;
图4是本申请一示例性实施例示出的跌倒报警示意图;
图5是本申请一示例性实施例示出的播放界面示意图;
图6是本申请又一示例性实施例示出的一种报警方法实施例的步骤流程图;
图7是本申请一示例性实施例示出的一种摄像机实施例的结构框图;
图8是本申请又一示例性实施例示出的一种摄像机实施例的结构框图;
图9是本申请一示例性实施例示出的一种报警系统实施例的结构框图;
图10是本申请一示例性实施例示出的一种报警系统实施例的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参考图1,示出了本申请一示例性实施例示出的一种报警方法实施例的步骤流程图,本申请实施例可以应用于进行监控的摄像机中,该摄像机可以支持壁装或吸顶装,本实施例对此不作限制。
如图2示出的摄像机结构示意图,在本实施例中,摄像机可以包括镜头1、红外补光灯2(在低光照情况下自动打开进行补光,实现夜视功能)、拾音器3(用于采集声音)和喇叭4(用于播放移动终端传来的声音)。此外,摄像机还可以包括内置计算芯片(图中未示出),用于运行各种所需的算法。
该摄像机可以与外部终端通信,具体的,外部终端中可以安装指定应用软件,摄像机可以与该指定应用软件进行通信,以实现向外部终端发出报警信号。其中,外部终端可以包括移动终端、台式终端等。
具体的,本申请实施例可以包括如下步骤:
步骤101,获取目标对象在指定时间段内的视频序列;
其中,目标对象可以包括根据业务需求确定的指定类别的对象,例如,指定对象可以包括人体、物体(如车辆)等对象。
视频序列是指包含目标对象的视频图像帧集合。
在本申请实施例的一种优选实施例中,步骤101进一步可以包括如下子步骤:
子步骤S11,将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域;
其中,对象检测是指利用图像处理与模式识别等领域的理论和方法,检测出图像中存在的目标对象,确定这些目标对象的语义类别,并标定出目标对象在图像中的位置区域(用矩形框表示)。
本实施例采用神经网络模型来对当前帧图像进行对象检测,以确定当前帧图像中存在的目标对象的位置区域。其中,神经网络模型可以包括基于区域(region)的卷积神经网络(R-CNN)、升级版的Fast R-CNN、Faster R-CNN等。
R-CNN的算法原理如下:
1、在R-CNN中,首先使用选择性搜索(selective search)算法扫描输入的图像,寻找其中的可能对象,从而生成大约2000个区域建议(Region Proposal);
2、将每个Region Proposal缩放(warp)成227x227的大小并输入到卷积神网络CNN;
3、将每个Region Proposal提取到的CNN特征输入到支持向量机SVM进行分类;
4、对于SVM分好类的Region Proposal做边框回归(bounding-box regression),以收紧对象的边界框(即位置区域)。
R-CNN的第一个升级版本是Fast R-CNN,通过使用了2次增强,大大提了检测速度,体现为:
1、在建议区域之前进行特征提取,因此在整幅图像上只运行一次卷积神经网络;
2、用一个softmax层代替支持向量机,对用于预测的神经网络进行扩展,而不是创建一个新的模型。
Faster R-CNN算法用一个快速神经网络代替了运算速度很慢的选择性搜索算法:通过插入区域提议网络(RPN),来预测来自特征的建议。
子步骤S12,基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
在子步骤S11中检测出目标对象在图像中的位置区域以后,进一步采用目标跟踪算法对目标对象进行目标跟踪。其中,目标跟踪就是在连续的图像中,建立所要跟踪的目标对象的位置关系,得到目标对象完整的轨迹信息。
根据观察模型,目标跟踪算法可分成2类:生成算法和判别算法。其中,生成算法使用生成模型来描述表观特征,并将重建误差最小化来搜索目标,如主成分分析算法(PCA);判别算法用来区分物体和背景,其性能更稳健,并逐渐成为跟踪对象的主要手段(判别算法也称为Tracking-by-Detection,深度学习也属于这一范畴)。
为了通过检测实现跟踪,可以检测所有帧的候选对象,并使用深度学习从候选对象中识别想要的对象。有两种可以使用的基本网络模型:堆叠自动编码器(SAE)和卷积神经网络(CNN)。
其中一种使用SAE进行目标跟踪的网络是Deep Learning Tracker(DLT),它使用了离线预训练和在线微调。其过程如下:
1、离线无监督预训练使用大规模自然图像数据集获得通用的对象表示,对堆叠去噪自动编码器进行预训练。堆叠去噪自动编码器在输入图像中添加噪声并重构原始图像,可以获得更强大的特征表述能力。
2、将预训练网络的编码部分与分类器合并得到分类网络,然后使用从初始帧中获得的正负样本对网络进行微调,来区分当前的对象和背景。DLT使用粒子滤波作为意向模型(motion model),生成当前帧的候选框。分类网络输出这些候选框的概率值,即分类的置信度,然后选择置信度最高的候选框作为目标对象的位置区域。在模型更新中,DLT使用有限阈值。
鉴于CNN在图像分类和目标检测方面的优势,它已成为计算机视觉和视觉跟踪的主流深度模型。大规模的卷积神经网络可以作为分类器和跟踪器来训练。具有代表性的基于卷积神经网络的跟踪算法有全卷积网络跟踪器(FCNT)和多域卷积神经网络(MD Net)。FCNT充分分析并利用了VGG模型中的特征映射,FCNT设计了特征选择网络,在VGG网络的卷积4-3和卷积5-3层上选择最相关的特征映射,然后为避免噪音的过拟合,FCNT还为这两个层的选择特征映射单独设计了两个额外的通道(即SNet和GNet):GNet捕获对象的类别信息;SNet将该对象从具有相似外观的背景中区分出来。
这两个网络的运作流程如下:都使用第一帧中给定的边界框进行初始化,以获取对象的映射。而对于新的帧,对其进行剪切并传输最后一帧中的感兴趣区域,该感兴趣区域是以目标对象为中心。最后,通过SNet和GNet,分类器得到两个预测热映射,而跟踪器根据是否存在干扰信息,来决定使用哪张热映射生成的跟踪结果。
MD Net使用视频的所有序列来跟踪对象的移动。其提出了“多域”这一概念,能够在每个域中独立的区分对象和背景,而一个域表示一组包含相同类型对象的视频。MD Net可分为两个部分,即K个特定目标分支层和共享层:每个分支包含一个具有softmax损失的二进制分类层,用于区分每个域中的对象和背景;共享层与所有域共享,以保证通用表示。
子步骤S13,在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
其中,目标对象的轨迹信息可以包括组成该轨迹信息的图像帧对应的采样时刻,在实际中,轨迹信息由目标对象在连续的图像帧中的位置区域叠加而成,而一帧图像对应一个采样时刻,则一个轨迹信息为目标对象在一个时间段(连续的图像帧中第一个图像帧的采样时刻至最后一个图像帧的采样时刻所确定的时间范围)内的运动轨迹。
根据轨迹信息中记录的各个采样时刻,可以定位每个采样时刻对应的图像,然后将目标对象在该图像中的位置区域截取出来,当处理完轨迹信息中最后的采样时刻对应的图像以后,将截取出来的各个采样时刻的位置区域组织成目标对象在轨迹信息对应的时间段内的视频序列。
步骤102,将所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态;
得到目标对象在轨迹信息对应的时间段内的视频序列以后,可以将该视频序列输入已训练的分类器,以由分类器识别该视频序列的姿态。
在一种实施方式中,可以预先定义多个姿态类别,每个类别包含了一定的姿态范围,然后为每个姿态类别标注若干训练样本,通过模式分类的方法训练分类器。
当分类器识别出视频序列对应的姿态为目标姿态时,则输出数值1,否则输出数值0。
需要说明的是,目标姿态可以为根据实际业务场景定义的姿态,在一种场景中,该目标对象可以为人体对象,该目标姿态可以为人体跌倒姿态。
在本申请实施例的一种优选实施例中,所述方法实施例还可以包括如下步骤:
当识别出所述目标姿态时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频并在本地存储所述回放视频。
具体的,当摄像机检测出当前监控场景中目标对象出现目标姿态时,可以将轨迹信息中记录的各个采样时刻对应的图像提取出来,生成回放视频,并将回放视频存储在本地,以供后续查看。
在存储时,回放视频可以以轨迹信息的第一个采样时刻为视频标识进行存储。
为了节省摄像机的存储资源,可以设置回放视频在摄像机中的存储时长,当存储时长到达时,则在本地删除该回放视频。例如,若想要摄像机存储最近七天的回放视频,则存储时长可以设置为7天。
在实际中,为了提高摄像机的存储容量,摄像机中还可以放置SD卡,回放视频可以存储在SD卡中。
在一种实施方式中,本申请实施例还可以包括如下步骤:
将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。除了可以在本地存储回放视频,还可以将回放视频上传到云端服务器中进行云存储,从而节省摄像机的本地存储资源,提高摄像机的性能。
步骤103,若识别出所述目标姿态,向所述目标对象发出语音信号;
当摄像机检测出当前监控场景中目标对象出现目标姿态时,可以通过喇叭向目标对象发出语音信号,以进行姿态二次确认。
例如,当摄像头识别出当前监控场景出现人体跌倒时,可以通过喇叭发出询问语音,如“是否需要帮助”。
步骤104,当接收到所述目标对象发出的语音响应且所述语音响应存在预设关键词时,或在预设时间段内未接收到所述目标对象发出的语音响应,则输出报警信号至外部终端。
当摄像机发出语音信号以后,可以通过拾音器判断预设时间段内有没有接收到目标对象发出的语音响应。
如果在预设时间段内没有接收到目标对象发出的响应语音,即没有应答,则可以判定当前场景出现危险事件,例如是用户跌倒后受伤无法说话,此时可以输出报警信号至外部终端。
如果在预设时间段内接收到用户发出的语音响应,则进一步对该语音响应进行语音识别,获得响应信息。若该响应信息命中预设关键词,如“救命”、“需要”、“是的”等求救关键词,则判定当前场景出现危险事件,并输出报警信号至外部终端。
其中,上述预设关键词可以包括默认的关键词,也可以包括用户自定义的关键词,方便拓展使用。
在本申请实施例中,摄像机获取目标对象在指定时间段内的视频序列以后,通过已训练的分类器对该视频序列进行姿态识别,如果识别出目标对象出现目标姿态时,则向目标对象发出语音信号;当接收到目标对象发出的语音响应且语音响应存在预设关键词时,或在预设时间段内未接收到目标对象发出的语音响应,则输出报警信号至外部终端。通过姿态识别和语音确认来确定是否发出报警,可以提高对目标姿态分析的准确性。
参考图3,示出了本申请另一示例性实施例示出的一种报警方法实施例的步骤流程图,在图1的基础上,图3的实施例还可以包括如下步骤:
步骤105,接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
步骤106,查找所述视频标识对应的回放视频返回所述外部终端。
具体的,当外部终端接收到报警信号以后,将该报警信号显示给用户,例如,针对跌倒事件的报警信号如图4所示。
用户可以通过外部终端查看回放视频。在实现时,用户可以通过外部终端向摄像机发出视频获取请求,该视频获取请求可以包括需要获取的回放视频的视频标识。
当摄像机接收到视频获取请求以后,根据该视频标识,查找对应的回放视频发送至外部终端,则外部终端可以播放该回放视频,例如,图5示出了一种播放回放视频的播放界面。
需要说明的是,外部终端除了可以向摄像机请求回放视频,还可以向摄像机请求摄像机实时采集的视频画面进行播放,本申请实施例对此不作限制。
另外,当回放视频存储在云端服务器时,外部终端还可以将该视频获取请求发送至云端服务器,以从云端服务器中获取对应的回放视频。
在本申请实施例中,摄像机通过与外部终端的交互,可以提供视频数据至外部终端中,方便查看视频数据,提高了目标姿态及时发现和得到处理的可能。
参考图6,示出了本申请又一示例性实施例示出的一种报警方法实施例的步骤流程图,在图1的基础上,图6的实施例还可以包括如下步骤:
步骤107,根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
在本申请实施例中,通过摄像机,目标用户还可以与外部终端的用户进行通话对讲,从而及时采取相应的措施。具体的通话对讲过程包括:外部终端发送实时通话请求至摄像机,摄像机根据该实时通话请求,建立与外部终端的通话通道,然后采用该通话通道与外部终端进行视频通话或者语音通话。
其中,如果是视频通话,则摄像机侧需要连接一显示设备。
本申请实施例通过实时通信对讲的互动方式,增加了摄像机与其他终端的互动性,丰富了摄像机的功能。
请参考图7,示出了本申请一示例性实施例示出的一种摄像机实施例的结构框图,该摄像机与外部终端通信。
本申请实施例可以包括如下模块:
视频序列获取模块701,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块702,用于将从所述视频序列获取模块701接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块703;
语音播放模块703,用于向所述目标对象发出语音信号;
其中,所述语音播放模块可以包括麦克风等播放器件。
语音采集模块704,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块705,若在预设时间段内未采集到所述语音响应信号,则调用报警模块706;
其中,所述语音采集模块可以包括拾音器等语音采集器件。
语音识别模块705,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块706;
报警模块706,用于输出报警信号至外部终端。
请参考图8,示出了本申请又一示例性实施例示出的一种摄像机实施例的结构框图,在图7的基础上,所述视频序列获取模块701进一步可以包括如下子模块:
对象检测子模块7011,用于将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域至对象跟踪子模块7012;
对象跟踪子模块7012,用于基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
图像截取子模块7013,用于接收所述对象跟踪子模块7012发送的轨迹信息,在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
在本申请实施例的一种优选实施例中,所述摄像机还可以包括如下模块:
回放视频生成模块,用于当接收到所述姿态识别模块发送的识别出目标姿态的结果时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频;
存储模块,用于在本地存储所述回放视频;其中,所述回放视频以所述轨迹信息的第一个采样时刻为视频标识进行存储。
在本申请实施例的一种优选实施例中,所述摄像机还可以包括如下模块:
视频获取请求接收模块,用于接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
视频发送模块,用于查找所述视频标识对应的回放视频返回所述外部终端。
在本申请实施例的一种优选实施例中,所述摄像机还可以包括如下模块:
视频上传模块,用于将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。
在本申请实施例的一种优选实施例中,所述摄像机还可以包括如下模块:
通话模块,用于根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
请参考图9,示出了本申请一示例性实施例示出的一种报警系统实施例的结构框图,该报警系统可以包括能够相互通信的摄像机10以及外部终端20;
所述摄像机10包括:
视频序列获取模块,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块,用于将从所述视频序列获取模块接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块;
语音播放模块,用于向所述目标对象发出语音信号;
语音采集模块,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块,若在预设时间段内未采集到所述语音响应信号,则调用报警模块;
语音识别模块,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块;
报警模块,用于输出报警信号至外部终端;
所述外部终端20,用于接收所述摄像机发送的报警信号,并显示所述报警信号。
请参考图10,示出了本申请又一示例性实施例示出的一种报警系统实施例的结构框图,该报警系统还包括云端服务器30;
所述云端服务器30用于接收所述摄像机发送的视频数据,并存储所述视频数据。
对于摄像机及报警系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述方法实施例的步骤。
本申请实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法实施例的步骤。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如车载终端、移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (14)
1.一种报警方法,其特征在于,所述方法应用于摄像机中,所述摄像机与外部终端通信,所述方法包括:
获取目标对象在指定时间段内的视频序列;
将所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态;
若识别出所述目标姿态,向所述目标对象发出语音信号;
当接收到所述目标对象发出的语音响应且所述语音响应存在预设关键词时,或在预设时间段内未接收到所述目标对象发出的语音响应,则输出报警信号至外部终端。
2.根据权利要求1所述的方法,其特征在于,所述获取目标对象在指定时间段内的视频序列,包括:
将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域;
基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当识别出所述目标姿态时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频并在本地存储所述回放视频;其中,所述回放视频以所述轨迹信息的第一个采样时刻为视频标识进行存储。
4.根据权利要求3所述的方法,其特征在于,还包括:
接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
查找所述视频标识对应的回放视频返回所述外部终端。
5.根据权利要求3所述的方法,其特征在于,还包括:
将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
7.一种摄像机,其特征在于,所述摄像机与外部终端通信,所述摄像机包括:
视频序列获取模块,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块,用于将从所述视频序列获取模块接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块;
语音播放模块,用于向所述目标对象发出语音信号;
语音采集模块,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块,若在预设时间段内未采集到所述语音响应信号,则调用报警模块;
语音识别模块,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块;
报警模块,用于输出报警信号至外部终端。
8.根据权利要求7所述的摄像机,其特征在于,所述视频序列获取模块包括:
对象检测子模块,用于将摄像机采集的当前帧图像输入已训练的神经网络模型,以由所述神经网络模型对所述当前帧图像进行对象检测,输出所述当前帧图像中存在的目标对象的位置区域至对象跟踪子模块;
对象跟踪子模块,用于基于所述位置区域,对所述目标对象进行跟踪,以确定所述目标对象的轨迹信息;
图像截取子模块,用于接收所述对象跟踪子模块发送的轨迹信息,在所述轨迹信息的每个采样时刻对应的图像中,将所述目标对象在所述图像的位置区域截取出来,以得到所述目标对象在所述轨迹信息对应的时间段内的视频序列。
9.根据权利要求8所述的摄像机,其特征在于,所述摄像机还包括:
回放视频生成模块,用于当接收到所述姿态识别模块发送的识别出目标姿态的结果时,提取所述轨迹信息的每个采样时刻对应的图像,生成回放视频;
存储模块,用于在本地存储所述回放视频;其中,所述回放视频以所述轨迹信息的第一个采样时刻为视频标识进行存储。
10.根据权利要求9所述的摄像机,其特征在于,还包括:
视频获取请求接收模块,用于接收外部终端发送的视频获取请求,其中,所述视频获取请求包括需要获取的回放视频的视频标识;
视频发送模块,用于查找所述视频标识对应的回放视频返回所述外部终端。
11.根据权利要求9所述的摄像机,其特征在于,还包括:
视频上传模块,用于将所述回放视频上传至云端服务器,以使得当外部终端需要查看回放视频时,从云端服务器中获取对应的回放视频。
12.根据权利要求7-10任一项所述的摄像机,其特征在于,所述摄像机还包括:
通话模块,用于根据所述外部终端发送的实时通话请求,建立与所述外部终端的通话通道,并采用所述通话通道与所述移动终端进行实时的视频通话或语音通话。
13.一种报警系统,其特征在于,所述报警系统包括能够相互通信的摄像机以及外部终端;
所述摄像机包括:
视频序列获取模块,用于获取目标对象在指定时间段内的视频序列;
姿态识别模块,用于将从所述视频序列获取模块接收到的所述视频序列输入已训练的分类器,以由所述分类器识别所述视频序列是否存在目标姿态,当识别出所述目标姿态时,调用语音播放模块;
语音播放模块,用于向所述目标对象发出语音信号;
语音采集模块,用于采集目标对象发出的语音响应信号,若在预设时间段内采集到所述语音响应信号,则将所述语音响应信号发送至语音识别模块,若在预设时间段内未采集到所述语音响应信号,则调用报警模块;
语音识别模块,用于对接收到的来自所述语音采集模块的语音响应信号进行语音识别,判断所述语音响应信号是否存在预设关键词,若所述语音响应信号存在预设关键词,则调用报警模块;
报警模块,用于输出报警信号至外部终端;
所述外部终端,用于接收所述摄像机发送的报警信号,并显示所述报警信号。
14.根据权利要求13所述的系统,其特征在于,所述报警系统还包括云端服务器;
所述云端服务器用于接收所述摄像机发送的视频数据,并存储所述视频数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290109.8A CN111127837A (zh) | 2018-10-31 | 2018-10-31 | 一种报警方法、摄像机及报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290109.8A CN111127837A (zh) | 2018-10-31 | 2018-10-31 | 一种报警方法、摄像机及报警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127837A true CN111127837A (zh) | 2020-05-08 |
Family
ID=70494305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290109.8A Pending CN111127837A (zh) | 2018-10-31 | 2018-10-31 | 一种报警方法、摄像机及报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127837A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634585A (zh) * | 2020-12-28 | 2021-04-09 | 深圳科利电器有限公司 | 一种应用于坐便器的智能报警系统及智能坐便器 |
CN113160520A (zh) * | 2021-05-11 | 2021-07-23 | Tcl通讯(宁波)有限公司 | 数据处理方法、装置、存储介质及智能眼镜 |
CN114067544A (zh) * | 2020-08-06 | 2022-02-18 | 苏州水桥智能科技有限公司 | 一种监护方法及计算机可读存储介质 |
CN114399886A (zh) * | 2021-12-08 | 2022-04-26 | 慧之安信息技术股份有限公司 | 基于老年人摔倒的自动警报方法 |
CN114926973A (zh) * | 2022-04-06 | 2022-08-19 | 珠海市横琴渤商数字科技有限公司 | 一种视频监控方法、装置、系统、服务器及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859436A (zh) * | 2010-06-09 | 2010-10-13 | 王巍 | 一种大幅规律运动背景智能分析管控系统 |
CN102196249A (zh) * | 2011-05-17 | 2011-09-21 | 杭州华三通信技术有限公司 | 监控数据回放方法及编码器、视频管理服务器 |
CN103198605A (zh) * | 2013-03-11 | 2013-07-10 | 成都百威讯科技有限责任公司 | 室内突发异常事件报警系统 |
US20130222561A1 (en) * | 2012-02-03 | 2013-08-29 | National Taipei University Of Technology | Guide System Having Function of Real-Time Voice Response for the Visually Impaired and Method Thereof |
CN104680525A (zh) * | 2015-02-12 | 2015-06-03 | 南通大学 | 基于Kinect深度图像的人体摔倒自动检测方法 |
CN106127114A (zh) * | 2016-06-16 | 2016-11-16 | 北京数智源科技股份有限公司 | 智能视频分析方法 |
CN106571014A (zh) * | 2016-10-24 | 2017-04-19 | 上海伟赛智能科技有限公司 | 一种在视频中识别异常动作的方法和系统 |
CN107945458A (zh) * | 2017-12-11 | 2018-04-20 | 北京奇虎科技有限公司 | 摄像头场景下的跌倒检测方法、装置及计算设备 |
CN108090458A (zh) * | 2017-12-29 | 2018-05-29 | 南京阿凡达机器人科技有限公司 | 人体跌倒检测方法和装置 |
CN108446630A (zh) * | 2018-03-20 | 2018-08-24 | 平安科技(深圳)有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
-
2018
- 2018-10-31 CN CN201811290109.8A patent/CN111127837A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859436A (zh) * | 2010-06-09 | 2010-10-13 | 王巍 | 一种大幅规律运动背景智能分析管控系统 |
CN102196249A (zh) * | 2011-05-17 | 2011-09-21 | 杭州华三通信技术有限公司 | 监控数据回放方法及编码器、视频管理服务器 |
US20130222561A1 (en) * | 2012-02-03 | 2013-08-29 | National Taipei University Of Technology | Guide System Having Function of Real-Time Voice Response for the Visually Impaired and Method Thereof |
CN103198605A (zh) * | 2013-03-11 | 2013-07-10 | 成都百威讯科技有限责任公司 | 室内突发异常事件报警系统 |
CN104680525A (zh) * | 2015-02-12 | 2015-06-03 | 南通大学 | 基于Kinect深度图像的人体摔倒自动检测方法 |
CN106127114A (zh) * | 2016-06-16 | 2016-11-16 | 北京数智源科技股份有限公司 | 智能视频分析方法 |
CN106571014A (zh) * | 2016-10-24 | 2017-04-19 | 上海伟赛智能科技有限公司 | 一种在视频中识别异常动作的方法和系统 |
CN107945458A (zh) * | 2017-12-11 | 2018-04-20 | 北京奇虎科技有限公司 | 摄像头场景下的跌倒检测方法、装置及计算设备 |
CN108090458A (zh) * | 2017-12-29 | 2018-05-29 | 南京阿凡达机器人科技有限公司 | 人体跌倒检测方法和装置 |
CN108446630A (zh) * | 2018-03-20 | 2018-08-24 | 平安科技(深圳)有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067544A (zh) * | 2020-08-06 | 2022-02-18 | 苏州水桥智能科技有限公司 | 一种监护方法及计算机可读存储介质 |
CN112634585A (zh) * | 2020-12-28 | 2021-04-09 | 深圳科利电器有限公司 | 一种应用于坐便器的智能报警系统及智能坐便器 |
CN113160520A (zh) * | 2021-05-11 | 2021-07-23 | Tcl通讯(宁波)有限公司 | 数据处理方法、装置、存储介质及智能眼镜 |
CN114399886A (zh) * | 2021-12-08 | 2022-04-26 | 慧之安信息技术股份有限公司 | 基于老年人摔倒的自动警报方法 |
CN114926973A (zh) * | 2022-04-06 | 2022-08-19 | 珠海市横琴渤商数字科技有限公司 | 一种视频监控方法、装置、系统、服务器及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127837A (zh) | 一种报警方法、摄像机及报警系统 | |
US11593588B2 (en) | Artificial intelligence apparatus for generating training data, artificial intelligence server, and method for the same | |
US10402984B2 (en) | Monitoring | |
CN109643158B (zh) | 使用多模态信号分析进行命令处理 | |
JP6018674B2 (ja) | 被写体再識別のためのシステム及び方法 | |
JP7244655B2 (ja) | 注視エリア検出方法、装置、及び電子デバイス | |
KR20180057096A (ko) | 표정 인식과 트레이닝을 수행하는 방법 및 장치 | |
CN111709471A (zh) | 对象检测模型的训练方法以及对象检测方法、装置 | |
JP2019212148A (ja) | 情報処理装置及び情報処理プログラム | |
US10540542B2 (en) | Monitoring | |
JP6705886B2 (ja) | 監視 | |
WO2019109290A1 (en) | Context set and context fusion | |
WO2024012367A1 (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
US20230136553A1 (en) | Context-aided identification | |
US20220101032A1 (en) | Method and system for product search based on deep-learning | |
CN113705643B (zh) | 一种目标物检测方法、装置以及电子设备 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
CN111797656A (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 | |
CN112633496B (zh) | 一种检测模型的处理方法及装置 | |
WO2023184197A1 (zh) | 目标跟踪方法、装置、系统及存储介质 | |
CN115668315A (zh) | 人脸属性检测方法及装置、存储介质及电子设备 | |
KR20220094092A (ko) | 가상 지원을 위한 3d 맵 재현을 활용하는 지능형 객체 추적 시스템 | |
CN116798109A (zh) | 一种动作类型的识别方法及装置 | |
CN114399801A (zh) | 目标检测方法及装置 | |
WO2023091131A1 (en) | Methods and systems for retrieving images based on semantic plane features |
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 |