CN111311466B - 安全控制方法及装置 - Google Patents
安全控制方法及装置 Download PDFInfo
- Publication number
- CN111311466B CN111311466B CN202010076807.9A CN202010076807A CN111311466B CN 111311466 B CN111311466 B CN 111311466B CN 202010076807 A CN202010076807 A CN 202010076807A CN 111311466 B CN111311466 B CN 111311466B
- Authority
- CN
- China
- Prior art keywords
- target
- state
- physiological
- determining
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 150
- 238000013507 mapping Methods 0.000 claims abstract description 62
- 230000006399 behavior Effects 0.000 claims description 133
- 238000011156 evaluation Methods 0.000 claims description 91
- 230000008451 emotion Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 32
- 230000006996 mental state Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 230000002996 emotional effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000009471 action Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 3
- 229930182837 (R)-adrenaline Natural products 0.000 description 3
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229960005139 epinephrine Drugs 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229940034208 thyroxine Drugs 0.000 description 3
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 3
- 206010011469 Crying Diseases 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Social Psychology (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请实施例公开了一种安全控制方法及装置,应用于智能传感器设备,上述方法包括:采集针对目标对象对应的生理参数集,基于生理参数集,确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种安全控制方法及装置。
背景技术
目前,可能存在一些娱乐场所发生吸毒贩毒、赌博等违法犯罪活动,针对该问题,大多娱乐场所采取保安轮训的方式去避免,由于保安轮训并不能大范围的避免上述活动的发生,仍旧存在安全隐患。
发明内容
本申请实施例提供一种安全控制方法及装置,有利于提高场所安全性。
本申请实施例的第一方面提供了一种安全控制方法,应用于智能传感器设备,所述方法包括:
采集针对目标对象对应的生理参数集;
基于所述生理参数集,确定所述目标对象对应的目标生理状态;
获取所述目标对象对应的视频片段;
对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
本申请实施例第二方面提供了一种安全控制装置,所述装置包括:第一采集单元、第一确定单元、第二采集单元、第二确定单元和分析单元,其中,
所述第一采集单元,用于采集针对目标对象对应的生理参数集;
所述第一确定单元,用于基于所述生理参数集,确定所述目标对象对应的目标生理状态;
所述第二采集单元,用于获取所述目标对象对应的视频片段;
所述第二确定单元,用于对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
所述分析单元,用于对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
所述第二确定单元,还用于根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
本申请实施例的第三方面提供一种智能传感器设备,所述智能传感器设备包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行本申请实施例第一方面所述的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面所描述的部分或全部步骤。
本申请实施例的第五方面提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,至少具有如下有益效果:
通过本申请实施例,应用于智能传感器设备,上述方法包括:采集针对目标对象对应的生理参数集,基于生理参数集,确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A为本申请实施例提供了一种智能传感器设备的整体框架示意图;
图1B为本申请实施例提供了一种智能传感器设备的结构示意图;
图1C为本申请实施例提供了一种安全控制方法的场景示意图;
图1D为本申请实施例提供了一种安全控制方法的流程示意图;
图2为本申请实施例提供了一种安全控制方法的流程示意图;
图3为本申请实施例提供了一种安全控制方法的流程示意图;
图4为本申请实施例提供了一种智能传感器设备的结构示意图;
图5为本申请实施例提供了一种安全控制装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
为了能够更好地理解本申请实施例,下面将对应用本申请实施例的方法进行介绍。
本申请实施例所描述智能传感器设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述智能传感器设备还可以为服务器。
如图1A所示,图1A是本申请实施例提供的一种智能传感器设备的整体架构示意图。传统的计算机视觉技术是由传感器采集信息,然后发送给后台处理,由信号处理模块进行效果处理,再从信号处理模块传输到计算机视觉模块进行处理。区别于现有常规传感器采集数据发给后端设备的机制,本申请提供的智能传感器设备是传感器和计算机视觉模块的结合,智能传感器设备直接本地进行数据处理,即由智能传感器设备进行数据采集、分析处理得到识别结果,以及基于该识别结果的进行特定控制,且该智能传感器设备的内部算法可以通过平台更新优化。
在本申请实施例中,智能传感器设备可以通过信息采集模块采集特定目标的信息,该特定目标可指目标对象,上述信息可包括生理参数集,该生理参数集可包括以下至少一种:心率、血压、血温、血脂含量、血糖含量、甲状腺素含量、肾上腺素含量、血小板含量、血氧含量等等,在此不做限定,信息采集模块采集到的信息传输到传感器/计算机视觉模块;传感器/计算机视觉模块可以对该信息进行处理,然后再根据处理结果执行一系列特定操作。另外,智能传感器设备还可以将采集的原始信息,或者传感器/计算机视觉模块处理过后的信息传输给后台,后台再对接收到的数据进行进一步处理(效果处理)。
如图1B所示,图1B是本申请实施例提供的一种智能传感器设备的结构示意图。该智能传感器设备包括信息采集模块、前端处理模块和计算机视觉芯片,前端处理模块包括至少一个传感器单元、模拟信号处理电路和模数转换电路;计算机视觉芯片包括数字信号处理器和至少一个人工智能处理器。
其中,所述至少一个传感器单元,与模拟信号处理电路相连,用于接收测量信号(也即信息采集模块采集的信息),将所述测量信号转换为电信号,并将所述电信号传输至所述模拟信号处理电路。
其中,所述模拟信号处理电路,与所述模数转换电路相连,用于对所述电信号进行模拟信号处理,并将模拟处理结果传输至模数转换电路。
其中,所述模数转换电路,用于将所述模拟处理结果转换为数字信号并输出。
其中,所述数字信号处理器,用于根据所述前端处理模块生成的所述电信号进行数字信号处理,并输出数字信号处理结果。
其中,所述存储器,用于对所述数字信号处理结果进行存储,所述存储器包括一个共享区和n个独享区。
所述共享区用于存储各类需要进行特定信号处理(例如格式转换、效果处理)的信息(针对不同的应用场景,对于不同设备的控制需要采集不同信息进行特定处理)。例如,以图像信息为例,传感器设备可以包括像素单元阵列(也即信号采集模块)、模拟信号处理电路、模数转换电路、控制电路、接口电路等。外界光照射像素单元阵列,发生光电效应,在像素单元阵列内产生相应的电荷,即图像传感单元获取光信号,并将光信号转换为电信号,对电信号进行模拟信号处理,在时钟电路的控制下,将所述模拟处理结果转换为数字信号,控制电路控制数字信号通过接口电路将数字信号传输至存储器的共享区。
所述独享区,用于存储特定信息,所述特定信息可以包括特定目标的信息(例如,针对不同的目标,在对特定待控制装置进行控制时,具有特定化的差异性的控制)、特定类型的信息(例如,某些采集到的信息比较特殊,不需要进行前端处理,即可用于人工智能处理器进行直接使用,例如,针对目标对象的生理参数等等)。
其中,所述人工智能处理器,用于从存储器种获取特定信息或数字信号处理结果,并根据所述特定信息或数字信号处理结果,执行相应的人工智能处理操作。
举例来说,如图1C所示,为一种安全控制方法的场景示意图,该场景可为娱乐场所或者办公场所等等,在此不做限定,在娱乐场所对应的场景下,可将上述智能传感器设备安装于场所的入口处,可将其集成于出入门禁中,当有目标对象经过时,可通过智能传感器设备中对应的信息采集模块获取针对目标对象的视频片段,并通过上述前端处理模块对该视频片段进行解析得到多个视频图像,并通过欧拉放大、小波变换等过程从多个视频图像中提取不同波长光下的血液容积脉搏波交流分量等参数,将上述参数发送于计算机视觉芯片,该计算机智能芯片可随时提取上述参数,并进行计算处理,得到不同波长下脉搏波峰谷值均值,最终计算得到血氧饱和度、心率等目标生理状态参数集,并通过上述至少一个人工智能处理器,对上述目标生理参数集进行分析处理,得到目标生理状态。
进一步地,也可通过计算机视觉芯片中的至少一个人工智能处理器对上述多个视频图像进行处理(例如,可通过预设神经网络模型对上述多个视频图像进行处理),得到该目标对象对应的至少一个目标行为类型和多个肢体行为对应的出现概率,最终可通过智能传感器设备确定该目标对象对应的目标行为状态,最终,可通过智能传感器设备综合上述目标行为状态和目标生理状态,确定该目标对象在上述娱乐场所对应的目标危险系数,并通过预设的危险系数与安全策略之间的映射关系,确定其对应的目标安全策略,并基于上述待定待控制装置对该目标对象采取上述目标安全策略对应的安全措施(例如,禁止通行、监控、上报视频图像于保安室或者报警等等)。
请参见图1D,图1D是本申请实施例提供的一种安全控制方法的流程示意图,应用于智能传感器设备,上述方法包括以下步骤:
101、采集针对目标对象对应的生理参数集。
其中,上述智能传感器设备可安装于娱乐场所或者其他场所的入口处,该智能传感器设备中可包括多个传感器,上述目标对象可指通过上述入口处的任意一个用户,智能传感器设备可通过上述多个传感器采集针对目标对象的生理参数集,该生理参数集中可包括以下至少一种:心率、血压、血温、血脂含量、血糖含量、甲状腺素含量、肾上腺素含量、血小板含量、血氧含量等等,在此不做限定。
102、基于所述生理参数集,确定所述目标对象对应的目标生理状态。
其中,上述生理状态可包括以下至少一种:精神状态、情绪状态、压力状态等等,在此不作限定,上述智能传感器设备可通过采集到的生理参数集,确定上述目标对象对应的目标生理状态。
在一种可能的示例中,上述步骤102,基于所述生理参数集,确定所述目标对象对应的目标生理状态,可包括如下步骤:
21、基于所述生理参数集,确定所述多个生理参数;
22、对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值;
23、基于所述多个评估值,得到目标评估值;
24、根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态。
其中,智能传感器设备可基于采集到的生理参数集,该生理参数集中可包括多个生理参数,该生理参数可包括以下至少一种:心电变化曲线、脉搏变化曲线、甲状腺素变化曲线,肾上腺素变化曲线等等,在此不作限定,如此,上述智能传感器设备可对多个生理参数进行处理,得到每一生理参数对生理状态的评估值,以得到多个评估值,该评估值可用于评估生理状态的类型等等,进而,可对多个评估值取均值运算,得到目标评估值,最后,根据目标评估值,对目标对象对应的生理状态进行判断,得到目标生理状态,如此,可综合人体对应的不同的生理参数,确定该目标对象对应的目标生理状态,有利于提高生理状态的评判准确率。
在一种可能的示例中,上述步骤22,若所述生理参数集包括预设时段内对应的心电变化曲线和所述预设时段内对应的脉搏变化曲线,对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值,可包括如下步骤:
221、对所述脉搏变化曲线进行采样,得到多个脉搏值;
222、对所述心电变化曲线进行采样,得到多个心率值;
223、对所述多个心率值和所述多个脉搏值分别进行均值计算,得到脉搏均值和心率均值,所述脉搏均值为所述脉搏变化曲线对应的评估值,所述心率均值为所述心电变化曲线对应的评估值;
224、基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
其中,上述预设时段可为用户自行设置或者系统默认,在此不作限定,可采集预设时段内对应的心电变化曲线和脉搏变化曲线,上述智能传感器设备可通过上述两种生理参数,确定上述目标对象对应的目标生理状态,该目标生理状态在一定程度中反应了该目标对象的身体机能状态,具体实现中,可分别对上述脉搏变化曲线和心电变化曲线进行采样,以得到多个脉搏值和多个心率值,并计算上述多个脉搏值和多个心率值的均值,得到脉搏均值和心率均值,如此,上述预设时段内对应的脉搏均值和心率均值相当于是预设时段内对应的一个稳定值,更能体现上述目标用户在上述预设时段内对应的身体机能状态。
进一步地,为了确定该目标用户的准确的生理状态,可基于上述心率均值和脉搏均值对该目标用户的生理状态进行评估,以得到目标评估值,另外,智能传感设备中还可预先存储预设的评估值与生理状态之间的映射关系,也就是说可将评估值按照预设规则划分为多个区间,每一区间对应多个评估值,每一区间对应至少一种生理状态,从而,基于脉搏均值和心率均值,对目标对象的生理状态进行评估,得到目标评估值则可通过上述映射关系以及目标评估值,得到目标生理状态,如此,通过多维度的生理参数判定用户的生理状态,可提高效率。
进一步地,基于所述多个评估值,得到目标评估值,包括:
225、基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
在一种可能的示例中,上述步骤225,基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值,可包括如下步骤:
2251、根据预设的脉搏均值与权值之间的映射关系,确定所述脉搏均值对应的第一权值;
2252、根据预设的心率均值与权值之间的映射关系,确定所述心率均值对应的第二权值;
2253、对所述脉搏均值、所述第一权值、所述心率均值和所述第二权值进行加权计算,得到所述目标评估值。
其中,智能传感设备中可预先存储预设的脉搏均值与权值之间的映射关系,该权值体现了脉搏均值与评估值的映射关系,脉搏均值越高,则权值越大,另外,还可预先存储预设的心率均值和权值之间的映射关系,心率均值越快,则权值越大,可可基于上述两个维度,确定该用户的生理状态的目标评估值,并该目标评估值对目标对象对应的生理状态进行一个评估,当检测到的脉搏均值以及心率均值越大时,表示该用户的生理状态可能更紧张或者是不安等等,如此,评估值越高,则表明其对应的生理状态可能越不正常或者是偏离正常的情绪状态或者精神状态时的生理状态。
具体实现中,可通过上述两种预设的映射关系,确定脉搏均值对应的第一权值以及心率均值对应的第二权重,最后,可对上述脉搏均值、第一权值、心率均值和第二权值进行加权计算,得到目标评估值。
在一种可能的示例中,上述步骤24,若所述目标生理状态包括目标情绪状态和目标精神状态,根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态,可包括如下步骤:
241、根据所述目标评估值,确定所述目标情绪状态与所述生理状态之间的第一影响因子以及所述目标精神状态与所述生理状态之间的第二影响因子;
242、基于预设的情绪影响因子与情绪类型之间的映射关系,确定所述第一影响因子对应的目标情绪类型;
243、基于预设的精神影响因子与精神类型之间的映射关系,确定所述第二影响因子对应的精神类型;
244、基于所述情绪类型和所述精神类型,对所述目标对象对应的生理状态进行判断确定所述目标对象对应的目标生理状态。
其中,上述情绪类型可包括以下至少一种:恐惧、兴奋、郁闷、紧张、哭泣、平静、暴躁等等,在此不做限定,该情绪类型可体现该目标对象对应的情绪状态,该情绪状态可包括以下至少一种:稳定状态、应激状态、惊慌状态等等,在此不作限定;上述精神类型可包括以下至少一种:萎靡、丧气、无聊、紧张、放松等等,在此不作限定,上述不同的精神类型体现了上述目标对象在预设时段内对应的精神状态稳定或者不稳定,该精神状态体现了目标对象的精神面貌;可由上述两种状态对生理状态的影响力,来决定该目标对象对应的生理状态,当然,该生理状态不仅仅只包括上述两种状态。
具体实现中,智能传感器设备中可预设评估值与情绪影响因子之间的映射关系,以及预设评估值与精神影响因子之间的映射关系,基于上述两种映射关系,确上述评估值对应的目标情绪影响因子对应的第一影响因子,以及上述评估值对应的目标精神影响因子对应的第二影响因子。
此外,智能传感器设备中还可预设影响因子与情绪类型之间的映射关系,也就是说,不同的情绪影响因子可对应不同的情绪类型,以及还可预设精神影响因子与精神类型之间的映射关系,不同的精神影响因子可对应的不同的精神类型,从而,可确定上述第一影响因子对应的情绪类型以及上述第二影响因子对应的精神类型,并基于上述情绪类型和精神类型,确定上述目标对象对应的目标生理状态,该目标生理状态可由上述情绪类型和精神类型组成。
举例来说,如下表1所示,为一种评估值与影响因子之间的映射关系,可针对不同区间对应的评估值预设不同的情绪影响因子以及精神影响因子,具体的设置方法可系统默认或者用户自行设置,在此不作限定,例如,当针对娱乐场所,在确定生理状态时,当情绪状态对上述生理状态的影响大于精神状态对上述生理状态的影响时,可设置在同一个区间内的评估值对应的情绪影响因子Mx大于精神影响因子Nx,其中,上述Mx和Nx均为实数,上述x为正整数,ax为正整数,a4>a3>a2>a1。
表1、评估值与影响因子之间的映射关系
评估值ax | 情绪影响因子Mx | 精神影响因子Nx |
[a1,a2] | M1 | N1 |
(a2,a3] | M2 | N2 |
(a3,a4] | M3 | N3 |
进一步地,如下表2所示,为一种影响因子与情绪类型之间的映射关系,如表中所示,可针对不同区间对应的影响因子,预设不同种类的情绪类型,当影响因子越大时,情绪类型越不稳定,其中,mx为实数,y为正整数,m4>m3>m2>m1。
表2、影响因子与情绪类型之间的映射关系
影响因子my | 情绪类型 |
[m1,m2] | 平静 |
(m2,m3] | 哭泣、郁闷 |
(m3,m4] | 兴奋、紧张、暴躁 |
在一种可能的示例中,上述步骤221,对所述心电变化曲线进行采样,得到多个心率值,可包括如下步骤:
2211、对所述脉搏变化曲线进行分段,得到在所述预设时段内多个时间序列对应的多个波形序列,每一时间序列对应一个波形序列;
2212、对所述多个波形序列进行特征分析,得到每一波形序列对应的多个特征信息;
2213、基于所述多个特征信息,确定所述多个波形序列中每一波形序列对应的心率值,得到多个所述心率值。
其中,上述多个时间序列可由将上述预设时段分割得到,由于上述心电变化曲线是非线性的,该曲线体现的是一个预设时段内对应的心率的变化曲线,并且,该曲线对应的多个时间序列中每一时间序列对应的波形可是不同的,不同波形对应的高低宽窄是不同的,上述波形序列可包括以下至少一种:P波、QRS波群、T波和(无)u波等等,在此不作限定,不通过波形对应的特征是不同的,上述特征信息可包括以下至少一种:形状、高度、波峰、波谷和方向等等,在此不作限定,由于不同的波形的特征的不同,其对应的心率值的计算方法也不同,因此,可针对不同的波形序列对应的特征信息,计算上述每一时间序列对应的波形的心率值。
103、获取所述目标对象对应的视频片段。
其中,上述智能传感器设备还可安装于娱乐场所室内,上述智能传感器设备还可与室内的镜头进行联动,可获取镜头采集上述目标对象对应的视频片段,该视频片段可为一个室内空间的某一时间区间对应的视频片段,该视频片段中包括目标对象。
104、对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态。
其中,上述行为状态可理解为针对目标对象在某一时段内的有意识或者无意识的一种机体行为所表现出的一种形态或者所处的状况,例如,独处时的唉声叹气,代表此人可能处于纠结状态;上述行为识别可为肢体识别,具体实现中,可通过镜头确定目标对象以后,抓拍其对应的视频片段,进而,智能传感器设备可通过镜头采集到的视频片段进行行为的识别,从而根据该目标对象的行为,确定其在当前环境下对应的目标行为状态。
在一种可能的示例中,上述步骤104,对所述视频片段进行行为识别,确定所述目标对象对应的目标行为特征,可包括如下步骤:
41、对所述视频片段进行解析,得到多个视频图像;
42、将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率;
43、基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为;
44、根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态。
其中,上述肢体行为包括以下至少一种:挥拳、走路、踢腿、举手、敲打、思考、牵手等等,在此不作限定,上述预设神经网络模型可为用户自行设置或者系统默认,该预设神经网络模型可为卷积神经网络模型,可针对目标对象拍摄一段视频片段,从视频片段中解析出多个视频图像,每一视频图像中均包括上述目标对象,由于一个视频图像中可能包括一个肢体动作,而一个肢体动作可能包括多个肢体行为,因此,可将上述多个视频图像输入预设神经网络模型中,以得到多个肢体行为以及每一肢体行为的出现概率,可通过多个肢体行为的出现概率判断该目标对象对应的肢体动作是连续性的还是非连续性,从而,确定该目标对象对应的肢体动作是否为有意识的还是无意识的行为状态。
进一步地,智能传感器设备中还可预先存储肢体行为与行为类型之间的映射关系,上述行为类型可包括以下至少一种:打架、游泳、运动等等,在此不作限定,例如,当肢体行为包括挥拳和踢腿两个肢体行为时,可判断该目标对象可能处于打架行为类型,如此,可根据上述多个肢体行为,确定至少一个目标行为类型,并根据每一肢体行为对应的出现概率以及上述至少一个目标行为类型,确定该目标对象对应的目标行为状态,例如,当多次出现挥拳以及踢腿动作时,可确定该目标对象可能处于有意识的打架行为状态。
105、对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数。
其中,上述危险系数可用来评判该目标对象在当前场景下的危险程度,可设定为危险系数越高,则表明其对应的危险程度越高,具体实现中,可根据上述目标生理状态和目标行为状态来分析确定该目标对象对应的目标危险系数,例如,当该用户的目标生理状态为暴躁状态,且目标行为状态为有意识的打架行为状态时,则可确定该目标对象的危险系数较高。
在一种可能的示例中,上述步骤105,对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数,可包括如下步骤:
51、当所述目标生理状态满足第一预设条件时,则对所述目标生理状态进行分析,得到所述目标生理状态与危险系数之间的第一关联值;
52、当所述目标行为状态满足第二预设条件时,则对所述目标行为状态进行分析,得到所述目标行为状态与危险系数之间的第二关联值;
53、对所述第一关联值和所述第二关联值进行加权,得到所述目标危险系数。
其中,上述第一预设条件和第二预设条件可为用户自行设置或者系统默认,在此不作限定,智能传感器设备可预先设置生理状态对应的预设条件与该目标对象的危险性对应的关联值之间的映射关系,以及预设行为状态对应的预设条件与该目标对象的危险性对应的关联值之间的映射关系,具体实现中,可针对不同的生理状态或者行为状态分别对应的预设条件设置不同的关联值,例如,可针对生理状态为暴躁、兴奋预设相对其他生理状态较高的关联值,关联值越大,则表明其对应的危险性越高,从而,可确定目标生理状态对应的第一关联值和目标生理状态对应的第二关联值,根据以上两个维度,确定目标危险系数,即第一关联值与第二关联值的和。
106、根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
其中,上述目标安全策略可包括以下至少一种:禁止通行、监控、上报视频图像于保安室或者报警等等,在此不做限定。智能传感器设备中可预先存储预设的危险系数与安全策略之间的映射关系,并根据目标危险系数,确定目标安全策略,并基于该目标安全策略,从而加强娱乐场所等场所的安全管理,有利于提高安全性。
举例来说,如下表3所示,为一种危险系数与安全策略之间的映射关系,不同区间对应的危险系数,对应有不同的安全策略,例如,当危险系数pz处于[p1,p2]时,该目标对象为正常人物,其危险系数处于安全状态以内,则可认为其为安全人物,其中,pz为实数,z为正整数,p4>p3>p2>p1。
表3、危险系数与安全策略之间的映射关系
危险系数pz | 安全策略 |
[p1,p2] | 安全 |
(p2,p3] | 监视措施 |
(p3,p4] | 报警 |
可以看出,本申请实施例中所描述的安全控制方法,应用于智能传感器设备,可采集针对目标对象对应的生理参数集,基于生理参数集,确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
与上述一致地,请参阅图2,图2是本申请实施例公开的一种安全控制方法的流程示例图,应用于智能传感器设备,该安全控制方法可包括如下步骤:
201、采集针对目标对象对应的生理参数集。
202、若所述生理参数集包括预设时段内对应的心电变化曲线和所述预设时段内对应的脉搏变化曲线,对所述脉搏变化曲线进行采样,得到多个脉搏值。
203、对所述心电变化曲线进行采样,得到多个心率值。
204、对所述多个心率值和所述多个脉搏值分别进行均值计算,得到脉搏均值和心率均值。
205、根据预设的脉搏均值与权值之间的映射关系,确定所述脉搏均值对应的第一权值。
206、根据预设的心率均值与权值之间的映射关系,确定所述心率均值对应的第二权值。
207、对所述脉搏均值、所述第一权值、所述心率均值和所述第二权值进行加权计算,得到所述目标评估值。
208、若所述目标生理状态包括目标情绪状态和目标精神状态,根据所述目标评估值,确定所述目标情绪状态与所述生理状态之间的第一影响因子以及所述目标精神状态与所述生理状态之间的第二影响因子。
209、基于预设的情绪影响因子与情绪类型之间的映射关系,确定所述第一影响因子对应的目标情绪类型。
210、基于预设的精神影响因子与精神类型之间的映射关系,确定所述第二影响因子对应的精神类型。
211、基于所述情绪类型和所述精神类型,对所述目标对象对应的生理状态进行判断,确定所述目标对象对应的目标生理状态。
212、获取所述目标对象对应的视频片段。
213、对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态。
214、对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数。
215、根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
其中,上述步骤201-步骤215的具体描述可以参照上述图1D所描述的安全控制方法的相应步骤,在此不再赘述。
可以看出,本申请实施例所描述的安全控制方法,该方法包括:采集针对目标对象对应的生理参数集,若生理参数集包括预设时段内对应的心电变化曲线和预设时段内对应的脉搏变化曲线,对脉搏变化曲线进行采样,得到多个脉搏值,对心电变化曲线进行采样,得到多个心率值,对多个心率值和多个脉搏值分别进行均值计算,得到脉搏均值和心率均值,根据预设的脉搏均值与权值之间的映射关系,确定脉搏均值对应的第一权值,根据预设的心率均值与权值之间的映射关系,确定心率均值对应的第二权值,对脉搏均值、第一权值、心率均值和第二权值进行加权计算,得到目标评估值,若目标生理状态包括目标情绪状态和目标精神状态,根据目标评估值,确定目标情绪状态与生理状态之间的第一影响因子以及目标精神状态与生理状态之间的第二影响因子,基于预设的情绪影响因子与情绪类型之间的映射关系,确定第一影响因子对应的目标情绪类型,基于预设的精神影响因子与精神类型之间的映射关系,确定第二影响因子对应的精神类型,基于情绪类型和精神类型,对目标对象对应的生理状态进行判断确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,基于多个生理参数确定该目标对象对应的目标生理状态,有利于提高准确性,同时,除了考虑到生来状态以外,还考虑到行为状态这个维度,有利于提高危险系数的准确性,并通过目标危险系数确定安全策略,有利于提高场所的安全性。
与上述一致地,请参阅图3,图3是本申请实施例公开的一种安全控制方法的流程示例图,应用于智能传感器设备,该安全控制方法可包括如下步骤:
301、采集针对目标对象对应的生理参数集。
302、基于所述生理参数集,确定所述目标对象对应的目标生理状态。
303、获取所述目标对象对应的视频片段。
304、对所述视频片段进行解析,得到多个视频图像。
305、将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率。
306、基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为。
307、根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态。
308、对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数。
309、根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
其中,上述步骤301-步骤309的具体描述可以参照上述图1D所描述的安全控制方法的相应步骤,在此不再赘述。
可以看出,本申请实施例所描述的安全控制方法,该方法包括:采集针对目标对象对应的生理参数集,基于所述生理参数集,确定所述目标对象对应的目标生理状态,获取所述目标对象对应的视频片段,对所述视频片段进行解析,得到多个视频图像,将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率,基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为,根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态,对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
与上述一致地,请参阅图4,图4为本申请实施例提供的一种智能传感器设备的结构示意图,如图4所示,包括处理器、通信接口、存储器以及一个或多个程序,所述处理器、通信接口和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,上述一个或多个程序程序包括用于执行以下步骤的指令:
采集针对目标对象对应的生理参数集;
基于所述生理参数集,确定所述目标对象对应的目标生理状态;
获取所述目标对象对应的视频片段;
对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
可以看出,本申请实施例中所描述的智能传感器设备,采集针对目标对象对应的生理参数集,基于生理参数集,确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
在一个可能的示例中,在所述基于所述生理参数集,确定所述目标对象对应的目标生理状态方面,所述程序用于执行以下步骤的指令:
基于所述生理参数集,确定所述多个生理参数;
对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值;
基于所述多个评估值,得到目标评估值;
根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态。
在一种可能的示例中,若所述生理参数集包括预设时段内对应的心电变化曲线和所述预设时段内对应的脉搏变化曲线,在对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值方面,所述程序用于执行以下步骤的指令:
对所述脉搏变化曲线进行采样,得到多个脉搏值;
对所述心电变化曲线进行采样,得到多个心率值;
对所述多个心率值和所述多个脉搏值分别进行均值计算,得到脉搏均值和心率均值;
基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
在一种可能的示例中,在基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值方面,所述程序用于执行以下步骤的指令:
根据预设的脉搏均值与权值之间的映射关系,确定所述脉搏均值对应的第一权值;
根据预设的心率均值与权值之间的映射关系,确定所述心率均值对应的第二权值;
对所述脉搏均值、所述第一权值、所述心率均值和所述第二权值进行加权计算,得到所述目标评估值。
在一种可能的示例中,若所述目标生理状态包括目标情绪状态和目标精神状态,在根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态方面,所述程序用于执行以下步骤的指令:
根据所述目标评估值,确定所述目标情绪状态与所述生理状态之间的第一影响因子以及所述目标精神状态与所述生理状态之间的第二影响因子;
基于预设的情绪影响因子与情绪类型之间的映射关系,确定所述第一影响因子对应的目标情绪类型;
基于预设的精神影响因子与精神类型之间的映射关系,确定所述第二影响因子对应的精神类型;
基于所述情绪类型和所述精神类型,对所述目标对象对应的生理状态进行判断,确定所述目标对象对应的目标生理状态。
在一种可能的示例中,在对所述心电变化曲线进行采样,得到多个心率值方面,所述程序用于执行以下步骤的指令:
对所述脉搏变化曲线进行分段,得到在所述预设时段内多个时间序列对应的多个波形序列,每一时间序列对应一个波形序列;
对所述多个波形序列进行特征分析,得到每一波形序列对应的多个特征信息;
基于所述多个特征信息,确定所述多个波形序列中每一波形序列对应的心率值,得到多个所述心率值。
在一种可能的示例中,在对所述视频片段进行行为识别,确定所述目标对象对应的目标行为特征方面,所述程序用于执行以下步骤的指令:
对所述视频片段进行解析,得到多个视频图像;
将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率;
基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为;
根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态。
在一种可能的示例中,在对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数方面,所述程序用于执行以下步骤的指令:
当所述目标生理状态满足第一预设条件时,则对所述目标生理状态进行分析,得到所述目标生理状态与危险系数之间的第一关联值;
当所述目标行为状态满足第二预设条件时,则对所述目标行为状态进行分析,得到所述目标行为状态与危险系数之间的第二关联值;
对所述第一关联值和所述第二关联值进行加权,得到所述目标危险系数。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,智能传感器设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对智能传感器设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
与上述一致地,请参阅图5,图5是本申请实施例公开的一种安全控制装置的结构示意图,应用于智能传感器设备,该装置包括:第一采集单元501、第一确定单元502、第二采集单元503、第二确定单元504和分析单元505,其中,
所述第一采集单元501,用于采集针对目标对象对应的生理参数集;
所述第一确定单元502,用于基于所述生理参数集,确定所述目标对象对应的目标生理状态;
所述第二采集单元503,用于获取所述目标对象对应的视频片段;
所述第二确定单元504,用于对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
所述分析单元505,用于对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
所述第二确定单元504,还用于根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
可以看出,本申请实施例中所描述的安全控制装置,应用于智能传感器设备,采集针对目标对象对应的生理参数集,基于生理参数集,确定目标对象对应的目标生理状态,获取目标对象对应的视频片段,对视频片段进行行为识别,确定目标对象对应的目标行为状态,对目标生理状态和目标行为状态进行分析,得到目标对象对应的目标危险系数,根据预设的危险系数与安全策略之间的映射关系,确定目标危险系数对应的目标安全策略,如此,可根据生理状态以及行为状态两个维度,确定目标对象的危险系数,并确定目标安全策略,有利于提高场所安全性。
在一个可能的示例中,在基于所述生理参数集,确定所述目标对象对应的目标生理状态方面,所述第一确定单元502具体用于:
所述基于所述生理参数集,确定所述目标对象对应的目标生理状态,包括:
基于所述生理参数集,确定所述多个生理参数;
对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值;
基于所述多个评估值,得到目标评估值;
根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态。
在一种可能的示例中,若所述生理参数集包括预设时段内对应的心电变化曲线和所述预设时段内对应的脉搏变化曲线,在对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值方面,所述第一确定单元502具体用于:
对所述脉搏变化曲线进行采样,得到多个脉搏值;
对所述心电变化曲线进行采样,得到多个心率值;
对所述多个心率值和所述多个脉搏值分别进行均值计算,得到脉搏均值和心率均值;
基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
在一种可能的示例中,在所述基于所述多个评估值,得到目标评估值方面,所述第一确定单元502具体用于:
基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
在一种可能的示例中,在基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值方面,所述第一确定单元502具体还用于:
根据预设的脉搏均值与权值之间的映射关系,确定所述脉搏均值对应的第一权值;
根据预设的心率均值与权值之间的映射关系,确定所述心率均值对应的第二权值;
对所述脉搏均值、所述第一权值、所述心率均值和所述第二权值进行加权计算,得到所述目标评估值。
在一种可能的示例中,若所述目标生理状态包括目标情绪状态和目标精神状态,在根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态方面,所述第一确定单元502具体还用于:
根据所述目标评估值,确定所述目标情绪状态与所述生理状态之间的第一影响因子以及所述目标精神状态与所述生理状态之间的第二影响因子;基于预设的情绪影响因子与情绪类型之间的映射关系,确定所述第一影响因子对应的目标情绪类型;
基于预设的精神影响因子与精神类型之间的映射关系,确定所述第二影响因子对应的精神类型;
基于所述情绪类型和所述精神类型,对所述目标对象对应的生理状态进行判断确定所述目标对象对应的目标生理状态。
在一种可能的示例中,在对所述心电变化曲线进行采样,得到多个心率值方面,所述第一确定单元502具体还用于:
对所述脉搏变化曲线进行分段,得到在所述预设时段内多个时间序列对应的多个波形序列,每一时间序列对应一个波形序列;
对所述多个波形序列进行特征分析,得到每一波形序列对应的多个特征信息;
基于所述多个特征信息,确定所述多个波形序列中每一波形序列对应的心率值,得到多个所述心率值。
在一种可能的示例中,在对所述视频片段进行行为识别,确定所述目标对象对应的目标行为特征方面,所述第二确定单元504具体还用于:
对所述视频片段进行解析,得到多个视频图像;
将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率;
基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为;
根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态。
在一种可能的示例中,在对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数方面,所述分析单元505具体用于:
当所述目标生理状态满足第一预设条件时,则对所述目标生理状态进行分析,得到所述目标生理状态与危险系数之间的第一关联值;
当所述目标行为状态满足第二预设条件时,则对所述目标行为状态进行分析,得到所述目标行为状态与危险系数之间的第二关联值;
对所述第一关联值和所述第二关联值进行加权,得到所述目标危险系数。
本申请实施例还提供一种计算机可读存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种安全控制方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种安全控制方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种安全控制方法,其特征在于,所述方法应用于智能传感器设备,所述方法包括:
采集目标对象对应的视频片段;
根据所述视频片段获取所述目标对象对应的生理参数集,所述生理参数集包括多个生理参数,所述生理参数至少包括以下至少一种:心率、脉搏、血氧饱和度;
基于所述生理参数集,确定所述目标对象对应的目标生理状态;
对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
2.根据权利要求1所述的方法,其特征在于,所述基于所述生理参数集,确定所述目标对象对应的目标生理状态,包括:
对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值;
基于所述多个评估值,得到目标评估值;
根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态。
3.根据权利要求2所述的方法,其特征在于,若所述多个生理参数包括预设时段内对应的心电变化曲线和所述预设时段内对应的脉搏变化曲线,所述对所述多个生理参数进行处理,得到每一所述生理参数对所述生理状态的评估值,得到多个评估值,包括:
对所述脉搏变化曲线进行采样,得到多个脉搏值;
对所述心电变化曲线进行采样,得到多个心率值;
对所述多个心率值和所述多个脉搏值分别进行均值计算,得到脉搏均值和心率均值,所述脉搏均值为所述脉搏变化曲线对应的评估值,所述心率均值为所述心电变化曲线对应的评估值;
所述基于所述多个评估值,得到目标评估值,包括:
基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述脉搏均值和所述心率均值,对所述目标对象的生理状态进行评估,得到目标评估值,包括:
根据预设的脉搏均值与权值之间的映射关系,确定所述脉搏均值对应的第一权值;
根据预设的心率均值与权值之间的映射关系,确定所述心率均值对应的第二权值;
对所述脉搏均值、所述第一权值、所述心率均值和所述第二权值进行加权计算,得到所述目标评估值。
5.根据权利要求2所述的方法,其特征在于,若所述目标生理状态包括目标情绪状态和目标精神状态,所述根据所述目标评估值,对所述目标对象对应的生理状态进行判断,得到所述目标生理状态,包括:
根据所述目标评估值,确定所述目标情绪状态与所述生理状态之间的第一影响因子以及所述目标精神状态与所述生理状态之间的第二影响因子;
基于预设的情绪影响因子与情绪类型之间的映射关系,确定所述第一影响因子对应的目标情绪类型;
基于预设的精神影响因子与精神类型之间的映射关系,确定所述第二影响因子对应的目标精神类型;
基于所述目标情绪类型和所述目标精神类型,对所述目标对象对应的生理状态进行判断,确定所述目标对象对应的目标生理状态。
6.根据权利要求3所述的方法,其特征在于,所述对所述心电变化曲线进行采样,得到多个心率值,包括:
对所述脉搏变化曲线进行分段,得到在所述预设时段内多个时间序列对应的多个波形序列,每一时间序列对应一个波形序列;
对所述多个波形序列进行特征分析,得到每一波形序列对应的多个特征信息;
基于所述多个特征信息,确定所述多个波形序列中每一波形序列对应的心率值,得到多个所述心率值。
7.根据权利要求1所述的方法,其特征在于,所述对所述视频片段进行行为识别,确定所述目标对象对应的目标行为特征,包括:
对所述视频片段进行解析,得到多个视频图像;
将所述多个视频图像输入预设神经网络模型,得到多个肢体行为以及每一肢体行为对应的出现概率;
基于所述多个肢体行为,确定所述目标对象对应的至少一个目标行为类型,每一目标行为类型至少对应一个肢体行为;
根据所述至少一个目标行为类型和所述多个肢体行为对应的出现概率,确定所述目标行为状态。
8.根据权利要求1所述的方法,其特征在于,所述对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数,包括:
当所述目标生理状态满足第一预设条件时,则对所述目标生理状态进行分析,得到所述目标生理状态与危险系数之间的第一关联值;
当所述目标行为状态满足第二预设条件时,则对所述目标行为状态进行分析,得到所述目标行为状态与危险系数之间的第二关联值;
对所述第一关联值和所述第二关联值进行加权,得到所述目标危险系数。
9.一种安全控制装置,其特征在于,应用于智能传感器设备,所述装置包括:第一采集单元、第一确定单元、第二采集单元、第二确定单元和分析单元,其中,
所述第一采集单元,用于采集目标对象对应的视频片段;
所述第二采集单元,用于根据所述视频片段获取所述目标对象对应的生理参数集,所述生理参数集包括多个生理参数,所述生理参数至少包括以下至少一种:心率、脉搏、血氧饱和度;
所述第一确定单元,用于基于所述生理参数集,确定所述目标对象对应的目标生理状态;
所述第二确定单元,用于对所述视频片段进行行为识别,确定所述目标对象对应的目标行为状态;
所述分析单元,用于对所述目标生理状态和所述目标行为状态进行分析,得到所述目标对象对应的目标危险系数;
所述第二确定单元,还用于根据预设的危险系数与安全策略之间的映射关系,确定所述目标危险系数对应的目标安全策略。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076807.9A CN111311466B (zh) | 2020-01-23 | 2020-01-23 | 安全控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076807.9A CN111311466B (zh) | 2020-01-23 | 2020-01-23 | 安全控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311466A CN111311466A (zh) | 2020-06-19 |
CN111311466B true CN111311466B (zh) | 2024-03-19 |
Family
ID=71148282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076807.9A Active CN111311466B (zh) | 2020-01-23 | 2020-01-23 | 安全控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311466B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515673A (zh) * | 2020-11-30 | 2021-03-19 | 重庆工程职业技术学院 | 心理危机干预辅助系统 |
CN116035564A (zh) * | 2022-12-06 | 2023-05-02 | 北京顺源辰辰科技发展有限公司 | 一种噎食与误吸智能检测方法、装置及电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101177356B1 (ko) * | 2011-11-10 | 2012-08-27 | (유) 세방전기통신 | 엘리베이터 방범장치 |
KR20130010207A (ko) * | 2011-07-18 | 2013-01-28 | 주식회사 라이프사이언스테크놀로지 | 무구속 무자각 생체신호 획득을 통한 워치타입 건강상태 분석시스템 |
CN103263271A (zh) * | 2013-05-27 | 2013-08-28 | 天津点康科技有限公司 | 非接触式自动血氧饱和度测量系统及测量方法 |
CN103271744A (zh) * | 2012-12-10 | 2013-09-04 | 中国人民解放军第一五二中心医院 | 一种基于成像设备的非接触式血氧饱和度测量方法 |
CN105347127A (zh) * | 2014-08-19 | 2016-02-24 | 三菱电机上海机电电梯有限公司 | 电梯轿厢内异常情况的监控系统及监控方法 |
CN106102564A (zh) * | 2014-03-06 | 2016-11-09 | 皇家飞利浦有限公司 | 生理特性确定装置 |
CN106580301A (zh) * | 2016-12-21 | 2017-04-26 | 广州心与潮信息科技有限公司 | 一种生理参数的监测方法、装置和手持设备 |
CN109255468A (zh) * | 2018-08-07 | 2019-01-22 | 北京优酷科技有限公司 | 一种危险预测的方法及服务器 |
CN109498041A (zh) * | 2019-01-15 | 2019-03-22 | 吉林大学 | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 |
CN109766759A (zh) * | 2018-12-12 | 2019-05-17 | 成都云天励飞技术有限公司 | 情绪识别方法及相关产品 |
CN110334669A (zh) * | 2019-07-10 | 2019-10-15 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的方法和设备 |
CN110336976A (zh) * | 2019-06-13 | 2019-10-15 | 长江大学 | 一种智能监控探头及系统 |
CN110353700A (zh) * | 2019-07-29 | 2019-10-22 | 苏州市高事达信息科技股份有限公司 | 非接触式血氧饱和度检测方法 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10102732B2 (en) * | 2016-06-28 | 2018-10-16 | Infinite Designs, LLC | Danger monitoring system |
US20180300557A1 (en) * | 2017-04-18 | 2018-10-18 | Amazon Technologies, Inc. | Object analysis in live video content |
-
2020
- 2020-01-23 CN CN202010076807.9A patent/CN111311466B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130010207A (ko) * | 2011-07-18 | 2013-01-28 | 주식회사 라이프사이언스테크놀로지 | 무구속 무자각 생체신호 획득을 통한 워치타입 건강상태 분석시스템 |
KR101177356B1 (ko) * | 2011-11-10 | 2012-08-27 | (유) 세방전기통신 | 엘리베이터 방범장치 |
CN103271744A (zh) * | 2012-12-10 | 2013-09-04 | 中国人民解放军第一五二中心医院 | 一种基于成像设备的非接触式血氧饱和度测量方法 |
CN103263271A (zh) * | 2013-05-27 | 2013-08-28 | 天津点康科技有限公司 | 非接触式自动血氧饱和度测量系统及测量方法 |
CN106102564A (zh) * | 2014-03-06 | 2016-11-09 | 皇家飞利浦有限公司 | 生理特性确定装置 |
CN105347127A (zh) * | 2014-08-19 | 2016-02-24 | 三菱电机上海机电电梯有限公司 | 电梯轿厢内异常情况的监控系统及监控方法 |
CN106580301A (zh) * | 2016-12-21 | 2017-04-26 | 广州心与潮信息科技有限公司 | 一种生理参数的监测方法、装置和手持设备 |
CN109255468A (zh) * | 2018-08-07 | 2019-01-22 | 北京优酷科技有限公司 | 一种危险预测的方法及服务器 |
CN109766759A (zh) * | 2018-12-12 | 2019-05-17 | 成都云天励飞技术有限公司 | 情绪识别方法及相关产品 |
CN109498041A (zh) * | 2019-01-15 | 2019-03-22 | 吉林大学 | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 |
CN110336976A (zh) * | 2019-06-13 | 2019-10-15 | 长江大学 | 一种智能监控探头及系统 |
CN110334669A (zh) * | 2019-07-10 | 2019-10-15 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的方法和设备 |
CN110353700A (zh) * | 2019-07-29 | 2019-10-22 | 苏州市高事达信息科技股份有限公司 | 非接触式血氧饱和度检测方法 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
Non-Patent Citations (1)
Title |
---|
非接触式生理参数测量设备的研究;汪秀军;曹大平;曹宜;舒兴;荣猛;范强;;信息技术;20180823(第08期);第25-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311466A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chelli et al. | A machine learning approach for fall detection and daily living activity recognition | |
US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
CN104305964B (zh) | 头戴式疲劳检测装置及方法 | |
CN110151203B (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
CN111311466B (zh) | 安全控制方法及装置 | |
WO2018070935A1 (en) | Determining sleep stages | |
CN105249925B (zh) | 一种中医脉象采集装置及降噪系统和降噪方法 | |
US11406304B2 (en) | Systems and methods for physiological sign analysis | |
CN116564561A (zh) | 基于生理与情感特征的智能语音看护系统及看护方法 | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
WO2020055652A2 (en) | Biometric data capturing and analysis | |
CN107361765B (zh) | 脑波分析方法及其装置 | |
CN114569097A (zh) | 基于耳廓ppg信号预处理的血压预测方法、系统及介质 | |
Venkatachalam et al. | Bimodal HAR-An efficient approach to human activity analysis and recognition using bimodal hybrid classifiers | |
CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
KR102342106B1 (ko) | 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템 | |
Lee et al. | Mobile embedded health-care system working on wireless sensor network | |
CN112716468A (zh) | 基于三维卷积网络的非接触心率测量方法及装置 | |
CN117137451A (zh) | 基于远程脉搏波信号的非接触式应激检测方法和系统 | |
KR102029760B1 (ko) | 사용자 감정 분석을 이용한 이벤트 탐지 시스템 및 방법 | |
CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及系统 | |
CN116392148A (zh) | 脑电信号分类方法、装置、设备和存储介质 | |
CN114586073A (zh) | 使用混合感测系统的生物测定数据捕获和分析 | |
CN116524612B (zh) | 一种基于rPPG的人脸活体检测系统及方法 | |
Light et al. | Fall Pattern Classification from Barin Signals using Machine Learning Models |
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 |