CN111710424A - 餐饮人员健康监测方法、设备和计算机可读存储介质 - Google Patents
餐饮人员健康监测方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111710424A CN111710424A CN202010567130.9A CN202010567130A CN111710424A CN 111710424 A CN111710424 A CN 111710424A CN 202010567130 A CN202010567130 A CN 202010567130A CN 111710424 A CN111710424 A CN 111710424A
- Authority
- CN
- China
- Prior art keywords
- dining
- person
- place
- personnel
- dining place
- 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
- 230000036541 health Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 235000012054 meals Nutrition 0.000 claims abstract description 117
- 230000009977 dual effect Effects 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002093 peripheral effect Effects 0.000 claims description 21
- 238000002955 isolation Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 208000035473 Communicable disease Diseases 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 235000021158 dinner Nutrition 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 229940036051 sojourn Drugs 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
Abstract
一种餐饮人员健康监测方法、设备和计算机可读存储介质,其中,所述方法包括:对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐;判断进入就餐场所的人员是否为取餐人员;若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别;若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果;对就餐人员落座地点的周边人员进行特征识别。本发明提供的技术方案保证了对在就餐场所停留较长时间的人员的识别结果精确,亦为后续可能进行的流调提供了充分的数据支持,为传染病的防控把好了一道关。
Description
技术领域
本发明涉及智能识别领域,具体涉及一种餐饮人员健康监测方法、设备和计算机可读存储介质。
背景技术
对于一些突发性大规模传染病等公共卫生事件,及时查明感染源,隔离感染人群被证明是一种科学防控方法。此外,公众要配合的是尽量减少或不要到人员密集和/或空气流动性不好的场合。
然而,公众有时是出于工作、生活的需要,还是不能完全杜绝上述防控措施,譬如,去到食堂、餐厅等人员密集场合去就餐,这种情况下,需要对就餐人员的健康状况进行密切监测。目前,对在食堂、餐厅等就餐人员进行健康监测的方法是在这些公共场合的入口处设置检测设备,就餐人员进出都会接受这些检测设备的健康体检(譬如,测量体温等)。上述方法仍然存在一定的缺陷,譬如,在进出时只是测量了就餐人员的体温,然而,对人员的识别未必准确;再如,由于只是简单地进行了体温测量,在当时没有问题,但后续若当事人被确诊或者与当事人同一时段就餐的人员有确诊病例,则由于识别的不准确而无法及时找到密切接触人员,这些都给流调的顺利进行带来极大障碍。
综上,现有餐饮人员健康监测方法依然存在对人员识别不准确而给流调的顺利进行带来较大障碍的缺陷。
发明内容
本发明提供了餐饮人员健康监测方法、设备和计算机可读存储介质,用于解决现有技术对餐饮人员识别不准确而给流调顺利进行带来较大障碍的问题。
为此,根据第一方面,本发明实施例公开了一种餐饮人员健康监测方法,包括:
对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断进入所述就餐场所的人员是否为取餐人员;
若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
对所述就餐人员落座地点的周边人员进行特征识别。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员之前,所述方法还包括:
对所述进入所述就餐场所的人员进行体貌特征和携带之物进行识别;
将所述已进行过体貌特征识别的人员进行视频截图保存,并对所述视频的截图打上时间戳。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员,包括:
根据所述保存的视频截图,确定所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征是否相同;
若所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征相同,则根据所述离开所述就餐场所的时刻与所述时间戳记录的时刻的差值,确定所述进入所述就餐场所的人员是否为取餐人员,和/或根据所述离开所述就餐场所的人员携带之物,确定所述进入所述就餐场所的人员是否为取餐人员。
可选地,所述分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果,包括:
在所述就餐场所的点餐或取餐地点,对所述就餐人员进行第一次双重特征识别;
追踪所述已进行第一次双重特征识别的就餐人员;
在所述就餐人员落座时,对所述已进行第一次双重特征识别的就餐人员进行第二次双重特征识别;
保存所述双重识别的结果。
可选地,所述保存所述双重识别的结果,包括:
对比所述第一次双重特征识的结果与所述第二次双重特征识的结果;
若所述第一次双重特征识的结果与所述第二次双重特征识的结果相同,则只保存所述第一次双重特征识的结果或所述第二次双重特征识的结果。
可选地,所述方法还包括:
从国家卫生系统获取疑似病例的特征信息;
将所述疑似病例的特征信息与所述已进行至少双重特征识的就餐人员的识别结果对比;
若对比结果一致,则向识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;
将所述识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至所述国家卫生系统。
可选地,所述方法还包括:
从国家卫生系统获取疫情大数据信息;
从电信部门获取所述欲进入所述就餐场所的人员的行程信息;
根据所述行程信息和所述疫情大数据信息,判断所述欲进入就餐场所的人员是否来自疫情高风险地区;
若所述欲进入就餐场所的人员来自疫情高风险地区,则提示所述来自疫情高风险地区的人员出示健康证明。
根据第二方面,本发明实施例公开了一种餐饮人员健康监测装置,所述装置包括:
监测模块,用于对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断模块,用于判断进入所述就餐场所的人员是否为取餐人员;
提醒模块,用于若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
双重识别模块,用于若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
周边人员识别模块,用于对所述就餐人员落座地点的周边人员进行特征识别。
根据第三方面,本发明实施例公开了一种计算设备,包括处理器,处理器用于执行存储器中存储的计算机程序实现如下方法:
对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断进入所述就餐场所的人员是否为取餐人员;
若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
对所述就餐人员落座地点的周边人员进行特征识别。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员之前,所述方法还包括:
对所述进入所述就餐场所的人员进行体貌特征和携带之物进行识别;
将所述已进行过体貌特征识别的人员进行视频截图保存,并对所述视频的截图打上时间戳。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员,包括:
根据所述保存的视频截图,确定所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征是否相同;
若所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征相同,则根据所述离开所述就餐场所的时刻与所述时间戳记录的时刻的差值,确定所述进入所述就餐场所的人员是否为取餐人员,和/或根据所述离开所述就餐场所的人员携带之物,确定所述进入所述就餐场所的人员是否为取餐人员。
可选地,所述分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果,包括:
在所述就餐场所的点餐或取餐地点,对所述就餐人员进行第一次双重特征识别;
追踪所述已进行第一次双重特征识别的就餐人员;
在所述就餐人员落座时,对所述已进行第一次双重特征识别的就餐人员进行第二次双重特征识别;
保存所述双重识别的结果。
可选地,所述保存所述双重识别的结果,包括:
对比所述第一次双重特征识的结果与所述第二次双重特征识的结果;
若所述第一次双重特征识的结果与所述第二次双重特征识的结果相同,则只保存所述第一次双重特征识的结果或所述第二次双重特征识的结果。
可选地,所述方法还包括:
从国家卫生系统获取疑似病例的特征信息;
将所述疑似病例的特征信息与所述已进行至少双重特征识的就餐人员的识别结果对比;
若对比结果一致,则向识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;
将所述识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至所述国家卫生系统。
可选地,所述方法还包括:
从国家卫生系统获取疫情大数据信息;
从电信部门获取所述欲进入所述就餐场所的人员的行程信息;
根据所述行程信息和所述疫情大数据信息,判断所述欲进入就餐场所的人员是否来自疫情高风险地区;
若所述欲进入就餐场所的人员来自疫情高风险地区,则提示所述来自疫情高风险地区的人员出示健康证明。
根据第四方面,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,执行存储介质中存储的计算机程序被执行实现如下方法:
对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断进入所述就餐场所的人员是否为取餐人员;
若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
对所述就餐人员落座地点的周边人员进行特征识别。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员之前,所述方法还包括:
对所述进入所述就餐场所的人员进行体貌特征和携带之物进行识别;
将所述已进行过体貌特征识别的人员进行视频截图保存,并对所述视频的截图打上时间戳。
可选地,所述判断进入所述就餐场所的人员是否为取餐人员,包括:
根据所述保存的视频截图,确定所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征是否相同;
若所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征相同,则根据所述离开所述就餐场所的时刻与所述时间戳记录的时刻的差值,确定所述进入所述就餐场所的人员是否为取餐人员,和/或根据所述离开所述就餐场所的人员携带之物,确定所述进入所述就餐场所的人员是否为取餐人员。
可选地,所述分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果,包括:
在所述就餐场所的点餐或取餐地点,对所述就餐人员进行第一次双重特征识别;
追踪所述已进行第一次双重特征识别的就餐人员;
在所述就餐人员落座时,对所述已进行第一次双重特征识别的就餐人员进行第二次双重特征识别;
保存所述双重识别的结果。
可选地,所述保存所述双重识别的结果,包括:
对比所述第一次双重特征识的结果与所述第二次双重特征识的结果;
若所述第一次双重特征识的结果与所述第二次双重特征识的结果相同,则只保存所述第一次双重特征识的结果或所述第二次双重特征识的结果。
可选地,所述方法还包括:
从国家卫生系统获取疑似病例的特征信息;
将所述疑似病例的特征信息与所述已进行至少双重特征识的就餐人员的识别结果对比;
若对比结果一致,则向识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;
将所述识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至所述国家卫生系统。
可选地,所述方法还包括:
从国家卫生系统获取疫情大数据信息;
从电信部门获取所述进入所述就餐场所的人员的行程信息;
根据所述行程信息和所述疫情大数据信息,判断所述欲进入就餐场所的人员是否来自疫情高风险地区;
若所述欲进入就餐场所的人员来自疫情高风险地区,则提示所述来自疫情高风险地区的人员出示健康证明。
从上述本发明提供的技术方案可知,相比于现有技术对餐饮人员识别不准确而给流调顺利进行带来较大障碍的缺陷,本发明提供的技术方案一方面,即使对取餐人员也提醒进行一次特征识别,对进入就餐场所的“流动人员”也能记录其特征信息,为后续可能发生的流调提供了数据支持;另一方面,在进入就餐场所的人员为就餐人员时,分别在就餐场所的不同地点对就餐人员进行至少双重特征识别,从而保证了对在就餐场所停留较长时间的人员的识别结果精确;第三方面,对就餐人员落座地点的周边人员进行特征识别,亦为后续可能进行的流调提供了充分的数据支持,为传染病的防控把好了一道关。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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1为本发明实施例公开的一种餐饮人员健康监测方法流程图;
图2为本发明实施例公开的分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果的流程图;
图3为本发明实施例公开的一种餐饮人员健康监测装置结构示意图;
图4为本发明实施例公开的一种计算设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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和简化描述,而不是指示或暗示所指的装置或元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。
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,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为了克服现有技术对餐饮人员识别不准确而给流调顺利进行带来较大障碍的缺陷,本发明实施例提供了一种餐饮人员健康监测方法,请参考图1,为本发明实施例公开的一种餐饮人员健康监测方法流程图,该餐饮人员健康监测方法包括步骤S101至步骤S105,详细说明如下:
步骤S101,对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐。
在本发明实施例中,就餐场所泛指餐厅、食堂、酒店等提供饮食服务的公共场所,欲进入就餐场所的人员包括就餐人员、服务人员和取餐人员等。可以在上述就餐场所的入口处设置一个监测点,采用自动测温设备对欲进入就餐场所的人员进行健康监测,例如,可以设置一个热感仪,利用热感应原理对欲进入就餐场所的人员进行健康监测。若监测合格,则允许进入上述就餐场所就餐,否则,建议去做医学体检和/或拒绝进入上述就餐场所就餐。
步骤S102,判断进入就餐场所的人员是否为取餐人员。
在本发明实施例中,进入就餐场所的人员包括就餐人员、就餐场所的服务人员和取餐人员等。由于取餐人员和就餐人员在就餐场所停留的时间不同,前者停留的时间要远远短于后者停留的时间,因此,可以通过对进入就餐场所的人员是否为取餐人员,后续区别处理。
为了判断进入就餐场所的人员是否为取餐人员,在本发明一个实施例中,可以在判断进入就餐场所的人员是否为取餐人员之前,可以对进入就餐场所的人员进行体貌特征和携带之物进行识别;将已进行过体貌特征识别的人员进行视频截图保存,并对视频的截图打上时间戳。需要说明的是,此处的视频截图可以是刚刚进入就餐场所时,对进入就餐场所的人员进行体貌特征和携带之物进行识别时,视频图像采集设备在采集该体貌特征和携带之物的图像的截图。
作为本发明一个实施例,判断进入就餐场所的人员是否为取餐人员包括可通过如下步骤S1021和步骤S1022实现:
步骤S1021:根据保存的视频截图,确定离开就餐场所的人员与进入就餐场所的人员的体貌特征是否相同。
在本发明实施例中,体貌特征不仅包括人员的身体高矮、胖瘦、头发长短等特征,还包括脸部轮廓、虹膜、皮肤纹路等特征。由于每个人的体貌特征有其独特性的部分,因此,可以在人员离开就餐场所时,对其做一次特征识别,然后,根据保存的视频截图,确定离开就餐场所的人员与进入就餐场所的人员的体貌特征是否相同。具体而言,可以将人员离开就餐场所时进行特征识别时获取的体貌特征向量化,得到特征向量Y={y1,y1,...,yn},同时,将从保存的视频截图获取的体貌特征向量化,得到特征向量X={x1,x1,...,xn},然后,根据如下公式计算特征向量X与特征向量Y的相似度ρXY或cos(θ):
上述计算公式中,Cov(X,Y)为特征向量X与特征向量Y的协方差,D(X)和D(Y)分别为特征向量X与特征向量Y的方差。若相似度ρXY或cos(θ)在预设阈值,例如,相似度ρXY或cos(θ)大于90%,则确定离开就餐场所的人员与进入就餐场所的人员的体貌特征相同,即,确定离开就餐场所的人员与进入就餐场所的人员为同一个人。
步骤S1022:若离开就餐场所的人员与进入就餐场所的人员的体貌特征相同,则根据离开就餐场所的时刻与时间戳记录的时刻的差值,确定进入就餐场所的人员是否为取餐人员,和/或根据离开就餐场所的人员携带之物,确定进入就餐场所的人员是否为取餐人员。
如前所述,若离开就餐场所的人员与进入就餐场所的人员的体貌特征相同,则确定离开就餐场所的人员与进入就餐场所的人员为同一个人。此时,可以采用以下两种方式中的一种或其结合来进一步判断进入就餐场所的人员是否为取餐人员:
1)离开就餐场所的时刻与时间戳记录的时刻的差值;和/或
2)离开就餐场所的人员携带之物。
由于进入就餐场所的取餐人员与就餐人员在该就餐场所停留的时间一般而言不会一样,前者的停留时间要远远短于后者的停留时间,因此,可以先根据大数据,取得进入就餐场所的取餐人员在该就餐场所停留的时间TE,然后,根据前述所确定的离开就餐场所与进入就餐场所为同一个人其离开就餐场所的时刻与时间戳记录的时刻的差值,计算该人员在该就餐场所停留的时间TS,若TS与TE之间的差值在预设范围之内,则确定进入就餐场所的该人员为取餐人员。
由于除了对进入就餐场所的人员进行体貌特征的识别之外,还对其携带之物进行了识别,因此,若对就餐场所的该人员在离开该就餐场所时所携带之物进行识别,发现该人员在离开该就餐场所时携带了所购买食物,则确定进入就餐场所的人员为取餐人员。
当然,也可以同时根据离开就餐场所的时刻与时间戳记录的时刻的差值以及离开就餐场所的人员携带之物,来确定进入就餐场所的人员是否为取餐人员,例如,若根据离开就餐场所的时刻与时间戳记录的时刻的差值,得出该人员在就餐场所停留的时间TS与TE之间的差值在预设范围之内,以及发现该人员在离开该就餐场所时携带了所购买食物,则确定进入就餐场所的人员为取餐人员。
步骤S103,若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别。
需要说明的是,根据前述判断进入就餐场所的人员是否为取餐人员的实施例,若进入就餐场所的人员为取餐人员,实际上已经对取餐人员进行过一次特征识别。因此,在取餐人员离开就餐场所时,提醒对取餐人员进行一次特征识别,若取餐人员配合,则相当于对取餐人员做了两次特征识别。
步骤S104,若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果。
如前所述,由于进入就餐场所的取餐人员与就餐人员在就餐场所的停留时间不同,因此,对于这两类人员的特征识别要求也不同,即,对就餐人员的特征识别要求更加严格。作为本发明一个实施例,分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果可通过如附图2示例的步骤S201至步骤S204实现:
步骤S201:在就餐场所的点餐或取餐地点,对就餐人员进行第一次双重特征识别。
由于相对就餐人员在就餐场所走动而言,就餐人员在就餐场所的点餐或取餐地点的停留时间稍长,这两个地点是比较容易采集到就餐人员的特征的,因此,可以在上述两个地点,设置特征采样设备,对就餐人员的生物特征进行双重采集,例如,同时采集就餐人员的人脸特征和虹膜特征。
步骤S202:追踪已经步骤S201进行过第一次双重特征识别的就餐人员。
由于就餐人员在点餐或取餐完毕后要去寻找席位,即,已经步骤S201进行过第一次双重特征识别的就餐人员将会处于流动状态,为了在其落座后进行第二次双重特征的识别,需要对其进行追踪,追踪方法可以是以下三种方式中的任意一种或其结合:
方式一:检测特征采集设备中T2时刻的视频图像中的背景物,其中,特征采集设备的视频中像素点包括深度信息;将背景物竖直映射至视频图像中水平面,计算T2时刻的目标检测结果;根据T2时刻的目标检测结果以及追踪队列的当前位置计算距离矩阵,其中,追踪队列的当前位置根据T1时刻或T2时刻的目标检测结果确定,其中,T1时刻为T2时刻的上一时刻;根据距离矩阵确定T2时刻的目标检测结果中与追踪队列的当前位置最接近的坐标;将与追踪队列的当前位置最接近的坐标作为追踪队列的当前位置加入追踪队列。
上述方式一中,将背景物竖直映射至视频图像中水平面,计算T2时刻的目标检测结果具体为:将背景物竖直映射至视频图像中水平面,得到平面图像,其中,平面图像中坐标点的像素值由3D空间中的点占视频图像的大小以及3D空间中的点到水平面的距离确定;将预先训练得到的卷积核与平面图像进行卷积计算,得到T2时刻的目标检测结果。具体地,平面图像中坐标点的像素值由3D空间中的点占视频图像的大小以及3D空间中的点到地面所在平面的距离确定为:
vie_ple(x,y)=occup(x0,y0,d0)*heig(x0,y0,d0),
其中,vie_ple(x,y)为平面图像vie_ple在坐标点(x,y)的像素值,occup(x0,y0,d0)为视频图像中(x0,y0)位置、深度为d0的点占视频图像的大小,heig(x0,y0,d0)为视频图像中(x0,y0)位置、深度为d0的点到水平面的距离。
方式二:获取视频;针对视频的一部分视频帧的每帧图像,利用循环神经网络检测目标对象在该图像中的第一位置信息、并预测该目标对象在一部分视频帧的其他图像中的第二位置信息;以及根据视频中目标对象的第一位置信息和第二位置信息追踪该目标对象,其中,针对视频的一部分视频帧的每帧图像,利用循环神经网络检测目标对象在该图像中的第一位置信息、并预测该目标对象在一部分视频帧的其他图像中的第二位置信息包括:将一部分视频帧中每帧图像输入深度神经网络,以获得至一部分视频帧中每帧图像的第一特征;将一部分视频帧中每帧图像的第一特征输入循环神经网络,以获得一部分视频帧中每帧图像的第二特征,其中,当前图像的第二特征与在当前图像之前的图像和在当前图像之后的图像相关联,并且其中第二特征包括横坐标向量、纵坐标向量和通道向量;以及基于至少部分帧的图像中的、任一图像的第二特征的横坐标向量和纵坐标向量确定在目标对象在该图像中的第一位置信息,并预测该目标对象在一部分视频帧中其他图像中的第二位置信息。
方式三:获取包含目标的待检测的连续帧图像;利用第一前馈神经网络,获取连续帧图像中每一帧图像的第一特征信息;利用第二双向反馈神经网络,基于每一帧图像的第一特征信息,获取每一帧图像的第二特征信息;基于第二特征信息,确定连续帧图像的每一帧图像中包含目标的一个或多个区域,其中,每一帧图像的第二特征信息综合每一帧图像的预定数目的之前帧和之后帧的第二特征信息。
步骤S203:在就餐人员落座时,对已进行第一次双重特征识别的就餐人员进行第二次双重特征识别。
步骤S203中,对已进行第一次双重特征识别的就餐人员进行第二次双重特征识别,其实现过程与对该就餐人员进行第一次双重特征识别的实现方式相同。需要说明的是,由于就餐人员落座时,其在席位停留的时间要远大于其在取餐或点餐时在取餐或点餐地点的停留时间,因此,相对而言,对已进行第一次双重特征识别的就餐人员进行第二次双重特征识别,其实现相对于对该就餐人员进行第一次双重特征识别的实现要容易且识别结果更准确。
步骤S204:保存双重识别的结果。
为了节省存储空间,在本发明实施例中,可以只保留步骤S201的识别结果或步骤S203的识别结果,即,步骤S204的实现过程具体为:对比第一次双重特征识的结果与第二次双重特征识的结果,若第一次双重特征识的结果与第二次双重特征识的结果相同,则只保存第一次双重特征识的结果或第二次双重特征识的结果。需要说明的是,对第一次双重特征识的结果与第二次双重特征识的结果是否相同的判定,亦可以将两次识别结果向量化,计算两个向量的相似度。当该相似度在预设阈值范围之内时,即可判定第一次双重特征识的结果与第二次双重特征识的结果相同,而无需要求两个向量完全相同才判定第一次双重特征识的结果与第二次双重特征识的结果相同。
步骤S105,对就餐人员落座地点的周边人员进行特征识别。
在本发明实施例中,对就餐人员落座地点的周边人员进行特征识别,是为了为后续流调即流行病调查提供数据。例如,假设就餐人员在离开就餐场所的某一天确诊为某种传染病的病例,则为了寻找该确诊病例在各种场合的密切接触者,流调人员需要该就餐人员(此时已经成为确诊病例)落座地点的周边人员的特征信息,此时,若已经对确诊病例就餐时的落座地点的周边人员进行特征识别,则有利于流调人员寻找到确诊病例就餐时落座地点的周边人员。换言之,对就餐人员落座地点的周边人员进行特征识别后,需要将识别后的结果保存,保存的信息除了就餐人员落座地点的周边人员的特征信息之外,还包括就餐人员的就餐地点和时间等信息。
为了进一步防止一些没有症状的疑似病例(例如,某个确诊病例的密切接触者)进入就餐场所,以及将进入就餐场所的疑似病例就餐落座地点周边人员的特征信息上报,以便对这些人员进行管控,防止疫情的扩散,在本发明上述实施例中还包括:从国家卫生系统获取疑似病例的特征信息;将疑似病例的特征信息与已进行至少两次双重特征识的就餐人员的识别结果对比;若对比的结果一致即已进行至少两次双重特征识的就餐人员为疑似病例,则向识别结果与疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;将识别结果与疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至国家卫生系统。需要说明的是,无论是从国家卫生系统获取疑似病例的特征信息,还是将识别结果与疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至国家卫生系统,需要确保过程的合法性和隐秘性,不得泄露当事人的隐私。
考虑到个别流行性传染病,感染人员可能并无症状,例如并无发烧、咳嗽等不适,在疫情地区旅居人员可能成为无症状感染者,因此,为了防止这类人员进入就餐场所,在本发明上述实施例中,还包括:从国家卫生系统获取疫情大数据信息;从电信部门获取进入就餐场所的人员的行程信息;根据行程信息和疫情大数据信息,判断欲进入就餐场所的人员是否来自疫情高风险地区;若欲进入就餐场所的人员来自疫情高风险地区,则提示来自疫情高风险地区的人员出示健康证明,例如健康绿码。同需要说明的是,无论是从国家卫生系统获取疫情大数据信息,还是从电信部门获取进入就餐场所的人员的行程信息,需要确保过程的合法性和隐秘性,不得泄露当事人的隐私。
从上述附图1示例的本发明的技术方案可知,相比于现有技术对餐饮人员识别不准确而给流调顺利进行带来较大障碍的缺陷,本发明提供的技术方案一方面,即使对取餐人员也提醒进行一次特征识别,对进入就餐场所的“流动人员”也能记录其特征信息,为后续可能发生的流调提供了数据支持;另一方面,在进入就餐场所的人员为就餐人员时,分别在就餐场所的不同地点对就餐人员进行至少双重特征识别,从而保证了对在就餐场所停留较长时间的人员的识别结果精确;第三方面,对就餐人员落座地点的周边人员进行特征识别,亦为后续可能进行的流调提供了充分的数据支持,为传染病的防控把好了一道关。
本发明实施例还公开了一种餐饮人员健康监测装置,请参考图3,为本发明实施例公开的一种餐饮人员健康监测装置结构示意图,该餐饮人员健康监测装置包括:监测模块301、判断模块302、提醒模块303、双重识别模块304和周边人员识别模块305,其中:
监测模块301,用于对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐;
判断模块302,用于判断进入就餐场所的人员是否为取餐人员;
提醒模块303,用于若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别;
双重识别模块304,用于若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果;
周边人员识别模块304,用于对就餐人员落座地点的周边人员进行特征识别。
在可选的实施例中,附图3示例的装置还可以包括体貌识别模块和保存模块,其中:
体貌识别模块,用于对进入就餐场所的人员进行体貌特征和携带之物进行识别;
保存模块,用于将已进行过体貌特征识别的人员进行视频截图保存,并对视频的截图打上时间戳。
在可选的实施例中,判断模块302具体用于根据保存的视频截图,确定离开就餐场所的人员与进入就餐场所的人员的体貌特征是否相同,若离开就餐场所的人员与进入就餐场所的人员的体貌特征相同,则根据离开就餐场所的时刻与时间戳记录的时刻的差值,确定进入就餐场所的人员是否为取餐人员,和/或根据离开就餐场所的人员携带之物,确定进入就餐场所的人员是否为取餐人员。
在可选的实施例中,双重识别模块304具体用于在就餐场所的点餐或取餐地点,对就餐人员进行第一次双重特征识别;追踪已进行第一次双重特征识别的就餐人员;在就餐人员落座时,对已进行第一次双重特征识别的就餐人员进行第二次双重特征识别;保存双重识别的结果。
在可选的实施例中,上述保存双重识别的结果包括:对比第一次双重特征识的结果与第二次双重特征识的结果;若第一次双重特征识的结果与第二次双重特征识的结果相同,则只保存第一次双重特征识的结果或第二次双重特征识的结果。
在可选的实施例中,附图3示例的装置还可以包括第一获取模块、对比模块、发布模块和上报模块,其中:
第一获取模块,用于从国家卫生系统获取疑似病例的特征信息;
对比模块,用于将第一获取模块获取的疑似病例的特征信息与已进行至少双重特征识的就餐人员的识别结果对比;
发布模块,用于若对比结果一致,则向识别结果与疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;
上报模块,用于将识别结果与疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至国家卫生系统。
在可选的实施例中,附图3示例的装置还可以包括第二获取模块、第三获取模块、疫区人员判断模块和提示模块,其中:
第二获取模块,用于从国家卫生系统获取疫情大数据信息;
第三获取模块,用于从电信部门获取欲进入就餐场所的人员的行程信息;
疫区人员判断模块,用于疫区人员判断模块,用于根据第三获取模块获取的行程信息和疫情大数据信息,判断欲进入就餐场所的人员是否来自疫情高风险地区;
提示模块,用于若欲进入就餐场所的人员来自疫情高风险地区,则提示来自疫情高风险地区的人员出示健康证明。
此外,本发明实施例还公开了一种计算设备的结构示意图。如图4所示,该实施例的计算设备4主要包括:处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42,例如餐饮人员健康监测方法的程序。处理器40执行计算机程序42时实现上述餐饮人员健康监测方法实施例中的步骤,例如图1所示的步骤。或者,处理器40执行计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示监测模块301、判断模块302、提醒模块303、双重识别模块304和周边人员识别模块305的功能或者这些模块所包含的单元的功能。
示例性的,餐饮人员健康监测方法的计算机程序42主要包括:对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐;判断进入就餐场所的人员是否为取餐人员;若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别;若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果;对就餐人员落座地点的周边人员进行特征识别。计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在计算设备4中的执行过程。例如,计算机程序42可以被分割成监测模块301、判断模块302、提醒模块303、双重识别模块304和周边人员识别模块305(虚拟装置中的模块)的功能,各模块具体功能如下:监测模块301,用于对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐;判断模块302,用于判断进入就餐场所的人员是否为取餐人员;提醒模块303,用于若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别;双重识别模块304,用于若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果;周边人员识别模块304,用于对就餐人员落座地点的周边人员进行特征识别。
计算设备4可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图4仅仅是计算设备4的示例,并不构成对计算设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是计算设备4的内部存储单元,例如计算设备4的硬盘或内存。存储器41也可以是计算设备4的外部存储设备,例如计算设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括计算设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及计算设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,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来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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算设备实施例仅仅是示意性的,例如,模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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,在本发明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,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元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介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,餐饮人员健康监测方法的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤,即,对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入就餐场所就餐;判断进入就餐场所的人员是否为取餐人员;若进入就餐场所的人员为取餐人员,则在取餐人员离开就餐场所时,提醒需要对取餐人员进行一次特征识别;若进入就餐场所的人员为就餐人员,则分别在就餐场所的不同地点对就餐人员进行至少双重特征识别并保存识别结果;对就餐人员落座地点的周边人员进行特征识别。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种餐饮人员健康监测方法,其特征在于,所述方法包括:
对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断进入所述就餐场所的人员是否为取餐人员;
若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
对所述就餐人员落座地点的周边人员进行特征识别。
2.如权利要求1所述的餐饮人员健康监测方法,其特征在于,所述判断进入所述就餐场所的人员是否为取餐人员之前,所述方法还包括:
对所述进入所述就餐场所的人员进行体貌特征和携带之物进行识别;
将所述已进行过体貌特征识别的人员进行视频截图保存,并对所述视频的截图打上时间戳。
3.如权利要求2所述的餐饮人员健康监测方法,其特征在于,所述判断进入所述就餐场所的人员是否为取餐人员,包括:
根据所述保存的视频截图,确定所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征是否相同;
若所述离开所述就餐场所的人员与所述进入所述就餐场所的人员的体貌特征相同,则根据所述离开所述就餐场所的时刻与所述时间戳记录的时刻的差值,确定所述进入所述就餐场所的人员是否为取餐人员,和/或根据所述离开所述就餐场所的人员携带之物,确定所述进入所述就餐场所的人员是否为取餐人员。
4.如权利要求1所述的餐饮人员健康监测方法,其特征在于,所述分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果,包括:
在所述就餐场所的点餐或取餐地点,对所述就餐人员进行第一次双重特征识别;
追踪所述已进行第一次双重特征识别的就餐人员;
在所述就餐人员落座时,对所述已进行第一次双重特征识别的就餐人员进行第二次双重特征识别;
保存所述双重识别的结果。
5.如权利要求4所述的餐饮人员健康监测方法,其特征在于,所述保存所述双重识别的结果,包括:
对比所述第一次双重特征识的结果与所述第二次双重特征识的结果;
若所述第一次双重特征识的结果与所述第二次双重特征识的结果相同,则只保存所述第一次双重特征识的结果或所述第二次双重特征识的结果。
6.如权利要求1至5任意一项所述的餐饮人员健康监测方法,其特征在于,所述方法还包括:
从国家卫生系统获取疑似病例的特征信息;
将所述疑似病例的特征信息与所述已进行至少双重特征识的就餐人员的识别结果对比;
若对比结果一致,则向识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员发布医学隔离的建议;
将所述识别结果与所述疑似病例的特征信息一致的就餐人员落座地点的周边人员的特征信息上报至所述国家卫生系统。
7.如权利要求1至5任意一项所述的餐饮人员健康监测方法,其特征在于,所述方法还包括:
从国家卫生系统获取疫情大数据信息;
从电信部门获取所述欲进入所述就餐场所的人员的行程信息;
根据所述行程信息和所述疫情大数据信息,判断所述欲进入就餐场所的人员是否来自疫情高风险地区;
若所述欲进入就餐场所的人员来自疫情高风险地区,则提示所述来自疫情高风险地区的人员出示健康证明。
8.一种餐饮人员健康监测装置,其特征在于,所述装置包括:
监测模块,用于对欲进入就餐场所的人员进行健康监测,若监测合格,则允许进入所述就餐场所就餐;
判断模块,用于判断进入所述就餐场所的人员是否为取餐人员;
提醒模块,用于若进入所述就餐场所的人员为取餐人员,则在所述取餐人员离开所述就餐场所时,提醒需要对所述取餐人员进行一次特征识别;
双重识别模块,用于若进入所述就餐场所的人员为就餐人员,则分别在所述就餐场所的不同地点对所述就餐人员进行至少双重特征识别并保存识别结果;
周边人员识别模块,用于对所述就餐人员落座地点的周边人员进行特征识别。
9.一种计算设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序实现如权利要求1至7任意一项的所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,存储介质中存储的计算机程序被执行实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567130.9A CN111710424A (zh) | 2020-06-19 | 2020-06-19 | 餐饮人员健康监测方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567130.9A CN111710424A (zh) | 2020-06-19 | 2020-06-19 | 餐饮人员健康监测方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111710424A true CN111710424A (zh) | 2020-09-25 |
Family
ID=72541488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567130.9A Pending CN111710424A (zh) | 2020-06-19 | 2020-06-19 | 餐饮人员健康监测方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710424A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1761319A (zh) * | 2004-10-12 | 2006-04-19 | 国际商业机器公司 | 视频监视系统的视频分析、存档和报警方法和设备 |
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106296112A (zh) * | 2016-07-28 | 2017-01-04 | 广州猫眼网络科技有限公司 | 基于人脸识别的考勤系统、方法及其装置 |
CN106326837A (zh) * | 2016-08-09 | 2017-01-11 | 北京旷视科技有限公司 | 对象追踪方法和装置 |
CN107591207A (zh) * | 2017-08-24 | 2018-01-16 | 深圳市华盛昌科技实业股份有限公司 | 一种疫情排查方法、装置、系统及设备 |
CN107972069A (zh) * | 2017-11-27 | 2018-05-01 | 胡明建 | 一种机械视觉和机械触觉以时间相互映射的设计方法 |
CN107977613A (zh) * | 2017-11-23 | 2018-05-01 | 高域(北京)智能科技研究院有限公司 | 提高人脸识别效率的方法和人脸识别系统 |
CN207337495U (zh) * | 2017-07-11 | 2018-05-08 | 常熟理工学院 | 基于人脸识别的实验室智能门禁管理系统 |
CN108376425A (zh) * | 2018-02-23 | 2018-08-07 | 西安交通大学 | 一种基于掌静脉识别技术的快速检票方法 |
CN108985232A (zh) * | 2018-07-18 | 2018-12-11 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
CN111035370A (zh) * | 2020-03-16 | 2020-04-21 | 广州市安路宝电子科技有限公司 | 一种体温与视频图像监控系统 |
KR20200047457A (ko) * | 2020-03-30 | 2020-05-07 | 주식회사 올라운드 | 전염병 환자 추척 시스템 및 이를 이용한 전염병 환자 추적 방법 |
CN111127510A (zh) * | 2018-11-01 | 2020-05-08 | 杭州海康威视数字技术股份有限公司 | 一种目标对象位置的预测方法及装置 |
CN111243745A (zh) * | 2020-03-12 | 2020-06-05 | 中祖建设安装工程有限公司 | 集成健康检测功能的消控系统 |
CN111275583A (zh) * | 2020-01-20 | 2020-06-12 | 上海大学 | 一种基于人脸识别与数据库的服务方法 |
-
2020
- 2020-06-19 CN CN202010567130.9A patent/CN111710424A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1761319A (zh) * | 2004-10-12 | 2006-04-19 | 国际商业机器公司 | 视频监视系统的视频分析、存档和报警方法和设备 |
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106296112A (zh) * | 2016-07-28 | 2017-01-04 | 广州猫眼网络科技有限公司 | 基于人脸识别的考勤系统、方法及其装置 |
CN106326837A (zh) * | 2016-08-09 | 2017-01-11 | 北京旷视科技有限公司 | 对象追踪方法和装置 |
CN207337495U (zh) * | 2017-07-11 | 2018-05-08 | 常熟理工学院 | 基于人脸识别的实验室智能门禁管理系统 |
CN107591207A (zh) * | 2017-08-24 | 2018-01-16 | 深圳市华盛昌科技实业股份有限公司 | 一种疫情排查方法、装置、系统及设备 |
CN107977613A (zh) * | 2017-11-23 | 2018-05-01 | 高域(北京)智能科技研究院有限公司 | 提高人脸识别效率的方法和人脸识别系统 |
CN107972069A (zh) * | 2017-11-27 | 2018-05-01 | 胡明建 | 一种机械视觉和机械触觉以时间相互映射的设计方法 |
CN108376425A (zh) * | 2018-02-23 | 2018-08-07 | 西安交通大学 | 一种基于掌静脉识别技术的快速检票方法 |
CN108985232A (zh) * | 2018-07-18 | 2018-12-11 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN111127510A (zh) * | 2018-11-01 | 2020-05-08 | 杭州海康威视数字技术股份有限公司 | 一种目标对象位置的预测方法及装置 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
CN111275583A (zh) * | 2020-01-20 | 2020-06-12 | 上海大学 | 一种基于人脸识别与数据库的服务方法 |
CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
CN111243745A (zh) * | 2020-03-12 | 2020-06-05 | 中祖建设安装工程有限公司 | 集成健康检测功能的消控系统 |
CN111035370A (zh) * | 2020-03-16 | 2020-04-21 | 广州市安路宝电子科技有限公司 | 一种体温与视频图像监控系统 |
KR20200047457A (ko) * | 2020-03-30 | 2020-05-07 | 주식회사 올라운드 | 전염병 환자 추척 시스템 및 이를 이용한 전염병 환자 추적 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101729327B1 (ko) | 듀얼 카메라를 이용한 체온 추적 모니터링 시스템 | |
CN111595450B (zh) | 测量温度的方法、装置、电子设备和计算机可读存储介质 | |
CN109344746B (zh) | 行人计数方法、系统、计算机设备和存储介质 | |
JP7143912B2 (ja) | 人物検出システム | |
WO2019061293A1 (zh) | 对象检测方法、对象检测终端及计算机可读介质 | |
CN105631515B (zh) | 人流计数系统 | |
US10943092B2 (en) | Monitoring system | |
CN111344713A (zh) | 用于对象识别的相机和图像校准 | |
CN106096608B (zh) | 胸部温度异常区定位方法及装置 | |
JPH11175730A (ja) | 人間検出追跡システム | |
CN111582227A (zh) | 基于红外热成像的信息识别方法、设备、存储介质和系统 | |
US11983951B2 (en) | Human detection device and human detection method | |
JP2018067755A (ja) | 検出データ管理装置 | |
CN111699512A (zh) | 异常场景检测系统和方法 | |
US20200134306A1 (en) | Person searching method and apparatus and image processing device | |
KR20170007070A (ko) | 방문객 출입 통계 분석 방법 및 장치 | |
CN108613672B (zh) | 对象定位方法、对象定位系统和电子设备 | |
CN111710424A (zh) | 餐饮人员健康监测方法、设备和计算机可读存储介质 | |
JP5796523B2 (ja) | 生体情報取得装置、生体情報取得方法、生体情報取得制御プログラム | |
JP6754451B2 (ja) | 監視システム、監視方法及びプログラム | |
Al Maashri et al. | A novel drone-based system for accurate human temperature measurement and disease symptoms detection using thermography and AI | |
Medina-Quero et al. | Computer vision-based gait velocity from non-obtrusive thermal vision sensors | |
WO2021241293A1 (ja) | 行動体特定システム | |
JP2014191711A (ja) | 映像解析装置、映像解析方法、プログラムおよび映像解析システム | |
JP2001291184A (ja) | 通行量調査システム |
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 |