CN111881865A - 一种自适应的危险行为监控方法与系统、智能设备 - Google Patents
一种自适应的危险行为监控方法与系统、智能设备 Download PDFInfo
- Publication number
- CN111881865A CN111881865A CN202010767653.8A CN202010767653A CN111881865A CN 111881865 A CN111881865 A CN 111881865A CN 202010767653 A CN202010767653 A CN 202010767653A CN 111881865 A CN111881865 A CN 111881865A
- Authority
- CN
- China
- Prior art keywords
- dangerous behavior
- dangerous
- model
- detection result
- behavior detection
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 279
- 238000001514 detection method Methods 0.000 claims abstract description 126
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 231100001261 hazardous Toxicity 0.000 claims description 7
- 238000011017 operating method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram 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
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种自适应的危险行为监控方法与系统、智能设备,其中,危险行为监控方法,包括:获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;获取该网点的监控图片;利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;根据危险行为检测结果的危险程度,执行对应的警示操作。增加设置了对应各个网点的扩展危险行为集,以训练出对应各个网点的危险行为检测模型。如此,可以提高危险行为监控对不同网点的适应性。各个网点,根据实际情况,可以自由增加扩展危险行为集中的训练数据,而不需要担心对其他网点的影响,方案的扩展性得到了提升。
Description
技术领域
本发明涉及人工智能领域,特别是涉及一种自适应的危险行为监控方法与系统、智能设备。
背景技术
随着人工智能技术的不断发展,越来越多的场景采用了人工智能技术。在一些场景下,计算机视觉技术,被用于对于人身、财产安全进行监控。尤其是个别场景下,用户的一些行为可能会对自身、他人或者财产造成伤害,亟需对用户的危险行为进行监控与警示。
现有技术中,一般是利用计算机视觉技术,对一类场景设计一个统一的危险行为监控方案。比如说银行网点内的危险行为监控方案,一般由银行总部统一设计,得到一个统一的危险行为检测模型,分发给各个网点进行使用。
但是,银行的网点分布在多个不同的区域位置。而不同区域内,受到风俗习惯、居民的文化特点、区域特点等因素的影响,用户的行为习惯、模式可能具有不同的特点,由此导致的行为风险程度,也存在较大的差异。相同的行为,在不同的区域中,可能带来不用程度的危害结果,甚至,可能不具有危害性。而现有所有区域均采用统一的危险行为监控方案,没有考虑到不同区域的用户行为的差异性,可能会存在误报、漏报的情形,对不同区域的适应性存在一定的问题;也不支持各个区域进行方案的扩展,扩展性不强。
发明内容
基于此,有必要针对现有针对不同区域的危险行为监控方案,采用统一的计算机视觉方案,对不同区域的适应性存在一定的问题,存在漏报、误报的问题,提供一种自适应的危险行为监控方法与系统、智能设备。
本申请一实施例提供了一种自适应的危险行为监控方法,包括:
获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
获取该网点的监控图片;
利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
根据危险行为检测结果的危险程度,执行对应的警示操作。
在一些实施例中,所述获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点步骤,具体包括:
后台的模型训练单元获取基础危险行为集,训练得到基础的检测模型,并分发给所有网点;
网点的模型优化单元,接收基础的检测模型,利用对应该网点的扩展危险行为集,对基础的检测模型进行优化,得到对应该网点的危险行为检测模型。
在一些实施例中,在所述获取该网点的监控图片步骤之后,还包括:
对监控图片进行人脸识别,得到行为人的身份信息;
所述根据危险行为检测结果的危险程度,执行对应的警示操作步骤,具体包括:
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
在一些实施例中,在所述获取该网点的监控图片步骤之后,还包括:
对监控图片进行人脸检测,当检测人脸时,进行危险行为检测。
在一些实施例中,还包括:
获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
本申请一实施例还提供了一种自适应的危险行为监控系统,适用于包括多个网点的情形,包括:
模型训练单元,用于获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
每个网点设置有摄像头、处理器、存储器、响应处理单元,其中,
所述摄像头,用于获取该网点的监控图片;
所述存储器,用于接收并存储危险行为检测模型;
所述处理器,用于利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
所述响应处理单元,用于根据危险行为检测结果的危险程度,执行对应的警示操作。
在一些实施例中,所述处理器,还用于对监控图片进行人脸识别,得到行为人的身份信息;
所述响应处理单元,具体用于,
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
在一些实施例中,所述处理器,还用于对监控图片进行人脸检测,当检测人脸时,才对监控图片进行危险行为检测。
在一些实施例中,所述网点还设置有数据更新单元,用于获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
本申请另一实施例还提供了一种智能设备,包含前述任一项实施例所述的自适应的危险行为监控系统。
本申请实施例提供的危险行为监控方案,针对不同网点,在基础危险行为集的基础上,另行设置了对应各个网点的扩展危险行为集,以训练出对应各个网点的危险行为检测模型。如此,可以提高危险行为监控对不同网点的适应性。各个网点,根据实际情况,可以自由增加扩展危险行为集中的训练数据,而不需要担心对其他网点的影响,方案的扩展性得到了提升。
附图说明
图1为本申请一实施例的危险行为监控方法的应用场景示意图;
图2为本申请一实施例的危险行为监控方法的流程示意图;
图3为本申请另一实施例的危险行为监控方法的流程示意图;
图4本申请一实施例的危险行为监控系统的框架结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
如图2所示,本申请一实施例公开了一种自适应的危险行为监控方法,包括:
S100,获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
如图1所示,本实施例提供的方法,主要应用这样的场景下:具有多个网点1-N,N为大于1的正整数,有一个后台,通过网络,与所有网点通信连接。
步骤S100,可以在后台执行。示例的,后台可以设置有模型训练单元和训练数据存储单元,训练数据存储单元存储有基础危险行为集以及对应不同网点的扩展危险行为集。其中,基础危险行为集,包括了所有网点均适用的危险行为训练数据;不同的网点有对应各自的扩展危险行为集,扩展危险行为集,包括仅适应于该网点的危险行为数据,是对基础危险行为集的补充。不同的网点,可以提供、更新各自的扩展危险行为集。危险行为数据,可以包括有危险行为的图像和标注信息。标注信息用于表示危险行为的程度,可以分为轻度危险行为和重度危险行为。
模型训练单元,可以为每个网点训练各自的危险行为检测模型。模型训练单元在训练某个网点的危险行为检测模型时,可以将基础危险行为集和对应该网点的扩展危险行为集,合并为训练集,用于模型的训练。也可以,先利用基础危险行为集,训练一个基础的检测模型,再利用扩展危险行为集进行优化,得到对应该网点的危险行为检测模型。
得到一个网点的危险行为检测模型之后,模型训练单元,可以将其分发给对应的网点,以让该网点基于该模型进行危险行为检测。
可以理解的是,在一些实施例中,可以在后台设置有基础训练模块,在网点上也可以设置有模型优化模块。步骤S100,可以具体包括:
后台的模型训练单元获取基础危险行为集,训练得到基础的检测模型,并分发给所有网点;
网点的模型优化单元,接收基础的检测模型,利用对应该网点的扩展危险行为集,对基础的检测模型进行优化,得到对应该网点的危险行为检测模型。
如此,后台只需要训练基础的检查模型,后续模型的优化,由各个网点自己进行,可以降低后台的训练处理量,提升模型的训练速度。
在一些实施例中,基础危险行为集和扩展危险行为集的危险行为数据中,还可以包括时间信息,不同的时段可以有不同的危险行为检测模型。考虑到各个网点的特征,某些行为,其是否具有危险以及危险程度,可能会随着网点的时间段的差异,而有所变化。因此,在危险行为数据中,还可以包括时间信息,以表明该行为在何种时间段内会被认定为危险行为。如此,可以增强对网点的适应性。
S300,获取该网点的监控图片;
S500,利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
S600,根据危险行为检测结果的危险程度,执行对应的警示操作。
各个网点,可以设置有摄像头300,用于获取该网点的监控图片。同时,在网点内,还可以设置有处理器单元200和存储器。其中,存储器,可以用于接收并存储危险行为检测模块。网点的处理器单元200,利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果。
根据危险程度,危险行为可以分为轻度危险行为以及重度危险行为。在一些实施例中,危险行为检测结果,可以直接是对轻度危险行为以及重度危险行为的匹配结果。
每个网点,可以设置不同的警示策略。不同的警示策略,对应不同的警示操作。比如,针对重度危险行为,可以触发警报,还可以触发远程客服人员进行接管操作;针对轻度危险行为,可以触发语音提醒。
在一些实施例中,在步骤S500之后,还可以包括:
对监控图片进行人脸识别,得到行为人的身份信息;
步骤S600可以具体包括:
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
针对轻度危险行为,可以进一步判断是否存在同一个行为人有多次轻度危险行为的情形,如果存在,则可以按照重度危险行为进行处置。如此,可以有效的警示危险行为,避免行为人升级为重度危险行为。
在一些实施例中,在步骤S500之后,还可以包括:
对监控图片进行人脸识别,得到行为人的身份信息;
步骤S600可以具体为:根据危险行为检测结果的危险程度、行为人的身份信息以及网点的警示策略,执行对应的警示操作。
受到网点所在区域特征的影响,每个网点所在区域可能具有不同的人群,即使是相同的人群,其行为的危险性也可能各不相同。比如说,一些网点中,可能需要重点关注好动的儿童,而另一些网点可能需要重点关注老人或者成年男人。
根据行为人的身份信息,可以将行为人划分为不同的类型。示例的,可以根据年龄、性别,划分为儿童、成年男人、成年女人、老人等。在对行为人进行划分时,不同的网点可以设置不同的标准。
各个网点,分别设置各自的警示策略。警示策略中,针对不同类型的行为人的不同程度的危险行为,可以设置不同的警示操作。
示例的,一些网点中,相比其他网点,儿童的一些轻度危险行为可能会带来比较严重的后果,此时,即使危险行为检测结果显示为轻度危险行为,但只要行为人为儿童,也可以按照重度危险行为进行警示。
在一些网点中,其网点内的行为人可能不具有危险性,对于他们的轻度危险行为,可以获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为,按照重度危险行为进行警示操作。
针对重度危险行为,可以触发警报,还可以触发远程客服人员进行接管操作;针对轻度危险行为,可以触发语音提醒。
本申请实施例提供的危险行为监控方法,针对不同网点,在基础危险行为集的基础上,另行设置了对应各个网点的扩展危险行为集,以训练出对应各个网点的危险行为检测模型。如此,可以提高危险行为监控对不同网点的适应性。各个网点,根据实际情况,可以自由增加扩展危险行为集中的训练数据,而不需要担心对其他网点的影响,方案的扩展性得到了提升。
在一些实施例中,在步骤S600之后,还可以包括:
当判断危险行为检测结果为重度危险行为时,进行人脸识别,关联危险行为检测结果与行为人的身份信息。
通过关联重度危险行为与行为人的身份信息,当重度危险行为造成财产、人身损害时,可以方便后期的维权。
在一些实施例中,如图3所示,在步骤S300之后,还包括:
S350,对监控图片进行人脸检测,当检测人脸时,进入步骤S500,以进行危险行为检测。
在进行危险行为检测之前,增加人脸检测的判断,只有当在监控图片中检测到有人脸时,才会进行危险行为检测。如此,可以避免无效图片数据的处理,减少了数据处理量,节约了网点的处理器资源。
在一些实施例中,如图3所示。在步骤S600之后,还包括,
S700,获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
危险行为检测结果可以为与危险行为的匹配度,可以事先设置第一匹配阈值和第二匹配阈值,第二匹配阈值小于第一匹配阈值。当匹配度超过第一匹配阈值时,可以认为该行为属于对应的危险行为;如果低于第一匹配阈值,则认为该行为不属于对应的危险行为。
预设条件,可以是危险行为检测结果位于第一匹配阈值和第二匹配阈值之间,此时,该行为不能认定为对应的危险行为,但是又具有相当的相似度。可以将符合预设条件的危险行为检测结果筛选出来,由人工进行识别并标注。然后,用这些结果对应的监控图片,去更新该网点的扩展行为集。如此,可以对网点的扩展危险行为集进行优化,提升危险行为监控的准确性。
需要说明的是,对于方法实施例,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,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,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,所涉及的动作并不一定是本申请实施例所必须的。
如图1及图4所示,本申请一实施例公开了一种自适应的危险行为监控系统,适用于包括多个网点的情形,包括:
模型训练单元100,用于获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
每个网点设置有摄像头300、处理器200、存储器400及响应处理单元500,其中,
摄像头300,用于获取该网点的监控图片;
存储器400,用于接收并存储危险行为检测模型;
处理器200,用于利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
响应处理单元500,用于根据危险行为检测结果的危险程度,执行对应的警示操作。
模型训练单元100、处理器200、响应处理单元500的工作方式,可以参见前面实施例中对应步骤的描述,在此不再赘述。
在一些实施例中,模型训练单元100,可以包括一个基础训练模块和多个模型优化模块,模型优化模块分布在每一个网点上,基础训练模块,用于获取基础危险行为集,训练得到基础的检测模型,并分发给所有网点;
每个网点的模型优化模块,用于接收基础的检测模型,利用对应该网点的扩展危险行为集,对基础的检测模型进行优化,得到对应该网点的危险行为检测模型。
如此,后台只需要训练基础的检查模型,后续模型的优化,由各个网点自己进行,可以降低后台的训练处理量,提升模型的训练速度。
在一些实施例中,处理器200,还用于对监控图片进行人脸识别,得到行为人的身份信息;
响应处理单元500,具体用于,
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
在一些实施例中,处理器200,还用于对监控图片进行人脸识别,得到行为人的身份信息;
响应处理单元500,具体用于,根据危险行为检测结果的危险程度、行为人的身份信息以及网点的警示策略,执行对应的警示操作。
在一些实施例中,处理器200,还用于当判断危险行为检测结果为重度危险行为时,进行人脸识别,关联危险行为检测结果与行为人的身份信息。如此,当重度危险行为造成财产、人身损害时,可以方便后期的维权。
在一些实施例中,处理器200,还用于对监控图片进行人脸检测,当检测人脸时,才对监控图片进行危险行为检测。如此,可以避免无效图片数据的处理,减少了数据处理量,节约了网点的处理器资源。
在一些实施例中,网点还设置有数据更新单元,用于获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
本申请实施例提供的危险行为监控方案,针对不同网点,在基础危险行为集的基础上,另行设置了对应各个网点的扩展危险行为集,以训练出对应各个网点的危险行为检测模型。如此,可以提高危险行为监控对不同网点的适应性。各个网点,根据实际情况,可以自由增加扩展危险行为集中的训练数据,而不需要担心对其他网点的影响,方案的扩展性得到了提升。
本申请一实施例还提供一种智能设备,可以包括有前述自适应的危险行为监控系统,或者执行前述自适应的危险行为监控方法。
所述系统/计算机装置集成的部件/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方式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,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读存储介质可以包括:能够携带所述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-OnlyMemory)、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,所述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。
在本发明所提供的几个具体实施方式中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施方式仅仅是示意性的,例如,所述部件的划分,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。
另外,在本发明各个实施例中的各功能模块/部件可以集成在相同处理模块/部件中,也可以是各个模块/部件单独物理存在,也可以两个或两个以上模块/部件集成在相同模块/部件中。上述集成的模块/部件既可以采用硬件的形式实现,也可以采用硬件加软件功能模块/部件的形式实现。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种自适应的危险行为监控方法,其特征在于,包括:
获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
获取该网点的监控图片;
利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
根据危险行为检测结果的危险程度,执行对应的警示操作。
2.根据权利要求1所述的自适应的危险行为监控方法,其特征在于,所述获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点步骤,具体包括:
后台的模型训练单元获取基础危险行为集,训练得到基础的检测模型,并分发给所有网点;
网点的模型优化单元,接收基础的检测模型,利用对应该网点的扩展危险行为集,对基础的检测模型进行优化,得到对应该网点的危险行为检测模型。
3.根据权利要求1所述的自适应的危险行为监控方法,其特征在于,在所述获取该网点的监控图片步骤之后,还包括:
对监控图片进行人脸识别,得到行为人的身份信息;
所述根据危险行为检测结果的危险程度,执行对应的警示操作步骤,具体包括:
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
4.根据权利要求1所述的自适应的危险行为监控方法,其特征在于,在所述获取该网点的监控图片步骤之后,还包括:
对监控图片进行人脸检测,当检测人脸时,进行危险行为检测。
5.根据权利要求1所述的自适应的危险行为监控方法,其特征在于,还包括:
获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
6.一种自适应的危险行为监控系统,适用于包括多个网点的情形,其特征在于,包括:
模型训练单元,用于获取基础危险行为集,以及对应网点的扩展危险行为集,训练危险行为检测模型,并分发到对应的网点;
每个网点设置有摄像头、处理器、存储器、响应处理单元,其中,
所述摄像头,用于获取该网点的监控图片;
所述存储器,用于接收并存储危险行为检测模型;
所述处理器,用于利用危险行为检测模型,对监控图片进行检测,得到危险行为检测结果;
所述响应处理单元,用于根据危险行为检测结果的危险程度,执行对应的警示操作。
7.根据权利要求6所述的自适应的危险行为监控系统,其特征在于,所述处理器,还用于对监控图片进行人脸识别,得到行为人的身份信息;
所述响应处理单元,具体用于,
当判断危险行为检测结果为轻度危险行为时,获取预设时间段内该行为人的危险行为检测结果,判断轻度危险行为的次数是否超过预设阈值,当判断结果为是时,将本次危险行为检测结果视为重度危险行为;
当判断危险行为检测结果为重度危险行为时,触发警报以及远程接管。
8.根据权利要求6所述的自适应的危险行为监控系统,其特征在于,所述处理器,还用于对监控图片进行人脸检测,当检测人脸时,才对监控图片进行危险行为检测。
9.根据权利要求6所述的自适应的危险行为监控系统,其特征在于,所述网点还设置有数据更新单元,用于获取符合预设条件的危险行为检测结果对应的监控图片,更新对应网点的扩展危险行为集。
10.一种智能设备,其特征在于,包含权利要求6-9任一项所述的自适应的危险行为监控系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767653.8A CN111881865A (zh) | 2020-08-03 | 2020-08-03 | 一种自适应的危险行为监控方法与系统、智能设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767653.8A CN111881865A (zh) | 2020-08-03 | 2020-08-03 | 一种自适应的危险行为监控方法与系统、智能设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881865A true CN111881865A (zh) | 2020-11-03 |
Family
ID=73205221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767653.8A Pending CN111881865A (zh) | 2020-08-03 | 2020-08-03 | 一种自适应的危险行为监控方法与系统、智能设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881865A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505709A (zh) * | 2021-07-15 | 2021-10-15 | 开放智能机器(上海)有限公司 | 一种用于实时监测人体危险行为的方法以及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1609901A (zh) * | 2003-10-23 | 2005-04-27 | 明和电子企业有限公司 | 智能型人员在场判别系统及其装置 |
CN103714479A (zh) * | 2012-10-09 | 2014-04-09 | 四川欧润特软件科技有限公司 | 银行个人业务欺诈行为实时智能化集中监控的方法和系统 |
CN105913559A (zh) * | 2016-04-06 | 2016-08-31 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的银行atm机智能监控方法 |
CN108038808A (zh) * | 2017-11-02 | 2018-05-15 | 深圳市美安科技有限公司 | 一种监控方法、装置、终端设备及存储介质 |
CN109068105A (zh) * | 2018-09-20 | 2018-12-21 | 王晖 | 一种基于深度学习的监狱视频监控方法 |
CN109831648A (zh) * | 2019-01-24 | 2019-05-31 | 广州市天河区保安服务公司 | 防盗远程监控方法、装置、设备及存储介质 |
CN110084228A (zh) * | 2019-06-25 | 2019-08-02 | 江苏德劭信息科技有限公司 | 一种基于双流卷积神经网络的危险行为自动识别方法 |
US20190385430A1 (en) * | 2018-06-15 | 2019-12-19 | American International Group, Inc. | Hazard detection through computer vision |
CN111030861A (zh) * | 2019-12-11 | 2020-04-17 | 中移物联网有限公司 | 一种边缘计算分布式模型训练方法、终端和网络侧设备 |
CN111292508A (zh) * | 2019-09-27 | 2020-06-16 | 深圳市威富视界有限公司 | 银行安全警示系统及其警示方法 |
-
2020
- 2020-08-03 CN CN202010767653.8A patent/CN111881865A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1609901A (zh) * | 2003-10-23 | 2005-04-27 | 明和电子企业有限公司 | 智能型人员在场判别系统及其装置 |
CN103714479A (zh) * | 2012-10-09 | 2014-04-09 | 四川欧润特软件科技有限公司 | 银行个人业务欺诈行为实时智能化集中监控的方法和系统 |
CN105913559A (zh) * | 2016-04-06 | 2016-08-31 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的银行atm机智能监控方法 |
CN108038808A (zh) * | 2017-11-02 | 2018-05-15 | 深圳市美安科技有限公司 | 一种监控方法、装置、终端设备及存储介质 |
US20190385430A1 (en) * | 2018-06-15 | 2019-12-19 | American International Group, Inc. | Hazard detection through computer vision |
CN109068105A (zh) * | 2018-09-20 | 2018-12-21 | 王晖 | 一种基于深度学习的监狱视频监控方法 |
CN109831648A (zh) * | 2019-01-24 | 2019-05-31 | 广州市天河区保安服务公司 | 防盗远程监控方法、装置、设备及存储介质 |
CN110084228A (zh) * | 2019-06-25 | 2019-08-02 | 江苏德劭信息科技有限公司 | 一种基于双流卷积神经网络的危险行为自动识别方法 |
CN111292508A (zh) * | 2019-09-27 | 2020-06-16 | 深圳市威富视界有限公司 | 银行安全警示系统及其警示方法 |
CN111030861A (zh) * | 2019-12-11 | 2020-04-17 | 中移物联网有限公司 | 一种边缘计算分布式模型训练方法、终端和网络侧设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505709A (zh) * | 2021-07-15 | 2021-10-15 | 开放智能机器(上海)有限公司 | 一种用于实时监测人体危险行为的方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5560397B2 (ja) | 自律型防犯警戒システム及び自律型防犯警戒方法 | |
AU2018217437B2 (en) | System for identifying a defined object | |
CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
US20100305806A1 (en) | Portable Multi-Modal Emergency Situation Anomaly Detection and Response System | |
US8909415B1 (en) | Vehicle and personal service monitoring and alerting systems | |
CN106097653A (zh) | 跌倒报警的方法和系统 | |
KR102356666B1 (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
CN113011833A (zh) | 施工现场的安全管理方法、装置、计算机设备和存储介质 | |
US11429820B2 (en) | Methods for inter-camera recognition of individuals and their properties | |
CN111062281A (zh) | 异常事件监控方法、装置、存储介质和电子设备 | |
US20220028230A1 (en) | Methods And System For Monitoring An Environment | |
CN110519560B (zh) | 一种智能预警方法、装置及系统 | |
KR20190082692A (ko) | 안전관리 시스템 및 그 방법 | |
CN113792691B (zh) | 一种视频识别方法、系统、设备及介质 | |
CN109861856A (zh) | 系统故障信息的通知方法、装置、存储介质及计算机设备 | |
CN112565676A (zh) | 基于智能摄像机识别在岗人员违规的方法及系统、设备 | |
CN108924511A (zh) | 一种智能家居监控方法及系统 | |
CN111192459A (zh) | 一种视频监控布控方法和布控装置 | |
CN115294528A (zh) | 一种行人安全监控方法及装置 | |
CN112633387A (zh) | 一种安全提醒方法、装置、设备、系统及存储介质 | |
CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
CN111881865A (zh) | 一种自适应的危险行为监控方法与系统、智能设备 | |
CN115880631A (zh) | 一种配电站故障识别系统、方法、介质 | |
CN114979585A (zh) | 一种基于边缘计算的加油站智能安全系统 | |
CN113869220A (zh) | 重大交通事故的监测方法及系统 |
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 |