CN111914667B - 一种吸烟检测方法及装置 - Google Patents
一种吸烟检测方法及装置 Download PDFInfo
- Publication number
- CN111914667B CN111914667B CN202010650354.6A CN202010650354A CN111914667B CN 111914667 B CN111914667 B CN 111914667B CN 202010650354 A CN202010650354 A CN 202010650354A CN 111914667 B CN111914667 B CN 111914667B
- Authority
- CN
- China
- Prior art keywords
- human body
- smoking
- key point
- user
- body part
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术领域,提供一种吸烟检测方法及装置,用以解决在不采集清晰的正面人脸图像和香烟图像的前提下,检测室内外斜装场景的吸烟行为的问题,其中,方法包括:基于人体检测模型和人体部位关键点模型,从图像采集器在同一场景下采集连续的多个图像中,确定对应的人体部位关键点,将归属于同一个用户标签的人体部位关键点,作为该用户的人体部位关键点集合;若人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。通过定位人体检测区域和人体部位关键点,筛选出符合预设筛选规则的人体部位关键点集合,进而确定出吸烟用户,无需采集清晰的正面人脸图像和香烟图像,就能进行吸烟检测,增加了应用场景,提高了检测效率。
Description
背景技术
众所周知,吸烟有害身体健康,尤其是在办公场所、化工园区等地吸烟,还容易引发火灾、爆炸等安全事故,因此,需要对特定场所内的吸烟行为进行实时检测与发布警报。
目前,有以下两种检测吸烟行为的方法:一种是使用烟雾报警装置检测室内吸烟行为,受烟雾报警装置自身灵敏度的影响,可能出现误检、漏检的情况;另一种方法是利用车载摄像头获取人脸图像,采用深度学习的方法对人脸信息进行检测,判断驾驶员是否存在吸烟行为,这种方法的弊端是必须采集到清晰的正面人脸图像,同时香烟的特征也必须明显,导致此方法的应用范围比较局限。
有鉴于此,本申请实施例提供了一种新的吸烟检测方法。
发明内容
本申请实施例提供一种吸烟检测方法及装置,用以解决在不采集清晰的正面人脸图像和香烟图像的前提下,检测室内外斜装场景的吸烟行为的问题。
第一方面,本申请实施例提供的一种吸烟检测方法,包括:
通过图像采集器在同一场景下采集连续的多个图像;
针对所述多个图像分别执行以下操作:每读取一个图像,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,并对所述至少一个完整人体检测区域赋予对应的用户标签;根据预设的人体部位关键点模型,从所述至少一个完整人体检测区域中确定人体部位关键点,所述人体部位关键点包括手臂关键点和/或手部吸烟关键点;
将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为所述一个用户的人体部位关键点集合;
若所述人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。
可选的,若所述人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户,包括:
若手臂关键点集合的平均角度变化超过设定角度阈值,且所述手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;和/或,
若手部吸烟关键点集合的总数达到设定数量阈值,且所述手部吸烟关键点集合对应的总时长满足设定时长阈值时,将所述对应的用户确定为所述吸烟用户。
可选的,计算手臂关键点集合的平均角度变化,包括:
分别计算相邻两个手臂关键点的角度差值;
对各个角度差值进行平均值运算,得到所述平均角度变化。
可选的,计算手臂关键点集合的平均高度变化,包括:
分别计算相邻两个手臂关键点的高度差值;
对各个高度差值进行平均值运算,得到所述平均高度变化。
可选的,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,进一步包括:
根据所述人体检测模型,从所述一个图像中确定至少一个部分人体检测区域;
将所述至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,所述置信度表征所述一个部分人体检测区域的动作与吸烟动作的相似度;
将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到所述人体部位关键点模型中。
第二方面,本申请实施例还提供了一种吸烟检测装置,包括:
采集单元,用于通过图像采集器在同一场景下采集连续的多个图像;
检测单元,用于针对所述多个图像分别执行以下操作:每读取一个图像,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,并对所述至少一个完整人体检测区域赋予对应的用户标签;根据预设的人体部位关键点模型,从所述至少一个完整人体检测区域中确定人体部位关键点,所述人体部位关键点包括手臂关键点和/或手部吸烟关键点;
将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为所述一个用户的人体部位关键点集合;
确定单元,用于若所述人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。
可选的,所述确定单元用于:
若手臂关键点集合的平均角度变化超过设定角度阈值,且所述手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;和/或,
若手部吸烟关键点集合的总数达到设定数量阈值,且所述手部吸烟关键点集合对应的总时长满足设定时长阈值时,将所述对应的用户确定为所述吸烟用户。
可选的,所述确定单元用于:
分别计算相邻两个手臂关键点的角度差值;
对各个角度差值进行平均值运算,得到所述平均角度变化。
可选的,所述确定单元用于:
分别计算相邻两个手臂关键点的高度差值;
对各个高度差值进行平均值运算,得到所述平均高度变化。
可选的,所述检测单元进一步用于:
根据所述人体检测模型,从所述一个图像中确定至少一个部分人体检测区域;
将所述至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,所述置信度表征所述一个部分人体检测区域的动作与吸烟动作的相似度;
将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到所述人体部位关键点模型中。
第三方面,本申请实施例还提供了一种电子设备,包括处理器和存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行上述任意一种吸烟检测方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行上述任意一种吸烟检测方法的步骤。
本申请有益效果如下:
本申请实施例提供的一种吸烟检测方法及装置,基于人体检测模型和人体部位关键点模型,从图像采集器在同一场景下采集连续的多个图像中,确定对应的人体部位关键点,将归属于同一个用户标签的人体部位关键点,作为该用户的人体部位关键点集合;若人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。通过定位人体检测区域和人体部位关键点,筛选出符合预设筛选规则的人体部位关键点集合,进而确定出吸烟用户,无需采集清晰的正面人脸图像和香烟图像,就能进行吸烟检测,增加了应用场景,提高了检测效率。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中的吸烟检测的流程示意图;
图2为实施方式一的吸烟检测的流程示意图;
图3为实施方式二的吸烟检测的流程示意图;
图4为实施方式三的吸烟检测的流程示意图;
图5为本申请实施例中的一种吸烟检测装置的组成结构示意图;
图6为本审实施例中的一种电子设备的组成结构示意图;
图7为应用本申请实施例的一种计算装置的一个硬件组成结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请技术方案的一部分实施例,而不是全部的实施例。基于本申请文件中记载的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请技术方案保护的范围。
为了解决在不采集清晰的正面人脸图像和香烟图像的前提下,检测室内外斜装场景的吸烟行为的问题,参阅图1所示,本申请实施例提供的吸烟检测的过程如下:
S101:通过图像采集器在同一场景下采集连续的多个图像。
本申请实施例中的图像采集器可以是道路监控摄像头、车载摄像机、室内监控摄像机或者其他具备图像采集功能的设备。因此,本申请实施例可以应用于室内场景下的吸烟检测,也可以应用于室外场景下的吸烟检测。
S102:读取一个图像X。
在图像采集器的拍摄范围较大时(即斜装场景),图像X可能是不包含用户的纯背景图像,也可能是仅包含一个用户的图像,还可能在同一场景下采集到多个用户的图像。但是受到光照强度、拍摄对象与图像采集器间的距离等因素的影响,在图像X上可能会采集到不清晰的正面人脸图像和香烟图像,或者采集不到正面的人脸图像,甚至由于场景内的人员聚集,出现人员互相遮挡的情况,进一步增加了吸烟检测的难度。
S103:根据预设的人体检测模型,从图像X中确定至少一个完整人体检测,并对至少一个完整人体检测区域赋予对应的用户标签。
由于在室内外斜装场景下采集到的图像X可能出现上述问题,相比于使用人脸检测模型这类小目标检测方式去识别用户,还是使用人体检测模型这类大目标检测方式定位用户人体,便于识别用户,因此,本申请实施例使用训练完毕的人体检测模型,识别图像X的用户。为了快速定位用户人体,人体检测模型扩大了检测范围,具体地,在用户不被遮挡的情况下,人体检测模型会将该用户的全身作为完整人体检测区域输出;在用户被遮挡的情况下,人体检测模型会将该用户的上半身作为完整人体检测区域输出。另外,由于在室内外斜装场景下,可能在同一场景下采集到多个用户的图像,为了区分不同用户的图像,以及实时追踪用户图像,本申请实施例会为识别出的完整人体检测区域赋予对应的用户标签,用于唯一标识该用户。
在执行步骤103之前,需要先采集各类场景、各种姿态的人体样本图,再标注人体样本图上的人体区域关键点,获得对应的位置坐标,利用标注后的人体样本图训练人体检测模型,不断更新调整模型的参数,直到读取完所有的人体样本图、或者达到设定迭代次数、或者模型输出的预测结果与标注结果之间的误差值低于预设误差阈值时,完成人体检测模型的训练。
用户在吸烟时会出现手脸接触的状态,对于打电话、抓脸等存在手脸接触的动作,也容易被误识别为吸烟动作,因此,提供了一种更优的实施例,对类吸烟动作进行检测,提高检测精度。具体地,在执行步骤103时进一步包括:
A1:根据人体检测模型,从图像X中确定至少一个部分人体检测区域。
类吸烟动作是存在手脸接触的动作,因此,在对用户的全身或者上半身进行定位的同时,还需对出现手脸接触的区域进行定位,如用户的头肩部位、或者用户的头部。
A2:将至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,置信度表征该部分人体检测区域的动作与吸烟动作的相似度。
在执行步骤A2之前,需要采集各类场景、各种姿态、各种目标大小的部分人体样本图,将包含正面、侧面或者背面的存在手脸接触的类吸烟动作的图像作为正样本,赋予类吸烟标签;而将不存在手脸接触的类吸烟动作的图像作为负样本。利用标注后的部分人体样本图训练模型,采用梯度下降法收敛模型,完成对类吸烟检测模型的训练。
A3:将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到人体部位关键点模型中。
S104:根据预设的人体部位关键点模型,从至少一个完整人体检测区域中确定人体部位关键点,人体部位关键点包括手臂关键点和/或手部吸烟关键点。
当用户吸烟时,其手臂和/或手部会随着吸烟动作发生位置、角度的偏移,因此,可以使用人体部位关键点模型,在完整人体检测区域进一步缩小检测范围,定位出手臂关键点或者手部吸烟关键点,用于后续判断用户是否吸烟。
同样地,在执行步骤104之前,需要先采集各类场景、各种姿态的吸烟样本图,再标注吸烟样本图上的手臂关键点和/或手部吸烟关键点,获得对应的位置坐标,利用标注后的吸烟样本图训练人体部位关键点模型,不断更新调整模型的参数,直到读取完所有的吸烟样本图、或者达到设定迭代次数、或者模型输出的预测结果与标注结果之间的误差值低于预设误差阈值时,完成人体部位关键点模型的训练。
S105:判断所有图像是否均读取完毕,若是,执行步骤106;否则,返回步骤102。
S106:将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为该用户的人体部位关键点集合。
S107:若人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。
本申请实施例的第一个筛选条件是:若手臂关键点集合的平均角度变化超过设定角度阈值,且手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户。由于用户在吸烟时,其手臂关键点会随着吸烟动作发生较为明显的位置和角度的偏移,而用户在打电话时,其手臂关键点的位置和角度的偏移较小,因此,利用第一个筛选条件可以过滤掉打电话这一类吸烟动作。
其中,计算手臂关键点集合的平均角度变化的过程是:
首先,分别计算相邻两个手臂关键点的角度差值;
其次,对各个角度差值进行平均值运算,得到平均角度变化。
例如,手臂关键点集合为[25°,30°,38°,32°,27°],则相邻两个手臂关键点的角度差值为[5°,8°,-6°,-5°],平均角度变化为0.5°。
与计算平均角度变化的方法类似,计算手臂关键点集合的平均高度变化的过程是:
首先,分别计算相邻两个手臂关键点的高度差值;
其次,对各个高度差值进行平均值运算,得到平均高度变化。
本申请实施例第二个筛选条件是:若手部吸烟关键点集合的总数达到设定数量阈值,且手部吸烟关键点集合对应的总时长满足设定时长阈值时,将对应的用户确定为吸烟用户。由于用户在吸烟时,会在较短时间内连续循环执行吸烟动作,而用户戴帽子、摸脸等类吸烟动作是在很短的时间内执行一次的动作,因此,利用第二个筛选条件可以过滤掉戴帽子、摸脸这些类吸烟动作。
针对不同的应用场景,提出了下列三个具体实施方式。实施方式一。
在接收到烟雾报警装置或者红外报警装置发出的初次警报后,通过采集该场景下的连续多个图像,进一步判断初次警报是否为有效警报,参阅图2所示,提供了实施方式一的吸烟检测的流程示意图。
S201:在接收到初次警报后,通过图像采集器在同一场景下采集连续的多个图像。
S202:读取一个图像X。
S203:根据预设的人体检测模型,从图像X中确定至少一个完整人体检测区域,并对至少一个完整人体检测区域赋予对应的用户标签。
S204:根据预设的人体部位关键点模型,从至少一个完整人体检测区域中确定手臂关键点。
S205:判断所有图像是否均读取完毕,若是,执行步骤206;否则,返回步骤202。
S206:将归属于同一个用户标签的完整人体检测区域对应的手臂关键点,作为该用户的手臂关键点集合。
S207:若手臂关键点集合的平均角度变化超过设定角度阈值,且手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;否则,过滤初次警报,输出最终的报警结果。
实施方式二。
参阅图3所示,提供了实施方式二的吸烟检测流程示意图。
S301:通过图像采集器在同一场景下采集连续的多个图像。
S302:读取一个图像X。
S303:根据预设的人体检测模型,从图像X中确定至少一个完整人体检测区域,并对至少一个完整人体检测区域赋予对应的用户标签。
S304:根据预设的人体部位关键点模型,从至少一个完整人体检测区域中确定手部吸烟关键点。
具体地,利用人体部位关键点模型,先确定从完整人体检测区域中识别出手部检测区域,再从手部检测区域里确定出手部吸烟关键点。
S305:判断所有图像是否均读取完毕,若是,执行步骤306;否则,返回步骤302。
S306:将归属于同一个用户标签的完整人体检测区域对应的手部吸烟关键点,作为该用户的手部吸烟关键点集合。
S307:若手部吸烟关键点集合的总数达到设定数量阈值,且手部吸烟关键点集合对应的总时长满足设定时长阈值时,将对应的用户确定为吸烟用户。
实施方式三。
用户在吸烟时会出现手脸接触的状态,对于打电话、抓脸等存在手脸接触的动作,也容易被误识别为吸烟动作,为了对类吸烟动作进行检测,提高检测精度,参阅图4所示,提供了实施方式三的吸烟检测的流程示意图。
S401:通过图像采集器在同一场景下采集连续的多个图像。
S402:读取一个图像X。
S403:根据预设的人体检测模型,从图像X中确定至少一个完整人体检测区域以及至少一个部分人体检测区域,并对至少一个完整人体检测区域赋予对应的用户标签。
S404:将至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到人体部位关键点模型中。
S405:根据预设的人体部位关键点模型,从至少一个完整人体检测区域中确定人体部位关键点,人体部位关键点包括手臂关键点和手部吸烟关键点。
S406:判断所有图像是否均读取完毕,若是,执行步骤407;否则,返回步骤402。
S407:将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为该用户的人体部位关键点集合。
S408:若手臂关键点集合的平均角度变化超过设定角度阈值,且手臂关键点集合的平均高度变化超过设定高度阈值,以及手部吸烟关键点集合的总数达到设定数量阈值,且手部吸烟关键点集合对应的总时长满足设定时长阈值时,将对应的用户确定为吸烟用户。
如图5所示,其为吸烟检测装置的结构示意图,可以包括采集单元501、检测单元502和确定单元503,其中,
采集单元501,用于通过图像采集器在同一场景下采集连续的多个图像;
检测单元502,用于针对所述多个图像分别执行以下操作:每读取一个图像,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,并对所述至少一个完整人体检测区域赋予对应的用户标签;根据预设的人体部位关键点模型,从所述至少一个完整人体检测区域中确定人体部位关键点,所述人体部位关键点包括手臂关键点和/或手部吸烟关键点;
将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为所述一个用户的人体部位关键点集合;
确定单元503,用于若所述人体部位关键点集合符合预设筛选规则,则将对应的用户确定为吸烟用户。
可选的,所述确定单元503用于:
若手臂关键点集合的平均角度变化超过设定角度阈值,且所述手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;和/或,
若手部吸烟关键点集合的总数达到设定数量阈值,且所述手部吸烟关键点集合对应的总时长满足设定时长阈值时,将所述对应的用户确定为所述吸烟用户。
可选的,所述确定单元503用于:
分别计算相邻两个手臂关键点的角度差值;
对各个角度差值进行平均值运算,得到所述平均角度变化。
可选的,所述确定单元503用于:
分别计算相邻两个手臂关键点的高度差值;
对各个高度差值进行平均值运算,得到所述平均高度变化。
可选的,所述检测单元502进一步用于:
根据所述人体检测模型,从所述一个图像中确定至少一个部分人体检测区域;
将所述至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,所述置信度表征所述一个部分人体检测区域的动作与吸烟动作的相似度;
将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到所述人体部位关键点模型中。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,本申请实施例还提供一种电子设备,参阅图6所示,电子设备可以至少包括至少一个处理器601、以及至少一个存储器602。其中,存储器602存储有程序代码,当程序代码被处理器601执行时,使得处器601执行本说明书上述描述的根据本申请各种示例性实施方式的吸烟检测方法中的步骤。例如,处理器601可以执行如图1中所示的步骤。
在一些可能的实施方式中,根据本申请的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中,存储单元存储有程序代码,当程序代码被处理单元执行时,使得处理单元执行本说明书上述描述的根据本申请各种示例性实施方式的服务调用方法中的步骤。例如,处理单元可以执行如图1中所示的步骤。
下面参照图7来描述根据本申请的这种实施方式的计算装置。图7的计算装置仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7,计算装置以通用计算装置的形式表现。计算装置的组件可以包括但不限于:上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元702可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)7021和/或高速缓存存储单元7022,还可以进一步包括只读存储器(ROM)7023。
存储单元702还可以包括具有一组(至少一个)程序模块7024的程序/实用工具7025,这样的程序模块7024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置也可以与一个或多个外部设备704(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与计算装置交互的设备通信,和/或与使得该计算装置能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口705进行。并且,计算装置还可以通过网络适配器706与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器706通过总线703与用于计算装置700的其它模块通信。应当理解,尽管图中未示出,可以结合计算装置700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的业务控制方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的业务控制方法中的步骤,例如,计算机设备可以执行如图3中所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于业务控制的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算装置上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中,远程计算装置可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算装置,或者,可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种吸烟检测方法,其特征在于,包括:
通过图像采集器在同一场景下采集连续的多个图像;
针对所述多个图像分别执行以下操作:每读取一个图像,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,并对所述至少一个完整人体检测区域赋予对应的用户标签;根据预设的人体部位关键点模型,从所述至少一个完整人体检测区域中确定人体部位关键点,所述人体部位关键点包括手臂关键点和/或手部吸烟关键点;
将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为所述一个用户的人体部位关键点集合;
若手臂关键点集合的平均角度变化超过设定角度阈值,且所述手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;其中,通过执行以下操作,计算手臂关键点集合的平均角度变化:分别计算相邻两个手臂关键点的角度差值;对各个角度差值进行平均值运算,得到所述平均角度变化;
和/或,若手部吸烟关键点集合的总数达到设定数量阈值,且所述手部吸烟关键点集合对应的总时长满足设定时长阈值时,将所述对应的用户确定为所述吸烟用户。
2.如权利要求1所述的方法,其特征在于,计算手臂关键点集合的平均高度变化,包括:
分别计算相邻两个手臂关键点的高度差值;
对各个高度差值进行平均值运算,得到所述平均高度变化。
3.如权利要求1所述的方法,其特征在于,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,进一步包括:
根据所述人体检测模型,从所述一个图像中确定至少一个部分人体检测区域;
将所述至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,所述置信度表征所述一个部分人体检测区域的动作与吸烟动作的相似度;
将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到所述人体部位关键点模型中。
4.一种吸烟检测装置,其特征在于,包括:
采集单元,用于通过图像采集器在同一场景下采集连续的多个图像;
检测单元,用于针对所述多个图像分别执行以下操作:每读取一个图像,根据预设的人体检测模型,从所述一个图像中确定至少一个完整人体检测区域,并对所述至少一个完整人体检测区域赋予对应的用户标签;根据预设的人体部位关键点模型,从所述至少一个完整人体检测区域中确定人体部位关键点,所述人体部位关键点包括手臂关键点和/或手部吸烟关键点;
将归属于同一个用户标签的完整人体检测区域对应的人体部位关键点,作为所述一个用户的人体部位关键点集合;
确定单元,用于若手臂关键点集合的平均角度变化超过设定角度阈值,且所述手臂关键点集合的平均高度变化超过设定高度阈值时,将对应的用户确定为吸烟用户;其中,通过执行以下操作,计算手臂关键点集合的平均角度变化:分别计算相邻两个手臂关键点的角度差值;对各个角度差值进行平均值运算,得到所述平均角度变化;
和/或,若手部吸烟关键点集合的总数达到设定数量阈值,且所述手部吸烟关键点集合对应的总时长满足设定时长阈值时,将所述对应的用户确定为所述吸烟用户。
5.如权利要求4所述的装置,其特征在于,所述确定单元用于:
分别计算相邻两个手臂关键点的高度差值;
对各个高度差值进行平均值运算,得到所述平均高度变化。
6.如权利要求4所述的装置,其特征在于,所述检测单元进一步用于:
根据所述人体检测模型,从所述一个图像中确定至少一个部分人体检测区域;
将所述至少一个部分人体检测区域输入到预设的类吸烟检测模型中,得到对应的置信度,所述置信度表征所述一个部分人体检测区域的动作与吸烟动作的相似度;
将置信度高于设定置信度阈值的检测区域对应的完整人体检测区域,输入到所述人体部位关键点模型中。
7.一种电子设备,其特征在于,其包括处理器和存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行权利要求1~3中任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,其包括程序代码,当所述程序代码 在电子设备上运行时,所述程序代码用于使所述电子设备执行权利要求1~3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650354.6A CN111914667B (zh) | 2020-07-08 | 2020-07-08 | 一种吸烟检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650354.6A CN111914667B (zh) | 2020-07-08 | 2020-07-08 | 一种吸烟检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914667A CN111914667A (zh) | 2020-11-10 |
CN111914667B true CN111914667B (zh) | 2023-04-07 |
Family
ID=73226517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650354.6A Active CN111914667B (zh) | 2020-07-08 | 2020-07-08 | 一种吸烟检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914667B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408379A (zh) * | 2021-06-04 | 2021-09-17 | 开放智能机器(上海)有限公司 | 一种手机偷拍行为监控方法和系统 |
CN113408464A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市商汤科技有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
CN114241424B (zh) * | 2022-02-17 | 2022-05-31 | 江苏智慧汽车研究院有限公司 | 测绘巡检用无人车行驶路线规划系统及方法 |
CN114639157B (zh) * | 2022-05-18 | 2022-11-22 | 合肥的卢深视科技有限公司 | 不良学习行为检测方法、系统、电子设备和存储介质 |
CN116884034A (zh) * | 2023-07-10 | 2023-10-13 | 中电金信软件有限公司 | 对象识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104127242A (zh) * | 2014-07-17 | 2014-11-05 | 东软熙康健康科技有限公司 | 识别吸烟行为的方法和装置 |
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
CN110569771A (zh) * | 2019-08-30 | 2019-12-13 | 重庆博拉智略科技有限公司 | 吸烟识别方法、装置、存储介质及电子设备 |
CN110781765A (zh) * | 2019-09-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种人体姿态识别方法、装置、设备及存储介质 |
-
2020
- 2020-07-08 CN CN202010650354.6A patent/CN111914667B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104127242A (zh) * | 2014-07-17 | 2014-11-05 | 东软熙康健康科技有限公司 | 识别吸烟行为的方法和装置 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN110569771A (zh) * | 2019-08-30 | 2019-12-13 | 重庆博拉智略科技有限公司 | 吸烟识别方法、装置、存储介质及电子设备 |
CN110781765A (zh) * | 2019-09-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种人体姿态识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111914667A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914667B (zh) | 一种吸烟检测方法及装置 | |
CN109145680B (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
US20200160061A1 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
CN110807429A (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
US20160203391A1 (en) | Information Technology Asset Type Identification Using a Mobile Vision-Enabled Robot | |
CN106952303A (zh) | 车距检测方法、装置和系统 | |
CN112767644B (zh) | 一种基于视频识别的公路隧道内火灾预警方法及装置 | |
CN112163469B (zh) | 一种吸烟行为识别方法、系统、设备及可读存储介质 | |
CN111770427A (zh) | 麦克风阵列的检测方法、装置、设备以及存储介质 | |
CN109407871A (zh) | 一种识别浸水状态的方法及装置、电子设备 | |
CN112329696A (zh) | 人脸活体检测方法、系统、设备及存储介质 | |
CN112286781A (zh) | 自动化测试方法、装置、设备和存储介质 | |
CN112307868A (zh) | 图像识别方法、电子设备和计算机可读介质 | |
CN116108397B (zh) | 融合多模态数据分析的电力现场作业违章行为识别方法 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN112911204A (zh) | 监控方法、装置、存储介质和电子设备 | |
CN111292327A (zh) | 机房巡检方法、装置、设备及存储介质 | |
CN113011280A (zh) | 人员接触距离的检测方法、装置、计算机设备和存储介质 | |
CN111121797A (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
CN114565780A (zh) | 一种目标识别方法、装置、电子设备及存储介质 | |
CN116597361A (zh) | 清洗机的图像识别跟踪方法、装置、设备及可读存储介质 | |
CN115471872A (zh) | 散发广告的行为检测方法、装置、电子设备和存储介质 | |
CN115311591A (zh) | 异常行为的预警方法、装置及智能摄像头 |
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 |