CN112001230A - 睡觉行为的监控方法、装置、计算机设备和可读存储介质 - Google Patents
睡觉行为的监控方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN112001230A CN112001230A CN202010655497.6A CN202010655497A CN112001230A CN 112001230 A CN112001230 A CN 112001230A CN 202010655497 A CN202010655497 A CN 202010655497A CN 112001230 A CN112001230 A CN 112001230A
- Authority
- CN
- China
- Prior art keywords
- video image
- sleeping
- human body
- body frame
- frame
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 230000007958 sleep Effects 0.000 claims description 26
- 230000036578 sleeping time Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000036544 posture Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种睡觉行为的监控方法、装置、计算机设备和可读存储介质，其中，该睡觉行为的监控方法包括：获取视频图像；将视频图像输入至神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定；根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。通过本申请，将眼睛的闭合状态以及关节点信息结合起来，来检测视频图像中对应人员的睡觉状态，实现了多种判断方案的融合，可以得到更加准确的判断结果，提高了睡觉检测的准确度，解决了无法准确判断睡觉行为的问题。
Description
技术领域
本申请涉及监控领域，特别是涉及一种睡觉行为的监控方法、装置、计算机设备和可读存储介质。
背景技术
在各类行业中，对企业员工的监管工作主要是通过聘请专门的管理人员或者安装远程监控系统来进行的。然而，由于实际生产过程中员工的基数过大，而管理人员的巡岗次数有限，从而无法实现对企业员工的有效监督，仍然存在部分员工懈怠工作以及在岗睡觉的情况，甚至存在管理人员在岗睡觉的情况。这会导致企业生产效率低下，从而影响企业的经济效益，甚至会给企业带来巨大的安全隐患。
在相关技术中，将训练好的卷积神经网络模型部署在视觉分析系统中，获取视频监控设备采集的视频流数据。通过分析视频流数据中截取的一帧图像来判断值班员工是否处于睡觉状态。然而，值班员工的睡姿与其他姿势的区别度并不是很明显，因此，只根据瞬时的单帧图像中的图像信息无法准确判断值班员工是否处于睡觉状态，同时利用区域重叠度阈值为50％作为判断同一人睡觉行为的条件，该阈值在实际环境中很容易达到，采用这种方法会导致大概率的漏报和误报。
目前针对相关技术中，无法准确判断睡觉行为的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种睡觉行为的监控方法、装置、计算机设备和可读存储介质，以至少解决相关技术中无法准确判断睡觉行为的问题。
第一方面，本申请实施例提供了一种睡觉行为的监控方法，包括：
获取视频图像；
将所述视频图像输入至神经网络模型，得到所述视频图像中的人体全身框与人脸框，并将所述人脸框与对应的人体全身框进行绑定；
根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，所述根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
根据绑定的人体全身框与人脸框，确定所述人体全身框中是否包括身份信息；
若所述人体全身框中包括身份信息，则检测所述人脸框中眼睛的闭合状态，得到检测结果，并根据所述检测结果以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态；
若所述人体全身框中不包括身份信息，则根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，所述根据所述检测结果以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
若检测到所述人脸框中眼睛的闭合状态为睁眼，则确定所述视频图像中对应人员不存在睡觉行为；
若检测到所述人脸框中眼睛的闭合状态为闭眼，或，若未检测到所述人脸框中眼睛的闭合状态，则根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，所述确定所述人体全身框中是否包括身份信息包括：
获取所述人体全身框中人脸的像素数量；
若所述像素数量大于或者等于预设像素阈值，则确定所述人体全身框中包括身份信息；
若所述像素数量小于预设像素阈值，则确定所述人体全身框中不包括身份信息。
在其中一些实施例中，所述关节点信息包括关节点的坐标信息和属性信息；所述根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
根据关节点的坐标信息和属性信息，确定所述视频图像中对应人员是否处于站立状态；
根据所述站立状态检测所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，所述根据所述站立状态检测所述视频图像中对应人员的睡觉状态包括：
若所述视频图像中对应人员处于站立状态，则确定所述视频图像中对应人员不存在睡觉行为；
若所述视频图像中对应人员处于非站立状态，则获取所述关节点在预设时长内的运动信息，并根据所述运动信息，检测所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，所述获取所述关节点在预设时长内的运动信息，并根据所述运动信息，检测所述视频图像中对应人员的睡觉状态包括：
获取所述关节点在第一时长内的第一运动距离，以及所述关节点在第二时长内的第二运动距离；所述第一时长大于所述第二时长；
根据所述第一运动距离和所述第二运动距离，确定所述视频图像中对应人员的睡觉状态。
在其中一些实施例中，在根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态之后，所述方法还包括：
记录存在睡觉行为的人员的身份信息，并统计睡觉次数；
根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表。
第二方面，本申请实施例提供了一种睡觉行为的监控装置，包括：
获取模块，用于获取视频图像；
绑定模块，用于将所述视频图像输入至神经网络模型，得到所述视频图像中的人体全身框与人脸框，并将所述人脸框与对应的人体全身框进行绑定；
检测模块，用于根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的睡觉行为的监控方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的睡觉行为的监控方法。
相比于相关技术，本申请实施例提供的睡觉行为的监控方法、装置、计算机设备和可读存储介质，通过获取视频图像；将视频图像输入至神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定；根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态，解决了无法准确判断睡觉行为的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
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为本申请实施例中睡觉行为的监控方法的流程图；
图2为本申请实施例中设置人体全身框中身份信息的流程图；
图3为本申请实施例中根据眼睛的闭合状态以及关节点信息检测睡觉状态的流程图；
图4为本申请实施例中根据检测结果以及关节点信息检测睡觉状态的流程图；
图5为本申请实施例中根据关节点信息检测睡觉状态的流程图；
图6为本申请实施例中根据站立状态检测睡觉状态的流程图；
图7为本申请实施例中根据运动信息检测睡觉状态的流程图；
图8为本申请实施例中统计睡觉信息以及生成报表的流程图；
图9为本申请优选实施例中睡觉行为的监控方法的流程图；
图10为本申请实施例中睡觉行为的监控装置的结构框图；
图11为本申请实施例中睡觉行为的监控设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
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。本领域普通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在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“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模块(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，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请所描述的各种技术，可以但不仅限于应用于企业、学校等场所的睡觉行为监控。
本实施例提供一种睡觉行为的监控方法。图1为本申请实施例中睡觉行为的监控方法的流程图，如图1所示，该流程包括如下步骤：
步骤S110，获取视频图像。
可以从监控摄像头获取视频流，视频流是由一帧帧图片组成的，通过对视频流进行切帧处理获取当前的图像帧，作为视频图像。优选地，可以对视频图像进行滤波去噪处理，以提高检测的准确性。
在其中一些实施例中，可以采用斜装方式安装摄像头采集视频流，从而可以提高摄像头捕捉到人脸的概率，进而提高睡觉状态的检测精度。
步骤S120，将视频图像输入至神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定。
具体地，将视频图像输入至神经网络模型，得到视频图像中的人体全身框以及人脸框的位置坐标信息，并根据人体全身框以及人脸框的位置坐标信息，将人脸框与对应的人体全身框进行绑定。
步骤S130，根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
通过上述步骤S110至步骤S130，获取视频图像；将视频图像输入至神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定；根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。通过本申请，将眼睛的闭合状态以及关节点信息结合起来，来检测视频图像中对应人员的睡觉状态，实现了多种判断方案的融合，可以得到更加准确的判断结果，提高了睡觉检测的准确度，解决了无法准确判断睡觉行为的问题。
在其中一些实施例中，步骤S120包括步骤S121至步骤S123，其中：
步骤S121，将视频图像输入至神经网络模型，得到视频图像中的人体全身框以及人脸框的位置坐标信息。
具体地，可以将视频图像输入至训练好的Efficientdet深度神经网络，得到视频图像中的人体全身框以及人脸框的位置坐标信息、置信度。
位置坐标信息包括人体全身框以及人脸框的中线点坐标、宽度和高度。Efficientdet深度神经网络为一个图像目标检测网络。可以通过多张标注人脸以及人体全身框的图像对初始Efficientdet深度神经网络进行训练，从而可以得到训练好的Efficientdet深度神经网络。
需要说明的是，若人体全身框以及人脸框的置信度小于预设置信度阈值，则不对该人体全身框以及该人脸框进行检测。相比于YOLO v3模型，Efficientdet目标检测网络模型有着更快的目标检测速度和精度，因此利用Efficientdet目标检测网络模型可以更加快速、准确地检测出人体全身框以及人脸框的位置坐标信息。
步骤S122，根据人体全身框与人脸框的位置坐标信息，得到人体全身框与人脸框的相对位置关系。
位置坐标信息表示人体全身框与人脸框在视频图像上的位置。根据人体全身框与人脸框的位置坐标信息，计算得到人体全身框与人脸框之间的相对距离，并根据相对距离以及位置坐标信息，确定人体全身框与人脸框的相对位置关系。
步骤S123，根据人体全身框与人脸框的相对位置关系以及目标跟踪算法，并将人脸框与对应的人体全身框进行绑定。
具体地，若人脸框在人体全身框中，且人脸框位于人体全身框的上部，则利用目标跟踪算法跟踪到同一个人对应的人脸框以及人体全身框，并将该人脸框与对应的人体全身框进行绑定。
在其中一些实施例中，在人较多的情况下，利用双目相机的景深特性计算人脸框和人体全身框在世界坐标位置，世界坐标位置包括距离地面高度以及水平xy位置，若水平xy位置大致一致，只存在高度的差异，则确定人脸框与人体全身框属于同一个人。
通过上述步骤S121至步骤S123，将视频图像输入至神经网络模型，得到视频图像中的人体全身框以及人脸框的位置坐标信息；根据人体全身框与人脸框的位置坐标信息，得到人体全身框与人脸框的相对位置关系；根据人体全身框与人脸框的相对位置关系以及目标跟踪算法，并将人脸框与对应的人体全身框进行绑定。本实施例，通过将人脸框与对应的人体全身框进行绑定，实现将同一个人对应的人脸框与人体全身框关联起来，为后续设置人体全身框中身份信息作准备。
在其中一些实施例中，图2为本申请实施例中设置人体全身框中身份信息的流程图，如图2所示，该流程包括如下步骤：
步骤S210，根据人脸框的位置坐标信息，判断人体全身框中是否有满足预设像素条件的人脸。
位置坐标信息包括人脸框的宽度和高度，若人脸框的宽度大于预设宽度阈值，且人脸框的高度大于预设高度阈值，则确定人体全身框中是否有满足预设像素条件的人脸。例如，可以将预设像素条件设置为：人脸框所在图像区域的像素数量大于预设像素阈值。根据人脸框的宽度和高度可以计算得到人脸框所在图像区域的像素数量，当人脸框的宽度大于预设宽度阈值，且人脸框的高度大于预设高度阈值时，则根据人脸框的宽度和高度计算得到的像素数量大于预设像素阈值。因此，当人脸框的宽度大于预设宽度阈值，且人脸框的高度大于预设高度阈值时，可以确定人体全身框中有满足预设像素条件的人脸。
步骤S220，若人体全身框中有满足预设像素条件的人脸，则将人脸与人脸数据库进行匹配，得到人脸的身份信息，并将身份信息与对应的人体全身框进行绑定。
身份信息包括姓名、职位、工号以及部门等，用于唯一标识人员的身份。具体地，可以利用人脸识别模型将人脸与人脸数据库进行匹配，得到人脸的身份信息。例如，人脸数据库中预先存储有每一人员的人脸样本以及对应的身份信息。通过人脸识别模型将人脸与人脸数据库中的人脸样本进行匹配检测，若检测到该人脸与人脸数据库中的某一人脸样本属于同一个人，则提取该人脸样本对应的身份信息作为该人脸的身份信息。
步骤S230，若人体全身框中没有满足预设像素条件的人脸，则设置人体全身框中的身份信息为未知。
通过上述步骤S210至步骤S230，若人体全身框中有满足预设像素条件的人脸，则将人脸与人脸数据库进行匹配，得到人脸的身份信息，并将人脸的身份信息与对应的人体全身框进行绑定；若人体全身框中没有满足预设像素条件的人脸，则设置人体全身框中的身份信息为未知。通过人脸识别得到人脸的身份信息，并将该身份信息与对应的人体全身框进行绑定，可以将最终检测结果与对应的人员进行绑定，实现将人员睡觉报警直接对应至个人，充分适应了室内办公等场景的应用需求。
在其中一些实施例中，图3为本申请实施例中根据眼睛的闭合状态以及关节点信息检测睡觉状态的流程图，如图3所示，该流程包括如下步骤：
步骤S310，根据绑定的人体全身框与人脸框，确定人体全身框中是否包括身份信息。
步骤S320，若人体全身框中包括身份信息，则检测人脸框中眼睛的闭合状态，得到检测结果，并根据检测结果以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
步骤S330，若人体全身框中不包括身份信息，则根据人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
具体地，可以利用Openpose框架对视频图像进行识别，得到人体的关节点信息，也可以采用其他方法得到人体的关节点信息，本实施例不作限制。
需要说明的是，若人体全身框中包括身份信息，则说明人体全身框中有满足预设像素条件的人脸，因此可以对该人脸进行检测，以获取人脸框中眼睛的闭合状态。若人体全身框中不包括身份信息，则说明人体全身框中没有满足预设像素条件的人脸，从而对该人脸进行识别无法得到有效的检测结果，因此直接根据人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
上述步骤S310至步骤S330，通过判断人体全身框中是否包括身份信息，并根据判断结果采用不同的检测方法。当人体全身框中包括身份信息时，由于对该人脸进行识别无法得到有效的检测结果，因此直接根据人体全身框中的关节点信息判断睡觉状态，可以避免因无效的检测工作造成检测时间过长的问题，实现了在保证睡觉行为的检测精度的同时提高了检测效率。
在其中一些实施例中，步骤S310包括步骤S311至步骤S313，其中：
步骤S311，获取人体全身框中人脸的像素数量。
步骤S312，若像素数量大于或者等于预设像素阈值，则确定人体全身框中包括身份信息。
步骤S313，若像素数量小于预设像素阈值，则确定人体全身框中不包括身份信息。
通过获取人体全身框中人脸的像素数量，并将像素数量与预设像素阈值进行，可以快速准确地判断出人体全身框中是否包括身份信息，为后续检测睡觉状态作准备。
在其中一些实施例中，图4为本申请实施例中根据检测结果以及关节点信息检测睡觉状态的流程图，如图4所示，该流程包括如下步骤：
步骤S410，若检测到人脸框中眼睛的闭合状态为睁眼，则确定视频图像中对应人员不存在睡觉行为。
具体地，可以首先利用分类好的人脸图像对初始Efficientnet图像分类网络模型进行训练，得到训练好的Efficientnet图像分类网络模型。利用预先训练好的Efficientnet图像分类网络模型对人脸进行分类，对存在明显睁眼状态的人脸与其他状态的人脸进行区分。分类好的人脸图像的获取过程如下：选取多张人脸图像，并将该人脸图像分为两类，一类为有明显睁开状态的人脸图像，另一类为看不清人眼是否睁开、有闭眼状态或者模糊不清的人脸图像。
步骤S420，若检测到人脸框中眼睛的闭合状态为闭眼，或，若未检测到人脸框中眼睛的闭合状态，则根据人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
需要说明的是，当检测到人脸框中眼睛的闭合状态为睁眼时，可以确定视频图像中对应人员不存在睡觉行为。当检测到人脸框中眼睛的闭合状态为闭眼，或者未检测到人脸框中眼睛的闭合状态，则需要根据人体全身框中的关节点信息作进一步的判断，确保检测结果的可靠性与准确性。例如，不能直接判定有闭眼行为的人员处于睡觉状态，因为该人员可能只是闭眼休息，虽然该人员有闭眼行为但是若他的手持续运动，说明该人员并不是在睡觉。
上述步骤S410至步骤S420，根据检测结果，采用不同的判断逻辑；当检测到人脸框中眼睛的闭合状态为睁眼时，可以确定视频图像中对应人员不存在睡觉行为；当检测到人脸框中眼睛的闭合状态为闭眼，或者未检测到人脸框中眼睛的闭合状态，则需要根据人体全身框中的关节点信息作进一步的判断，以确保检测结果的可靠性与准确性，可以避免了类似睡觉姿势但实际处于非睡觉状态的误报，提高了睡觉监测的准确度。
在其中一些实施例中，图5为本申请实施例中根据关节点信息检测睡觉状态的流程图，如图5所示，该流程包括如下步骤：
步骤S510，根据关节点的坐标信息和属性信息，确定视频图像中对应人员是否处于站立状态。
属性信息包括关节点的类型以及位置。坐标信息包括关节点在视频图像上的像素位置以及世界坐标位置。世界坐标位置包括关节点的距离地面高度以及水平xy位置。可以利用双目相机的景深特性，得到人体关节点的世界坐标位置。
在其中一些实施例中，根据多个关节点的世界坐标位置，得到多个关节点之间的相对位置关系，并根据多个关节点的世界坐标位置以及多个关节点之间的相对位置关系，判断视频图像中对应人员是否处于站立状态。
具体地，若人体头部关节点的离地高度大于预设高度阈值，或者人体头部关节点、躯干关节点以及腿部关节点基本在同一个水平位置上，且人体头部关节点、躯干关节点以及腿部关节点的离地高度呈成年人站立的比例分布，则确定视频图像中对应人员处于站立状态。例如，若人体头部关节点的离地高度大于1.4m，确定视频图像中对应人员处于站立状态。
步骤S520，根据站立状态检测视频图像中对应人员的睡觉状态。
通过上述步骤S510至步骤S520，根据关节点的坐标信息和属性信息，确定视频图像中对应人员是否处于站立状态，根据站立状态检测视频图像中对应人员的睡觉状态。上述实施例，通过关节点姿势判断视频图像中对应人员的睡觉状态，更加符合睡觉的逻辑判断，可以得到更加准确的检测结果，提高睡觉行为的检测精度。
在其中一些实施例中，图6为本申请实施例中根据站立状态检测睡觉状态的流程图，如图6所示，该流程包括如下步骤：
步骤S610，若视频图像中对应人员处于站立状态，则确定视频图像中对应人员不存在睡觉行为。
步骤S620，若视频图像中对应人员处于非站立状态，则获取关节点在预设时长内的运动信息，并根据运动信息，检测视频图像中对应人员的睡觉状态。
需要说明的是，若视频图像中对应人员处于站立状态，则可以确定视频图像中对应人员不存在睡觉行为。若视频图像中对应人员处于非站立状态，则需要根据关节点在预设时长内的运动信息作进一步的判断，以确保检测结果的可靠性与准确性。例如，不能直接判定处于平躺状态的人员处于睡觉状态，因为该人员可能只是暂时休息，虽然该人员处于平躺状态但是若他的腿持续运动，则说明该人员不是在睡觉。
通过上述步骤S610至步骤S620，根据站立状态的判断结果，采用不同的判断逻辑；若视频图像中对应人员处于站立状态，可以确定视频图像中对应人员不存在睡觉行为；若视频图像中对应人员处于非站立状态，则需要关节点在预设时长内的运动信息作进一步的判断，以确保检测结果的可靠性与准确性，避免了类似睡觉姿势但实际处于非睡觉状态的误报，提高了睡觉监测的准确度。本实施例结合了关节点姿势判断和关节点的运动信息判断这两种判断方法，可以进一步提高睡觉检测的准确度。
在其中一些实施例中，图7为本申请实施例中根据运动信息检测睡觉状态的流程图，如图7所示，该流程包括如下步骤：
步骤S710，获取关节点在第一时长内的第一运动距离，以及关节点在第二时长内的第二运动距离；第一时长大于第二时长。
其中，第一运动距离表示关节点第一时长内的累计欧式距离。第二运动距离表示关节点第二时长内的累计欧式距离。例如，第一时长为5秒时，通过计算第一帧到第二帧的欧氏距离，累加第二帧到第三帧的欧式距离，累加到第五秒所在帧的欧氏距离，停止累加，得到最终的累计欧式距离，该最终的累计欧式距离即为第一时长内的第一运动距离。
步骤S720，根据第一运动距离和第二运动距离，确定视频图像中对应人员的睡觉状态。
通过上述步骤S710至步骤S720，获取关节点在第一时长内的第一运动距离，以及关节点在第二时长内的第二运动距离；第一时长大于第二时长；根据第一运动距离和第二运动距离，确定视频图像中对应人员的睡觉状态。本实施例，实现了将短时间运动清醒判断与长时间静止睡觉判断这两种判断方案的融合，避免了类似睡觉姿势但实际处于非睡觉状态的误报，进一步提高了睡觉检测的准确度。
在其中一些实施例中，步骤S720包括步骤S721至步骤S723，其中：
步骤S721，判断第一运动距离是否大于第一预设距离，若第一运动距离大于第一预设距离，则排除待检测图像对应的人员存在睡觉行为的情况。
步骤S722，若第一运动距离小于或者等于第一预设距离，则判断第二运动距离是否小于第一预设距离。
步骤S723，若第二运动距离小于第二预设距离，则确定待检测图像对应的人员存在睡觉行为。
通过上述步骤S721至步骤S723，将第一运动距离与第一预设距离进行比较，以及将第二运动距离与第二预设距离进行比较，通过两次比较的结果，判断待检测图像对应的人员是否存在睡觉行为，可以避免将短期内有类似睡觉的姿势误报成睡觉行为的情况，可以降低误报率，提高检测结果的可靠度。本实施例中的第一预设阈值以及第二预设阈值可以根据实际情况增加或者减少，可以适应不同场景对灵敏度的控制需求，具有广泛的应用前景。
在其中一些实施例中，图8为本申请实施例中统计睡觉信息以及生成报表的流程图，如图8所示，该流程包括如下步骤：
步骤S810，记录存在睡觉行为的人员的身份信息，并统计睡觉次数。
步骤S820，根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表。
通过上述步骤S810至步骤S820，记录存在睡觉行为的人员的身份信息，并统计睡觉次数，并根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表，实现了人员睡觉报警直接对应至个人，适应了室内办公等场景的应用需求，具有良好的应用前景。
下面通过优选实施例对本申请实施例进行描述和说明。
图9为本申请优选实施例中睡觉行为的监控方法的流程图，如图9所示，该睡觉行为的监控方法包括如下步骤：
步骤S910，获取视频图像。
步骤S920，将视频图像输入至Efficientnet深度神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定。
步骤S930，根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
步骤S940，记录存在睡觉行为的人员的身份信息，并统计睡觉次数；并根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，结合图2，步骤S220和步骤S230的执行顺序可以互换，即可以先执行步骤S220，然后执行步骤S230；也可以先执行步骤S230，然后执行步骤S220。再例如，结合图3，步骤S320和步骤S330的顺序也可以互换。
本实施例还提供了一种睡觉行为的监控装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图10为本申请实施例中睡觉行为的监控装置的结构框图，如图10所示，该装置包括：
获取模块1010，用于获取视频图像；
绑定模块1020，用于将视频图像输入至神经网络模型，得到视频图像中的人体全身框与人脸框，并将人脸框与对应的人体全身框进行绑定；
检测模块1030，用于根据人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
在其中一些实施例中，检测模块1030包括身份信息确定单元、第一检测单元以及第二检测单元，其中：
身份信息确定单元，用于根据绑定的人体全身框与人脸框，确定人体全身框中是否包括身份信息。
第一检测单元，用于若人体全身框中包括身份信息，则检测人脸框中眼睛的闭合状态，得到检测结果，并根据检测结果以及人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
第二检测单元，用于若人体全身框中不包括身份信息，则根据人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
在其中一些实施例中，第一检测单元包括第一检测子单元以及第二检测子单元，其中：
第一检测子单元，用于若检测到人脸框中眼睛的闭合状态为睁眼，则确定视频图像中对应人员不存在睡觉行为。
第二检测子单元，用于若检测到人脸框中眼睛的闭合状态为闭眼，或，若未检测到人脸框中眼睛的闭合状态，则根据人体全身框中的关节点信息，检测视频图像中对应人员的睡觉状态。
在其中一些实施例中，身份信息确定单元包括像素数量获取单元、第一确定单元以及第二确定单元，其中：
像素数量获取单元，用于获取人体全身框中人脸的像素数量。
第一确定单元，用于若像素数量大于或者等于预设像素阈值，则确定人体全身框中包括身份信息。
第二确定单元，用于若像素数量小于预设像素阈值，则确定人体全身框中不包括身份信息。
在其中一些实施例中，第二检测单元包括站立状态确定子单元以及睡觉状态确定子单元，其中：
站立状态确定子单元，用于根据关节点的坐标信息和属性信息，确定视频图像中对应人员是否处于站立状态。
睡觉状态确定子单元，用于根据站立状态检测视频图像中对应人员的睡觉状态。
在其中一些实施例中，睡觉状态确定子单元还用于若视频图像中对应人员处于站立状态，则确定视频图像中对应人员不存在睡觉行为；若视频图像中对应人员处于非站立状态，则获取关节点在预设时长内的运动信息，并根据运动信息，检测视频图像中对应人员的睡觉状态。
在其中一些实施例中，睡觉状态确定子单元还用于获取关节点在第一时长内的第一运动距离，以及关节点在第二时长内的第二运动距离；第一时长大于第二时长；根据第一运动距离和第二运动距离，确定视频图像中对应人员的睡觉状态。
在其中一些实施例中，睡觉行为的监控装置还包括睡觉信息统计模块，睡觉信息统计模块包括信息统计单元以及报表生成单元，其中：
信息统计单元，用于记录存在睡觉行为的人员的身份信息，并统计睡觉次数。
报表生成单元，用于根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1描述的睡觉行为的监控方法可以由睡觉行为的监控设备来实现。图11为本申请实施例中睡觉行为的监控设备的硬件结构示意图。
睡觉行为的监控设备可以包括处理器111以及存储有计算机程序指令的存储器112。
具体地，上述处理器111可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器115可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器115可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器115可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器115可在数据处理装置的内部或外部。在特定实施例中，存储器115是非易失性(Non-Volatile)存储器。在特定实施例中，存储器115包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器115可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器112所执行的可能的计算机程序指令。
处理器111通过读取并执行存储器112中存储的计算机程序指令，以实现上述实施例中的任意一种睡觉行为的监控方法。
在其中一些实施例中，睡觉行为的监控设备还可包括通信接口113和总线110。其中，如图11所示，处理器111、存储器112、通信接口113通过总线110连接并完成相互间的通信。
通信接口113用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口113还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线110包括硬件、软件或两者，将睡觉行为的监控设备的部件彼此耦接在一起。总线110包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线110可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线110可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该睡觉行为的监控设备可以基于获取到的睡觉行为的监控，执行本申请实施例中的睡觉行为的监控方法，从而实现结合图1描述的睡觉行为的监控方法。
另外，结合上述实施例中的睡觉行为的监控方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种睡觉行为的监控方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种睡觉行为的监控方法，其特征在于，包括：
获取视频图像；
将所述视频图像输入至神经网络模型，得到所述视频图像中的人体全身框与人脸框，并将所述人脸框与对应的人体全身框进行绑定；
根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
根据绑定的人体全身框与人脸框，确定所述人体全身框中是否包括身份信息；
若所述人体全身框中包括身份信息，则检测所述人脸框中眼睛的闭合状态，得到检测结果，并根据所述检测结果以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态；
若所述人体全身框中不包括身份信息，则根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
3.根据权利要求2所述的方法，其特征在于，所述根据所述检测结果以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
若检测到所述人脸框中眼睛的闭合状态为睁眼，则确定所述视频图像中对应人员不存在睡觉行为；
若检测到所述人脸框中眼睛的闭合状态为闭眼，或，若未检测到所述人脸框中眼睛的闭合状态，则根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
4.根据权利要求2所述的方法，其特征在于，所述确定所述人体全身框中是否包括身份信息包括：
获取所述人体全身框中人脸的像素数量；
若所述像素数量大于或者等于预设像素阈值，则确定所述人体全身框中包括身份信息；
若所述像素数量小于预设像素阈值，则确定所述人体全身框中不包括身份信息。
5.根据权利要求3所述的方法，其特征在于，所述关节点信息包括关节点的坐标信息和属性信息；所述根据人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态包括：
根据关节点的坐标信息和属性信息，确定所述视频图像中对应人员是否处于站立状态；
根据所述站立状态检测所述视频图像中对应人员的睡觉状态。
6.根据权利要求5所述的方法，其特征在于，所述根据所述站立状态检测所述视频图像中对应人员的睡觉状态包括：
若所述视频图像中对应人员处于站立状态，则确定所述视频图像中对应人员不存在睡觉行为；
若所述视频图像中对应人员处于非站立状态，则获取所述关节点在预设时长内的运动信息，并根据所述运动信息，检测所述视频图像中对应人员的睡觉状态。
7.根据权利要求6所述的方法，其特征在于，所述获取所述关节点在预设时长内的运动信息，并根据所述运动信息，检测所述视频图像中对应人员的睡觉状态包括：
获取所述关节点在第一时长内的第一运动距离，以及所述关节点在第二时长内的第二运动距离；所述第一时长大于所述第二时长；
根据所述第一运动距离和所述第二运动距离，确定所述视频图像中对应人员的睡觉状态。
8.根据权利要求2所述的方法，其特征在于，在根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态之后，所述方法还包括：
记录存在睡觉行为的人员的身份信息，并统计睡觉次数；
根据存在睡觉行为的人员的身份信息以及睡觉次数，生成报表。
9.一种睡觉行为的监控装置，其特征在于，包括：
获取模块，用于获取视频图像；
绑定模块，用于将所述视频图像输入至神经网络模型，得到所述视频图像中的人体全身框与人脸框，并将所述人脸框与对应的人体全身框进行绑定；
检测模块，用于根据所述人脸框中眼睛的闭合状态以及人体全身框中的关节点信息，检测所述视频图像中对应人员的睡觉状态。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的睡觉行为的监控方法。
11.一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，该程序被处理器执行时实现如权利要求1至8中任一项所述的睡觉行为的监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010655497.6A CN112001230B (zh) | 2020-07-09 | 2020-07-09 | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010655497.6A CN112001230B (zh) | 2020-07-09 | 2020-07-09 | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001230A true CN112001230A (zh) | 2020-11-27 |
| CN112001230B CN112001230B (zh) | 2024-07-30 |
Family
ID=73466774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010655497.6A Active CN112001230B (zh) | 2020-07-09 | 2020-07-09 | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001230B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613540A (zh) * | 2020-12-07 | 2021-04-06 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子系统 |
| CN112949502A (zh) * | 2021-03-05 | 2021-06-11 | 浙江大华技术股份有限公司 | 游泳池安全员的环视检测方法、系统和电子装置 |
| CN113052127A (zh) * | 2021-04-09 | 2021-06-29 | 上海云从企业发展有限公司 | 一种行为检测方法、系统、计算机设备及机器可读介质 |
| CN113139530A (zh) * | 2021-06-21 | 2021-07-20 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113269142A (zh) * | 2021-06-18 | 2021-08-17 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| CN113298062A (zh) * | 2021-07-28 | 2021-08-24 | 宁波星巡智能科技有限公司 | 婴幼儿睡眠活动状态检测方法、装置、设备及介质 |
| CN113674507A (zh) * | 2021-08-18 | 2021-11-19 | 建信金融科技有限责任公司 | 婴儿监控方法、装置、计算机设备及计算机可读存储介质 |
| CN118470695A (zh) * | 2024-07-12 | 2024-08-09 | 杭州锐见智行科技有限公司 | 一种汽车舱内睡眠识别方法、装置、电子设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285647A1 (en) * | 2017-03-28 | 2018-10-04 | Qualcomm Incorporated | Methods and systems for performing sleeping object detection and tracking in video analytics |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN109726652A (zh) * | 2018-12-19 | 2019-05-07 | 杭州叙简科技股份有限公司 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
| CN109840493A (zh) * | 2019-01-27 | 2019-06-04 | 武汉星巡智能科技有限公司 | 婴幼儿睡眠状态检测方法、装置及计算机可读存储介质 |
| CN110363114A (zh) * | 2019-06-28 | 2019-10-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人员工作状态检测方法、装置及终端设备 |
| CN110472516A (zh) * | 2019-07-23 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种人物图像识别系统的构建方法、装置、设备及系统 |
| WO2020020022A1 (zh) * | 2018-07-25 | 2020-01-30 | 卢帆 | 视觉识别方法及其系统 |
| CN110969045A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种行为检测方法、装置、电子设备和存储介质 |
| CN111079474A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 乘客状态分析方法和装置、车辆、电子设备、存储介质 |
| WO2020125406A1 (zh) * | 2018-12-20 | 2020-06-25 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
-
2020
- 2020-07-09 CN CN202010655497.6A patent/CN112001230B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285647A1 (en) * | 2017-03-28 | 2018-10-04 | Qualcomm Incorporated | Methods and systems for performing sleeping object detection and tracking in video analytics |
| WO2020020022A1 (zh) * | 2018-07-25 | 2020-01-30 | 卢帆 | 视觉识别方法及其系统 |
| CN110969045A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种行为检测方法、装置、电子设备和存储介质 |
| CN111079474A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 乘客状态分析方法和装置、车辆、电子设备、存储介质 |
| CN109726652A (zh) * | 2018-12-19 | 2019-05-07 | 杭州叙简科技股份有限公司 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
| WO2020125406A1 (zh) * | 2018-12-20 | 2020-06-25 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN109840493A (zh) * | 2019-01-27 | 2019-06-04 | 武汉星巡智能科技有限公司 | 婴幼儿睡眠状态检测方法、装置及计算机可读存储介质 |
| CN110363114A (zh) * | 2019-06-28 | 2019-10-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种人员工作状态检测方法、装置及终端设备 |
| CN110472516A (zh) * | 2019-07-23 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种人物图像识别系统的构建方法、装置、设备及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613540A (zh) * | 2020-12-07 | 2021-04-06 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子系统 |
| CN112949502A (zh) * | 2021-03-05 | 2021-06-11 | 浙江大华技术股份有限公司 | 游泳池安全员的环视检测方法、系统和电子装置 |
| CN112949502B (zh) * | 2021-03-05 | 2024-03-29 | 浙江大华技术股份有限公司 | 游泳池安全员的环视检测方法、系统和电子装置 |
| CN113052127A (zh) * | 2021-04-09 | 2021-06-29 | 上海云从企业发展有限公司 | 一种行为检测方法、系统、计算机设备及机器可读介质 |
| CN113269142A (zh) * | 2021-06-18 | 2021-08-17 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| WO2022262257A1 (zh) * | 2021-06-18 | 2022-12-22 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| CN113139530A (zh) * | 2021-06-21 | 2021-07-20 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113139530B (zh) * | 2021-06-21 | 2021-09-03 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113298062A (zh) * | 2021-07-28 | 2021-08-24 | 宁波星巡智能科技有限公司 | 婴幼儿睡眠活动状态检测方法、装置、设备及介质 |
| CN113674507A (zh) * | 2021-08-18 | 2021-11-19 | 建信金融科技有限责任公司 | 婴儿监控方法、装置、计算机设备及计算机可读存储介质 |
| CN118470695A (zh) * | 2024-07-12 | 2024-08-09 | 杭州锐见智行科技有限公司 | 一种汽车舱内睡眠识别方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001230B (zh) | 2024-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001230A (zh) | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 | |
| US10691950B2 (en) | Activity recognition method and system | |
| Yu et al. | A posture recognition-based fall detection system for monitoring an elderly person in a smart home environment | |
| CN109299646B (zh) | 人群异常事件检测方法、装置、系统和存储介质 | |
| Yu et al. | An online one class support vector machine-based person-specific fall detection system for monitoring an elderly individual in a room environment | |
| CN109858371A (zh) | 人脸识别的方法及装置 | |
| US10635908B2 (en) | Image processing system and image processing method | |
| CN108230607B (zh) | 一种基于区域特征分析的图像火灾探测方法 | |
| CN109543607A (zh) | 目标物异常状态检测方法、系统、监护系统及存储介质 | |
| CN109255360B (zh) | 一种目标分类方法、装置及系统 | |
| CN113657150A (zh) | 一种跌倒检测方法、装置和计算机可读存储介质 | |
| CN111539358A (zh) | 工作状态确定方法、装置、计算机设备和存储介质 | |
| CN109508576A (zh) | 一种异常驾驶行为检测方法、装置及电子设备 | |
| CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
| KR102475752B1 (ko) | 이동 경로 예측 방법 및 장치 | |
| CN110929608A (zh) | 安全帽佩带检测方法及系统 | |
| CN112381054A (zh) | 摄像机的工作状态检测方法及相关设备、系统 | |
| CN111753587B (zh) | 一种倒地检测方法及装置 | |
| CN111753658A (zh) | 一种睡岗告警方法、装置和计算机设备 | |
| CN110633681A (zh) | 一种基于视频的离床检测方法 | |
| De Silva | Audiovisual sensing of human movements for home-care and security in a smart environment | |
| JP2021007055A (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
| CN114764895A (zh) | 异常行为检测装置和方法 | |
| CN114973135A (zh) | 一种基于头肩的时序视频睡岗识别方法、系统及电子设备 | |
| CN113837138B (zh) | 一种着装监控方法、系统、介质及电子终端 |
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 |