CN112381002B - 人体风险姿态识别方法及系统 - Google Patents
人体风险姿态识别方法及系统 Download PDFInfo
- Publication number
- CN112381002B CN112381002B CN202011281073.4A CN202011281073A CN112381002B CN 112381002 B CN112381002 B CN 112381002B CN 202011281073 A CN202011281073 A CN 202011281073A CN 112381002 B CN112381002 B CN 112381002B
- Authority
- CN
- China
- Prior art keywords
- included angle
- dynamic parameter
- change rate
- joint
- human body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 42
- 210000002310 elbow joint Anatomy 0.000 claims description 9
- 210000000323 shoulder joint Anatomy 0.000 claims description 5
- 210000003857 wrist joint Anatomy 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 4
- 230000009429 distress Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000084490 Esenbeckia delta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了人体风险姿态识别方法及系统，该方法包括：S100，接收深度相机捕获的图片帧，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；S200，监测夹角的变化率，并根据夹角的变化率调整监测周期；S300，比对夹角的变化率与第一动态参数，根据比较结果调整第一动态参数，并根据调整后的第一动态参数，得到人体姿态的危险状态判断结果。本发明通过对人体关键关节的角度变化率的变化幅度进行自适应监控，对存在风险的人体姿态动作进行识别，判断用户是否处于特定场景下的危险状态，可以提升当前视频监控系统在处理人员遇险时的效率，减少因人工监视疏忽等原因带来的救援不及时等问题。
Description
技术领域
本发明涉及人体姿态识别的技术领域，特别涉及一种人体风险姿态识别方法及系统。
背景技术
即传统的视频监控技术大部分仅有单一的监控和储存全部监控画面的功能，不具备对监控画面内的人体行为进行分析的能力。而面对成百上千个监控摄像头画面的轮播，仅依靠监控值班人员进行人工分析，显然效率是极低的，也容易导致监控人员疲劳疏忽。因此，当监控画面中出现的危险状况时，监控值班人员往往无法在第一时间被发现，从而延长了处理危险事件的反应时间，甚至可能耽误最佳的救援时间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种人体风险姿态识别方法，能够及时在监控画面中发现危险状况。
本发明还提出一种具有上述人体风险姿态识别方法的人体风险姿态识别系统。
本发明还提出一种具有上述人体风险姿态识别方法的计算机可读存储介质。
根据本发明的第一方面实施例的人体风险姿态识别方法，包括以下步骤：S100，接收深度相机捕获的图片帧，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；S200，监测所述夹角的变化率，并根据所述夹角的变化率调整监测周期；S300，比对所述夹角的变化率与第一动态参数，根据比较结果调整所述第一动态参数，并根据调整后的所述第一动态参数，得到人体姿态的危险状态判断结果。
根据本发明实施例的人体风险姿态识别方法，至少具有如下有益效果：通过对人体关键关节的角度变化率的变化幅度进行自适应监控，对存在风险的人体姿态动作进行识别，判断用户是否处于特定场景下的危险状态，可以提升当前视频监控系统在处理人员遇险时的效率，减少因人工监视疏忽等原因带来的救援不及时等问题。
根据本发明的一些实施例，所述步骤S100包括：S110，通过深度相机捕获图片帧，获取所述关键活动关节点、所述第一参考关节点及所述第二参考关节点的三维坐标；S120，根据关节点的三维坐标，分别计算出所述关键活动关节点与所述第一参考关节点及所述第二参考关节点之间的距离：
其中，P2表示所述关键活动关节点，三维坐标为(x2，y2，z2)；P1表示所述第一参考关节点，三维坐标为(x1，y1，z1)；P3表示所述第二参考关节点，三维坐标为(x3，y3，z3)；S130，根据关节点之间的距离计算出所述关键活动关节点的所述夹角：
其中，θi表示对应时刻ti计算得出的所述夹角。
根据本发明的一些实施例，所述步骤S200包括：S210，计算两个相邻的所述监测周期的所述夹角的变化率θ′：
其中，θi表示对应时刻ti计算得出的所述夹角，θi+1表示对应时刻ti+1计算得出的所述夹角；所述监测周期为ωt，t为预设时间，ω为监测周期系数；S220，根据θ′的值调整ω的大小：
ω＝k*1/θ′
其中，k为预设调整系数。
根据本发明的一些实施例，所述预设调整系数k的取值为1。
根据本发明的一些实施例，所述步骤S300包括：S310，若所述夹角的变化率θ′不大于所述第一动态参数δ，则根据第一预设步长减少所述第一动态参数δ的值，直至所述第一动态参数δ＝0；S320，若所述夹角的变化率θ′大于所述第一动态参数δ，则根据第二预设步长增加所述第一动态参数δ的值，并判断调整后的所述第一动态参数δ是否超过预设阈值门限值上限，得到所述危险状态判断结果。
根据本发明的一些实施例，还包括：获取多个采集周期内的所述夹角的变化率的平均值设置/>为所述第一动态参数δ的初始值，并取/>的α倍为所述预设阈值门限值上限；并配置所述第二预设步长为所述第一预设步长的n倍，其中，α及n均为大于1的整数。
根据本发明的一些实施例，所述第一预设步长为0.1，所述第二预设步长为1，所述预设阈值门限值上限为的2倍。
根据本发明的一些实施例，所述关键活动关节点为手肘关节，所述第一参考关节点为肩关节，所述第二参考关节点为手腕关节。
根据本发明的第二方面实施例的人体风险姿态识别系统，包括：关节坐标点获取模块，用于接收深度相机捕获图片帧，识别并获取人体关节点的三维坐标信息，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；风险姿态识别模块，用于监测所述夹角的变化率，并根据所述夹角的变化率调整监测周期，比对所述夹角的变化率与第一动态参数，根据比较结果调整所述第一动态参数，并根据调整后的所述第一动态参数，判断人体姿态是否处于危险状态；报警模块，用于根据人体姿态的危险状态判断结果，触发相应的警报。
根据本发明实施例的人体风险姿态识别系统，至少具有如下有益效果：通过对人体关键关节的角度变化率的变化幅度进行自适应监控，对存在风险的人体姿态动作进行识别，判断用户是否处于特定场景下的危险状态，可以提升当前视频监控系统在处理人员遇险时的效率，减少因人工监视疏忽等原因带来的救援不及时等问题。
根据本发明的第三方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面实施例的方法。
根据本发明实施例的人体风险姿态识别系统，至少具有与本发明第一方面实施例的方法同样的有益效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的方法的流程示意图；
图2为本发明实施例的方法的详细步骤示意图；
图3为本发明实施例的系统的模块示意框图。
附图标记：
关节夹角获取模块100、风险姿态识别模块200、报警模块300。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1，本发明的实施例的方法包括：S100，接收深度相机捕获的图片帧，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；S200，监测夹角的变化率，并根据夹角的变化率调整监测周期；S300，比对夹角的变化率与第一动态参数，根据比较结果调整第一动态参数，并根据调整后的第一动态参数，得到人体姿态的危险状态判断结果。
本发明的实施例中，配置手肘关节为关键活动节点，相应地，第一参考关节点及第二参考关节点分别为肩关节及手腕关节，对人体卧推动作姿态识别包括如下步骤，参照图2：
步骤1：获取人体关节点的三维坐标，包括：肩关节坐标P1(x1，y1，z1),手肘关节坐标P2(x2，y2，z2),腕关节坐标P3(x3，y3，z3)；
步骤2：根据关节点三维坐标计算出手肘关节P2与参考关节P1、P3之间的距离
步骤3：利用关节点之间的距离计算出手肘关节点的夹角，并记录当前时刻ti：
其中，θi表示对应时刻ti计算得出的夹角，P1P3为肩关节坐标P1与腕关节坐标P3的距离，与步骤2中类似地可得：
步骤4：经过一段时间ωt后，重复上述步骤1-3，得到手肘关节点的夹角θi+1，并记录当前时刻ti+1。
步骤5：计算手肘关节角度变化率：
步骤6：根据θ′值的变化调整ω的大小，使ω＝k*1/θ′，进而调整监控周期，其中k为预设调整系统，可自定义，在本发明的一些实施例中，k取值为1。
步骤7：判断夹角变化率θ′是否超过第一动态参数δ，若大于第一动态参数则表明需要对当前人体姿态进行异常状态检测，进入步骤9；否则，进入步骤8。
在本发明的实施例中，获取多个固定周期长度的采集周期内θ′，计算θ′的平均值设置/>为第一动态参数δ的初始值。
步骤8：根据第一预设步长减小第一动态参数δ的值，即δ＝δ-λ，λ为第一预设步长；第一动态参数δ的取值不超过预设阈值门限下限0。显然，在实际代码中，若第一动态参数δ调整后，即减去第一预设步长后小于0，则令δ＝0；进入步骤10。
本发明的一些实施例中，λ的取值为0.1。
步骤9：根据第二预设步长增加动态参数δ的值，其中，第二预设步长可以为第一预设步长的m倍(m为大于1的整数)，例如：δ＝δ+10λ，显然，m也根据应用场景自定义；并判断调整后的第一动态参数δ是否超过预设阈值门限值上限σ，若超出则判定当前人体进行卧推动作，处于危险状态，触发报警。
预设阈值门限值上限σ可自定义，通常可配置为θ′的平均值的α(α为大于1的整数)倍。本发明的一些实施例中，α的取值为2。
步骤10：令i＝0，回到步骤1，重新计算手肘关节角度变化率。
本发明的实施例中，报警可以通过语音播报、警报铃音及手机短信等各种方式，通知监控人员，以便监控人员及时发现出现危险状态相应人员，可以提升当前视频监控系统在处理人员遇险时的效率，减少因人工监视疏忽等带来的问题。本发明可以将判断结果通过APP、小程序或者Web前端展示等方式对监控人员进行实时推送，实现监控的自动化与智能化。
应理解的是，本发明的实施例中，还可以配置其它关节点作为关键活动节点，比如：膝关节，并选用邻近的关节点作为第一参考关节点及第二参考关节点。
参照图3，本发明的实施例的系统包括：关节夹角获取模块100，用于接收深度相机捕获图片帧，识别并获取人体关节点的三维坐标信息，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；风险姿态识别模块200，用于监测夹角的变化率，并根据夹角的变化率调整监测周期，比对夹角的变化率与第一动态参数，根据比较结果调整第一动态参数，并根据调整后的第一动态参数，判断人体姿态是否处于危险状态；报警模块300，用于根据人体姿态的危险状态判断结果，触发相应的警报。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种人体风险姿态识别方法，其特征在于，包括以下步骤：
S100，接收深度相机捕获的图片帧，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；
S200，监测所述夹角的变化率，并根据所述夹角的变化率调整监测周期；
S300，比对所述夹角的变化率与第一动态参数，根据比较结果调整所述第一动态参数，并根据调整后的所述第一动态参数，得到人体姿态的危险状态判断结果；
所述步骤S200包括：
S210，计算两个相邻的所述监测周期的所述夹角的变化率θ′：
其中，θi表示对应时刻ti计算得出的所述夹角，θi+1表示对应时刻ti+1计算得出的所述夹角；所述监测周期为ωt，t为预设时间，ω为监测周期系数；
S220，根据θ′的值调整ω的大小：
ω＝k*1/θ′
其中，k为预设调整系数；
所述步骤S300包括：
S310，若所述夹角的变化率θ′不大于所述第一动态参数δ，则根据第一预设步长减少所述第一动态参数δ的值，直至所述第一动态参数δ＝0；
S320，若所述夹角的变化率θ′大于所述第一动态参数δ，则根据第二预设步长增加所述第一动态参数δ的值，并判断调整后的所述第一动态参数δ是否超过预设阈值门限值上限，得到所述危险状态判断结果。
2.根据权利要求1所述的人体风险姿态识别方法，其特征在于，所述步骤S100包括：
S110，通过深度相机捕获图片帧，获取所述关键活动关节点、所述第一参考关节点及所述第二参考关节点的三维坐标；
S120，根据关节点的三维坐标，分别计算出所述关键活动关节点与所述第一参考关节点及所述第二参考关节点之间的距离：
其中，P2表示所述关键活动关节点，三维坐标为(x2，y2，z2)；P1表示所述第一参考关节点，三维坐标为(x1，y1，z1)；P3表示所述第二参考关节点，三维坐标为(x3，y3，z3)；
S130，根据关节点之间的距离计算出所述关键活动关节点的所述夹角：
其中，θi表示对应时刻ti计算得出的所述夹角。
3.根据权利要求1所述的人体风险姿态识别方法，其特征在于，所述预设调整系数k的取值为1。
4.根据权利要求1所述的人体风险姿态识别方法，其特征在于，还包括：
获取多个采集周期内的所述夹角的变化率的平均值设置/>为所述第一动态参数δ的初始值，并取/>的α倍为所述预设阈值门限值上限；
并配置所述第二预设步长为所述第一预设步长的n倍，其中，α及n均为大于1的整数。
5.根据权利要求4所述的人体风险姿态识别方法，其特征在于，所述第一预设步长为0.1，所述第二预设步长为1，所述预设阈值门限值上限为的2倍。
6.根据权利要求1所述的人体风险姿态识别方法，其特征在于，所述关键活动关节点为手肘关节，所述第一参考关节点为肩关节，所述第二参考关节点为手腕关节。
7.一种人体风险姿态识别系统，使用权利要求1至6中任一项的方法，其特征在于，包括：
关节夹角获取模块，用于接收深度相机捕获图片帧，识别并获取人体关节点的三维坐标信息，得出人体的关键活动关节点分别与第一参考关节点及第二参考关节点之间连线所构成的夹角；所述关节夹角获取模块还用于计算两个相邻的所述监测周期的所述夹角的变化率θ′：
其中，θi表示对应时刻ti计算得出的所述夹角，θi+1表示对应时刻ti+1计算得出的所述夹角；所述监测周期为ωt，t为预设时间，ω为监测周期系数；
根据θ′的值调整ω的大小：
ω＝k*1/θ′
其中，k为预设调整系数；
风险姿态识别模块，用于监测所述夹角的变化率，并根据所述夹角的变化率调整监测周期，比对所述夹角的变化率与第一动态参数，根据比较结果调整所述第一动态参数，并根据调整后的所述第一动态参数，判断人体姿态是否处于危险状态；所述风险姿态识别模块还用于若所述夹角的变化率θ′不大于所述第一动态参数δ，则根据第一预设步长减少所述第一动态参数δ的值，直至所述第一动态参数δ＝0；若所述夹角的变化率θ′大于所述第一动态参数δ，则根据第二预设步长增加所述第一动态参数δ的值，并判断调整后的所述第一动态参数δ是否超过预设阈值门限值上限，得到所述危险状态判断结果；
报警模块，用于根据人体姿态的危险状态判断结果，触发相应的警报。
8.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281073.4A CN112381002B (zh) | 2020-11-16 | 2020-11-16 | 人体风险姿态识别方法及系统 |
| PCT/CN2020/133151 WO2022099824A1 (zh) | 2020-11-16 | 2020-12-01 | 人体风险姿态识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281073.4A CN112381002B (zh) | 2020-11-16 | 2020-11-16 | 人体风险姿态识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381002A CN112381002A (zh) | 2021-02-19 |
| CN112381002B true CN112381002B (zh) | 2023-08-15 |
Family
ID=74584806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011281073.4A Active CN112381002B (zh) | 2020-11-16 | 2020-11-16 | 人体风险姿态识别方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112381002B (zh) |
| WO (1) | WO2022099824A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990089B (zh) * | 2021-04-08 | 2023-09-26 | 重庆大学 | 一种判断人体运动姿态的方法 |
| CN113807317A (zh) * | 2021-10-09 | 2021-12-17 | 上海健指树智能系统有限公司 | 运动场馆人员安全监测的方法、装置及电子设备 |
| CN115240231B (zh) * | 2022-09-22 | 2022-12-06 | 珠海翔翼航空技术有限公司 | 基于图像识别的用于全动模拟机的坐姿检测及调整方法 |
| CN115736902B (zh) * | 2022-12-01 | 2023-07-25 | 广州市汇源通信建设监理有限公司 | 一种基于智能穿戴设备的施工人员管理系统 |
| CN116740598B (zh) * | 2023-05-10 | 2024-02-02 | 广州培生信息技术有限公司 | 基于视频ai识别的老人能力识别方法和系统 |
| CN117253171B (zh) * | 2023-09-27 | 2024-03-22 | 智点恒创(苏州)智能科技有限公司 | 一种风险行为识别方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325080A (zh) * | 2013-06-21 | 2013-09-25 | 电子科技大学 | 一种基于物联网技术的敬老院智能看护系统及方法 |
| CN103647659A (zh) * | 2013-11-28 | 2014-03-19 | 广州市维能达软件科技有限公司 | 一种监测方法及系统 |
| KR20160106455A (ko) * | 2015-03-02 | 2016-09-12 | 주식회사 삼정텍 | 영상기기를 활용한 골프 자세 분석 방법 |
| CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
| CN106060340A (zh) * | 2016-07-06 | 2016-10-26 | 福建鼎心网络科技有限公司 | 移动侦测方法及系统 |
| CN106534978A (zh) * | 2016-10-14 | 2017-03-22 | 乐视控股（北京）有限公司 | 直播节目状态更新方法及装置 |
| CN106878815A (zh) * | 2017-03-09 | 2017-06-20 | 青岛海信电器股份有限公司 | 视频的播放方法和装置 |
| CN107564062A (zh) * | 2017-08-16 | 2018-01-09 | 清华大学 | 位姿异常检测方法及装置 |
| CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
| CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的考试作弊检测方法 |
| CN110084156A (zh) * | 2019-04-12 | 2019-08-02 | 中南大学 | 一种步态特征提取方法及基于步态特征的行人身份识别方法 |
| CN110148286A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市赛亿科技开发有限公司 | 一种坐姿调整的提示方法及装置、计算机可读存储介质 |
| CN110912757A (zh) * | 2019-12-24 | 2020-03-24 | 聚好看科技股份有限公司 | 业务的监控方法和服务器 |
| CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
| CN111585840A (zh) * | 2020-04-29 | 2020-08-25 | 北京申信联华科技有限公司 | 服务资源监测方法、装置和设备 |
| CN111860152A (zh) * | 2020-06-12 | 2020-10-30 | 浙江大华技术股份有限公司 | 人员状态检测的方法、系统、设备和计算机设备 |
| CN111931701A (zh) * | 2020-09-11 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的姿态识别方法、装置、终端和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013017425A1 (de) * | 2013-10-19 | 2015-05-07 | Drägerwerk AG & Co. KGaA | Verfahren für die Erkennung von Gesten eines menschlichen Körpers |
| CN107194967B (zh) * | 2017-06-09 | 2021-04-06 | 南昌大学 | 基于Kinect深度图像的人体摔倒检测方法及装置 |
| AU2020270998A1 (en) * | 2019-04-12 | 2021-12-02 | University Of Iowa Research Foundation | System and method to predict, prevent, and mitigate workplace injuries |
| CN110647819B (zh) * | 2019-08-28 | 2022-02-01 | 中国矿业大学 | 一种井下人员跨越皮带异常行为检测方法及装置 |
-
2020
- 2020-11-16 CN CN202011281073.4A patent/CN112381002B/zh active Active
- 2020-12-01 WO PCT/CN2020/133151 patent/WO2022099824A1/zh active Application Filing
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325080A (zh) * | 2013-06-21 | 2013-09-25 | 电子科技大学 | 一种基于物联网技术的敬老院智能看护系统及方法 |
| CN103647659A (zh) * | 2013-11-28 | 2014-03-19 | 广州市维能达软件科技有限公司 | 一种监测方法及系统 |
| KR20160106455A (ko) * | 2015-03-02 | 2016-09-12 | 주식회사 삼정텍 | 영상기기를 활용한 골프 자세 분석 방법 |
| CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
| CN106060340A (zh) * | 2016-07-06 | 2016-10-26 | 福建鼎心网络科技有限公司 | 移动侦测方法及系统 |
| CN106534978A (zh) * | 2016-10-14 | 2017-03-22 | 乐视控股（北京）有限公司 | 直播节目状态更新方法及装置 |
| CN106878815A (zh) * | 2017-03-09 | 2017-06-20 | 青岛海信电器股份有限公司 | 视频的播放方法和装置 |
| CN107564062A (zh) * | 2017-08-16 | 2018-01-09 | 清华大学 | 位姿异常检测方法及装置 |
| CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
| CN110148286A (zh) * | 2019-03-27 | 2019-08-20 | 深圳市赛亿科技开发有限公司 | 一种坐姿调整的提示方法及装置、计算机可读存储介质 |
| CN110084156A (zh) * | 2019-04-12 | 2019-08-02 | 中南大学 | 一种步态特征提取方法及基于步态特征的行人身份识别方法 |
| CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的考试作弊检测方法 |
| CN110912757A (zh) * | 2019-12-24 | 2020-03-24 | 聚好看科技股份有限公司 | 业务的监控方法和服务器 |
| CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
| CN111585840A (zh) * | 2020-04-29 | 2020-08-25 | 北京申信联华科技有限公司 | 服务资源监测方法、装置和设备 |
| CN111860152A (zh) * | 2020-06-12 | 2020-10-30 | 浙江大华技术股份有限公司 | 人员状态检测的方法、系统、设备和计算机设备 |
| CN111931701A (zh) * | 2020-09-11 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的姿态识别方法、装置、终端和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于AI+视频监控的智慧城市中心系统设计与实现;李昌伟;中国优秀硕士学位论文全文数据库 信息科技辑;I136-371 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022099824A1 (zh) | 2022-05-19 |
| CN112381002A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381002B (zh) | 人体风险姿态识别方法及系统 | |
| KR102414902B1 (ko) | 카메라 설치 환경 및 목적에 따른 영상 데이터 분석을 위한 추천 인공지능 모델 제공방법 | |
| CN109086729B (zh) | 通信行为检测方法、装置、设备及存储介质 | |
| CN110969045A (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
| CN112149615A (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
| CN114187561A (zh) | 异常行为的识别方法、装置、终端设备及存储介质 | |
| CN111914673A (zh) | 目标行为的检测方法、装置及计算机可读存储介质 | |
| CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
| US10621424B2 (en) | Multi-level state detecting system and method | |
| CN104616408A (zh) | 门铃控制方法及装置 | |
| CN110262948A (zh) | 页面数据的监听方法、装置及设备 | |
| CN111582024B (zh) | 视频流处理方法、装置、计算机设备和存储介质 | |
| CN113342170A (zh) | 手势控制方法、装置、终端和存储介质 | |
| CN111833232B (zh) | 一种图像处理装置 | |
| CN111986230B (zh) | 一种视频中目标物的姿态跟踪方法及装置 | |
| CN110738124A (zh) | 基于关节点坐标的人体姿势识别方法及系统 | |
| CN111602410B (zh) | 适合性判定装置、适合性判定方法和存储介质 | |
| TWI850359B (zh) | 一種資訊處理系統及其方法 | |
| CN111756705B (zh) | 活体检测算法的攻击测试方法、装置、设备及存储介质 | |
| CN112055212B (zh) | 多路视频集中分析处理的系统以及方法 | |
| CN115294649B (zh) | 识别使用移动设备行为的方法、装置、存储介质及处理器 | |
| CN116382721B (zh) | 一种智能交互平板的录屏方法及录屏装置 | |
| CN108227906B (zh) | 一种人机交互方法及装置 | |
| WO2023112214A1 (ja) | 注目映像検出装置、方法およびプログラム | |
| CN118155124A (zh) | 信息处理系统、信息处理方法、以及计算机可读存储介质 |
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 |