CN112528960B - 一种基于人体姿态估计和图像分类的吸烟行为检测方法 - Google Patents
一种基于人体姿态估计和图像分类的吸烟行为检测方法 Download PDFInfo
- Publication number
- CN112528960B CN112528960B CN202011588312.0A CN202011588312A CN112528960B CN 112528960 B CN112528960 B CN 112528960B CN 202011588312 A CN202011588312 A CN 202011588312A CN 112528960 B CN112528960 B CN 112528960B
- Authority
- CN
- China
- Prior art keywords
- human body
- network
- image
- smoking
- 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.)
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于视频行为分析技术领域,涉及一种基于人体姿态估计和图像分类的吸烟行为检测方法,首先读取检测区域监控视频,对视频帧进行预处理和归一化,然后采用YoloV3目标检测方法进行人体框检测,得到人体框位置坐标,在视频帧上面进行剪裁,得到需要进行人体姿态估计的子图,再以所述子图作为输入,使用改进后的人体姿态估计的方法AlphaPose进行人体关键点检测提取,通过定位嘴部和左、右手腕关键点,截取相应的局部图像块,制作分类网络数据集,设计图像分类网络模型,进行网络训练,得到吸烟分类模型,再采用训练好的模型对实时图像进行分类判断,得到视频的吸烟行为检测结果。本发明较好的弥补了两种方法的不足,同时改进算法,提升了检测效率。
Description
技术领域
本发明属于视频行为分析技术领域,涉及一种基于人体姿态估计和图像分类的吸烟行为检测方法。
背景技术
吸烟有害身体健康,在公共场合和室内环境吸烟,容易因为二手烟而诱发疾病;在工厂的一些特定的工作区域,吸烟产生的烟火可能会导致危险发生。因此,出于人们身体健康和安全生产的要求,需要对吸烟行为进行自动化检测和处理。
随着计算机技术和深度学习方法的发展,能够实现对视频监控数据的实时的全天候的处理,但是吸烟行为检测仍然存在瓶颈:一类方法是基于姿态估计的吸烟行为检测方法,该方法缺乏图像像素信息,相似的动作容易误识别为吸烟导致检测准确度不高;一类方法是基于图像检测的方法,该方法中烟在图像中占比较小,检测难度大,准确率低,同时,大量的视频监控数据对算法的运行效率也提出了更高的要求,需要更高效的算法。
发明内容
为了解决现有技术中存在的上述技术问题,本发明的目的在于提出一种结合人体姿态估计和图像分类的吸烟行为的检测方法,旨在自动化识别禁止吸烟的场所发生的吸烟行为,其具体技术方案如下。
一种基于人体姿态估计和图像分类的吸烟行为检测方法,包括网络训练阶段和实时检测阶段,所述网络训练阶段包括:
步骤1:获取吸烟视频数据,采用opencv读取视频,在软件配置文件中设置参数,对视频的每一帧进行预处理,将图像按比例缩放到指定大小,多余部分填充均值128,除以255进行归一化;
步骤2:对于预处理后的视频帧,采用YoloV3目标检测方法进行人体框检测,当视频出现人像模糊,检测率不高时,将置信度阈值降低,若检测效果仍不好,则采集视频数据,抽帧后进行人工标注,制作人体检测数据集,训练YoloV3网络,得到人体框坐标,用框在视频帧上面进行剪裁,得到需要进行人体姿态估计的子图;
步骤3:以所述子图作为输入,使用改进后的人体姿态估计方法AlphaPose进行关键点检测提取;
步骤4:进行关键点距离判断,制作分类网络数据集,设计图像分类网络模型,进行网络训练;
所述实时检测阶段包括:在需要进行吸烟行为检测的区部署监控摄像头,实时读取监控视频,采用同网络训练阶段相同的软件配置参数,经过相同的预处理、YoloV3人体框检测、改进后的AlphaPose关键点检测,进行关键点距离判断,采用训练好的网络模型对图像进行分类,得到监控视频的实时吸烟行为检测结果。
进一步的,所述的步骤3具体包括:所述改进后的人体姿态估计方法AlphaPose在使用人体框坐标去原图裁剪出子图的步骤,不使用仿射变换,重写裁剪函数,进行关键点提取得到人体部位关键点,并保存人体部位的嘴部、左手腕、右手腕这三个关键点的位置。
进一步的,所述步骤4具体包括:
步骤4.1:制作数据集:根据所述左、右手腕和嘴部关键点的位置和所述人体框位置坐标,得到人体框宽度的像素值,根据人体框宽度设定距离阈值,然后进行判断:当有任意手腕与嘴部的距离小于设定的距离阈值,则对该帧图像进行截取,作为训练数据,截取区域为以嘴部关键点为中心的正方形图片,对图片进行人工筛选,选出吸烟和不吸烟的图像分成两个类别,制作成数据集,再将数据集划分成训练集和验证集;
步骤4.2:图像分类网络模型设计:在Resnet18网络的基础上,结合步骤4.1中的数据集,所述数据集图像尺寸较小,并且烟在图像中占比更小,进行网络调整,将Resnet18网络输入图像的尺寸从224像素缩小为64像素,减小上采样带来的噪声,将resnet18的第一个卷积层中stride减小,不进行下采样尺寸缩小;在网络第一个卷积层之后增加一个卷积层,通道数不变,不进行下采样,相应的在卷积后面增加批归一化操作和relu激活函数;减少网络的下采样层,删除Resnet18原本的Maxpool一层,保留图像的细节特征;网络优化器为Adam,设置学习率,损失函数采用交叉熵;
步骤4.3:使用步骤4.1中制作的数据集在网络模型中进行训练,采用水平翻转和裁剪操作扩充数据,裁剪时填充的像素设置较少,然后迭代,保留在验证集准确度最优的网络模型。
进一步的,所述步骤4.3的训练包括:对卷积神经网络的分类决策过程进行可视化网络调试,对分类网络绘制热力图,查看网络模型是否能够定位到烟的特征,即在图像中烟的的位置网络参数值最大,并且以烟为中心,参数值向四周递减,当网络不能正确定位到烟的特征而分类错误时,对网络进行调整,重新训练。
进一步的,所述实时检测阶段具体为:获取实时监控视频,进行YoloV3人体框检测、人体关键点数据提取并采用训练好的模型判断图像中每个人是否有可能吸烟的情况:当左、右手腕和嘴部关键点距离小于阈值时,采用图像分类网络模型进行分类,分类结果是为吸烟,则报警处理,并保存结果视频,分类结果为不吸烟,则不进行报警处理,保存结果视频;当左、右手腕和嘴部关键点距离大于阈值时,不进行分类处理,直接判定为不吸烟,不进行报警处理,保存结果视频。
本发明结合了人体姿态信息和图像像素信息,能够较好的弥补两种方法的不足,同时对算法进行改进,提升了检测效率。
附图说明
图1是本发明的网络训练阶段流程示意图;
图2是本发明的实时检测阶段流程示意图;
图3是人体关键点位置示意图;
图4是吸烟图像分类网络结构图。
具体实施方式
为了使本发明的目的、技术效果和技术方案更加清楚明白,以下结合说明书附图,对本发明作进一步详细说明。
如图1和图2所示,一种基于人体姿态估计和图像分类的吸烟行为检测方法,包括网络训练阶段和实时检测阶段,所述网络训练阶段具体包括:
步骤1:获取吸烟视频数据,采用opencv读取视频,在软件配置文件中设置参数:如人体框检测置信度阈值和nms阈值,关键点检测置信度阈值,图像分类置信度阈值。对视频的每一帧进行预处理,将图像按比例缩放到指定大小,多余部分填充均值128,除以255进行归一化。
步骤2:对于预处理后的视频帧,采用YoloV3目标检测方法进行人体框检测,得到人体框坐标后,用框在视频帧上面进行剪裁,得到需要进行人体姿态估计的子图;视频中人往往是运动的,人动作过快导致图像模糊,会出现人体框检测不准的情况,可以尝试降低人体框检测置信度阈值;如果检测仍然效果不好,需要采集视频数据,抽帧后进行人工标注,制作人体检测数据集,训练YoloV3网络,提升人体框检测效果。
步骤3:以步骤2中子图作为输入,使用人体姿态估计的方法AlphaPose进行关键点检测提取;具体的,所述AlphaPose方法在使用人体框坐标去原图裁剪出子图的步骤,采用了仿射变换函数,该函数在高分辨的图像上耗时较多,在3840*2160像素的图片上,耗时为200ms,因此不使用仿射变换,重写了裁剪函数,耗时降低到13ms,提高了检测效率,使用改进后的AlphaPose方法进行关键点提取得到17个人体部位关键点,关键点位置如图3所示,其中0,9,10号关键点分别代表嘴部、左手腕、右手腕,保存这三个关键点的位置。
该步骤关键点检测的方法引入了人体的骨架结构,能够在有遮挡的情况下,检测出关键点的位置,并且不需要人工对手、嘴等部位进行标注数据,相对于目标检测的方法具有一定优势。
步骤4:进行嘴部和左、右手腕关键点距离判断,制作分类网络数据集,设计图像分类网络模型,进行网络训练,具体包括:
步骤4.1:根据步骤3中左、右手腕和嘴部关键点的位置和步骤2中人体框的位置坐标,得到人体框的宽度像素值,根据人体框宽度设定距离阈值为w像素,然后进行判断:如果有任意一个手腕与嘴部的距离小于w像素,则对该帧图像进行截取,截取区域为以嘴部关键点为中心,大小为h*h像素的正方形图片,对图片进行人工筛选,选出吸烟和不吸烟的图像分成两个类别,制作成数据集,再将数据集划分成训练集和验证集,其中训练集包含10000张图片,验证集包含1000张图片;该步骤的制作数据集方法简单快捷,利用关键点检测的结果对图像进行截取,然后人工对截取图像划分类别,不需要进行目标框的标注,节省了时间;
步骤4.2:图像分类网络模型设计和训练:在Resnet18网络的基础上,结合步骤4.1中数据集的特点,即图像尺寸较小,并且烟在图像中占比更小,进行网络调整,整个网络结构如图4所示,将Resnet18网络输入图像的尺寸从224像素缩小为64像素,减小了上采样带来的噪声,将resnet18的第一个卷积层中stride减小,不进行尺寸缩小,目的是尽量保持烟的细节特征,同时卷积核尺寸进行缩小;在网络第一个卷积层之后增加了一个卷积层,通道数不变,不进行下采样,目的是更充分的提取图片的细节特征,相应的在卷积后面增加批归一化操作和relu激活函数;减少网络的下采样层,删除了Resnet18原本的Maxpool一层,保留了图像的细节特征;网络优化器为Adam,设置学习率,损失函数采用交叉熵;
步骤4.3:使用步骤4.1中制作的数据集进行训练,采用了水平翻转和裁剪操作扩充数据,考虑到烟在图像中占的比例很小,用裁剪的方式扩充数据时,填充的像素过多会导致将烟裁剪掉的情况,因此采用裁剪时填充的像素设置较少,迭代200次,保留在验证集准确度最优的网络模型,最终模型在验证集上的准确度为98.5%,优于不进行网络改进时的模型准确度96.086%,在训练过程中,为了对卷积神经网络的分类决策过程进行可视化,进而对网络进行调试,对分类网络绘制了热力图,查看网络模型是否能够定位到烟的特征,即在图像中烟的的位置网络参数值最大,并且以烟为中心,参数值向四周递减,当网络不能正确定位到烟的特征时,往往分类会错误,这时候就需要对网络进行调整,重新训练,直到网络能够定位到烟的特征并且分类正确。
所述实时检测阶段具体包括:
在需要进行吸烟行为检测的区部署监控摄像头,opencv实时读取监控视频,采用同步骤1相同的软件配置参数和预处理方式,并且设置软件缓存视频帧的队列长度,队列长度不宜过长,否则处理不及时会造成延时较高,经过步骤2和步骤3相同YoloV3人体框检测、AlphaPose关键点检测,进行嘴部和左、右手腕关键点距离判断的处理,然后根据步骤4.1判断图像中每个人是否有可能吸烟的情况:若手腕和嘴部关键点距离小于阈值,则采用步骤4.2得到的分类模型进行分类,若分类结果是吸烟,则报警处理,并保存结果视频;若分类结果是不吸烟,则不进行报警处理,保存结果视频;若手腕和嘴部关键点距离大于阈值,则认为没有吸烟,不进行报警处理,保存结果视频。
Claims (3)
1.一种基于人体姿态估计和图像分类的吸烟行为检测方法,其特征在于,包括网络训练阶段和实时检测阶段,所述网络训练阶段包括:
步骤1:获取吸烟视频数据,采用opencv读取视频,在软件配置文件中设置参数,对视频的每一帧进行预处理,将图像按比例缩放到指定大小,多余部分填充均值128,除以255进行归一化;
步骤2:对于预处理后的视频帧,采用YoloV3目标检测方法进行人体框检测,当视频出现人像模糊,检测率不高时,将置信度阈值降低,若检测效果仍不好,则采集视频数据,抽帧后进行人工标注,制作人体检测数据集,训练YoloV3网络,得到人体框坐标,用框在视频帧上面进行剪裁,得到需要进行人体姿态估计的子图;
步骤3:以所述子图作为输入,使用改进后的人体姿态估计方法AlphaPose进行关键点检测提取,具体包括:所述改进后的人体姿态估计方法AlphaPose在使用人体框坐标去原图裁剪出子图的步骤,不使用仿射变换,重写裁剪函数,进行关键点提取得到人体部位关键点,并保存人体部位的嘴部、左手腕、右手腕这三个关键点的位置;
步骤4:进行关键点距离判断,制作分类网络数据集,设计图像分类网络模型,进行网络训练,具体包括:
步骤4.1:根据所述左手腕、右手腕和嘴部关键点的位置和所述人体框坐标,得到人体框宽度的像素值,根据人体框宽度设定距离阈值,然后进行判断:当有任意手腕与嘴部的距离小于设定的距离阈值,则对当前帧图像进行截取,作为训练数据,截取区域为以嘴部关键点为中心的正方形图片,对图片进行人工筛选,选出吸烟和不吸烟的图像分成两个类别,制作成数据集,再将数据集划分成训练集和验证集;
步骤4.2:图像分类网络模型设计:在Resnet18网络的基础上,结合步骤4.1中的数据集,所述数据集图像尺寸较小,并且烟在图像中占比更小,进行网络调整,将Resnet18网络输入图像的尺寸从224像素缩小为64像素,减小上采样带来的噪声,将resnet18的第一个卷积层中stride减小,不进行下采样尺寸缩小;在网络第一个卷积层之后增加一个卷积层,通道数不变,不进行下采样,相应的在卷积后面增加批归一化操作和relu激活函数;减少网络的下采样层,删除Resnet18原本的Maxpool一层,保留图像的细节特征;网络优化器为Adam,设置学习率,损失函数采用交叉熵;
步骤4.3:使用步骤4.1中制作的数据集在网络模型中进行训练,采用水平翻转和裁剪操作扩充数据,裁剪时填充的像素设置较少,然后迭代,保留在验证集准确度最优的网络模型;
所述实时检测阶段包括:在需要进行吸烟行为检测的区部署监控摄像头,实时读取监控视频,采用同网络训练阶段相同的软件配置参数,经过相同的预处理、YoloV3人体框检测、改进后的AlphaPose关键点检测,进行关键点距离判断,采用训练好的网络模型对图像进行分类,得到监控视频的实时吸烟行为检测结果。
2.如权利要求1所述的一种基于人体姿态估计和图像分类的吸烟行为检测方法,其特征在于,所述步骤4.3的训练包括:对卷积神经网络的分类决策过程进行可视化网络调试,对分类网络绘制热力图,查看网络模型是否能够定位到烟的特征,即在图像中烟的位置网络参数值最大,并且以烟为中心,参数值向四周递减,当网络不能正确定位到烟的特征而分类错误时,对网络进行调整,重新训练。
3.如权利要求1所述的一种基于人体姿态估计和图像分类的吸烟行为检测方法,其特征在于,所述实时检测阶段具体为:获取实时监控视频,进行YoloV3人体框检测、人体关键点数据提取并采用训练好的模型判断图像中每个人是否有可能吸烟的情况:当左、右手腕和嘴部关键点距离小于阈值时,采用图像分类网络模型进行分类,分类结果是为吸烟,则报警处理,并保存结果视频,分类结果为不吸烟,则不进行报警处理,保存结果视频;当左、右手腕和嘴部关键点距离大于阈值时,不进行分类处理,直接判定为不吸烟,不进行报警处理,保存结果视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588312.0A CN112528960B (zh) | 2020-12-29 | 2020-12-29 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588312.0A CN112528960B (zh) | 2020-12-29 | 2020-12-29 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528960A CN112528960A (zh) | 2021-03-19 |
CN112528960B true CN112528960B (zh) | 2023-07-14 |
Family
ID=74976868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011588312.0A Active CN112528960B (zh) | 2020-12-29 | 2020-12-29 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528960B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113069105B (zh) * | 2021-03-26 | 2022-03-04 | 北京理工大学 | 利用智能手机扬声器和麦克风的驾驶员吸烟行为检测方法 |
CN113065474B (zh) * | 2021-04-07 | 2023-06-27 | 泰豪软件股份有限公司 | 行为识别方法、装置及计算机设备 |
CN113076903A (zh) * | 2021-04-14 | 2021-07-06 | 上海云从企业发展有限公司 | 一种目标行为检测方法、系统、计算机设备及机器可读介质 |
CN113392706A (zh) * | 2021-05-13 | 2021-09-14 | 上海湃道智能科技有限公司 | 抽烟及使用手机行为检测装置及方法 |
CN113255509A (zh) * | 2021-05-20 | 2021-08-13 | 福州大学 | 一种基于Yolov3和OpenPose的工地危险行为监控方法 |
CN113392754B (zh) * | 2021-06-11 | 2022-06-28 | 成都掌中全景信息技术有限公司 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
CN113408390A (zh) * | 2021-06-11 | 2021-09-17 | 广东工业大学 | 一种人体行为实时识别方法、系统、装置及存储介质 |
CN113591590B (zh) * | 2021-07-05 | 2024-02-23 | 天地(常州)自动化股份有限公司 | 一种基于人体姿态识别的打钻视频退杆计数方法 |
CN113435402A (zh) * | 2021-07-14 | 2021-09-24 | 深圳市比一比网络科技有限公司 | 一种用于列车车厢的不文明行为检测方法及系统 |
CN113609963B (zh) * | 2021-08-03 | 2022-10-11 | 北京睿芯高通量科技有限公司 | 一种实时多人体角度的抽烟行为检测方法 |
CN113808084A (zh) * | 2021-08-25 | 2021-12-17 | 杭州安脉盛智能技术有限公司 | 一种模型融合的在线烟包表面霉变检测方法及系统 |
CN116434322A (zh) * | 2021-12-31 | 2023-07-14 | 中兴通讯股份有限公司 | 打电话动作识别方法、装置、系统和存储介质 |
CN117133020B (zh) * | 2023-10-26 | 2024-01-19 | 湖北华中电力科技开发有限责任公司 | 基于图像大数据的电网设施异常检测与处理方法及系统 |
CN117409484A (zh) * | 2023-12-14 | 2024-01-16 | 四川汉唐云分布式存储技术有限公司 | 基于云值守的客户违规行为检测方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020069634A1 (en) * | 2018-10-02 | 2020-04-09 | Intel Corporation | Method and system for game status determination |
CN110991274A (zh) * | 2019-11-18 | 2020-04-10 | 杭州电子科技大学 | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN111626276A (zh) * | 2020-07-30 | 2020-09-04 | 之江实验室 | 一种基于两级神经网络的工鞋穿戴检测方法及装置 |
CN111814601A (zh) * | 2020-06-23 | 2020-10-23 | 国网上海市电力公司 | 一种将目标检测与人体姿态估计相结合的视频分析方法 |
CN112115775A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于计算机视觉的监控场景下的吸烟行为检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004209B2 (en) * | 2017-10-26 | 2021-05-11 | Qualcomm Incorporated | Methods and systems for applying complex object detection in a video analytics system |
CN109685026B (zh) * | 2018-12-28 | 2023-04-18 | 南通大学 | 一种驾驶员手持手机通话的实时监测方法 |
CN111222493B (zh) * | 2020-01-20 | 2023-07-28 | 北京捷通华声科技股份有限公司 | 一种视频处理方法及装置 |
CN111274930B (zh) * | 2020-04-02 | 2022-09-06 | 成都鼎安华智慧物联网股份有限公司 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
CN111507416B (zh) * | 2020-04-21 | 2023-08-04 | 湖北马斯特谱科技有限公司 | 一种基于深度学习的吸烟行为实时检测方法 |
CN111931653A (zh) * | 2020-08-11 | 2020-11-13 | 沈阳帝信人工智能产业研究院有限公司 | 安全监测方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-12-29 CN CN202011588312.0A patent/CN112528960B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020069634A1 (en) * | 2018-10-02 | 2020-04-09 | Intel Corporation | Method and system for game status determination |
CN110991274A (zh) * | 2019-11-18 | 2020-04-10 | 杭州电子科技大学 | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN111814601A (zh) * | 2020-06-23 | 2020-10-23 | 国网上海市电力公司 | 一种将目标检测与人体姿态估计相结合的视频分析方法 |
CN111626276A (zh) * | 2020-07-30 | 2020-09-04 | 之江实验室 | 一种基于两级神经网络的工鞋穿戴检测方法及装置 |
CN112115775A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于计算机视觉的监控场景下的吸烟行为检测方法 |
Non-Patent Citations (3)
Title |
---|
Deep CNN, Body Pose, and Body-Object Interaction Features for Drivers’ Activity Monitoring;Ardhendu Behera 等;《IEEE Transactions on Intelligent Transportation Systems》;全文 * |
Progressive Unsupervised Person Re-Identification by Tracklet Association With Spatio-Temporal Regularization;Qiaokang Xie 等;《IEEE Transactions on Multimedia》;第23卷;全文 * |
一种优化的运动目标检测与跟踪算法;谷东亮 等;《舰船电子工程》;第37卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528960A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528960B (zh) | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 | |
CN108090458B (zh) | 人体跌倒检测方法和装置 | |
CN107943837B (zh) | 一种前景目标关键帧化的视频摘要生成方法 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN110517246B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
CN107292913B (zh) | 一种基于视频的多阶段摔倒检测方法 | |
CN114241548A (zh) | 一种基于改进YOLOv5的小目标检测算法 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN113807276A (zh) | 基于优化的YOLOv4模型的吸烟行为识别方法 | |
CN110827505A (zh) | 一种基于深度学习的烟雾分割方法 | |
CN111967464B (zh) | 一种基于深度学习的弱监督目标定位方法 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN112464797B (zh) | 一种吸烟行为检测方法、装置、存储介质及电子设备 | |
CN112115775A (zh) | 一种基于计算机视觉的监控场景下的吸烟行为检测方法 | |
CN111401278A (zh) | 安全帽识别方法、装置、电子设备及存储介质 | |
CN111046827A (zh) | 一种基于卷积神经网络的视频烟雾检测方法 | |
CN111738056A (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN113343779A (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN112785591B (zh) | 一种ct影像中肋骨骨折的检测与分割方法及装置 | |
CN113177439B (zh) | 一种行人翻越马路护栏检测方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN113052055A (zh) | 一种基于光流改进与Yolov3的烟雾检测方法 |
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 |