CN112580522A - 睡眠人员检测方法、装置、设备及存储介质 - Google Patents

睡眠人员检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580522A
CN112580522A CN202011529514.8A CN202011529514A CN112580522A CN 112580522 A CN112580522 A CN 112580522A CN 202011529514 A CN202011529514 A CN 202011529514A CN 112580522 A CN112580522 A CN 112580522A
Authority
CN
China
Prior art keywords
human body
detection result
score
sleeper
target area
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
Application number
CN202011529514.8A
Other languages
English (en)
Inventor
邓博洋
程杨武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Missfresh Ecommerce Co Ltd
Original Assignee
Beijing Missfresh Ecommerce Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Missfresh Ecommerce Co Ltd filed Critical Beijing Missfresh Ecommerce Co Ltd
Priority to CN202011529514.8A priority Critical patent/CN112580522A/zh
Publication of CN112580522A publication Critical patent/CN112580522A/zh
Pending legal-status Critical Current

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
    • G06V40/10—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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种睡眠人员检测方法、装置、设备及存储介质，涉及应用程序开发技术领域。所述方法包括：获取目标区域的监控图像；识别监控图像中的人体区域；获取人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果；根据人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，确定目标区域中是否存在睡眠人员。本申请实施例提供的技术方案，一方面，有助于减少误检和漏检情况；另一方面，还可以提高检测效率，降低人力成本和时间成本。

Description

睡眠人员检测方法、装置、设备及存储介质
技术领域
本申请实施例涉及图像识别技术领域，特别涉及一种睡眠人员检测方法、装置、设备及存储介质。
背景技术
与仓储物流相关的行业，往往需要存储大量的商品，因而需要较多数量的仓库。
在相关技术中，很多仓库位于城市边缘地区，仓库中的物品较多，隐蔽性好，为了检测仓库中是否有人员睡觉，需要人工长时间查看仓库的监控视频，效率较低。
发明内容
本申请实施例提供了一种睡眠人员检测方法、装置、设备及存储介质，可以提高检测睡眠人员的效率。所述技术方案如下：
一方面，本申请实施例提供了一种睡眠人员检测方法，所述方法包括：
获取目标区域的监控图像；
识别所述监控图像中的人体区域；
获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果；
根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员。
另一方面，本申请实施例提供了一种睡眠人员检测装置，所述装置包括：
图像获取模块，用于获取目标区域的监控图像；
区域识别模块，用于识别所述监控图像中的人体区域；
结果获取模块，用于获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果；
睡眠确定模块，用于根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员。
再一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述睡眠人员检测方法。
还一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述睡眠人员检测方法。
本申请实施例提供的技术方案可以包括如下有益效果：
通过识别监控图像中的人体区域，并综合人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，自动识别确定目标区域中是否存在睡眠人员，相比于人工检测难免遇到误检和漏检以及耗费的较大的人力成本和时间成本，本申请实施例提供的方案，实现了自动化地检测目标区域中是否存在睡眠人员，一方面，有助于减少误检和漏检情况；另一方面，还可以提高检测效率，降低人力成本和时间成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的睡眠人员检测方法的流程图；
图2是本申请一个实施例提供的监控图像的示意图；
图3是本申请另一个实施例提供的睡眠人员检测方法的流程图；
图4是本申请另一个实施例提供的监控图像的示意图；
图5是本申请另一个实施例提供的监控图像的示意图；
图6是本申请另一个实施例提供的睡眠人员检测方法的流程图；
图7是本申请一个实施例提供的睡眠人员检测装置的框图；
图8是本申请另一个实施例提供的睡眠人员检测装置的框图；
图9是本申请一个实施例提供的计算机设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法的例子。
本申请实施例提供了一种睡眠人员检测系统。该系统可以包括摄像头，以及与摄像头建立有通信连接的计算机设备，摄像头可以向计算机设备发送数据信息(如监控视频、监控图像等)。摄像头可以是一个摄像头，也可以包括多个摄像头。摄像头可以用于拍摄目标区域的监控视频或图像照片。该计算机设备是指具备数据计算、处理和存储能力的电子设备。该计算机设备可以是诸如PC(Personal Computer，个人计算机)、平板电脑、智能手机、可穿戴设备、智能机器人等终端；也可以是服务器。其中，服务器可以是一台服务器，也可以是服务器集群。本申请实施例提供的方法，各步骤的执行主体可以是该计算机设备。
本申请实施例提供的方案，可以应用于仓库(如普通仓库、冷库等)监控场景下的睡眠人员检测，可以应用于学校(如幼儿园、特殊教育学校等)监控场景下的睡眠人员检测，可以应用于公共交通工具(如火车、高铁、轮船等)监控场景下的睡眠人员检测，也可以应用于工厂的生产区域(如热加工区域)监控场景下的睡眠人员检测，还可以应用于其他可能的场景下的睡眠人员检测，本申请实施例对此不做限定。
下面，通过几个实施例对本申请技术方案进行介绍说明。
请参考图1，其示出了本申请一个实施例提供的睡眠人员检测方法的流程图。在本实施例中，主要以该方法应用于上文介绍的计算机设备中来举例说明。该方法可以包括如下几个步骤(101～104)：
步骤101，获取目标区域的监控图像。
目标区域是指被监控的区域。目标区域可以是物品存储空间中的区域，如储物间、仓库、集装箱等；目标区域还可以是其他区域，如冷库、工厂的生产区域等。监控图像可以用于检测目标区域中是否存在睡眠人员。监控图像可以是从目标区域的监控视频中截取的图像，也可以是直接通过对目标区域拍照采集的图像。监控图像可以是一张监控图像，也可以是多张监控图像。其中，多张监控图像可以是从不同角度获取的监控图像，也可以是在不同时间从同一角度获取的监控图像。
步骤102，识别监控图像中的人体区域。
通过人体识别技术，可以识别出监控图像中人体所在的区域(即人体区域)。本申请实施例中，人体识别技术是指通过图像识别技术(或视觉识别技术)识别人体的技术。对于不同的人体识别技术，其所识别出的人体区域的形状也不相同。例如，人体区域可以是矩形区域，可以是圆形区域，也可以是椭圆形区域，人体区域的边缘形状还可以是根据监控图像中的人体轮廓生成的，本申请实施例对此不做限定。
如图2所示，监控图像21对应的人体区域可以是矩形虚线框22内的区域，也可以是人形轮廓虚线框23内的区域。
步骤103，获取人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果。
当识别出监控图像中的人体区域之后，针对人体区域可以得到人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果。人体姿态检测结果可以用于指示人体区域中的人体姿态，人体姿态可以包括坐姿、躺卧姿态、站立姿态等等。睡眠物品检测结果可以用于指示人体区域中和/或人体区域附近的物品的类型。人脸运动检测结果可以用于指示人体区域中的人脸的运动/静止情况，例如，人脸运动检测结果可以用于指示人体区域中的人脸是否在较长时间内保持静止。
步骤104，根据人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，确定目标区域中是否存在睡眠人员。
睡眠人员是指在目标区域中进行睡眠行为的人员。综合人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，可以确定目标区域中的包含的整体信息与睡眠行为的相关度，从而确定目标区域中是否存在睡眠人员。
综上所述，本申请实施例提供的技术方案中，通过识别监控图像中的人体区域，并综合人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，自动识别确定目标区域中是否存在睡眠人员，相比于人工检测难免遇到误检和漏检以及耗费的较大的人力成本和时间成本，本申请实施例提供的方案，实现了自动化地检测目标区域中是否存在睡眠人员，一方面，有助于减少误检和漏检情况；另一方面，还可以提高检测效率，降低人力成本和时间成本。
本申请实施例中，通过将人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果结合，从多个角度综合判断目标区域中是否存在睡眠人员，进一步提高了检测睡眠人员的效率。
请参考图3，其示出了本申请另一个实施例提供的睡眠人员检测方法的流程图。在本实施例中，主要以该方法应用于上文介绍的计算机设备中来举例说明。该方法可以包括如下几个步骤(301～310)：
步骤301，获取目标区域的监控图像。
本步骤与图1实施例中的步骤101的内容相同或相似，此处不再赘述。
步骤302，识别监控图像中的人体区域。
本步骤与图1实施例中的步骤102的内容相同或相似，此处不再赘述。
步骤303，通过人体姿态检测模型获取人体区域对应的人体姿态检测结果。
在识别出监控图像中的人体区域后，可以通过人体姿态检测模型获取人体姿态检测结果。人体姿态检测结果用于指示人体区域中的人体姿态。
可选地，人体姿态检测模型是通过样本训练得到的模型。
在一些实施例中，对人体姿态模型进行样本训练的过程，可以包括如下步骤：
1、获取人体姿态样本集，人体姿态样本集中包括n个人体姿态样本，n个人体姿态样本中的第i个样本，包括至少一张图像以及对应的人体姿态信息，n为正整数，i为正整数；
2、初始化人体姿态模型；
3、将第i个样本输入人体姿态模型，计算对应的人体姿态检测结果；
4、将第i个样本对应的人体姿态信息和人体姿态检测结果输入代表人体姿态匹配程度的损失函数，得到基于当前模型的第i个样本的训练损失分值；
5、人体姿态模型根据第i个样本对应的训练损失分值调整自身参数；
6、对人体姿态样本集中的其他样本执行上述步骤3～5，得到训练完成的人体姿态模型。
训练损失分值可以用于指示人体姿态检测结果与对应的人体姿态信息的符合程度。
在一些实施例中，人体姿态检测结果与对应的人体姿态信息的符合程度与对应的训练损失分值负相关(也即，人体姿态检测结果与对应的人体姿态信息的符合程度越高，对应的训练损失分值越低)，人体姿态模型倾向于输出对应训练损失分值低的人体姿态检测结果。在一个示例中，当训练损失分值小于或等于第一预设值时，表示人体姿态模型已训练完成。在另一个示例中，在n1个训练样本对应的n1个训练损失分值中，小于或等于第二预设值的训练损失分值的百分比为k1，当k1大于或等于预设百分比时，表示人体姿态模型训练完成，k1为小于或等于100％的正百分数。
需要说明的是，第一预设值和第二预设值的具体取值可以分别由相关技术人员根据实际情况进行设定，本申请实施例对此不做限定。n1可以是3,可以是5，可以是10，可以是20，也可以是50，还可以是100，n1的具体取值可以由相关技术人员根据实际情况进行设定，本申请实施例对此不做限定。k1的值可以是60％，可以是70％，可以是80％，可以是90％，也可以是95％，还可以是98％，k1的具体取值可以由相关技术人员根据实际情况进行设定，本申请实施例对此不做限定。
步骤304，根据人体区域附近的物品对应的置信度，获取人体区域对应的睡眠物品检测结果。
在识别出监控图像中的人体区域后，可以通过睡眠物品检测模型分析人体区域附近的物品，并根据各个物品的置信度，识别与睡眠行为相关的物品，进而得到人体区域对应的睡眠物品检测结果。
在监控图像中，由于光照情况、距离摄像头的远近、物品大小、物品被遮挡情况、摄像头性能等因素，睡眠物品检测模型对物品的分析和识别结果并不是绝对准确。置信度也被称为置信水平或可靠度，表示总体参数值落在样本统计值某一区间内的概率。在一些可能的实施例中，通过睡眠物品检测模型可以先得到睡眠物品初始检测结果。在本申请实施例中，置信度是指人体区域附近的物品符合睡眠物品初始检测结果的概率。之后，结合睡眠物品初始检测结果和各个物品对应的置信度，可以得到最终的睡眠物品检测结果。
如图4所示，监控图像41中的被子42被其他物体遮挡，监控图像中43中的被子44并未被遮挡，因而监控图像41中的被子42比监控图像中43中的被子44的识别准确的概率高。
可选地，睡眠物品检测模型是通过样本训练得到的模型，睡眠物品检测模型的训练过程可以参考上述人体姿态检测模型的样本训练过程，此处不再赘述。
步骤305，根据人体区域中的人脸在至少两张监控图像中的重合度，获取人体区域对应的人脸运动检测结果。
其中，至少两张监控图像可以为不同时刻对应的监控图像，至少两张监控图像可以为从同一角度获取的监控图像。当获取到至少两张监控图像后，可以通过人脸检测模型，识别出至少两张监控图像中的人脸，并比对各个监控图像，检测至少两张监控图像中的人脸的重合度，进而得到人体区域对应的人脸运动检测结果。
在一些实施例中，通过人脸检测模型，先识别出两张监控图像中的人脸，再标出各个监控图像的人脸的多个人脸关键点；并确定各个人脸关键点在对应的监控图像中的坐标；通过不同监控图像对应的人脸关键点的坐标的差异程度，可以得到人体区域对应的人脸运动检测结果。
在另一些实施例中，通过人脸检测模型，先识别出至少两张监控图像中的人脸区域并将人脸区域标出，人脸区域的边缘形状即为人脸的轮廓；再计算出各个监控图像的人脸区域的不重合区域的面积；之后将不重合区域的面积与至少两张监控图像的其中一张监控图像的人脸区域的面积的比值，确定为人脸运动检测结果。可选地，将不重合区域的面积比上至少两张监控图像中的m张监控图像的人脸区域的面积，得到m个比值，m为正整数；将m个比值的平均值，确定为人脸运动检测结果。
可选地，人脸检测模型是通过样本训练得到的模型，人脸检测模型的训练过程可以参考上述人体姿态检测模型的训练过程，此处不再赘述。
步骤306，根据人体姿态检测结果，确定第一分值。
其中，第一分值用于指示人体区域中的人体姿态与睡眠行为的相关度。根据人体姿态检测结果，以及第一分值对应的计算方式，可以计算得到第一分值。可选地，第一分值和上述人体姿态与睡眠行为的相关度正相关，人体姿态与睡眠行为的相关度越高，第一分值也越高；人体姿态与睡眠行为的相关度越低，第一分值也越低。
在一些实施例中，步骤306可以包括如下子步骤：
1、根据人体姿态检测结果确定人体区域中的人体姿态；
2、根据第一对应关系获取与人体区域中的人体姿态对应的分值，得到第一分值。
其中，第一对应关系包括人体姿态与分值之间的对应关系。例如，躺卧姿态对应的分值>坐姿对应的分值>站姿对应的分值。在一些实施例中，人体姿态越接近躺卧姿态，对应的第一分值越高。
步骤307，根据睡眠物品检测结果，确定第二分值。
其中，第二分值用于指示人体区域附近的物品与睡眠行为的相关度。根据睡眠物品检测结果，以及第二分值对应的计算方式，可以计算得到第二分值。可选地，第二分值和上述人体区域附近的物品与睡眠行为的相关度正相关，人体区域附近的物品与睡眠行为的相关度越高，第二分值也越高；人体区域附近的物品与睡眠行为的相关度越低，第二分值也越低。
在一些实施例中，步骤307可以包括如下子步骤：
1、根据睡眠物品检测结果确定人体区域附近的物品；
2、根据第二对应关系获取与人体区域附近的物品对应的分值，得到第二分值；
其中，第二对应关系包括物品与分值之间的对应关系。例如，与睡眠行为相关度高的物品对应的分值>与睡眠行为相关度低的物品对应的分值。在一些实施例中，物品越接近睡眠行为所需的物品，对应的第一分值也越高。睡眠行为所需的物品包括但不限于以下至少一项：床、被子、毯子、枕头、眼罩。
步骤308，根据人脸运动检测结果，确定第三分值。
其中，第三分值用于指示人体区域中的人脸运动情况与睡眠行为的相关度。根据人体姿态检测结果，以及第三分值对应的计算方式，可以计算得到第三分值。可选地，第三分值和上述人体区域中的人脸运动情况与睡眠行为的相关度正相关，人体区域中的人脸运动情况与睡眠行为的相关度越高，第三分值也越高；人体区域中的人脸运动情况与睡眠行为的相关度越低，第三分值也越低。
在一些实施例中，步骤308可以包括如下子步骤：
1、根据人脸运动检测结果确定人体区域中的人脸运动情况，人脸运动情况是指人体区域中的人脸在多个监控图像中的重合度；
2、根据第三对应关系获取与人体区域中的人脸运动情况对应的分值，得到第三分值；
其中，第三对应关系包括人脸运动情况与分值之间的对应关系。例如，人脸静止不动对应的分值>人脸发生运动对应的分值。在一些实施例中，人脸静止的时间越长、人脸在多个监控图像中的重合度越低，对应的第三分值越高。
如图5所示，在监控图像51中，人脸朝下，在监控图像51中检测不到人脸，则第二分值可以取默认值。其中，默认值可以是0，也可以是其他值，默认值的具体取值由相关技术人员根据实际情况进行设定，本申请实施例对此不做限定。
步骤309，根据第一分值、第二分值和第三分值，计算总分值。
将第一分值、第二分值和第三分值相加，可以得到总分值。
在一些实施例中，根据人体姿态检测模型、睡眠物品检测模型和人脸检测模型的检测准确性，分别对第一分值、第二分值和第三分值赋予相应的权重，再对第一分值、第二分值和第三分值加权求和，得到总分值。在一个实施例中，第一分值、第二分值和第三分值对应的权重分别为0.5、0.3和0.2，总分值的计算方法可以为：总分值＝0.5×第一分值+0.3×第二分值+0.2×第三分值。
步骤310，响应于总分值符合条件，则确定目标区域中存在睡眠人员。
条件可以是总分值大于或等于总分阈值，当总分值大于或等于总分阈值时，表示目标区域中存在睡眠人员。其中，总分阈值的具体取值可以由相关技术人员根据实际情况进行设定，本申请实施例对此不做限定。
综上所述，本申请实施例提供的技术方案中，通过根据人体姿态检测模型确定第一分值，根据物品的置信度确定第二分值，根据人脸在多张图像中的重合程度确定第三分值，根据第一分值、第二分值和第三分值生成总分值，从而定量判断目标区域存在睡眠人员的可能性，提高了检测睡眠人员的准确性。
本申请实施例中，对第一分值、第二分值和第三分值加权求和得到总分值，从而减小了由于第一分值、第二分值和第三分值对应的检测模型的准确性不同而导致的误差，提高了总分值的计算准确性。
在一些可能的实现方式中，上述步骤308之后，还包括如下步骤：
1、向目标区域中的人员发送移动指示信息。
可选地，移动指示信息中包括规定移动信息，规定移动信息用于指示目标区域中的人员按照规定移动方式进行移动。在另一些实施例中，移动指示信息还包括规定时长信息，规定时长信息用于指示目标区域中的人员在规定时长内按照规定移动方式完成移动。可选地，规定时长为15秒、30秒、1分钟、2分钟、3分钟等等，规定时长的具体时长由相关技术人员根据实际情况进行设定，本申请实施例对此不作限定。
在一些可能的实现方式中，定时向目标区域中的人员发送移动指示信息。在一个示例中，每隔预设时长向目标区域中的人员发送移动指示信息，预设时长可以是30分钟、1小时、2小时、3小时、4小时等等，预设时长的具体时长由相关技术人员根据实际情况进行设定，本申请实施例对此不作限定。在另一个示例中，在至少一个预设的时间点向目标区域中的人员发送移动指示信息，当预设时间点为多个时，相邻的两个预设时间点之间的间隔时长可以不相同。
可选地，预设时间点为目标区域中的人员的工作状态变为忙碌状态之前的时间点。在一个示例中，目标区域为餐饮店，目标区域中的人员为餐饮店中的工作人员(如服务员、收营员、清洁员等)，预设时间点可以为比顾客的用餐高峰时段早一些的时间点，如比顾客的用餐高峰时段早20分钟、30分钟、45分钟、1小时等等，本申请实施例对此不作限定。在一个示例中，当用餐高峰时段为11:00～14:00时，预设时间点可以为10:00、10：15、10:30、10:40等等。其中，用餐高峰时段的具体时段可以由各个餐饮店或各个地区的历史统计数据预估得到，本申请实施例对此不作限定。
在另一些可能的实现方式中，不定时地向目标区域中的人员发送移动指示信息，移动指示信息发送的时间点不固定，相邻两个移动指示信息的发送时间点的间隔时长也不固定。在一些需要人员一直保持清醒的场景中，移动指示信息可以不定时地发送，如需要监控人员时刻关注被监控区域等。
在一个示例中，移动指示信息中包括指定地点，规定移动方式为：移动到指定地点。指定地点可以是某一具体地点，也可以是某一区域中的任意地点。当目标区域为仓库时，指定地点可以是指定货架旁，也可以是仓库角落，还可以是其他地点，本申请实施例对此不作限定。可选地，当移动指示信息为多个时，至少两个移动指示信息中的指定地点不相同。
在另一个示例中，移动指示信息中包括指定路径，规定移动方式为按照指定路径进行移动。例如，指定路径可以是从地点A移动到地点B；可以是在目标区域中的走n个直线来回，n为正整数；还可以是在目标区域中的任意区域转至少m个圈，m为正整数。指定路径还可以是其他形式，具体可以由相关技术人员根据实际情况进行设定，本申请实施例对此不作限定。
在一些可选的实施例中，移动指示信息可以是文字信息、语音信息、图片信息或视频信息等等。移动指示信息可以发送至目标区域中的终端中，例如，发送至目标区域中的人员的移动终端(如智能手机、平板电脑、可穿戴设备、笔记本电脑等)中；又例如，发送至目标区域的固定终端(如台式PC、智能电视等)中。
2、获取目标区域中的人员的位置信息。
在一些实施例中，目标区域中包括多个摄像头，通过多个摄像头实时获取的监控图像，能够获取到目标区域中的人员实时的位置信息。如目标区域中标记有多个区域标识，通过监控图像中距离人员最近的区域标识，可以确定人员所在的区域的位置，从而确定人员的位置信息。在向目标区域中的人员发送移动指示信息之后，通过获取目标区域中的人员实时的位置信息，能够确定目标区域中的人员的移动方式以及对应的时间。
3、基于移动指示信息和目标区域中的人员的位置信息，确定第四分值。
在一些实施例中，将目标区域中的人员的移动方式以及对应的时间，与上述的移动指示信息进行比对，确定目标区域中的人员是否完成移动指示信息，从而确定相应的第四分值。例如，将目标区域中的人员的移动方式，与上述的规定移动方式进行比对，确定目标区域中的人员的移动方式与规定移动方式的符合程度；将目标区域中的人员的移动方式的完成时长，与上述规定时长进行比对，确定目标区域中的人员执行移动指示信息的速度；基于目标区域中的人员的移动方式与规定移动方式的符合程度，以及目标区域中的人员执行移动指示信息的速度，计算第四分值。可选地，目标区域中的人员的移动方式与规定移动方式的符合程度与第四分值负相关，即目标区域中的人员的移动方式与规定移动方式的符合程度越高，第四分值越低。在一些可选实施例中，若目标区域中的人员按照规定移动方式完成移动所耗费的时长超出了规定时长，则超出时长越长，第四分值越高。可选地，若目标区域中的人员完成了移动指示信息(即在规定时长内按照规定移动方式完成移动)，则第四分值为0。
4、根据第一分值、第二分值、第三分值和第四分值，确定目标区域中是否存在睡眠人员。
可选地，将第一分值、第二分值、第三分值和第四分值进行加权求和，得到总分值，若总分值符合条件，则确定目标区域中存在睡眠人员；若总分值不符合条件，则确定目标区域中不存在睡眠人员。
本步骤的部分内容可以参考上述图3实施例的步骤309和步骤310，此处不再赘述。
在一些实施例中，当目标区域中的人员未完成移动指示信息(如未在规定时长内按照规定移动方式完成移动)，则令第四分值大于或等于总分阈值，即直接确定目标区域中存在睡眠人员。
在一些可能的实现方式中，上述步骤308之后，还包括如下步骤：
1、通过监控图像获取目标区域中的人员的人眼形态检测结果。
在一些实施例中，获取到目标区域的监控图像之后，通过图像识别技术可以识别出监控图像中的人眼。可选地，获取的监控图像为连续的多张监控图像，基于多张监控图像，能够得到多张监控图像分别对应的人眼形态检测结果。人眼形态检测结果包括睁眼形态和闭眼形态。
2、基于人眼状态检测结果确定第五分值。
可选地，获取到人眼形态检测结果为闭眼形态的连续b张监控图像，b的数值与第五分值正相关，即b的数值越大，第五分值越高，b为正整数。在一些可选的实施例中，当b大于或等于第一数量阈值时，第五分值为固定值。也即，b等于第一数量阈值时对应的第五分值，与b大于第一数量阈值时对应的第五分值相等。其中，第一数量阈值的具体数值可以为1000、1500、2000、2200等等，第一数量阈值的具体取值可以由相关技术人员根据实际情况进行设定，本申请实施例对此不作限定。
3、根据第一分值、第二分值、第三分值和第五分值，确定目标区域中是否存在睡眠人员。
可选地，将第一分值、第二分值、第三分值和第五分值进行加权求和，得到总分值，若总分值符合条件，则确定目标区域中存在睡眠人员；若总分值不符合条件，则确定目标区域中不存在睡眠人员。
本步骤的部分内容可以参考上述图3实施例的步骤309和步骤310，此处不再赘述。
在一些实施例中，当获取到人眼形态检测结果为闭眼形态的连续b张监控图像，且b大于或等于第一数量阈值时，令第五分值大于或等于总分阈值，即直接确定目标区域中存在睡眠人员。
在一些可能的实现方式中，上述步骤308之后，还包括如下步骤：
1、通过监控图像获取目标区域中的人员的翻身检测结果。
在一些实施例中，获取到目标区域的连续的多张监控图像之后，通过图像识别技术可以识别出监控图像中的人体区域，并检测得到人体形态的变化情况，如针对人体的翻身的情况进行检测，得到对应的翻身检测结果。翻身是指人体在左侧卧、平躺、右侧卧几种形态之间进行切换，如从左侧卧切换为右侧卧、从右侧卧切换为平躺等等。翻身检测结果用于指示目标区域中的人员的人体形态的变化情况与翻身的符合程度。
2、基于翻身检测结果确定第六分值。
可选地，人体形态的变化情况与翻身的符合程度与第六分值正相关，即人体形态的变化情况与翻身的符合程度越高，第六分值也越高。
3、根据第一分值、第二分值、第三分值和第六分值，确定目标区域中是否存在睡眠人员。
可选地，将第一分值、第二分值、第三分值和第六分值进行加权求和，得到总分值，若总分值符合条件，则确定目标区域中存在睡眠人员；若总分值不符合条件，则确定目标区域中不存在睡眠人员。
本步骤的部分内容可以参考上述图3实施例的步骤309和步骤310，此处不再赘述。
在另外一些可能的实现方式中，总分值由第一分值、第二分值、第三分值、第四分值、第五分值和第六分值中的至少一个分值确定，例如根据第一分值、第三分值和第四分值确定总分值；又例如，根据第一分值、第二分值、第三分值、第四分值、第五分值和第六分值确定总分值。总分值的计算方式可以由相关技术人员根据实际情况进行设定，本申请实施例对此不作具体限定。
在一些实施例中，本申请实施例还可以包括如下步骤：
1、响应于目标区域中存在睡眠人员，则根据睡眠人员的位置和/或人脸，确定睡眠人员的标识；
2、根据睡眠人员的标识，向目标设备发送提醒信息，目标设备的睡眠人员和/或睡眠人员的相关人员对应的设备。
目标区域中的人员及其所处的位置可以是对应的，从而可以根据睡眠人员的位置，确定睡眠人员的标识；或者，通过人脸识别技术可以识别出睡眠人员，从而确定的睡眠人员的标识。睡眠人员的标识可以用于指示该睡眠人员的标识信息，睡眠人员的标识可以是工号，可以是姓名，可以是职位，还可以是其他标识，本申请实施例对此不做限定。
确定睡眠人员的标识后，可以向睡眠人员对应的设备发送提醒信息，如通过睡眠人员附近的广播、扬声器等发出声音提醒信息；也可以向睡眠人员的相关人员对应的设备(如手机、PC、平板电脑、可穿戴设备、对讲机等)发送提醒信息，例如发出文字提醒信息、发出灯光提醒信息、通过广播、扬声器等发出声音提醒信息等等。睡眠人员的相关人员可以是安保人员，可以是监察人员，也可以是睡眠人员的亲友，还可以是其他人员，本申请实施例对此不做限定。
在上述实现方式中，通过向睡眠人员和/或睡眠人员的相关人员对应的设备发送提醒信息，可以使睡眠人员在较短时间内停止睡眠行为，从而降低睡眠人员的安全风险。
在一些实施例中，本申请实施例还可以包括如下步骤：
1、响应于目标区域中存在睡眠人员，持续发出告警信息，告警信息用于提示目标区域中存在睡眠人员；
2、响应于目标区域不存在睡眠人员，停止发出告警信息。
告警信息可以通过声音、灯光和文字信息等方式持续发出，当目标区域不存在睡眠人员(如睡眠人员清醒或发生位置移动)，则停止发出告警信息。可选地，当目标区域不存在睡眠人员后，还可以通过声音、灯光和文字信息等方式发出告警解除信息，告警解除信息用于提示目标区域中不存在睡眠人员。
在上述实现方式中，当目标区域不存在睡眠人员后，停止发出告警信息，或发出告警解除信息，可以使相关人员第一时间了解目标区域中是否存在睡眠人员，若目标区域中不存在不存在睡眠人员，则可以不用立刻分配资源去制止睡眠人员的睡眠行为，提高了资源分配效率。
请参考图6，其示出了本申请另一个实施例提供的睡眠人员检测方法的流程图。该示例性方法可以应用于上文介绍的计算机设备中。该方法可以包括如下步骤：
步骤601，从视频流中获取目标区域的监控图像；
步骤602，检测监控图像中是否包括人体区域，若是，则执行步骤603，若否，则结束步骤；
步骤603，获取人体姿态检测结果；
步骤604，获取睡眠物品检测结果；
步骤605，获取人脸运动检测结果；
步骤606，综合人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，确定目标区域中是否存在睡眠人员。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图7，其示出了本申请一个实施例提供的种睡眠人员检测装置的框图。该装置具有实现上述睡眠人员检测方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是上文介绍的计算机设备，也可以设置在计算机设备上。该装置700可以包括：图像获取模块710、区域识别模块720、结果获取模块730和睡眠确定模块740。
所述图像获取模块710，用于获取目标区域的监控图像。
所述区域识别模块720，用于识别所述监控图像中的人体区域。
所述结果获取模块730，用于获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果。
所述睡眠确定模块740，用于根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员。
综上所述，本申请实施例提供的技术方案中，通过识别监控图像中的人体区域，并综合人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，自动识别确定目标区域中是否存在睡眠人员，相比于人工检测难免遇到误检和漏检以及耗费的较大的人力成本和时间成本，本申请实施例提供的方案，实现了自动化地检测目标区域中是否存在睡眠人员，一方面，有助于减少误检和漏检情况；另一方面，还可以提高检测效率，降低人力成本和时间成本。
在一些实施例中，如图8所示，所述睡眠检测模块，包括：第一分值确定子模块741、第二分值确定子模块742、第三分值确定子模块743、总分值确定子模块744和睡眠人员确定子模块745。
所述第一分值确定子模块741，用于根据所述人体姿态检测结果，确定第一分值，所述第一分值用于指示所述人体区域中的人体姿态与睡眠行为的相关度。
所述第二分值确定子模块742，用于根据所述睡眠物品检测结果，确定第二分值，所述第二分值用于指示所述人体区域附近的物品与睡眠行为的相关度。
所述第三分值确定子模块743，用于根据所述人脸运动检测结果，确定第三分值，所述第三分值用于指示所述人体区域中的人脸运动情况与睡眠行为的相关度。
所述总分值确定子模块744，用于根据所述第一分值、所述第二分值和所述第三分值，计算总分值。
所述睡眠人员确定子模块745，用户响应于所述总分值符合条件，则确定所述目标区域中存在所述睡眠人员。
在一些实施例中，如图8所示，所述第一分支确定子模块741，用于：
根据所述人体姿态检测结果确定所述人体区域中的人体姿态；
根据第一对应关系获取与所述人体区域中的人体姿态对应的分值，得到所述第一分值；
其中，所述第一对应关系包括人体姿态与分值之间的对应关系。
在一些实施例中，如图8所示，所述第二分支确定子模块742，用于：
根据所述睡眠物品检测结果确定所述人体区域附近的物品；
根据第二对应关系获取与所述人体区域附近的物品对应的分值，得到所述第二分值；
其中，所述第二对应关系包括物品与分值之间的对应关系。
在一些实施例中，如图8所示，所述第三分支确定子模块743，用于：
根据所述人脸运动检测结果确定所述人体区域中的人脸运动情况，所述人脸运动情况是指所述人体区域中的人脸在多个监控图像中的重合度；
根据第三对应关系获取与所述人体区域中的人脸运动情况对应的分值，得到所述第三分值；
其中，所述第三对应关系包括人脸运动情况与分值之间的对应关系。
在一些实施例中，所述结果获取模块730，用于：
通过人体姿态检测模型获取所述人体区域对应的人体姿态检测结果；
根据所述人体区域附近的物品对应的置信度，获取所述人体区域对应的睡眠物品检测结果；
根据所述人体区域中的人脸在至少两张监控图像中的重合度，获取所述人体区域对应的人脸运动检测结果。
在一些实施例中，如图8所示，所述装置700还包括：人员确定模块750和信息发送模块760。
所述人员确定模块750，用于响应于所述目标区域中存在所述睡眠人员，则根据所述睡眠人员的位置和/或人脸，确定所述睡眠人员的标识。
所述信息发送模块760，用于根据所述睡眠人员的标识，向目标设备发送提醒信息，所述目标设备是所述睡眠人员和/或所述睡眠人员的相关人员对应的设备。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图8，其示出了本申请一个实施例提供的计算机设备的结构框图。该服务器用于实施上述实施例中提供的睡眠人员检测方法。具体来讲：
所述服务器800包括CPU(Central Processing Unit，中央处理单元)801、包括RAM(Random Access Memory，随机存取存储器)802和ROM(Read-Only Memory，只读存储器)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。所述服务器800还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output，输入/输出)系统806，和用于存储操作系统813、应用程序814和其他程序模块812的大容量存储设备807。
所述基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中所述显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。所述基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。所述大容量存储设备807及其相关联的计算机可读介质为服务器800提供非易失性存储。也就是说，所述大容量存储设备807可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请的各种实施例，所述服务器800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器800可以通过连接在所述系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
在一些实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序在被处理器执行时，其用于实现上述睡眠人员检测方法。
可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。
在一些实施例中，还提供了一种计算机程序产品，当该计算机程序产品被处理器执行时，其用于实现上述睡眠人员检测方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种睡眠人员检测方法，其特征在于，所述方法包括：
获取目标区域的监控图像；
识别所述监控图像中的人体区域；
获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果；
根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员。
2.根据权利要求1所述的方法，其特征在于，所述根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员，包括：
根据所述人体姿态检测结果，确定第一分值，所述第一分值用于指示所述人体区域中的人体姿态与睡眠行为的相关度；
根据所述睡眠物品检测结果，确定第二分值，所述第二分值用于指示所述人体区域附近的物品与睡眠行为的相关度；
根据所述人脸运动检测结果，确定第三分值，所述第三分值用于指示所述人体区域中的人脸运动情况与睡眠行为的相关度；
根据所述第一分值、所述第二分值和所述第三分值，计算总分值；
响应于所述总分值符合条件，则确定所述目标区域中存在所述睡眠人员。
3.根据权利要求2所述的方法，其特征在于，所述根据所述人体姿态检测结果，确定第一分值，包括：
根据所述人体姿态检测结果确定所述人体区域中的人体姿态；
根据第一对应关系获取与所述人体区域中的人体姿态对应的分值，得到所述第一分值；
其中，所述第一对应关系包括人体姿态与分值之间的对应关系。
4.根据权利要求2所述的方法，其特征在于，所述根据所述睡眠物品检测结果，确定第二分值，包括：
根据所述睡眠物品检测结果确定所述人体区域附近的物品；
根据第二对应关系获取与所述人体区域附近的物品对应的分值，得到所述第二分值；
其中，所述第二对应关系包括物品与分值之间的对应关系。
5.根据权利要求2所述的方法，其特征在于，所述根据所述人脸运动检测结果，确定第三分值，包括：
根据所述人脸运动检测结果确定所述人体区域中的人脸运动情况，所述人脸运动情况是指所述人体区域中的人脸在多个监控图像中的重合度；
根据第三对应关系获取与所述人体区域中的人脸运动情况对应的分值，得到所述第三分值；
其中，所述第三对应关系包括人脸运动情况与分值之间的对应关系。
6.根据权利要求1所述的方法，其特征在于，所述获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果，包括：
通过人体姿态检测模型获取所述人体区域对应的人体姿态检测结果；
根据所述人体区域附近的物品对应的置信度，获取所述人体区域对应的睡眠物品检测结果；
根据所述人体区域中的人脸在至少两张监控图像中的重合度，获取所述人体区域对应的人脸运动检测结果。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员之后，还包括：
响应于所述目标区域中存在所述睡眠人员，则根据所述睡眠人员的位置和/或人脸，确定所述睡眠人员的标识；
根据所述睡眠人员的标识向目标设备发送提醒信息，所述目标设备是所述睡眠人员和/或所述睡眠人员的相关人员对应的设备。
8.一种睡眠人员检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标区域的监控图像；
区域识别模块，用于识别所述监控图像中的人体区域；
结果获取模块，用于获取所述人体区域对应的人体姿态检测结果、睡眠物品检测结果和人脸运动检测结果；
睡眠确定模块，用于根据所述人体姿态检测结果、所述睡眠物品检测结果和所述人脸运动检测结果，确定所述目标区域中是否存在睡眠人员。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述权利要求1至7任一项所述的睡眠人员检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述权利要求1至7任一项所述的睡眠人员检测方法。
CN202011529514.8A 2020-12-22 2020-12-22 睡眠人员检测方法、装置、设备及存储介质 Pending CN112580522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011529514.8A CN112580522A (zh) 2020-12-22 2020-12-22 睡眠人员检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011529514.8A CN112580522A (zh) 2020-12-22 2020-12-22 睡眠人员检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112580522A true CN112580522A (zh) 2021-03-30

Family

ID=75138910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011529514.8A Pending CN112580522A (zh) 2020-12-22 2020-12-22 睡眠人员检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580522A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926541A (zh) * 2021-04-09 2021-06-08 济南博观智能科技有限公司 一种睡岗检测方法、装置及相关设备
CN113723363A (zh) * 2021-07-28 2021-11-30 宁波星巡智能科技有限公司 基于连续帧的婴幼儿睡眠检测方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834946A (zh) * 2015-04-09 2015-08-12 清华大学 一种非接触式睡眠监测方法及系统
WO2020024400A1 (zh) * 2018-08-02 2020-02-06 平安科技（深圳）有限公司 课堂监控方法、装置、计算机设备及存储介质
CN111563435A (zh) * 2020-04-28 2020-08-21 深圳市优必选科技股份有限公司 用户的睡眠状态检测方法及装置
CN111611966A (zh) * 2020-05-29 2020-09-01 北京每日优鲜电子商务有限公司 目标人员检测方法、装置、设备及存储介质
WO2020186867A1 (zh) * 2019-03-18 2020-09-24 北京市商汤科技开发有限公司 注视区域检测方法、装置及电子设备
CN111767823A (zh) * 2020-06-23 2020-10-13 京东数字科技控股有限公司 一种睡岗检测方法、装置、系统及存储介质
CN112022096A (zh) * 2020-09-05 2020-12-04 曹智梅 一种睡眠状态监测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834946A (zh) * 2015-04-09 2015-08-12 清华大学 一种非接触式睡眠监测方法及系统
WO2020024400A1 (zh) * 2018-08-02 2020-02-06 平安科技（深圳）有限公司 课堂监控方法、装置、计算机设备及存储介质
WO2020186867A1 (zh) * 2019-03-18 2020-09-24 北京市商汤科技开发有限公司 注视区域检测方法、装置及电子设备
CN111563435A (zh) * 2020-04-28 2020-08-21 深圳市优必选科技股份有限公司 用户的睡眠状态检测方法及装置
CN111611966A (zh) * 2020-05-29 2020-09-01 北京每日优鲜电子商务有限公司 目标人员检测方法、装置、设备及存储介质
CN111767823A (zh) * 2020-06-23 2020-10-13 京东数字科技控股有限公司 一种睡岗检测方法、装置、系统及存储介质
CN112022096A (zh) * 2020-09-05 2020-12-04 曹智梅 一种睡眠状态监测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926541A (zh) * 2021-04-09 2021-06-08 济南博观智能科技有限公司 一种睡岗检测方法、装置及相关设备
CN112926541B (zh) * 2021-04-09 2022-11-08 济南博观智能科技有限公司 一种睡岗检测方法、装置及相关设备
CN113723363A (zh) * 2021-07-28 2021-11-30 宁波星巡智能科技有限公司 基于连续帧的婴幼儿睡眠检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
US9396400B1 (en) Computer-vision based security system using a depth camera
Cucchiara et al. A multi‐camera vision system for fall detection and alarm generation
CN110659397B (zh) 一种行为检测方法、装置、电子设备和存储介质
US10909388B2 (en) Population density determination from multi-camera sourced imagery
WO2016147770A1 (ja) 監視システム及び監視方法
CN108269333A (zh) 人脸识别方法、应用服务器及计算机可读存储介质
US20140139633A1 (en) Method and System for Counting People Using Depth Sensor
WO2019225547A1 (ja) オブジェクトトラッキング装置、オブジェクトトラッキング方法およびオブジェクトトラッキングプログラム
CN107920223B (zh) 一种对象行为检测方法及装置
CN112580522A (zh) 睡眠人员检测方法、装置、设备及存储介质
CN116170566A (zh) 一种智慧楼宇监控管理方法、装置、电子设备及存储介质
WO2022052613A1 (zh) 摄像头的控制方法、装置、电子设备及存储介质
KR102511287B1 (ko) 영상 기반 자세 예측 및 행동 검출 방법 및 장치
US10540542B2 (en) Monitoring
CN114338585A (zh) 消息推送方法、装置、存储介质及电子装置
CN111611966A (zh) 目标人员检测方法、装置、设备及存储介质
CN111462227A (zh) 室内人员定位装置及方法
CN115690914A (zh) 异常行为提醒方法、装置、电子设备及存储介质
CN112380951B (zh) 一种识别异常行为的方法、装置、计算机设备及存储介质
CN111260716A (zh) 商户座位间隔的确定方法、装置、服务器及存储介质
CN110517427B (zh) 一种报警信息识别方法、服务器和系统
TWI850359B (zh) 一種資訊處理系統及其方法
Spehr et al. Recognition of human behavior patterns using depth information and gaussian feature maps
CN115797973A (zh) 倒地行为检测方法和装置、电子设备、计算机存储介质
CN114724250A (zh) 一种基于深度学习的手部检测与数据存储的ai识别系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210330