CN112861751A - 一种机场行李房人员管理方法及装置 - Google Patents

一种机场行李房人员管理方法及装置 Download PDF

Info

Publication number
CN112861751A
CN112861751A CN202110200063.1A CN202110200063A CN112861751A CN 112861751 A CN112861751 A CN 112861751A CN 202110200063 A CN202110200063 A CN 202110200063A CN 112861751 A CN112861751 A CN 112861751A
Authority
CN
China
Prior art keywords
extraction layer
feature extraction
personnel
behavior recognition
monitoring image
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
Application number
CN202110200063.1A
Other languages
English (en)
Other versions
CN112861751B (zh
Inventor
郎彤
刘瀚
王捷
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.)
China IPPR International Engineering Co Ltd
Original Assignee
China IPPR International Engineering 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 China IPPR International Engineering Co Ltd filed Critical China IPPR International Engineering Co Ltd
Priority to CN202110200063.1A priority Critical patent/CN112861751B/zh
Publication of CN112861751A publication Critical patent/CN112861751A/zh
Application granted granted Critical
Publication of CN112861751B publication Critical patent/CN112861751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种机场行李房人员管理方法及装置，该方法包括：获取监控图像，判断所述监控图像类别；根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；根据所述人员行为识别结果，进行人员管理；其中，所述人员行为识别模型是基于样本图像训练得到。本发明提供的机场行李房人员管理方法，通过获取不同类别的监控图像，将监控图像输入至人员行为识别模型，得到人员行为识别结果，从而进行人员管理。该方法及装置应用人工智能技术实现机场行李房的智能监控，同时提升人员的工作效率。

Description

一种机场行李房人员管理方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种机场行李房人员管理方法及装置。
背景技术
目前，机场行李房的工作人员管理混乱，人员随意出入不配戴安全设备，导致高空物品掉落砸伤，拖车道人员随意跨越导致拖车撞伤工作人员，行李发生盗窃无法报警追溯。
机场行李房安全监管主要通过人员巡查，通过巡查行李房内人员着装是否完整，提醒佩戴安全设备；通过巡视拖车道行人跨越再通过电话形式通知调度中心，最终通知拖车驾驶员前方某处有人；行李堆积后无人监管，往往发生行李丢失、行李偷盗等情况，再通过视频监控进行追溯。
由于人工巡视的局限性，以及对标准规则的判断不一致等因素，当前的机场行李房安全监管方法的实用性和效率都较低，无法在第一时间完成检查，以实现高效的安全服务。
发明内容
本发明提供一种机场行李房人员管理方法，用以解决现有技术中机场行李房安全监管效率低的缺陷，实现安全管理监控的智能化，提升工作效率。
本发明提供一种机场行李房人员管理方法，包括：
获取监控图像，判断所述监控图像类别；
根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；
根据所述人员行为识别结果，进行人员管理；
其中，所述人员行为识别模型是基于样本图像训练得到。
根据本发明提供的一种机场行李房人员管理方法，所述人员行为识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层；
根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果，包括：
判断所述监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；
若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果；
若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
根据本发明提供的一种机场行李房人员管理方法，所述若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果，具体包括：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征；
根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
根据本发明提供的一种机场行李房人员管理方法，所述若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果，具体包括：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
根据所述重组特征进行图像特征整合，得到人员行为识别结果。
根据本发明提供的一种机场行李房人员管理方法，所述样本图像包括：安全帽图像和行李房现场布置图像；
所述人员行为识别模型是基于样本图像训练得到，具体包括：
基于所述安全帽图像对所述人员行为识别模型的第一卷积层进行训练，得到安全帽特征提取层；
基于所述行李房现场布置图像对所述人员行为识别模型的第二卷积层进行训练，得到行李房入侵特征提取层。
本发明还提供一种机场行李房人员管理装置，包括：
监控图像获取模块，用于获取监控图像，判断所述监控图像类别；
人员行为识别模块，用于根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；其中，所述人员行为识别模型是基于样本图像训练得到；
人员管理模块，用于根据所述人员行为识别结果，进行人员管理。
根据本发明提供的一种机场行李房人员管理装置，所述人员行为识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层；
所述人员行为识别模块还用于：
判断所述监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；
若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果；
若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
根据本发明提供的一种机场行李房人员管理装置，所述人员行为识别模块还用于：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征；
根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
根据本发明提供的一种机场行李房人员管理装置，所述人员行为识别模块还用于：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
根据所述重组特征进行图像特征整合，得到人员行为识别结果。
根据本发明提供的一种机场行李房人员管理装置，所述样本图像包括：安全帽图像和行李房现场布置图像；
所述人员行为识别模块还用于：
基于所述安全帽图像对所述人员行为识别模型的第一卷积层进行训练，得到安全帽特征提取层；
基于所述行李房现场布置图像对所述人员行为识别模型的第二卷积层进行训练，得到行李房入侵特征提取层。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述机场行李房人员管理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述机场行李房人员管理方法的步骤。
本发明提供的机场行李房人员管理方法及装置，通过获取不同类别的监控图像，将监控图像输入至人员行为识别模型，得到人员行为识别结果，从而进行人员管理。该方法及装置应用人工智能技术实现机场行李房的智能监控，同时提升人员的工作效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例提供的机场行李房人员管理方法的流程示意图；
图2是本发明实施例提供的人员行为识别的流程示意图之一；
图3是本发明实施例提供的人员行为识别的流程示意图之二；
图4是本发明实施例提供的人员行为识别的流程示意图之三；
图5是本发明实施例提供的机场行李房人员管理装置的结构示意图；
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的机场行李房人员管理方法的流程示意图，如图1所示，该方法包括：
步骤110，获取监控图像，判断监控图像类别。
机场行李房的监控图像分为覆盖行李房、拖车道监控图像与非行李房、拖车道监控图像两类，其中，由机场行李房的行李摆放区域设置的监控摄像机拍摄覆盖行李房监控图像，拖车道区域的监控摄像机拍摄覆盖拖车道监控图像，布置在其他区域的摄像机拍摄非行李房、拖车道监控图像。
通过获取以上监控图像，利用图像识别技术，对行李房主要区域进行以下三方面的智能识别，包括：全区域安全设备佩戴、拖车道边界跨越以及行李区非法入侵，以对人员安全、越界管理、行李防盗进行全方位监管。
步骤120，根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果。其中，所述人员行为识别模型是基于样本图像训练得到。
针对不同类别的监控图像，采用不同的识别策略，对于覆盖行李房、拖车道监控图像，需要识别对应区域是否有人员跨越区域边界，导致存在行李物品丢失或拖车撞伤工作人员的风险，以及在对应区域内活动的人员是否已佩戴安全设备，及时发现并制止违规行为，保证人员安全；对于非行李房、拖车道监控图像，仅需要分析人员安全帽的佩戴情况。
其中，人员识别模型使用卷积神经网络结构，卷积神经网络所采用的局部连接和权值共享方式减少权值的数量使得网络易于优化，同时降低模型的复杂度，即降低过拟合的风险，因此卷积神经网络在图像识别领域具有较好的应用效果。
步骤130，根据所述人员行为识别结果，进行人员管理。
若存在人员跨越拖车道的情况，则需要及时通知拖车驾驶员注意特定区域人员，同时告知违规人员前往安全区域；若存在人员跨越行李区域的情况，及时告知违规人员离开，并检查对应区域的行李物品是否丢失；若存在人员为佩戴安全设备的情况，及时提醒佩戴。
综上所述，本发明实施例提供的方法，通过获取不同类别的监控图像，将监控图像输入至人员行为识别模型，得到人员行为识别结果，从而进行人员管理。该方法应用人工智能技术实现机场行李房的智能监控，同时提升人员的工作效率。
根据本发明的一个实施例，图2为根据监控图像类别，将监控图像输入至人员行为识别模型，得到人员行为识别结果的流程示意图，包括：
步骤210，判断监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；若是覆盖行李房、拖车道监控图像，执行步骤220，若是非行李房、拖车道监控图像，执行步骤230。
对于不同类别的图像，应当将其输入不同的卷积层用于不同特定特征的提取。
步骤220，将监控图像依次经由初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果。
人员识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层。其中，初步特征提取层用于对监控图像进行初步特征提取，得到监控图像的初步特征；安全帽特征提取层用于对监控图像进行安全帽佩戴特征提取，行李房入侵特征提取层用于对监控图像进一步提取行李房入侵特征。
将图像依次经由初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，可以提取到当前图像中的三类特征，进而判断是否存在人员跨越拖车道、行李区域或未佩戴安全帽的行为。
步骤230，将监控图像依次经由初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
由于当前图像中未拍摄到行李区域以及拖车道的状况，所以不必进行行李区域以及拖车道的特征提取，仅仅将图像依次经由初步特征提取层、安全帽特征提取层处理，可以提取到当前图像中的两类特征，进而判断是否存在人员未佩戴安全帽的行为。
根据本发明的一个实施例，图3为经由三个特征提取层处理，进行人员行为识别的流程示意图，如图3所示，包括：
步骤310，将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征。
通常需要对图像数据进行预处理，过滤非重要图像数据并保留关键图像特征，以提高后续图像处理过程的效率以及图像识别的准确率。
步骤320，将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征。
该卷积层识别仅识别安全帽佩戴特征。
步骤330，根据所述安全帽佩戴特征进行排序重组，得到重组特征。
步骤340，将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征。
该卷积层识别仅识别行李房入侵特征。
步骤350，根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
根据前述步骤得到的安全帽佩戴特征以及行李房入侵特征，得到当前图像中人员跨越拖车道、行李区域和佩戴安全帽的概率，进而得出人员行为识别结果。
根据本发明的一个实施例，图4为经由两个特征提取层处理，进行人员行为识别的流程示意图，如图4所示，包括：
步骤410，将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征。
通常需要对图像数据进行预处理，过滤非重要图像数据并保留关键图像特征，以提高后续图像处理过程的效率以及图像识别的准确率。
步骤420，将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征。
该卷积层识别仅识别安全帽佩戴特征。
步骤430，根据所述安全帽佩戴特征进行排序重组，得到重组特征。
步骤440，根据所述重组特征进行图像特征整合，得到人员行为识别结果。
根据前述步骤得到的安全帽佩戴特征以及行李房入侵特征，得到当前图像中人员跨越拖车道、行李区域和佩戴安全帽的概率，进而得出人员行为识别结果。
根据本发明的一个实施例，人员行为识别模型是基于样本图像训练得到，样本图像包括安全帽图像和行李房现场布置图像，训练过程如下：
基于安全帽图像对人员行为识别模型的第一卷积层进行训练，得到安全帽特征提取层，使第一卷积层包含车道、行李摆放区域特征。
基于行李房现场布置图像对所述人员行为识别模型的第二卷积层进行训练，得到行李房入侵特征提取层，使第二卷积层包含安全帽特征。
下面对本发明提供的机场行李房人员管理装置进行描述，下文描述的机场行李房人员管理装置与上文描述的机场行李房人员管理方法可相互对应参照。
图5为本发明实施例提供的机场行李房人员管理装置，如图5所示，该装置包括：监控图像获取模块510、人员行为识别模块520和人员管理模块530。
监控图像获取模块510，用于获取监控图像，判断所述监控图像类别；
人员行为识别模块520，用于根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；其中，所述人员行为识别模型是基于样本图像训练得到；
人员管理模块530，用于根据所述人员行为识别结果，进行人员管理。
根据本发明的一个实施例，人员行为识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层；
人员行为识别模块520还用于：
判断所述监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；
若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果；
若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
根据本发明的一个实施例，人员行为识别模块520还用于：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征；
根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
根据本发明的一个实施例，人员行为识别模块520还用于：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
根据所述重组特征进行图像特征整合，得到人员行为识别结果。
根据本发明的一个实施例，样本图像包括：安全帽图像和行李房现场布置图像；
人员行为识别模块520还用于：
基于所述安全帽图像对所述人员行为识别模型的第一卷积层进行训练，得到安全帽特征提取层；
基于所述行李房现场布置图像对所述人员行为识别模型的第二卷积层进行训练，得到行李房入侵特征提取层。
综上所述，本发明提供的机场行李房人员管理方法及装置，通过获取不同类别的监控图像，将监控图像输入至人员行为识别模型，得到人员行为识别结果，从而进行人员管理。该方法及装置应用人工智能技术实现机场行李房的智能监控，同时提升人员的工作效率。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行机场行李房人员管理方法，该方法包括：获取监控图像，判断所述监控图像类别；根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；根据所述人员行为识别结果，进行人员管理；其中，所述人员行为识别模型是基于样本图像训练得到。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的机场行李房人员管理方法，该方法包括：获取监控图像，判断所述监控图像类别；根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；根据所述人员行为识别结果，进行人员管理；其中，所述人员行为识别模型是基于样本图像训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的机场行李房人员管理方法，该方法包括：获取监控图像，判断所述监控图像类别；根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；根据所述人员行为识别结果，进行人员管理；其中，所述人员行为识别模型是基于样本图像训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种机场行李房人员管理方法，其特征在于，包括：
获取监控图像，判断所述监控图像类别；
根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；
根据所述人员行为识别结果，进行人员管理；
其中，所述人员行为识别模型是基于样本图像训练得到。
2.根据权利要求1所述的机场行李房人员管理方法，其特征在于，所述人员行为识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层；
根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果，包括：
判断所述监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；
若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果；
若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
3.根据权利要求2所述的机场行李房人员管理方法，其特征在于，所述若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果，具体包括：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征；
根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
4.根据权利要求2所述的机场行李房人员管理方法，其特征在于，所述若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果，具体包括：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
根据所述重组特征进行图像特征整合，得到人员行为识别结果。
5.根据权利要求2所述的机场行李房人员管理方法，其特征在于，所述样本图像包括：安全帽图像和行李房现场布置图像；
所述人员行为识别模型是基于样本图像训练得到，具体包括：
基于所述安全帽图像对所述人员行为识别模型的第一卷积层进行训练，得到安全帽特征提取层；
基于所述行李房现场布置图像对所述人员行为识别模型的第二卷积层进行训练，得到行李房入侵特征提取层。
6.一种机场行李房人员管理装置，其特征在于，包括：
监控图像获取模块，用于获取监控图像，判断所述监控图像类别；
人员行为识别模块，用于根据所述监控图像类别，将所述监控图像输入至人员行为识别模型，得到人员行为识别结果；
其中，所述人员行为识别模型是基于样本图像训练得到；
人员管理模块，用于根据所述人员行为识别结果，进行人员管理。
7.根据权利要求6所述的机场行李房人员管理装置，其特征在于，所述人员行为识别模型包括初步特征提取层、安全帽特征提取层和行李房入侵特征提取层；
所述人员行为识别模块还用于：
判断所述监控图像类别为覆盖行李房、拖车道监控图像还是非行李房、拖车道监控图像；
若为覆盖行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层、安全帽特征提取层和行李房入侵特征提取层处理，输出人员行为识别结果；
若为非行李房、拖车道监控图像，将所述监控图像依次经由所述初步特征提取层和安全帽特征提取层处理，输出人员行为识别结果。
8.根据权利要求7所述的机场行李房人员管理装置，其特征在于，所述人员行为识别模块还用于：
将所述监控图像输入初步特征提取层中，得到所述初步特征提取层输出的所述监控图像的初步特征；
将所述初步特征输入至所述安全帽特征提取层中，得到所述安全帽特征提取层输出的安全帽佩戴特征；
根据所述安全帽佩戴特征进行排序重组，得到重组特征；
将所述重组特征输入至所述行李房入侵特征提取层中，得到所述行李房入侵特征提取层输出的行李房入侵特征；
根据所述行李房入侵特征进行图像特征整合，得到人员行为识别结果。
9.一种电子设备，包括存储器、处理器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程序时实现如权利要求1至5任一项所述机场行李房人员管理方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述机场行李房人员管理方法的步骤。
CN202110200063.1A 2021-02-22 2021-02-22 一种机场行李房人员管理方法及装置 Active CN112861751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110200063.1A CN112861751B (zh) 2021-02-22 2021-02-22 一种机场行李房人员管理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110200063.1A CN112861751B (zh) 2021-02-22 2021-02-22 一种机场行李房人员管理方法及装置

Publications (2)

Publication Number Publication Date
CN112861751A true CN112861751A (zh) 2021-05-28
CN112861751B CN112861751B (zh) 2024-01-12

Family

ID=75989871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110200063.1A Active CN112861751B (zh) 2021-02-22 2021-02-22 一种机场行李房人员管理方法及装置

Country Status (1)

Country Link
CN (1) CN112861751B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2627156A1 (en) * 2008-05-09 2009-11-09 Gerard Voon Mind experience/multidimensional technologies
US20130108170A1 (en) * 2011-10-28 2013-05-02 Raymond William Ptucha Image Recomposition From Face Detection And Facial Features
CN103093528A (zh) * 2012-12-28 2013-05-08 中山大学 一种小区车辆和人员智能监控系统
KR20160047645A (ko) * 2014-10-22 2016-05-03 아시아나아이디티 주식회사 공항 수하물 자동 처리 시스템 및 방법
CN108009497A (zh) * 2017-11-30 2018-05-08 深圳中兴网信科技有限公司 图像识别监控方法、系统、计算设备以及可读存储介质
CN108985126A (zh) * 2018-08-03 2018-12-11 四川索思科技有限公司 智能行李识别系统
CN109670441A (zh) * 2018-12-14 2019-04-23 广东亿迅科技有限公司 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110007358A (zh) * 2019-04-24 2019-07-12 中国中元国际工程有限公司 一种用于海关安检的查验方法以及系统
CN110135476A (zh) * 2019-04-28 2019-08-16 深圳市中电数通智慧安全科技股份有限公司 一种个人安全装备的检测方法、装置、设备及系统
CN110222672A (zh) * 2019-06-19 2019-09-10 广东工业大学 施工现场的安全帽佩戴检测方法、装置、设备及存储介质
CN110309718A (zh) * 2019-05-27 2019-10-08 安徽继远软件有限公司 一种电网作业人员安全帽佩戴检测方法
CN111062303A (zh) * 2019-12-12 2020-04-24 深圳市捷顺科技实业股份有限公司 图像处理方法、系统及计算机存储介质
CN111241959A (zh) * 2020-01-06 2020-06-05 重庆大学 一种通过工地视频流检测未佩戴安全帽人员的方法
CN210691345U (zh) * 2019-11-01 2020-06-05 武汉星形线科技有限公司 一种基于深度学习的云智能安检辅助系统
CN111274930A (zh) * 2020-04-02 2020-06-12 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
US20200193207A1 (en) * 2017-05-17 2020-06-18 Samsung Electronics Co., Ltd. Method and device for identifying object
CN111401278A (zh) * 2020-03-20 2020-07-10 重庆紫光华山智安科技有限公司 安全帽识别方法、装置、电子设备及存储介质
CN111414873A (zh) * 2020-03-26 2020-07-14 广州粤建三和软件股份有限公司 基于安全帽佩戴状态的告警提示方法、装置和告警系统
CN111601076A (zh) * 2020-04-29 2020-08-28 利智华(北京)智能科技有限公司 机场行李及人员双重匹配安检管理方法、装置及设备
CN111665572A (zh) * 2020-05-30 2020-09-15 中国船舶重工集团公司第七一三研究所 一种基于x光机图像机场旅客安检智能辅助系统及方法
CN112349006A (zh) * 2020-10-13 2021-02-09 广州有孚科技有限公司 一种基于图像识别的乘客与随身行李对应安检的方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2627156A1 (en) * 2008-05-09 2009-11-09 Gerard Voon Mind experience/multidimensional technologies
US20130108170A1 (en) * 2011-10-28 2013-05-02 Raymond William Ptucha Image Recomposition From Face Detection And Facial Features
CN103093528A (zh) * 2012-12-28 2013-05-08 中山大学 一种小区车辆和人员智能监控系统
KR20160047645A (ko) * 2014-10-22 2016-05-03 아시아나아이디티 주식회사 공항 수하물 자동 처리 시스템 및 방법
US20200193207A1 (en) * 2017-05-17 2020-06-18 Samsung Electronics Co., Ltd. Method and device for identifying object
CN108009497A (zh) * 2017-11-30 2018-05-08 深圳中兴网信科技有限公司 图像识别监控方法、系统、计算设备以及可读存储介质
CN108985126A (zh) * 2018-08-03 2018-12-11 四川索思科技有限公司 智能行李识别系统
CN109670441A (zh) * 2018-12-14 2019-04-23 广东亿迅科技有限公司 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110007358A (zh) * 2019-04-24 2019-07-12 中国中元国际工程有限公司 一种用于海关安检的查验方法以及系统
CN110135476A (zh) * 2019-04-28 2019-08-16 深圳市中电数通智慧安全科技股份有限公司 一种个人安全装备的检测方法、装置、设备及系统
CN110309718A (zh) * 2019-05-27 2019-10-08 安徽继远软件有限公司 一种电网作业人员安全帽佩戴检测方法
CN110222672A (zh) * 2019-06-19 2019-09-10 广东工业大学 施工现场的安全帽佩戴检测方法、装置、设备及存储介质
CN210691345U (zh) * 2019-11-01 2020-06-05 武汉星形线科技有限公司 一种基于深度学习的云智能安检辅助系统
CN111062303A (zh) * 2019-12-12 2020-04-24 深圳市捷顺科技实业股份有限公司 图像处理方法、系统及计算机存储介质
CN111241959A (zh) * 2020-01-06 2020-06-05 重庆大学 一种通过工地视频流检测未佩戴安全帽人员的方法
CN111401278A (zh) * 2020-03-20 2020-07-10 重庆紫光华山智安科技有限公司 安全帽识别方法、装置、电子设备及存储介质
CN111414873A (zh) * 2020-03-26 2020-07-14 广州粤建三和软件股份有限公司 基于安全帽佩戴状态的告警提示方法、装置和告警系统
CN111274930A (zh) * 2020-04-02 2020-06-12 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
CN111601076A (zh) * 2020-04-29 2020-08-28 利智华(北京)智能科技有限公司 机场行李及人员双重匹配安检管理方法、装置及设备
CN111665572A (zh) * 2020-05-30 2020-09-15 中国船舶重工集团公司第七一三研究所 一种基于x光机图像机场旅客安检智能辅助系统及方法
CN112349006A (zh) * 2020-10-13 2021-02-09 广州有孚科技有限公司 一种基于图像识别的乘客与随身行李对应安检的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUAI TANG 等: "Human-object interaction recognition for automatic construction site safety inspection", AUTOMATION IN CONSTRUCTION, vol. 120, pages 1 - 16 *
潘坚跃;麻立群;彭斌;李敏;陈希;: "人体及穿戴特征识别在电力设施监控中的应用", 电子设计工程, no. 10, pages 68 - 71 *

Also Published As

Publication number Publication date
CN112861751B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN108351968B (zh) 一种针对犯罪活动的告警方法、装置、存储介质及服务器
AU2018217437B2 (en) System for identifying a defined object
CN107808502B (zh) 一种图像检测报警方法及装置
CN109446936A (zh) 一种用于监控场景的身份识别方法及装置
CN108596056A (zh) 一种出租车运营行为动作识别方法及系统
CN110717357B (zh) 预警方法、装置、电子设备及存储介质
CN113537007B (zh) 应用于铁路站台的非工作人员入侵检测与报警方法和装置
CN113469654B (zh) 一种基于智能算法融合的变电站多层次安全管控系统
CN112241696A (zh) 图像处理方法及装置、电子设备及存储介质
CN112989334A (zh) 一种机器学习的数据检测方法及相关设备
CN113673495B (zh) 一种基于神经网络的智慧安防方法、系统和可读存储介质
CN115146878A (zh) 指挥调度方法、系统、车载设备及计算机可读存储介质
CN114612813A (zh) 身份识别方法、模型训练方法、装置、设备和存储介质
CN114373189A (zh) 一种行为检测方法、装置、终端设备及存储介质
CN110443119B (zh) 车厢内货物状态识别方法及装置
CN116933252A (zh) 一种安全监测方法、装置、设备及介质
CN117455324B (zh) 一种基于物理模型的大型港口运营管理方法及系统
CN113823054A (zh) 换流站的综合安防管理系统、方法、装置和计算机设备
CN117789119A (zh) 一种违规行为监测方法、装置、设备及存储介质
CN112861751A (zh) 一种机场行李房人员管理方法及装置
CN113593256B (zh) 基于城市管理的无人机智能驱离控制方法、系统及云平台
CN115049893A (zh) 一种基于机器视觉的电力作业现场违章判断方法
Devi et al. Deep learn helmets-enhancing security at ATMs
CN109544855B (zh) 基于计算机视觉的轨道交通综合监控火灾闭路电视系统及实现方法
CN115966030A (zh) 图像处理方法、装置及智能终端

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