CN112906660A - 安检预警方法和装置、存储介质及电子设备 - Google Patents
安检预警方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112906660A CN112906660A CN202110352800.XA CN202110352800A CN112906660A CN 112906660 A CN112906660 A CN 112906660A CN 202110352800 A CN202110352800 A CN 202110352800A CN 112906660 A CN112906660 A CN 112906660A
- Authority
- CN
- China
- Prior art keywords
- image information
- security
- security check
- curve
- elbow
- 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
Links
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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种安检预警方法和装置、存储介质及电子设备。其中,该方法包括:获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的安检对象的第二图像信息;比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的安检对象;当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象。本发明解决了由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种安检预警方法和装置、存储介质及电子设备。
背景技术
在机场、火车站、地铁这种需要安检的场所,通常需要提前对安检场所内的人员进行一些危险动作的识别。相关技术中是通过人脸识别进行人脸数据比对,看看有没有在案人员;动作识别为检测当前待检人员有无危险动作,这种情况下是危险即将发生或正在发生的时候才能检测到。表情识别,进行人脸表情危险分析,筛选具有危险表情的人员,这种受限于带口罩,人员表情伪装等因素。总体来说,相关技术中对于安检场所中人员安检识别和预警存在危险动作识别不准确以及危险预警滞后的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种安检预警方法和装置、存储介质及电子设备,以至少解决由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
根据本发明实施例的一个方面,提供了一种安检预警方法,包括:获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象。
根据本发明实施例的另一方面,还提供了一种安检预警装置,包括:第一获取单元,用于获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;第二获取单元,用于从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对单元,用于比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;提示单元,用于当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述的安检预警方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过计算机程序执行上述的安检预警方法。
在本发明实施例中,采用获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象的方式,达到了在安检过程中,能够准确及时的进行危险动作识别的目的,从而实现了提高在安检场所判断人员危险动作的准确性和及时性技术效果,进而解决了由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的安检预警方法的应用环境的示意图;
图2是根据本发明实施例的另一种可选的安检预警方法的应用环境的示意图;
图3是根据本发明实施例的一种可选的安检预警方法的流程示意图;
图4是根据本发明实施例的一种可选的安检预警方法的肢体模型示意图;
图5是根据本发明实施例的一种可选的安检预警方法的肢体动作变化曲线示意图;
图6是根据本发明实施例的一种可选的安检预警方法的系统架构示意图;
图7是根据本发明实施例的另一种可选的安检预警方法的流程示意图;
图8是根据本发明实施例的一种可选的安检预警装置的结构示意图;
图9是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种安检预警方法,可选地,作为一种可选的实施方式,上述安检预警方法可以但不限于应用于如图1所示的环境中。
图1中,终端设备104负责与用户102进行人机交互,终端设备104包括了存储器106、处理器108与显示器110;终端设备104可以通过网络112与服务器114之间进行交互。服务器114包括数据库116与处理引擎118;第一图像采集电设备120和第二图像采集设备122通过网络112与终端设备104进行交互,第一图像采集设备120和第二图像采集设备122均可以通过有线模块或无线模块连接到网络112。终端设备104可以通过显示器110显示第一图像采集设备120和第二图像采集设备122获取到的视频或图像,服务器114获取第一图像采集设备120和第二图像采集设备122采集到的图像或视频后将上述图像或视频存储到数据库116中,处理引擎118可以将第一图像采集设备120和第二图像采集设备122采集到的图像或视频进行比对。
作为另一种可选的实施方式,本申请上述安检预警方法可以应用于图2中。如图2所示,用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备104所执行的操作,以实现对安检对象的危险动作的识别和预警。
可选地,在本实施例中,上述终端设备104和用户设备204可以是配置有目标客户端的终端设备,可以包括但不限于以下至少之一:手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述第一图像采集设备120和第二图像采集设备122可以为配置有有线或无线模块的摄像头,上述网络112可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器114可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,作为一种可选的实施方式,如图3所示,上述安检预警方法包括:
S302,获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,第一图像采集设备用于安检过程中的视频采集;
S304,从非安检数据库中获取第二图像采集设备采集到的安检对象的第二图像信息,其中,第二图像采集设备用于非安检过程中的视频采集;
S306,比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的安检对象;
S308,当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象。
可选地,在本实施例中,上述安检预警方法可以但不限于应用于物联网中对家居设备的绑定过程中。也就是说,在管理平台上管理所要绑定的多个家居设备。这里的家居设备可以包括但不限于:加湿器、空调、扫地机器人等等。这里为示例,本实施中对此不作任何限定。
在步骤S302中,实际应用时,第一图像采集设备可以为通过有线或无线模块进行连接的摄像头,第一图像信息可以包括当前的安检对象的多帧图片或视频,在安检过程中的视频采集可以包括通过安检门或安检闸等安检设备时对安检人员进行图像或视频的采集,在此不做限定。
在步骤S304中,实际应用时,第二图像采集设备可以为通过有线或无线模块进行连接的摄像头,第二图像信息可以包括当前的安检对象的多帧图片或视频,非安检过程中的视频采集可以包括但不限于在进入安检门或安检闸之前对安检人员进行图像或视频的采集,在此不做限定。
在步骤S306中,实际应用时,比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的上述安检对象,也就是说,从安检数据库中识别出当前安检对象的图像信息,以及从非安检数据库中识别该安检对象的图像信息,并将二者进行比对。
在步骤S308中,实际应用时,第一肢体动作特征和第二肢体动作特征可以包括但不限于当前安检对象的头部,手部,肘部,肩部,髋部,膝部,脚部等地方的动作特征,当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,也就是说,当前安检对象在非安检数据库中的图像信息和在安检数据库中的图像信息出现大于预设的差异度的情况下,就可以判断当前安检对象为异常对象,可能会发生危险动作,需要重点提防。
在本发明实施例中,采用获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象的方式,达到了在安检过程中,能够准确及时的进行危险动作识别的目的,从而实现了提高在安检场所判断人员危险动作的准确性和及时性技术效果,进而解决了由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
在一实施例中,步骤S306可以包括以下至少之一:确定第一图像信息中的安检对象的第一肘部运动特征,与第二图像信息中安检对象的第二肘部运动特征,其中,第一肢体动作特征包括安检对象的第一肘部运动特征,第二肢体动作特征包括安检对象的第二肘部运动特征;并将第一肘部运动特征与第二肘部运动特征进行比对;其中,第一肘部运动特征和第二肘部运动特征均包括肘部运动幅度和肘部变化角度;在本实施例中,通过将安检对象在第一图像信息中的肘部运动幅度和肘部变化角度和在第二图像信息中的肘部运动幅度和肘部变化角度进行比对来判断安检对象的行为差异,可以为安检预警提供行为判断依据。
确定第一图像信息中的安检对象的第一膝部运动特征与第二图像信息中安检对象的第二膝部运动特征,其中,第一肢体动作特征包括安检对象的第一膝部运动特征,第二肢体动作特征包括安检对象的第二膝部运动特征;并将第一膝部运动特征与第二膝部运动特征进行比对;其中,第一膝部运动特征和第二膝部运动特征均包括膝部运动幅度和膝部变化角度。在本实施例中,通过将安检对象在第一图像信息中的膝部运动幅度和膝部变化角度和在第二图像信息中的膝部运动幅度和膝部变化角度进行比对来判断安检对象的行为差异,可以为安检预警提供行为判断依据。
在一实施例中,确定第一图像信息中的安检对象的第一肘部运动特征,与第二图像信息中安检对象的第二肘部运动特征包括:
在基于安检对象的身体所构建的三维坐标系中,将第一图像信息中安检对象的肘部所在点的坐标与三维坐标系的坐标原点之间的距离确定为第一肘部运动特征中的肘部运动幅度,并将第二图像信息中安检对象的肘部所在点的坐标与三维坐标系的坐标原点之间的距离确定为第二肘部运动特征中的肘部运动幅度;如图4所示,可以通过计算肘部与坐标原点之间的距离来确定肘部的运动幅度。
将第一图像信息中安检对象的第一臂部对应的向量与第二臂部对应的向量之间的角度确定为第一肘部运动特征中的肘部变化角度,并将第二图像信息中安检对象的第一臂部对应的向量与第二臂部对应的向量之间的角度确定为第二肘部运动特征中的肘部变化角度;在本实施例中,第一臂部可以为人体的大臂,第二臂部可以为人体的小臂;或者,第一臂部可以为人体的小臂,第二臂部可以为人体的大臂,如图4所示,可以通过人体大臂与小臂之间的角度来确定肘部的变化角度。
在一实施例中,确定第一图像信息中的安检对象的第一膝部运动特征与第二图像信息中安检对象的第二膝部运动特征包括:
在基于安检对象的身体所构建的三维坐标系中,将第一图像信息中安检对象的膝部所在点的坐标与三维坐标系的坐标原点之间的距离作为第一膝部运动特征中的膝部运动幅度,并将第二图像信息中安检对象的膝部所在点的坐标与三维坐标系的坐标原点之间的距离作为第二膝部运动特征中的膝部运动幅度;如图4所示,可以通过计算膝部与坐标原点之间的距离来确定膝部的运动幅度。
将第一图像信息中安检对象的第一腿部对应的向量与第二腿部对应的向量之间的角度作为第一膝部运动特征中的膝部变化角度,并将第二图像信息中安检对象的第一腿部对应的向量与第二腿部对应的向量之间的角度作为第二膝部运动特征中的膝部变化角度。如图4所示,可以通过人体大臂与小臂之间的角度来确定膝部的变化角度。
在一实施例中,将所述第一肘部运动特征与所述第二肘部运动特征进行比对,包括以下至少之一:
分别获取安检对象在第一图像信息中左肘运动幅度和左肘角度二者在第一平面坐标系中形成的第一曲线的曲率,以及安检对象在第一图像信息中左肘运动幅度和左肘角度二者在第一平面坐标系中形成的第二曲线的曲率,将第一曲线的曲率和第二曲线的曲率进行比对;在本实例中,如图5所示,可以以左肘的运动幅度为横坐标,左肘的运动角度为纵坐标建立第一平面坐标系,在第一图像信息中安检对象的左肘在不同时刻左肘运动幅度和左肘角度形成第一曲线;在第二图像信息中安检对象的左肘在不同时刻,左肘运动幅度和左肘角度形成第二曲线;然后将第一曲线和第二曲线的曲率进行比对。
分别获取安检对象在第一图像信息中右肘运动幅度和右肘角度二者在第二平面坐标系中形成的第三曲线的曲率,以及安检对象在第二图像信息中右肘运动幅度和右肘角度二者在第二平面坐标系中形成的第四曲线的曲率,将第三曲线的曲率和第四曲线的曲率进行比对;在本实例中,如图5所示,可以以右肘的运动幅度为横坐标,右肘的运动角度为纵坐标建立第一平面坐标系,在第一图像信息中安检对象的右肘在不同时刻,右肘运动幅度和右肘角度形成第三曲线;在第二图像信息中安检对象的右肘在不同时刻,右肘运动幅度和右肘角度形成第四曲线;然后将第三曲线和第四曲线的曲率进行比对。
在一实施例中,将第一肘部运动特征与第二肘部运动特征进行比对,包括以下至少之一:
分别获取安检对象的左膝在第一图像信息中左膝运动幅度和左膝角度二者在第三平面坐标系中形成的第五曲线的曲率,以及取安检对象的左膝在第二图像信息中左膝运动幅度和左膝角度二者在第三平面坐标系中形成的第六曲线的曲率;将第五曲线的曲率和第六曲线的曲率进行比对;在本实例中,如图5所示,可以以左膝的运动幅度为横坐标,左膝的运动角度为纵坐标建立第一平面坐标系,在第一图像信息中安检对象的左膝在不同时刻,左膝运动幅度和左膝角度形成第五曲线;在第二图像信息中安检对象的左膝在不同时刻,左膝运动幅度和左膝角度形成第六曲线;然后将第五曲线的曲率和第六曲线的曲率进行比对。
分别获取安检对象的右膝在第一图像信息中右膝运动幅度和右膝角度二者在第四平面坐标系中形成的第七曲线的曲率,以及取安检对象的右膝在第二图像信息中右膝运动幅度和右膝角度二者在第四平面坐标系中形成的第八曲线的曲率;将第三曲线的曲率和第四曲线的曲率进行比对。在本实例中,如图5所示,可以以右膝的运动幅度为横坐标,右膝的运动角度为纵坐标建立第一平面坐标系,在第一图像信息中安检对象的右膝在不同时刻,右膝运动幅度和右膝角度形成第七曲线;在第二图像信息中安检对象的右膝在不同时刻,右膝运动幅度和右膝角度形成第八曲线;然后将第七曲线和第八曲线的曲率进行比对。
在一实施例中,步骤S308包括以下至少之一:
当比对的结果指示第一曲线的曲率与第二曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第三曲线的曲率与第四曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第五曲线的曲率与第六曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第七曲线的曲率与第八曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象为异常对象。
在本实施例中,也就是说,当安检对象肘部或膝部任何一个部位在第一图像信息和第二图像信息中出现明显差异时,就可以确定当前安检对象为异常对象。
在一实施例中,获取第一曲线与第一平面坐标系组成的第一面积;以及第二曲线与第一平面坐标系组成的第二面积;
获取第三曲线与第二平面坐标系组成的第三面积;以及第四曲线与第二平面坐标系组成的第四面积;
获取第五曲线与第三平面坐标系组成的第五面积;以及第六曲线与第三平面坐标系组成的第六面积;
获取第七曲线与第四平面坐标系组成的第七面积;以及第八曲线与第四平面坐标系组成的第八面积;
当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象,还包括以下至少之一:
当比对的结果指示第一面积与第二面积二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第三面积与第四面积二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第五面积与第六面积二者之间的差异度大于预设阈值时,提示安检对象为异常对象;
当比对的结果指示第七面积与第八面积二者之间的差异度大于预设阈值时,提示安检对象为异常对象。
通过上述技术手段,可以实现及时准确的判断安检对象是否为异常对象以及判断是否需要预警提示。
在一实施例中,步骤S308之后,还包括以下至少之一:
当比对的结果指示第一曲线的曲率与第二曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象的左肘为异常位置;
当比对的结果指示第三曲线的曲率与第四曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象的右肘为异常位置;
当比对的结果指示第五曲线的曲率与第六曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象的左膝为异常位置;
当比对的结果指示第七曲线的曲率与第八曲线的曲率二者之间的差异度大于预设阈值时,提示安检对象的右膝为异常位置。
通过上述技术手段,可以将具有危险行为的安检对象对应的异常位置及时准确的进行预警和显示。
在一实施例中,步骤S304包括:将安检对象的头像信息与非安检数据库中存储的头像信息进行比对;基于比对后的结果确定出安检对象在非安检数据库中的对应的第二图像信息。在本实施例中,通过头像识别的方法将当前安检对象从非安检数据库识别出来,并可以得到当前安检对象在非安检数据库中的视频或图像信息。
在一实施例中,上述安检预警方法还包括:在确定出所述安检对象为异常对象的情况下,将安检对象的第一图像信息存储至安检核对数据库中;在确定出安检对象未出现异常的情况下,删除安检对象对应的第一图像信息和第二图像信息。也就是说,如果确定出安检对象为异常对象,就把安检对象安检过程中的图像信息存储到安检核对数据库中,和非安检数据库中的当前安检对象可以进行进一步核对。
在一实施例中,基于安检对象的身体所构建的三维坐标系,如图4所示,包括:以安检对象的头部为坐标原点,与安检对象身体平行方向为x轴,与安检对象身体垂直方向为y轴,安检对象身体前进方向为z轴,构建三维坐标系。
在本发明实施例中,采用获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象的方式,达到了在安检过程中,能够准确及时的进行危险动作识别的目的,从而实现了提高在安检场所判断人员危险动作的准确性和及时性技术效果,进而解决了由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
基于上述实施例,在一实施例中,在上述安检预警方法中:在车站,机场这种需要安检的场所需要安装有一个监控系统,该监控系统与所有摄像头联网,能实时得到所有的监控数据。摄像头分为两类,一种是安检型摄像机,一种是非安检型摄像机。非安检型摄像机安装在人员进入车站建筑物所需经过的各个主干道,主要用于人员安检前进行人脸识别,肢体动作分析等人员数据建模。安检型摄像机是安装在安检门前或闸机前,用于采集并分析被安检人员在安检的时候的肢体动作数据。
监控系统设置有肢体动作分析算法模块,可存在于前端(摄像机端)或后端(即服务器端)。
在一实施例中,当肢体动作分析算法模块在前端时,摄像机首先对视频中的检测到的人员进行人员建模,模型数据包括:人脸数据,肢体动作数据。并实时把模型数据传输给后台插入模型数据库。当人员(安检对象)进过其他非安检摄像机时,摄像机不断对人员动作进行分析,并实时更新数据库中模型数据。当监控时间越长,肢体动作数据越准确。
最终当人员开始排队通过安检时,安检型摄像机分析人员当前肢体动作模型数据,上传安检系统,安检系统的可疑性分析模块,分析安检前和安检中的肢体动作数据的差异度,进而分析肘关节,肩关节,髋关节,膝关节等人体主要关节运动幅度模型变化的数据。然后实时把数据上报给当前的安检人员。当整体肢体动作差异度越大,则可疑性越大。同时上报的还有各关节运动模型变化数据,可提醒安检人员该人员需重点关注的身体部位,起到危险预警作用。
在一实施例中,如图6所示,肢体动作模型分析算法模块在后端(即服务器端)时,摄像机只负责视频数据采集,后台服务器负责对视频数据的处理,包括人脸数据和肢体动作数据。后台服务器负责把肢体动作模型数据根据是否是安检数据分成两类,根据不同的类别把数据分别插入不同的模型数据库。可疑性分析模块分析两个数据库中同一个人员的模型数据差异度,并把分析结果实时推送给安检人员。当人员安检完毕,若人员安检过程正常则删除相关模型数据,若异常则存档相关监控分析数据。
图6中肢体动作分析算法模型处于后端(即服务器端),当肢体动作分析算法模型处于前端时,即每个摄像机都有一个肢体动作分析算法模型,而监控系统中没有。
在一实施例中,上述安检预警方法可以包括如下步骤:步骤S702,非安检摄像机采集视频数据;步骤S704,对视频中人员进行人脸分析,肢体动作分析;步骤S706,插入或更新非安检数据库;步骤S708,安检摄像机采集视频数据;步骤S710,对视频中人员进行人脸分析,肢体动作分析;步骤S712,插入或更新安检数据库;步骤S714,可疑分析模块对同一个人对比非安检数据库和安检数据库,分析得到包括肢体动作模型数据的差异度和具体关节运动幅度模型数据;然后转入步骤S716,上报给安检人员,步骤S718,判断当前数据是否正常;步骤S720,安检可疑,存档具体人员分析信息,步骤S722,安检正常,删除具体人员分析信息。
在一实施例中,上述安检预警方法的肢体差异计算方法可以通过如下方法来实现:
计算过程基于肢体动作深度学习模型,该模型可以提供人员运动过程中人体肩部、肘部、手部、髋部、膝部、脚部在以头部为零点的三维坐标中的坐标值。
如图4所示,垂直方向为y轴,前进方向为z轴,平行人体方向为x轴。肢体运动深度学习模型给出运动过程中:
右肩部坐标sR(x,y,z)、左肩部坐标sL(x,y,z)
右肘部坐标eR(x,y,z)、左肘部坐标eL(x,y,z)
右手部坐标haR(x,y,z)、左手部坐标haL(x,y,z)
右髋部坐标hiR(x,y,z)、左髋部坐标hiL(x,y,z)
右膝部坐标kR(x,y,z)、左膝部坐标kL(x,y,z)
右脚部坐标fR(x,y,z)、左脚部坐标fL(x,y,z)
根据这些坐标数据我们可以计算出人体运动过程中,肢体运动幅度与关节(肘部、膝部)弯曲角度的线性关系。
第一步:
手肘的角度与肘运动幅度的关系:Re-L(左肘)可以标识为Angle-e-L或Length-e-L;Re-R(右肘)可以标识为Angle-e-R或Length-e-R;
膝部的角度与膝部运动幅度的关系:Rk-L(左膝)可以标识为Angle-k-L或Length-k-L;Rk-R(右膝)可以标识为Angle-k-R或Length-k-R;
上述左肘、右肘、左膝和右膝四个关系计算过程类似,如下所示:
(1)首先关系中的运动幅度:
其中:Length-e-L:左肘运动幅度;
Length-e-R:右肘运动幅度;
Length-k-L:左膝运动幅度;
Length-k-R:右膝运动幅度;
x、z为坐标值,如eL表示左肘部坐标。
(2)再计算关系中的角度值
其中肘部角度就是小臂与上臂之间的角度,膝部角度就是小腿与大腿之间的角度。
求算过程以左肘角度为例,如下所示:
先算两边向量:
上臂向量:sL-eL=(xeL-xsL,yeL-ysL,zeL-zsL)
下臂向量:haL-eL=(xeL-xhaL,yeL-yhaL,zeL-zhaL)
再算向量夹角,可得左肘夹角:
同理可计算右肘夹角:
左膝夹角:
右膝夹角:
第二步:
这样在人物运动过程中,深度肢体动作学习模型就会输出整个过程中Angle-e-L与Length-e-L对应的数据。
Length-e-L值从Length-e-L(min)~L(max)(即从最小值到最大值的范围);Angle-e-L对应的是Angle-e-L(min)~Angle-e-L(max)(即从最小值到最大值的范围);
第三步:
把以上得出的数据绘制为如图5所示的坐标轴和曲线示意图。
横坐标为左肘运动具体,纵轴为左肘角度。示例中运动距离取值0-20cm,
角度取值90-180°。
曲线Q1由非安检摄像机采集的数据分析计算得到。
曲线Q2由安检摄像机采集的数据分析计算得到。
定义非安检摄像机采集的关系曲线与坐标系形成的面积为S1;安检摄像机采集的关系曲线与坐标系形成的面积为S2;
面积可以近似等于每间隔单位Length-e-L对应的Angle-e-L(min)~Angle-e-L(max)的累加。
S=Angle-e-L(1)+Angle-e-L(2)+……+Angle-e-L(N);
这样就求得了左肘的动作差异度值。同理求出右肘DeR、左膝DkL、右膝DkR的差异度值。
第四步:该人员正常差异度值D=DeL+DeR+DkL+DkR;当D大于一定值时即产生报警。
同理可知DeL、DeR、DkL、DkR单个值大于一定值即产生注意某个肢体部位的报警。
本发明实施例利用人在不同的环境下,或是不同的心态下引起的肢体动作发生变化的原理,当人紧张的时候,或准备做出任何动作的时候,局部肌肉会紧绷,导致走动时动作发生变化,比如会出现上肢摆动幅度变小,肘关节肩关节僵硬等。通过使用监控系统,在不同的环境下收集人员的动作姿势,利用肢体动作计算模块,分别计算人员在无安检和正在安检的情况的肢体动作差异度,当差异度越高,则可疑性越高。同时为安检人员提供被安检人员各主要关节活动度差异,为安检人员提供安检参考。
利用联网的监控系统,对比分析,人员在进站前和进站时;人员稀疏的地方和人员密集的地方;安检前和安检中;的肢体动作状态的变化来评估当前人员是否有可疑性。为安检人员提供被安检人员各主要关节在被安检和非安检状态下的差异值,给安检人员一定的参考,进行有目的的检查,同时有一定的危险防范作用。
本发明实施例通过分析肢体动作的变化,就可以在安检前提前预警。克服原先只有危险动作发生才报警的滞后性。也克服了带口罩无法检测危险表情的局限性。其次,本发明实施例实时为安检人员提供详细的肢体关节活动变化数据,给安检人员一定的参考,加快了安检速度,同时预警给安检人员一定的提示,提高了安检人员的安全性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述安检预警方法的安检预警装置。如图8所示,该装置包括:
第一获取单元802,用于获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,第一图像采集设备用于安检过程中的视频采集;
第二获取单元804,用于从非安检数据库中获取第二图像采集设备采集到的安检对象的第二图像信息,其中,第二图像采集设备用于非安检过程中的视频采集;
比对单元806,用于比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的安检对象;
提示单元808,用于当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象。
在本发明实施例中,第一图像采集设备可以为通过有线或无线模块进行连接的摄像头,第一图像信息可以包括当前的安检对象的多帧图片或视频,在安检过程中的视频采集可以包括通过安检门或安检闸等安检设备时对安检人员进行图像或视频的采集,在此不做限定。
在本发明实施例中,实际应用时,第二图像采集设备可以为通过有线或无线模块进行连接的摄像头,第二图像信息可以包括当前的安检对象的多帧图片或视频,非安检过程中的视频采集可以包括但不限于在进入安检门或安检闸之前对安检人员进行图像或视频的采集,在此不做限定。
在本发明实施例中,实际应用时,比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的上述安检对象,也就是说,从安检数据库中识别出当前安检对象的图像信息,以及从非安检数据库中识别该安检对象的图像信息,并将二者进行比对。
在本发明实施例中,实际应用时,第一肢体动作特征和第二肢体动作特征可以包括但不限于当前安检对象的头部,手部,肘部,肩部,髋部,膝部,脚部等地方的动作特征,当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,也就是说,当前安检对象在非安检数据库中的图像信息和在安检数据库中的图像信息出现大于预设的差异度的情况下,就可以判断当前安检对象为异常对象,可能会发生危险动作,需要重点提防。
在本发明实施例中,采用获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,上述第一图像采集设备用于安检过程中的视频采集;从非安检数据库中获取第二图像采集设备采集到的上述安检对象的第二图像信息,其中,上述第二图像采集设备用于非安检过程中的视频采集;比对从上述第一图像信息中识别出的上述安检对象与从上述第二图像信息中识别出的上述安检对象;当比对的结果指示上述第一图像信息中上述安检对象的第一肢体动作特征与上述第二图像信息中上述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示上述安检对象为异常对象的方式,达到了在安检过程中能够准确及时的进行危险动作识别的目的,从而实现了提高在安检场所判断人员危险动作的准确性和及时性技术效果,进而解决了由于相关技术中对于危险动作识别不准确以及危险预警滞后,造成的安检预警效率较低的技术问题。
根据本发明实施例的又一个方面,还提供了一种用于实施上述安检预警方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。如图9所示,该电子设备包括存储器902和处理器904,该存储器902中存储有计算机程序,该处理器904被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,第一图像采集设备用于安检过程中的视频采集;
S2,从非安检数据库中获取第二图像采集设备采集到的安检对象的第二图像信息,其中,第二图像采集设备用于非安检过程中的视频采集;
S3,比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的安检对象;
S4,当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象。
可选地,本领域普通技术人员可以理解,图9所示的结构仅为示意,电子装置或电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等电子设备。图9其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图9中所示更多或者更少的组件(如网络接口等),或者具有与图9所示不同的配置。
其中,存储器902可用于存储软件程序以及模块,如本发明实施例中的安检预警方法和装置对应的程序指令/模块,处理器904通过运行存储在存储器902内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的安检预警方法。存储器902可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器902可进一步包括相对于处理器904远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器902具体可以但不限于用于存储虚安检对象的视频或图像等信息。作为一种示例,如图9所示,上述存储器902中可以但不限于包括上述安检预警装置中的第一获取单元802、第二获取单元804、比对单元806及提示单元808。此外,还可以包括但不限于上述安检预警装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置909用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置909包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置909为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器908,用于显示上述安检对象的视频或图像信息;和连接总线910,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,第一图像采集设备用于安检过程中的视频采集;
S2,从非安检数据库中获取第二图像采集设备采集到的安检对象的第二图像信息,其中,第二图像采集设备用于非安检过程中的视频采集;
S3,比对从第一图像信息中识别出的安检对象与从第二图像信息中识别出的安检对象;
S4,当比对的结果指示第一图像信息中安检对象的第一肢体动作特征与第二图像信息中安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示安检对象为异常对象。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以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,可以存储在上述计算机可读取的存储介质中。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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种安检预警方法,其特征在于,包括:
获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,所述第一图像采集设备用于安检过程中的视频采集;
从非安检数据库中获取第二图像采集设备采集到的所述安检对象的第二图像信息,其中,所述第二图像采集设备用于非安检过程中的视频采集;
比对从所述第一图像信息中识别出的所述安检对象与从所述第二图像信息中识别出的所述安检对象;
当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示所述安检对象为异常对象。
2.根据权利要求1所述的方法,其特征在于,包括:所述比对从所述第一图像信息中识别出的所述安检对象与从所述第二图像信息中识别出的所述安检对象,包括以下至少之一:
确定所述第一图像信息中的所述安检对象的第一肘部运动特征,与所述第二图像信息中所述安检对象的第二肘部运动特征,其中,所述第一肢体动作特征包括所述安检对象的所述第一肘部运动特征,所述第二肢体动作特征包括所述安检对象的所述第二肘部运动特征;并将所述第一肘部运动特征与所述第二肘部运动特征进行比对;其中,第一肘部运动特征和第二肘部运动特征均包括肘部运动幅度和肘部变化角度;
确定所述第一图像信息中的所述安检对象的第一膝部运动特征与所述第二图像信息中所述安检对象的第二膝部运动特征,其中,所述第一肢体动作特征包括所述安检对象的所述第一膝部运动特征,所述第二肢体动作特征包括所述安检对象的所述第二膝部运动特征;并将所述第一膝部运动特征与所述第二膝部运动特征进行比对;其中,第一膝部运动特征和第二膝部运动特征均包括膝部运动幅度和膝部变化角度。
3.根据权利要求2所述的方法,其特征在于,
确定所述第一图像信息中的所述安检对象的第一肘部运动特征,与所述第二图像信息中所述安检对象的第二肘部运动特征包括:
在基于所述安检对象的身体所构建的三维坐标系中,将所述第一图像信息中所述安检对象的肘部所在点的坐标与所述三维坐标系的坐标原点之间的距离确定为所述第一肘部运动特征中的所述肘部运动幅度,并将所述第二图像信息中所述安检对象的肘部所在点的坐标与所述三维坐标系的坐标原点之间的距离确定为所述第二肘部运动特征中的所述肘部运动幅度;
将所述第一图像信息中所述安检对象的第一臂部对应的向量与第二臂部对应的向量之间的角度确定为所述第一肘部运动特征中的所述肘部变化角度,并将所述第二图像信息中所述安检对象的第一臂部对应的向量与第二臂部对应的向量之间的角度确定为所述第二肘部运动特征中的所述肘部变化角度;
确定所述第一图像信息中的所述安检对象的第一膝部运动特征与所述第二图像信息中所述安检对象的第二膝部运动特征包括:
在基于所述安检对象的身体所构建的三维坐标系中,将所述第一图像信息中所述安检对象的膝部所在点的坐标与所述三维坐标系的坐标原点之间的距离作为所述第一膝部运动特征中的所述膝部运动幅度,并将所述第二图像信息中所述安检对象的膝部所在点的坐标与所述三维坐标系的坐标原点之间的距离作为所述第二膝部运动特征中的所述膝部运动幅度;
将所述第一图像信息中所述安检对象的第一腿部对应的向量与第二腿部对应的向量之间的角度作为所述第一膝部运动特征中的所述膝部变化角度,并将所述第二图像信息中所述安检对象的第一腿部对应的向量与第二腿部对应的向量之间的角度作为所述第二膝部运动特征中的所述膝部变化角度。
4.根据权利要求2所述的方法,其特征在于,所述将所述第一肘部运动特征与所述第二肘部运动特征进行比对,包括以下至少之一:
分别获取所述安检对象在第一图像信息中左肘运动幅度和左肘角度二者在第一平面坐标系中形成的第一曲线的曲率,以及所述安检对象在第一图像信息中左肘运动幅度和左肘角度二者在第一平面坐标系中形成的第二曲线的曲率,将所述第一曲线的曲率和所述第二曲线的曲率进行比对;
分别获取所述安检对象在所述第一图像信息中右肘运动幅度和右肘角度二者在第二平面坐标系中形成的第三曲线的曲率,以及所述安检对象在所述第二图像信息中右肘运动幅度和右肘角度二者在第二平面坐标系中形成的第四曲线的曲率,将所述第三曲线的曲率和所述第四曲线的曲率进行比对;
所述将所述第一肘部运动特征与所述第二肘部运动特征进行比对,包括以下至少之一:
分别获取所述安检对象的左膝在所述第一图像信息中左膝运动幅度和左膝角度二者在第三平面坐标系中形成的第五曲线的曲率,以及取所述安检对象的左膝在所述第二图像信息中左膝运动幅度和左膝角度二者在第三平面坐标系中形成的第六曲线的曲率;将所述第五曲线的曲率和所述第六曲线的曲率进行比对;
分别获取所述安检对象的右膝在所述第一图像信息中右膝运动幅度和右膝角度二者在第四平面坐标系中形成的第七曲线的曲率,以及取所述安检对象的右膝在所述第二图像信息中右膝运动幅度和右膝角度二者在第四平面坐标系中形成的第八曲线的曲率;将所述第三曲线的曲率和所述第四曲线的曲率进行比对。
5.根据权利要求4所述的方法,其特征在于,所述当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示所述安检对象为异常对象,包括以下至少之一:
当比对的结果指示所述第一曲线的曲率与所述第二曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第三曲线的曲率与所述第四曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第五曲线的曲率与所述第六曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第七曲线的曲率与所述第八曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述第一曲线与所述第一平面坐标系组成的第一面积;以及所述第二曲线与所述第一平面坐标系组成的第二面积;
获取所述第三曲线与所述第二平面坐标系组成的第三面积;以及所述第四曲线与所述第二平面坐标系组成的第四面积;
获取所述第五曲线与所述第三平面坐标系组成的第五面积;以及所述第六曲线与所述第三平面坐标系组成的第六面积;
获取所述第七曲线与所述第四平面坐标系组成的第七面积;以及所述第八曲线与所述第四平面坐标系组成的第八面积;
所述当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示所述安检对象为异常对象,还包括以下至少之一:
当比对的结果指示所述第一面积与所述第二面积二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第三面积与所述第四面积二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第五面积与所述第六面积二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象;
当比对的结果指示所述第七面积与所述第八面积二者之间的差异度大于预设阈值时,提示所述安检对象为异常对象。
7.根据权利要求4至5任一项中所述的方法,其特征在于,所述提示所述安检对象为异常对象之后,还包括以下至少之一:
当比对的结果指示所述第一曲线的曲率与所述第二曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象的左肘为异常位置;
当比对的结果指示所述第三曲线的曲率与所述第四曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象的右肘为异常位置;
当比对的结果指示所述第五曲线的曲率与所述第六曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象的左膝为异常位置;
当比对的结果指示所述第七曲线的曲率与所述第八曲线的曲率二者之间的差异度大于预设阈值时,提示所述安检对象的右膝为异常位置。
8.根据权利要求1所述的方法,其特征在于,所述从非安检数据库中获取第二图像采集设备采集到的所述安检对象的第二图像信息,包括:
将所述安检对象的头像信息与非安检数据库中存储的头像信息进行比对;
基于比对后的结果确定出所述安检对象在所述非安检数据库中的对应的第二图像信息。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定出所述安检对象为异常对象的情况下,将所述安检对象的第一图像信息存储至安检核对数据库中;
在确定出所述安检对象未出现异常的情况下,删除所述安检对象对应的所述第一图像信息和所述第二图像信息。
10.根据权利要求3所述的方法,其特征在于,所述基于所述安检对象的身体所构建的三维坐标系,包括:
以所述安检对象的头部为坐标原点,与所述安检对象身体平行方向为x轴,与所述安检对象身体垂直方向为y轴,所述安检对象身体前进方向为z轴,构建所述三维坐标系。
11.一种安检预警装置,其特征在于,包括:
第一获取单元,用于获取第一图像采集设备当前采集到的安检对象的第一图像信息;其中,所述第一图像采集设备用于安检过程中的视频采集;
第二获取单元,用于从非安检数据库中获取第二图像采集设备采集到的所述安检对象的第二图像信息,其中,所述第二图像采集设备用于非安检过程中的视频采集;
比对单元,用于比对从所述第一图像信息中识别出的所述安检对象与从所述第二图像信息中识别出的所述安检对象;
提示单元,用于当比对的结果指示所述第一图像信息中所述安检对象的第一肢体动作特征与所述第二图像信息中所述安检对象的第二肢体动作特征之间的特征差异度大于预设阈值时,提示所述安检对象为异常对象。
12.一种计算机可读的存储介质,其特征在于,计算机可读的存储介质包括存储的程序,其中,程序运行时执行权利要求1至10任一项中所述的方法。
13.一种电子设备,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352800.XA CN112906660A (zh) | 2021-03-31 | 2021-03-31 | 安检预警方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352800.XA CN112906660A (zh) | 2021-03-31 | 2021-03-31 | 安检预警方法和装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906660A true CN112906660A (zh) | 2021-06-04 |
Family
ID=76109948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352800.XA Pending CN112906660A (zh) | 2021-03-31 | 2021-03-31 | 安检预警方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821805A (zh) * | 2022-05-18 | 2022-07-29 | 湖北大学 | 一种危险行为预警方法、装置和设备 |
-
2021
- 2021-03-31 CN CN202110352800.XA patent/CN112906660A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821805A (zh) * | 2022-05-18 | 2022-07-29 | 湖北大学 | 一种危险行为预警方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Paws: Passive human activity recognition based on wifi ambient signals | |
CN108876822B (zh) | 一种行为危险度评估方法及家庭安防看护系统 | |
CN110472481B (zh) | 一种睡姿检测方法、装置及设备 | |
CN113239797B (zh) | 人体动作识别方法、装置及系统 | |
WO2022228252A1 (zh) | 人体行为检测方法、装置、电子设备以及存储介质 | |
KR102397248B1 (ko) | 영상 분석 기반의 환자 동작 모니터링 시스템 및 그의 제공 방법 | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
Hao et al. | CSI-HC: a WiFi-based indoor complex human motion recognition method | |
CN105956549A (zh) | 一种工人作业前安全装备及行为能力检查系统及方法 | |
CN112906660A (zh) | 安检预警方法和装置、存储介质及电子设备 | |
CN113011211B (zh) | 一种吸烟行为的检测方法、装置、电子设备及存储介质 | |
CN111914673A (zh) | 目标行为的检测方法、装置及计算机可读存储介质 | |
CN114937293A (zh) | 基于gis的农业服务管理方法及系统 | |
CN112149531B (zh) | 一种行为识别中人体骨骼数据的建模方法 | |
CN113792700B (zh) | 一种电瓶车入箱检测方法、装置、计算机设备及存储介质 | |
CN115114480A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN112926550A (zh) | 基于三维图像人体姿态匹配的人机交互方法及其设备 | |
CN112866919A (zh) | 基于室内人员定位和行为感知的非入侵安防方法及系统 | |
CN111191511A (zh) | 一种监狱动态实时行为识别方法及系统 | |
JP7156655B1 (ja) | 監視システム、監視方法、及び、監視システム用の画像認識装置の学習方法 | |
CN117523456A (zh) | 异常行为识别方法、装置、非易失性存储介质及电子设备 | |
CN116703161B (zh) | 一种人机共融风险的预测方法、装置、终端设备及介质 | |
CN108771543B (zh) | 一种基于大数据的真实环境下老人跌倒检测方法及系统 | |
Ma et al. | Personalized Edge-Cloud Collaborative High-Fall-risk Monitoring Strategy for Grid Workers at Heights | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 |
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 |