CN112907892A - 基于多视图的人体跌倒报警方法 - Google Patents
基于多视图的人体跌倒报警方法 Download PDFInfo
- Publication number
- CN112907892A CN112907892A CN202110118861.XA CN202110118861A CN112907892A CN 112907892 A CN112907892 A CN 112907892A CN 202110118861 A CN202110118861 A CN 202110118861A CN 112907892 A CN112907892 A CN 112907892A
- Authority
- CN
- China
- Prior art keywords
- human body
- view
- human
- head
- video
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Abstract
本发明提供一种基于多视图的人体跌倒报警方法,包括步骤:S1:设置一基于多视图的人体跌倒报警系统;S2:根据摄像头获取的多视图图像构建一多视图位置联合估计模型;S3:采用多个所述摄像头同步拍摄所述监测区域,得到多视图人体监测视频;S4:利用所述多视图人体监测视频构建人体姿态模型;S5:获取人体头部关键点空间位置信息;S6:判断所述人体头部关键点空间位置的高度是否低于一预设阈值,如小于,所述数据处理终端进行报警,否则,返回步骤S3。本发明的一种基于多视图的人体跌倒报警方法,采用人工智能的方法通过多摄像头实时对人体进行多角度监测并识别判断人体姿态,实现对人体姿态的实时判断和跌倒情况的自动报警。
Description
技术领域
本发明涉及基于深度学习的人体姿态检测和报警系统领域,尤其涉及一种基于多视图的人体跌倒报警方法。
背景技术
现有的技术中,老人跌倒报警系统主要分为三种。第一种是跌倒呼救装置,老人跌倒后,需要按下该装置,才能启动报警装备。第二种是穿戴式人体姿态监测装置,通过穿戴于人身上的传感器监测人体姿态,当发现人体跌倒时,会自动进行报警。第三种是基于视觉信息技术的跌倒姿势识别系统,该系统通过Kinect传感器与人体骨骼识别模块识别人体骨骼特征,采用KNN方法进行姿态分类,从而判断老人是否跌倒。
跌倒呼救装置需要老人手动按下按钮发出呼救信息,但跌倒后的老人往往无法主动按下按钮,导致该装置难以发挥作用;穿戴式人体姿态监测装置主要通过人体穿戴实现姿态监测,但这些装置中集成了大量的传感器,具有一定重量,将其佩戴于身体上,无疑是对人体的一种束缚,不利于老人的日常行动;基于视觉信息技术的跌倒姿势识别系统,需要使用Kinect传感器获取深度图像,使得设备的连接更加复杂,增加了监测成本。
发明内容
针对上述现有技术中的不足,本发明提供一种基于多视图的人体跌倒报警方法,采用人工智能的方法通过多摄像头实时对人体进行多角度监测并识别判断人体姿态,实现对人体姿态的实时判断和跌倒情况的自动报警。
为了实现上述目的,本发明提供一种基于多视图的人体跌倒报警方法,包括步骤:
S1:设置一基于多视图的人体跌倒报警系统,所述基于多视图的人体跌倒报警系统包括一数据处理终端和连接所述数据处理终端的多个摄像头,所述摄像头设置于一监测区域旁且个所述摄像头的拍摄角度不同;
S2:根据所述摄像头获取的多视图图像构建一多视图位置联合估计模型;
S3:采用多个所述摄像头同步拍摄所述监测区域,得到多视图人体监测视频;
S4:利用所述多视图人体监测视频构建人体姿态模型;
S5:获取人体头部关键点空间位置信息;
S6:判断所述人体头部关键点空间位置的高度是否低于一预设阈值,如小于,所述数据处理终端进行报警,否则,返回步骤S3。
优选地,所述S2步骤进一步包括步骤:
S21:通过多摄像头对预设的一棋盘格进行同步拍摄,采用OpenCV中的grab算法同步打开多摄像头,并使用retrieve算法同步采集视频帧;
S22:从不同方位对所述棋盘格进行视频采集,并将同步拍摄的视频解析成视频帧,选取每个所述视频的若干所述视频帧,检测出所述视频帧中的特征点,并根据所述特征点得到所述摄像头加的内部参数;
S23:选取所述摄像头的一拍摄空间中的一个同名点和另外三个任意点,采用SolvePNP相机位姿估计方法得到所述摄像头的外部参数;
S24:采用最小二乘法确定所述拍摄空间中人体的位置信息,利用所述人体的位置信息、所述内部参数和所述外部参数建立所述多视图位置联合估计模型。
优选地,所述人体姿态模型用于以KeypointRCNN_ResNet50_fpn网络为主干特征网络提取所述多视图人体监测视频中人体的17个人体关键点信息,所述人体关键点信息包括人体头部关键点像素坐标。
优选地,所述S5步骤中,根据所述人体头部关键点像素坐标利用多视图位置联合估计模型并采用最小二乘法确定人体头部关键点在真实空间中的位置信息,获得所述人体头部关键点空间位置信息。
本发明由于采用了以上技术方案,使其具有以下有益效果:
综合利用多视图同步监测和人体姿态检测方法,不仅可以避免人体被遮挡而产生的误报问题,而且能够实现人体姿态的实时监测,达到跌倒自动报警的目的,降低了老人跌倒报警系统部署的复杂性,提高了跌倒状态判定的准确性和自动化程度,有利于系统的实际使用。
附图说明
图1为本发明实施例的基于多视图的人体跌倒报警方法的流程图;
图2为本发明实施例的基于多视图的人体跌倒报警系统的结构示意图。
具体实施方式
下面根据附图1和图2,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
请参阅图1和图2,本发明实施例的一种基于多视图的人体跌倒报警方法,包括步骤:
S1:设置一基于多视图的人体跌倒报警系统,基于多视图的人体跌倒报警系统包括一数据处理终端1和连接数据处理终端1的多个摄像头2,摄像头2设置于一监测区域旁且个摄像头2的拍摄角度不同;
可在生活空间安装多个摄像头2,使其能全方位覆盖整个生活区域,并且至少有两个摄像头2能够同时检测到人体姿态;
S2:根据摄像头2获取的多视图图像构建一多视图位置联合估计模型;
S2步骤进一步包括步骤:
S21:通过多摄像头2对预设的一棋盘格进行同步拍摄,采用OpenCV中的grab算法同步打开多摄像头2,并使用retrieve算法同步采集视频帧;
S22:从不同方位对棋盘格进行视频采集,并将同步拍摄的视频解析成视频帧,选取每个视频的若干视频帧,检测出视频帧中的特征点,并根据特征点得到摄像头2加的内部参数;
S23:选取摄像头2的一拍摄空间中的一个同名点和另外三个任意点,采用SolvePNP相机位姿估计方法得到摄像头2的外部参数;
S24:采用最小二乘法确定拍摄空间中人体的位置信息,利用人体的位置信息、内部参数和外部参数建立多视图位置联合估计模型。
S3:采用多个摄像头2同步拍摄监测区域,得到多视图人体监测视频;
S4:利用多视图人体监测视频构建人体姿态模型;
人体姿态模型用于以KeypointRCNN_ResNet50_fpn网络为主干特征网络提取多视图人体监测视频中人体的17个人体关键点信息,人体关键点信息包括人体头部关键点像素坐标。
S5:获取人体头部关键点空间位置信息;
S5步骤中,根据人体头部关键点像素坐标利用多视图位置联合估计模型并采用最小二乘法确定人体头部关键点在真实空间中的位置信息,获得人体头部关键点空间位置信息。
S6:判断人体头部关键点空间位置的高度是否低于一预设阈值,如小于,数据处理终端1进行报警,否则,返回步骤S3。
本发明实施例的一种基于多视图的人体跌倒报警方法,采用多个摄像头2获取多视图图像,并通过基于深度学习的人体姿态检测模型检测人体姿态,发现跌倒状态,实现自动报警。具体以下特点:
1、采用多个摄像头2同时监测老人生活环境,获取多视图图像,便于解决人体监测过程中身体被遮挡的问题,从而提高监测的准确性,防止误报情况的发生。
2、通过基于深度学习的人体姿态检测模型,从多角度实时检测人体关键点,实现对人体姿态的实时判断,该方法无需佩戴任何姿态监测装置,减少了对人体的束缚。
3、综合利用多视图位置联合估计模型和人体姿态检测模型,判断人体在空间中的位置以及人体是否处于跌倒状态,一旦出现跌倒,启动自动报警装置。
传统的老人跌倒报警装置只有手动触发功能,老人跌倒后需要主动按下报警装置,才能传达报警信息。而本专利采用的终端报警系统可实现自动报警功能,即当终端系统发现老人头部关键点低于设定的阈值时,会自动进行报警。
穿戴式人体姿态检测装置主要通过穿戴式传感器对老人姿态进行检测,而本专利无需穿戴任何传感器装置就可实现老人姿态的检测和识别。这种人体姿态的自动检测和识别是通过基于深度学习的人体关键点检测算法所获得,该方法可检测到包含老人头部关键点在内的17个人体关键点,当头部关键点空间位置低于设定阈值时,即可判定老人已跌倒。
基于视觉信息技术的跌倒姿势识别系统主要采用多目图像和深度图像的融合提取骨骼特征,并通过分类算法判断人体姿态,而本专利不需要获取深度图像,也不把人体姿态识别看作是姿态分类问题。通过布置于老人居住环境的多个摄像头2可以获取多视图图像,融合多视图位置估计和基于深度学习的人体姿态检测算法,可以得到实时人体姿态信息。整个系统设备连接简单,实时性强。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于多视图的人体跌倒报警方法,包括步骤:
S1:设置一基于多视图的人体跌倒报警系统,所述基于多视图的人体跌倒报警系统包括一数据处理终端和连接所述数据处理终端的多个摄像头,所述摄像头设置于一监测区域旁且个所述摄像头的拍摄角度不同;
S2:根据所述摄像头获取的多视图图像构建一多视图位置联合估计模型;
S3:采用多个所述摄像头同步拍摄所述监测区域,得到多视图人体监测视频;
S4:利用所述多视图人体监测视频构建人体姿态模型;
S5:获取人体头部关键点空间位置信息;
S6:判断所述人体头部关键点空间位置的高度是否低于一预设阈值,如小于,所述数据处理终端进行报警,否则,返回步骤S3。
2.根据权利要求1所述的基于多视图的人体跌倒报警方法,其特征在于,所述S2步骤进一步包括步骤:
S21:通过多摄像头对预设的一棋盘格进行同步拍摄,采用OpenCV中的grab算法同步打开多摄像头,并使用retrieve算法同步采集视频帧;
S22:从不同方位对所述棋盘格进行视频采集,并将同步拍摄的视频解析成视频帧,选取每个所述视频的若干所述视频帧,检测出所述视频帧中的特征点,并根据所述特征点得到所述摄像头加的内部参数;
S23:选取所述摄像头的一拍摄空间中的一个同名点和另外三个任意点,采用SolvePNP相机位姿估计方法得到所述摄像头的外部参数;
S24:采用最小二乘法确定所述拍摄空间中人体的位置信息,利用所述人体的位置信息、所述内部参数和所述外部参数建立所述多视图位置联合估计模型。
3.根据权利要求1所述的基于多视图的人体跌倒报警方法,其特征在于,所述人体姿态模型用于以KeypointRCNN_ResNet50_fpn网络为主干特征网络提取所述多视图人体监测视频中人体的17个人体关键点信息,所述人体关键点信息包括人体头部关键点像素坐标。
4.根据权利要求3所述的基于多视图的人体跌倒报警方法,其特征在于,所述S5步骤中,根据所述人体头部关键点像素坐标利用多视图位置联合估计模型并采用最小二乘法确定人体头部关键点在真实空间中的位置信息,获得所述人体头部关键点空间位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118861.XA CN112907892A (zh) | 2021-01-28 | 2021-01-28 | 基于多视图的人体跌倒报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118861.XA CN112907892A (zh) | 2021-01-28 | 2021-01-28 | 基于多视图的人体跌倒报警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907892A true CN112907892A (zh) | 2021-06-04 |
Family
ID=76119746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110118861.XA Pending CN112907892A (zh) | 2021-01-28 | 2021-01-28 | 基于多视图的人体跌倒报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907892A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113497921A (zh) * | 2021-07-07 | 2021-10-12 | 合肥英睿系统技术有限公司 | 一种监护方法及智能监护系统 |
CN114419842A (zh) * | 2021-12-31 | 2022-04-29 | 浙江大学台州研究院 | 一种基于人工智能的辅助用户至智能马桶的跌倒报警方法及装置 |
WO2023138445A1 (zh) * | 2022-01-24 | 2023-07-27 | 索尼半导体解决方案公司 | 用于检测人摔倒、人的拾取或放回行为的检测方法和设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080026326A (ko) * | 2006-09-20 | 2008-03-25 | 연세대학교 산학협력단 | 주성분 요소방법을 이용한 노인 움직임 영상 감시 장치 및방법 |
CN103310233A (zh) * | 2013-06-28 | 2013-09-18 | 青岛科技大学 | 同类行为多视图间相似度挖掘方法及行为识别方法 |
CN107038402A (zh) * | 2015-09-30 | 2017-08-11 | 富士通株式会社 | 用于患者移动检测的检测方法及检测设备 |
CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大(北京)智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
CN109308722A (zh) * | 2018-11-26 | 2019-02-05 | 陕西远航光电有限责任公司 | 一种基于主动视觉的空间位姿测量系统及方法 |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
CN110472473A (zh) * | 2019-06-03 | 2019-11-19 | 浙江新再灵科技股份有限公司 | 基于姿态估计检测扶梯上人跌倒的方法 |
CN110477925A (zh) * | 2019-08-23 | 2019-11-22 | 广东省智能制造研究所 | 一种针对敬老院老人的跌倒检测与预警方法及系统 |
CN110598590A (zh) * | 2019-08-28 | 2019-12-20 | 清华大学 | 基于多视角相机的紧密交互人体姿态估计方法及装置 |
CN110751039A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 多视图3d人体姿态估计方法及相关装置 |
CN110795982A (zh) * | 2019-07-04 | 2020-02-14 | 哈尔滨工业大学(深圳) | 一种基于人体姿态分析的表观视线估计方法 |
CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
CN111178134A (zh) * | 2019-12-03 | 2020-05-19 | 广东工业大学 | 一种基于深度学习与网络压缩的摔倒检测方法 |
CN111243229A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种老年人跌倒风险评估方法及系统 |
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 |
CN111291718A (zh) * | 2020-02-28 | 2020-06-16 | 上海商汤智能科技有限公司 | 行为预测方法及装置、步态识别方法及装置 |
CN111582158A (zh) * | 2020-05-07 | 2020-08-25 | 济南浪潮高新科技投资发展有限公司 | 一种基于人体姿态估计的摔倒检测方法 |
CN111881898A (zh) * | 2020-09-27 | 2020-11-03 | 西南交通大学 | 基于单目rgb图像的人体姿态检测方法 |
CN112115827A (zh) * | 2020-09-09 | 2020-12-22 | 中南大学 | 基于人体姿态动态特征的跌倒行为识别方法 |
-
2021
- 2021-01-28 CN CN202110118861.XA patent/CN112907892A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080026326A (ko) * | 2006-09-20 | 2008-03-25 | 연세대학교 산학협력단 | 주성분 요소방법을 이용한 노인 움직임 영상 감시 장치 및방법 |
CN103310233A (zh) * | 2013-06-28 | 2013-09-18 | 青岛科技大学 | 同类行为多视图间相似度挖掘方法及行为识别方法 |
CN107038402A (zh) * | 2015-09-30 | 2017-08-11 | 富士通株式会社 | 用于患者移动检测的检测方法及检测设备 |
CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大(北京)智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
CN109308722A (zh) * | 2018-11-26 | 2019-02-05 | 陕西远航光电有限责任公司 | 一种基于主动视觉的空间位姿测量系统及方法 |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
CN110472473A (zh) * | 2019-06-03 | 2019-11-19 | 浙江新再灵科技股份有限公司 | 基于姿态估计检测扶梯上人跌倒的方法 |
CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
CN110795982A (zh) * | 2019-07-04 | 2020-02-14 | 哈尔滨工业大学(深圳) | 一种基于人体姿态分析的表观视线估计方法 |
CN110477925A (zh) * | 2019-08-23 | 2019-11-22 | 广东省智能制造研究所 | 一种针对敬老院老人的跌倒检测与预警方法及系统 |
CN110598590A (zh) * | 2019-08-28 | 2019-12-20 | 清华大学 | 基于多视角相机的紧密交互人体姿态估计方法及装置 |
CN110751039A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 多视图3d人体姿态估计方法及相关装置 |
CN111178134A (zh) * | 2019-12-03 | 2020-05-19 | 广东工业大学 | 一种基于深度学习与网络压缩的摔倒检测方法 |
CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
CN111243229A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种老年人跌倒风险评估方法及系统 |
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 |
CN111291718A (zh) * | 2020-02-28 | 2020-06-16 | 上海商汤智能科技有限公司 | 行为预测方法及装置、步态识别方法及装置 |
CN111582158A (zh) * | 2020-05-07 | 2020-08-25 | 济南浪潮高新科技投资发展有限公司 | 一种基于人体姿态估计的摔倒检测方法 |
CN112115827A (zh) * | 2020-09-09 | 2020-12-22 | 中南大学 | 基于人体姿态动态特征的跌倒行为识别方法 |
CN111881898A (zh) * | 2020-09-27 | 2020-11-03 | 西南交通大学 | 基于单目rgb图像的人体姿态检测方法 |
Non-Patent Citations (1)
Title |
---|
刘小彬等: "基于BLE技术的可穿戴组合式人体姿态检测系统", 《实验科学与技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113497921A (zh) * | 2021-07-07 | 2021-10-12 | 合肥英睿系统技术有限公司 | 一种监护方法及智能监护系统 |
CN114419842A (zh) * | 2021-12-31 | 2022-04-29 | 浙江大学台州研究院 | 一种基于人工智能的辅助用户至智能马桶的跌倒报警方法及装置 |
WO2023138445A1 (zh) * | 2022-01-24 | 2023-07-27 | 索尼半导体解决方案公司 | 用于检测人摔倒、人的拾取或放回行为的检测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907892A (zh) | 基于多视图的人体跌倒报警方法 | |
CN109919132B (zh) | 一种基于骨架检测的行人跌倒识别方法 | |
CN109887040B (zh) | 面向视频监控的运动目标主动感知方法及系统 | |
KR101355974B1 (ko) | 복수의 객체를 추적하는 객체 추적 방법 및 장치 | |
WO2018101247A1 (ja) | 画像認識撮像装置 | |
JP5854806B2 (ja) | 映像処理装置および映像処理方法 | |
KR100822476B1 (ko) | 원격 응급상황 모니터링 시스템 및 방법 | |
CN102306304A (zh) | 人脸遮挡物识别方法及其装置 | |
CN111881898B (zh) | 基于单目rgb图像的人体姿态检测方法 | |
JP3924171B2 (ja) | 監視対象物を識別する監視装置 | |
Joshi et al. | A fall detection and alert system for an elderly using computer vision and Internet of Things | |
CN110363087B (zh) | 一种长基线双目人脸活体检测方法及系统 | |
CN112084813A (zh) | 异常目标的检测方法、装置及存储介质 | |
CN102117484A (zh) | 使用图像色彩信息的处理系统、处理方法与图像分类方法 | |
KR20090116102A (ko) | 보안 시스템 및 보안 방법 | |
CN110910449A (zh) | 识别物体三维位置的方法和系统 | |
CN109711290A (zh) | 一种基于双摄像头的虹膜识别方法和设备 | |
JP5701657B2 (ja) | 異常検知装置 | |
CN112070185A (zh) | 基于Re-ID的非接触式发烧人员追踪系统及其追踪方法 | |
CN115731563A (zh) | 一种远距离监控人员倒地识别方法 | |
CN114565993B (zh) | 基于人脸识别和猫眼的智能锁系统 | |
KR101441285B1 (ko) | 다중 신체 추적 방법 및 이를 지원하는 단말 장치 | |
CN215298410U (zh) | 一种入侵识别系统 | |
CN108986407B (zh) | 一种用于独居老人的安全侦测系统及方法 | |
CN108846996B (zh) | 一种摔倒侦测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |