CN112926407A - 基于校园欺凌的求救信号检测方法、装置及系统 - Google Patents
基于校园欺凌的求救信号检测方法、装置及系统 Download PDFInfo
- Publication number
- CN112926407A CN112926407A CN202110141569.XA CN202110141569A CN112926407A CN 112926407 A CN112926407 A CN 112926407A CN 202110141569 A CN202110141569 A CN 202110141569A CN 112926407 A CN112926407 A CN 112926407A
- Authority
- CN
- China
- Prior art keywords
- image
- distress signal
- probability
- campus
- person
- 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
- 230000009429 distress Effects 0.000 title claims abstract description 131
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 230000008921 facial expression Effects 0.000 claims abstract description 39
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 abstract description 13
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- G06V40/174—Facial expression recognition
-
- 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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于校园欺凌的求救信号检测方法、装置及系统,其中,基于校园欺凌的求救信号检测方法,包括:获取样本图像数据;所述样本图像数据包括样本图像帧;对每一所述样本图像帧进行检测,得到人物图像;对所述人物图像进行标识,得到第一图像区域;根据预设的手势识别模型识别所述第一图像区域中的人物手势,输出第一求救概率;若所述第一求救概率大于第一预设概率,识别出所述第一图像区域的人物脸部图像;对所述人物脸部图像进行标识,得到第二图像区域;根据预设的表情识别模型识别所述第二图像区域中的人物脸部表情;根据所述人物脸部表情检测求救信号。本申请的检测方法,响应快,准确度高。
Description
技术领域
本申请涉及校园监控技术领域,特别涉及一种基于校园欺凌的求救信号检测方法、装置及系统。
背景技术
校园欺凌一直以来都是社会的热点关注问题之一,校园欺凌不仅对受害者在生理上造成伤害,还会留下严重的心理阴影。当学生在校园里受到其他同学欺凌时,一般难以脱身去报告给安保人员或老师,而且旁观者也不敢主动劝说或告知老师,以至于受欺凌的学生任由其他同学长时间欺凌,轻则造成身体上的伤害,重则会造成生命威胁。
相关技术中,通常采用摄像头对学校各个场所进行监控。通过摄像头来采集校园内的实时画面后发送给监控室,由监控人员在控室进行监控,采用此种方式,需要监控人员对画面进行实时监控,并且需要监控多个摄像头的画面,精力消耗大,此外,多个摄像头的画面也造成了响应速度比较慢,不能及时发现欺凌行为并及时赶到现场进行制止。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种基于校园欺凌的求救信号检测方法、装置、系统及计算机可读存储介质,能够自动监测校园里各个场景的实时情况,并及时发现欺凌事件,不需人员参与,响应速度快。
根据本申请的第一方面实施例的基于校园欺凌的求救信号检测方法,包括:
获取样本图像数据;所述样本图像数据包括样本图像帧;
对每一所述样本图像帧进行检测,得到人物图像;
对所述人物图像进行标识,得到第一图像区域;
根据预设的手势识别模型识别所述第一图像区域中的人物手势,输出第一求救概率;
若所述第一求救概率大于第一预设概率,识别出所述第一图像区域的人物脸部图像;
对所述人物脸部图像进行标识,得到第二图像区域;
根据预设的表情识别模型识别所述第二图像区域中的人物脸部表情;
根据所述人物脸部表情检测求救信号。
根据本申请实施例的基于校园欺凌的求救信号检测方法,至少具有如下有益效果:首先,通过获取样本图像数据,可以实现对数据的快速初步处理,有利于减少冗余度和提高传送效率,有效提高响应速度;之后,对样本图像帧进行检测,把检测到的人物图像进行标识得到第一图像区域,把检测到的人物图像进行标识,使后期识别信息更加精确;此后,采用预设的手势识别模型进行第一重识别,识别第一图像区域中的人物手势并输出第一求救概率,如果第一求救概率符合求救信号的概率要求,则会进行第二重识别,进一步识别第一图像区的人物脸部图像,把得到的人物脸部图像进行标识形成第二图像区域,然后就可以根据预设的表情识别模型识别第二图像区域中的人物脸部表情,把检测到的人物脸部表情图像进行标识,使后期识别信息更加精确,可以快速而准确地检测到求救信号。因此,本申请实施例的基于校园欺凌的求救信号检测方法,去除了人工参与导致的效率低下问题,并能够自动监测校园里各个场景的实时情况,及时发现欺凌事件,检测效果好,响应速度快,通过双重识别,也有效降低了误判概率的发生,准确度高。
根据本申请的一些实施例,所述根据所述人物脸部表情检测求救信号,包括:
根据所述人物脸部表情输出第二求救概率;
根据所述第二求救概率检测求救信号。
根据本申请的一些实施例,所述根据第所述二求救概率检测所述求救信号,包括:
比较所述第二求救概率与第二预设概率的大小关系;
若所述第二求救概率大于所述第二预设概率,则确定检测到所述求救信号。
根据本申请的一些实施例,所述第一预设概率为50%。
根据本申请的一些实施例,所述第二预设概率为50%。
根据本申请的一些实施例,本申请的第一方面实施例的基于校园欺凌的求救信号检测方法,还包括:
根据所述求救信号获取求救位置信息。
根据本申请的一些实施例,所述根据求救信号获取求救位置信息,包括:
根据与所述求救信号对应的所述样本图像帧,获取与所述样本图像帧对应的图像获取设备的编号;
追溯与编号一一对应的所述图像获取设备的位置;
获取所述图像获取设备的位置,得到所述求救位置信息。
根据本申请的第二方面实施例的基于校园欺凌的求救信号检测装置,包括:
图像数据获取模块,用于获取样本图像数据;所述样本图像数据包括样本图像帧;
图像检测模块,用于对每一所述样本图像帧进行检测,得到人物图像;
第一图像标识模块,用于对所述人物图像进行标识,得到第一图像区域;
手势识别模块,用于根据预设的手势识别模型识别所述第一图像区域中的人物手势,输出第一求救概率;
脸部识别模块,用于在所述第一求救概率大于第一预设概率时,识别出所述第一图像区域的人物脸部图像;
第二图像标识模块,用于对所述人物脸部图像进行标识,得到第二图像区域;
脸部表情识别模块,用于根据预设的表情识别模型识别所述第二图像区域中的人物脸部表情;
信号检测模块,用于根据所述人物脸部表情检测求救信号。
根据本申请实施例的基于校园欺凌的求救信号检测装置,至少具有如下有益效果:本申请实施例的基于校园欺凌的求救信号检测装置,能够执行第一方面实施例的基于校园欺凌的求救信号检测方法,首先,通过获取样本图像数据,可以实现对数据的快速初步处理,有利于减少冗余度和提高传送效率,有效提高响应速度;之后,对样本图像帧进行检测,把检测到的人物图像进行标识得到第一图像区域,把检测到的人物图像进行标识,使后期识别信息更加精确;此后,采用预设的手势识别模型进行第一重识别,识别第一图像区域中的人物手势并输出第一求救概率,如果第一求救概率符合求救信号的概率要求,则会进行第二重识别,进一步识别第一图像区的人物脸部图像,把得到的人物脸部图像进行标识形成第二图像区域,然后就可以根据预设的表情识别模型识别第二图像区域中的人物脸部表情,把检测到的人物脸部表情图像进行标识,使后期识别信息更加精确,可以快速而准确地检测到求救信号。因此,本申请实施例的基于校园欺凌的求救信号检测装置,用于执行第一方面实施例的基于校园欺凌的求救信号检测方法,去除了人工参与导致的效率低下问题,并能够自动监测校园里各个场景的实时情况,及时发现欺凌事件,检测效果好,响应速度快,通过双重识别,也有效降低了误判概率的发生,准确度高。
根据本申请的第三方面实施例的基于校园欺凌的求救信号检测系统,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,所述处理器执行至少一个所述程序以实现如本申请第一方面实施例的基于校园欺凌的求救信号检测方法。
根据本申请的第四方面实施例的计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如本申请第一方面实施例的基于校园欺凌的求救信号检测方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一个实施例所提供的基于校园欺凌的求救信号检测方法的流程示意图;
图2为本申请一个实施例所提供的基于校园欺凌的求救信号检测装置的连接示意图;
图3为本申请一个实施例所提供的基于校园欺凌的求救信号检测系统的结构示意图。
附图标记:
图像数据获取模块100、图像检测模块110、第一图像标识模块120、手势识别模块130、脸部识别模块140、第二图像标识模块150、脸部表情识别模块160、信号检测模块170、存储器200、处理器300。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语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。
在本申请的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面对卷积神经网络模型作简单阐述。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为“平移不变人工神经网络”。
卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习,有稳定的效果且对数据没有额外的特征工程要求。
multi-stage架构的卷积神经网络模型,为分层式架构,用于对识别任务进行分步完成。首先,对输入图像中的所有人物进行检测并用矩形分别包围,形成多个图像区域,然后对每个图像区域中的人物是否在做举手求救的动作进行识别;若人物的动作为举手求救,为了防止该动作为恶作剧或偶然性发生,进一步对该人物区域内的脸部进行检测,同样用矩阵包围形成脸部区域,再对该脸部区域的表情是否为受欺负进行识别;若是,则该输入图像中存在求救信号。
下面参照图1描述根据本申请实施例的基于校园欺凌的求救信号检测方法。
如图1所示,基于校园欺凌的求救信号检测方法,包括:
步骤S100,获取样本图像数据;样本图像数据包括样本图像帧;
步骤S110,对每一样本图像帧进行检测,得到人物图像;
步骤S120,对人物图像进行标识,得到第一图像区域;
步骤S130,根据预设的手势识别模型识别第一图像区域中的人物手势,输出第一求救概率;
步骤S140,若第一求救概率大于第一预设概率,识别出第一图像区域的人物脸部图像;
步骤S150,对人物脸部图像进行标识,得到第二图像区域;
步骤S160,根据预设的表情识别模型识别第二图像区域中的人物脸部表情;
步骤S170,根据人物脸部表情检测求救信号。
首先,通过获取样本图像数据,可以实现对数据的快速初步处理,有利于减少冗余度和提高传送效率,有效提高响应速度;之后,对样本图像帧进行检测,把检测到的人物图像进行标识得到第一图像区域,把检测到的人物图像进行标识,使后期识别信息更加精确;此后,采用预设的手势识别模型进行第一重识别,识别第一图像区域中的人物手势并输出第一求救概率,如果第一求救概率符合求救信号的概率要求,则会进行第二重识别,进一步识别第一图像区的人物脸部图像,把得到的人物脸部图像进行标识形成第二图像区域,然后就可以根据预设的表情识别模型识别第二图像区域中的人物脸部表情,把检测到的人物脸部表情图像进行标识,使后期识别信息更加精确,可以快速而准确地检测到求救信号。因此,本申请实施例的基于校园欺凌的求救信号检测方法,去除了人工参与导致的效率低下问题,并能够自动监测校园里各个场景的实时情况,及时发现欺凌事件,响应速度快,检测效果好,通过双重识别,也有效降低了误判概率的发生,准确度高。
可以理解的是,如图1所示,获取样本图像数据,包括:
采集校园里各个场景的实时情况图像数据;
根据采样频率,对图像数据进行采样形成样本图像数据。
可以理解的是,通过监控摄像机捕捉图像的方式采集图像数据。采用高清监控摄像机进行图像捕捉,为图像采样提供了有力的支持。
可以理解的是,为了减少冗余度和提高传输效率,对采集到的图像数据进行采样,得到样本图像数据。具体地,采样率为sample_rate=1/F,指连续F帧进行采样一次;样本图像数据的帧率为:sample_fps=sample_rate*camera_fps,其中camera_fps为监控摄像机获取图像数据的帧率。通过对获取的图像数据进行采样有利于减少数据的冗余度和提高数据传送效率。进一步地,camera_fps预设为30帧/每秒,F设置为6,那么,sample_fps为5帧/每秒,即每秒采集5帧图像。
可以理解的是,如图1所示,对每一样本图像帧进行检测,得到人物图像,包括:
根据预设的卷积神经网络模型检测样本图像帧,得到人物图像。
卷积神经网络模型通过人物和非人物的数据集进行训练过,能够快速而准确的识别出人物图像。
可以理解的是,如图1所示,根据预设的手势识别模型识别第一图像区域中的人物手势,输出第一求救概率,包括:
根据预设的卷积神经网络模型识别第一图像区域中的人物手势,输出第一求救概率。
卷积神经网络模型通过举手求救动作和非举手求救动作的数据集进行训练过,能够对人物手势进行快速而准确的识别。
可以理解的是,如图1所示,识别出第一图像区域的人物脸部图像,包括:
根据预设的卷积神经网络模型识别出第一图像区域的人物脸部图像。
卷积神经网络模型通过脸部和非脸部的数据集进行训练过,能够对人物脸部图像进行快速而准确的识别。
可以理解的是,如图1所示,根据预设的表情识别模型识别第二图像区域中的人物脸部表情,包括:
根据预设的卷积神经网络模型识别第二图像区域中的人物脸部表情。
卷积神经网络模型通过受欺负的表情和非受欺负的表情的数据集进行训练过,能够对人物脸部表情进行快速而准确的识别。
进一步地,上述卷积神经网络模型,为multi-stage架构,采用multi-stage架构的卷积神经网络模型对样本图像帧进行逐一检测。
multi-stage架构是指卷积神经网络模型采用分层式架构,对识别任务进行分步完成,有助于分化步骤进行逐步识别。
可以理解的是,如图1所示,对人物图像进行标识,得到第一图像区域,包括:
采用矩形包围采样图像中的人物,得到第一图像区域。
矩形包围检测到的人物并形成第一图像区域,以便对第一图像区域的人物作进一步分析,得到更精准的信息。进一步地,还可以通过圆形、椭圆形、正方形、梯形或菱形包围采样图像中的人物,形成第一图像区域。具体地,对每张图片中的人物的手势是否为举手求救的概率进行识别,如果人物需要求救,只需举手示意就可以,方便快捷。
可以理解的是,如图1所示,第一预设概率为50%。
为了提高检测到求救信号的可能性,将第一预设概率设置为50%。
可以理解的是,如图1所示,对人物脸部图像进行标识,得到第二图像区域,包括:
则采用矩形包围人物脸部图像,得到第二图像区域。
矩形包围第一图像区域中的人物脸部形成第二图像区域,以便对第一图像区域的人物作进一步分析,得到更精准的信息。进一步地,还可以通过圆形、椭圆形、正方形、梯形或菱形包围形成第二图像区域。
可以理解的是,如图1所示,根据人物脸部表情检测求救信号,包括:
根据人物脸部表情输出第二求救概率;
根据第二求救概率检测求救信号。
通过人物脸部表情对求救信号进行二次检测,可有效防止恶作剧和偶然误判,并且通过输出第二求救概率可以进行快速检测。
可以理解的是,如图1所示,根据第二求救概率检测求救信号,包括:
比较第二求救概率与第二预设概率的大小关系;
若第二求救概率大于第二预设概率,则确定检测到求救信号。
采用第二预设概率对求救信号进行二次检测,操作简单,便于调节。
可以理解的是,如图1所示,第二预设概率为50%。
为了提高检测到求救信号的可能性,将第二预设概率设置为50%。
可以理解的是,第一预设概率大于50%是指卷积神经网络模型对每张图片中的每个人物的动作是否为举手求救的预测;第二预设概率大于50%是指卷积神经网络模型对每张图片中的每个人物的表情是否为受欺负的预测。
根据本申请的一些实施例,卷积神经网络模型采用multi-stage结构,先把图像中的人物检测出来并用矩形包围表示第一图像区域,用HumanBox简称;接着,识别每个HumanBox属于举手求救手势信号的概率,若概率大于50%,再检测该HumanBox的脸部表情,采用矩形框包围表示该图像区域中的人物脸部,形成第二图像区域,用FaceBox简称,再识别该FaceBox属于受欺负的表情的概率,若概率大于50%,则表示该Humanbox属于真正的求救信号,即该帧图像存在求救信号,可以有效防止恶作剧和偶然误判。
可以理解的是,求救信号与受欺负表情的识别是通过multi-stage结构的卷积神经网络模型实现的。该卷积神经网络模型事前通过人物和非人物、脸部和非脸部、举手求救动作和非举手求救动作、受欺负的表情和非受欺负的表情的数据集进行训练过,使该multi-stage结构的卷积神经网络模型具备对人物和脸部检测的能力和对举手求救动作和受欺负表情的识别能力。当输入图像时,该卷积神经网络模型开始对图像中的人物进行检测,然后识别该人物是否在做举手求救,若卷积神经网络模型的输出的概率为大于50%,则识别该人物在举手求救;接着检测该人物的脸部区域并对该脸部表情进行识别,若卷积神经网络模型的输出概率大于50%,则识别该表情为受欺负的表情。最后,该卷积神经网络模型识别该输入图像中存在求救信号。
可以理解的是,如图1所示,根据本申请实施例的基于校园欺凌的求救信号检测方法,还包括:
步骤S180,根据求救信号获取求救位置信息。
检测到存在求救信号后,通过进一步获取求救位置信息,可以为下一步制止欺凌事件提供有力支持。
可以理解的是,如图1所示,根据求救信号获取求救位置信息,包括:
根据与求救信号对应的样本图像帧,获取与样本图像帧对应的图像获取设备的编号;
追溯与编号一一对应的图像获取设备的位置;
获取图像获取设备的位置,得到求救位置信息。
响应速度快,能够及时追溯图像获取设备的位置。
可以理解的是,根据求救信号发送预警信号和求救位置信息。
具体地,将预警信号和求救位置信息发送至云端或云平台。进一步地,智能终端通信连接至云端或云平台,智能终端用于获取预警信号和求救位置信息。智能终端,如手机,当手机获取预警信号和求救位置信息时,安保人员和老师可通过获取的预警信号和求救位置信息,及时赶到现场制止欺凌事件,防止事态进一步恶化。
具体地,预警信号为一个指令,当检测到求救信号时自动发出。指令自动发出,响应数度快,能够使预警信号快速发出。
具体地,位置信息为求救信号的发出源,当检测到图像中存在求救信号时,便追溯到该帧图像的图像获取设备,而每个图像获取设备都有编号:num:{13…},每个编号都对应着校园的一个具体位置。具体地,图像获取设备为监控摄像机。
下面参照图2描述根据本申请实施例的基于校园欺凌的求救信号检测装置。
如图2所示,基于校园欺凌的求救信号检测装置,包括:
图像数据获取模块100,用于获取样本图像数据;样本图像数据包括样本图像帧;
图像检测模块110,用于对每一样本图像帧进行检测,得到人物图像;
第一图像标识模块120,用于对人物图像进行标识,得到第一图像区域;
手势识别模块130,用于根据预设的手势识别模型识别第一图像区域中的人物手势,输出第一求救概率;
脸部识别模块140,用于在第一求救概率大于第一预设概率时,识别出第一图像区域的人物脸部图像;
第二图像标识模块150,用于对人物脸部图像进行标识,得到第二图像区域;
脸部表情识别模块160,用于根据预设的表情识别模型识别第二图像区域中的人物脸部表情;
信号检测模块170,用于根据人物脸部表情检测求救信号。
首先,通过图像数据获取模块100获取样本图像数据,可以实现对数据的快速初步处理,有利于减少冗余度和提高传送效率,有效提高响应速度;之后,图像检测模块110对样本图像帧进行检测,第一图像标识模块120把通过图像检测模块110检测到的人物图像进行标识得到第一图像区域,把检测到的人物图像进行标识,使后期识别信息更加精确;此后,手势识别模块130通过采用预设的手势识别模型进行第一重识别,识别第一图像区域中的人物手势并输出第一求救概率,如果第一求救概率符合求救信号的概率要求,则通过脸部识别模块140进行第二重识别,进一步识别第一图像区的人物脸部图像,第二图像标识模块150把得到的人物脸部图像进行标识形成第二图像区域,然后脸部表情识别模块160就可以根据预设的表情识别模型识别第二图像区域中的人物脸部表情,把检测到的人物脸部表情图像进行标识,使之后的信号检测模块170检测求救信号更加精确,可以快速而准确地检测到求救信号。因此,本申请实施例的基于校园欺凌的求救信号检测装置,去除了人工参与导致的效率低下问题,并能够自动监测校园里各个场景的实时情况,及时发现欺凌事件,检测效果好,响应速度快,通过双重识别,也有效降低了误判概率的发生,准确度高。
下面参照图3描述根据本申请实施例的基于校园欺凌的求救信号检测系统。
如图3所示,本申请实施例的基于校园欺凌的求救信号检测系统,可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
具体地,基于校园欺凌的求救信号检测系统,包括:
至少一个存储器200;
至少一个处理器300;
至少一个程序;
程序被存储在存储器200中,处理器300执行至少一个程序以实现上述的基于校园欺凌的求救信号检测方法。图3以一个处理器300为例。
处理器300和存储器200可以通过总线或其他方式连接,图3以通过总线连接为例。
存储器200作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及信号,如本申请实施例中的基于校园欺凌的求救信号检测系统对应的程序指令/信号。处理器300通过运行存储在存储器200中的非暂态软件程序、指令以及信号,从而执行各种功能应用以及数据处理,即实现上述方法实施例的基于校园欺凌的求救信号检测方法。
存储器200可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储上述基于校园欺凌的求救信号检测方法的相关数据等。此外,存储器200可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器200可选包括相对于处理器300远程设置的存储器,这些远程存储器可以通过网络连接至该基于校园欺凌的求救信号检测系统。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。
一个或者多个信号存储在存储器200中,当被一个或者多个处理器300执行时,执行上述任意方法实施例中的基于校园欺凌的求救信号检测方法。例如,执行以上描述的图1中的方法步骤S100至S180。
下面参照图3描述根据本申请实施例的计算机可读存储介质。
如图3所示,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器300执行,例如,被图3中的一个处理器300执行,可使得上述一个或多个处理器300执行上述方法实施例中的基于校园欺凌的求救信号检测方法。例如,执行以上描述的图1中的方法步骤S100至S180。
以上所描述的装置实施例仅仅是示意性的,其中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。
通过以上的实施方式的描述,本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质和通信介质。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读信号、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.基于校园欺凌的求救信号检测方法,其特征在于,包括:
获取样本图像数据;所述样本图像数据包括样本图像帧;
对每一所述样本图像帧进行检测,得到人物图像;
对所述人物图像进行标识,得到第一图像区域;
根据预设的手势识别模型识别所述第一图像区域中的人物手势,输出第一求救概率;
若所述第一求救概率大于第一预设概率,识别出所述第一图像区域的人物脸部图像;
对所述人物脸部图像进行标识,得到第二图像区域;
根据预设的表情识别模型识别所述第二图像区域中的人物脸部表情;
根据所述人物脸部表情检测求救信号。
2.根据权利要求1的基于校园欺凌的求救信号检测方法,其特征在于,所述根据所述人物脸部表情检测求救信号,包括:
根据所述人物脸部表情输出第二求救概率;
根据所述第二求救概率检测求救信号。
3.根据权利要求2的基于校园欺凌的求救信号检测方法,其特征在于,所述根据第所述二求救概率检测所述求救信号,包括:
比较所述第二求救概率与第二预设概率的大小关系;
若所述第二求救概率大于所述第二预设概率,则确定检测到所述求救信号。
4.根据权利要求3的基于校园欺凌的求救信号检测方法,其特征在于,所述第一预设概率为50%。
5.根据权利要求4的基于校园欺凌的求救信号检测方法,其特征在于,所述第二预设概率为50%。
6.根据权利要求1的基于校园欺凌的求救信号检测方法,其特征在于,还包括:
根据所述求救信号获取求救位置信息。
7.根据权利要求6的基于校园欺凌的求救信号检测方法,其特征在于,所述根据求救信号获取求救位置信息,包括:
根据与所述求救信号对应的所述样本图像帧,获取与所述样本图像帧对应的图像获取设备的编号;
追溯与编号一一对应的所述图像获取设备的位置;
获取所述图像获取设备的位置,得到所述求救位置信息。
8.基于校园欺凌的求救信号检测装置,其特征在于,包括:
图像数据获取模块,用于获取样本图像数据;所述样本图像数据包括样本图像帧;
图像检测模块,用于对每一所述样本图像帧进行检测,得到人物图像;
第一图像标识模块,用于对所述人物图像进行标识,得到第一图像区域;
手势识别模块,用于根据预设的手势识别模型识别所述第一图像区域中的人物手势,输出第一求救概率;
脸部识别模块,用于在所述第一求救概率大于第一预设概率时,识别出所述第一图像区域的人物脸部图像;
第二图像标识模块,用于对所述人物脸部图像进行标识,得到第二图像区域;
脸部表情识别模块,用于根据预设的表情识别模型识别所述第二图像区域中的人物脸部表情;
信号检测模块,用于根据所述人物脸部表情检测求救信号。
9.基于校园欺凌的求救信号检测系统,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,所述处理器执行至少一个所述程序以实现如权利要求1至7任意一项所述的基于校园欺凌的求救信号检测方法。
10.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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的基于校园欺凌的求救信号检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141569.XA CN112926407A (zh) | 2021-02-02 | 2021-02-02 | 基于校园欺凌的求救信号检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141569.XA CN112926407A (zh) | 2021-02-02 | 2021-02-02 | 基于校园欺凌的求救信号检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926407A true CN112926407A (zh) | 2021-06-08 |
Family
ID=76169477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110141569.XA Pending CN112926407A (zh) | 2021-02-02 | 2021-02-02 | 基于校园欺凌的求救信号检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926407A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11272023B1 (en) * | 2020-08-26 | 2022-03-08 | GameSafe Inc. | Parental monitoring of multiplayer game chat |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334671A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨工业大学 | 一种基于表情识别的暴力侵害检测系统及检测方法 |
CN110996052A (zh) * | 2019-11-26 | 2020-04-10 | 绍兴天宏激光科技有限公司 | 基于图像识别的紧急报警方法及系统 |
WO2020168468A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳市汇顶科技股份有限公司 | 基于表情识别的呼救方法、装置、电子设备及存储介质 |
CN111723671A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种智慧灯杆呼救系统及方法 |
CN112132095A (zh) * | 2020-09-30 | 2020-12-25 | Oppo广东移动通信有限公司 | 危险状态的识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-02 CN CN202110141569.XA patent/CN112926407A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168468A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳市汇顶科技股份有限公司 | 基于表情识别的呼救方法、装置、电子设备及存储介质 |
CN110334671A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨工业大学 | 一种基于表情识别的暴力侵害检测系统及检测方法 |
CN110996052A (zh) * | 2019-11-26 | 2020-04-10 | 绍兴天宏激光科技有限公司 | 基于图像识别的紧急报警方法及系统 |
CN111723671A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种智慧灯杆呼救系统及方法 |
CN112132095A (zh) * | 2020-09-30 | 2020-12-25 | Oppo广东移动通信有限公司 | 危险状态的识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王晓贺: "基于情绪识别技术的车载智能报警终端系统设计研究", 《工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11272023B1 (en) * | 2020-08-26 | 2022-03-08 | GameSafe Inc. | Parental monitoring of multiplayer game chat |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446669B (zh) | 运动识别方法、装置及存储介质 | |
US20190034734A1 (en) | Object classification using machine learning and object tracking | |
WO2018188453A1 (zh) | 人脸区域的确定方法、存储介质、计算机设备 | |
CN110795963A (zh) | 一种基于人脸识别的监控方法、装置及设备 | |
CN109040693B (zh) | 智能告警系统及方法 | |
CN112052815B (zh) | 一种行为检测方法、装置及电子设备 | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
CN108898079A (zh) | 一种监控方法及装置、存储介质、拍摄终端 | |
WO2023279597A1 (en) | Systems and methods for video analysis | |
CN111241883A (zh) | 防止远程被测人员作弊的方法和装置 | |
Xue et al. | Open set sheep face recognition based on Euclidean space metric | |
US10621424B2 (en) | Multi-level state detecting system and method | |
CN113111782A (zh) | 基于显著对象检测的视频监控方法及装置 | |
CN112990057A (zh) | 一种人体姿态识别方法、装置及电子设备 | |
CN112926407A (zh) | 基于校园欺凌的求救信号检测方法、装置及系统 | |
CN115205581A (zh) | 一种钓鱼检测方法、钓鱼检测设备和计算机可读存储介质 | |
CN113361469A (zh) | 一种覆盖状态识别方法、装置、设备及存储介质 | |
CN108520611A (zh) | 视频数据监测方法及装置、存储介质、终端 | |
CN113393628A (zh) | 一种智能监控报警方法、系统、智能终端以及存储介质 | |
CN108197614A (zh) | 一种基于人脸识别技术的考场监控摄像机及系统 | |
CN109460077B (zh) | 一种自动跟踪方法、自动跟踪设备及自动跟踪系统 | |
CN116052230A (zh) | 一种掌静脉识别方法、装置、设备及存储介质 | |
CN112926542B (zh) | 一种性别检测方法、装置、电子设备及存储介质 | |
CN112990156B (zh) | 基于视频的最优目标捕捉方法、装置及相关设备 | |
CN111767829B (zh) | 一种活体检测方法、装置、系统及存储介质 |
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: 20210608 |