CN113011280A - 人员接触距离的检测方法、装置、计算机设备和存储介质 - Google Patents

人员接触距离的检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113011280A
CN113011280A CN202110219934.4A CN202110219934A CN113011280A CN 113011280 A CN113011280 A CN 113011280A CN 202110219934 A CN202110219934 A CN 202110219934A CN 113011280 A CN113011280 A CN 113011280A
Authority
CN
China
Prior art keywords
reference point
human body
image frame
determining
persons
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
CN202110219934.4A
Other languages
English (en)
Inventor
刘荔
彭程
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.)
Tsinghua University
Beijing Gridsum Technology Co Ltd
Original Assignee
Tsinghua University
Beijing Gridsum Technology 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 Tsinghua University, Beijing Gridsum Technology Co Ltd filed Critical Tsinghua University
Priority to CN202110219934.4A priority Critical patent/CN113011280A/zh
Publication of CN113011280A publication Critical patent/CN113011280A/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
    • G06V40/103—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人员接触距离的检测方法、装置、计算机设备和存储介质，包括获取检测视频的图像帧；对图像帧进行人员识别，确定检测视频的场景中出现的所有人对应的人体区域；确定每个人体区域的基准点，其中，每个基准点用于表示图像帧中相应人员的位置；获取每个基准点在图像帧中的像素坐标；根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，位置坐标用于表示该基准点在场景中实际所在的位置；根据各个基准点的位置坐标确定人员之间的接触距离。该方法能够极大的提高工作效率，找到密切接触人员，自动化完成场景中各类信息的统计，便于后续回溯和统计分析。

Description

人员接触距离的检测方法、装置、计算机设备和存储介质
技术领域
本发明涉及目标追踪技术领域，特别涉及一种人员接触距离的检测方法、装置、计算机设备和存储介质。
背景技术
在某些潜伏期较长的传染性疾病中，后期流行病学调查难度较高。为了对传染现场进行回溯分析，大部分选择根据现场监控录像，采用人工检查并收集视频中人与人之间的近距离接触的发生时间、次数、时长等信息，当能够明确感染源出现的时刻、所处的位置时，人工核查能够快速且准确的定位出与感染源接触的人员，但由于潜伏期较长，当环境中有大量摄像头、感染源众多、接触频繁复杂时，导致人工检查视频内容的工作耗时严重，影响流行病学调查的效率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种人员接触距离的检测方法，该方法能够极大的提高工作效率，找到密切接触人员，以及自动化完成场景中各类信息的统计，便于后续回溯和统计分析。
本发明的第二个目的在于提出一种人员接触距离的检测装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出了一种人员接触距离的检测方法，包括以下步骤：
获取检测视频的图像帧；
对所述图像帧进行人员识别，确定所述检测视频的场景中出现的所有人对应的人体区域；
确定每个人体区域的基准点，其中，每个基准点用于表示所述图像帧中相应人员的位置；
获取每个基准点在所述图像帧中的像素坐标；
根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，所述位置坐标用于表示该基准点在所述场景中实际所在的位置；
根据各个基准点的位置坐标确定人员之间的接触距离。
本发明实施例的人员接触距离的检测方法，通过在安装了GPU计算核心的服务器上快速且准确的识别出近距离的危险接触行为。整套框架包括一个行人检测模型，一个透视变换的坐标转换方法，以及一个可选的方向识别模型和一个可选的人脸识别模型。在特定的场景下，即存在大量的视频中随时都可能发生疑似患者与其他人的近距离接触时，相对常用的人工核查视频，能够极大的提高工作效率，找到密切接触人员，以及自动化完成场景中各类信息的统计，便于后续回溯和统计分析。
为达到上述目的，本发明第二方面实施例提出了一种人员接触距离的检测装置，包括：
第一获取模块，用于获取检测视频的图像帧；
识别模块，用于对所述图像帧进行人员识别，确定所述检测视频的场景中出现的所有人对应的人体区域；
位置确定模块，用于确定每个人体区域的基准点，其中，每个基准点用于表示所述图像帧中相应人员的位置；
第二获取模块，用于获取每个基准点在所述图像帧中的像素坐标；
变换模块，用于根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，所述位置坐标用于表示该基准点在所述场景中实际所在的位置；
检测模块，用于根据各个基准点的位置坐标确定人员之间的接触距离。
本发明实施例的人员接触距离的检测方法装置，整套框架包括一个行人检测模型，一个透视变换的坐标转换方法，以及一个可选的方向识别模型和一个可选的人脸识别模型。在特定的场景下，即存在大量的视频中随时都可能发生疑似患者与其他人的近距离接触时，相对常用的人工核查视频，能够极大的提高工作效率，找到密切接触人员，以及自动化完成场景中各类信息的统计，便于后续回溯和统计分析。
为达到上述目的，本发明第三方面实施例提出一种计算机设备，包括：至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行如上所述的方法。
为达到上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
本发明附加的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，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的人员接触距离的检测方法流程图；
图2为根据本发明一个实施例的标注框示意图；
图3为根据本发明一个实施例的人员接触距离的检测方法框架图；
图4为根据本发明一个实施例的人员接触距离的检测装置结构示意图；
图5为根据本发明一个实施例的计算机设备一个实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，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，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的人员接触距离的检测方法、装置、计算机设备和存储介质。
首先将参照附图描述根据本发明实施例提出的人员接触距离的检测方法。
图1为根据本发明一个实施例的人员接触距离的检测方法流程图。
如图1所示，该人员接触距离的检测方法包括以下步骤：
步骤S1，获取检测视频的图像帧。
具体地，检测视频可以为道路或商场等需要目标检测的地方设置的摄像头所记录的视频。作为一种获取图像帧的方式，可以通过对检测视频进行解码，得到检测视频的图像帧，一般监控视频每秒有25-30帧图片，解码可以使用开源工具opencv、ffmpeg等，本发明的实施例不进行具体限定。
步骤S2，对图像帧进行人员识别，确定检测视频的场景中出现的所有人对应的人体区域。
进一步地，在本发明的一个实施例中，通过目标检测算法对图像帧进行人员识别，将标注框的区域确定为人体区域。
具体地，为了对检测视频中行人的近距离接触进行检测，需要对图像帧逐帧进行人员识别，找到检测视频中记录的场景中出现的人体。作为一种实施方式，通过目标检测算法进行识别，通过目标检测算法对图像帧进行识别后，在图像帧中以标注框的形式进行标注。
如图2所示，通过目标检测算法逐帧对图像帧进行行人识别，对于图像帧中的人体区域，由上下左右四个像素坐标数值确定，由于如同一个包裹了目标的盒子，称为boundingbox，缩写为bbox。在本发明的实施例中，可以使用公开的算法模型FasterRCNN或其他模型，对此不进行具体限定。对视频中的每一帧，检测算法能够得到这一帧中的所有目标(行人)对应的bbox的列表，包括标注框及其对应的ID。
需要说明的是，在本发明的实施例中，也可以通过其他检测方法对图像帧进行识别以确定人体区域，上述的目标检测方法仅作为一种示例进行说明。在通过目标检测算法进行识别时，通过bbox标注框进行标注。同时，若采用其他检测算法进行识别，也可以通过其他标注方式进行标注，举例而言，可以标注图像帧中人体的轮廓或骨架线等，本发明的实施例不进行具体限制。
步骤S3，确定每个人体区域的基准点，其中，每个基准点用于表示图像帧中相应人员的位置。
步骤S4，获取每个基准点在图像帧中的像素坐标。
具体地，步骤S2确定了图像帧中的人体区域，通过基准点确定人体区域对应的人员在图像帧中的位置，再获取每个基准点在图像帧中的像素坐标。
在本发明的一个实施例中，通过目标检测算法进行人体识别，在图像帧中得到多个标注框，将标注框下边界的中心点确定为基准点。
可以理解的是，在步骤S2中，可以通过多种检测方法识别人体区域，同理，在确定基准点时也对应不同的确定方法。举例而言，如果标注的是人体轮廓或骨架线，则其基准点(立足点)可以通过脚的位置或双脚连线的中心来确定。
步骤S5，根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，位置坐标用于表示该基准点在场景中实际所在的位置。
具体地，通过透视变换将图像帧中的像素坐标转换为现实场景中的位置坐标。
进一步地，在本发明的一个实施例中，预先获取预设参照物的多个参照点(可以是四个或更多)的现实坐标，以及在任意至少一个图像帧中，获取多个参照点的像素坐标，根据像素坐标和现实坐标得到透视变换规则。
其中，参照物可以是走廊或道路，可以根据实际情况在检测视频的场景中进行选择。
具体地，以目标检测算法得到的标注框为例进行说明，在检测视频的各个图像帧中，检测到的人体bbox，其坐标为图像帧的像素坐标，由于摄像头角度一般从高处倾斜向下拍摄，像素坐标不能简单的通过缩放获取人体现实坐标。作为一种可选的实施方式，采用cv2.getPerspectiveTransform()方法，通过透视变换将像素坐标转换为现实坐标，透视转换需要截取视频中的任意一帧进行坐标标注，即对地面平面上的若干个点(例如，可以是四个)标注出其像素坐标和现实坐标，然后得到变换矩阵M，再根据矩阵M对人体立足点的像素坐标转换为现实坐标。
步骤S6，根据各个基准点的位置坐标确定人员之间的接触距离。
进一步地，在本发明的一个实施例中，根据各个基准点的位置坐标确定人员之间的接触距离包括：
如果多个连续图像帧中出现了相同的多个人员、多个连续图像帧中多个人员之间的接触距离均小于预设安全距离阈值、且多个连续图像帧的帧数达到预设帧数阈值的情况下，确定多个人员存在近距离接触。
进一步地，在本发明的一个实施例中，通过人脸识别技术、以及相邻图像帧中人体区域之间的重叠度来确定不同图像帧中出现的人员是否为相同人员。
具体地，作为一种实施方式，对于相邻的两个图像帧，可以根据相邻图像帧中人体区域之间的重叠度来确定不同图像帧中出现的人员是否为相同人员，在具体应用中，可以根据需要进行设定，比如，在重叠度高于某个阈值时，则认定属于同一人体。
需要说明的是，在确定重叠度时，根据人体区域的不同标注方式可以使用不同的重叠度计算方法，本发明实施例不进行具体限定，可以根据实际情况进行选择。
以目标检测算法得到的标注框bbox为例进行说明，对相邻图像帧中检测到的人体区域，通过计算两两bbox之间的IOU对人体的区域进行追踪，即确定下一帧的某个bbox与上一帧的某个bbox实际属于同一个人，根据实际环境中人体移动的速度，IOU可以设置阈值在0.85-0.95之间。
具体地，作为另一种实施方式，在某些应用场景中，可以直接通过人脸识别技术进行特征提取，从而确定相邻两帧中的人体区域是否为同一人体。
可以理解的是，在多数的应用场景中，通过计算相邻图像帧中人体区域的重叠度，可以判断是否属于同一人体。在某些视频很清晰的场景下，图像帧中的人体特点比较明显，可以使用人脸识别技术或其他深度学习模型直接判断是否属于同一人体。具体而言，通过更换目标追踪算法如SORT和DeepSORT。对于步骤S2得到的bbox的列表，步骤S2为其中的每个bbox找到一个ID，可以是数字1、2、3…，代表着该bbox属于视频中出现的第1、2、3…个行人，通过bbox直接寻找对应的行人。
进一步地，通过上述方式确定不同图像帧中出现的人员是否为相同人员后，以预设帧数阈值50帧，预设安全距离阈值0.5米为例，在连续60图像帧中，出现了相同的人员，连续60个图像帧中人员之间的接触距离均小于0.5米，则确定多个人员存在近距离接触。
在上述实施例的基础上，本发明的实施例还包括：
预先获取不同脸朝向的图片数据集，通过图片数据集训练图像分类模型，得到人脸朝向识别模型；
通过人脸朝向识别模型判断图像帧中的人体脸部朝向，并根据两个人体之间的距离以及脸部朝向判断两个人是否为高危近距离接触。
在研究某些传染性疾病的近距离接触时，由于病毒的传播的一大因素是面对面交流中喷射的飞沫，在人面对面，对背对时传染可能性是不同，因此，可以将近距离接触划分为多种接触类型。可选地，通过结合对人体区域图片进行方向分类得到的人体朝向，将近距离接触细化为危险的面对面近距离接触和相对安全的其他近距离接触。
在本发明的一个具体实施例中，可以使用公开的图像分类模型ResNet来进行人体的朝向分类，为了使模型具备识别人体朝向的能力，收集了四个不同的朝向(背对摄像头、面对摄像头、面向左侧、面向右侧)图片，各1000张，输入模型进行训练，训练完成后模型对任意一个视频帧中找到的人体区域图片，能够以90％的准确率输出其身体的朝向，根据朝向和得到的位置坐标及距离，能够判断出两个人是否存在面对面的高危近距离接触。需要说明的是，图像分类模型也可以选择其他模型框架，本发明的实施例不进行具体限定。
进一步地，在本发明的一个实施例中，还包括：
通过人脸识别模型对检测视频中的行人进行识别，得到部分行人身份信息，根据行人身份信息以及同一人员在不同时刻的标注框，得到该行人的行走轨迹。
可以理解的是，在一个封闭场景内，例如公司或教室，场景中出现的人员有限，能够收集到人员的面部清晰照片，可以进行人脸识别。当视频中的行人面向摄像头时，行人面部如果较为清晰，通过ArcFace人脸识别模型，可以以一定的置信度，获得该人员的姓名。由于已经对视频中的人员进行了追踪，属于同一人员在不同时刻的bbox已经获取了独立的ID，那么从属于同一ID的人体图片，只要在少数时刻能够识别出人员的姓名，即可推断到其他时刻上，从而就可以获得某人在某个时间段内的行走轨迹。
如图3所示，展示了本发明实施例的整体框架，首先，通过目标检测算法如FasterRCNN(根据场景的差异，可以替换为CascadeRCNN或其他一些密集人体检测算法)检测出视频画面的人体区域，然后以人体区域的最下边界的中点作为人体的立足点，对该点进行透视变换获取现实中的物理坐标，最后通过人体的物理坐标计算两两之间的距离。通过结合对人体区域图片进行方向分类得到的人体朝向，能够将近距离接触细化为危险的面对面近距离接触和相对安全的其他近距离接触，通过结合人脸识别模型，可以基于人脸识别的信息进行直观的人与人之间接触信息的统计挖掘。
根据本发明实施例提出的人员接触距离的检测方法，通过训练多个自动化的深度学习模型并进行结合，通过模型自动对视频进行分析，找到场景中存在的人和彼此之间的距离，并以此确定是否存在足够危险的接触行为。通过GPU的加速，在一台配置较高的服务器上，可以在相同的时间内对数倍的视频完成自动识别工作，基于自动识别出的信息，可以进行各种统计分析，以挖掘出人工查看视频无法注意到的信息。
其次参照附图描述根据本发明实施例提出的基于目标检测追踪和透视变换的近距离接触统计装置。
图4为根据本发明一个实施例的人员接触距离的检测装置结构示意图。
如图4所示，该基于目标检测追踪和透视变换的近距离接触统计装置包括：第一获取模块401、识别模块402、位置确定模块403、第二获取模块404、变换模块405和检测模块406。
第一获取模块401，用于获取检测视频的图像帧。
识别模块402，用于对图像帧进行人员识别，确定检测视频的场景中出现的所有人对应的人体区域。
位置确定模块403，用于确定每个人体区域的基准点，其中，每个基准点用于表示图像帧中相应人员的位置。
第二获取模块404，用于获取每个基准点在图像帧中的像素坐标。
变换模块405，用于根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，位置坐标用于表示该基准点在场景中实际所在的位置。
检测模块406，用于根据各个基准点的位置坐标确定人员之间的接触距离。
进一步地，在本发明的一个实施例中，检测模块406具体用于如果多个连续图像帧中出现了相同的多个人员、多个连续图像帧中多个人员之间的接触距离均小于预设安全距离阈值、且多个连续图像帧的帧数达到预设帧数阈值的情况下，确定多个人员存在近距离接触。
进一步地，在本发明的一个实施例中，还包括：判断模块407，用于通过人脸识别技术、以及相邻图像帧中人体区域之间的重叠度来确定不同图像帧中出现的人员是否为相同人员。
进一步地，在本发明的一个实施例中，还包括：透视模块408，用于预先获取预设参照物的至少四个参照点的现实坐标，以及在任意至少一个图像帧中，获取所述至少四个参照点的像素坐标，根据像素坐标和现实坐标得到透视变换规则。
进一步地，在本发明的一个实施例中，还包括：深度检测模块409，用于预先获取不同脸朝向的图片数据集，通过图片数据集训练图像分类模型，得到人脸朝向识别模型；通过人脸朝向识别模型判断图像帧中的人体脸部朝向，并根据两个人体之间的距离以及脸部朝向判断两个人是否为高危近距离接触。
进一步地，在本发明的一个实施例中，识别模块402进一步用于通过目标检测算法对图像帧进行人员识别，将标注框的区域确定为人体区域。
进一步地，在本发明的一个实施例中，确定每个人体区域的基准点包括：将标注框下边界的中心点确定为基准点。
进一步地，在本发明的一个实施例中，还包括：轨迹识别模块410，用于通过人脸识别模型对检测视频中的行人进行识别，得到部分行人身份信息，根据行人身份信息以及同一人员在不同时刻的标注框，得到该行人的行走轨迹。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
根据本发明实施例提出的人员接触距离的检测方法装置，通过训练多个自动化的深度学习模型并进行结合，通过模型自动对视频进行分析，找到场景中存在的人和彼此之间的距离，并以此确定是否存在足够危险的接触行为。通过GPU的加速，在一台配置较高的服务器上，可以在相同的时间内对数倍的视频完成自动识别工作，基于自动识别出的信息，可以进行各种统计分析，以挖掘出人工查看视频无法注意到的信息。
图5为本发明计算机设备一个实施例的结构示意图，上述计算机设备包括：至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，上述处理器执行上述计算机程序时，可以实现本发明实施例提供的人员接触距离的检测方法。
图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的人员接触距离的检测方法。
本发明实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时可以实现本发明实施例提供的人员接触距离的检测方法。
上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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发明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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种人员接触距离的检测方法，其特征在于，包括以下步骤：
获取检测视频的图像帧；
对所述图像帧进行人员识别，确定所述检测视频的场景中出现的所有人对应的人体区域；
确定每个人体区域的基准点，其中，每个基准点用于表示所述图像帧中相应人员的位置；
获取每个基准点在所述图像帧中的像素坐标；
根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，所述位置坐标用于表示该基准点在所述场景中实际所在的位置；
根据各个基准点的位置坐标确定人员之间的接触距离。
2.根据权利要求1所述的方法，其特征在于，根据各个基准点的位置坐标确定人员之间的接触距离包括：
如果多个连续图像帧中出现了相同的多个人员、所述多个连续图像帧中所述多个人员之间的接触距离均小于预设安全距离阈值、且所述多个连续图像帧的帧数达到预设帧数阈值的情况下，确定所述多个人员存在近距离接触。
3.根据权利要求2所述的方法，其特征在于，还包括：
通过人脸识别技术、以及相邻图像帧中人体区域之间的重叠度来确定不同图像帧中出现的人员是否为相同人员。
4.根据权利要求1所述的方法，其特征在于，还包括：
预先获取预设参照物的多个参照点的现实坐标，以及在任意至少一个图像帧中，获取所述多个参照点的像素坐标，根据像素坐标和现实坐标得到所述透视变换规则。
5.根据权利要求1所述的方法，其特征在于，还包括：
预先获取不同脸朝向的图片数据集，通过所述图片数据集训练图像分类模型，得到人脸朝向识别模型；
通过所述人脸朝向识别模型判断所述图像帧中的人体脸部朝向，并根据两个人体之间的距离以及脸部朝向判断两个人是否为高危近距离接触。
6.根据权利要求1所述的方法，其特征在于，对所述图像帧进行人员识别，确定所述检测视频的场景中出现的所有人对应的人体区域包括：
通过目标检测算法对图像帧进行人员识别，将标注框的区域确定为人体区域；
并且，确定每个人体区域的基准点包括：
将标注框下边界的中心点确定为基准点。
7.根据权利要求1所述的方法，其特征在于，还包括：
通过人脸识别模型对检测视频中的行人进行识别，得到部分行人身份信息，根据行人身份信息以及同一人员在不同时刻的标注框，得到该行人的行走轨迹。
8.一种人员接触距离的检测方法装置，其特征在于，包括：
第一获取模块，用于获取检测视频的图像帧；
识别模块，用于对所述图像帧进行人员识别，确定所述检测视频的场景中出现的所有人对应的人体区域；
位置确定模块，用于确定每个人体区域的基准点，其中，每个基准点用于表示所述图像帧中相应人员的位置；
第二获取模块，用于获取每个基准点在所述图像帧中的像素坐标；
变换模块，用于根据预设的透视变换规则，将每个基准点的像素坐标转换为位置坐标，所述位置坐标用于表示该基准点在所述场景中实际所在的位置；
检测模块，用于根据各个基准点的位置坐标确定人员之间的接触距离。
9.一种计算机设备，包括：至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行如权利要求1至7任一项所述的方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202110219934.4A 2021-02-26 2021-02-26 人员接触距离的检测方法、装置、计算机设备和存储介质 Pending CN113011280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110219934.4A CN113011280A (zh) 2021-02-26 2021-02-26 人员接触距离的检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110219934.4A CN113011280A (zh) 2021-02-26 2021-02-26 人员接触距离的检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113011280A true CN113011280A (zh) 2021-06-22

Family

ID=76386566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110219934.4A Pending CN113011280A (zh) 2021-02-26 2021-02-26 人员接触距离的检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113011280A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627430A (zh) * 2021-12-30 2022-06-14 东莞先知大数据有限公司 一种拿取外卖的检测方法、装置及存储介质
CN114724316A (zh) * 2022-05-12 2022-07-08 中国银行股份有限公司 一种自动取款机的报警方法及装置
CN114719767A (zh) * 2022-03-30 2022-07-08 中国工商银行股份有限公司 距离检测方法、装置、存储介质及电子设备
CN115880643A (zh) * 2023-01-06 2023-03-31 之江实验室 一种基于目标检测算法的社交距离监测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
CN107358172A (zh) * 2017-06-22 2017-11-17 华南理工大学 一种基于人脸朝向分类的人脸特征点初始化方法
WO2018002915A1 (en) * 2016-06-26 2018-01-04 Technion Research & Development Foundation Ltd. Process and system for generating personalized facial masks
CN109214276A (zh) * 2018-07-23 2019-01-15 武汉虹信技术服务有限责任公司 一种基于人脸识别技术的目标人员轨迹跟踪的系统及方法
US20190269465A1 (en) * 2018-03-02 2019-09-05 Ethicon Llc System and method for closed-loop surgical tool homing
CN111046762A (zh) * 2019-11-29 2020-04-21 腾讯科技（深圳）有限公司 一种对象定位方法、装置电子设备及存储介质
CN111881829A (zh) * 2020-07-28 2020-11-03 广州技诺智能设备有限公司 一种公共场所人员检测和人员数量计算方法、装置和监控设备
CN112257502A (zh) * 2020-09-16 2021-01-22 深圳微步信息股份有限公司 一种监控视频行人识别与跟踪方法、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
WO2018002915A1 (en) * 2016-06-26 2018-01-04 Technion Research & Development Foundation Ltd. Process and system for generating personalized facial masks
CN107358172A (zh) * 2017-06-22 2017-11-17 华南理工大学 一种基于人脸朝向分类的人脸特征点初始化方法
US20190269465A1 (en) * 2018-03-02 2019-09-05 Ethicon Llc System and method for closed-loop surgical tool homing
CN109214276A (zh) * 2018-07-23 2019-01-15 武汉虹信技术服务有限责任公司 一种基于人脸识别技术的目标人员轨迹跟踪的系统及方法
CN111046762A (zh) * 2019-11-29 2020-04-21 腾讯科技（深圳）有限公司 一种对象定位方法、装置电子设备及存储介质
CN111881829A (zh) * 2020-07-28 2020-11-03 广州技诺智能设备有限公司 一种公共场所人员检测和人员数量计算方法、装置和监控设备
CN112257502A (zh) * 2020-09-16 2021-01-22 深圳微步信息股份有限公司 一种监控视频行人识别与跟踪方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈玉莲等: "《实用临床护理学精粹》", 30 June 2018 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627430A (zh) * 2021-12-30 2022-06-14 东莞先知大数据有限公司 一种拿取外卖的检测方法、装置及存储介质
CN114719767A (zh) * 2022-03-30 2022-07-08 中国工商银行股份有限公司 距离检测方法、装置、存储介质及电子设备
CN114724316A (zh) * 2022-05-12 2022-07-08 中国银行股份有限公司 一种自动取款机的报警方法及装置
CN115880643A (zh) * 2023-01-06 2023-03-31 之江实验室 一种基于目标检测算法的社交距离监测方法和装置

Similar Documents

Publication Publication Date Title
CN113011280A (zh) 人员接触距离的检测方法、装置、计算机设备和存储介质
US11379696B2 (en) Pedestrian re-identification method, computer device and readable medium
JP6821762B2 (ja) 畳み込みニューラルネットワークを利用してｐｏｉ変化を検出するためのシステムおよび方法
CN111062429A (zh) 基于深度学习的厨师帽和口罩佩戴的检测方法
CN110175528B (zh) 人体跟踪方法及装置、计算机设备及可读介质
CN111160243A (zh) 客流量统计方法及相关产品
US20210042935A1 (en) Object tracker, object tracking method, and computer program
CN112861673A (zh) 一种用于监控视频多目标检测的去误报预警方法和系统
CN110580708B (zh) 一种快速移动检测方法、装置及电子设备
US20230252654A1 (en) Video analysis device, wide-area monitoring system, and method for selecting camera
US20220300774A1 (en) Methods, apparatuses, devices and storage media for detecting correlated objects involved in image
Awadallah et al. Automated multiclass structural damage detection and quantification using augmented reality
CN114067396A (zh) 基于视觉学习的居配工程现场试验数字化管理系统及方法
CN113469872B (zh) 一种区域显示方法、装置、设备及存储介质
CN111597889B (zh) 一种视频中目标移动的检测方法、装置及系统
CN110516559B (zh) 适用于精准监控的目标跟踪方法及装置、计算机设备
Laptev et al. Visualization system for fire detection in the video sequences
CN111753766A (zh) 一种图像处理方法、装置、设备及介质
CN115982824A (zh) 施工现场工人空间管理方法、装置、电子设备及存储介质
CN113762017B (zh) 一种动作识别方法、装置、设备及存储介质
CN113887384A (zh) 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质
CN115272967A (zh) 一种跨摄像机行人实时跟踪识别方法、装置及介质
TWI735367B (zh) 測速方法、電子設備及儲存介質
CN112102398B (zh) 一种定位方法、装置、设备及存储介质
Sebastian et al. Performance evaluation metrics for video tracking

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: 20210622