CN113239791B - 基于神经网络和目标追踪的考官异常行为监控方法及系统 - Google Patents
基于神经网络和目标追踪的考官异常行为监控方法及系统 Download PDFInfo
- Publication number
- CN113239791B CN113239791B CN202110512276.8A CN202110512276A CN113239791B CN 113239791 B CN113239791 B CN 113239791B CN 202110512276 A CN202110512276 A CN 202110512276A CN 113239791 B CN113239791 B CN 113239791B
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- examiner
- tracking
- real
- 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.)
- Active
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了考官异常行为监控方法及系统,方法包括以下步骤:采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;根据追踪信息识别出考官;对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警。该方法能够自动监控考官的异常行为,提高智能化考场效率。
Description
技术领域
本发明属于智能考场监控技术领域,具体涉及基于神经网络和目标追踪的考官异常行为监控方法及系统。
背景技术
目前对考场的监管通常是对考生异常行为的监管。在考试过程中,考官必须以高度负责的精神做好考场的监督工作,包括考场巡视、不得随意离场、禁止在某一位置长时间停留等。因此,对考官异常行为的监控,能够有效提高智能化考场效率、避免考官违纪行为。然而,考场环境复杂多样、考场监控数量多,监控室人员不能及时发现考场中考官存在的异常行为,难以通过自动化的分析对考官的异常行为进行监控。
发明内容
针对现有技术中的缺陷,本发明提供一种基于神经网络和目标追踪的考官异常行为监控方法及系统,能够自动监控考官的异常行为,提高智能化考场效率。
第一方面,一种基于神经网络和目标追踪的考官异常行为监控方法,包括以下步骤:
采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;
获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;
根据追踪信息识别出考官;
对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警。
优选地,所述采集人体训练样本具体包括:
获取多张人体图片,对人体图片进行标注,记录人体图片中人体的坐标信息,得到所述人体训练样本。
优选地,所述的追踪信息包括:
目标ID、目标的瞬时速度、目标的初始区域。
优选地,所述根据追踪信息识别出考官具体包括:
若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
优选地,所述当追踪信息满足预设的报警条件时,进行报警具体包括:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
优选地,所述异常行为包括:
考官离场、在一考台长时间停留或频繁出现在一考台。
第二方面,一种基于神经网络和目标追踪的考官异常行为监控系统,包括:
训练单元:用于采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;
采集单元:用于获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
检测单元:用于利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
追踪单元:用于对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;
报警单元:用于根据追踪信息识别出考官;对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警。
优选地,所述的追踪信息包括:目标ID、目标的瞬时速度、目标的初始区域;
所述报警单元具体用于:若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
优选地,所述报警单元具体用于:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
优选地,所述异常行为包括:
考官离场、在一考台长时间停留或频繁出现在一考台。
由上述技术方案可知,本发明提供的基于神经网络和目标追踪的考官异常行为监控方法及系统,采用神经网络和目标追踪技术,能够采集考场实时监控视频,对考场视频监控进行自动分析,能够实时的监控考官的异常行为,并产生告警弹窗,提高考场监管质量,提高智能化考场效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的考官异常行为监控方法的流程图。
图2为本发明实施例二提供的考官异常行为监控系统的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一:
一种基于神经网络和目标追踪的考官异常行为监控方法,参见图1,包括以下步骤:
S1:采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;具体包括:获取多张人体图片,对人体图片进行标注,记录人体图片中人体的坐标信息,得到所述人体训练样本。
具体地,该方法可以使用labelImg等样本标注软件对人体图片中的人体进行标注,训练YOLOv3神经网络,生成YOLOv3人体检测模型。
S2:获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
具体地,该方法可以连接考场视频监控设备获取考场的实时视频流。
S3:利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
具体地,待考生入场、考官就位后,该方法开始进行检测。该方法使用训练好的YOLOv3人体检测模型对实时视频流中的每一帧实时图像进行人体检测,记录每个人体的矩形框,人体的矩形框可以用(x,y,w,h)表示,x和y表示矩形框左上角的横坐标和纵坐标,w和h表示矩形框的长和宽。该方法还记录每个人体矩形框的中心位置Center,Center=(x+w/2,y+h/2)。
S4:对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;优选地,所述的追踪信息包括:目标ID、目标的瞬时速度、目标的初始区域。
具体地,该方法可以使用DeepSORT目标追踪方法,对每帧实时图像中识别到的人体进行追踪,为每一个识别到的人体生成目标ID。对于每个目标ID,可以根据前后两帧实时图像中该目标Center的距离差计算目标的瞬时速度Speed,记录开始检测时,每个目标ID的矩形框为该目标的初始区域Area0,初始区域标识了目标可移动的范围。
S5:根据追踪信息识别出考官,具体包括:
若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
具体地,若检测到追踪目标的瞬时速度Speed大于考官速度,或追踪目标离开了该目标ID的初始区域Area0,则判定该追踪目标为考官。若追踪目标没有被判别为考官,则将该目标判定为考生,并记录该考生所在的区域Area0为考台。
S6:对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警,具体包括:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
优选地,该方法当考官人数超过现场设定的考官数目,发出检测异常的告警。所述异常行为包括:考官离场、在一考台长时间停留或频繁出现在一考台。
具体地,该方法若检测目标为考官,则持续对该考官进行监测,监测该考官是否出现随意离场、在某一个考台长时间停留、频繁出现在某一个考台等异常行为,如果是,进行报警。该方法进行报警时,可以产生实时告警弹窗,并对异常行为进行抓拍存档。
其中,若检测到某个考官从实时图片中消失时,则判定该考官出现随意离场的异常行为。若检测到某个考官在某个考台区域停留时间超过一定阈值时,则判定该考官出现在某一个考台时间停留过长。若检测到某个考官多次出现在某一个考台区域时,则判定该考官出现频繁出现在某一个考台。
基于神经网络的图像检测是一种高效、流行的图像识别方法。通过训练大量的样本,神经网络能够适应更多的场景。通过硬件加速,神经网络能够获得更快的处理速度。对于考场监控中的实时视频流,基于深度卷积神经网络的图像检测能够快速地对每一帧图像进行目标检测与识别。
目标追踪是在连续的视频帧中,对目标进行定位、标记和跟踪,获得跟踪目标的运动参数,如位置、速度和运动轨迹等,并克服监测目标外观变化、不同运动方式、背景变化、遮挡等影响。
该基于神经网络和目标追踪的考官异常行为监控方法,采用神经网络和目标追踪技术,能够采集考场实时监控视频,对考场视频监控进行自动分析,能够实时的监控考官的异常行为,并产生告警弹窗,提高考场监管质量,提高智能化考场效率。
实施例二:
一种基于神经网络和目标追踪的考官异常行为监控系统,参见图2,包括:
训练单元:用于采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;
采集单元:用于获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
检测单元:用于利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
追踪单元:用于对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;
报警单元:用于根据追踪信息识别出考官;对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警。
优选地,所述的追踪信息包括:目标ID、目标的瞬时速度、目标的初始区域;
所述报警单元具体用于:若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
优选地,所述报警单元具体用于:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
优选地,所述异常行为包括:
考官离场、在一考台长时间停留或频繁出现在一考台。
该基于神经网络和目标追踪的考官异常行为监控系统,采用神经网络和目标追踪技术,能够采集考场实时监控视频,对考场视频监控进行自动分析,能够实时的监控考官的异常行为,并产生告警弹窗,提高考场监管质量,提高智能化考场效率。
本发明实施例所提供的系统,为简要描述,实施例部分未提及之处,可参考前述实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于神经网络和目标追踪的考官异常行为监控方法,其特征在于,包括以下步骤:
采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;
获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;
根据追踪信息识别出考官;
对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警;
所述的追踪信息包括:
目标ID、目标的瞬时速度、目标的初始区域;
所述根据追踪信息识别出考官具体包括:
若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
2.根据权利要求1所述的基于神经网络和目标追踪的考官异常行为监控方法,其特征在于,所述采集人体训练样本具体包括:
获取多张人体图片,对人体图片进行标注,记录人体图片中人体的坐标信息,得到所述人体训练样本。
3.根据权利要求1所述的基于神经网络和目标追踪的考官异常行为监控方法,其特征在于,所述当追踪信息满足预设的报警条件时,进行报警具体包括:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
4.根据权利要求3所述的基于神经网络和目标追踪的考官异常行为监控方法,其特征在于,所述异常行为包括:
考官离场、在一考台长时间停留或频繁出现在一考台。
5.一种基于神经网络和目标追踪的考官异常行为监控系统,其特征在于,包括:
训练单元:用于采集人体训练样本,利用人体训练样本训练神经网络,得到人体检测模型;
采集单元:用于获取考场的实时视频流,逐帧解析实时视频流,得到实时图片;
检测单元:用于利用人体检测模型对每一帧实时图片进行人体检测,记录每个人体的坐标信息;所述坐标信息包括覆盖整个人体的矩形框、矩形框的坐标信息、矩形框的长以及矩形框的宽;
追踪单元:用于对每帧实时图像中的人体进行追踪,记录每个人体的追踪信息;
报警单元:用于根据追踪信息识别出考官;对考官的追踪信息进行分析,当追踪信息满足预设的报警条件时,进行报警;
所述的追踪信息包括:目标ID、目标的瞬时速度、目标的初始区域;
所述报警单元具体用于:若检测到目标的瞬时速度大于预设的考官速度,或者是目标离开了其初始区域时,判定该目标为考官。
6.根据权利要求5所述的基于神经网络和目标追踪的考官异常行为监控系统,其特征在于,所述报警单元具体用于:
当检测到考官的人数超过预设的考官数目,或者是根据考官的目标ID、瞬时速度、所在区域检测考官存在异常行为时,进行报警。
7.根据权利要求6所述的基于神经网络和目标追踪的考官异常行为监控系统,其特征在于,所述异常行为包括:
考官离场、在一考台长时间停留或频繁出现在一考台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512276.8A CN113239791B (zh) | 2021-05-11 | 2021-05-11 | 基于神经网络和目标追踪的考官异常行为监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512276.8A CN113239791B (zh) | 2021-05-11 | 2021-05-11 | 基于神经网络和目标追踪的考官异常行为监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239791A CN113239791A (zh) | 2021-08-10 |
CN113239791B true CN113239791B (zh) | 2022-08-23 |
Family
ID=77133467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512276.8A Active CN113239791B (zh) | 2021-05-11 | 2021-05-11 | 基于神经网络和目标追踪的考官异常行为监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239791B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176025A (zh) * | 2019-04-25 | 2019-08-27 | 沈阳航空航天大学 | 一种基于姿态的监考人跟踪方法 |
CN112529938A (zh) * | 2020-12-08 | 2021-03-19 | 郭金朋 | 一种基于视频理解的智慧学堂监测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101622652B (zh) * | 2007-02-08 | 2012-03-21 | 行为识别系统公司 | 行为识别系统 |
-
2021
- 2021-05-11 CN CN202110512276.8A patent/CN113239791B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176025A (zh) * | 2019-04-25 | 2019-08-27 | 沈阳航空航天大学 | 一种基于姿态的监考人跟踪方法 |
CN112529938A (zh) * | 2020-12-08 | 2021-03-19 | 郭金朋 | 一种基于视频理解的智慧学堂监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113239791A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102195706B1 (ko) | 침입 탐지방법 및 그 장치 | |
CN113256924A (zh) | 一种轨道列车的监控系统,监控方法及监控装置 | |
CN109377697A (zh) | 一种密集摄像机头环境下快速报警处置方法 | |
CN112084963B (zh) | 一种监控预警方法、系统及存储介质 | |
CN108540751A (zh) | 基于视频与电子设备标识的监控方法、装置及系统 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
CN112329691A (zh) | 一种监控视频的分析方法及装置、电子设备、存储介质 | |
CN113362374A (zh) | 一种基于目标跟踪网络的高空抛物检测方法及系统 | |
CN111476964A (zh) | 一种远程森林防火监控系统与方法 | |
CN112528732A (zh) | 基于智能盒子的智慧校园监管方法及系统、设备 | |
CN116403377A (zh) | 一种公共场所异常行为与隐患检测装置 | |
CN109086717B (zh) | 基于人体骨架和运动信号特征的暴力行为检测系统及方法 | |
CN110633681A (zh) | 一种基于视频的离床检测方法 | |
CN114359712A (zh) | 一种基于无人机巡检的安全违规行为分析系统 | |
CN113239791B (zh) | 基于神经网络和目标追踪的考官异常行为监控方法及系统 | |
Kielty et al. | Neuromorphic sensing for yawn detection in driver drowsiness | |
CN111640282A (zh) | 一种配电室内人员安全距离监测方法、系统及装置 | |
CN108540748A (zh) | 监控视频与电子设备标识关联的方法、装置及系统 | |
CN116246401A (zh) | 一种社区公共区域管理的监控系统 | |
CN112883906B (zh) | 一种基于目标检测的人员状态分析方法 | |
CN115035473A (zh) | 考场监控的方法、装置及系统 | |
Liu et al. | Design and implementation of multimodal fatigue detection system combining eye and yawn information | |
CN114565870A (zh) | 一种基于视觉的生产线管控方法及装置、系统、电子设备 | |
CN212341881U (zh) | 一种基于深度学习的智能预警考场监控系统 | |
Li et al. | Adaptive summarisation of surveillance video sequences |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 266000 Room 302, building 3, Office No. 77, Lingyan Road, Huangdao District, Qingdao, Shandong Province Applicant after: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. Address before: 266000 3rd floor, building 3, optical valley software park, 396 Emeishan Road, Huangdao District, Qingdao City, Shandong Province Applicant before: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |