CN113468945A - 游泳者溺水检测方法 - Google Patents

游泳者溺水检测方法 Download PDF

Info

Publication number
CN113468945A
CN113468945A CN202110327960.9A CN202110327960A CN113468945A CN 113468945 A CN113468945 A CN 113468945A CN 202110327960 A CN202110327960 A CN 202110327960A CN 113468945 A CN113468945 A CN 113468945A
Authority
CN
China
Prior art keywords
detected
video frame
swimmer
representing
deep learning
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
CN202110327960.9A
Other languages
English (en)
Inventor
袁飞
何心宇
朱逸
高春仙
程恩
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202110327960.9A priority Critical patent/CN113468945A/zh
Publication of CN113468945A publication Critical patent/CN113468945A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

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

Abstract

本发明公开了一种游泳者溺水检测方法、介质及设备，其中方法包括：获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水；能够有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。

Description

游泳者溺水检测方法
技术领域
本发明涉及视频监控技术领域，特别涉及一种游泳者溺水检测方法、一种计算机可读存储介质以及一种计算机设备。
背景技术
游泳，是人们最喜爱的健康运动之一。但是，人们在游泳的过程中，由于各种因素的影响，有可能会出现溺水的现象。而当出现溺水时，倘若救助不及时，游泳者将会失去宝贵的生命。
相关技术中，为了降低人工监测带来的不确定性，提高游泳者的生命安全保障；多采用有监督学习的算法；然后，通过有监督学习的算法所实现的模型，由于溺水行为的不确定性(溺水行为因不确定而不可被完全模拟)，使得最终获得的模型都具有一定的局限性，溺水行为的识别率不高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种游泳者溺水检测方法，能够有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
为达到上述目的，本发明第一方面实施例提出了一种游泳者溺水检测方法，包括以下步骤：获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水。
根据本发明实施例的游泳者溺水检测方法，首先，获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；接着，根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；然后，获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水；从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
另外，根据本发明上述实施例提出的游泳者溺水检测方法还可以具有如下附加的技术特征：
可选地，对所述历史视频图像进行预处理，以生成训练数据，包括：根据历史视频图像中视频帧的排序获取当前视频帧对应的比对视频帧，并计算当前视频帧与所述比对视频帧的差分图像，以及将所述当前视频帧、所述比对视频帧和所述差分图像作为训练数据。
可选地，对所述待检测视频图像进行预处理，以生成待检测数据，包括：根据所述待检测视频图像中待检测视频帧的排序获取待检测当前视频帧对应的待检测比对视频帧，并计算待检测当前视频帧与所述待检测比对视频帧的待检测差分图像，以及将所述待检测比对视频帧和所述待检测差分图像作为待检测数据。
可选地，根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水，包括：将所述待检测比对视频帧和所述待检测差分图像输入到深度学习异常检测模型中；所述深度学习异常检测模型根据输入生成待检测当前视频帧对应的预测视频帧；计算所述待检测当前视频帧与所述预测视频帧的特征差值，并判断所述特征差值是否大于预设差值阈值，以及再判断结果是否确定所述待检测视频图像对应的游泳者溺水。
可选地，所述深度学习异常检测模型中，生成器的损失函数通过以下公式表达：
Figure BDA0002995324530000021
Figure BDA0002995324530000022
Figure BDA0002995324530000023
Figure BDA0002995324530000024
Figure BDA0002995324530000025
Figure BDA0002995324530000026
其中，Lg表示生成器的损失函数，
Figure BDA0002995324530000027
表示预测视频帧，I表示当前视频帧，Lint表示强度损失，Lgd表示梯度损失，Lmo表示运动损失，
Figure BDA0002995324530000028
表示生成器的对抗损失，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure BDA0002995324530000029
表示判别器输入视频帧
Figure BDA00029953245300000210
和
It-4后的输出结果。。
可选地，所述深度学习异常检测模型中，判别器的损失函数通过以下公式表述：
Figure BDA0002995324530000031
Figure BDA0002995324530000032
Figure BDA0002995324530000033
其中，
Figure BDA0002995324530000034
表示判别器的损失函数，
Figure BDA0002995324530000035
表示预测视频帧，I表示当前视频帧，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure BDA0002995324530000036
表示判别器输入视频帧
Figure BDA0002995324530000037
和It-4后的输出结果。
可选地，所述特征差值根据以下公式计算：
Figure BDA0002995324530000038
其中，It表示当前视频帧，
Figure BDA0002995324530000039
表示当前视频帧对应的预测视频帧。
可选地，所述特征差值根据以下公式计算：
Figure BDA00029953245300000310
其中，It表示当前视频帧，
Figure BDA00029953245300000311
表示当前视频帧对应的预测视频帧。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有游泳者溺水检测程序，该游泳者溺水检测程序被处理器执行时实现如上述的游泳者溺水检测方法。
根据本发明实施例的计算机可读存储介质，通过存储游泳者溺水检测程序，以使得处理器在执行该游泳者溺水检测程序时，实现如上述的游泳者溺水检测方法，从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的游泳者溺水检测方法。
根据本发明实施例的计算机设备，通过存储器对游泳者溺水检测程序进行存储，以使得处理器在执行该游泳者溺水检测程序时，实现如上述的游泳者溺水检测方法，从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
附图说明
图1为根据本发明实施例的游泳者溺水检测方法的流程示意图；
图2为根据本发明实施例的深度学习异常检测模型的流程示意图；
图3为根据本发明实施例的深度学习异常检测模型生成网络的结构图。
具体实施方式
下面详细描述本发明的实施例，所述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。
相关技术中，由于溺水行为的不确定性，使得最终获得的模型都具有一定的局限性，对于溺水行为的识别率不高。根据本发明实施例的游泳者溺水检测方法，首先，获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；接着，根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；然后，获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水；从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的游泳者溺水检测方法的流程示意图，如图1所示，该游泳者溺水检测方法包括以下步骤：
S101，获取游泳者正常行为的历史视频图像，并对历史视频图像进行预处理，以生成训练数据。
作为一种示例，首先，在泳池中安装水下监控摄像头(其中，安装方式可以有多种，例如，将标准泳池划分为8个区域，每个区域对应安装两个水下监控摄像头在泳池的池壁上，以提高本发明提出的游泳者溺水检测方法的识别率)；然后，通过安装好的监控摄像头来获取游泳者正常行为(正常行为的定义方式有多种，例如，正常行为指的是：游泳者的各种泳姿的游泳行为、站立行为、踩水行为等)的视频图像，需要说明的是，为了提高最终获得的模型的识别率，在获取视频图像时，将获取各种性别、年龄的游泳者对应的视频图像，以丰富训练样本；接着，将采集到的视频图像作为历史视频图像，并对历史视频图像进行预处理，以生成训练数据。
其中，对历史视频图像进行预处理的方式可以有多种。
作为一种示例，通过限制对比度增强的方式对历史视频图像进行预处理。
在一些实施例中，对历史视频图像进行预处理，以生成训练数据，包括：根据历史视频图像中视频帧的排序获取当前视频帧对应的比对视频帧，并计算当前视频帧与比对视频帧的差分图像，以及将当前视频帧、比对视频帧和差分图像作为训练数据。
作为一种示例，首先，系统设置历史视频图像中的前4帧不进行处理；假设当前视频帧为第5帧，获取该第5帧视频帧对应的比对视频帧(第1帧，当前帧为t，则其对应的比对视频帧为t-4)；进而，计算第5帧和第1帧的差分图像Dt，然后，将第5帧、第1帧和差分图像Dt作为一组训练数据；其中，第1帧和差分图像Dt作为深度学习异常检测模型的输入。
S102，根据训练数据进行深度学习模型的训练，以生成深度学习异常检测模型。
其中，深度学习异常检测模型的训练方式可以有多种。
在一些实施例中，深度学习异常检测模型中，生成器的损失函数通过以下公式表达：
Figure BDA0002995324530000051
Figure BDA0002995324530000052
Figure BDA0002995324530000053
Figure BDA0002995324530000054
Figure BDA0002995324530000055
Figure BDA0002995324530000056
其中，Lg表示生成器的损失函数，
Figure BDA0002995324530000057
表示预测视频帧，I表示当前视频帧，Lint表示强度损失，Lgd表示梯度损失，Lmo表示运动损失，
Figure BDA0002995324530000058
表示生成器的对抗损失，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure BDA0002995324530000059
表示判别器输入视频帧
Figure BDA00029953245300000510
和It-4后的输出结果。
在一些实施例中，深度学习异常检测模型中，判别器的损失函数通过以下公式表述：
Figure BDA0002995324530000061
Figure BDA0002995324530000062
Figure BDA0002995324530000063
其中，
Figure BDA0002995324530000064
表示判别器的损失函数，
Figure BDA0002995324530000065
表示预测视频帧，I表示当前视频帧，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure BDA0002995324530000066
表示判别器输入视频帧
Figure BDA0002995324530000067
和It-4后的输出结果。
S103，获取待检测视频图像，并对待检测视频图像进行预处理，以生成待检测数据，以及将待检测数据输入到深度学习异常检测模型，以便根据深度学习异常检测模型的输出结果判断待检测视频图像对应的游泳者是否溺水。
即言，在模型训练完成之后，通过摄像头对游泳者在泳池中的视频图像进行获取，则该视频图像为待检测视频图像，接着，对待检测视频图像进行预处理，以生成待检测数据；并将待检测数据输入到深度学习异常检测模型中，然后，根据模型的输出结果来判断游泳者是否溺水了，如果判断结果为是，则生成告警信息，并将告警信息发送给救生员，以便救生员对溺水者进行救护，从而保障游泳者的人身安全。
在一些实施例中，对待检测视频图像进行预处理，以生成待检测数据，包括：根据待检测视频图像中待检测视频帧的排序获取待检测当前视频帧对应的待检测比对视频帧，并计算待检测当前视频帧与待检测比对视频帧的待检测差分图像，以及将待检测比对视频帧和待检测差分图像作为待检测数据。
在一些实施例中，根据深度学习异常检测模型的输出结果判断待检测视频图像对应的游泳者是否溺水，包括：将待检测比对视频帧和待检测差分图像输入到深度学习异常检测模型中；深度学习异常检测模型根据输入生成待检测当前视频帧对应的预测视频帧；计算待检测当前视频帧与预测视频帧的特征差值，并判断特征差值是否大于预设差值阈值，以及再判断结果是否确定待检测视频图像对应的游泳者溺水。
其中，特征差值的计算方式可以有多种。
作为一种示例，特征差值根据以下公式计算：
Figure BDA0002995324530000068
其中，It表示当前视频帧，
Figure BDA0002995324530000069
表示当前视频帧对应的预测视频帧。
作为另一种示例，特征差值根据以下公式计算：
Figure BDA0002995324530000071
其中，It表示当前视频帧，
Figure BDA0002995324530000072
表示当前视频帧对应的预测视频帧。
需要说明的是，深度学习异常检测模型的生成方式可以有多种；在本实施例中，深度学习异常检测模型是基于U-net结构和pix2pix的条件生成对抗式网络。
另外，为了更好地说明本发明实施例提出的深度学习异常检测模型，以图2和图3为例，图2为本发明一实施例的深度学习异常检测模型的流程示意图；图3为本发明一实施例的深度学习异常检测模型生成网络的结构图。
综上所述，根据本发明实施例的游泳者溺水检测方法，首先，获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；接着，根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；然后，获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水；从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有游泳者溺水检测程序，该游泳者溺水检测程序被处理器执行时实现如上述的游泳者溺水检测方法。
根据本发明实施例的计算机可读存储介质，通过存储游泳者溺水检测程序，以使得处理器在执行该游泳者溺水检测程序时，实现如上述的游泳者溺水检测方法，从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的游泳者溺水检测方法。
根据本发明实施例的计算机设备，通过存储器对游泳者溺水检测程序进行存储，以使得处理器在执行该游泳者溺水检测程序时，实现如上述的游泳者溺水检测方法，从而实现有效提高游泳者溺水行为的识别率，保障游泳者游泳过程中的生命安全。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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应理解为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)

1.一种游泳者溺水检测方法，其特征在于，包括以下步骤：
获取游泳者正常行为的历史视频图像，并对所述历史视频图像进行预处理，以生成训练数据；
根据所述训练数据进行深度学习模型的训练，以生成深度学习异常检测模型；
获取待检测视频图像，并对所述待检测视频图像进行预处理，以生成待检测数据，以及将所述待检测数据输入到所述深度学习异常检测模型，以便根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水。
2.如权利要求1所述的游泳者溺水检测方法，其特征在于，对所述历史视频图像进行预处理，以生成训练数据，包括：
根据历史视频图像中视频帧的排序获取当前视频帧对应的比对视频帧，并计算当前视频帧与所述比对视频帧的差分图像，以及将所述当前视频帧、所述比对视频帧和所述差分图像作为训练数据。
3.如权利要求1所述的游泳者溺水检测方法，其特征在于，对所述待检测视频图像进行预处理，以生成待检测数据，包括：
根据所述待检测视频图像中待检测视频帧的排序获取待检测当前视频帧对应的待检测比对视频帧，并计算待检测当前视频帧与所述待检测比对视频帧的待检测差分图像，以及将所述待检测比对视频帧和所述待检测差分图像作为待检测数据。
4.如权利要求3所述的游泳者溺水检测方法，其特征在于，根据所述深度学习异常检测模型的输出结果判断所述待检测视频图像对应的游泳者是否溺水，包括：
将所述待检测比对视频帧和所述待检测差分图像输入到深度学习异常检测模型中；
所述深度学习异常检测模型根据输入生成待检测当前视频帧对应的预测视频帧；
计算所述待检测当前视频帧与所述预测视频帧的特征差值，并判断所述特征差值是否大于预设差值阈值，以及在判断结果为是时确定所述待检测视频图像对应的游泳者溺水。
5.如权利要求1-4中任一项所述的游泳者溺水检测方法，其特征在于，所述深度学习异常检测模型中，生成器的损失函数通过以下公式表达：
Figure FDA0002995324520000011
Figure FDA0002995324520000012
Figure FDA0002995324520000013
Figure FDA0002995324520000014
Figure FDA0002995324520000021
Figure FDA0002995324520000022
其中，Lg表示生成器的损失函数，
Figure FDA0002995324520000023
表示预测视频帧，I表示当前视频帧，Lint表示强度损失，Lgd表示梯度损失，Lmo表示运动损失，
Figure FDA0002995324520000024
表示生成器的对抗损失，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure FDA0002995324520000025
表示判别器输入视频帧
Figure FDA0002995324520000026
和It-4后的输出结果。
6.如权利要求1-4中任一项所述的游泳者溺水检测方法，其特征在于，所述深度学习异常检测模型中，判别器的损失函数通过以下公式表述：
Figure FDA0002995324520000027
Figure FDA0002995324520000028
Figure FDA0002995324520000029
其中，
Figure FDA00029953245200000210
表示判别器的损失函数，
Figure FDA00029953245200000211
表示预测视频帧，I表示当前视频帧，i,j表示视频帧的空间坐标，t表示视频帧的时刻，LMSE表示L2距离损失，
Figure FDA00029953245200000212
表示判别器输入视频帧
Figure FDA00029953245200000213
和It-4后的输出结果。
7.如权利要求4所述的游泳者溺水检测方法，其特征在于，所述特征差值根据以下公式计算：
Figure FDA00029953245200000214
其中，It表示当前视频帧，
Figure FDA00029953245200000215
表示当前视频帧对应的预测视频帧。
8.如权利要求4所述的游泳者溺水检测方法，其特征在于，所述特征差值根据以下公式计算：
Figure FDA00029953245200000216
其中，It表示当前视频帧，
Figure FDA00029953245200000217
表示当前视频帧对应的预测视频帧。
9.一种计算机可读存储介质，其特征在于，其上存储有游泳者溺水检测程序，该游泳者溺水检测程序被处理器执行时实现如权利要求1-8中任一项所述的游泳者溺水检测方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-8中任一项所述的游泳者溺水检测方法。
CN202110327960.9A 2021-03-26 2021-03-26 游泳者溺水检测方法 Pending CN113468945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327960.9A CN113468945A (zh) 2021-03-26 2021-03-26 游泳者溺水检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327960.9A CN113468945A (zh) 2021-03-26 2021-03-26 游泳者溺水检测方法

Publications (1)

Publication Number Publication Date
CN113468945A true CN113468945A (zh) 2021-10-01

Family

ID=77868349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327960.9A Pending CN113468945A (zh) 2021-03-26 2021-03-26 游泳者溺水检测方法

Country Status (1)

Country Link
CN (1) CN113468945A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994911A (zh) * 2023-03-24 2023-04-21 山东上水环境科技集团有限公司 一种基于多模态视觉信息融合的游泳馆目标检测方法
CN117315570A (zh) * 2023-09-08 2023-12-29 浪潮智慧科技有限公司 一种基于实时视频分析的野外游泳监测方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002097758A1 (en) * 2001-05-25 2002-12-05 Nanyang Technological University, Centre For Signal Processing Drowning early warning system
CN103413114A (zh) * 2013-05-17 2013-11-27 浙江大学 一种基于支持向量机的溺水行为检测方法
CN109815805A (zh) * 2018-12-18 2019-05-28 深圳壹账通智能科技有限公司 自动识别溺水的方法、装置、存储介质及电子设备
CN109978799A (zh) * 2019-04-15 2019-07-05 武汉理工大学 一种基于深度学习的海事无人机视频图像去雾方法
CN110569772A (zh) * 2019-08-30 2019-12-13 北京科技大学 一种泳池内人员状态检测方法
CN111881750A (zh) * 2020-06-24 2020-11-03 北京工业大学 基于生成对抗网络的人群异常检测方法
CN112165600A (zh) * 2020-08-26 2021-01-01 苏宁云计算有限公司 一种溺水的识别方法、装置、摄像头及计算机系统
CN112465049A (zh) * 2020-12-02 2021-03-09 罗普特科技集团股份有限公司 异常检测模型生成方法和装置、异常事件检测方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002097758A1 (en) * 2001-05-25 2002-12-05 Nanyang Technological University, Centre For Signal Processing Drowning early warning system
CN103413114A (zh) * 2013-05-17 2013-11-27 浙江大学 一种基于支持向量机的溺水行为检测方法
CN109815805A (zh) * 2018-12-18 2019-05-28 深圳壹账通智能科技有限公司 自动识别溺水的方法、装置、存储介质及电子设备
CN109978799A (zh) * 2019-04-15 2019-07-05 武汉理工大学 一种基于深度学习的海事无人机视频图像去雾方法
CN110569772A (zh) * 2019-08-30 2019-12-13 北京科技大学 一种泳池内人员状态检测方法
CN111881750A (zh) * 2020-06-24 2020-11-03 北京工业大学 基于生成对抗网络的人群异常检测方法
CN112165600A (zh) * 2020-08-26 2021-01-01 苏宁云计算有限公司 一种溺水的识别方法、装置、摄像头及计算机系统
CN112465049A (zh) * 2020-12-02 2021-03-09 罗普特科技集团股份有限公司 异常检测模型生成方法和装置、异常事件检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡小秧;陈文楷;: "鲁棒的图像恢复技术在溺水报警系统中的应用", 仪器仪表用户, no. 01 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994911A (zh) * 2023-03-24 2023-04-21 山东上水环境科技集团有限公司 一种基于多模态视觉信息融合的游泳馆目标检测方法
CN115994911B (zh) * 2023-03-24 2023-06-02 山东上水环境科技集团有限公司 一种基于多模态视觉信息融合的游泳馆目标检测方法
CN117315570A (zh) * 2023-09-08 2023-12-29 浪潮智慧科技有限公司 一种基于实时视频分析的野外游泳监测方法、设备及介质

Similar Documents

Publication Publication Date Title
CN111191486B (zh) 一种溺水行为识别方法、监控相机及监控系统
CN110705376A (zh) 一种基于生成式对抗网络的异常行为检测方法
CN108230291B (zh) 物体识别系统训练方法、物体识别方法、装置和电子设备
CN109034355B (zh) 致密人群的人数预测方法、装置、设备以及存储介质
CN111091109B (zh) 基于人脸图像进行年龄和性别预测的方法、系统和设备
CN113468945A (zh) 游泳者溺水检测方法
CN107220603A (zh) 基于深度学习的车辆检测方法及装置
Li et al. Fb-occ: 3d occupancy prediction based on forward-backward view transformation
CN103810696B (zh) 一种目标对象图像检测方法及装置
CN108647575A (zh) 基于光学视觉分析的溺水预警方法
CN107851192A (zh) 用于检测人脸部分及人脸的设备和方法
CN114267082B (zh) 基于深度理解的桥侧坠落行为识别方法
KR20220023323A (ko) 방사선 치료 계획 수립을 위한 인공지능 기반의 장기 및 종양 이미지 분할 시스템 및 방법
TWI493510B (zh) 跌倒偵測方法
CN113065379B (zh) 融合图像质量的图像检测方法、装置、电子设备
CN114463788A (zh) 一种跌倒检测方法、系统、计算机设备及存储介质
CN114155470A (zh) 一种河道区域入侵检测方法、系统及存储介质
CN112700568B (zh) 一种身份认证的方法、设备及计算机可读存储介质
CN113936299A (zh) 建筑工地中危险区域检测方法
CN111428696A (zh) 一种智能异常检测紧急救援方法、装置和系统
CN112052823A (zh) 目标检测方法和装置
CN115937991A (zh) 人体摔倒识别方法、装置、计算机设备及存储介质
CN112529815B (zh) 一种雨后真实图像中雨滴去除方法及系统
CN104616323A (zh) 一种基于慢特征分析的时空显著性检测方法
CN111797802B (zh) 一种基于ai视觉的扶梯不安全行为实时预警方法

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