CN113470080A - 一种违规行为识别方法 - Google Patents
一种违规行为识别方法 Download PDFInfo
- Publication number
- CN113470080A CN113470080A CN202110816566.1A CN202110816566A CN113470080A CN 113470080 A CN113470080 A CN 113470080A CN 202110816566 A CN202110816566 A CN 202110816566A CN 113470080 A CN113470080 A CN 113470080A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- human body
- video frame
- violation
- current tracking
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 42
- 210000003857 wrist joint Anatomy 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Abstract
一种违规行为识别方法，属于行为识别技术领域，包括：确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；当前的跟踪视频帧包括监控视频中第一次同时出现人体和非机动车的视频帧之后，对人体的人体关键点和非机动车的非机动车关键点进行实时跟踪的视频帧；根据当前的跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件；预设违规行为包括人体在目标场景中违规使用非机动车的操作。本发明技术方案不必逐帧的实时检测分析骑行人是否有违规行为，耗时时间短，计算复杂度不高，可同时检测多个骑行人及非机动车并及时做出判断，满足实时性要求。
Description
技术领域
本发明涉及行为识别技术领域，尤其是一种违规行为识别方法。
背景技术
随着城市化的进程不断加快，互联网的发展渐渐渗透到了人们生活中的每一个角落，共享单车的出现也是其中的一项重要产物。
虽然共享单车这种非机动车为人们提供了方便，但非机动车监管措施的缺失导致仍有相当一部分人漠视交通规则，这对非机动车驾驶员以及其他行人的人身安全造成了威胁。
现有的监控系统虽然实现了对机动车的监管，但对非机动车的监管还是不足，原因之一为非机动车及骑行人相对于机动车来说，属于小目标，若需进一步判定违规行为，则需要对违规非机动车骑行人手持的极小物体进行分析，由于极小物体属于极小像素目标，在大图上进行极小目标的检测为业内难点问题，极易出现检测不稳定的情况，且逐帧的图像帧检测属于高耗时算法，当画面中存在密集的非机动车时会由于计算时间过长而无法满足实时性要求，无法快速的判定非机动车是否存在违规行为，因此如何优化算法也是亟需解决的问题。
发明内容
本发明提供一种违规行为识别方法，可稳定检测极小像素的物体，快速的判定非机动车是否存在违规的技术问题。
本发明的第一方面，本发明实施例提供一种违规行为识别方法，包括：
确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；所述当前的跟踪视频帧包括所述监控视频中第一次同时出现人体和非机动车的视频帧之后，对所述人体的人体关键点和所述非机动车的非机动车关键点进行实时跟踪的视频帧；
根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件；所述预设违规行为包括所述人体在所述目标场景中违规使用所述非机动车的操作。
本发明的实施例根据实时采集监控视频中当前的跟踪视频帧，当检测到第一次同时出现人体和非机动车后，对人体和非机动车的关键点进行实时跟踪，并根据跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件，可快速的查找到存在可能违规行为的骑行人和非机动车，从检测到骑行人及非机动车开始至消失，根据当前的监控视频中的视频帧只需做一次骑行人和非机动车的检测，再实时跟踪监测人体关键点和所述非机动车关键点的位置关系是否存在违规即可，不必逐帧的实时检测分析骑行人是否有违规行为，耗时时间短，计算复杂度不高，可同时检测多个骑行人及非机动车并及时做出判断，满足实时性要求。
在一些实施例中，所述根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件之后，还包括：
若确定所述当前的跟踪视频帧满足所述预设的违规行为条件，则从所述当前的跟踪视频帧中截取至少包含所述人体和所述非机动车的区域为待处理图像；基于识别出的所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型；所述参考对象是基于违规行为的至少一个类型预先设置的。
本发明的实施例通过确定当前的跟踪视频帧满足所述预设的违规行为条件后，截取至少包含所述人体和所述非机动车的区域为待处理图像，并识别待处理图像中包含的参考对象来进一步的判定骑行人是否存在违规行为，并判断违规行为类型，该技术方案基于待处理图像进行处理，可稳定检测极小像素下的参考对象，准确识别待处理图像中的参考对象，结合预设的违规行为条件，对非机动车是否存在违规行为进行二次判断，降低误判概率。
在一些实施例中，若确定所述待处理图像中不包含所述参考对象，则确定所述当前的跟踪视频帧中不存在所述违规行为。
本发明实施例的技术方案，通过进一步分析待处理图像中是否包含所述参考对象的操作，对已满足预设的违规行为条件的跟踪视频帧再次判断，若未分析到参考对象，则根据实际需要对判定行为进行校正，提高违规行为识别方法判定的准确率。
在一些实施例中，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型之后，还包括：
截取包含所述违规行为的视频帧并上传；或，对包含违规行为的图像进行抓拍，并上传抓拍的图像。
本发明实施例的技术方案，当确定有违规行为后，通过上传违规行为的视频或对包含违规行为的图像进行抓拍，保留违规行为证据，解决因骑行人违规行为可能产生的争议。
在一些实施例中，所述实时采集监控视频中当前的跟踪视频帧，具体方法包括：
获取所述监控视频中同时出现所述人体和所述非机动车的当前帧及所述当前帧的前一帧，根据所述前一帧与所述当前帧计算所述人体和所述非机动车在所述当前帧的位移特征，预测所述人体和所述非机动车在所述当前帧的下一帧出现的位置范围，若所述人体和所述非机动车出现在所述下一帧的所述位置范围内，确定为同一人体和同一非机动车，并确定同一人体的人体关键点和同一非机动车的非机动车关键点，将确定出为同一人体和同一非机动车的所述下一帧作为当前的跟踪视频帧。
本发明的实施例通过跟踪当前的骑行人和非机动车，达到对骑行人和非机动车跟踪从而达到对关键点的跟踪的目的，不必逐帧的分析骑行人和非机动车的关键点，只需跟踪即可，并为跟踪的方式提供了一种技术方案，计算代价不高，可同时检测多个目标并及时做出判断，满足实时性要求。
在一些实施例中，所述的人体关键点包括所述人体的左腕关节点、右腕关节点中的至少一个，所述非机动车关键点包括所述非机动车的左方向握把点、右方向握把点中的至少一个；
所述根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件，具体为：
计算所述人体的左腕关节点与所述非机动车的左方向握把点的横坐标距离和纵坐标距离，和/或计算所述人体的右腕关节点与所述非机动车的右方向握把点的横坐标距离和纵坐标距离，若所述横坐标距离和所述纵坐标距离其中之一大于预设数值，则满足预设的违规行为条件。
本发明的实施例通过实时计算骑行中的人的左腕关节点与左方向握把点之间的距离，和/或，计算骑行中的人的右腕关节点与右方向握把点之间的距离，若其中任一距离大于预设数值则符合违规条件，可快速的确定可能发生的违规目标，为进一步确定违规类型提供数据输入，满足实时性的需要。
在一些实施例中，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型，具体为：
计算所述参考对象的中心点与所述非机动车关键点之间的距离，若所述距离符合预设条件，则所述距离与确定出的参考对象共同确定违规行为类型。
本发明的实施例通过计算参考对象的中心点与非机动车关键点之间的距离，若所述距离符合预设条件，则与参考对象共同确定违规行为类型，进一步细化违规类型，为进一步准确判定违规类型提供了一种新的方法与思路。
在一些实施例中，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型之后，还包括：
针对确定的违规行为类型，进行提醒操作。
本发明实施例通过对发现的违规的行为进行提醒，辅助违规骑行人改正不良的骑行习惯，或提醒他人小心违规行为的非机动车。
第二方面，本发明实施例提供了一种非机动车违规监控方法，包括：
图像部件及分析部件；所述图像部件，用于确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；所述当前的跟踪视频帧包括所述监控视频中第一次同时出现人体和非机动车的视频帧之后，对所述人体的人体关键点和所述非机动车的非机动车关键点进行实时跟踪的视频帧；并将所述实时跟踪的视频帧发送至所述分析部件；所述分析部件，用于接收所述图像部件的视频帧，根据所述当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件；所述预设违规行为包括所述人体在所述目标场景中违规使用所述非机动车的操作。
在一些实施例中，所述分析部件还用于，若确定所述当前的跟踪视频帧满足所述违规行为条件，则从所述当前的跟踪视频帧中截取至少包含所述人体和所述非机动车的区域为待处理图像；
基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型；所述参考对象是基于违规行为的至少一个类型预先设置的。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括处理器及存储器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现如第一方面所述方法的步骤。
其中，所述第二方面、第三方面、第四方面的实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果，此处不再赘述。
本发明有益效果如下：
本发明的实施例根据实时采集监控视频中当前的跟踪视频帧，当检测到第一次同时出现人体和非机动车后，对人体和非机动车的关键点进行实时跟踪，并根据跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件，可快速的查找到存在可能违规行为的骑行人和非机动车，从检测到骑行人及非机动车开始至消失，根据当前的监控视频中的视频帧只需做一次骑行人和非机动车的检测，再实时跟踪监测人体关键点和所述非机动车关键点的位置关系是否存在违规即可，不必逐帧的实时检测分析骑行人是否有违规行为，耗时时间短，计算复杂度不高，可同时检测多个骑行人及非机动车并及时做出判断，满足实时性要求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种违规行为识别方法流程图；
图2为本发明实施例违规抓拍示意图；
图3为本发明实施例提供的包含监控目标的小区域图像；
图4为本发明实施例提供的监控目标的宽、高、中心点示意图；
图5为本发明实施例提供的一种违规行为识别装置的结构框图。
其中，OBJ-参考对象，WL-左腕关节点,GL-左方向握把点,WR-右腕关节点,GR-右方向握把点；Bc-监控目标中心点，Bw-监控目标宽度,Bh-监控目标高度。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
随着城市化的进程不断加快，互联网的发展渐渐渗透到了人们生活中的每一个角落，共享单车的出现也是其中的一项重要产物。
虽然共享单车这种非机动车为人们提供了方便，但非机动车监管措施的缺失导致仍有相当一部分人漠视交通规则，这对非机动车驾驶员以及其他行人的人身安全造成了威胁。
现有的监控系统虽然实现了对机动车的监管，但对非机动车的监管还是不足，原因之一为非机动车及骑行人相对于机动车来说，属于小目标，若需进一步判定违规行为，则需要对违规非机动车骑行人手持的极小物体进行分析，由于极小物体属于极小像素目标，在大图上进行极小目标的检测为业内难点问题，极易出现检测不稳定的情况，且逐帧的图像帧检测属于高耗时算法，当画面中存在密集的非机动车时会由于计算时间过长而无法满足实时性要求，无法快速的判定非机动车是否存在违规行为，因此如何优化算法也是亟需解决的问题。
为解决上述技术问题，本发明的实施例提供了一种违规行为识别方法，如图1所示，包括以下步骤：
S101、确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；当前的跟踪视频帧包括监控视频中第一次同时出现人体和非机动车的视频帧之后，对人体的人体关键点和非机动车的非机动车关键点进行实时跟踪的视频帧；
S102、根据当前的跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件；预设违规行为包括人体在目标场景中违规使用非机动车的操作。
图2为抓拍的包含骑行人和非机动车的视频帧图像，将抓拍到的彩色图像经边缘提取并灰度处理后如图2所示，由于处理技术水平所限，图2仅为抓拍的示意图。
图3为判定满足预设的违规行为条件后截取的待处理图像的示意图。
其中，WL-左腕关节点,GL-左方向握把点,WR-右腕关节点,GR-右方向握把点。
如图2及图3所示，人体关键点可以包括左腕关节点、右腕关节点，还可以包括其它的关键点如人脸、人眼等，出于保密的需要，此图对骑行人的脸部进行了处理，但在实际的应用过程中，会对人脸进行识别，此图仅为示意；非机动车关键点可以包括左方向握把点、右方向握把点，还可以包括其它的关键点，如非机动车的中心点、非机动车前轮与地面的接触点等，根据人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件，违规行为条件表征当前的跟踪视频帧中存在预设违规行为的可疑程度大于程度阈值，如通过计算左腕关节点与左方向握把点间的位置关系、右腕关节点与右方向握把点之间的位置关系，或计算其它关键点之间的位置关系，如左腕关节点与非机动的中心点的位置关系，亦或是人眼与非机动的中心点之间的位置关系等，根据不同的位置关系设置有不同的阈值，若大于程度阈值，或预设的阈值，则判断包含关键点的位置关系的当前的跟踪视频帧满足预设的违规行为条件，即违规行为条件表征当前的跟踪视频帧中存在预设违规行为的可疑程度大于程度阈值。
预设违规行为包括骑行人在目标场景中违规使用非机动车的操作，可以根据实际情况与需要进行设定，如骑行看手机、或是骑行看书等，根据关键点之间的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件。
本发明的实施例根据实时采集监控视频中当前的跟踪视频帧，当检测到第一次同时出现人体和非机动车后，对人体和非机动车的关键点进行实时跟踪，并根据跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件，可快速的查找到存在可能违规行为的骑行人和非机动车，从检测到骑行人及非机动车开始至消失，根据当前的监控视频中的视频帧只需做一次骑行人和非机动车的检测，再实时跟踪监测人体关键点和所述非机动车关键点的位置关系是否存在违规即可，不必逐帧的实时检测分析骑行人是否有违规行为，耗时时间短，计算复杂度不高，可同时检测多个骑行人及非机动车并及时做出判断，满足实时性要求。
可选的，作为其中一种实施例，根据当前的跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件之后，还包括：
若确定当前的跟踪视频帧满足预设的违规行为条件，则从当前的跟踪视频帧中截取至少包含人体和非机动车的区域为待处理图像；基于识别出的待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型；参考对象是基于违规行为的至少一个类型预先设置的。
如图1所示，本实施例省略与上述实施例相同步骤的描述，仅描述与上述实施例有所区别的内容；
S103、判断当前的跟踪视频帧是否满足预设的违规行为条件；
若是，执行步骤S104；若否，执行步骤S101，继续实时采集监控视频中当前的跟踪视频帧；
S104、从当前的跟踪视频帧中截取至少包含所述人体和所述非机动车的区域为待处理图像；
S105、判断待处理图像中是否包含参考对象；
若是，执行步骤S106；
S106、基于识别出的待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型；参考对象是基于违规行为的至少一个类型预先设置的。
若确定当前的跟踪视频帧满足预设的违规行为条件，则在当前图像帧中截取至少包含所述人体和所述非机动车的区域为待处理图像，如图3所示，需要说明的是，图3仅为截取的其中之一的示意图，若跟踪视频帧满足预设的违规行为条件，截取的区域可能不仅为当前一幅图像，有可能有其它被截取的区域，比如图2中的两位骑行人都存在违规行为，但这里出于说明的需要，只对其中之一的违规骑行人进行说明。基于识别出的待处理图像中包含的参考对象OBJ，确定当前的跟踪视频帧中的违规行为类型；参考对象OBJ是基于违规行为的至少一个类型预先设置的，即分析图3区域，先对参考对象OBJ进行识别，识别的方式可以采用深度学习方法进行目标检测，可以为anchor-base目标检测算法，如YOLO算法、SSD算法、RCNN算法等，也可以为anchor-free目标检测算法，如CenterNet算法、CornerNet算法等，也可以为其它的算法，识别出参考对象OBJ后，再基于识别出的参考对象OBJ，确定当前的跟踪视频帧中的违规行为类型，参考对象OBJ是基于违规行为的至少一个类型预先设置的，如书、手机、香烟等，可根据实际的需要进行人工设置，进一步的确定当前的跟踪视频帧中的违规行为类型；若所述待处理图像中不包含所述参考对象OBJ，则可根据人工设置的违规条件进行选择是否需要输出手不握把的违规行为。
本发明的实施例通过确定当前的跟踪视频帧满足所述预设的违规行为条件后，截取至少包含所述人体和所述非机动车的区域为待处理图像，并识别待处理图像中包含的参考对象来进一步的判定骑行人是否存在违规行为，并判断违规行为类型，该技术方案基于待处理图像进行处理，可稳定检测极小像素下的参考对象，准确识别待处理图像中的参考对象，结合预设的违规行为条件，对非机动车是否存在违规行为进行二次判断，降低误判概率。
可选的，作为其中一种实施例，实时采集监控视频中当前的跟踪视频帧，具体方法包括：获取监控视频中同时出现人体和非机动车的当前帧及当前帧的前一帧，根据前一帧与当前帧计算人体和非机动车在当前帧的位移特征，预测人体和非机动车在当前帧的下一帧出现的位置范围，若人体和非机动车出现在下一帧的位置范围内，确定为同一人体和同一非机动车，并确定同一人体的人体关键点和同一非机动车的非机动车关键点，将确定出为同一人体和同一非机动车的下一帧作为当前的跟踪视频帧。
以下通过实施例来进行说明。
本发明实施例采用深度学习方法进行目标检测，如CenterNet、CornerNet等方式，当然也可以采用其它的方法进行目标检测，此处不做限定，根据实时采集的监控视频只做一次目标检测算法，即根据接收的视频帧，检测所有第一次同时出现人体和非机动车的视频帧，将第一次同时出现人体和非机动车作为监控目标，当检测到监控目标后，形成一个以监控目标宽、高构成的监控目标框，并根据监控目标宽、高，计算监控目标的中心点，也可以利用监控目标的其它的点，此处仅为举例，利用监控目标框的中心点，计算当前帧监控目标的位移特征，预测监控目标在下一帧出现的位置范围，若下一帧监控目标出现在下一帧的位置范围内，确定为同一监控目标，并确定为同一监控目标的关键点，将确定出为同一监控目标的下一帧作为当前的跟踪视频帧。
如图4所示，设中心点为Bc、宽为Bw、高为Bh，利用非机动车宽Bw、高Bh，形成监控目标框，将包含在内的关键点如左腕关节点,左方向握把点、右腕关节点、右方向握把点等判断为属于该非机动车的关键点。
设当前帧目标中心点为(x1,y1)，宽为w1，高为h1，设相比上一帧的位移为(Δx,Δy)，那么，目标下一帧可能出现的坐标位置范围为：
x＝x1+Δx±0.5*w1；
y＝y1+Δy±0.5*h1；
其中，0.5为设定的阈值，可以根据实际情况进行调整，此处以0.5为例进行计算。
在[x+Δx±0.5*w1，y+Δy±0.5*h1]的范围内，若在下一帧中出现的监控目标框与当前帧监控目标框的IOU>0.5，其中IOU>0.5也为根据需要设定的阈值，可以根据实际情况进行调整，此处以IOU>0.5为例来判断是否为同一目标，若IOU>0.5则确定为同一监控目标，将id绑定，确定为同一监控目标并确定同一监控目标的关键点，进行关键点的跟踪，将确定出为同一监控目标的下一帧作为当前的跟踪视频帧。
本发明的实施例通过跟踪当前的骑行人和非机动车，达到对骑行人和非机动车跟踪从而达到对关键点的跟踪的目的，不必逐帧的分析骑行人和非机动车的关键点，只需跟踪即可，并为跟踪的方式提供了一种技术方案，计算代价不高，可同时检测多个目标并及时做出判断，满足实时性要求。
可选的，作为其中一种实施例，人体关键点包括人体的左腕关节点、右腕关节点中的至少一个，非机动车关键点包括非机动车的左方向握把点、右方向握把点中的至少一个；根据当前的跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件，具体为：计算人体的左腕关节点与非机动车的左方向握把点的横坐标距离和纵坐标距离，和/或计算人体的右腕关节点与非机动车的右方向握把点的横坐标距离和纵坐标距离，若横坐标距离和纵坐标距离其中之一大于预设数值，则满足预设的违规行为条件。
以下通过实施例来进行说明。
如图3所示，其中，WL-左腕关节点，GL-左方向握把点,WR-右腕关节点,GR-右方向握把点。
同上述实施例，若有检测到非机动车为骑行状态，则将该非机动车进行骑行违规行为进行判断，假设阈值为thres_c。
对该非机动车的左腕关节点WL、右腕关节点WR、左方向握把点GL、右方向握把点GR进行公式1计算，若其中有任意一条成立，即符合预设的违规条件。
公式1如下：
其中，.x代表.x当前点的x坐标值，.y代表.y当前点的纵坐标值，即WR.x代表WR点的x坐标值，WR.y代表WR点的y坐标值，同理所述，GR.x代表GR点的x坐标值，GR.y代表GR点的y坐标值，其它类推，不再重复叙述。
式1计算了左腕关节点WL与左方向握把点GL对应的x横坐标与y纵坐标的差值，及右腕关节点WR与右方向握把点GR对应的x横坐标与y纵坐标的差值，即计算人体的左腕关节点与非机动车的左方向握把点的横坐标距离和纵坐标距离，和/或，计算人体的右腕关节点与非机动车的右方向握把点的横坐标距离和纵坐标距离，若横坐标距离和纵坐标距离其中之一大于预设数值，即阈值thres_c，则满足预设的违规行为条件。
本实施例中，设阈值thres_c为(1/5)*Bw，当然，阈值thres_c可以根据需求自行定义。
本发明的实施例通过实时计算骑行中的人体的左腕关节点与非机动车的左方向握把点的横坐标距离和纵坐标距离，及计算人体的右腕关节点与非机动车的右方向握把点的横坐标距离和纵坐标距离，若横坐标距离和纵坐标距离其中之一大于预设数值则符合违规条件，即违规行为条件表征为当前的跟踪视频帧中存在预设违规行为的可疑程度大于程度阈值thres_c，通过本技术方案，可快速的确定可能发生的违规目标，为进一步确定违规类型提供数据输入，满足实时性的需要。
可选的，作为其中一种实施例，基于待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型，具体为：计算参考对象的中心点与非机动车关键点之间的距离，若距离符合预设条件，则距离与确定出的参考对象共同确定违规行为类型。
以下通过具体的实施例进行说明。
如图3所示，其中，WL-左腕关节点，GL-左方向握把点,WR-右腕关节点,GR-右方向握把点，OBJ-参考对象。
参见前述实施例，若人体关键点和非机动车关键点的位置关系符合预设的违规条件，则在跟踪视频帧中截取至少包含人体和非机动车的区域为待处理图像，如图3所示，分析待处理图像是否含有参考对象OBJ，参考对象OBJ为基于违规行为的至少一个类型预先设置的，因此，参考对象OBJ根据需求设置。
分析的方式可以采用深度学习方法进行目标检测，可以为anchor-base目标检测算法，如YOLO算法、SSD算法、RCNN算法等，也可以为anchor-free目标检测算法，如CenterNet算法、CornerNet算法等，也可以为其它的算法对参考对象OBJ进行分析，基于深度学习算法，得到参考对象OBJ的高度及宽度，根据参考对象OBJ的高度及宽度形成参考对象的目标框，并根据得到参考对象的高度及宽度，计算参考对象OBJ的坐标中心点，如图3所示的参考对象OBJ的目标框，设参考对象OBJ的目标框的中心点为Sc，宽为Sw，高为Sh。
对参考对象OBJ的中心点与非机动车关键点的距离进行公式2的计算，若公式2的四个不等式同时成立，则需与确定出的参考对象共同确定违规行为类型。
公式2如下：
其中，.x代表.x当前点的x坐标值，.y代表.y当前点的纵坐标值，即Sc.x代表Sc点的x坐标值，GR.y代表GR点的y坐标值，其它类推，不再重复叙述。
其中，GL为左方向握把点，GR为右方向握把点，thres_a为设定的阈值，在本实施例中，thres_a设定为1，当然，可以根据椒实际情况自行设定。
式2计算了参考对象OBJ的目标框的中心点与非机动车关键点的左、右握把点之间的距离，若参考对象OBJ的目标框的中心点与非机动车关键点的左、右握把点之间的距离使公式2的四个不等式同时成立，即距离符合预设条件，则需与确定出的参考对象OBJ共同确定违规行为类型。
参考对象OBJ是基于违规行为的至少一个类型预先设置的，即为根据系统的设置提前输入，如手机、书、为香烟等可以进一步判定违规行为的参考对象OBJ，通过采用深度学习方法对参考对象OBJ的目标框进行检测，进一步分析参考对象OBJ，若分析到参考对象OBJ为手机，且满足公式2，则可确定违规类型为骑行看手机违规行为，若分析到的参考对象OBJ为香烟，且满足公式2，则可确定违规类型为骑行吸烟违规行为，若分析到的参考对象OBJ为书，且满足公式2，则可确定违规类型为骑行看书违规行为。
本发明实施例通过计算参考对象的中心点与非机动车关键点之间的距离，若距离符合预设条件，则根据距离与确定出的参考对象共同确定违规行为类型，进一步细化违规类型，为进一步准确判定违规类型提供了一种新的方法与思路。
可选的，作为其中一种实施例，若确定所述待处理图像中不包含所述参考对象，则确定所述当前的跟踪视频帧中不存在所述违规行为。
如图1所示，本实施例省略前述实施例及上述实施例相同步骤的描述，仅描述与前述实施例有所区别的内容；
S105、判断待处理图像中是否包含参考对象；
若否，执行步骤S107；
S107、若确定待处理图像中不包含参考对象，则确定当前的跟踪视频帧中不存在违规行为。
若未分析到参考对象，但满足公式1，即满足手不扶方向把行为条件，可根据系统设置，若手不扶方向把行为不认定是违规类型，则不认定手不扶方向握把行为是违规行为，即若确定所述待处理图像中不包含参考对象，则确定当前的跟踪视频帧中不存在违规行为。
本发明实施例的技术方案，通过进一步分析待处理图像中是否包含所述参考对象的操作，对已满足预设的违规行为条件的跟踪视频帧再次判断，若未分析到参考对象，则根据实际需要对判定行为进行校正，提高违规行为识别方法判定的准确率。
可选的，作为其中一种实施例，基于待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型之后，还包括：截取包含违规行为的视频帧并上传；或，对包含违规行为的图像进行抓拍，并上传抓拍的图像。
如图1所示，本实施例省略前述实施例相同步骤的描述，仅描述与前述实施例有所区别的内容；
S108、截取包含违规行为的视频帧并上传；或，对包含违规行为的图像进行抓拍，并上传抓拍的图像。
当确定有违规行为存在后，即识别出当前的跟踪视频帧中包含的参考对象OBJ，且满足公式1及公式2的情况下，或，当前的跟踪视频帧中不包含参考对象OBJ，但满足公式1时，根据系统的设置，判定手不扶方向把的行为是违规行为存在时，则截取包含违规行为的视频帧并上传，或，对包含违规行为的图像进行抓拍，并上传抓拍的图像，作为违规证据留存。
本发明实施例的技术方案，当确定有违规行为后，通过上传违规行为的视频或对包含违规行为的图像进行抓拍，保留违规行为证据，解决因骑行人违规行为可能产生的争议。
可选的，作为其中一种实施例，基于待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型之后，还包括：
针对确定的违规行为类型，进行提醒操作。
如图1所示，本实施例省略前述实施例相同步骤的描述，仅描述与前述实施例有所区别的内容；
S109、针对确定的违规行为类型，进行提醒操作。
提醒的形式可以通过声音的方式提醒，也可以通过播放视频的方式提醒，根据不同的违规类型，提示不同的内容，比如语音形式提醒骑行人不要违规，或是语音警告其违规行为，辅助违规骑行人改正不良的骑行习惯，或提醒他人小心违规行为的非机动车，或是以视频警示的形式，为其它人提供反面的警示素材。
本发明实施例通过对发现的违规的行为进行提醒，辅助违规骑行人改正不良的骑行习惯，或提醒他人小心违规行为的非机动车。
基于同一发明构思，本实施例还提供了一种违规行为识别装置500，如图5所示，包括：图像部件501及分析部件502；
图像部件501，用于确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；当前的跟踪视频帧包括监控视频中第一次同时出现人体和非机动车的视频帧之后，对人体的人体关键点和非机动车的非机动车关键点进行实时跟踪的视频帧；并将实时跟踪的视频帧发送至分析部件502；
分析部件502，用于接收图像部件501的视频帧，根据当前的跟踪视频帧中人体关键点和非机动车关键点的位置关系，确定当前的跟踪视频帧是否满足预设的违规行为条件；预设违规行为包括人体在目标场景中违规使用非机动车的操作。
可选的，作为其中一种实施例，分析部件502还用于，若确定当前的跟踪视频帧满足违规行为条件，则从当前的跟踪视频帧中截取至少包含人体和非机动车的区域为待处理图像；基于待处理图像中包含的参考对象，确定当前的跟踪视频帧中的违规行为类型；参考对象是基于违规行为的至少一个类型预先设置的。
基于同一发明构思，本实施例还提供了一种电子设备，电子设备包括处理器及存储器，处理器用于执行存储器中存储的计算机程序时实现上述实施例中任一项方法的步骤。
基于同一发明构思，本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中任一项方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种违规行为识别方法，其特征在于，包括：
确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；所述当前的跟踪视频帧包括所述监控视频中第一次同时出现人体和非机动车的视频帧之后，对所述人体的人体关键点和所述非机动车的非机动车关键点进行实时跟踪的视频帧；
根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件；所述预设违规行为包括所述人体在所述目标场景中违规使用所述非机动车的操作。
2.如权利要求1所述的方法，其特征在于，所述根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件之后，还包括：
若确定所述当前的跟踪视频帧满足所述预设的违规行为条件，则从所述当前的跟踪视频帧中截取至少包含所述人体和所述非机动车的区域为待处理图像；
基于识别出的所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型；所述参考对象是基于违规行为的至少一个类型预先设置的。
3.如权利要求2所述的方法，其特征在于，还包括：
若确定所述待处理图像中不包含所述参考对象，则确定所述当前的跟踪视频帧中不存在所述违规行为。
4.如权利要求2所述的方法，其特征在于，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型之后，还包括：
截取包含所述违规行为的视频帧并上传；或，
对包含违规行为的图像进行抓拍，并上传抓拍的图像。
5.如权利要求1所述的方法，其特征在于，所述实时采集监控视频中当前的跟踪视频帧，具体方法包括：
获取所述监控视频中同时出现所述人体和所述非机动车的当前帧及所述当前帧的前一帧，根据所述前一帧与所述当前帧计算所述人体和所述非机动车在所述当前帧的位移特征，预测所述人体和所述非机动车在所述当前帧的下一帧出现的位置范围，若所述人体和所述非机动车出现在所述下一帧的所述位置范围内，确定为同一人体和同一非机动车，并确定同一人体的人体关键点和同一非机动车的非机动车关键点，将确定出为同一人体和同一非机动车的所述下一帧作为当前的跟踪视频帧。
6.如权利要求1所述的方法，其特征在于，所述的人体关键点包括所述人体的左腕关节点、右腕关节点中的至少一个，所述非机动车关键点包括所述非机动车的左方向握把点、右方向握把点中的至少一个；
所述根据当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件，具体为：
计算所述人体的左腕关节点与所述非机动车的左方向握把点的横坐标距离和纵坐标距离，和/或计算所述人体的右腕关节点与所述非机动车的右方向握把点的横坐标距离和纵坐标距离，若所述横坐标距离和所述纵坐标距离其中之一大于预设数值，则满足预设的违规行为条件。
7.如权利要求2所述的方法，其特征在于，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型，具体为：
计算所述参考对象的中心点与所述非机动车关键点之间的距离，若所述距离符合预设条件，则所述距离与确定出的参考对象共同确定违规行为类型。
8.如权利要求2所述的方法，其特征在于，所述基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型之后，还包括：
针对确定的违规行为类型，进行提醒操作。
9.一种违规行为识别装置，其特征在于，包括：图像部件及分析部件；
所述图像部件，用于确定针对目标场景，实时采集监控视频中当前的跟踪视频帧；所述当前的跟踪视频帧包括所述监控视频中第一次同时出现人体和非机动车的视频帧之后，对所述人体的人体关键点和所述非机动车的非机动车关键点进行实时跟踪的视频帧；并将所述实时跟踪的视频帧发送至所述分析部件；
所述分析部件，用于接收所述图像部件的视频帧，根据所述当前的跟踪视频帧中所述人体关键点和所述非机动车关键点的位置关系，确定所述当前的跟踪视频帧是否满足预设的违规行为条件；所述预设违规行为包括所述人体在所述目标场景中违规使用所述非机动车的操作。
10.一种违规行为识别装置，其特征在于，所述分析部件还用于，若确定所述当前的跟踪视频帧满足所述违规行为条件，则从所述当前的跟踪视频帧中截取至少包含所述人体和所述非机动车的区域为待处理图像；
基于所述待处理图像中包含的参考对象，确定所述当前的跟踪视频帧中的违规行为类型；所述参考对象是基于违规行为的至少一个类型预先设置的。
11.一种电子设备，其特征在于，所述电子设备包括处理器及存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110816566.1A CN113470080B (zh) | 2021-07-20 | 一种违规行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110816566.1A CN113470080B (zh) | 2021-07-20 | 一种违规行为识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470080A true CN113470080A (zh) | 2021-10-01 |
| CN113470080B CN113470080B (zh) | 2024-05-14 |
Family
ID=
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187666A (zh) * | 2021-12-23 | 2022-03-15 | 中海油信息科技有限公司 | 边走路边看手机的识别方法及其系统 |
| CN114419329A (zh) * | 2022-03-30 | 2022-04-29 | 浙江大华技术股份有限公司 | 车辆载人数量检测方法及装置 |
| CN114882597A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种目标行为的识别方法、装置及电子设备 |
| CN115294774A (zh) * | 2022-06-20 | 2022-11-04 | 桂林电子科技大学 | 基于深度学习的非机动车道路违停检测方法及装置 |
| CN115579123A (zh) * | 2022-11-23 | 2023-01-06 | 南京中卫信软件科技股份有限公司 | 基于数据处理的智能接种桌的控制方法及装置 |
| CN116168350A (zh) * | 2023-04-26 | 2023-05-26 | 四川路桥华东建设有限责任公司 | 基于物联网实现施工人员违规行为的智能监测方法及装置 |
| CN116453205A (zh) * | 2022-11-22 | 2023-07-18 | 深圳市旗扬特种装备技术工程有限公司 | 一种营运车辆滞站揽客行为识别方法、装置及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101885839B1 (ko) * | 2017-03-14 | 2018-08-06 | 중앙대학교 산학협력단 | 객체추적을 위한 특징점 선별 장치 및 방법 |
| CN110516620A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
| WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
| CN110674785A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于人体关键点跟踪的多人姿态分析方法 |
| CN111161316A (zh) * | 2019-12-18 | 2020-05-15 | 深圳云天励飞技术有限公司 | 目标物体跟踪方法、装置及终端设备 |
| CN111368696A (zh) * | 2020-02-28 | 2020-07-03 | 淮阴工学院 | 基于视觉协同的危化品运输车违规驾驶行为检测方法及系统 |
| CN112307846A (zh) * | 2019-08-01 | 2021-02-02 | 北京新联铁集团股份有限公司 | 乘务违规分析方法 |
| CN112419733A (zh) * | 2020-10-16 | 2021-02-26 | 杭州智行星科技有限公司 | 一种用户不规范停车的检测方法、装置、设备和存储介质 |
| CN112990069A (zh) * | 2021-03-31 | 2021-06-18 | 新疆爱华盈通信息技术有限公司 | 异常驾驶行为检测方法、装置、终端及介质 |
| CN113055823A (zh) * | 2021-04-01 | 2021-06-29 | 超级视线科技有限公司 | 一种基于路侧停车管理共享单车的方法及装置 |
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101885839B1 (ko) * | 2017-03-14 | 2018-08-06 | 중앙대학교 산학협력단 | 객체추적을 위한 특징점 선별 장치 및 방법 |
| WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
| CN112307846A (zh) * | 2019-08-01 | 2021-02-02 | 北京新联铁集团股份有限公司 | 乘务违规分析方法 |
| CN110516620A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
| CN110674785A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于人体关键点跟踪的多人姿态分析方法 |
| CN111161316A (zh) * | 2019-12-18 | 2020-05-15 | 深圳云天励飞技术有限公司 | 目标物体跟踪方法、装置及终端设备 |
| CN111368696A (zh) * | 2020-02-28 | 2020-07-03 | 淮阴工学院 | 基于视觉协同的危化品运输车违规驾驶行为检测方法及系统 |
| CN112419733A (zh) * | 2020-10-16 | 2021-02-26 | 杭州智行星科技有限公司 | 一种用户不规范停车的检测方法、装置、设备和存储介质 |
| CN112990069A (zh) * | 2021-03-31 | 2021-06-18 | 新疆爱华盈通信息技术有限公司 | 异常驾驶行为检测方法、装置、终端及介质 |
| CN113055823A (zh) * | 2021-04-01 | 2021-06-29 | 超级视线科技有限公司 | 一种基于路侧停车管理共享单车的方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| DAEWON KWON, ET AL.: "A System for Determining Braking Distance by Predicting Weight Using Image Processing to Predict Illegal Red Light Running Events", IEEE XPLORE * |
| 田纲;胡瑞敏;王中元;: "一种基于运动矢量分析的Mean shift目标跟踪算法", 中国图象图形学报, no. 01 * |
| 贾伟;孙伟;李大健;: "一种鲁棒的目标跟踪方法", 光子学报, no. 10 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187666A (zh) * | 2021-12-23 | 2022-03-15 | 中海油信息科技有限公司 | 边走路边看手机的识别方法及其系统 |
| CN114187666B (zh) * | 2021-12-23 | 2022-09-02 | 中海油信息科技有限公司 | 边走路边看手机的识别方法及其系统 |
| CN114419329A (zh) * | 2022-03-30 | 2022-04-29 | 浙江大华技术股份有限公司 | 车辆载人数量检测方法及装置 |
| CN114419329B (zh) * | 2022-03-30 | 2022-08-09 | 浙江大华技术股份有限公司 | 车辆载人数量检测方法及装置 |
| CN115294774A (zh) * | 2022-06-20 | 2022-11-04 | 桂林电子科技大学 | 基于深度学习的非机动车道路违停检测方法及装置 |
| CN115294774B (zh) * | 2022-06-20 | 2023-12-29 | 桂林电子科技大学 | 基于深度学习的非机动车道路违停检测方法及装置 |
| CN114882597A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种目标行为的识别方法、装置及电子设备 |
| CN116453205A (zh) * | 2022-11-22 | 2023-07-18 | 深圳市旗扬特种装备技术工程有限公司 | 一种营运车辆滞站揽客行为识别方法、装置及系统 |
| CN115579123A (zh) * | 2022-11-23 | 2023-01-06 | 南京中卫信软件科技股份有限公司 | 基于数据处理的智能接种桌的控制方法及装置 |
| CN115579123B (zh) * | 2022-11-23 | 2023-02-28 | 南京中卫信软件科技股份有限公司 | 基于数据处理的智能接种桌的控制方法及装置 |
| CN116168350A (zh) * | 2023-04-26 | 2023-05-26 | 四川路桥华东建设有限责任公司 | 基于物联网实现施工人员违规行为的智能监测方法及装置 |
| CN116168350B (zh) * | 2023-04-26 | 2023-06-27 | 四川路桥华东建设有限责任公司 | 基于物联网实现施工人员违规行为的智能监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423690B (zh) | 一种人脸识别方法及装置 | |
| EP1589485B1 (en) | Object tracking and eye state identification method | |
| JP2022140519A (ja) | プログラム、ヘルメット着用判定システム、ヘルメット着用判定方法 | |
| CN107292251B (zh) | 一种基于人眼状态的驾驶员疲劳检测方法及系统 | |
| CN110826370B (zh) | 车内人员的身份识别方法、装置、车辆及存储介质 | |
| CN105286802B (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
| CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
| JP2006011728A (ja) | 不審者対策システム及び不審者検出装置 | |
| CN110728218A (zh) | 危险驾驶行为的预警方法、装置、电子设备及存储介质 | |
| Alioua et al. | Driver’s fatigue and drowsiness detection to reduce traffic accidents on road | |
| CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
| CN112115803B (zh) | 口罩状态提醒方法、装置及移动终端 | |
| Lashkov et al. | Driver dangerous state detection based on OpenCV & dlib libraries using mobile video processing | |
| CN111583660B (zh) | 车辆转向行为检测方法、装置、设备及存储介质 | |
| CN108830204B (zh) | 面对目标的监控视频中异常检测方法 | |
| JP2021089717A (ja) | 対象の再特定の方法 | |
| CN112818839A (zh) | 驾驶员违章行为识别方法、装置、设备及介质 | |
| CN109643488A (zh) | 交通异常事件检测装置及方法 | |
| CN116012822B (zh) | 一种疲劳驾驶的识别方法、装置及电子设备 | |
| CN113470080B (zh) | 一种违规行为识别方法 | |
| CN113470080A (zh) | 一种违规行为识别方法 | |
| CN111914704B (zh) | 一种三轮车载人的识别方法、装置、电子设备及存储介质 | |
| Li et al. | A new method for detecting fatigue driving with camera based on OpenCV | |
| CN113128540B (zh) | 非机动车盗车行为的检测方法、装置及电子设备 | |
| CN111797658A (zh) | 车道线识别方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant |