CN113645435A - 影像监控装置与方法 - Google Patents

影像监控装置与方法 Download PDF

Info

Publication number
CN113645435A
CN113645435A CN202010343130.0A CN202010343130A CN113645435A CN 113645435 A CN113645435 A CN 113645435A CN 202010343130 A CN202010343130 A CN 202010343130A CN 113645435 A CN113645435 A CN 113645435A
Authority
CN
China
Prior art keywords
scene
status
image
living body
valid block
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
CN202010343130.0A
Other languages
English (en)
Inventor
郑宪君
黄捷
李家昶
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.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
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 Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Priority to CN202010343130.0A priority Critical patent/CN113645435A/zh
Publication of CN113645435A publication Critical patent/CN113645435A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00Television systems
    • H04N7/18Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种影像监控装置与影像监控方法,影像监控装置包括一影像感测模块及一处理器。影像感测模块经配置以取得一目标场景的一非可见光动态影像,且非可见光动态影像包括数个图像帧。处理器经配置以根据非可见光动态影像的至少一图像帧执行运算,决定对应于目标场景中至少一活体的状态为数个状态类别之一及非可见光动态影像的至少一状态有效区块,且依据此至少一活体的状态类别设定此至少一状态有效区块的每一像素的场景为数个场景类别之一。

Description

影像监控装置与方法
技术领域
本发明涉及一种监控装置与方法,且特别是涉及一种影像监控装置与方法。
背景技术
随着医疗技术的进步,人类的平均寿命被延长,因此出现了银发健康照护的需求。此外,在银发居家的现象中,独居银发族的数量占有一定的比例,而机构及小区照护人力有限,因此全球均借助科技协助,往居家照顾服务发展。
银发族的主要意外动作伤害如卧室离床行为、不良异常动作、地面湿滑等。因此预防发生与实时(real time)处理是居家安护的重要需求。举例而言,银发族夜间起床跌倒,到隔天上午才被发现。又例如银发族在床上身体不适无法向外求助。因此,动作异常的实时通报是急迫需求。
现有照护系统多以穿戴式感测装置或是压力垫为主,然而,传感器需要长时间配戴,长者配戴意愿低或是会自行拔除。此外,压力垫铺设范围有限,无法随时感测异常跌倒事件。另一方面,目前人工智能(artificial intelligence,AI)辨识技术在动作辨识上已有很高准确率,但却是采用一般影像来辨识。一般影像是指会看到用户的脸部特征、穿着或身体表面等隐私内容,因此被照护者会因为感到隐私被侵犯而使得装设意愿低落。
发明内容
本发明是针对一种影像监控装置与方法,其能够利用被照护者的低敏感度影像的情况下提供良好、有效的安全监控。
本发明的一实施例提出一种影像监控装置,包括一影像感测模块及一处理器。影像感测模块经配置以取得一目标场景的一非可见光动态影像,且非可见光动态影像包括数个图像帧。处理器经配置以执行:根据非可见光动态影像的至少一图像帧执行运算,决定对应于目标场景中至少一活体的状态为数个状态类别之一及非可见光动态影像的至少一状态有效区块,以及依据此至少一活动的状态类别设定此至少一状态有效区块的每一像素的一场景为数个场景类别之一。
本发明的一实施例提出一种影像监控方法,包括:取得一目标场景的一非可见光动态影像;根据非可见光动态影像的至少一图像帧执行运算,决定对应于目标场景中至少一活体的状态为数个状态类别之一及非可见光动态影像的的至少一状态有效区块,以及依据此至少一活体的状态类别设定此至少一状态有效区块的每一像素的一场景为数个场景类别之一。
在本发明的实施例的影像监控装置与方法中,采用非可见光动态影像来辨识出活体、状态类别及状态有效区块,且依据活体的状态类别设定状态有效区块中的像素的场景为数个场景类别之一。因此,在本发明的实施例的影像监控装置与方法可以利用被照护者的低敏感度影像,执行良好、有效的安全监控,以维护被照护者隐私。
附图说明
图1为本发明的一实施例的影像监控装置的示意图。
图2示出图1的影像监控装置所取得的非可见光动态影像。
图3A、图3B及图3C为在依序的三个不同时间中对应于目标场景的像素的监控场景的分布图。
图4A、图4B及图4C为图3A、图3B及图3C的区域P1中的像素所具有场景类别的概率分布。
图5为本发明的另一实施例的影像监控装置所取得的非可见光动态影像的示意图。
图6为本发明的一实施例的影像监控方法的流程图。
图7为图6中的步骤S220及S230的细节步骤的流程图。
图8A为图7中的步骤S110~S114的活体框定区块收缩的示意图。
图8B为图7中的步骤S120的活体框定区块下方50个像素高度区域的场景类别为地板的示意图。
具体实施方式
现将详细地参考本发明的示范性实施例,示范性实施例的实例说明于附图中。只要有可能,相同元件符号在图式和描述中用来表示相同或相似部分。
图1为本发明的一实施例的影像监控装置的示意图,而图2示出图1的影像监控装置所取得的非可见光动态影像。请参照图1与图2,本实施例的影像监控装置100包括一影像感测模块110及一处理器120。影像感测模块110经配置以取得一目标场景的一非可见光动态影像,且此非可见光动态影像包括数个图像帧(图2示出其中之一图像帧),也就是所述非可见光动态影像是由分别在不同时间点感测成像的所述数个图像帧组成。在本实施例中,此非可见光动态影像为热影像(thermal image),并且影像感测模块110可为侦测热影像的热影像摄影机。然而,在其他实施例中,此非可见光动态影像也可以是射频回波影像或超声波影像,并且影像感测模块110可以为超声波收发器或射频电磁波收发器。
处理器120经配置以执行下列步骤。首先,处理器120根据非可见光动态影像的至少一图像帧(例如图2示出的图像帧)执行运算,决定对应于目标场景中至少一活体60的状态为数个状态类别之一及非可见光动态影像的至少一状态有效区块A1。接着,依据此至少一活体60的状态类别设定此至少一状态有效区块A1的每一像素的一场景为数个场景类别之一。举例而言,活体60为人体,而状态类别包括站、坐、躺、爬及未定义中至少一者,而图2所示的活体60的状态类别例如为躺。此外,举例而言,这些场景类别包括地板52、床铺54、座椅56及未定义类别其中至少一者。
在图1、2所示的实施例中,在处理器120决定此至少一活体60的状态类别是站时,处理器120设定此至少一状态有效区块A1的每一像素的场景为地板。在处理器120决定此至少一活体60的状态类别是坐时,处理器120设定此至少一状态有效区块A1的每一像素的场景为座椅。在处理器120决定此至少一活体60的状态类别是躺时,处理器120设定此至少一状态有效区块A1的每一像素的场景为床铺。以图2所示的活体60为例,处理器120判断其状态类别为躺,并且对应的场景类别为床铺,因此处理器120进一步将状态有效区块A1中的每一像素的场景设定为床铺。
图3A、图3B及图3C为在依序的三个不同时间中对应于目标场景的像素的监控场景的分布图,而图4A、图4B及图4C为图3A、图3B及图3C的区域P1中的像素所具有的场景类别的概率分布。请先参照图3A与图4A,在本实施例中,非可见光动态影像中的每一像素具有上述这些场景类别的概率分布(如图4A所示),而处理器120经配置以将每一像素的场景类别的概率分布中概率最高的场景类别设定为此像素的一监控场景。在本实施例中,每一像素所具有的这些场景类别的概率分布所包括的场景类别包括地板(例如4A中的场景类别A)、床铺(如场景类别B)、座椅(如场景类别C)及未定义类别(如场景类别D)。此外,在本实施例中,处理器120经配置以根据上述至少一图像帧的至少一状态有效区块A1及此至少一状态有效区块A1的每一像素的场景来更新状态有效区块A1中的每一像素的场景类别的概率分布。
举例而言,当影像监控装置100安装完毕后,一开始整个场景的非可见光动态影像的所有像素的监控场景预设为场景类别D(即未定义类别),而场景类别D也是像素的预设类别。此时,安装人员可在地板52上走动,而处理器120则对多个图像帧进行运算与判断,而判断各图像帧中活体60(即安装人员)的状态类别为站并决定其对应的状态有效区块,再依据各图像帧中活体60的状态类别,更新各图像帧中活体60对应的状态有效区块(如图3A中的左右两侧)的像素的场景类别的概率分布。在本实施例中,状态类别为站是对应场景类别A(即地板52),因此状态有效区块(如图3A中的左右两侧)的像素的场景类别的概率分布中,场景类别A(即地板52)的概率提升,而超过了场景类别B、场景类别C及场景类别D。因此,处理器120将此状态有效区块(如图3A中的左右两侧)中的像素的监控场景设为场景类别A(如图3A所示)。此外,安装人员没有行走与站立的区域,例如目标场景的中央,因此图3A安装人员没有行走与站立的区域(邻近中央的区域)未新增与累积场景类别的信息,使其场景类别的概率分布没有更新与变动,因此监控场景维持为预设类别,即场景类别D。
接着,安装人员在目标场景的中央区域躺下,并维持躺的状态一段时间,处理器120则对此段时间的数个图像帧进行运算与判断,并判断各图像帧中活体60(即安装人员)的状态类别为躺并决定其对应的状态有效区块,再依据各图像帧中活体60的状态类别,更新各图像帧中活体60对应的状态有效区块(也就是在目标场景中邻近中央的区域)的像素的场景类别的概率分布。在本实施例中,状态类别为躺是对应场景类别B(即对应于床铺的类别),因此状态有效区块(也就是在目标场景中邻近中央的区域)的像素的场景类别的概率分布中,场景类别B(即对应于床铺的类别)的概率提升。当场景类别B的概率成为场景类别的概率分布中概率最高者时,处理器120设定状态有效区块(也就是在目标场景中邻近中央的区域)的像素的监控场景为场景类别B。
然而,在状态有效区块(也就是在目标场景中邻近中央的区域)与左右两侧区域的边界处(例如区域P1处),其场景类别的概率分布尚未有明确较高者,即区域P1处内的像素的场景类别的概率分布中,场景类别A概率与场景类别B概率相近的情况下,处理器120未能对区域P1进行场景类别的判断。此时,安装人员可以继续躺着,且也可以移动一下身体,以改变或扩张躺的位置,继续累积图像帧供处理器120执行运算及判断,在经过一定的时间之后,如图3C与图4C所示,区域P1内的像素的场景类别的概率分布中场景类别B的概率成为所有场景类别中最大者,此时处理器120决定区域P1内的所有像素的监控场景为场景类别B(即对应于床铺54的类别)。至此,虽然非可见光动态影像(例如热影像)并未包含人脸、服装、身体表面及室内摆设物品等较为敏感的细节信息,但处理器120仍可判断床铺54的所在范围即为图3C中场景类别B所在的范围,以据此判断异常。
在本实施例中,影像监控装置100更包括一存储器130,电性连接至处理器120,其中处理器120经配置以将非可见光动态影像及各像素对应的场景类别储存于存储器130中。举例而言,处理器120可将如图3C的场景类别的概率分布的数据储存于存储器130中,也可将非可见光动态影像的各像素的监控场景储存于存储器130中,以便作为异常活动判断的基础。存储器130例如为硬式磁盘、闪存、随机存取内存或其他适当的存储器。上述实施例是以安装人员的活动来建构目标场景的非可见光动态影像的各像素的监控场景,然而,在其他实施例中,也可以是由被照顾者的活动来建构,或者由其他人来建构。
此外,在本实施例中,处理器120经配置以根据非可见光动态影像的另一图像帧执行运算,决定对应于目标场景中的一监控活体(例如被照顾者)的状态为上述这些状态类别之一及对应于此监控活体的至少一侦测有效区块,依据此监控活体的此至少一侦测有效区块、此监控活体的状态及此监控活体的此至少一侦测有效区块的像素对应的监控场景或场景,判断监控活体的状态是否异常,且在判断此监控活体的状态异常时输出警告信号,例如是透过局域网络将警告信号传给区域内(如小区内)的办公室的计算机或监控系统,或者透过因特网将警告信号传给远方的监控中心的监控主机或计算机。
举例而言,当处理器120判断监控活体的状态类别为躺,且监控活体的侦测有效区块的像素为场景类别A(即地板52),且监控活体的状态维持一预设时间(例如30分钟)后,该处理器120判断监控活体(例如被照顾者)躺在地板52时间过长,而有异常状况,因此处理器120输出警告信号,以通知照护或医疗单位人员前来查看,或通知远方的监控中心的人员通知他人前来查看。或者,当处理器120判断监控活体(例如被照顾者)的状态类别为躺,且监控活体的侦测有效区块的像素为场景类别B(即床铺54),并且监控活体的状态超过另一预设时间(例如超过12小时)时,处理器120则判断监控活体状态异常,例如身体发生状况而无法起床,并输出警告信号。
本实施例取得侦测有效区块的运算判断,与前述实施例的状态有效区块相同,其中本实施例的侦测有效区块是依据监控活体(例如被照顾者)的状态决定,而前述实施例的状态有效区块则是依据活体(例如安装人员)的状态决定。
在一实施例中,处理器120例如为中央处理单元(central processing unit,CPU)、微处理器(microprocessor)、数字信号处理器(digital signal processor,DSP)、可程序化控制器、可程序化逻辑设备(programmable logic device,PLD)或其他类似装置或这些装置的组合,本发明并不加以限制。此外,在一实施例中,处理器120的各功能可被实作为多个程序代码。这些程序代码会被储存在内存中,由处理器120来执行这些程序代码。或者,在一实施例中,处理器120的各功能可被实作为一或多个电路。本发明并不限制用软件或硬件的方式来实作处理器120的各功能。
此外,在另一实施例中,如图5所绘示,目标场景中活体的数量可以是多个,且其各自所对应的状态有效区块的数量也是多个,本实施例的多个活体以两个为例(图5中以第一活体61与第二活体62为例),为了能清楚区隔与说明,以下以第一活体61与其对应的第一状态有效区块B1,及第二活体62与其对应的第二状态有效区块B2来描述。处理器120经配置以执行下列步骤。首先,处理器120根据非可见光动态影像的至少一图像帧执行运算,决定对应于目标场景中第一活体61的状态为数个状态类别之一、第二活体62的状态为所述数个状态类别之一,及决定非可见光动态图像对应第一活体61的状态的至少一第一状态有效区块B1、非可见光动态图像对应第二活体62的状态的至少一第二状态有效区块B2。接着,依据第一活体61的状态类别设定第一状态有效区块B1的每一像素的场景为数个场景类别之一、依据第二活体62的状态类别设定第二状态有效区块B2的每一像素的场景为所述数个场景类别之一。举例说明,处理器120运算判断第一活体61的状态类别为躺,并决定其对应的第一状态有效区块B1,同时处理器120判断第二活体62的状态类别为站,并决定其对应的第二状态有效区块B2。接着,处理器120依据第一活体61的状态类别,更新第一状态有效区块B1的像素的场景类别的概率分布,同时依据第二活体62的状态类别,更新第二状态有效区块B2的像素的场景类别的概率分布。本实施例中,第一状态有效区块B1的像素的场景类别的概率分布中,对应于状态躺的场景类别B(即对应于床铺的类别)的概率提升;此外,第二状态有效区块B2的像素的场景类别的概率分布中,对应于状态站的场景类别A(即地板)的概率提升。处理器120依据各像素的场景类别的概率分布,决定非可见光动态影像各像素的监控场景。
图6为本发明的一实施例的影像监控方法的流程图。请参照图1、图2及图6,本实施例的影像监控方法可藉由上述影像监控装置100来实现。影像监控方法包括下列步骤。首先,执行步骤S210,取得目标场景的非可见光动态影像。接着,执行步骤S220根据非可见光动态影像的至少一图像帧执行运算,决定对应于目标场景中至少一活体60的状态为数个状态类别之一及非可见光动态影像的至少一状态有效区块A1。之后,执行步骤S230,依据此至少一活体60的状态类别设定此至少一状态有效区块A1的每一像素的一场景为数个场景类别之一。影像监控方法的部分细节可参照上述影像监控装置100所执行的事项,在此不再重述。而以下将阐述上述影像监控装置100所执行的事项及本实施例的影像监控方法的更为细节的步骤,如图7所示。
请参照图7,其显示步骤S220及S230的细节步骤,说明如下。在本实施例中非可见光动态影像是热影像数据,而在取得非可见光动态影像后,处理器120执行步骤S104,对非可见光动态影像的至少一图像帧执行色域转换图像帧(热影像数据)由单信道(channel)转换成三信道色彩信息。处理器120执行步骤S106,对步骤S104中经色域转换后的输出执行正规化运算强化影像中不同温度的对比,举例而言,可以是依据一温度范围内的最高温来进行正规化,以凸显影像中在此温度范围内的不同温度的对比。接着,处理器120执行步骤S108,依据步骤S106运算处理后的结果执行机器学习,运算出非可见光动态影像中热源,也就是活体的状态类别及区域,也就是藉此判别出非可见光动态影像中的活体。
再执行步骤S110,对步骤S108运算所得的非可见光动态影像的图像帧及信息执行运算,决定非可见光动态影像的图像帧中对应于活体的活体框定区块,例如在图8A的非可见光动态影像的图像帧中,决定对应于活体的活体框定区块A2,并执行运算以将活体框定区块A2收缩到活体框定区块A3,也就是判断对应于活体的活体框定区块由包含四肢(活体框定区块A2)收缩到包含躯干(活体框定区块A3),而步骤S110的细节进一步包括步骤S112与步骤S114。步骤S112中,处理器在活体框定区块A2内,沿X轴方向(即横轴方向)逐一运算活体框定区块A2内Y轴方向(即纵轴方向)的像素总数,并框定出由累加运算后像素数量最大值所对应X轴坐标向左右各扩展至最大值的30%处为区块边界。步骤S114中,处理器在活体框定区块A2内,沿Y轴方向(即纵轴方向)逐一运算活体框定区块A2内X轴方向(即横轴方向)的像素总数,并框定出由累加运算后像素数量最大值处所对应Y轴坐标向上下各扩展至最大值的30%处为区块边界。在执行完步骤S110(内含步骤S112与S114)后,由活体框定区块A2收敛至活体框定区块A3,也就是决定出活体本身范围(以躯干为主的区块)。
然后,执行步骤S116,处理器120依活体框定区块A3及状态类别进行运算以取得状态有效区块,而步骤S116的细节进一步包括步骤S118、步骤S120及步骤S122。步骤S118中,处理器120判断活体的状态类别为站或躺,或在其他实施例中也可判断状态类别为站、坐或躺。在判断活体的状态为站的情况下,执行步骤S120,撷取步骤S112、S114执行后产生的活体框定区块A3下方高度为50个像素的范围为状态有效区块A4,并设定状态有效区块A4的各像素的场景类别为地板52,如图8A所示。然而,本发明不限定为50个像素的高度范围,在其他实施例中,也可以是其他数目的像素的高度。在判断活体的状态为躺的情况下,则执行步骤S122,设定步骤S112、S114执行后产生的活体框定区块为状态有效区块A1,并设定其场景类别为床铺54,如图2所示。
执行了步骤S120或步骤S122后,执行步骤S124,更新状态有效区块内像素的场景类别的概率分布,而步骤S124的细节进一步包括步骤S126、步骤S128、步骤S130及步骤S132。步骤S126中,处理器120判断状态有效区块内像素是否已存在场景类别的信息,即判断是否存在场景类别D(即未定义类别)以外的类别。若已存在场景类别的信息,则执行步骤S128,处理器120依状态有效区块内像素的场景类别,增减场景类别概率分布。然后,执行步骤S130,判断各像素的场景类别的概率分布中概率最大的场景类别是否发生改变。若概率最大的场景类别发生改变,则执行步骤S132,更新监控场景,例如区域P1中的监控场景从图3B的区域P1中像素的场景类别更新为图3C的区域P1中像素的场景类别。若概率最大的场景类别未发生改变,则重新执行步骤S126。在步骤S126中,若判断不存在类别定义,则执行步骤S132,更新监控场景。
需要注意的是,本揭露的实施例中,状态类别包括站、坐、躺、爬及未定义中至少一者,以此为例来说明,在其他实施方式中,可以依监控需求或监控重点,来增减状态类别;此外,场景类别同样可以依监控环境、监控需求或重点来增减。在部分实施方式中,场景类别也可以与状态类别相同,也就是像素的场景是可供站、走或躺;在另一实施方式中,场景类别还可以包括允许或禁止,也就是设定非可见光动态影像中活体(例如安装人员)出现过的区块的像素为允许的场景类别,而非可见光动态影像的像素默认(或未经更新的区块)为禁止的场景类别,此实施方式则作为防盗或保全的监控,因此本发明不以照护为限。
综上所述,在本发明的实施例的影像监控装置与方法中,采用非可见光动态影像来辨识出活体、状态类别及状态有效区块,且依据活体的状态类别设定状态有效区块中的像素的场景为数个场景类别之一。因此,在本发明的实施例的影像监控装置与方法可以在不侵犯被照护者的隐私的情况下提供良好、有效的安全监控。
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。
附图标记说明
52:地板
54:床铺
56:座椅
60:活体
61:第一活体
62:第二活体
100:影像监控装置
110:影像感测模块
120:处理器
130:存储器
A、B、C、D:场景类别
A1:状态有效区块
A2、A3:活体框定区块
B1:第一状态有效区块
B2:第二状态有效区块
P1:区域
S102~S132、S210~S230:步骤

Claims (22)

1.一种影像监控装置,其特征在于,包括:
影像感测模块,经配置以取得目标场景的非可见光动态影像,且所述非可见光动态影像包括数个图像帧;以及
处理器,经配置以执行:
根据所述非可见光动态影像的至少一图像帧执行运算,决定对应于所述目标场景中至少一活体的状态为数个状态类别之一及所述非可见光动态影像的至少一状态有效区块;以及
依据所述至少一活体的所述状态类别设定所述至少一状态有效区块的每一像素的场景为数个场景类别之一。
2.根据权利要求1所述的影像监控装置,其特征在于,所述非可见光动态影像为热影像、射频回波影像或超声波影像。
3.根据权利要求1所述的影像监控装置,其特征在于,所述至少一活体为人体,而所述数个状态类别包括站、坐、躺、爬及未定义中至少一者。
4.根据权利要求3所述的影像监控装置,其特征在于,所述处理器经配置还执行:
在决定的所述至少一活体的所述状态类别是站时,设定所述至少一状态有效区块的每一像素的所述场景为地板;
在决定所述至少一活体的所述状态类别是坐时,设定所述至少一状态有效区块的每一像素的所述场景为座椅;以及
在决定所述至少一活体的所述状态类别是躺时,设定所述至少一状态有效区块的每一像素的所述场景为床铺。
5.根据权利要求1所述的影像监控装置,其特征在于,所述非可见光动态影像中的每一像素具有所述数个场景类别的概率分布,所述处理器经配置以将每一像素的所述数个场景类别的概率分布中概率最高的场景类别设定为所述像素的监控场景。
6.根据权利要求5所述的影像监控装置,其特征在于,所述处理器经配置以根据所述至少一图像帧的所述至少一状态有效区块及所述至少一状态有效区块的每一像素的所述场景来更新所述状态有效区块中的每一像素的所述数个场景类别的概率分布。
7.根据权利要求1或5所述的影像监控装置,其特征在于,所述数个场景类别包括地板、床铺、座椅及未定义类别其中至少一者。
8.根据权利要求1所述的影像监控装置,其特征在于,更包括电性连接至所述处理器的存储器,其中所述处理器经配置以将所述非可见光动态影像及各像素对应的场景类别储存于所述存储器中。
9.根据权利要求1所述的影像监控装置,其特征在于,所述处理器经配置以根据所述非可见光动态影像的另一图像帧执行运算,决定对应于所述目标场景中的监控活体的状态为所述数个状态类别之一及对应于所述监控活体的至少一侦测有效区块,依据所述监控活体的所述至少一侦测有效区块、所述监控活体的状态及所述监控活体的所述至少一侦测有效区块对应的所述场景,判断所述监控活体的状态是否异常,且在判断所述监控活体的状态异常时输出警告信号。
10.根据权利要求5所述的影像监控装置,其特征在于,所述处理器经配置以根据所述非可见光动态影像的另一图像帧执行运算,决定对应于所述目标场景中的监控活体的的状态为所述数个状态类别之一及对应于所述监控活体的至少一侦测有效区块,依据所述监控活体的所述至少一侦测有效区块、所述监控活体的状态,及所述监控活体的所述至少一侦测有效区块对应的所述监控场景,判断所述监控活体的状态是否异常,且在判断所述监控活体的状态异常时输出警告信号。
11.根据权利要求1所述的影像监控装置,其特征在于,所述至少一活体为多个活体,所述至少一状态有效区块为多个状态有效区块,所述多个活体分别对应于所述多个状态有效区块,且所述处理器经配置以执行:
根据所述非可见光动态影像的至少一图像帧执行运算,决定对应于所述目标场景中所述多个活体的状态的每一者为数个状态类别之一及所述非可见光动态影像的所述多个状态有效区块;以及
分别依据所述多个活体的每一者的所述状态类别设定对应的状态有效区块的每一像素的场景为数个场景类别之一。
12.一种影像监控方法,其特征在于,包括:
取得目标场景的非可见光动态影像;
根据所述非可见光动态影像的至少一图像帧执行运算,决定对应于所述目标场景中至少一活体的状态为数个状态类别之一及所述非可见光动态影像的至少一状态有效区块;以及
依据所述至少一活体的所述状态类别设定所述至少一状态有效区块的每一像素的场景为数个场景类别之一。
13.根据权利要求12所述的影像监控方法,其特征在于,所述非可见光动态影像为热影像、射频回波影像或超声波影像。
14.根据权利要求12所述的影像监控方法,其特征在于,所述至少一活体为人体,而所述数个状态类别包括站、坐、躺、爬及未定义中至少一者。
15.根据权利要求14所述的影像监控方法,其特征在于,更包括:
在决定的所述至少一活体的所述状态类别是站时,设定所述至少一状态有效区块的每一像素的所述场景为地板;
在决定所述至少一活体的所述状态类别是坐时,设定所述至少一状态有效区块的每一像素的所述场景为座椅;以及
在决定所述至少一活体的所述状态类别是躺时,设定所述至少一状态有效区块的每一像素的所述场景为床铺。
16.根据权利要求12所述的影像监控方法,其特征在于,所述非可见光动态影像中的每一像素具有所述数个场景类别的概率分布,且所述影像监控方法更包括将每一像素的所述数个场景类别的概率分布中概率最高的场景类别设定为所述像素的监控场景。
17.根据权利要求16所述的影像监控方法,其特征在于,更包括根据所述至少一图像帧的所述至少一状态有效区块及所述至少一状态有效区块的每一像素的所述场景来更新所述状态有效区块中的每一像素的所述数个场景类别的概率分布。
18.根据权利要求12或16所述的影像监控方法,其特征在于,所述数个场景类别包括地板、床铺、座椅及未定义类别其中至少一者。
19.根据权利要求12所述的影像监控方法,其特征在于,更包括将所述非可见光动态影像及各像素对应的场景类别储存于存储器中。
20.根据权利要求12所述的影像监控方法,其特征在于,更包括根据所述非可见光动态影像的另一图像帧执行运算,决定对应于所述目标场景中的监控活体的状态为所述数个状态类别之一及对应于所述监控活体的至少一侦测有效区块,依据所述监控活体的所述至少一侦测有效区块、所述监控活体的状态及所述监控活体的所述至少一侦测有效区块对应的所述场景,判断所述监控活体的状态是否异常,且在判断所述监控活体的状态异常时输出警告信号。
21.根据权利要求16所述的影像监控方法,其特征在于,更包括根据所述非可见光动态影像的另一图像帧执行运算,决定对应于所述目标场景中的监控活体的的状态为所述数个状态类别之一及对应于所述监控活体的至少一侦测有效区块,依据所述监控活体的所述至少一侦测有效区块、所述监控活体的状态及所述监控活体的所述至少一侦测有效区块对应的所述监控场景,判断所述监控活体的状态是否异常,且在判断所述监控活体的状态异常时输出警告信号。
22.根据权利要求12所述的影像监控方法,其特征在于,所述至少一活体为多个活体,所述至少一状态有效区块为多个状态有效区块,所述多个活体分别对应于所述多个状态有效区块,且所述影像监控方法包括:
根据所述非可见光动态影像的至少一图像帧执行运算,决定对应于所述目标场景中所述多个活体的状态的每一者为数个状态类别之一及所述非可见光动态影像的所述多个状态有效区块;以及
分别依据所述多个活体的每一者的所述状态类别设定对应的状态有效区块的每一像素的场景为数个场景类别之一。
CN202010343130.0A 2020-04-27 2020-04-27 影像监控装置与方法 Pending CN113645435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343130.0A CN113645435A (zh) 2020-04-27 2020-04-27 影像监控装置与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343130.0A CN113645435A (zh) 2020-04-27 2020-04-27 影像监控装置与方法

Publications (1)

Publication Number Publication Date
CN113645435A true CN113645435A (zh) 2021-11-12

Family

ID=78414929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343130.0A Pending CN113645435A (zh) 2020-04-27 2020-04-27 影像监控装置与方法

Country Status (1)

Country Link
CN (1) CN113645435A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295583A1 (en) * 2010-05-27 2011-12-01 Infrared Integrated Systems Limited Monitoring changes in behavior of a human subject
CN103096026A (zh) * 2011-10-31 2013-05-08 鸿富锦精密工业(深圳)有限公司 安全监控系统及安全监控方法
KR20130094489A (ko) * 2012-02-16 2013-08-26 부경대학교 산학협력단 영상 기반 이상 동작 감시 시스템 및 방법
KR20130094488A (ko) * 2012-02-16 2013-08-26 부경대학교 산학협력단 영상 기반 이상 동작 감시 시스템 및 방법
CN104684465A (zh) * 2012-07-12 2015-06-03 菲力尔系统公司 使用热成像的婴儿监测系统及方法
KR20160130680A (ko) * 2015-05-04 2016-11-14 경남대학교 산학협력단 환자 낙상예방 모니터링 장치
US9538158B1 (en) * 2012-10-16 2017-01-03 Ocuvera LLC Medical environment monitoring system
KR20180036861A (ko) * 2016-09-30 2018-04-10 (주)혜진시스 열화상 영상을 이용한 관심대상 감지 방법 및 그를 위한 장치
CN109697400A (zh) * 2017-10-23 2019-04-30 纬创资通股份有限公司 判断使用者的姿势的影像检测方法以及影像检测装置
CN110610119A (zh) * 2018-06-15 2019-12-24 纬创资通股份有限公司 影像分析方法、电子系统以及非暂态电脑可读取记录媒体
US10529137B1 (en) * 2016-11-29 2020-01-07 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Machine learning systems and methods for augmenting images

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295583A1 (en) * 2010-05-27 2011-12-01 Infrared Integrated Systems Limited Monitoring changes in behavior of a human subject
CN103096026A (zh) * 2011-10-31 2013-05-08 鸿富锦精密工业(深圳)有限公司 安全监控系统及安全监控方法
KR20130094489A (ko) * 2012-02-16 2013-08-26 부경대학교 산학협력단 영상 기반 이상 동작 감시 시스템 및 방법
KR20130094488A (ko) * 2012-02-16 2013-08-26 부경대학교 산학협력단 영상 기반 이상 동작 감시 시스템 및 방법
CN104684465A (zh) * 2012-07-12 2015-06-03 菲力尔系统公司 使用热成像的婴儿监测系统及方法
US9538158B1 (en) * 2012-10-16 2017-01-03 Ocuvera LLC Medical environment monitoring system
KR20160130680A (ko) * 2015-05-04 2016-11-14 경남대학교 산학협력단 환자 낙상예방 모니터링 장치
KR20180036861A (ko) * 2016-09-30 2018-04-10 (주)혜진시스 열화상 영상을 이용한 관심대상 감지 방법 및 그를 위한 장치
US10529137B1 (en) * 2016-11-29 2020-01-07 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Machine learning systems and methods for augmenting images
CN109697400A (zh) * 2017-10-23 2019-04-30 纬创资通股份有限公司 判断使用者的姿势的影像检测方法以及影像检测装置
CN110610119A (zh) * 2018-06-15 2019-12-24 纬创资通股份有限公司 影像分析方法、电子系统以及非暂态电脑可读取记录媒体

Similar Documents

Publication Publication Date Title
US10080513B2 (en) Activity analysis, fall detection and risk assessment systems and methods
CN112784662A (zh) 基于视频的跌倒风险评价系统
US20020044682A1 (en) Method and apparatus for subject physical position and security determination
US20110295583A1 (en) Monitoring changes in behavior of a human subject
JP6720909B2 (ja) 行動検知装置、該方法および該プログラム、ならびに、被監視者監視装置
US10262517B2 (en) Real-time awareness of environmental hazards for fall prevention
KR101927220B1 (ko) 열화상 영상을 이용한 관심대상 감지 방법 및 그를 위한 장치
JP6852733B2 (ja) 生体監視装置及び生体監視方法
KR101712191B1 (ko) 환자 낙상예방 모니터링 장치
JP2018163644A (ja) ベッド出口監視システム
JP6292283B2 (ja) 行動検知装置および行動検知方法ならびに被監視者監視装置
JP7120238B2 (ja) 発報制御システム、検知ユニット、ケアサポートシステムおよび発報制御方法
Tan et al. Indoor activity monitoring system for elderly using RFID and Fitbit Flex wristband
US20160224839A1 (en) System to determine events in a space
JP7538199B2 (ja) 映像収集装置を活用した遠隔転倒有無確認判別システム
JP7243725B2 (ja) 対象物体検出プログラム、および対象物体検出装置
JP7314939B2 (ja) 画像認識プログラム、画像認識装置、学習プログラム、および学習装置
CN113645435A (zh) 影像监控装置与方法
TWI771672B (zh) 影像監控裝置與方法
US20210334983A1 (en) Image monitoring apparatus and method
Miaou et al. A smart vision-based human fall detection system for telehealth applications
KR20130122409A (ko) 영상 데이터를 이용하여 독거 노인에 대한 비정상 상황 발생을 감지하는 장치 및 방법
JP6908028B2 (ja) 被監視者監視装置、該方法、該システムおよびプログラム
JP7351339B2 (ja) 画像処理システム、画像処理プログラム、および画像処理方法
Hwang et al. Multi-modal sensing smart spaces embedded with WSN based image camera

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