CN114419481A - 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 - Google Patents
一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 Download PDFInfo
- Publication number
- CN114419481A CN114419481A CN202111540389.5A CN202111540389A CN114419481A CN 114419481 A CN114419481 A CN 114419481A CN 202111540389 A CN202111540389 A CN 202111540389A CN 114419481 A CN114419481 A CN 114419481A
- Authority
- CN
- China
- Prior art keywords
- risk
- child
- unattended
- risk score
- children
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于社区小脑监控的户外儿童无人陪护检测方法,包括以下步骤:1)社区小脑监控视频输入;2)根据视频监控场景预先标定的远景近景框,判断检测到的每个人是儿童还是大人;3)提取检测到的每个人的REID特征值,记录在人体ID历史列表中;4)根据伴随关系分析确定儿童是否处于无人陪护状态;5)根据儿童无人陪护状态的时长,通过时间风险函数,计算得到时间风险评分;6)根据儿童活动轨迹,计算空间风险评分;7)根据儿童的姿态识别,计算姿态风险评分;8)采用综合评分法计算总体风险指标。通过儿童无人陪护的活动时间、活动轨迹、姿态状态的综合评分判断,产生儿童无人陪护的报警信息,且不需要预先录入人脸或人形信息。
Description
技术领域
本发明涉及儿童无人陪护或走失的检测方法技术领域,具体为一种基于社区小脑监控的户外儿童无人陪护检测方法及装置。
背景技术
现有的儿童无人陪护或走失的检测方法,主要包括基于定位装置、人脸识别和人体识别等方案,与本发明类似的儿童或老人走失检测多数是基于定位设备的检测,或预先录入人脸信息的无人陪护报警,或走失事件发生后通过人脸或人体搜索查询儿童或老人曾经出现过的地方,但并未考虑到大多数户外场景中,走失儿童未佩戴定位设备、未事先录入人脸信息,且需要第一实现发现无人陪护的情况,下面罗列几种常用人员走失检测及无人陪护检测的优缺点。
1)基于定位设备的走失检测方法:
此方法最为普遍,是较为直接的走失检测方法,可广泛应用于各类人群,且具有实时检测定位及报警的优点,如CN201921669444.9中一种防老人儿童失踪的可佩戴徽章,CN201921356218.5一种防儿童走失亲子表,CN202010106098.4一种防儿童走失报警系统,CN201911374332.5智慧社区内儿童走失预警方法,设备及可读存储介质,CN201821820786.1一种多功能儿童防走失手环,CN201910075250.4一种防止老人走失的监控方法及系统,CN201520651921.4一种预防痴呆老人走失的精确定位系统,CN201510448893.0一种基于WIFI直连技术的防走失报警方法及报警系统,等等,无论是用手环、手机和手表还是各种穿戴设备,无论是通过GPS、WIFI、蓝牙或其他信号,核心都是通过被监测人员佩戴定位设备实现实时的位置监测,或与看护人员的距离监测,实现超过区域报警或超过距离报警,此类方法的优点是定位精确、响应及时和寻人方便,缺点是对于常见的未佩戴定位设备的户外儿童无人看护的情况无法做到检测报警;
2)基于人脸识别的走失检测方法:
此方法为基于人脸识别和相机位置关联的人员走失检测方法,例如专利号为CN201910899946.9一种基于多人人脸识别的防走失系统,通过预先采集监护人和被监护人的人脸信息,当检测到被监护人周围不存在合法的陪同人员时,系统可产生报警,专利号CN201910533438.9一种适用于景区的防走失系统以及防走失方法,专利号CN201911027114.4一种基于社区的防走失方法及系统,计算机可读存储介质,专利号CN201811209224.8一种人脸识别追踪系统,都是基于人脸识别在视频监控网络中的人脸检索查找,这些方法的优点是可以明确定位人员的人脸信息,做到有目的的检测和查找,缺点是需要预先录入人脸信息,且对于普通社区或户外视频监控网络而言,相机的监控角度和选型并未为人脸抓拍和识别所定制,对人脸抓拍和识别的效果会大大降低;
3)基于人体识别的走失检测方法:
此方法为基于人体识别和相机位置关联的人员走失检测方法,例如专利号为CN201710337581.1人体关联关系的监控方法、系统及存储装置,采用的深度相机,通过预设的人体深度信息,通过深度图判断多人的关系是否为预设的关系,专利号CN201310021525.9一种人体再识别方法以及人体再识别系统,专利号CN201210587777.3不同场景对人体图像再识别的方法,都是通过人体再识别算法(REID)对场景内历史出现过的人体或多场景中的人体做检索,可实现以图搜图的事后检索或实时查找,这些方法中,采用深度相机的优点是人形匹配具有3D信息,精准度有所提升,但是也是需要预先录入人体信息,不适合于户外任意儿童无人陪护情况的检测,同时由于通过深度图做人体匹配识别需要单独加装3D相机,不适合小区等户外公共场合的大范围部署,对于其他的人体检索方案,优点在于对于普通的监控场景较为通用,可通过人形、服饰等特征做人体重定位匹配,但缺点在于这种检索方式一般是在事件发生后的主动以图搜图的检索式查找,不适合户外儿童无人陪护的异常状态预警和报警;
此外上述方法均没考虑到:
通过任意儿童和大人的REID特征联合判断未预先录入特征的儿童无人陪护的检测方法;以儿童无人陪护的时间计算时间风险评分;以无人陪护儿童的运动轨迹计算空间风险评分;以无人陪护儿童的姿态种类映射姿态风险评分;以综合评分法综合时间、空间和姿态评分给出最终报警决策条件,为此,提出一种基于社区小脑监控的户外儿童无人陪护检测方法及装置。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于社区小脑监控的户外儿童无人陪护检测方法及装置,具备使用方便等优点,解决了现有基于社区小脑监控的户外儿童无人陪护检测方法及装置使用不便的问题。
(二)技术方案
为实现上述使用方便的目的,本发明提供如下技术方案:一种基于社区小脑监控的户外儿童无人陪护检测方法,包括以下步骤:
1)社区小脑监控视频输入,基于骨骼检测提取场景中的所有人体坐标框和对应相机点位信息;
2)根据视频监控场景预先标定的远景近景框,结合检测到的人体坐标框的高度,以及预先设定的儿童身高阈值,根据透视原理,判断检测到的每个人是儿童还是大人;
3)提取检测到的每个人的REID特征值,记录在人体ID历史列表中,每一个人用唯一的ID编号标识,当人员的REID特征值与人体ID历史列表中的特征值接近,判断为同一人,赋予其同样的ID;当人员的REID特征值与人体ID历史别表中的特征值差异超过阈值,判断为新出现的人,赋予其新的人体ID值;
4)对于每个儿童,判断其身边出现同一ID的大人的持续时间,如持续时间小于设定的伴随时间阈值,该儿童状态置为无人陪伴状态;当持续时间大于设定的伴随时间阈值,该儿童状态置为有人陪伴状态。
5)根据儿童无人陪护状态的时长,通过时间风险函数,计算得到时间风险评分;
6)根据儿童活动轨迹,计算空间风险评分;
7)根据儿童的姿态识别,计算姿态风险评分;
8)采用综合评分法计算总体风险指标,作为儿童无人陪护报警标准。
优选的,所述时间风险评分计算由时间风险评分计算模块完成,户外儿童无人陪护的风险随着无人陪护的时间增加而增大,以分钟为单位定义儿童无人陪护的时间t,定义时间风险评分为Dt,这里用指数函数作为时间风险函数,用以表达时间风险评分与儿童无人陪护的相关性,公式如下:
Dt=at,
其中,其中a为常数,根据经验值设置为1.2,儿童走失搜索最佳查找时间为“黄金40分钟”,因此选定40分钟作为时间风险评分的上限,并将时间风险评分计算结果归一到0到1之间,1为最高风险值。
优选的,所述空间风险评分计算空间风险评分计算模块完成,户外无人陪护儿童的风险,随无人状态下儿童活动轨迹的无规律性和活动范围增加而增大,我们将社区小脑监控点按部署位置信息做编码,对于儿童的活动轨迹X,其可能的轨迹描述为:
X={x1,…,xk},
其概率分布为:
P(X=xi)=pi,i=1,…,n,
则儿童活动轨迹的熵值可以描述为:
计算得到的熵值即为空间风险评分Ds,根据经验设定熵值上限,将空间风险评分计算结果归一到0到1之间,1为最高风险值。
优选的,所述姿态风险评分计算由姿态风险评分计算模块完成,将将蹲坐、行走、跌倒、剧烈运动风险值分别定义为Hs、Hw、Hf、Hv,根据经验值设为:
Hs=0.0、Hw=0.25、Hf=0.75、Hv=1.0,则姿态风险评分Dp为:
Dp={Hs,Hw,Hf,Hv},
其中,值越高风险值越大,1为最高风险值。
优选的,所述综合评分法决策根据时间风险评分、空间风险评分和姿态风险评分三个参数,按照综合评分法的方法,通过综合评分计算公式计算儿童无人陪护报警评分Da,公式如下:
Da=Dt×ft+Ds×fs+Dp×fp,
其中,ft为时间评分系数,根据经验值ft=0.75;
fs为空间评分系数,根据经验值fs=0.75;
fp为姿态评分系数,根据经验值fp=0.75;
综合评分报警阈值根据经验值设定为0.75,当有任一风险系数达到最高风险系数1,系统可立即报警;当各风险系数均未达到最高风险系数1,根据儿童无人陪护报警评分公式计算出Da,如超过设定阈值0.75,系统给出报警。
本发明要解决的另一技术问题是提供一种基于社区小脑监控的户外儿童无人陪护检测装置,包括社区小脑监控视频终端、儿童无人陪护状态检测模块、时间风险评分计算模块、空间风险评分计算模块、姿态风险评分计算模块和综合评分法决策计算模块。
(三)有益效果
与现有技术相比,本发明提供了一种基于社区小脑监控的户外儿童无人陪护检测方法及装置,具备以下有益效果:
1、该基于社区小脑监控的户外儿童无人陪护检测方法及装置,通过社区小脑监控视频分析,对于出现每个人提取人体重定位REID特征值,对于儿童,判断同一REID特征的儿童周围是否始终有同一大人的REID特征与之伴随,以此判断儿童是否处于无人陪护状态,便于后续计算三种风险评分及综合评分报警,儿童与大人REID人体特征值关系的判断,可使得系统能检测任意儿童是否处于无大人陪护的状态,而不需要预先录入人脸或人形信息。
2、该基于社区小脑监控的户外儿童无人陪护检测方法及装置,通过对于处于无人陪护状态的儿童,实时累积统计无人陪护的时间,通过时间风险函数,计算得到时间风险评分,并做归一化处理,户外无人陪护儿童的风险随时间的增加而增大,以时间风险评分作为无人看护报警的决策评价参数之一,有利于快速发现无人陪护的异常情况。
3、该基于社区小脑监控的户外儿童无人陪护检测方法及装置,通过对于户外无人陪护的儿童在视频监控网格点出现的位置,形成儿童活动轨迹数据,以熵值衡量儿童活动轨迹混乱程度,作为空间风险评分,并做归一化处理,户外无人陪护儿童的风险,随无人状态下儿童活动轨迹的无规律性增加而增大,以空间风险评分作为无人看护报警的决策评价参数之一,有利于在尽量小的范围内发现无人陪护的异常情况。
4、该基于社区小脑监控的户外儿童无人陪护检测方法及装置,通过监控视频图像数据分析,识别儿童蹲坐、行走、跌倒、剧烈运动四种人体状态,分别对应四个人体姿态风险等级,作为姿态风险评分,并做归一化处理,户外无人陪护儿童的风险与儿童的姿态具有一定的相关性,蹲坐较为稳定,行走会带来找寻时间和空间难度的提升,跌倒可能存在身体异常的风险,而剧烈运动可能存在挣扎、挟持、殴打等风险。因此以姿态风险评分为无人看护报警的决策评价参数之一,有利于提升一些高风险姿态的权重,尽快发现无人陪护儿童,避免更严重的风险事件发生。
5、该基于社区小脑监控的户外儿童无人陪护检测方法及装置,通过将时间风险评分、空间风险评分和姿态风险评分以不同权重,采用综合评分法计算总体风险指标,作为报警输标准,通过综合时间、空间和姿态三个参数,有利于将危险度较高的报警条件优先输出,避免了单一条件在决策上有失偏颇的问题,在综合条件下尽快发现无人陪护的儿童,减少危险事件的发生。
附图说明
图1为本发明技术方案的整体流程图;
图2为本发明的儿童无人陪护状态检测流程图;
图3为本发明的OSNet网络结构图;
图4为本发明的bottleneck结构图;
图5为本发明的SSD网络结构图。
具体实施方式
下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本实施例中的一种基于社区小脑监控的户外儿童无人陪护检测方法,包括以下步骤:
1)社区小脑监控视频输入,基于骨骼检测提取场景中的所有人体坐标框和对应相机点位信息;
2)根据视频监控场景预先标定的远景近景框,结合检测到的人体坐标框的高度,以及预先设定的儿童身高阈值,根据透视原理,判断检测到的每个人是儿童还是大人;
3)提取检测到的每个人的REID特征值,记录在人体ID历史列表中,每一个人用唯一的ID编号标识,当人员的REID特征值与人体ID历史列表中的特征值接近,判断为同一人,赋予其同样的ID;当人员的REID特征值与人体ID历史别表中的特征值差异超过阈值,判断为新出现的人,赋予其新的人体ID值;
4)对于每个儿童,判断其身边出现同一ID的大人的持续时间,如持续时间小于设定的伴随时间阈值,该儿童状态置为无人陪伴状态;当持续时间大于设定的伴随时间阈值,该儿童状态置为有人陪伴状态。
5)根据儿童无人陪护状态的时长,通过时间风险函数,计算得到时间风险评分;
6)根据儿童活动轨迹,计算空间风险评分;
7)根据儿童的姿态识别,计算姿态风险评分;
8)采用综合评分法计算总体风险指标,作为儿童无人陪护报警标准。
本实施例中的,儿童与大人REID人体特征值关系的判断,可使得系统能检测任意儿童是否处于无大人陪护的状态,而不需要预先录入人脸或人形信息。
请参阅图3-4,本实施例中在社区小脑监控视频网覆盖的范围内,采用人体重定位技术(简称REID)判断儿童与成人的关系,与一般的用REID做走失人员搜索不同,这里并不是采用REID技术从社区小脑监控网络中检测走失人员,而是通过REID对于未知儿童与未知成人之间的伴随关系,推理出儿童是否存在无人伴随的状态,REID的方法有很多种,如shuffleNet、mobileNet和SqueezeNet等,这里以全尺度网络OSNet为例,以多个卷积特征流组成残差块,每个残差块检测一定尺度特征,可有效提升小差异的目标人体区分。
需要说明的是,对于输入的社区小脑监控视频做人体检测和儿童大人的区分;对于人体检测,常规的如深度学习目标检测的人体检测、人体骨骼检测等方案;对于儿童大人的区分,常规的如场景标定后的身高判别、儿童体型模型识别等方案;由于都是已有成熟的通用技术,不在本发明所阐述的范围之内,这里不做赘述,直接采用现有的骨骼检测定位监控视频中出现的人体,而后根据场景标定的身高区分检测到人体是大人还是儿童,从而获取当前视频场景中出现的所有儿童和大人的定位。
请参阅图1-2,本实施中的时间风险评分计算由时间风险评分计算模块完成,户外儿童无人陪护的风险随着无人陪护的时间增加而增大,以分钟为单位定义儿童无人陪护的时间t,定义时间风险评分为Dt,这里用指数函数作为时间风险函数,用以表达时间风险评分与儿童无人陪护的相关性,公式如下:
Dt=at,
其中,其中a为常数,根据经验值设置为1.2,儿童走失搜索最佳查找时间为“黄金40分钟”,因此选定40分钟作为时间风险评分的上限,并将时间风险评分计算结果归一到0到1之间,1为最高风险值。
本实施例中,户外无人陪护儿童的风险随时间的增加而增大,以时间风险评分作为无人看护报警的决策评价参数之一,有利于快速发现无人陪护的异常情况。
请参阅图1-2,本实施例中的空间风险评分计算空间风险评分计算模块完成,户外无人陪护儿童的风险,随无人状态下儿童活动轨迹的无规律性和活动范围增加而增大,我们将社区小脑监控点按部署位置信息做编码,对于儿童的活动轨迹X,其可能的轨迹描述为:
X={x1,…,xk},
其概率分布为:
P(X=xi)=pi,i=1,…,n,
则儿童活动轨迹的熵值可以描述为:
计算得到的熵值即为空间风险评分Ds,根据经验设定熵值上限,将空间风险评分计算结果归一到0到1之间,1为最高风险值。
本实施例中,户外无人陪护儿童的风险,随无人状态下儿童活动轨迹的无规律性增加而增大,以空间风险评分作为无人看护报警的决策评价参数之一,有利于在尽量小的范围内发现无人陪护的异常情况。
请参阅图1、图2和图4,本实施例中的姿态风险评分计算由姿态风险评分计算模块完成,将将蹲坐、行走、跌倒、剧烈运动风险值分别定义为Hs、Hw、Hf、Hv,根据经验值设为:
Hs=0.0、Hw=0.25、Hf=0.75、Hv=1.0,则姿态风险评分Dp为:
Dp={Hs,Hw,Hf,Hv},
其中,值越高风险值越大,1为最高风险值。
同时,针对蹲坐、行走、跌倒和剧烈运动这四种待识别的人体姿态,很多深度学习的方法都可以检测,检测本身不作为本发明的发明点,姿态风险评分的发明点在于基于四种姿态的检测结果映射为姿态风险评分,作为综合决策评估的报警参数之一,因此这里只简要介绍一下采用的姿态检测与分类方法,这里选择了Single Shot MultiBox Detector(简称SSD)方法进行姿态的精确检测与分类,区别于传统的基于假定边界框的搜索检测算法,SSD方法使用小卷积滤波器来预测特征图上固定的一组默认边界框的类别分数和位置偏移,同时采用了不同尺度的特征图产生不同尺度的预测,通过宽高比来明确地分离预测,从而使得在较低分辨率的情况也有较高精度的检测,SSD单次模型结构如图5所示,SSD网络在基础网络(如VGG-16)的末端添加了辅助结构,在不同的尺度上得到了多个尺度的预测值,每个辅助层使用卷积滤波器产生预测集合,如图5中使用3*3*P的卷积核产生类别的分数或相对于默认框的坐标偏移,其中P为通道数,对于给定位置k个框中的每个框计算Classes类分数和相对于默认框的4个偏移量,特征图中每个位置共k×(c+4)个滤波器,对于m×n特征图产生m×n×k(Classes+4)个输出,默认框在训练时预先定义。
本实施例中,户外无人陪护儿童的风险与儿童的姿态具有一定的相关性,蹲坐较为稳定,行走会带来找寻时间和空间难度的提升,跌倒可能存在身体异常的风险,而剧烈运动可能存在挣扎、挟持、殴打等风险。因此以姿态风险评分为无人看护报警的决策评价参数之一,有利于提升一些高风险姿态的权重,尽快发现无人陪护儿童,避免更严重的风险事件发生。
请参阅图1-2,本实施例中的综合评分法决策根据时间风险评分、空间风险评分和姿态风险评分三个参数,按照综合评分法的方法,通过综合评分计算公式计算儿童无人陪护报警评分Da,公式如下:
Da=Dt×ft+Ds×fs+Dp×fp,
其中,ft为时间评分系数,根据经验值ft=0.75;
fs为空间评分系数,根据经验值fs=0.75;
fp为姿态评分系数,根据经验值fp=0.75;
综合评分报警阈值根据经验值设定为0.75,当有任一风险系数达到最高风险系数1,系统可立即报警;当各风险系数均未达到最高风险系数1,根据儿童无人陪护报警评分公式计算出Da,如超过设定阈值0.75,系统给出报警。
本实施例中,通过综合时间、空间和姿态三个参数,有利于将危险度较高的报警条件优先输出,避免了单一条件在决策上有失偏颇的问题,在综合条件下尽快发现无人陪护的儿童,减少危险事件的发生。
本发明要解决的另一技术问题是提供一种基于社区小脑监控的户外儿童无人陪护检测装置,包括社区小脑监控视频终端、儿童无人陪护状态检测模块、时间风险评分计算模块、空间风险评分计算模块、姿态风险评分计算模块和综合评分法决策计算模块。
本发明的有益效果是:
通过社区小脑监控视频分析,对于出现每个人提取人体重定位REID特征值,对于儿童,判断同一REID特征的儿童周围是否始终有同一大人的REID特征与之伴随,以此判断儿童是否处于无人陪护状态,便于后续计算三种风险评分及综合评分报警,儿童与大人REID人体特征值关系的判断,可使得系统能检测任意儿童是否处于无大人陪护的状态,而不需要预先录入人脸或人形信息。
通过对于处于无人陪护状态的儿童,实时累积统计无人陪护的时间,通过时间风险函数,计算得到时间风险评分,并做归一化处理,户外无人陪护儿童的风险随时间的增加而增大,以时间风险评分作为无人看护报警的决策评价参数之一,有利于快速发现无人陪护的异常情况。
通过对于户外无人陪护的儿童在视频监控网格点出现的位置,形成儿童活动轨迹数据,以熵值衡量儿童活动轨迹混乱程度,作为空间风险评分,并做归一化处理,户外无人陪护儿童的风险,随无人状态下儿童活动轨迹的无规律性增加而增大,以空间风险评分作为无人看护报警的决策评价参数之一,有利于在尽量小的范围内发现无人陪护的异常情况。
通过监控视频图像数据分析,识别儿童蹲坐、行走、跌倒、剧烈运动四种人体状态,分别对应四个人体姿态风险等级,作为姿态风险评分,并做归一化处理,户外无人陪护儿童的风险与儿童的姿态具有一定的相关性,蹲坐较为稳定,行走会带来找寻时间和空间难度的提升,跌倒可能存在身体异常的风险,而剧烈运动可能存在挣扎、挟持、殴打等风险。因此以姿态风险评分为无人看护报警的决策评价参数之一,有利于提升一些高风险姿态的权重,尽快发现无人陪护儿童,避免更严重的风险事件发生。
并且,通过将时间风险评分、空间风险评分和姿态风险评分以不同权重,采用综合评分法计算总体风险指标,作为报警输标准,通过综合时间、空间和姿态三个参数,有利于将危险度较高的报警条件优先输出,避免了单一条件在决策上有失偏颇的问题,在综合条件下尽快发现无人陪护的儿童,减少危险事件的发生。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于社区小脑监控的户外儿童无人陪护检测方法,其特征在于,包括以下步骤:
1)社区小脑监控视频输入,基于骨骼检测提取场景中的所有人体坐标框和对应相机点位信息;
2)根据视频监控场景预先标定的远景近景框,结合检测到的人体坐标框的高度,以及预先设定的儿童身高阈值,根据透视原理,判断检测到的每个人是儿童还是大人;
3)提取检测到的每个人的REID特征值,记录在人体ID历史列表中,每一个人用唯一的ID编号标识,当人员的REID特征值与人体ID历史列表中的特征值接近,判断为同一人,赋予其同样的ID;当人员的REID特征值与人体ID历史别表中的特征值差异超过阈值,判断为新出现的人,赋予其新的人体ID值;
4)对于每个儿童,判断其身边出现同一ID的大人的持续时间,如持续时间小于设定的伴随时间阈值,该儿童状态置为无人陪伴状态;当持续时间大于设定的伴随时间阈值,该儿童状态置为有人陪伴状态;
5)根据儿童无人陪护状态的时长,通过时间风险函数,计算得到时间风险评分;
6)根据儿童活动轨迹,计算空间风险评分;
7)根据儿童的姿态识别,计算姿态风险评分;
8)采用综合评分法计算总体风险指标,作为儿童无人陪护报警标准。
2.根据权利要求1所述的一种基于社区小脑监控的户外儿童无人陪护检测方法,其特征在于,所述时间风险评分计算由时间风险评分计算模块完成,户外儿童无人陪护的风险随着无人陪护的时间增加而增大,以分钟为单位定义儿童无人陪护的时间t,定义时间风险评分为Dt,这里用指数函数作为时间风险函数,用以表达时间风险评分与儿童无人陪护的相关性,公式如下:
Dt=at,
其中,其中a为常数,根据经验值设置为1.2,儿童走失搜索最佳查找时间为“黄金40分钟”,因此选定40分钟作为时间风险评分的上限,并将时间风险评分计算结果归一到0到1之间,1为最高风险值。
4.根据权利要求1所述的一种基于社区小脑监控的户外儿童无人陪护检测方法,其特征在于,所述姿态风险评分计算由姿态风险评分计算模块完成,将将蹲坐、行走、跌倒、剧烈运动风险值分别定义为Hs、Hw、Hf、Hv,根据经验值设为:
Hs=0.0、Hw=0.25、Hf=0.75、Hv=1.0,则姿态风险评分Dp为:
Dp={Hs,Hw,Hf,Hv},
其中,值越高风险值越大,1为最高风险值。
5.根据权利要求1所述的一种基于社区小脑监控的户外儿童无人陪护检测方法,其特征在于,所述综合评分法决策根据时间风险评分、空间风险评分和姿态风险评分三个参数,按照综合评分法的方法,通过综合评分计算公式计算儿童无人陪护报警评分Da,公式如下:
Da=Dt×ft+Ds×fs+Dp×fp,
其中,ft为时间评分系数,根据经验值ft=0.75;
fs为空间评分系数,根据经验值fs=0.75;
fp为姿态评分系数,根据经验值fp=0.75;
综合评分报警阈值根据经验值设定为0.75,当有任一风险系数达到最高风险系数1,系统可立即报警;当各风险系数均未达到最高风险系数1,根据儿童无人陪护报警评分公式计算出Da,如超过设定阈值0.75,系统给出报警。
6.根据权利要求1-6中的一种基于社区小脑监控的户外儿童无人陪护检测方法,提出一种基于社区小脑监控的户外儿童无人陪护检测装置,其特征在于,包括社区小脑监控视频终端、儿童无人陪护状态检测模块、时间风险评分计算模块、空间风险评分计算模块、姿态风险评分计算模块和综合评分法决策计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540389.5A CN114419481A (zh) | 2021-12-16 | 2021-12-16 | 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540389.5A CN114419481A (zh) | 2021-12-16 | 2021-12-16 | 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419481A true CN114419481A (zh) | 2022-04-29 |
Family
ID=81267363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111540389.5A Pending CN114419481A (zh) | 2021-12-16 | 2021-12-16 | 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419481A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821961A (zh) * | 2022-06-28 | 2022-07-29 | 合肥的卢深视科技有限公司 | 室内防儿童走失方法、电子设备及存储介质 |
CN117133110A (zh) * | 2023-10-27 | 2023-11-28 | 山东大学 | 一种基于机器视觉的健身房安全风险预警方法及系统 |
-
2021
- 2021-12-16 CN CN202111540389.5A patent/CN114419481A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821961A (zh) * | 2022-06-28 | 2022-07-29 | 合肥的卢深视科技有限公司 | 室内防儿童走失方法、电子设备及存储介质 |
CN114821961B (zh) * | 2022-06-28 | 2022-11-22 | 合肥的卢深视科技有限公司 | 室内防儿童走失方法、电子设备及存储介质 |
CN117133110A (zh) * | 2023-10-27 | 2023-11-28 | 山东大学 | 一种基于机器视觉的健身房安全风险预警方法及系统 |
CN117133110B (zh) * | 2023-10-27 | 2024-02-02 | 山东大学 | 一种基于机器视觉的健身房安全风险预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Spatio-temporal fall event detection in complex scenes using attention guided LSTM | |
CN107045623B (zh) | 一种基于人体姿态跟踪分析的室内危险情况告警的方法 | |
Wang et al. | Fall detection based on dual-channel feature integration | |
US8253564B2 (en) | Predicting a future location of a moving object observed by a surveillance device | |
CN105141885B (zh) | 进行视频监控的方法及装置 | |
CN114419481A (zh) | 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 | |
US20180129873A1 (en) | Event detection and summarisation | |
CN108509897A (zh) | 一种人体姿态识别方法和系统 | |
Seredin et al. | A skeleton features-based fall detection using Microsoft Kinect v2 with one class-classifier outlier removal | |
CN110321780A (zh) | 基于时空运动特性的异常摔倒行为检测方法 | |
WO2013160688A1 (en) | Abnormal object track determination using a gaussian processes based variational bayes expectation maximisation | |
KR101708233B1 (ko) | 3d 골격데이터를 스트리밍하여 공격적인 행동을 감지하는 장치 및 그 방법 | |
CN109830078B (zh) | 适用于狭小空间的智能行为分析方法及智能行为分析设备 | |
CN103164315A (zh) | 基于智能视频分析的电脑使用时间提示方法及系统 | |
Wu et al. | A novel high performance human detection, tracking and alarm system based on millimeter-wave radar | |
Asif et al. | Sshfd: Single shot human fall detection with occluded joints resilience | |
CN111914657A (zh) | 一种宠物行为检测方法、装置、电子设备及存储介质 | |
US20220125359A1 (en) | Systems and methods for automated monitoring of human behavior | |
Hung et al. | Fall detection with two cameras based on occupied area | |
WO2020217812A1 (ja) | 被写体の状態を認識する画像処理装置及びその方法 | |
Dai | Vision-based 3d human motion analysis for fall detection and bed-exiting | |
Bansal et al. | Elderly people fall detection system using skeleton tracking and recognition | |
CN116840835B (zh) | 一种基于毫米波雷达的跌倒检测方法、系统及设备 | |
Howedi et al. | Accelerometer-based human fall detection using fuzzy entropy | |
CN115731563A (zh) | 一种远距离监控人员倒地识别方法 |
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 |