CN114596535B - 一种无接触门铃来访处理方法及相关设备 - Google Patents

一种无接触门铃来访处理方法及相关设备 Download PDF

Info

Publication number
CN114596535B
CN114596535B CN202210282760.0A CN202210282760A CN114596535B CN 114596535 B CN114596535 B CN 114596535B CN 202210282760 A CN202210282760 A CN 202210282760A CN 114596535 B CN114596535 B CN 114596535B
Authority
CN
China
Prior art keywords
hidden layer
node
neural network
visitor
representing
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
Application number
CN202210282760.0A
Other languages
English (en)
Other versions
CN114596535A (zh
Inventor
靳涵宇
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.)
Tianmu Aishi Beijing Technology Co Ltd
Original Assignee
Tianmu Aishi Beijing Technology Co Ltd
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 Tianmu Aishi Beijing Technology Co Ltd filed Critical Tianmu Aishi Beijing Technology Co Ltd
Priority to CN202210282760.0A priority Critical patent/CN114596535B/zh
Publication of CN114596535A publication Critical patent/CN114596535A/zh
Application granted granted Critical
Publication of CN114596535B publication Critical patent/CN114596535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72427—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality for supporting games or graphical animations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
    • H04M1/72439—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages for image or video messaging
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/141—Systems for two-way working between two video terminals, e.g. videophone
    • H04N7/142—Constructional details of the terminal equipment, e.g. arrangements of the camera and the display
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/141—Systems for two-way working between two video terminals, e.g. videophone
    • H04N7/147—Communication arrangements, e.g. identifying the communication as a video-communication, intermediate storage of the signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了一种无接触门铃来访处理方法及相关设备，方法包括：S1，获取监测区域图像数据，S2，根据预设的分析方法分析图像数据，检测是否有来访者进入监测区域；若检测到有来访者进入监测区域，则提示来访者做出指定行为，进入S3；否则返回S1；S3，若检测到来访者做出指定行为，则将来访信号发送至独立终端；否则返回S2。所述方法在来访者来访时的正确判别概率高，能够智能实现门铃的通知功能，并对各类干扰、虚假场景具有较高的抑制作用，误报和虚警概率低。

Description

一种无接触门铃来访处理方法及相关设备
技术领域
本发明涉及智能家居、人工智能设备应用领域，特别地，涉及一种无接触门铃来访处理方法领域。
背景技术
门铃是家庭、办公场所普遍使用的工具。伴随着技术的发展，越来越多的创新型门铃如无线门铃、可视化门铃等投入使用，为家庭和办公环境提供了更大的便利。随着信息技术特别是人工智能技术的快速发展，人工智能算法在各行各业扮演了越来越重要的角色，并且逐渐渗透于人们的居家生活中。人工智能技术与传统工具的结合使工具的功能得到进一步完善和拓展，为居家办公提供了更好的便利性。
特别是疫情期间，要减少人员与人员之间，以及人员与物品之间的接触，需要对来访者进行严格监控。
现有技术中虽然也有使用视频进行监控的，但检测精度低、且容易与其他行人相混淆，误报率较高。
发明内容
为解决以上问题，本文提出一种基于视觉传感器的智能门铃实现方法，通过人工智能等创新技术的应用，实现了一种多功能的无接触、智能门铃，除了具备普通门铃的来客提醒、可视化门铃的影像监控等功能外，创新性的提出了门铃的智能判别、智能交互功能，进一步提升了门铃的智能化和便利性。
本发明提供了一种无接触门铃来访处理方法，包括：
S1，获取监测区域图像数据，
S2，根据预设的分析方法分析图像数据，检测是否有来访者进入监测区域；
若检测到有来访者进入监测区域，则提示来访者做出指定行为，进入S3；否则返回S1；
S3，若检测到来访者做出指定行为，则将来访信号发送至独立终端；否则返回S2；
在所述提示来访者做出指定行为之后，进入来访者响应检测环节，包含两组并列步骤：
步骤P1、将摄像机采集到的图像同步传送给独立终端上，供终端用户查看；
步骤P2、启动来访者响应智能检测方法：
采集一段时间T′内的图像数据，取T′＝3秒。
假设上述时间T′内共采集了F帧图像，按采集先后顺序记一帧图像为If，f表示采集顺序的下标，f∈{1，2，...，F}；记If(u，v)表示图像If中坐标为(u，v)的一个像素。对应于步骤1中所述的图像分辨率640*480，u∈{1，2，...，480}，v∈{1，2，...，640}。
前述F帧图像以像素为单位，构成一个640*480*F维的三维矩阵，记该矩阵为：
V(u，v，f)，1≤u≤480，1≤v≤640，1≤f≤F，u，v，f为整数
进一步的，定义V的偏导数如下：
Figure GDA0003998645900000021
Figure GDA0003998645900000022
Figure GDA0003998645900000023
上述三式中，
Figure GDA0003998645900000031
分别表示矩阵V在三个方向上的偏导数，Δu、Δv、Δf为三个方向上的离散单位增量，为1；h表示像素取值范围，为256。
Figure GDA0003998645900000032
Figure GDA0003998645900000033
同样是三维矩阵。
定义：
Figure GDA0003998645900000034
Figure GDA0003998645900000035
Figure GDA0003998645900000036
Figure GDA0003998645900000037
分别为矩阵
Figure GDA0003998645900000038
的均值。NV＝640×480×F表示三维矩阵中的元素个数。
定义：
Figure GDA0003998645900000039
Figure GDA00039986459000000310
Figure GDA00039986459000000311
三式中，
Figure GDA00039986459000000312
分别为矩阵
Figure GDA00039986459000000313
的标准差。
Figure GDA00039986459000000314
NV的含义同上。
如果：
Figure GDA00039986459000000315
ρ为经验参数，
则判定有人来访，则向独立终端发送来访信号。
可选的，所述处理方法还包括：选取智能门铃摄像机的视角范围内的任一个矩形子集作为监测区域。
可选的，设置摄像机按照预设采样帧率周期性的采集图像。
可选的，所述预设的分析方法是基于神经网络模型的方法，包括：利用神经网络模型对所拍摄的监测区域图像数据进行检测，判断是否有来访者进入监测区域。
可选的，所述基于神经网络模型方法具体为：
假设连续采集的每张图像按时间顺序记为It，t表示时间顺序的下标；对应的每个监测区域St，S是I的一个子图。记It(u，v)表示图像It中坐标为(u，v)的一个像素，同理St(u′，v′)表示图像St中坐标为(u′，v′)的一个像素。
定义：
Figure GDA0003998645900000041
其中，G表示二维空间上的高斯窗口，σ2表示高斯窗口的空间尺寸，作为优选值取σ＝11，i,j表示在高斯窗口各维度上的空间相对坐标，exp表示指数函数。
定义对应于St(u′，v′)的高斯滤波图像At(u′，v′)：
Figure GDA0003998645900000042
其中，G(i，j)表示如式子(1)定义的高斯窗口，符号
Figure GDA0003998645900000043
表示卷积运算。
进一步，定义对应于St(u′，v′)的高斯差分图像Bt(u′，v′)：
Bt(u′，v′)＝At(u′，v′)-At-1(u′，v′)
其中，At(u′，v′)对应于t时刻获得的高斯滤波图像，At-1(u′，v′)对应于其前一时刻、即t-1时获得的高斯滤波图像；
从t+1时刻起，连续采集T张图像，并依次计算其对应的高斯差分图像Bt+1(uρ，v′)、Bt+2(u′，v′)、…、Bt+T(u′，v′)，作为一组检测数据，输入神经网络模型，神经网络模型根据输入数据输出该时间段内是否有人进入监测区域活动。
可选的，所述提示来访者做出指定行为包括：自动向来访者发出通知，提示来访者保持特定姿势并维持预设时间。
本发明的第二方面还提供了一种智能门铃装置，包括：摄像机模组、无线数据传输设备、处理器、存储器；
所述摄像机模组，用于获取监测区域图像数据；
无线数据传输设备，用于传输图像数据和来访信号；
所述存储器，用于存储计算机程序代码，所述计算机程序代码被计算机设备执行时，所述计算机设备执行所述权利要求1-7任一所述处理方法；
所述处理器用于执行所述存储器存储的计算机程序代码。
本发明的第三方面提供了一种独立终端，包括：
数据接收模块，用于接收智能门铃装置发送的数据；
数据播放模块，用于播放数据接收模块接收到的数据。
本发明的第四方面还提供了一种智能门铃系统，采用权利要求1-7任一所述无接触门铃来访处理方法，包括权利要求8所述的智能门铃装置和权利要求9所述的独立终端。
本发明的发明点及技术效果：
1、本发明提出一种具备智能响应来访者来访行为的智能门铃设备及其方法，该方法与对应设备上不需要控制按钮，与一般可视化门铃相比，简化产品结构，降低产品体积和重量。
2、本发明创新性的提出一种基于神经网络的区域进入活动检测方法，利用神经网络模型智能检测图像所拍摄的区域中是否有人进入活动，整个检测过程无需人工干预，具备较高的智能性。且优化了神经网络结构、激励函数、代价函数等，提高了检测的精度，特别适合门口的场景。
3、本发明提出一种来访者响应的智能处理方法及其学习方法，当检测到有人进入监测区域活动时，自主提示来访者做出指定行为，并设计了专门的算法进行行为的识别，提高了识别的准确度。在识别出该类行为后将来访信号通知终端用户，创新性的实现了智能化的门铃通知功能。
4、本发明提出一种基于视觉传感器的图像采集与显示方法，创新性的将图像数据用于自主检测来访者的来访信息，实现了基于图像数据的、非接触式的智能来访通知；同时可将图像数据传输给终端用户，供终端用户人工查看。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中智能门铃系统的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种无接触门铃来访处理方法，包括：
步骤1，获取监测区域图像数据，
步骤2，根据预设的分析方法分析图像数据，检测是否有来访者进入监测区域；
若检测到有来访者进入监测区域，则提示来访者做出指定行为，进入步骤3；否则返回步骤1；
步骤3，若检测到来访者做出指定行为，则将来访信号发送至独立终端；否则返回步骤2。
无接触门铃使用的是智能门铃装置，装置主体内装配智能处理器，及与其配套的数据存储器，包含镜头、感光器件及影像处理电路的摄像机模组，无线数据传输设备等。
步骤1中，通过设置在智能门铃设备主体上的摄像机模组按照一定采样帧率、周期性的采集图像，并将图像保存在设备的数据存储器上；终端用户通过安装在手机、PC计算机等独立终端上的软件查看设备采集到的图像，智能门铃设备通过无线网络将图像传输到独立终端。当来访者进入摄像机的观察范围时，根据场景启动智能处理方法，方法自动对采集到的图像进行处理并产生响应信号；来访者无需触碰门铃设备。
本文所述摄像机模组的采样帧率，指摄像机每秒钟采集图像的张数(或称帧数)，并且该采样帧率为恒定值、采集连续两帧图像的时间间隔为恒定值。作为优选值，设置采样帧率为5帧/秒到30帧/秒，该优选值范围内能使本文后续步骤所述智能处理方法在效率与性能上达到优选状态；如果采样帧率过低，可能影响智能处理方法的性能，并影响终端用户的视觉观感；如果采样帧率过高，可能影响智能处理方法计算效率与响应的实时性。
作为与本文关键步骤相关的重要参数，采集图像的分辨率也将影响智能处理方法的计算效率，该效率随图像分辨率的增加而递减；此外，在一定范围内，智能处理方法的性能随图像分辨率的增加而递增。因此两者的叠加使图像分辨率参数在一定范围内可以实现性能/效率的最优或次优；经过大量实验，本文选取640x480作为采集图像分辨率的优选值。
上述分辨率、采样帧率联合组成本文图像采集参数的优选组合。
本文所述终端用户，是指居家住户或办公住户，即门铃的服务对象；本文所述独立终端，是指由终端用户操作和控制，独立于门铃的、具备显示、联网功能的PC计算机终端或手机终端。智能门铃设备与独立终端通过无线网络和/或有线网络互相访问，将采集到的图像或智能处理信号发送至安装于独立终端上的软件，供终端用户采纳。
本文所述来访者，指到门铃安装场所临时拜访的个人，是智能门铃的监测对象，智能门铃根据采集到的图像数据对来访者的行为进行判别，并产生响应信号。
智能门铃的工作过程简述如下：用户开启智能门铃设备后，智能门铃拍摄并采集图像，通过分析图像数据监测门口是否有来访者，当检测到来访者进入摄像机监测区域范围时(步骤2)，提示来访者做出指定行为，并在监测到该类行为后发出来访信号，将信号通过独立终端的软件通知终端用户(步骤3)。
步骤2中，基于神经网络的区域进入活动检测方法，指利用神经网络模型对图像所拍摄的区域中是否有人进入活动进行检测，当有人进入该区域并活动超过一定时间时，发出检测命中信号，表示监测区域中有人进入。
将步骤1所述智能门铃设备安装于用户门前，使摄像机能够拍摄到用户门前的情况。用户可根据情况选取摄像机视角范围内的任一个矩形子集作为监测区域。选取监测区域的目的是去掉尽量多的无关背景区域。监测区域选取完毕后，智能门铃进入监测流程，摄像机模组开始连续采集图像。通过选取图像的子集区域，能够进一步提升方法的智能检测性能，同时提高计算效率。
假设连续采集的每张图像按时间顺序记为It，t表示时间顺序的下标；对应的每个监测区域St，S是I的一个子图。记It(u，v)表示图像It中坐标为(u，v)的一个像素，同理St(u′，v′)表示图像St中坐标为(u′，v′)的一个像素。
定义：
Figure GDA0003998645900000091
其中，G表示二维空间上的高斯窗口，σ2表示高斯窗口的空间尺寸，作为优选值取σ＝11，i,j表示在高斯窗口各维度上的空间相对坐标，exp表示指数函数。
定义对应于St(u′，v′)的高斯滤波图像At(u′，v′)：
Figure GDA0003998645900000092
其中，G(i，j)表示如式子(1)定义的高斯窗口，符号
Figure GDA0003998645900000093
表示卷积运算。
进一步，定义对应于St(u′，v′)的高斯差分图像)t(u′，v′)：
Bt(u′，v′)＝At(u′，v′)-at-1(u′，v′)…(3)
其中，At(u′，v′)对应于t时刻获得的高斯滤波图像，At-1(u′，v′)对应于其前一时刻、即t-1时获得的高斯滤波图像。
从t+1时刻起，连续采集T张图像，并依次计算其对应的高斯差分图像Bt+1(u′，v′)、Bt+2(u′，v′)、…、Bt+T(u′，v′)，作为一组检测数据，输入神经网络模型，作为优选值，取T＝5*FPS，FPS为步骤1中确定的摄像机模组每秒采集图像的帧数；神经网络模型根据输入数据输出该时间段内是否有人进入监测区域活动。
本文所述神经网络模型由输入层、隐藏层与输出层组成；输入层由连续的高斯差分图像Bt+1(u′，v′)、Bt+2(u′，v′)、…、Bt+T(u′，v′)组成，隐藏层由多个层组成，第一个隐藏层是输入层的逻辑运算结果，后续隐藏层是前一隐藏层的逻辑运算结果，输出层是最后一个隐藏层的逻辑运算结果，为一个标量，表示该时间段内是否有人进入；模型每一层由若干个标量组成，又称为节点，隐藏层的层数是指该层到输入层最短路径所经过的节点数；节点之间的逻辑运算关系由连接定义，相同层数的节点之间不存在连接。
根据高斯差分图像的定义，神经网络的输入层由一系列二维的矩阵组成，因此一共有三个维度，定义如下：
X(u′，v′，t′)＝Bt′(u′，v′)，t′∈{t+1，t+2，...，t+T}
其中Bt′(u′，v′)表示高斯差分图像Bt′中坐标为(u′，v′)的像素。X(u′，v′，t′)即为神经网络模型的输入层。可见，神经网络输入层的前两个维度对应于图像的空间维度，后一个维度对应于图像的时间维度。
定义神经网络模型的第一层隐藏层：
Figure GDA0003998645900000101
式中，
Figure GDA0003998645900000102
表示输入层中以(u',v',t')为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure GDA0003998645900000103
的窗口大小为9*9*5，对应p、q的取值范围为-4到4，r的取值范围为-2到2。X(u ′+p，v′+q，t′+t)表示输入层在坐标(u′+p，v′+q，t′+r)处的节点，即高斯差分图像Bt′+r在坐标(u′+p，v′+q)处的像素取值；
Figure GDA0003998645900000104
表示第一层隐藏层中坐标为(x，y，z)的节点，这个节点根据式子(4)的窗口参数
Figure GDA0003998645900000105
定义，与输入层的9*9*5个节点相连接。b0为线性偏置量。σ(x)为一非线性函数：
Figure GDA0003998645900000111
ex表示指数函数，使神经网络能够对非线性数据样本实现分类，α是经验参数，优选α＝3。通过调整该经验参数，有助于改善模型的分类效果。
定义神经网络的第二层隐藏层：
Figure GDA0003998645900000112
式中，
Figure GDA0003998645900000113
表示第一层隐藏层中以(x,y,z)为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure GDA0003998645900000114
窗口大小为7*7*5，对应p、q的取值范围为-3到3，r的取值范围为-2到2。
Figure GDA0003998645900000115
表示第一层隐藏层中在坐标(x+p，y+q，z+r)处的节点，
Figure GDA0003998645900000116
表示第二层隐藏层中坐标为(x，y，z)的节点，根据式子(6)的窗口参数
Figure GDA0003998645900000117
定义，这个节点与第一层隐藏层中的7*7*5个节点相连。b1为线性偏置量。σ(x)为如式(5)定义的非线性函数。
定义神经网络的第三层隐藏层：
Figure GDA0003998645900000118
式中，max表示对应于空间的两个维度内，与第三层隐藏层的节点
Figure GDA0003998645900000119
对应的第二层隐藏层一定范围的节点的最大值，这个范围由p、q定义，且p、q取值范围为0、1、2、3，因此这个范围为4*4。
Figure GDA00039986459000001110
表示第二层隐藏层中坐标为(4x+p，4y+q，z)的节点，
Figure GDA00039986459000001111
表示第三层隐藏层坐标为(x，y，z)的节点，并与第二层隐藏层的4*4＝16个节点相连。b2为线性偏置量。σ(x)由式子(5)定义。
定义神经网络的第四层隐藏层为：
Figure GDA0003998645900000121
式中，max表示对应于时间的维度，与第四层隐藏层的节点
Figure GDA0003998645900000122
对应的第三层隐藏层一定范围的节点的最大值，这个范围由r定义，r的范围为-1、0，1，因此时间窗口范围为3。
Figure GDA0003998645900000123
表示第三层隐藏层中坐标为(x，y，3z+r)的节点，
Figure GDA0003998645900000124
表示第四层隐藏层中坐标为(x，y，z)的节点，根据(8)定义与第三层隐藏层的3个节点相连。b3为线性偏置量。σ(x)由式子(5)定义。
定义神经网络的第五层隐藏层：
Figure GDA0003998645900000125
式中，
Figure GDA0003998645900000126
表示第四层隐藏层中以(x,y,z)为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure GDA0003998645900000127
窗口大小为5*5*3，对应p、q的取值范围为-2到2，r的取值范围为-1到1。
Figure GDA0003998645900000128
表示第四层隐藏层中在坐标(x+p，y+q，z+r)处的节点，
Figure GDA0003998645900000129
表示第五层隐藏层中坐标为(x，y，z)的节点，根据式子(9)的窗口参数
Figure GDA00039986459000001210
定义，这个节点与第一层隐藏层中的5*5*3个节点相连。b4为线性偏置量。σ(x)为如式(5)定义的非线性函数；
定义输出层：
Figure GDA00039986459000001211
式中，
Figure GDA00039986459000001212
为第五层隐藏层中的一个节点，p,q,r,定义了节点的位置，
Figure GDA00039986459000001213
表示隐藏层第五层节点
Figure GDA00039986459000001214
与输出层唯一节点Ω之间的连接权重。b5为线性偏置量。σ(x)由式子(5)定义。
神经网络的输出层节点Ω，取值范围为[0,1]，表示对应于输入的高斯差分图像的该时间段内是否有人进入的概率，当y趋向于0时，表示没有人进入该区域活动，当y趋向于1时，表示有人进入该区域活动。
式(4)-(10)中神经网络每一层的权重参数
Figure GDA0003998645900000131
和偏置参数b0、b1、b2、b3、b4、b5需要通过训练样本学习获得。预先准备若干组训练样本，每组训练样本包括T+1帧连续采集图像计算获得的T帧高斯差分图像，及与之对应的是否出现人员活动的标记值1或0。如果训练样本中有人活动，则标记值为1，否则标记值为0。每组训练样本及其标记值作为神经网络模型的一组训练输入，并采取下列方法对神经网络模型进行学习。
根据神经网络模型(4)-(10)的定义计算给定训练样本输入值时的输出结果，并与训练样本的标记值相对比，可以获得一个对比值，该对比值定义为一个代价函数：
Figure GDA0003998645900000132
其中，
Figure GDA0003998645900000133
表示输出(即视频中是否出现异常表现)的真实值，Ω表示根据神经网络模型(4)-(10)对输入图像序列进行计算后对输出的估计值。参数λ、θ为控制参数，有助于提高模型的噪声的鲁棒性。作为优选，取λ＝0.15，θ＝6。
采用后向传播方法求取代价函数(11)的极值，实现对神经网络模型的训练，确定神经网络模型中式子(4)-(10)的各项连接权重与线性偏置量。
步骤3中，当利用步骤2所述方法检测到有来人时，自动向来人发出通知，提示来人保持特定姿势并维持一段时间，方法通过采集到的图像分析来人的行为，确认通过后向终端用户发送来访通知。
当采用步骤2所述方法检测到有人进入监测区域并活动时，智能门铃发出通知，例如采用语音播报或电子横幅显示的方式，可以采用外接相关设备的方式发出通知，智能门铃通过usb等电子标准接口与外接设备连接。
智能门铃发出的通知，明确包含以下信息：
a)请来人保持一定距离面向智能门铃设备站立，作为推荐值，该距离取值为30-100厘米。
b)请来人在一定时间内维持a)的姿态并尽量不动，作为推荐值，该时长约3-5秒；时间过短可能影响智能检测的识别率，时间过长则会影响设备的易用性和使用效果。
c)当检测完成后，通知来人检测完成，可以不再保持a)的姿态；如果检测失败，重复发出a)、b)内容的通知。
智能门铃发出包含a)、b)所述信息的通知后，进入来访者响应检测环节。
智能门铃的来访者相应检测环节，包含两组并列步骤。
并列步骤P1、将摄像机采集到的图像同步传送给终端用户软件上，供终端用户查看。
并列步骤P2、启动来访者响应智能检测方法。具体如下。
采集一段时间T′内的图像数据，作为优选值，取T′＝3秒。
假设上述时间T′内共采集了F帧图像，按采集先后顺序记一帧图像为If，f表示采集顺序的下标，f∈{1，2，...，F}；记If(u，v)表示图像If中坐标为(u，v)的一个像素。对应于步骤1中所述的图像分辨率推荐值640*480，u∈{1，2，...，480}，v∈{1，2，...，640}。
前述F帧图像以像素为单位，构成一个640*480*F维的三维矩阵，记该矩阵为：
V(u，v，f)，1≤u≤480，1≤v≤640，1≤f≤F，u，v，f为整数
进一步的，定义V的偏导数如下：
Figure GDA0003998645900000141
Figure GDA0003998645900000151
Figure GDA0003998645900000152
上述三式中，
Figure GDA0003998645900000153
分别表示矩阵V在三个方向上的偏导数，Δu、Δv、Δf为三个方向上的离散单位增量，在本文中为1；h表示像素取值范围，在本文中为256。
Figure GDA0003998645900000154
同样是三维矩阵。
定义：
Figure GDA0003998645900000155
Figure GDA0003998645900000156
Figure GDA0003998645900000157
Figure GDA0003998645900000158
分别为矩阵
Figure GDA0003998645900000159
的均值。NV＝640×480×F表示三维矩阵中的元素个数。
定义：
Figure GDA00039986459000001510
Figure GDA00039986459000001511
Figure GDA00039986459000001512
三式中，
Figure GDA00039986459000001513
分别为矩阵
Figure GDA00039986459000001514
的标准差。
Figure GDA00039986459000001515
NV的含义同上。
如果：
Figure GDA0003998645900000161
则判定有人来访，智能门铃向终端用户发送一个来访信号，通知用户有人来访；并向来访者发出前文中c)的信息。
否则，判定检测失败，向来访者发出前文中a)、b)的信息；并重新进入来访者响应检测环节。
式(21)中，ρ为一经验参数，经过大量实验总结获得优选值为ρ＝0.04。
表1给出了本文所述方法对来访者实现智能响应的测试结果，该测试结果包括两类指标。其中，准确率定义为当来访者来访时智能门铃正确报告通知的次数与来访者来访的总次数的比值；误报率定义为将各类虚假场景误报为来访者来访的次数与虚假场景出现的总次数的比值。虚假场景包括路人经过、开关灯光、主人离家/返家等现实中的典型干扰场景。测试结果表明，本文所述方法在来访者来访时的正确判别概率高，能够智能实现门铃的通知功能，并对各类干扰、虚假场景具有较高的抑制作用，误报和虚警概率低。
表1
Figure GDA0003998645900000162
本申请实施例提供的无接触门铃来访处理方法部署于智能门铃装置中。
独立终端可以安装相应程序软件，可以包括：数据接收模块，用于接收智能门铃装置发送的数据；数据播放模块，用于播放数据接收模块接收到的数据，播放的数据可以包括图像数据或声音数据或文字数据中的至少一种。
智能门铃装置、独立终端及所使用的无接触门铃来访处理方法构成了智能门铃系统，将图像数据用于自主检测来访者的来访信息，实现了基于图像数据的、非接触式的智能来访通知；同时可将图像数据传输给终端用户，供终端用户人工查看。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk)等。
可以理解，除了上述内容，还包括一些常规结构和常规方法，由于这些内容都是公知的，不再赘述。但这并不意味着本发明不存在这些结构和方法。
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (8)

1.一种无接触门铃来访处理方法，其特征在于，包括：
S1，获取监测区域图像数据，
S2，根据基于神经网络模型的分析方法分析图像数据，检测是否有来访者进入监测区域；
若检测到有来访者进入监测区域，则提示来访者做出指定行为，进入S3；否则返回S1；
S3，若检测到来访者做出指定行为，则将来访信号发送至独立终端；否则返回S2；
在所述提示来访者做出指定行为之后，进入来访者响应检测环节，包含两组并列步骤：
步骤P1、将摄像机采集到的图像同步传送给独立终端上，供终端用户查看；
步骤P2、启动来访者响应智能检测方法：
采集一段时间T′内的图像数据，取T′＝3秒；
假设上述时间T′内共采集了F帧图像，按采集先后顺序记一帧图像为If，f表示采集顺序的下标，f∈{1，2，...，F}；记If(u，v)表示图像If中坐标为(u，v)的一个像素，对应于步骤1中所述的图像分辨率640*480，u∈{1，2，...，480}，v∈{1，2，...，640}；
前述F帧图像以像素为单位，构成一个640*480*F维的三维矩阵，记该矩阵为：
V(u，v，f)，1≤u≤480，1≤v≤640，1≤f≤F，u，v，f为整数
进一步的，定义V的偏导数如下：
Figure FDA0003998645890000021
Figure FDA0003998645890000022
Figure FDA0003998645890000023
上述三式中，
Figure FDA0003998645890000024
分别表示矩阵V在三个方向上的偏导数，Δu、Δv、Δf为三个方向上的离散单位增量，为1；h表示像素取值范围，为256；
Figure FDA0003998645890000025
Figure FDA0003998645890000026
同样是三维矩阵；
定义：
Figure FDA0003998645890000027
Figure FDA0003998645890000028
Figure FDA0003998645890000029
Figure FDA00039986458900000210
分别为矩阵
Figure FDA00039986458900000211
的均值，NV＝640×480×F表示三维矩阵中的元素个数；
定义：
Figure FDA00039986458900000212
Figure FDA00039986458900000213
Figure FDA00039986458900000214
三式中，
Figure FDA0003998645890000031
分别为矩阵
Figure FDA0003998645890000032
的标准差，
Figure FDA0003998645890000033
NV的含义同上；
如果：
Figure FDA0003998645890000034
ρ为经验参数，
则判定有人来访，则向独立终端发送来访信号；
神经网络模型包括：定义神经网络模型的第一层隐藏层：
Figure FDA0003998645890000035
式中，
Figure FDA0003998645890000036
表示输入层中以(u',v',t')为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure FDA0003998645890000037
的窗口大小为9*9*5，对应p、q的取值范围为-4到4，r的取值范围为-2到2，X(u ′+p，v′+q，t′+r)表示输入层在坐标(u′+p，v′+q，t′+r)处的节点，即高斯差分图像Bt′+r在坐标(u′+p，v′+q)处的像素取值；
Figure FDA0003998645890000038
表示第一层隐藏层中坐标为(x，y，z)的节点，这个节点根据式子(4)的窗口参数
Figure FDA0003998645890000039
定义，与输入层的9*9*5个节点相连接，b0为线性偏置量，σ(x)为一非线性函数：
Figure FDA00039986458900000310
ex表示指数函数，使神经网络能够对非线性数据样本实现分类，α是经验参数，通过调整该经验参数，有助于改善模型的分类效果；
定义神经网络的第二层隐藏层：
Figure FDA00039986458900000311
式中，
Figure FDA0003998645890000041
表示第一层隐藏层中以(x,y,z)为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure FDA0003998645890000042
窗口大小为7*7*5，对应p、q的取值范围为-3到3，r的取值范围为-2到2，
Figure FDA0003998645890000043
表示第一层隐藏层中在坐标(x+p，y+q，z+r)处的节点，
Figure FDA0003998645890000044
表示第二层隐藏层中坐标为(x，y，z)的节点，根据式子(6)的窗口参数
Figure FDA0003998645890000045
定义，这个节点与第一层隐藏层中的7*7*5个节点相连，b1为线性偏置量，σ(x)为如式(5)定义的非线性函数；
定义神经网络的第三层隐藏层：
Figure FDA0003998645890000046
式中，max表示对应于空间的两个维度内，与第三层隐藏层的节点
Figure FDA0003998645890000047
对应的第二层隐藏层一定范围的节点的最大值，这个范围由p、q定义，且p、q取值范围为0、1、2、3，因此这个范围为4*4，
Figure FDA0003998645890000048
表示第二层隐藏层中坐标为(4x+p，4y+q，z)的节点，
Figure FDA0003998645890000049
表示第三层隐藏层坐标为(x，y，z)的节点，并与第二层隐藏层的4*4＝16个节点相连，b2为线性偏置量，σ(x)由式子(5)定义；
定义神经网络的第四层隐藏层为：
Figure FDA00039986458900000410
式中，max表示对应于时间的维度，与第四层隐藏层的节点
Figure FDA00039986458900000411
对应的第三层隐藏层一定范围的节点的最大值，这个范围由r定义，r的范围为-1、0，1，因此时间窗口范围为3，
Figure FDA00039986458900000412
表示第三层隐藏层中坐标为(x，y，3z+r)的节点，
Figure FDA00039986458900000413
表示第四层隐藏层中坐标为(x，y，z)的节点，根据(8)定义与第三层隐藏层的3个节点相连，b3为线性偏置量，σ(x)由式子(5)定义；
定义神经网络的第五层隐藏层：
Figure FDA0003998645890000051
式中，
Figure FDA0003998645890000052
表示第四层隐藏层中以(x,y,z)为中心的卷积窗口的权重，p,q,r表示卷积窗口中相对位置的整数坐标，其中，p,q为卷积窗口的空间维度，r为卷积窗口的时间维度，
Figure FDA0003998645890000053
窗口大小为5*5*3，对应p、q的取值范围为-2到2，r的取值范围为-1到1，
Figure FDA0003998645890000054
表示第四层隐藏层中在坐标(x+p，y+q，z+r)处的节点，
Figure FDA0003998645890000055
表示第五层隐藏层中坐标为(x，y，z)的节点，根据式子(9)的窗口参数
Figure FDA0003998645890000056
定义，这个节点与第一层隐藏层中的5*5*3个节点相连，b4为线性偏置量，σ(x)为如式(5)定义的非线性函数；
定义输出层：
Figure FDA0003998645890000057
式中，
Figure FDA0003998645890000058
为第五层隐藏层中的一个节点，p,q,r,定义了节点的位置，
Figure FDA0003998645890000059
表示隐藏层第五层节点
Figure FDA00039986458900000510
与输出层唯一节点Ω之间的连接权重，b5为线性偏置量，σ(x)由式子(5)定义；
神经网络的输出层节点Ω，取值范围为[0,1]，表示对应于输入的高斯差分图像的该时间段内是否有人进入的概率，当y趋向于0时，表示没有人进入该区域活动，当y趋向于1时，表示有人进入该区域活动；
式(4)-(10)中神经网络每一层的权重参数
Figure FDA00039986458900000511
和偏置参数b0、b1、b2、b3、b4、b5需要通过训练样本学习获得，预先准备若干组训练样本，每组训练样本包括T+1帧连续采集图像计算获得的T帧高斯差分图像，及与之对应的是否出现人员活动的标记值1或0，如果训练样本中有人活动，则标记值为1，否则标记值为0，每组训练样本及其标记值作为神经网络模型的一组训练输入，并采取下列方法对神经网络模型进行学习；
根据神经网络模型(4)-(10)的定义计算给定训练样本输入值时的输出结果，并与训练样本的标记值相对比，获得一个对比值，该对比值定义为一个代价函数：
Figure FDA0003998645890000061
其中，
Figure FDA0003998645890000062
表示输出的真实值，Ω表示根据神经网络模型(4)-(10)对输入图像序列进行计算后对输出的估计值；参数λ、θ为控制参数，有助于提高模型的噪声的鲁棒性；
采用后向传播方法求取代价函数(11)的极值，实现对神经网络模型的训练，确定神经网络模型中式子(4)-(10)的各项连接权重与线性偏置量。
2.如权利要求1所述的处理方法，其特征在于，所述处理方法还包括：选取智能门铃摄像机的视角范围内的任一个矩形子集作为监测区域。
3.如权利要求2所述的处理方法，其特征在于，设置摄像机按照预设采样帧率周期性的采集图像。
4.如权利要求1所述的处理方法，其特征在于，所述提示来访者做出指定行为包括：自动向来访者发出通知，提示来访者保持特定姿势并维持预设时间。
5.如权利要求1所述的处理方法，其特征在于，所述基于神经网络模型方法具体为：
假设连续采集的每张图像按时间顺序记为It，t表示时间顺序的下标；对应的每个监测区域St，S是I的一个子图，记It(u，v)表示图像It中坐标为(u，v)的一个像素，同理St(u′，v′)表示图像St中坐标为(u′，v′)的一个像素；
定义：
Figure FDA0003998645890000071
其中，G表示二维空间上的高斯窗口，σ2表示高斯窗口的空间尺寸，取σ＝11，i,j表示在高斯窗口各维度上的空间相对坐标，exp表示指数函数；
定义对应于St(u′，v′)的高斯滤波图像At(u′，v′)：
Figure FDA0003998645890000072
其中，G(i，j)表示如式子(1)定义的高斯窗口，符号
Figure FDA0003998645890000073
表示卷积运算；
进一步，定义对应于St(u′，v′)的高斯差分图像Bt(u′，v′)：
Bt(u′，v′)＝At(u′，v′)-At-1(u′，v′)
其中，At(u′，v′)对应于t时刻获得的高斯滤波图像，At-1(u′，v′)对应于其前一时刻、即t-1时获得的高斯滤波图像；
从t+1时刻起，连续采集T张图像，并依次计算其对应的高斯差分图像Bt+1(u′，v′)、Bt+2(u′，v′)、…、Bt+T(u′，v′)，作为一组检测数据，输入神经网络模型，神经网络模型根据输入数据输出该时间段内是否有人进入监测区域活动。
6.一种智能门铃装置，其特征在于，包括：摄像机模组、无线数据传输设备、处理器、存储器；
所述摄像机模组，用于获取监测区域图像数据；
无线数据传输设备，用于传输图像数据和来访信号；
所述存储器，用于存储计算机程序代码，所述计算机程序代码被计算机设备执行时，所述计算机设备执行所述权利要求1-5任一所述处理方法；
所述处理器用于执行所述存储器存储的计算机程序代码。
7.一种独立终端，其特征在于，包括：
数据接收模块，用于接收所述权利要求6的智能门铃装置发送的数据；
数据播放模块，用于播放数据接收模块接收到的数据。
8.一种智能门铃系统，其特征在于，采用权利要求1-5任一所述无接触门铃来访处理方法，包括权利要求6所述的智能门铃装置和权利要求7所述的独立终端。
CN202210282760.0A 2022-03-22 2022-03-22 一种无接触门铃来访处理方法及相关设备 Active CN114596535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210282760.0A CN114596535B (zh) 2022-03-22 2022-03-22 一种无接触门铃来访处理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210282760.0A CN114596535B (zh) 2022-03-22 2022-03-22 一种无接触门铃来访处理方法及相关设备

Publications (2)

Publication Number Publication Date
CN114596535A CN114596535A (zh) 2022-06-07
CN114596535B true CN114596535B (zh) 2023-02-03

Family

ID=81819131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210282760.0A Active CN114596535B (zh) 2022-03-22 2022-03-22 一种无接触门铃来访处理方法及相关设备

Country Status (1)

Country Link
CN (1) CN114596535B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019140655A (ja) * 2018-02-15 2019-08-22 アイホン株式会社 ドアベル
JP2019140653A (ja) * 2018-02-15 2019-08-22 アイホン株式会社 ドアベル
CN111351447A (zh) * 2020-01-21 2020-06-30 天目爱视（北京）科技有限公司 一种手部智能3d信息采集测量设备
WO2020258120A1 (zh) * 2019-06-27 2020-12-30 深圳市汇顶科技股份有限公司 人脸识别的方法、装置和电子设备
CN112244796A (zh) * 2020-11-09 2021-01-22 联合维度(广州)科技有限公司 一种智能检测人体生理指标的方法及看护设备
CN112820014A (zh) * 2020-12-30 2021-05-18 珠海格力电器股份有限公司 一种智能门禁系统控制方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108566364B (zh) * 2018-01-15 2021-01-12 中国人民解放军国防科技大学 一种基于神经网络的入侵检测方法
CN108376237A (zh) * 2018-01-17 2018-08-07 南京邮电大学 一种基于3d识别的住宅来访管理系统及管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019140655A (ja) * 2018-02-15 2019-08-22 アイホン株式会社 ドアベル
JP2019140653A (ja) * 2018-02-15 2019-08-22 アイホン株式会社 ドアベル
WO2020258120A1 (zh) * 2019-06-27 2020-12-30 深圳市汇顶科技股份有限公司 人脸识别的方法、装置和电子设备
CN111351447A (zh) * 2020-01-21 2020-06-30 天目爱视（北京）科技有限公司 一种手部智能3d信息采集测量设备
CN112244796A (zh) * 2020-11-09 2021-01-22 联合维度(广州)科技有限公司 一种智能检测人体生理指标的方法及看护设备
CN112820014A (zh) * 2020-12-30 2021-05-18 珠海格力电器股份有限公司 一种智能门禁系统控制方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能视频监控系统中物体遗留检测方法的研究;孔英会等;《计算机工程与科学》;20100630;第32卷(第06期);118-121页 *

Also Published As

Publication number Publication date
CN114596535A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
US11735018B2 (en) Security system with face recognition
US20230316762A1 (en) Object detection in edge devices for barrier operation and parcel delivery
Deep et al. A survey on anomalous behavior detection for elderly care using dense-sensing networks
US20190258866A1 (en) Human presence detection in edge devices
US9036902B2 (en) Detector for chemical, biological and/or radiological attacks
Chen et al. A fall detection system based on infrared array sensors with tracking capability for the elderly at home
US20090195382A1 (en) Video sensor and alarm system and method with object and event classification
CN109389162B (zh) 样本图像筛选方法和装置、电子设备及存储介质
CN109670397A (zh) 人体骨骼关键点的检测方法、装置、电子设备及存储介质
CN107798669A (zh) 图像去雾方法、装置及计算机可读存储介质
CN101665210A (zh) 图像识别装置
CN111222493B (zh) 一种视频处理方法及装置
JP2011100175A (ja) 人物行動判定装置及びそのプログラム
CN107832741A (zh) 人脸特征点定位的方法、装置及计算机可读存储介质
CN110011997A (zh) 入侵检测方法及装置和计算机可读存储介质
CN110533166B (zh) 一种基于时空间融合特征的室内定位方法
US12008812B2 (en) Simultaneous playback of continuous video recordings from multiple recording devices
KR102511287B1 (ko) 영상 기반 자세 예측 및 행동 검출 방법 및 장치
CN107122743A (zh) 安防监控方法、装置和电子设备
CN114469076A (zh) 一种融合身份特征的独居老人跌倒识别方法及系统
CN113723185A (zh) 动作行为识别方法、装置、存储介质及终端设备
JP6621092B1 (ja) 危険度判別プログラム及びシステム
CN114596535B (zh) 一种无接触门铃来访处理方法及相关设备
CN114022896A (zh) 目标检测方法、装置、电子设备及可读取存储介质
CN105608469A (zh) 图像分辨率的确定方法及装置

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
GR01 Patent grant