CN114972419B - 摔倒检测方法、装置、介质与电子设备 - Google Patents
摔倒检测方法、装置、介质与电子设备 Download PDFInfo
- Publication number
- CN114972419B CN114972419B CN202210382341.4A CN202210382341A CN114972419B CN 114972419 B CN114972419 B CN 114972419B CN 202210382341 A CN202210382341 A CN 202210382341A CN 114972419 B CN114972419 B CN 114972419B
- Authority
- CN
- China
- Prior art keywords
- person
- video frame
- target person
- falling
- position information
- 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
Links
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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种摔倒检测方法、装置、介质与电子设备,涉及目标检测技术领域。所述摔倒检测方法包括:获取待检测视频中的当前视频帧;将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果;若状态检测结果指示目标人员为可能摔倒人员,则根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果。本公开提供了摔倒检测结果的精准度和可靠度。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种摔倒检查方法、摔倒检测装置、计算机可读存储介质和电子设备。
背景技术
摔倒是造成中老年人和小孩等特殊人群非故意伤害就医的主要原因之一,对这些特殊人群来说,进行摔倒检测显得尤为重要。
相关技术中,通过摔倒检测算法来实现摔倒检测,这些摔倒检测算法通常将摔倒行为考虑的过于简单,容易将正常行为判定为摔倒行为;或者对于人员较多的特殊场景,容易出现将摔倒人员判断错误的情况。可见,相关技术存在摔倒检测结果精准度低,误判率高的问题。
发明内容
本公开提供了一种摔倒检测方法、装置、介质与电子设备,进而提高了摔倒检测的精准度和可靠度。
根据本公开的第一方面,提供一种摔倒检测方法,包括:
获取待检测视频中的当前视频帧;
将所述当前视频帧输入摔倒检测模型中,得到所述当前视频帧中目标人员的状态检测结果;
若所述状态检测结果指示所述目标人员为可能摔倒人员,则根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员的摔倒检测结果。
根据本公开的第二方面,提供一种摔倒检测装置,包括:
获取模块,被配置为获取待检测视频中的当前视频帧;
检测模块,被配置为将所述当前视频帧输入摔倒检测模型中,得到所述当前视频帧中目标人员的状态检测结果;
确定模块,被配置为若所述状态检测结果指示所述目标人员为可能摔倒人员,则根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员的摔倒检测结果。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面的方法。
根据本公开的第四方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储处理器的可执行指令;
其中,处理器配置为经由执行可执行指令来执行第一方面的方法。
本公开的技术方案具有以下有益效果:
提供了一种摔倒检测方法、装置、介质与电子设备,摔倒检测方法可以通过模型检测和位置匹配确定出真正的摔倒人员,可以提升摔倒检测结果的精准度和可靠度;同时,摔倒检测过程不受视频画面中人员数量的影响,针对人员较多的复杂场景,可以进一步提升摔倒检测结果的精准度和可靠度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施方式,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施方式,对于本领域普通技术人员来讲,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示出本示例性实施方式中一种摔倒检测系统的示意性架构图;
图2示出本示例性实施方式中一种摔倒检测方法的流程图;
图3示出本示例性实施方式中一种确定目标人员的摔倒检测结果的流程示意图;
图4示出本示例性实施方式中一种确定目标人员和历史视频帧中的可能摔倒人员是否为同一人员的流程示意图;
图5示出本示例性实施方式中另一种摔倒检测方法的流程图;
图6示出本示例性实施方式中一种摔倒检测装置的结构示意图;
图7示出本示例性实施方式中一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例性实施方式。然而,示例性实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例性实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
相关技术中,提供了对特殊人群进行摔倒检测的方案。传统方法是根据人体在摔倒时传感器所采集到的加速度数据会出现不同寻常的峰值来判断,但该方法容易将正常运动事件误判为摔倒事件。例如,将行走过程中有摇晃动作的人员确定为摔倒人员,而且不同个体之间的运动习惯差异也会导致峰值存在差异,峰值确定困难,导致摔倒检测结果可靠性低;或者,传统方法利用机器学习模型,将人体摔倒时传感器所采集到的所有随时间变化的加速度运动数据序列考虑在内,提取加速度运动数据序列的特征向量,根据特征向量判别运行是否属于摔倒事件,但是,这种方法通常无法特殊场景,例如,画面中人员较多且人员之间互相遮挡的情况。
鉴于上述问题,本公开的示例性实施方式提供一种摔倒检测方法。该摔倒检测方法的应用场景包括但不限于:针对人员较多,采集设备所在位置采集到的待检测视频中,人员之间存在互相遮挡情况的场景,对于采集设备采集到的待检测视频,可以利用摔倒检测方法对待检测视频中的人员的摔倒情况进行检测。
为了实现上述业务处理方法,本公开的示例性实施方式提供一种摔倒检测系统。图1示出了该摔倒检测系统的示意性架构图。如图1所示,摔倒检测系统100可以包括视频采集设备110与检测设备120。其中,视频采集设备110用于采集其所处环境的视频画面,视频采集设备可以是摄像头。检测设备120是对采集设备110所采集的视频进行摔倒检测的设备,检测设备可以是服务器、台式电脑、个人电脑、平板电脑或者智能手机等。视频采集设备110检测设备120可以通过网络建立连接,以使检测设备120对视频采集设备110采集的待检测视频中的人员进行摔倒检测。
在一种可选的实施方式中,视频采集设备110可以采集视频画面生成待检测视频,并将待检测视频发送至检测设备120,检测设备120接收到视频采集设备110发送的待检测视频后,可以对待检测视频中的人员进行摔倒检测。
下面从检测设备的角度,对摔倒检测方法进行说明。图2示出了由检测设备执行的摔倒检测方法的示例性流程,可以包括:
步骤S201,获取待检测视频中的当前视频帧;
步骤S202,将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果;
在本公开实施例中,目标人员为视频帧中的每个人员。
步骤S203,若状态检测结果指示目标人员为可能摔倒人员,则根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果。
在本公开实施例中,目标人员的摔倒检测结果用于指示目标人员为实际摔倒人员,或者目标人员不是实际摔倒人员。
综上所述,本公开实施例提供的摔倒检测方法,检测设备可以获取待检测视频中的当前视频帧,将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果,若状态检测结果指示目标人员为可能摔倒人员,则根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果。可以在摔倒检测模型确定人员为可能摔倒人员后,结合前后帧中人员的位置信息的变化情况,进一步确定人员是否为真正的摔倒人员,通过模型检测和位置匹配确定出真正的摔倒人员,可以提升摔倒检测结果的精准度和可靠度;同时,摔倒检测过程不受视频画面中人员数量的影响,针对人员较多的复杂场景,可以进一步提升摔倒检测结果的精准度和可靠度。
在一个可选的实施例中,在上述步骤S201中,检测设备可以获取待检测视频中的当前视频帧。
在本公开实施例中,待检测视频是需要对视频画面中人员摔倒与否进行检测的视频,其中,待检测视频可以是视频采集设备实时传输至检测设备中的视频,也可以是预先存储于检测设备中的视频。
在一种可选的实施方式中,若待检测视频是视频采集设备实时采集并传输至检测设备中的视频,则当前视频帧为检测设备当前接收到的一帧视频帧。其中,检测设备获取待检测视频中的当前视频帧的过程可以包括:检测设备接收视频采集设备当前发送的视频帧得到当前视频帧。
在一种可选的实施方式中,若待检测视频是预先存储至检测设备中的视频,则当前视频帧为检测设备在待检测视频帧中当前读取到的视频帧。其中,检测设备获取待检测视频中的当前视频帧的过程可以包括:读取待检测视频中的视频帧,得到当前视频帧。
需要说明的是,在本公开实施例中,对于待检测视频帧,检测设备也跳帧获取待检测视频中的当前视频帧,本公开实施例对此不作限定,例如,可以每间隔两帧,将接收到的视频帧确定为当前视频帧,或者,将读取到的视频帧确定为当前视频帧。可以满足不同硬件条件的检测设备进行摔倒检测的需求。
在一个可选的实施例中,在上述步骤S202中,检测设备可以将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果。
在本公开实施例中,摔倒检测模型用于对视频帧中人员的状态进行检测,以判断人员是否可能摔倒人员,摔倒检测模型可以是预先训练得到的,摔倒检测模型可以是卷积神经网络模型或者YOLO(You Only Look Once)模型,本公开实施例对此不作限定;其中,目标人员为当前视频帧中的每个人员对象;状态检测结果用于指示目标人员为可能摔倒人员或者非摔倒人员。其中,可能摔倒人员指的是人员可能摔倒,非摔倒人员指的是人员未摔倒。
在一种可选的实施方式中,检测设备将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果的过程可以包括:对当前视频帧进行目标检测确定目标人员的边界框位置,根据目标人员的边界框位置提取目标人员位置区域的图像特征,根据图像特征确定目标人员的是否摔倒以及摔倒权重值,得到目标人员的状态检测结果。
在一种可选的实施方式中,当前视频帧中可能不存在目标人员,则可以获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S202。
在一个可选的实施例中,在上述步骤S203中,若状态检测结果指示目标人员为可能摔倒人员,则检测设备根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果。
在本公开实施例中,人员的摔倒过程通常要持续一段时间,因此,为了防止误判,对于当前视频帧中被确定为可能摔倒人员的目标人员,需要根据历史视频帧中可能摔倒人员的位置信息和目标人员在当前视频帧中的位置信息,确定该目标人员是否真正摔倒,提升目标人员摔倒检测结果的精准度。其中,历史视频帧为检测设备在当前视频帧之前,获取到的待检测视频中的视频帧。
在一种可选的实施方式中,如图3所示,检测设备根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果的过程可以包括步骤S301至步骤S303:
步骤S301,根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员和历史视频帧中的可能摔倒人员是否为同一人员。
在本公开实施例中,目标人员在当前视频帧中的位置信息可以为目标人员在当前视频帧中边界框的对角线的两个端点坐标;历史视频帧中可能摔倒人员的位置信息可以为可能摔倒人员在历史视频帧中边界框的中心点坐标。
需要说明的是,在本公开实施例中,检测设备可以提供缓存空间,缓存空间用于存储待检测视频的视频帧中,可能摔倒人员的位置信息。其中,待检测视频的视频帧画面中的人员可能存在多个,检测设备可以为不同人员分配不同的子缓存空间,用于存储不同可能摔倒人员的位置信息。
在一种可选的实施方式中,如图4所示,检测设备根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员和历史视频帧中的可能摔倒人员是否为同一人员的过程可以包括步骤S401至步骤S403:
步骤S401,获取历史视频帧中的至少一个可能摔倒人员的位置信息;
在一种可选的实施方式中,检测设备在缓存空间中获取历史视频帧中的至少一个可能摔倒人员的位置信息的过程可以包括:在缓存空间中获取历史视频帧中的至少一个可能摔倒人员在历史视频帧中边界框的中心点坐标。
步骤S402,根据目标人员在当前视频帧中的位置信息和历史视频帧中的每个可能摔倒人员的位置信息,确定至少一个位置距离值;
在本公开实施例中,位置距离值用于表示目标人员在当前视频帧中边界框的中心点坐标,与可能摔倒人员在历史视频帧中边界框的中心点坐标的距离值。
在一种可选的实施方式中,检测设备根据目标人员在当前视频帧中的位置信息和每个摔倒人员的位置信息,确定至少一个位置距离值的过程可以包括:根据目标人员在当前视频帧中边界框的对角线的两个端点坐标,确定目标人员在当前视频帧中边界框的中心点坐标,确定目标人员在当前视频帧中边界框的中心点坐标和每个摔倒人员在历史视频帧中边界框的中心点坐标的欧式距离,得到至少一个位置距离值。
其中,根据目标人员在当前视频帧中的位置信息,确定目标人员在当前视频帧中边界框的中心点坐标的过程可以包括:获取目标人员在当前视频帧中边界框的对角线的两个端点坐标中的两个横坐标和两个纵坐标,将两个横坐标之和的二分之一确定为,目标人员在当前视频帧中边界框的中心点坐标的横坐标,将两个纵坐标之和的二分之一确定为,目标人员在当前视频帧中边界框的中心点坐标的纵坐标。
其中,对于历史视频帧中的每个可能摔倒人员,确定目标人员在当前视频帧中边界框的中心点坐标和该摔倒人员在历史视频帧中边界框的中心点坐标的欧式距离的过程可以包括:确定目标人员在当前视频帧中边界框的中心点坐标的横坐标,和摔倒人员在历史视频帧中边界框的中心点坐标的横坐标之差的第一平方值;确定目标人员在当前视频帧中边界框的中心点坐标的纵坐标,和摔倒人员在历史视频帧中边界框的中心点坐标的纵坐标之差的第二平方值,对第一平方值和第二平方值的和值开平方,得到欧式距离。
步骤S403,若至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定目标人员和最小位置距离值关联的可能摔倒人员为同一人员。
在本公开实施例中,距离阈值为预先确定的用于判断目标人员在历史视频帧中是否已经被确定为可能摔倒人员的判断条件值,该距离阈值可以基于实际需要确定,本公开实施例对此不作限定。
在一种可选的实施方式中,若确定至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定目标人员和最小位置距离值关联的可能摔倒人员为同一人员,表明在历史视频帧中目标人员已经被确定为可能摔倒人员,可以进一步确定目标人员是否为实际摔倒人员;若至少一个位置距离值中的最小位置距离值大于或者等于预设距离阈值,则确定目标人员和历史视频帧中的可能摔倒人员不是同一人员,表明目标人员首次被判定为可能摔倒人员。
在一种可选的实施方式中,若目标人员和历史视频帧中的可能摔倒人员不是同一人员,则可以在缓存空间中为目标人员分配子缓存空间,并将目标人员的位置信息存储于目标人员的子缓存空间。便于在后续确定目标人员是否为实际摔倒人员。进一步的,可以获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S203。
在一种可选的实施方式中,若目标人员和历史视频帧中的可能摔倒人员为同一人员,则可以将目标人员的位置信息存储于缓存空间中目标人员的子缓存空间。
可以理解的是,可以根据目标人员在当前视频帧中边界框的对角线的两个端点坐标,确定目标人员在当前视频帧中边界框的中心点坐标,并将目标人员在当前视频帧中边界框的中心点坐标,存储于目标人员的子缓存空间。
步骤S302,若目标人员和历史视频帧中的可能摔倒人员为同一人员,则确定目标人员的摔倒动作持续帧数。
在本公开实施例中,摔倒动作持续帧数用于指示,人员从第一次被确定为可能摔倒人员至再次被被确定为可能摔倒人员时,持续的视频帧的数量。
在一种可选的实施方式中,检测设备确定目标人员的摔倒动作持续帧数的过程可以包括:确定当前视频帧的第一时间戳;获取与目标人员对应的最早历史视频帧的第二时间戳;根据第二时间戳与第一时间戳的差值、待检测视频的每秒传输帧数,确定目标人员的摔倒动作持续帧数,其中,时间戳用于表示视频帧的生成时间。
其中,根据第二时间戳、第一时间戳的差值和待检测视频的每秒传输帧数,确定目标人员的摔倒动作持续帧数的过程可以包括:确定第二时间戳和第一时间戳的差值得到时间差值,确定时间差值和待检测视频的每秒传输帧数的乘积,得到目标人员的摔倒动作持续帧数。
需要说明的是,在本公开实施例中,缓存空间中的摔倒人员的位置信息中,可以携带历史视频帧中目标人员被确定为摔倒人员时,该历史视频帧的时间戳。则检测设备获取与目标人员对应的最早历史视频帧的第二时间戳的过程可以包括:在目标人员的子缓存空间中,获取每个摔倒人员的位置信息中携带的时间戳,并获取最早时间戳,得到与目标人员对应的最早历史视频帧的第二时间戳。
在一种可选的实施方式中,检测设备确定目标人员的摔倒动作持续帧数的过程可以包括:确定当前视频帧的第一帧号;获取与目标人员对应的最早历史视频帧的第二帧号;确定第二帧号与第一帧号的差值,得到目标人员的摔倒动作持续帧数。其中,帧号用于表示视频帧在待检测视频中的顺序。
步骤S303,若目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定目标人员为实际摔倒人员。
在本公开实施例中,由于人员摔倒需要持续一定时长,但是,在人员已经躺倒在地上时,才确定人员摔倒,在需要对目标人员的摔倒状况进行预警的情况下,检测侧结果的时效性低,因此,只要目标人员的摔倒动作持续帧数大于预设帧数阈值,就可以确定目标人员为实际摔倒人员,可以提高确定摔倒检测结果的效率。该预设帧数阈值可以基于实际需要确定,本公开实施例对此不作限定。示例的,该预设帧数阈值可以为每秒传输帧数(FramesPer Second,FPS)的0.3倍。
在一种可选的实施方式中,若目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定目标人员为实际摔倒人员;若目标人员的摔倒动作持续帧数小于或者等于预设帧数阈值,则确定目标人员不是实际摔倒人员,并获取下一视频帧,将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S203。
在一种可选的实施方式中,为了便于了解摔倒人员的相关信息,可以在确定目标人员为实际摔倒人员后,生成目标人员的摔倒数据。其中,由于确定目标人员是否为实际摔倒人员的过程中,只要目标人员的摔倒动作持续帧数大于预设帧数阈值,就可以确定目标人员为实际摔倒人员,因此,为了避免出现重复生成目标人员的摔倒数据的情况,若目标人员为实际摔倒人员,则在确定未生成目标人员的摔倒数据时,生成目标人员的摔倒数据;在确定已生成目标人员的摔倒数据时,无需再次生成目标人员的摔倒数据,可以获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S203。
在一种可选的实施方式中,检测设备将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果中还包括目标人员的摔倒权重值,摔倒权重值用于指示目标人员处于摔倒状态的概率高低。则生成目标人员的摔倒数据的过程可以包括:确定目标人员的摔倒动作持续帧的时间信息,目标人员在摔倒动作持续帧中的位置信息,以及目标人员的累计摔倒权重值,得到目标人员的摔倒数据。其中,摔倒动作持续帧的时间信息可以包括摔倒动作持续帧的开始视频帧的时间戳,结束视频真的时间戳,目标人员的累计摔倒权重值包括与摔倒动作持续帧中,每一视频帧关联的摔倒权重值之和。
在一种可选的实施方式中,若摔倒状态预测结果指示目标人员为非摔倒人员,目标人员可能存在两种状态,一种是目标人员确实未摔倒,一种是目标人员在当前视频帧之前已经被确定为实际摔倒人员,则在确定目标人员已被确定为实际摔倒人员时,可以清除缓存空间中目标人员关联的位置信息,以减少缓存空间中目标人员的位置信息对其他目标人员的摔倒检测的影响,且可以减少缓存空间的占用情况,提升缓存空间的利用率。
其中,确定目标人员是否已被确定为实际摔倒人员的过程可以包括:在缓存空间中获取历史视频帧中的至少一个摔倒人员的位置信息;将目标人员在当前视频帧中的位置信息和每个摔倒人员的位置信息,确定至少一个位置距离值;若至少一个位置距离值中的最小位置距离值大于或者等于预设距离阈值,则确定目标人员与最小位置距离值关联的摔倒人员不是同一人员,可以获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S203;若至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定目标人员与最小位置距离值关联的摔倒人员为同一人员;进一步的,在确定已生成过目标人员的摔倒数据时,确定目标人员已经被确定为实际摔倒人员,缓存空间存储有目标人员的位置信息;在确定未生成过目标人员的摔倒数据时,可以确定该目标人员在当前视频帧之前,未被确定为实际摔倒人员,可以获取下一视频帧,并将下一视频帧确定为当前视频帧,重复上述步骤S202至步骤S203。
示例的,本公开实施例提供一种摔倒检测方法,如图5所示,该摔倒检测方法可以包括步骤S501至步骤S5
步骤S501,获取待检测视频中的当前视频帧。
步骤S502,清理缓存空间。
在本公开实施例中,缓存空间可能存储有与待检测视频无关的可能摔倒人员的位置信息。例如,在历史摔倒检测过程中遗留的数据,为了防止对待检测视频的摔倒检测的影响,需要在摔倒检测开始之后请理缓存空间。
步骤S503,将当前视频帧输入摔倒检测模型中,确定当前视频帧中目标人员是否为可能摔倒人员。
步骤S504,若当前视频帧中目标人员为可能摔倒人员,在缓存空间中获取历史视频帧中的至少一个可能摔倒人员的位置信息,并根据目标人员在当前视频帧中的位置信息和历史视频帧中的每个可能摔倒人员的位置信息,确定至少一个位置距离值;
步骤S505,判断至少一个位置距离值中的最小位置距离值是否小于预设距离阈值;
步骤S506,若最小位置距离值大于或者等于预设距离阈值,则确定目标人员和历史视频帧中的可能摔倒人员不是同一人员,则在缓存空间中为目标人员分配子缓存空间,并将目标人员的位置信息存储于目标人员的子缓存空间,进一步的,可以获取下一视频帧,并将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程。
步骤S507,若最小位置距离值小于预设距离阈值,则确定目标人员的摔倒动作持续帧数。
步骤S508,判断目标人员的摔倒动作持续帧数是否大于预设帧数阈值;
步骤S509,若目标人员的摔倒动作持续帧数小于或者等于预设帧数阈值,则确定目标人员为非实际摔倒人员,并获取下一视频帧,将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程;
步骤S510,若目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定目标人员为实际摔倒人员。
步骤S511,判断是否已生成目标人员的摔倒数据;
步骤S512,若未生成目标人员的摔倒数据,则生成目标人员的摔倒数据,并获取下一视频帧,将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程。
步骤S513,若已生成目标人员的摔倒数据,则获取下一视频帧,将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程。
步骤S514,若当前视频帧中目标人员为非摔倒人员,在缓存空间中获取历史视频帧中的至少一个摔倒人员的位置信息;将目标人员在当前视频帧中的位置信息和每个摔倒人员的位置信息,确定至少一个位置距离值;
步骤S515,判断至少一个位置距离值中的最小位置距离值是否小于预设距离阈值;
步骤S516,若至少一个位置距离值中的最小位置距离值大于或者等于预设距离阈值,则确定目标人员与最小位置距离值关联的摔倒人员不是同一人员,可以获取下一视频帧,将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程;
步骤S517,若至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定目标人员与最小位置距离值关联的摔倒人员为同一人员,并判断是否已生成过目标人员的摔倒数据;
步骤S518,若确定未生成过目标人员的摔倒数据,则确定目标人员在当前视频帧之前,未被确定为实际摔倒人员,可以获取下一视频帧,将下一视频帧确定为当前视频帧,从步骤S503开始,重新执行上述流程。
步骤S519,若确定已生成过目标人员的摔倒数据,则确定目标人员已经被确定为实际摔倒人员,并清除缓存空间中目标人员关联的位置信息。
本公开实施例提供一种摔倒检测装置,如图6所示,摔倒检测装置600包括:
获取模块601,被配置为获取待检测视频中的当前视频帧;
检测模块602,被配置为将当前视频帧输入摔倒检测模型中,得到当前视频帧中目标人员的状态检测结果;
确定模块603,被配置为若状态检测结果指示目标人员为可能摔倒人员,则根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员的摔倒检测结果。
可选的,确定模块603,被配置为:
根据目标人员在当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定目标人员和历史视频帧中的可能摔倒人员是否为同一人员;
若目标人员和历史视频帧中的可能摔倒人员为同一人员,则确定目标人员的摔倒动作持续帧数;
若目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定目标人员为实际摔倒人员。
可选的,确定模块603,被配置为:
获取历史视频帧中的至少一个可能摔倒人员的位置信息;
根据目标人员在当前视频帧中的位置信息和历史视频帧中的每个可能摔倒人员的位置信息,确定至少一个位置距离值;
若至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定目标人员和最小位置距离值关联的可能摔倒人员为同一人员。
可选的,确定模块603,被配置为:
确定当前视频帧的第一时间戳;
获取与目标人员对应的最早历史视频帧的第二时间戳;
根据第二时间戳、第一时间戳的差值和待检测视频的每秒传输帧数,确定目标人员的摔倒动作持续帧。
可选的,如图6所示,摔倒检测装置600还包括,存储模块604,被配置为;
若目标人员和历史视频帧中的可能摔倒人员不是同一人员,则在缓存空间中为目标人员分配子缓存空间,并将目标人员的位置信息存储于目标人员的子缓存空间,缓存空间用于存储待检测视频的视频帧中,可能摔倒人员的位置信息。
可选的,如图6所示,摔倒检测装置600还包括,生成模块605,被配置为:
若目标人员为实际摔倒人员,则在确定未生成目标人员的摔倒数据时,生成目标人员的摔倒数据。
可选的,如图6所示,摔倒检测装置600还包括,缓存请理模块606,被配置为;
若摔倒状态预测结果指示目标人员为非摔倒人员,则在确定目标人员已被确定为实际摔倒人员时,清除缓存空间中目标人员关联的位置信息,缓存空间用于存储待检测视频的视频帧中,可能摔倒人员的位置信息。
本公开的示例性实施方式还提供了一种计算机可读存储介质,可以实现为一种程序产品的形式,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一种实施方式中,该程序产品可以实现为便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施方式还提供了一种电子设备,可以是信息平台的后台服务器。下面参考图7对该电子设备进行说明。应当理解,图7显示的电子设备700仅仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元710可以执行如图2至图5所示的方法步骤等。
存储单元720可以包括易失性存储单元,例如随机存取存储单元(RAM)721和/或高速缓存存储单元722,还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724,这样的程序模块725包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以包括数据总线、地址总线和控制总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,这种通信可以通过输入/输出(I/O)接口740进行。电子设备700还可以通过网络适配器750与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器750通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。
Claims (9)
1.一种摔倒检测方法,其特征在于,包括:
获取待检测视频中的当前视频帧;
将所述当前视频帧输入摔倒检测模型中,得到所述当前视频帧中目标人员的状态检测结果;
若所述状态检测结果指示所述目标人员为可能摔倒人员,则根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员的摔倒检测结果,
包括:
根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员和所述历史视频帧中的可能摔倒人员是否为同一人员;
若所述目标人员和所述历史视频帧中的可能摔倒人员为同一人员,则确定所述目标人员的摔倒动作持续帧数;
若所述目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定所述目标人员为实际摔倒人员。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员和所述历史视频帧中的可能摔倒人员是否为同一人员,包括:
获取历史视频帧中的至少一个可能摔倒人员的位置信息;
根据所述目标人员在所述当前视频帧中的位置信息和所述历史视频帧中的每个可能摔倒人员的位置信息,确定至少一个位置距离值;
若所述至少一个位置距离值中的最小位置距离值小于预设距离阈值,则确定所述目标人员和所述最小位置距离值关联的可能摔倒人员为同一人员。
3.根据权利要求1所述的方法,其特征在于,所述确定所述目标人员的摔倒动作持续帧数,包括:
确定所述当前视频帧的第一时间戳;
获取与所述目标人员对应的最早所述历史视频帧的第二时间戳;
根据所述第二时间戳与所述第一时间戳的差值、所述待检测视频的每秒传输帧数,确定所述目标人员的摔倒动作持续帧数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括;
若所述目标人员和所述历史视频帧中的可能摔倒人员不是同一人员,则在缓存空间中为所述目标人员分配子缓存空间,并将所述目标人员的位置信息存储于所述目标人员的子缓存空间,所述缓存空间用于存储所述待检测视频的视频帧中,可能摔倒人员的位置信息。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标人员为实际摔倒人员,则在确定未生成所述目标人员的摔倒数据时,生成所述目标人员的摔倒数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括;
若所述摔倒状态预测结果指示所述目标人员为非摔倒人员,则在确定所述目标人员已被确定为实际摔倒人员时,清除缓存空间中所述目标人员关联的位置信息,所述缓存空间用于存储所述待检测视频的视频帧中,可能摔倒人员的位置信息。
7.一种摔倒检测装置,其特征在于,包括:
获取模块,被配置为获取待检测视频中的当前视频帧;
检测模块,被配置为将所述当前视频帧输入摔倒检测模型中,得到所述当前视频帧中目标人员的状态检测结果;
确定模块,被配置为若所述状态检测结果指示所述目标人员为可能摔倒人员,则根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员的摔倒检测结果,包括:根据所述目标人员在所述当前视频帧中的位置信息和历史视频帧中可能摔倒人员的位置信息,确定所述目标人员和所述历史视频帧中的可能摔倒人员是否为同一人员;若所述目标人员和所述历史视频帧中的可能摔倒人员为同一人员,则确定所述目标人员的摔倒动作持续帧数;若所述目标人员的摔倒动作持续帧数大于预设帧数阈值,则确定所述目标人员为实际摔倒人员。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382341.4A CN114972419B (zh) | 2022-04-12 | 2022-04-12 | 摔倒检测方法、装置、介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382341.4A CN114972419B (zh) | 2022-04-12 | 2022-04-12 | 摔倒检测方法、装置、介质与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972419A CN114972419A (zh) | 2022-08-30 |
CN114972419B true CN114972419B (zh) | 2023-10-03 |
Family
ID=82978324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382341.4A Active CN114972419B (zh) | 2022-04-12 | 2022-04-12 | 摔倒检测方法、装置、介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972419B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241913A (zh) * | 2019-12-19 | 2020-06-05 | 北京文安智能技术股份有限公司 | 一种检测人员摔倒的方法、装置及系统 |
CN111382606A (zh) * | 2018-12-28 | 2020-07-07 | 富士通株式会社 | 摔倒检测方法、摔倒检测装置和电子设备 |
WO2021031384A1 (zh) * | 2019-08-19 | 2021-02-25 | 平安科技(深圳)有限公司 | 摔倒行为检测处理方法、装置、计算机设备及存储介质 |
CN112488073A (zh) * | 2020-12-21 | 2021-03-12 | 苏州科达特种视讯有限公司 | 目标检测方法、系统、设备及存储介质 |
WO2021051545A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于行为识别模型的摔倒动作判定方法、装置、计算机设备及存储介质 |
CN112651291A (zh) * | 2020-10-01 | 2021-04-13 | 新加坡依图有限责任公司(私有) | 基于视频的姿势估计方法、装置、介质及电子设备 |
CN112686075A (zh) * | 2019-10-17 | 2021-04-20 | 中国电信股份有限公司 | 行为检测方法、装置和系统 |
CN112949417A (zh) * | 2021-02-05 | 2021-06-11 | 杭州萤石软件有限公司 | 一种摔倒行为识别方法、设备及系统 |
CN113239874A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于视频图像的行为姿态检测方法、装置、设备及介质 |
CN113963371A (zh) * | 2021-07-20 | 2022-01-21 | 重庆市通信产业服务有限公司 | 人体异常姿态检测方法 |
US11282367B1 (en) * | 2020-08-16 | 2022-03-22 | Vuetech Health Innovations LLC | System and methods for safety, security, and well-being of individuals |
-
2022
- 2022-04-12 CN CN202210382341.4A patent/CN114972419B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382606A (zh) * | 2018-12-28 | 2020-07-07 | 富士通株式会社 | 摔倒检测方法、摔倒检测装置和电子设备 |
WO2021031384A1 (zh) * | 2019-08-19 | 2021-02-25 | 平安科技(深圳)有限公司 | 摔倒行为检测处理方法、装置、计算机设备及存储介质 |
WO2021051545A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于行为识别模型的摔倒动作判定方法、装置、计算机设备及存储介质 |
CN112686075A (zh) * | 2019-10-17 | 2021-04-20 | 中国电信股份有限公司 | 行为检测方法、装置和系统 |
CN111241913A (zh) * | 2019-12-19 | 2020-06-05 | 北京文安智能技术股份有限公司 | 一种检测人员摔倒的方法、装置及系统 |
US11282367B1 (en) * | 2020-08-16 | 2022-03-22 | Vuetech Health Innovations LLC | System and methods for safety, security, and well-being of individuals |
CN112651291A (zh) * | 2020-10-01 | 2021-04-13 | 新加坡依图有限责任公司(私有) | 基于视频的姿势估计方法、装置、介质及电子设备 |
CN112488073A (zh) * | 2020-12-21 | 2021-03-12 | 苏州科达特种视讯有限公司 | 目标检测方法、系统、设备及存储介质 |
CN112949417A (zh) * | 2021-02-05 | 2021-06-11 | 杭州萤石软件有限公司 | 一种摔倒行为识别方法、设备及系统 |
CN113239874A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于视频图像的行为姿态检测方法、装置、设备及介质 |
CN113963371A (zh) * | 2021-07-20 | 2022-01-21 | 重庆市通信产业服务有限公司 | 人体异常姿态检测方法 |
Non-Patent Citations (2)
Title |
---|
基于多特征分析的摔倒检测算法设计;高苗;朱苏磊;;上海师范大学学报(自然科学版)(第02期);全文 * |
智能摔倒检测监控系统设计;伍静;刘德丰;张松;余旭伟;钟天扬;陈飞;;计算机技术与发展(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114972419A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209273B (zh) | 手势识别方法、交互控制方法、装置、介质与电子设备 | |
CN108256404B (zh) | 行人检测方法和装置 | |
CN111031348B (zh) | 一种视频加扰方法、装置、服务器和存储介质 | |
CN111860140B (zh) | 目标事件检测方法、装置、计算机设备和存储介质 | |
CN110472613B (zh) | 对象行为识别方法和装置 | |
CN108009466B (zh) | 行人检测方法和装置 | |
JP6986187B2 (ja) | 人物識別方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN111259751A (zh) | 基于视频的人体行为识别方法、装置、设备及存储介质 | |
CN110263680B (zh) | 图像处理方法、装置和系统及存储介质 | |
US20230013170A1 (en) | Method and apparatus for detecting jitter in video, electronic device, and storage medium | |
CN110610127B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
WO2021031954A1 (zh) | 对象数量确定方法、装置、存储介质与电子设备 | |
CN108197570A (zh) | 一种人数统计方法、装置、电子设备及存储介质 | |
KR20220149508A (ko) | 이벤트 검출 방법, 장치, 전자 기기 및 판독 가능 기록 매체 | |
CN109783680B (zh) | 图像推送方法、图像获取方法、装置及图像处理系统 | |
CN110956648A (zh) | 一种视频图像处理方法、装置、设备及存储介质 | |
CN112489087A (zh) | 用于高层建筑施工的悬吊式作业平台的晃动检测方法 | |
CN114972419B (zh) | 摔倒检测方法、装置、介质与电子设备 | |
CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
CN113615166B (zh) | 事故检测装置及事故检测方法 | |
CN111784750A (zh) | 视频图像中移动物体追踪方法、装置、设备以及存储介质 | |
CN109040604B (zh) | 拍摄图像的处理方法、装置、存储介质及移动终端 | |
CN111783600A (zh) | 一种人脸识别模型训练方法、装置、设备及介质 | |
JPWO2018179119A1 (ja) | 映像解析装置、映像解析方法およびプログラム | |
CN116229535A (zh) | 人脸检测模型的训练方法、人脸检测方法及装置 |
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 |