CN116740598B - 基于视频ai识别的老人能力识别方法和系统 - Google Patents
基于视频ai识别的老人能力识别方法和系统 Download PDFInfo
- Publication number
- CN116740598B CN116740598B CN202310528014.XA CN202310528014A CN116740598B CN 116740598 B CN116740598 B CN 116740598B CN 202310528014 A CN202310528014 A CN 202310528014A CN 116740598 B CN116740598 B CN 116740598B
- Authority
- CN
- China
- Prior art keywords
- video
- target object
- period
- segment
- sign state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 96
- 230000008859 change Effects 0.000 claims abstract description 95
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000012512 characterization method Methods 0.000 claims description 44
- 230000009471 action Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000007423 decrease Effects 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 37
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供基于视频AI识别的老人能力识别方法和系统，其采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
Description
技术领域
本发明涉及智能化人工监测的技术领域，特别涉及基于视频AI识别的老人能力识别方法和系统。
背景技术
老年人的身体机能的识别通常都是对老年人进行血压、心率和体温等生理参数的检测来实现，通过周期性采集老年人的生理参数，并对生理参数的变化进行分析，能够实时获知老年人的身体健康与否状态，从而为老年人的身体诊断提供可靠的数据。但是上述方式只是针对老年人的身体状态进行检查识别，其并未对老年人在日常生活中的行为能力进行针对性有效的识别，无法对老年人进行行为能力衰退变化的追踪性监测与识别，也无法对老年人发生行为能偶衰退时对应的身体机能进行关联性的监测和报警，从而降低老年人行为能力识别的实时性和可靠性。
发明内容
针对现有技术存在的缺陷，本发明提供基于视频AI识别的老人能力识别方法和系统，其采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，还可及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
本发明提供基于视频AI识别的老人能力识别方法，包括如下步骤：
步骤S1，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息；
步骤S2，基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；若是，则构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型；
步骤S3，基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知。
进一步，在所述步骤S1中，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，所述第一时段和所述第二时段分别属于两个不同监测周期各自对应的相同时间区间；
对所述第一立体视频和所述第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对所述第一视频帧队列和所述第二视频帧序列进行AI识别，得到所述第一视频帧队列和所述第二视频帧队列各自包含的每一视频帧的环境背景特征；再从所述第一视频帧队列和所述第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中所述第一视频子片段和所述第二视频子片段具有相同的环境背景特征；
对所述第一视频子片段和所述第二视频子片段各自包含的视频帧进行肢体动作识别，得到所述目标对象在所述第一视频子片段和所述第二视频子片段各自的肢体动作特征信息；其中，所述肢体动作特征信息包括所述目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度。
进一步，在所述步骤S2中，基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；若是，则构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型，包括：
将所述第一视频子片段和所述第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到所述目标对象在所述第一时段和所述第二时段的肢体动作变化信息；基于所述肢体动作变化信息，判断所述目标对象在所述第一时段和所述第二时段是否发生肢体动作能力衰退事件；
若发生肢体动作能力衰退事件，则基于所述目标对象在所述第一时段和所述第二时段各自的体征参数记录，构建所述目标对象在所述第一时段和所述第二时段各自的体征状态变化模型。
进一步，在所述步骤S3中，基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知，包括：
基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段各自的体征状态表征曲线；
将所述第一时段和所述第二时段各自的体征状态表征曲线进行对比，得到所述目标对象的体征状态差异；
基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息
进一步，在所述步骤S3中，基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息，包括：
步骤S301，利用下面公式(1)，根据将所述第一时段和所述第二时段各自的体征状态表征曲线进行像素重合对比，得到所述目标对象的体征状态的像素重合对比差异，
在上述公式(1)中，CX表示所述目标对象的体征状态的像素重合对比差异值；Z1(i,j)表示所述第一时段的体征状态表征曲线图像中第i行第j列像素点的像素值；Z2(i,j)表示所述第二时段的体征状态表征曲线图像中第i行第j列像素点的像素值；G[]表示判断函数，若括号内的算式成立则，判断函数的函数值为1.若括号内的算式不成立则，判断函数的函数值为0；m表示所述体征状态表征曲线图像中任意一行像素点的总个数；n表示所述体征状态表征曲线图像中任意一列像素点的总个数；
步骤S302，利用下面公式(2)，根据所述目标对象的体征状态的像素重合对比差异，得到纵向差值采集细分值，并将所述第一时段和所述第二时段各自的体征状态表征曲线进行纵向差值对比，得到所述目标对象的体征状态的纵向差值对比差异，
在上述公式(2)中，CB表示所述目标对象的体征状态的纵向差值对比差异值；R表示纵向差值采集细分值；表示向下取整；f1(a×R)表示所述第一时段的体征状态表征曲线图像中第a×R列像素点中在体征状态表征曲线上的像素点的行数值；f2(a×R)表示所述第二时段的体征状态表征曲线图像中第a×R列像素点中在体征状态表征曲线上的像素点的行数值；||表示求取绝对值；
步骤S303，利用下面公式(3)，根据所述目标对象的体征状态的纵向差值对比差异以及所述目标对象的体征状态的像素重合对比差异，判断所述目标对象是否处于体征异常状态，若处于体征异常状态，则控制发送的报警通知消息的报警间隔时间，
在上述公式(3)中，T表示发送的报警通知消息的报警间隔时间；TM表示发送的报警通知消息的最长；
若T＝TM+1，则表示所述目标对象不处于体征异常状态；
若T<TM+1，则表示所述目标对象处于体征异常状态，当所述报警通知消息发送后经过T时间未收到有效返回信息，则继续发送所述报警通知消息，直至接收到有效返回信息为止。
本发明还提供基于视频AI识别的老人能力识别系统，包括：
视频采集模块，用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频；
AI识别模块，用于对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息；
目标对象能力标定模块，用于基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；
体征模型构建模块，用于构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型；
报警通知模块，用于基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知。
进一步，所述视频采集模块用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，所述第一时段和所述第二时段分别属于两个不同监测周期各自对应的相同时间区间；
所述AI识别模块用于对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息，包括：
对所述第一立体视频和所述第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对所述第一视频帧队列和所述第二视频帧序列进行AI识别，得到所述第一视频帧队列和所述第二视频帧队列各自包含的每一视频帧的环境背景特征；再从所述第一视频帧队列和所述第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中所述第一视频子片段和所述第二视频子片段具有相同的环境背景特征；
对所述第一视频子片段和所述第二视频子片段各自包含的视频帧进行肢体动作识别，得到所述目标对象在所述第一视频子片段和所述第二视频子片段各自的肢体动作特征信息；其中，所述肢体动作特征信息包括所述目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度。
进一步，所述目标对象能力标定模块用于基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件，包括：
将所述第一视频子片段和所述第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到所述目标对象在所述第一时段和所述第二时段的肢体动作变化信息；基于所述肢体动作变化信息，判断所述目标对象在所述第一时段和所述第二时段是否发生肢体动作能力衰退事件；
所述体征模型构建模块用于构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型，包括：
基于所述目标对象在所述第一时段和所述第二时段各自的体征参数记录，构建所述目标对象在所述第一时段和所述第二时段各自的体征状态变化模型。
进一步，所述报警通知模块用于基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知，包括：
基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段各自的体征状态表征曲线；
将所述第一时段和所述第二时段各自的体征状态表征曲线进行对比，得到所述目标对象的体征状态差异；
基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息。
相比于现有技术，该基于视频AI识别的老人能力识别方法和系统采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，还可及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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为本发明提供的基于视频AI识别的老人能力识别方法的流程示意图。
图2为本发明提供的基于视频AI识别的老人能力识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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作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。
参阅图1，为本发明实施例提供的基于视频AI识别的老人能力识别方法的流程示意图。该基于视频AI识别的老人能力识别方法包括如下步骤：
步骤S1，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对该第一视频和该第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取该目标对象在该第一视频子片段和该第二视频子片段各自活动特征信息；
步骤S2，基于该活动特征信息，得到该目标对象在该第一时段和该第二时段的活动能力差异；基于该活动能力差异信息，判断该目标对象是否发生活动能力衰退事件；若是，则构建该目标对象在该第一时段和该第二时段各自体征状态变化模型；
步骤S3，基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段的体征状态差异；基于该体征状态差异，进行报警通知。
上述技术方案的有益效果为：该基于视频AI识别的老人能力识别方法采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，还可及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
优选地，在该步骤S1中，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对该第一视频和该第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取该目标对象在该第一视频子片段和该第二视频子片段各自活动特征信息，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，该第一时段和该第二时段分别属于两个不同监测周期各自对应的相同时间区间；
对该第一立体视频和该第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对该第一视频帧队列和该第二视频帧序列进行AI识别，得到该第一视频帧队列和该第二视频帧队列各自包含的每一视频帧的环境背景特征；再从该第一视频帧队列和该第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中该第一视频子片段和该第二视频子片段具有相同的环境背景特征；
对该第一视频子片段和该第二视频子片段各自包含的视频帧进行肢体动作识别，得到该目标对象在该第一视频子片段和该第二视频子片段各自的肢体动作特征信息；其中，该肢体动作特征信息包括该目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度。
上述技术方案的有益效果为：在实际视频采集中，为了保证采集的视频能够真实准确反映老年人等目标对象在不同时间段的活动行为能力的变化情况，可以在不同监测周期(比如不同天)内的相同时间区间(比如早上9点至12点或者晚上6点至9点等时间区间)对目标对象进行活动状态拍摄，从而得到在前一天和后一天的相同时间区间对应的第一时段和第二时段各自的立体活动视频；该立体活动视频可以涵盖目标对象的的日常活动行为和运动行为等。再对第一时段和第二时段各自对应的第一立体视频和第二立体视频进行分帧处理，得到第一视频帧队列和第二视频帧队列，这样第一视频帧队列和第二视频帧队列分别对应包含第一立体视频和第二立体视频的视频画面帧，从而对第一立体视频和第二立体视频进行视频画面的逐帧区分。再对第一视频帧队列和第二视频帧队列各自包含的视频画面帧进行画面内容识别，得到每个视频画面帧的环境背景像素轮廓特征，以此从第一视频帧队列和第二视频帧队列中选择出具有相同环境背景像素轮廓特征的视频画面帧，再将从第一视频帧队列选择的视频画面帧组合成第一视频子片段以及将从第二视频帧队列选择的视频画面帧组合成第二视频子片段，这样可以保证第一视频子片段和第二视频子片段都是在相同环境背景下关于目标对象的活动行为记录，实现对目标对象活动行为的有效准确对比。再对第一视频子片段和该第二视频子片段各自包含的视频画面帧进行肢体动作识别，得到目标对象在第一时段和第二时段下处于相同环境背景下做出的肢体动作状态，从而对目标对象的活动行为能力变化识别提供可靠的依据。
优选地，在该步骤S2中，基于该活动特征信息，得到该目标对象在该第一时段和该第二时段的活动能力差异；基于该活动能力差异信息，判断该目标对象是否发生活动能力衰退事件；若是，则构建该目标对象在该第一时段和该第二时段各自体征状态变化模型，包括：
将该第一视频子片段和该第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到该目标对象在该第一时段和该第二时段的肢体动作变化信息；基于该肢体动作变化信息，判断该目标对象在该第一时段和该第二时段是否发生肢体动作能力衰退事件；
若发生肢体动作能力衰退事件，则基于该目标对象在该第一时段和该第二时段各自的体征参数记录，构建该目标对象在该第一时段和该第二时段各自的体征状态变化模型。
上述技术方案的有益效果为：将从第一视频子片段和第二视频子片段识别得到的目标对象的肢体动作特征信息进行对比，得到目标对象在第一时段和第二时段中处于相同背景环境下做出的肢体动作幅度、肢体动作姿态和肢体动作速度的变化差异。若目标对象在较后的时段相比于较早的时段的肢体动作幅度明显变小，肢体动作姿态变化灵活度明显变小或者肢体动作速度明显变小，则表明目标对象发生肢体动作能力衰退事件，即目标对象的肢体活动能力灵活度和力度发生衰退。此时，调取在第一时段和第二时段采集得到的关于目标对象的体征参数，该体征参数可包括但不限于是血压、体温、血氧浓度、心率和肺活量等参数，再对采集的体征参数进行深度学习，并生成目标对象在该第一时段和该第二时段各自的体征状态变化模型，从而对目标对象在不同时段的体征状态变化进行量化表征。
优选地，在该步骤S3中，基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段的体征状态差异；基于该体征状态差异，进行报警通知，包括：
基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段各自的体征状态表征曲线；
将该第一时段和该第二时段各自的体征状态表征曲线进行对比，得到该目标对象的体征状态差异；
基于该体征状态差异，判断该目标对象是否处于体征异常状态；若是，则向监测终端发送包含该目标对象的身份信息和定位信息的报警通知消息。
上述技术方案的有益效果为：以目标对象在第一时段和第二时段的体征状态变化模型为基准，得到目标对象在该第一时段和该第二时段各自的体征状态表征曲线，该体征状态表征曲线可为但不限于是目标对象在第一时段和第二时段各自的体征参数变化拟合曲线，该体征参数变化拟合曲线能够呈现目标对象在第一时段和第二时段的血压、体温、血氧浓度、心率和肺活量等体征参数的变化趋势。再将第一时段和第二时段各自的体征状态表征曲线进行对比，得到目标对象的体征状态差异，该体征状态差异可为但不限于是目标对象在血压、体温、血氧浓度、心率和肺活量等体征参数方面的差异值。再对上述差异值进行阈值对比，确定上述差异值是否超出预设的合理阈值范围，若超出，则判断目标对象处于体征异常状态，此时监测终端发送包含该目标对象的身份信息和定位信息的报警通知消息，便于及时对目标对象进行相应的照应处理。
优选地，在该步骤S3中，基于该体征状态差异，判断该目标对象是否处于体征异常状态；若是，则向监测终端发送包含该目标对象的身份信息和定位信息的报警通知消息，包括：
步骤S301，利用下面公式(1)，根据将该第一时段和该第二时段各自的体征状态表征曲线进行像素重合对比，得到该目标对象的体征状态的像素重合对比差异，
在上述公式(1)中，CX表示该目标对象的体征状态的像素重合对比差异值；Z1(i,j)表示该第一时段的体征状态表征曲线图像中第i行第j列像素点的像素值；Z2(i,j)表示该第二时段的体征状态表征曲线图像中第i行第j列像素点的像素值；G[]表示判断函数，若括号内的算式成立则，判断函数的函数值为1.若括号内的算式不成立则，判断函数的函数值为0；m表示该体征状态表征曲线图像中任意一行像素点的总个数；n表示该体征状态表征曲线图像中任意一列像素点的总个数；
步骤S302，利用下面公式(2)，根据该目标对象的体征状态的像素重合对比差异，得到纵向差值采集细分值，并将该第一时段和该第二时段各自的体征状态表征曲线进行纵向差值对比，得到该目标对象的体征状态的纵向差值对比差异，
在上述公式(2)中，CB表示该目标对象的体征状态的纵向差值对比差异值；R表示纵向差值采集细分值；表示向下取整；f1(a×R)表示该第一时段的体征状态表征曲线图像中第a×R列像素点中在体征状态表征曲线上的像素点的行数值；f2(a×R)表示该第二时段的体征状态表征曲线图像中第a×R列像素点中在体征状态表征曲线上的像素点的行数值；||表示求取绝对值；
步骤S303，利用下面公式(3)，根据该目标对象的体征状态的纵向差值对比差异以及该目标对象的体征状态的像素重合对比差异，判断该目标对象是否处于体征异常状态，若处于体征异常状态，则控制发送的报警通知消息的报警间隔时间，
在上述公式(3)中，T表示发送的报警通知消息的报警间隔时间；TM表示发送的报警通知消息的最长；
若T＝TM+1，则表示该目标对象不处于体征异常状态；
若T<TM+1，则表示该目标对象处于体征异常状态，当该报警通知消息发送后经过T时间未收到有效返回信息，则继续发送该报警通知消息，直至接收到有效返回信息为止。
上述技术方案的有益效果为：利用上述公式(1)，根据将该第一时段和该第二时段各自的体征状态表征曲线进行像素重合对比，得到该目标对象的体征状态的像素重合对比差异，进而在图像层面知晓两个曲线之间的差距，同时为纵向比较提供依据；再利用上述公式(2)，根据该目标对象的体征状态的像素重合对比差异，得到纵向差值采集细分值，并将该第一时段和该第二时段各自的体征状态表征曲线进行纵向差值对比，得到该目标对象的体征状态的纵向差值对比差异，进而更加细节的知晓两个曲线之间的纵向差距，便于后续的报警系统以及更加仔细的辨别异常状态；最后利用上述公式(3)，根据该目标对象的体征状态的纵向差值对比差异以及该目标对象的体征状态的像素重合对比差异，判断该目标对象是否处于体征异常状态，若处于体征异常状态，则控制发送的报警通知消息的报警间隔时间，进而在两个曲线差距较大时提高报警频率，确保人员的安全。
参阅图2，为本发明实施例提供的基于视频AI识别的老人能力识别系统的结构示意图。该基于视频AI识别的老人能力识别系统包括：
视频采集模块，用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频；
AI识别模块，用于对该第一视频和该第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取该目标对象在该第一视频子片段和该第二视频子片段各自活动特征信息；
目标对象能力标定模块，用于基于该活动特征信息，得到该目标对象在该第一时段和该第二时段的活动能力差异；基于该活动能力差异信息，判断该目标对象是否发生活动能力衰退事件；
体征模型构建模块，用于构建该目标对象在该第一时段和该第二时段各自体征状态变化模型；
报警通知模块，用于基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段的体征状态差异；基于该体征状态差异，进行报警通知。
上述技术方案的有益效果为：该基于视频AI识别的老人能力识别系统采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，还可及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
优选地，该视频采集模块用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，该第一时段和该第二时段分别属于两个不同监测周期各自对应的相同时间区间；
该AI识别模块用于对该第一视频和该第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取该目标对象在该第一视频子片段和该第二视频子片段各自活动特征信息，包括：
对该第一立体视频和该第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对该第一视频帧队列和该第二视频帧序列进行AI识别，得到该第一视频帧队列和该第二视频帧队列各自包含的每一视频帧的环境背景特征；再从该第一视频帧队列和该第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中该第一视频子片段和该第二视频子片段具有相同的环境背景特征；
对该第一视频子片段和该第二视频子片段各自包含的视频帧进行肢体动作识别，得到该目标对象在该第一视频子片段和该第二视频子片段各自的肢体动作特征信息；其中，该肢体动作特征信息包括该目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度。
上述技术方案的有益效果为：在实际视频采集中，为了保证采集的视频能够真实准确反映老年人等目标对象在不同时间段的活动行为能力的变化情况，可以在不同监测周期(比如不同天)内的相同时间区间(比如早上9点至12点或者晚上6点至9点等时间区间)对目标对象进行活动状态拍摄，从而得到在前一天和后一天的相同时间区间对应的第一时段和第二时段各自的立体活动视频；该立体活动视频可以涵盖目标对象的的日常活动行为和运动行为等。再对第一时段和第二时段各自对应的第一立体视频和第二立体视频进行分帧处理，得到第一视频帧队列和第二视频帧队列，这样第一视频帧队列和第二视频帧队列分别对应包含第一立体视频和第二立体视频的视频画面帧，从而对第一立体视频和第二立体视频进行视频画面的逐帧区分。再对第一视频帧队列和第二视频帧队列各自包含的视频画面帧进行画面内容识别，得到每个视频画面帧的环境背景像素轮廓特征，以此从第一视频帧队列和第二视频帧队列中选择出具有相同环境背景像素轮廓特征的视频画面帧，再将从第一视频帧队列选择的视频画面帧组合成第一视频子片段以及将从第二视频帧队列选择的视频画面帧组合成第二视频子片段，这样可以保证第一视频子片段和第二视频子片段都是在相同环境背景下关于目标对象的活动行为记录，实现对目标对象活动行为的有效准确对比。再对第一视频子片段和该第二视频子片段各自包含的视频画面帧进行肢体动作识别，得到目标对象在第一时段和第二时段下处于相同环境背景下做出的肢体动作状态，从而对目标对象的活动行为能力变化识别提供可靠的依据。
优选地，该目标对象能力标定模块用于基于该活动特征信息，得到该目标对象在该第一时段和该第二时段的活动能力差异；基于该活动能力差异信息，判断该目标对象是否发生活动能力衰退事件，包括：
将该第一视频子片段和该第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到该目标对象在该第一时段和该第二时段的肢体动作变化信息；基于该肢体动作变化信息，判断该目标对象在该第一时段和该第二时段是否发生肢体动作能力衰退事件；
该体征模型构建模块用于构建该目标对象在该第一时段和该第二时段各自体征状态变化模型，包括：
基于该目标对象在该第一时段和该第二时段各自的体征参数记录，构建该目标对象在该第一时段和该第二时段各自的体征状态变化模型。
上述技术方案的有益效果为：将从第一视频子片段和第二视频子片段识别得到的目标对象的肢体动作特征信息进行对比，得到目标对象在第一时段和第二时段中处于相同背景环境下做出的肢体动作幅度、肢体动作姿态和肢体动作速度的变化差异。若目标对象在较后的时段相比于较早的时段的肢体动作幅度明显变小，肢体动作姿态变化灵活度明显变小或者肢体动作速度明显变小，则表明目标对象发生肢体动作能力衰退事件，即目标对象的肢体活动能力灵活度和力度发生衰退。此时，调取在第一时段和第二时段采集得到的关于目标对象的体征参数，该体征参数可包括但不限于是血压、体温、血氧浓度、心率和肺活量等参数，再对采集的体征参数进行深度学习，并生成目标对象在该第一时段和该第二时段各自的体征状态变化模型，从而对目标对象在不同时段的体征状态变化进行量化表征。
优选地，该报警通知模块用于基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段的体征状态差异；基于该体征状态差异，进行报警通知，包括：
基于该体征状态变化模型，得到该目标对象在该第一时段和该第二时段各自的体征状态表征曲线；
将该第一时段和该第二时段各自的体征状态表征曲线进行对比，得到该目标对象的体征状态差异；
基于该体征状态差异，判断该目标对象是否处于体征异常状态；若是，则向监测终端发送包含该目标对象的身份信息和定位信息的报警通知消息。
上述技术方案的有益效果为：以目标对象在第一时段和第二时段的体征状态变化模型为基准，得到目标对象在该第一时段和该第二时段各自的体征状态表征曲线，该体征状态表征曲线可为但不限于是目标对象在第一时段和第二时段各自的体征参数变化拟合曲线，该体征参数变化拟合曲线能够呈现目标对象在第一时段和第二时段的血压、体温、血氧浓度、心率和肺活量等体征参数的变化趋势。再将第一时段和第二时段各自的体征状态表征曲线进行对比，得到目标对象的体征状态差异，该体征状态差异可为但不限于是目标对象在血压、体温、血氧浓度、心率和肺活量等体征参数方面的差异值。再对上述差异值进行阈值对比，确定上述差异值是否超出预设的合理阈值范围，若超出，则判断目标对象处于体征异常状态，此时监测终端发送包含该目标对象的身份信息和定位信息的报警通知消息，便于及时对目标对象进行相应的照应处理。
从上述实施例的内容可知，该基于视频AI识别的老人能力识别方法和系统采集目标对象在不同时段的视频，并进行AI识别提取具有想用视频特征的视频子片段，便于在同一活动环境下对目标对象进行不同时段的活动特征识别，以此对目标对象进行活动行为能力变化的分析，确定目标对象是否存在活动行为能力衰退；还构建目标对象在不同时段的体征状态变化模型，对目标对象的体征状态进行追踪式的对比识别，将视频AI识别得到的活动行为能力变化与体征状态变化进行关联，实现从目标对象外在行为能力到内在身体状态的关联监测，不仅对目标对象的行为能力进行量化可靠的识别，还可及时发现目标对象的身体状态问题，及时进行报警通知，确保对目标对象健康监测的可靠性和效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于视频AI识别的老人能力识别方法，其特征在于，包括如下步骤：
步骤S1，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息；
步骤S2，基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；若是，则构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型；
步骤S3，基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知；
其中，在所述步骤S1中，采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，所述第一时段和所述第二时段分别属于两个不同监测周期各自对应的相同时间区间；
对所述第一立体视频和所述第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对所述第一视频帧队列和所述第二视频帧序列进行AI识别，得到所述第一视频帧队列和所述第二视频帧队列各自包含的每一视频帧的环境背景特征；再从所述第一视频帧队列和所述第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中所述第一视频子片段和所述第二视频子片段具有相同的环境背景特征；
对所述第一视频子片段和所述第二视频子片段各自包含的视频帧进行肢体动作识别，得到所述目标对象在所述第一视频子片段和所述第二视频子片段各自的肢体动作特征信息；其中，所述肢体动作特征信息包括所述目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度；
在所述步骤S3中，基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知，包括：
基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段各自的体征状态表征曲线；
将所述第一时段和所述第二时段各自的体征状态表征曲线进行对比，得到所述目标对象的体征状态差异；
基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息；
在所述步骤S3中，基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息，包括：
步骤S301，利用下面公式（1），根据将所述第一时段和所述第二时段各自的体征状态表征曲线进行像素重合对比，得到所述目标对象的体征状态的像素重合对比差异，
（1）
在上述公式（1）中，表示所述目标对象的体征状态的像素重合对比差异值；/>表示所述第一时段的体征状态表征曲线图像中第/>行第/>列像素点的像素值；/>表示所述第二时段的体征状态表征曲线图像中第/>行第/>列像素点的像素值；/>表示判断函数，若括号内的算式成立则判断函数的函数值为1，若括号内的算式不成立则判断函数的函数值为0；/>表示所述体征状态表征曲线图像中任意一行像素点的总个数；/>表示所述体征状态表征曲线图像中任意一列像素点的总个数；
步骤S302，利用下面公式（2），根据所述目标对象的体征状态的像素重合对比差异，得到纵向差值采集细分值，并将所述第一时段和所述第二时段各自的体征状态表征曲线进行纵向差值对比，得到所述目标对象的体征状态的纵向差值对比差异，
（2）
在上述公式（2）中，表示所述目标对象的体征状态的纵向差值对比差异值；/>表示纵向差值采集细分值；/>表示向下取整；/>表示所述第一时段的体征状态表征曲线图像中第/>列像素点中在体征状态表征曲线上的像素点的行数值；/>表示所述第二时段的体征状态表征曲线图像中第/>列像素点中在体征状态表征曲线上的像素点的行数值；/>表示求取绝对值；
步骤S303，利用下面公式（3），根据所述目标对象的体征状态的纵向差值对比差异以及所述目标对象的体征状态的像素重合对比差异，判断所述目标对象是否处于体征异常状态，若处于体征异常状态，则控制发送的报警通知消息的报警间隔时间，
（3）
在上述公式（3）中，表示发送的报警通知消息的报警间隔时间；/>表示发送的报警通知消息的最长；
若，则表示所述目标对象不处于体征异常状态；
若，则表示所述目标对象处于体征异常状态，当所述报警通知消息发送后经过/>时间未收到有效返回信息，则继续发送所述报警通知消息，直至接收到有效返回信息为止。
2.如权利要求1所述的基于视频AI识别的老人能力识别方法，其特征在于：
在所述步骤S2中，基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；若是，则构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型，包括：
将所述第一视频子片段和所述第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到所述目标对象在所述第一时段和所述第二时段的肢体动作变化信息；基于所述肢体动作变化信息，判断所述目标对象在所述第一时段和所述第二时段是否发生肢体动作能力衰退事件；
若发生肢体动作能力衰退事件，则基于所述目标对象在所述第一时段和所述第二时段各自的体征参数记录，构建所述目标对象在所述第一时段和所述第二时段各自的体征状态变化模型。
3.一种基于视频AI识别的老人能力识别系统，采用权利要求2所述的基于视频AI识别的老人能力识别方法，其特征在于，包括：
视频采集模块，用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频；
AI识别模块，用于对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息；
目标对象能力标定模块，用于基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件；
体征模型构建模块，用于构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型；
报警通知模块，用于基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知；
其中，所述视频采集模块用于采集目标对象在第一时段和第二时段各自对应第一视频和第二视频，包括：
采集目标对象在第一时段和第二时段各自对应的第一立体视频和第二立体视频；其中，所述第一时段和所述第二时段分别属于两个不同监测周期各自对应的相同时间区间；
所述AI识别模块用于对所述第一视频和所述第二视频进行AI识别，提取具有相同视频特征的第一视频子片段和第二视频子片段；再获取所述目标对象在所述第一视频子片段和所述第二视频子片段各自活动特征信息，包括：
对所述第一立体视频和所述第二立体视频分别进行视频分帧处理，得到第一视频帧队列和第二视频帧队列；再对所述第一视频帧队列和所述第二视频帧序列进行AI识别，得到所述第一视频帧队列和所述第二视频帧队列各自包含的每一视频帧的环境背景特征；再从所述第一视频帧队列和所述第二视频帧队列分别提取第一视频子片段和第二视频子片段，其中所述第一视频子片段和所述第二视频子片段具有相同的环境背景特征；
对所述第一视频子片段和所述第二视频子片段各自包含的视频帧进行肢体动作识别，得到所述目标对象在所述第一视频子片段和所述第二视频子片段各自的肢体动作特征信息；其中，所述肢体动作特征信息包括所述目标对象的肢体动作幅度、肢体动作姿态和肢体动作速度。
4.如权利要求3所述的基于视频AI识别的老人能力识别系统，其特征在于：
所述目标对象能力标定模块用于基于所述活动特征信息，得到所述目标对象在所述第一时段和所述第二时段的活动能力差异；基于所述活动能力差异信息，判断所述目标对象是否发生活动能力衰退事件，包括：
将所述第一视频子片段和所述第二视频子片段各自的活动特征信息对应的肢体动作特征信息进行对比，得到所述目标对象在所述第一时段和所述第二时段的肢体动作变化信息；基于所述肢体动作变化信息，判断所述目标对象在所述第一时段和所述第二时段是否发生肢体动作能力衰退事件；
所述体征模型构建模块用于构建所述目标对象在所述第一时段和所述第二时段各自体征状态变化模型，包括：
基于所述目标对象在所述第一时段和所述第二时段各自的体征参数记录，构建所述目标对象在所述第一时段和所述第二时段各自的体征状态变化模型。
5.如权利要求3所述的基于视频AI识别的老人能力识别系统，其特征在于：
所述报警通知模块用于基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段的体征状态差异；基于所述体征状态差异，进行报警通知，包括：
基于所述体征状态变化模型，得到所述目标对象在所述第一时段和所述第二时段各自的体征状态表征曲线；
将所述第一时段和所述第二时段各自的体征状态表征曲线进行对比，得到所述目标对象的体征状态差异；
基于所述体征状态差异，判断所述目标对象是否处于体征异常状态；若是，则向监测终端发送包含所述目标对象的身份信息和定位信息的报警通知消息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528014.XA CN116740598B (zh) | 2023-05-10 | 2023-05-10 | 基于视频ai识别的老人能力识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310528014.XA CN116740598B (zh) | 2023-05-10 | 2023-05-10 | 基于视频ai识别的老人能力识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116740598A CN116740598A (zh) | 2023-09-12 |
| CN116740598B true CN116740598B (zh) | 2024-02-02 |
Family
ID=87908777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310528014.XA Active CN116740598B (zh) | 2023-05-10 | 2023-05-10 | 基于视频ai识别的老人能力识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740598B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
| JP2007328746A (ja) * | 2006-06-09 | 2007-12-20 | Sony Computer Entertainment Inc | 対象物追跡装置および対象物追跡方法 |
| TWI618001B (zh) * | 2017-05-08 | 2018-03-11 | 晶睿通訊股份有限公司 | 物體識別系統及物體識別方法 |
| WO2018127539A1 (en) * | 2017-01-05 | 2018-07-12 | Universite De Toulon | Methods and devices for extracting an object from a video sequence |
| KR102133943B1 (ko) * | 2020-01-16 | 2020-07-14 | 가천대학교 산학협력단 | 시니어의 건강을 위한 홈 헬스케어 제공방법 및 제공장치 |
| CN212261351U (zh) * | 2020-09-03 | 2021-01-01 | 山西大同大学 | 老年人生活状态监测与健康行为促进系统 |
| CN113762107A (zh) * | 2021-08-23 | 2021-12-07 | 海宁奕斯伟集成电路设计有限公司 | 对象状态评估方法、装置、电子设备及可读存储介质 |
| US11282367B1 (en) * | 2020-08-16 | 2022-03-22 | Vuetech Health Innovations LLC | System and methods for safety, security, and well-being of individuals |
| WO2022099824A1 (zh) * | 2020-11-16 | 2022-05-19 | 深圳技术大学 | 人体风险姿态识别方法及系统 |
| CN114949649A (zh) * | 2022-07-11 | 2022-08-30 | 南通倍佳机械科技有限公司 | 基于人工智能的一种消防服高温危险监测系统 |
| CN114999646A (zh) * | 2022-06-01 | 2022-09-02 | 北京大学 | 新生儿运动发育评估系统、方法、装置及存储介质 |
| CN115240247A (zh) * | 2022-07-05 | 2022-10-25 | 杭州程天科技发展有限公司 | 一种用于进行动作和姿态检测的识别方法及系统 |
| CN115469301A (zh) * | 2022-08-31 | 2022-12-13 | 云知声智能科技股份有限公司 | 基于超宽带雷达的老年人活动能力评估方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10874340B2 (en) * | 2014-07-24 | 2020-12-29 | Sackett Solutions & Innovations, LLC | Real time biometric recording, information analytics and monitoring systems for behavioral health management |
| GB201601143D0 (en) * | 2016-01-21 | 2016-03-09 | Oxehealth Ltd | Method and apparatus for health and safety monitoring of a subject in a room |
| US20190371144A1 (en) * | 2018-05-31 | 2019-12-05 | Henry Shu | Method and system for object motion and activity detection |
-
2023
- 2023-05-10 CN CN202310528014.XA patent/CN116740598B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
| JP2007328746A (ja) * | 2006-06-09 | 2007-12-20 | Sony Computer Entertainment Inc | 対象物追跡装置および対象物追跡方法 |
| WO2018127539A1 (en) * | 2017-01-05 | 2018-07-12 | Universite De Toulon | Methods and devices for extracting an object from a video sequence |
| TWI618001B (zh) * | 2017-05-08 | 2018-03-11 | 晶睿通訊股份有限公司 | 物體識別系統及物體識別方法 |
| KR102133943B1 (ko) * | 2020-01-16 | 2020-07-14 | 가천대학교 산학협력단 | 시니어의 건강을 위한 홈 헬스케어 제공방법 및 제공장치 |
| US11282367B1 (en) * | 2020-08-16 | 2022-03-22 | Vuetech Health Innovations LLC | System and methods for safety, security, and well-being of individuals |
| CN212261351U (zh) * | 2020-09-03 | 2021-01-01 | 山西大同大学 | 老年人生活状态监测与健康行为促进系统 |
| WO2022099824A1 (zh) * | 2020-11-16 | 2022-05-19 | 深圳技术大学 | 人体风险姿态识别方法及系统 |
| CN113762107A (zh) * | 2021-08-23 | 2021-12-07 | 海宁奕斯伟集成电路设计有限公司 | 对象状态评估方法、装置、电子设备及可读存储介质 |
| CN114999646A (zh) * | 2022-06-01 | 2022-09-02 | 北京大学 | 新生儿运动发育评估系统、方法、装置及存储介质 |
| CN115240247A (zh) * | 2022-07-05 | 2022-10-25 | 杭州程天科技发展有限公司 | 一种用于进行动作和姿态检测的识别方法及系统 |
| CN114949649A (zh) * | 2022-07-11 | 2022-08-30 | 南通倍佳机械科技有限公司 | 基于人工智能的一种消防服高温危险监测系统 |
| CN115469301A (zh) * | 2022-08-31 | 2022-12-13 | 云知声智能科技股份有限公司 | 基于超宽带雷达的老年人活动能力评估方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于计算机视觉的母猪运动规律分析;刘怡然;马亚州;张勇;张宏娇;;无线互联科技(第14期);第76-79+107页 * |
| 空巢老人智能监护系统中异常情况检测的研究;杨蕾;杨路明;满君丰;刘广滨;;计算机工程与应用(第16期);第246-249页 * |
| 自然条件下猪只运动参量提取算法;冯爱晶;肖德琴;;计算机应用(第10期);第260-266页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116740598A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764190B (zh) | 老年人离床与在床状态的视频监测方法 | |
| CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
| CN112489368A (zh) | 智能跌倒识别与检测报警方法及系统 | |
| CN114469076B (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
| CN110866450A (zh) | 一种帕金森病监测方法、装置及存储介质 | |
| CN113392765A (zh) | 一种基于机器视觉的摔倒检测方法和系统 | |
| CN109867186A (zh) | 一种基于智能视频分析技术的电梯困人检测方法及系统 | |
| CN210956179U (zh) | 面向智慧医疗社区服务的监护系统 | |
| CN113657319A (zh) | 一种基于图像识别技术的无干扰睡眠动作行为的识别方法 | |
| CN116343302A (zh) | 一种基于机器视觉的微表情分类识别系统 | |
| CN116740598B (zh) | 基于视频ai识别的老人能力识别方法和系统 | |
| CN112992372B (zh) | 疫情风险监测方法、装置、设备、存储介质及程序产品 | |
| CN111128368A (zh) | 基于视频表情行为分析的孤独症谱系障碍自动检测方法及装置 | |
| CN118038548A (zh) | 异常行为检测方法、装置、电子设备及存储介质 | |
| KR20220146225A (ko) | 딥러닝 영상분석 기술 기반 양돈수 카운팅 및 환돈 탐지 시스템 | |
| CN116269266B (zh) | 基于ai的老年人健康监测方法和系统 | |
| CN112651273A (zh) | 一种ai智能摄像跟踪的方法 | |
| CN110111891B (zh) | 一种基于人脸图像的员工健康告警方法及系统 | |
| CN115760637A (zh) | 基于养老机器人的老年人体征健康监测方法、系统及设备 | |
| CN114897499A (zh) | 一种景区员工工作状态判断的方法及装置 | |
| CN111178134B (zh) | 一种基于深度学习与网络压缩的摔倒检测方法 | |
| CN113724853A (zh) | 一种基于深度学习的智慧医疗系统 | |
| CN113239791B (zh) | 基于神经网络和目标追踪的考官异常行为监控方法及系统 | |
| CN117503092B (zh) | 一种基于毫米波的icu谵妄风险实时评估方法 | |
| CN112600846B (zh) | 基于物联网的考勤管理方法和系统 |
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 |