CN117557966B - 基于监控图像识别的校园异常行为安全检测方法及系统 - Google Patents
基于监控图像识别的校园异常行为安全检测方法及系统 Download PDFInfo
- Publication number
- CN117557966B CN117557966B CN202410029684.1A CN202410029684A CN117557966B CN 117557966 B CN117557966 B CN 117557966B CN 202410029684 A CN202410029684 A CN 202410029684A CN 117557966 B CN117557966 B CN 117557966B
- Authority
- CN
- China
- Prior art keywords
- camera
- abnormal
- cameras
- dangerous
- area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000003672 processing method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 77
- 230000014759 maintenance of location Effects 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009429 distress Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于监控图像识别的校园异常行为安全检测方法及系统，涉及图像识别技术领域，包括：对多个摄像头进行分组处理；基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；当获取到异常信号时，获取异常信号对应的摄像头，使用声音分析法对异常摄像头进行预警分析；基于预警分析进行预警；本发明用于解决现有技术中缺少基于监控的图像识别分析对声音识别开关的控制，这会导致直接通过声音识别进行判断会干扰图像识别后对于危险行为判断的准确性，从而造成误判或延误最佳救援的时机的问题。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及基于监控图像识别的校园异常行为安全检测方法及系统。
背景技术
在现有的校园管理中，通常采用摄像头对学校各个区域进行监控，通过摄像头来采集校园内的实时画面后发送给监控室，由监控人员在监控室进行监控。
现有的用于校园监控的图像识别的改进，通常是对校园监控中的学生图像信息进行图像识别，比如在申请公开号为CN113569709A的中国专利中，公开了基于卷积神经网络的校园安全图像识别预警方法，该方案就是采集真实人类翻越校园围墙的图像和手写标签，使用采集到的真实人类翻越校园围墙的图像和手写标签训练图像识别网络，使用热释电红外传感器进行探测人类翻越围墙并进行拍照，将拍摄的图像输入神经网络进行分类鉴别并提出预警；其他的用于校园监控的图像识别的改进，通常是将声音识别与图像识别相结合，对监控区域持续进行声音识别以及图像识别从而对危险行为进行判断，缺少基于监控的图像识别分析对声音识别开关的控制，这会导致直接通过声音识别进行判断会干扰图像识别后对于危险行为判断的准确性，从而造成误判或延误最佳救援的时机，鉴于此，有必要对现有的校园监控图像识别进行改进。
发明内容
针对现有技术存在的不足，本发明目的是提供基于监控图像识别的校园异常行为安全检测方法及系统，用于解决现有技术中缺少基于监控的图像识别分析对声音识别开关的控制，这会导致直接通过声音识别进行判断会干扰图像识别后对于危险行为判断的准确性，从而造成误判或延误最佳救援的时机的问题。
为了实现上述目的，第一方面，本发明提供基于监控图像识别的校园异常行为安全检测方法，包括：
获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；
基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；
当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；
当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警。
进一步地，获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理包括：
获取用于监控校园中教学楼内部的多个摄像头，记为教学楼摄像组；
将教学楼摄像组中用于监控楼道以及监控楼梯间的摄像头记为外部摄像组，外部摄像组内的摄像头记为外部摄像头，将用于监控教室内的摄像头记为内部摄像组，内部摄像组内的摄像头记为内部摄像头；
对于教学楼摄像组中的任意一个摄像头，在摄像头中设置语言模组以及处理模组；
语言模组用于捕捉摄像头周围环境中的声音大小以及对接收到的声音进行语言识别；
处理模组用于对摄像头拍摄区域内的物体进行识别框选、识别跟踪以及人脸识别，其中，进行识别框选时使用最小矩形对物体进行框选。
进一步地，基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理包括：
对外部摄像组以及内部摄像组的监控区域中窗户覆盖的区域记为危险区域；
使用区别处理法对外部摄像组以及内部摄像组中的摄像头拍摄得到的影像进行处理；
基于对每组摄像头拍摄得到的影像的处理结果判断是否发送异常信号。
进一步地，区别处理法包括外部处理法以及内部处理法，外部处理法用于对外部摄像组进行处理，内部处理法用于对内部摄像组进行处理，外部处理法包括：
将外部摄像头拍摄的区域记为外部拍摄区域；
获取学校的上课时间以及下课时间；
在处于上课时间时，当外部摄像头内无移动的物体时，关闭摄像头的语言模组以及处理模组；
当外部摄像头内有移动的物体时，使用处理模组对移动物体进行识别框选，记为框选物体；当框选物体的数量为第一标准数量时，对框选物体使用窗口跟踪法，窗口跟踪法为：对框选物体进行路径跟踪，当框选物体移动至危险区域后失去路径跟踪的目标时，发送窗口危险警报，当失去路径跟踪的目标前框选物体未移动至危险区域时，继续进行监控。
进一步地，外部处理法还包括：
当框选物体的数量大于第一标准数量时，将框选物体记为框选矩形1至框选矩形N，将框选矩形1至框选矩形N的中心点记为框选中心点1至框选中心点N，当任意一个框选中心点X与其余的框选中心点的距离大于标准社交距离时，对框选中心点X对应的框选物体使用窗口跟踪法；
当框选中心点1至框选中心点N中任意两个框选中心点之间的距离小于等于标准社交距离时，将小于等于标准社交距离的两个框选中心点对应的框选物体记为预连接物体，当预连接物体对应的两个框选中心点大于标准社交距离时，取消预连接物体的标记。
进一步地，外部处理法还包括：当预连接物体在外部拍摄区域内的连续存在时间小于等于正常行走时间时，继续进行监控；
当预连接物体在外部拍摄区域内的连续存在时间大于正常行走时间时，将预连接物体记为已连接物体并开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
在处于下课时间时，将外部拍摄区域均匀划分为第二标准数量个子区域，记为子区域1至子区域M，对于子区域1至子区域M中的任意一个子区域，使用处理模组对子区域进行人脸识别处理，将人脸识别得到的数量记为子区域的活动数量，当任意一个子区域的活动数量大于标准拥挤数量时，发送异常信号；
将子区域1至子区域M对应的所有活动数量的和记为k，开启语言模组，将语言模组识别到的声音分贝记为嘈杂分贝，当k小于基础活跃数量且嘈杂分贝大于第一标准分贝时，发送异常信号；
当k大于等于基础活跃数量且嘈杂分贝大于第二标准分贝时，发送异常信号，其余情况继续进行监控，第一标准分贝小于第二标准分贝。
进一步地，内部处理法包括：
将内部摄像头拍摄的区域记为内部拍摄区域；
当处于下课时间时，使用处理模组对内部拍摄区域进行人脸识别处理，将人脸识别得到的人脸信息记为滞留信息1至滞留信息Q，将滞留信息1至滞留信息Q与人脸信息库中的人脸信息逐一比对，所述人脸信息库用于存储全校师生的人脸信息。
进一步地，内部处理法还包括：
当滞留信息1至滞留信息Q中的所有滞留信息均与人脸信息库中的人脸信息匹配成功时，对人脸信息对应的物体进行识别框选，记为滞留物体，对滞留物体进行路径跟踪，并对所有滞留物体使用窗口跟踪法，获取滞留物体所在矩形的中心点，当任意两个滞留物体对应的中心点之间的距离小于标准社交距离时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
当滞留信息1至滞留信息Q中任意一个滞留信息无法与人脸信息库中的任意一个人脸信息匹配成功时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号。
进一步地，基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理还包括：
对于教学楼摄像组的中的任意一个摄像头，获取摄像头所监控的区域平面图，并在区域平面图中标记所有出口以及门的位置，记为可通过区域；将区域平面图中的无法被摄像头所监控的区域记为死角区域1至死角区域T；
当死角区域1至死角区域T中任意一个死角区域T1与可通过区域重合时，将死角区域T1在死角区域1至死角区域T中删除，将剩余的死角区域记为死角区域1至死角区域T2，其中，T2小于等于T；
当外部处理法中的框选物体或内部处理法中的滞留物体移动至死角区域后失去路径跟踪的目标时，获取失去路径跟踪的目标数量，记为死角数量，对死角区域进行标记并从零开始计时，将计时的时间记为死角时间；
当死角时间等于危险死角时间前框选物体或滞留物体从死角区域移出并重新被框选时的数量等于死角数量时，将死角时间归零并停止计时；
当死角时间等危险死角时间后框选物体或滞留物体从死角区域移出并重新被框选时的数量小于死角数量时，发送异常信号并将被标记的死角区域发送至工作人员。
进一步地，声音分析法包括：
启动异常摄像头的语言模组，使用语言模组对接收到的声音进行语言识别，将语言识别转换为文字，记为异常文字；
当异常摄像头为外部摄像组中的摄像头时，对异常文字进行分字处理，记为危险字组，将危险字组中的每一个字与危险字库进行比对，当危险字组中的任意一个字与危险字库中的任意一个字相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音；
当异常摄像头为内部摄像组中的摄像头时，对异常文字进行分词处理，记为危险词组，将危险词组中的每一个词与危险词库进行比对，当危险词组中的任意一个词与危险词库中的任意一个词相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音。
进一步地，当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警包括：
当通过声音分析法接收到危险声音时，将危险声音对应的异常摄像头记为危险摄像头，将危险摄像头的位置发送给工作人员并控制与危险摄像头最近的警报器发送警报。
第二方面，本发明还提供基于监控图像识别的校园异常行为安全检测系统，包括：分组模块、影像处理模块、异常分析模块以及预警模块；
分组模块用于获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；
影像处理模块用于基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；
异常分析模块用于当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；
预警模块用于当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警。
本发明的有益效果：本发明通过获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理，然后基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理，这样的好处在于，通过对摄像头进行分组处理，可以对用于拍摄楼道和教室的摄像头分别进行分析，从而对楼道以及教室内的情况进行准确的分析，通过先对摄像头拍摄得到的影像进行处理，可以用于判断是否开启声音识别，从而减少声音识别对影像处理的干扰，能够使进行影像处理时的图像识别更加准确；
本发明还通过在获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析，最后当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警，这样的好处在于，通过接收到异常信号后再开启声音识别进行预警分析，可以在声音识别开启后更加准确地对接收到的分贝以及语言进行分析，减少在声音识别持续开启时因外界干扰导致声音识别结果的不精准，有利于更加准确地在监控摄像区域内的危险行为发生时进行及时防范。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的系统的原理框图；
图2为本发明的方法的步骤流程图；
图3为本发明的最小矩形的示意图；
图4为本发明的窗口跟踪法的示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
请参阅图1所示，本发明提供基于监控图像识别的校园异常行为安全检测系统，包括：分组模块、影像处理模块、异常分析模块以及预警模块；
分组模块用于获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；
分组模块配置有摄像头分组策略，摄像头分组策略包括：
获取用于监控校园中教学楼内部的多个摄像头，记为教学楼摄像组；
将教学楼摄像组中用于监控楼道以及监控楼梯间的摄像头记为外部摄像组，外部摄像组内的摄像头记为外部摄像头，将用于监控教室内的摄像头记为内部摄像组，内部摄像组内的摄像头记为内部摄像头；
在具体实施过程中，通过对教学楼摄像组进行分组处理，可以基于监控区域的不同设置不同的监控方法，从而使对监控区域的监控更加准确；
对于教学楼摄像组中的任意一个摄像头，在摄像头中设置语言模组以及处理模组；
语言模组用于捕捉摄像头周围环境中的声音大小以及对接收到的声音进行语言识别；
处理模组用于对摄像头拍摄区域内的物体进行识别框选、识别跟踪以及人脸识别，其中，进行识别框选时使用最小矩形对物体进行框选；
在具体实施过程中，请参阅图3所示，其中，Z1为识别到的物体的最左边的点，Z2为识别到的物体的最右边的点，Z3为识别到的物体的最上边的点，Z4为识别到的物体的最下边的点，Z5以及Z6为最小边界矩形的两条边，Z7为最小边界矩形；最小矩形即获取能够包裹识别到的物体的最小边界矩形，最小边界矩形的计算方法有多种，其中一种常见的方法是旋转卡壳算法。该算法的基本思想是，先找到点集中的最左边和最右边的点，然后以这两个点为基准，逐步旋转成一条直线，直到该直线能够完全包含点集为止，这条支线就是最小边界矩形的一条边，然后以此类推得到最小边界矩形的四条边；
影像处理模块用于基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；
影像处理模块配置有摄像头影像处理策略，摄像头影像处理策略包括：
对外部摄像组以及内部摄像组的监控区域中窗户覆盖的区域记为危险区域；
使用区别处理法对外部摄像组以及内部摄像组中的摄像头拍摄得到的影像进行处理；
基于对每组摄像头拍摄得到的影像的处理结果判断是否发送异常信号；
区别处理法包括外部处理法以及内部处理法，外部处理法用于对外部摄像组进行处理，内部处理法用于对内部摄像组进行处理，外部处理法包括：
将外部摄像头拍摄的区域记为外部拍摄区域；
获取学校的上课时间以及下课时间；
在处于上课时间时，当外部摄像头内无移动的物体时，关闭摄像头的语言模组以及处理模组；
当外部摄像头内有移动的物体时，使用处理模组对移动物体进行识别框选，记为框选物体；当框选物体的数量为第一标准数量时，对框选物体使用窗口跟踪法，窗口跟踪法为：对框选物体进行路径跟踪，当框选物体移动至危险区域后失去路径跟踪的目标时，发送窗口危险警报，当失去路径跟踪的目标前框选物体未移动至危险区域时，继续进行监控；
在具体实施过程中，请参阅图4所示，其中，D1为框选物体，D2为危险区域，D3、D4以及D5为连续发生的监控影像，在D4至D5中，当框选物体移动至危险区域后失去对框选物体的路径跟踪的目标时，说明框选物体对应的实际物体从窗口消失，可能出现坠楼等事故，因此需要发送窗口危险警报通知工作人员对对应的危险区域进行及时检查；
外部处理法还包括：
当框选物体的数量大于第一标准数量时，将框选物体记为框选矩形1至框选矩形N，将框选矩形1至框选矩形N的中心点记为框选中心点1至框选中心点N，当任意一个框选中心点X与其余的框选中心点的距离大于标准社交距离时，对框选中心点X对应的框选物体使用窗口跟踪法；
在具体实施过程中，将第一标准数量设置为1，将标准社交距离设置为外部拍摄区域内的1米，可通过获取监控视频的尺寸数据对应在外部拍摄区域内的距离在监控视频中设置与标准社交距离对应的长度，之所以不使用监控视频内的长度作为标准社交距离，这是因为监控视频中的长度对应在外部拍摄区域内的长度是不唯一的，比如监控区域内的长度为一厘米，对应在外部拍摄区域内的长度由近到远可能为1米或2米；
当框选中心点1至框选中心点N中任意两个框选中心点之间的距离小于等于标准社交距离时，将小于等于标准社交距离的两个框选中心点对应的框选物体记为预连接物体，当预连接物体对应的两个框选中心点大于标准社交距离时，取消预连接物体的标记；
当预连接物体在外部拍摄区域内的连续存在时间小于等于正常行走时间时，继续进行监控；
在具体实施过程中，将正常行走时间设置为30s，在外部拍摄区域的走廊或楼梯中，正常人经过时的时间通常为30s左右，当走廊或楼梯的长度过长时，正常行走时间可根据实际情况设置；
当预连接物体在外部拍摄区域内的连续存在时间大于正常行走时间时，将预连接物体记为已连接物体并开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
在具体实施过程中，将标准谈话分贝设置为60分贝；
在具体实施过程中，当预连接物体在外部拍摄区域内的连续存在时间大于正常行走时间时，说明至少有两人在外部拍摄区域内停留，因此需要开启语言模组对监控区域内的语言进行采集分析；
在处于下课时间时，将外部拍摄区域均匀划分为第二标准数量个子区域，记为子区域1至子区域M，对于子区域1至子区域M中的任意一个子区域，使用处理模组对子区域进行人脸识别处理，将人脸识别得到的数量记为子区域的活动数量，当任意一个子区域的活动数量大于标准拥挤数量时，发送异常信号；
在具体实施过程中，将第二标准数量设置为9，将外部拍摄区域划分为9个子区域，然后通过人脸识别对每个子区域中的人员数量进行计算，可以防止在楼道或楼梯间中因人员数量过多导致拥堵或踩踏，标准拥挤数量可根据子区域的实际尺寸视具体情况而定，在本实施例中将标准拥挤数量设置为15；
将子区域1至子区域M对应的所有活动数量的和记为k，开启语言模组，将语言模组识别到的声音分贝记为嘈杂分贝；当k小于基础活跃数量且嘈杂分贝大于第一标准分贝时，发送异常信号；
当k大于等于基础活跃数量且嘈杂分贝大于第二标准分贝时，发送异常信号；其余情况继续进行监控，第一标准分贝小于第二标准分贝；在具体实施过程中，将基础活跃数量设置为5，将第一标准分贝设置为65分贝，将第二标准分贝设置为80分贝，当声音的分贝为60-70之间时，为正常人员交流声音的分贝，当声音的分贝为70-80之间时，为比较嘈杂环境的分贝，当人员的数量不符合该数量对应的分贝时，说明出现了争吵或危险情况，应当及时发送异常信号；
内部处理法包括：
将内部摄像头拍摄的区域记为内部拍摄区域；
当处于下课时间时，使用处理模组对内部拍摄区域进行人脸识别处理，将人脸识别得到的人脸信息记为滞留信息1至滞留信息Q，将滞留信息1至滞留信息Q与人脸信息库中的人脸信息逐一比对，所述人脸信息库用于存储全校师生的人脸信息；
内部处理法还包括：
当滞留信息1至滞留信息Q中的所有滞留信息均与人脸信息库中的人脸信息匹配成功时，对人脸信息对应的物体进行识别框选，记为滞留物体，对滞留物体进行路径跟踪，并对所有滞留物体使用窗口跟踪法，获取滞留物体所在矩形的中心点，当任意两个滞留物体对应的中心点之间的距离小于标准社交距离时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
当滞留信息1至滞留信息Q中任意一个滞留信息无法与人脸信息库中的任意一个人脸信息匹配成功时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
在具体实施过程中，当滞留信息1至滞留信息Q中任意一个滞留信息无法与人脸信息库中的任意一个人脸信息匹配成功时，说明有校外人员进入教室，应当及时开启语言模组进行语言采集分析；
摄像头影像处理策略还包括：
对于教学楼摄像组的中的任意一个摄像头，获取摄像头所监控的区域平面图，并在区域平面图中标记所有出口以及门的位置，记为可通过区域；将区域平面图中的无法被摄像头所监控的区域记为死角区域1至死角区域T；
当死角区域1至死角区域T中任意一个死角区域T1与可通过区域重合时，将死角区域T1在死角区域1至死角区域T中删除，将剩余的死角区域记为死角区域1至死角区域T2，其中，T2小于等于T；
当外部处理法中的框选物体或内部处理法中的滞留物体移动至死角区域后失去路径跟踪的目标时，获取失去路径跟踪的目标数量，记为死角数量，对死角区域进行标记并从零开始计时，将计时的时间记为死角时间；
当死角时间等于危险死角时间前框选物体或滞留物体从死角区域移出并重新被框选时的数量等于死角数量时，将死角时间归零并停止计时；
当死角时间等危险死角时间后框选物体或滞留物体从死角区域移出并重新被框选时的数量小于死角数量时，发送异常信号并将被标记的死角区域发送至工作人员；
在具体实施过程中，将危险死角时间设置为40min，在本实施例中，框选物体以及滞留物体默认为学生，当有学生进入死角区域超过40分钟且未从死角区域走出时，死角区域内的学生可能会发生危险，因此有必要发送异常信号后将死角区域发送至工作人员让工作人员及时对死角区域进行查看；
异常分析模块用于当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；
异常分析模块配置有声音分析策略，声音分析策略包括：
当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头；
使用声音分析法对异常摄像头进行预警分析。
声音分析法包括：
启动异常摄像头的语言模组，使用语言模组对接收到的声音进行语言识别，将语言识别转换为文字，记为异常文字；
当异常摄像头为外部摄像组中的摄像头时，对异常文字进行分字处理，记为危险字组，将危险字组中的每一个字与危险字库进行比对，当危险字组中的任意一个字与危险字库中的任意一个字相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音，其中，危险字库为通过大数据搜集等工具得到的求救用字以及暴力用字；
当异常摄像头为内部摄像组中的摄像头时，对异常文字进行分词处理，记为危险词组，将危险词组中的每一个词与危险词库进行比对，当危险词组中的任意一个词与危险词库中的任意一个词相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音，其中，危险词库为通过大数据搜集等工具得到的求救用词以及暴力用词；
在具体实施过程中，将标准比对数量设置为7，当标准比对数量大于7时，说明此时采集到的危险字组或危险词组中的求救用字、暴力用字、求救用词或暴力用词过多，可能发生暴力事件，因此有必要将异常信号对应的声音记为危险声音，其中，危险字库以及危险词库可在实际情况中进行添加和删除；
预警模块用于当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警；
预警模块配置有危险处理策略，危险处理策略包括：
当通过声音分析法接收到危险声音时，将危险声音对应的异常摄像头记为危险摄像头，将危险摄像头的位置发送给工作人员并控制与危险摄像头最近的警报器发送警报。
实施例2
实施例2与实施例1的不同之处在于，在人脸信息库中将参与过暴力或霸凌事件的人员进行标记，记为标记人员，在下课时间时对外部拍摄区域或内部拍摄区域内进行人脸识别处理时，当人脸识别得到的人脸信息与任意一个标记人员的人脸信息相匹配时，开启语言模组；
在具体实施过程中，当标记人员在下课时间进入外部拍摄区域或内部拍摄区域时，应当及时开启语言模组进行语言采集分析。
实施例3
请参阅图2所示，基于监控图像识别的校园异常行为安全检测方法，包括：
步骤S1，获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；所述步骤S1包括：
步骤S101，获取用于监控校园中教学楼内部的多个摄像头，记为教学楼摄像组；
将教学楼摄像组中用于监控楼道以及监控楼梯间的摄像头记为外部摄像组，外部摄像组内的摄像头记为外部摄像头，将用于监控教室内的摄像头记为内部摄像组，内部摄像组内的摄像头记为内部摄像头；
步骤S102，对于教学楼摄像组中的任意一个摄像头，在摄像头中设置语言模组以及处理模组；
语言模组用于捕捉摄像头周围环境中的声音大小以及对接收到的声音进行语言识别；
处理模组用于对摄像头拍摄区域内的物体进行识别框选、识别跟踪以及人脸识别，其中，进行识别框选时使用最小矩形对物体进行框选。
步骤S2，基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；步骤S2包括：
步骤S201，对外部摄像组以及内部摄像组的监控区域中窗户覆盖的区域记为危险区域；
使用区别处理法对外部摄像组以及内部摄像组中的摄像头拍摄得到的影像进行处理；
步骤S202，基于对每组摄像头拍摄得到的影像的处理结果判断是否发送异常信号。
区别处理法包括外部处理法以及内部处理法，外部处理法用于对外部摄像组进行处理，内部处理法用于对内部摄像组进行处理，外部处理法包括如下步骤：
步骤S20211，将外部摄像头拍摄的区域记为外部拍摄区域；
步骤S20212，获取学校的上课时间以及下课时间；
步骤S20213，在处于上课时间时，当外部摄像头内无移动的物体时，关闭摄像头的语言模组以及处理模组；
步骤S20214，当外部摄像头内有移动的物体时，使用处理模组对移动物体进行识别框选，记为框选物体；当框选物体的数量为第一标准数量时，对框选物体使用窗口跟踪法，窗口跟踪法为：对框选物体进行路径跟踪，当框选物体移动至危险区域后失去路径跟踪的目标时，发送窗口危险警报，当失去路径跟踪的目标前框选物体未移动至危险区域时，继续进行监控。
外部处理法还包括如下步骤：
步骤S20215，当框选物体的数量大于第一标准数量时，将框选物体记为框选矩形1至框选矩形N，将框选矩形1至框选矩形N的中心点记为框选中心点1至框选中心点N，当任意一个框选中心点X与其余的框选中心点的距离大于标准社交距离时，对框选中心点X对应的框选物体使用窗口跟踪法；
步骤S20216，当框选中心点1至框选中心点N中任意两个框选中心点之间的距离小于等于标准社交距离时，将小于等于标准社交距离的两个框选中心点对应的框选物体记为预连接物体，当预连接物体对应的两个框选中心点大于标准社交距离时，取消预连接物体的标记；
步骤S20217，当预连接物体在外部拍摄区域内的连续存在时间小于等于正常行走时间时，继续进行监控；当预连接物体在外部拍摄区域内的连续存在时间大于正常行走时间时，将预连接物体记为已连接物体并开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
步骤S20218，在处于下课时间时，将外部拍摄区域均匀划分为第二标准数量个子区域，记为子区域1至子区域M，对于子区域1至子区域M中的任意一个子区域，使用处理模组对子区域进行人脸识别处理，将人脸识别得到的数量记为子区域的活动数量，当任意一个子区域的活动数量大于标准拥挤数量时，发送异常信号；将子区域1至子区域M对应的所有活动数量的和记为k，开启语言模组，将语言模组识别到的声音分贝记为嘈杂分贝，当k小于基础活跃数量且嘈杂分贝大于第一标准分贝时，发送异常信号；当k大于等于基础活跃数量且嘈杂分贝大于第二标准分贝时，发送异常信号，其余情况继续进行监控，第一标准分贝小于第二标准分贝。
内部处理法包括如下步骤：
步骤S20221，将内部摄像头拍摄的区域记为内部拍摄区域；
步骤S20222，当处于下课时间时，使用处理模组对内部拍摄区域进行人脸识别处理，将人脸识别得到的人脸信息记为滞留信息1至滞留信息Q，将滞留信息1至滞留信息Q与人脸信息库中的人脸信息逐一比对，所述人脸信息库用于存储全校师生的人脸信息；
步骤S20223，当滞留信息1至滞留信息Q中的所有滞留信息均与人脸信息库中的人脸信息匹配成功时，对人脸信息对应的物体进行识别框选，记为滞留物体，对滞留物体进行路径跟踪，并对所有滞留物体使用窗口跟踪法，获取滞留物体所在矩形的中心点，当任意两个滞留物体对应的中心点之间的距离小于标准社交距离时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
步骤S20224，当滞留信息1至滞留信息Q中任意一个滞留信息无法与人脸信息库中的任意一个人脸信息匹配成功时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号。
步骤S2还包括：
步骤S203，对于教学楼摄像组的中的任意一个摄像头，获取摄像头所监控的区域平面图，并在区域平面图中标记所有出口以及门的位置，记为可通过区域；将区域平面图中的无法被摄像头所监控的区域记为死角区域1至死角区域T；
当死角区域1至死角区域T中任意一个死角区域T1与可通过区域重合时，将死角区域T1在死角区域1至死角区域T中删除，将剩余的死角区域记为死角区域1至死角区域T2，其中，T2小于等于T；
步骤S204，当外部处理法中的框选物体或内部处理法中的滞留物体移动至死角区域后失去路径跟踪的目标时，获取失去路径跟踪的目标数量，记为死角数量，对死角区域进行标记并从零开始计时，将计时的时间记为死角时间；
当死角时间等于危险死角时间前框选物体或滞留物体从死角区域移出并重新被框选时的数量等于死角数量时，将死角时间归零并停止计时；
当死角时间等危险死角时间后框选物体或滞留物体从死角区域移出并重新被框选时的数量小于死角数量时，发送异常信号并将被标记的死角区域发送至工作人员。
步骤S3，当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；步骤S3包括：
步骤S301，当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头；
步骤S302，使用声音分析法对异常摄像头进行预警分析。
声音分析法包括如下步骤：
步骤S3021，启动异常摄像头的语言模组，使用语言模组对接收到的声音进行语言识别，将语言识别转换为文字，记为异常文字；
步骤S3022，当异常摄像头为外部摄像组中的摄像头时，对异常文字进行分字处理，记为危险字组，将危险字组中的每一个字与危险字库进行比对，当危险字组中的任意一个字与危险字库中的任意一个字相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音，其中，危险字库为通过大数据搜集等工具得到的求救用字以及求救用字；
步骤S3023，当异常摄像头为内部摄像组中的摄像头时，对异常文字进行分词处理，记为危险词组，将危险词组中的每一个词与危险词库进行比对，当危险词组中的任意一个词与危险词库中的任意一个词相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音，其中，危险词库为通过大数据搜集等工具得到的求救用词以及暴力用词。
步骤S4，当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警；步骤S4包括：
当通过声音分析法接收到危险声音时，将危险声音对应的异常摄像头记为危险摄像头，将危险摄像头的位置发送给工作人员并控制与危险摄像头最近的警报器发送警报。
工作原理：本发明通过获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理，然后基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理，本发明还通过在获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析，最后当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static RandomAccess Memory，简称SRAM），电可擦除可编程只读存储器（Electrically ErasableProgrammable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.基于监控图像识别的校园异常行为安全检测方法，其特征在于，包括：
获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；
基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；
基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理包括：
对外部摄像组以及内部摄像组的监控区域中窗户覆盖的区域记为危险区域；
使用区别处理法对外部摄像组以及内部摄像组中的摄像头拍摄得到的影像进行处理；
基于对每组摄像头拍摄得到的影像的处理结果判断是否发送异常信号；
区别处理法包括外部处理法以及内部处理法，外部处理法用于对外部摄像组进行处理，内部处理法用于对内部摄像组进行处理，外部处理法包括：
将外部摄像头拍摄的区域记为外部拍摄区域；
获取学校的上课时间以及下课时间；
在处于上课时间时，当外部摄像头内无移动的物体时，关闭摄像头的语言模组以及处理模组；
当外部摄像头内有移动的物体时，使用处理模组对移动物体进行识别框选，记为框选物体；当框选物体的数量为第一标准数量时，对框选物体使用窗口跟踪法，窗口跟踪法为：对框选物体进行路径跟踪，当框选物体移动至危险区域后失去路径跟踪的目标时，发送窗口危险警报，当失去路径跟踪的目标前框选物体未移动至危险区域时，继续进行监控；
外部处理法还包括：
当框选物体的数量大于第一标准数量时，将框选物体记为框选矩形1至框选矩形N，将框选矩形1至框选矩形N的中心点记为框选中心点1至框选中心点N，当任意一个框选中心点X与其余的框选中心点的距离大于标准社交距离时，对框选中心点X对应的框选物体使用窗口跟踪法；
当框选中心点1至框选中心点N中任意两个框选中心点之间的距离小于等于标准社交距离时，将小于等于标准社交距离的两个框选中心点对应的框选物体记为预连接物体，当预连接物体对应的两个框选中心点大于标准社交距离时，取消预连接物体的标记；
外部处理法还包括：当预连接物体在外部拍摄区域内的连续存在时间小于等于正常行走时间时，继续进行监控；
当预连接物体在外部拍摄区域内的连续存在时间大于正常行走时间时，将预连接物体记为已连接物体并开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
在处于下课时间时，将外部拍摄区域均匀划分为第二标准数量个子区域，记为子区域1至子区域M，对于子区域1至子区域M中的任意一个子区域，使用处理模组对子区域进行人脸识别处理，将人脸识别得到的数量记为子区域的活动数量，当任意一个子区域的活动数量大于标准拥挤数量时，发送拥挤危险警报；
将子区域1至子区域M对应的所有活动数量的和记为k，开启语言模组，将语言模组识别到的声音分贝记为嘈杂分贝；当k小于基础活跃数量且嘈杂分贝大于第一标准分贝时，发送异常信号；
当k大于等于基础活跃数量且嘈杂分贝大于第二标准分贝时，发送异常信号；其余情况继续进行监控，第一标准分贝小于第二标准分贝；
内部处理法包括：
将内部摄像头拍摄的区域记为内部拍摄区域；
当处于下课时间时，使用处理模组对内部拍摄区域进行人脸识别处理，将人脸识别得到的人脸信息记为滞留信息1至滞留信息Q，将滞留信息1至滞留信息Q与人脸信息库中的人脸信息逐一比对，所述人脸信息库用于存储全校师生的人脸信息；
内部处理法还包括：
当滞留信息1至滞留信息Q中的所有滞留信息均与人脸信息库中的人脸信息匹配成功时，对人脸信息对应的物体进行识别框选，记为滞留物体，对滞留物体进行路径跟踪，并对所有滞留物体使用窗口跟踪法，获取滞留物体所在矩形的中心点，当任意两个滞留物体对应的中心点之间的距离小于标准社交距离时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
当滞留信息1至滞留信息Q中任意一个滞留信息无法与人脸信息库中的任意一个人脸信息匹配成功时，开启语言模组，当语言模组识别到的声音分贝大于标准谈话分贝时，发送异常信号；
基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理还包括：
对于教学楼摄像组的中的任意一个摄像头，获取摄像头所监控的区域平面图，并在区域平面图中标记所有出口以及门的位置，记为可通过区域；将区域平面图中的无法被摄像头所监控的区域记为死角区域1至死角区域T；
当死角区域1至死角区域T中任意一个死角区域T1与可通过区域重合时，将死角区域T1在死角区域1至死角区域T中删除，将剩余的死角区域记为死角区域1至死角区域T2，其中，T2小于等于T；
当外部处理法中的框选物体或内部处理法中的滞留物体移动至死角区域后失去路径跟踪的目标时，获取失去路径跟踪的目标数量，记为死角数量，对死角区域进行标记并从零开始计时，将计时的时间记为死角时间；
当死角时间等于危险死角时间前框选物体或滞留物体从死角区域移出并重新被框选时的数量等于死角数量时，将死角时间归零并停止计时；
当死角时间等危险死角时间后框选物体或滞留物体从死角区域移出并重新被框选时的数量小于死角数量时，发送异常信号并将被标记的死角区域发送至工作人员；
当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；
当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警。
2.根据权利要求1所述的基于监控图像识别的校园异常行为安全检测方法，其特征在于，获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理包括：
获取用于监控校园中教学楼内部的多个摄像头，记为教学楼摄像组；
将教学楼摄像组中用于监控楼道以及监控楼梯间的摄像头记为外部摄像组，外部摄像组内的摄像头记为外部摄像头，将用于监控教室内的摄像头记为内部摄像组，内部摄像组内的摄像头记为内部摄像头；
对于教学楼摄像组中的任意一个摄像头，在摄像头中设置语言模组以及处理模组；
语言模组用于捕捉摄像头周围环境中的声音大小以及对接收到的声音进行语言识别；
处理模组用于对摄像头拍摄区域内的物体进行识别框选、识别跟踪以及人脸识别，其中，进行识别框选时使用最小矩形对物体进行框选。
3.根据权利要求2所述的基于监控图像识别的校园异常行为安全检测方法，其特征在于，声音分析法包括：
启动异常摄像头的语言模组，使用语言模组对接收到的声音进行语言识别，将语言识别转换为文字，记为异常文字；
当异常摄像头为外部摄像组中的摄像头时，对异常文字进行分字处理，记为危险字组，将危险字组中的每一个字与危险字库进行比对，当危险字组中的任意一个字与危险字库中的任意一个字相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音；
当异常摄像头为内部摄像组中的摄像头时，对异常文字进行分词处理，记为危险词组，将危险词组中的每一个词与危险词库进行比对，当危险词组中的任意一个词与危险词库中的任意一个词相同时，记为比对成功，当比对成功的数量大于标准比对数量时，将异常信号记为危险声音。
4.根据权利要求3所述的基于监控图像识别的校园异常行为安全检测方法，其特征在于，当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警包括：
当通过声音分析法接收到危险声音时，将危险声音对应的异常摄像头记为危险摄像头，将危险摄像头的位置发送给工作人员并控制与危险摄像头最近的警报器发送警报。
5.适用于权利要求1-4任意一项所述的基于监控图像识别的校园异常行为安全检测方法的系统，其特征在于，包括：分组模块、影像处理模块、异常分析模块以及预警模块；
分组模块用于获取校园的教学楼中的多个摄像头的分布情况，对多个摄像头进行分组处理；
影像处理模块用于基于摄像头的分组使用区别处理法分别对每组的摄像头拍摄得到的影像进行处理；
异常分析模块用于当获取到异常信号时，获取异常信号对应的摄像头，记为异常摄像头，使用声音分析法对异常摄像头进行预警分析；
预警模块用于当声音分析法的分析结果为危险声音时，基于异常摄像头进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410029684.1A CN117557966B (zh) | 2024-01-09 | 2024-01-09 | 基于监控图像识别的校园异常行为安全检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410029684.1A CN117557966B (zh) | 2024-01-09 | 2024-01-09 | 基于监控图像识别的校园异常行为安全检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557966A CN117557966A (zh) | 2024-02-13 |
| CN117557966B true CN117557966B (zh) | 2024-04-02 |
Family
ID=89823452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410029684.1A Active CN117557966B (zh) | 2024-01-09 | 2024-01-09 | 基于监控图像识别的校园异常行为安全检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557966B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787671B (zh) * | 2024-02-28 | 2024-05-17 | 陕西跃途警用装备制造有限公司 | 一种基于视频监控和智能巡逻的警用一体化系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090001848A (ko) * | 2007-05-28 | 2009-01-09 | 에스케이 텔레콤주식회사 | 얼굴표정 감시 방법 및 얼굴표정 감시 시스템 |
| KR101598898B1 (ko) * | 2015-06-30 | 2016-03-03 | 주식회사 글로비트 | 음향 및 영상분석을 통한 넙치 질병 예방 시스템 |
| KR20160044315A (ko) * | 2014-10-15 | 2016-04-25 | 한국과학기술연구원 | 학생 수업태도 분석 시스템 및 분석 방법 |
| CN111046819A (zh) * | 2019-12-18 | 2020-04-21 | 浙江大华技术股份有限公司 | 一种行为识别处理方法及装置 |
| CN111967400A (zh) * | 2020-08-19 | 2020-11-20 | 顾晓东 | 一种基于人工智能的校园安全监测预警管理系统 |
| WO2021159604A1 (zh) * | 2020-02-12 | 2021-08-19 | 中车唐山机车车辆有限公司 | 一种轨道列车的监控系统，监控方法及监控装置 |
| CN115103159A (zh) * | 2022-06-20 | 2022-09-23 | 天翼数字生活科技有限公司 | 一种利用摄像头进行监控的方法、装置、系统及相关设备 |
| CN115546903A (zh) * | 2022-12-05 | 2022-12-30 | 北京联合永道软件股份有限公司 | 一种校园学生行为风险预警方法及系统 |
| KR102513372B1 (ko) * | 2023-01-12 | 2023-03-23 | 에코아이넷 주식회사 | 음향과 영상을 연계한 하이브리드형 객체 연속 추적시스템 및 제어방법 |
| CN116560259A (zh) * | 2023-03-29 | 2023-08-08 | 中海油惠州石化有限公司 | 一种监控设备及监控系统 |
| KR20230128216A (ko) * | 2022-02-26 | 2023-09-04 | 주식회사 스마트인재캠퍼스 | 이상행동감지 기반 귀갓길 케어 서비스 |
| CN116740908A (zh) * | 2023-06-12 | 2023-09-12 | 东莞市众可智能科技有限公司 | 一种大数据视频分析监控系统 |
| CN117038027A (zh) * | 2023-07-04 | 2023-11-10 | 苏州同启苏沐软件有限公司 | 一种护士站信息管理系统 |
| CN117351181A (zh) * | 2023-10-16 | 2024-01-05 | 渤海大学 | 一种智能农田监测与作物生长自动化控制方法及系统 |
-
2024
- 2024-01-09 CN CN202410029684.1A patent/CN117557966B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090001848A (ko) * | 2007-05-28 | 2009-01-09 | 에스케이 텔레콤주식회사 | 얼굴표정 감시 방법 및 얼굴표정 감시 시스템 |
| KR20160044315A (ko) * | 2014-10-15 | 2016-04-25 | 한국과학기술연구원 | 학생 수업태도 분석 시스템 및 분석 방법 |
| KR101598898B1 (ko) * | 2015-06-30 | 2016-03-03 | 주식회사 글로비트 | 음향 및 영상분석을 통한 넙치 질병 예방 시스템 |
| CN111046819A (zh) * | 2019-12-18 | 2020-04-21 | 浙江大华技术股份有限公司 | 一种行为识别处理方法及装置 |
| WO2021159604A1 (zh) * | 2020-02-12 | 2021-08-19 | 中车唐山机车车辆有限公司 | 一种轨道列车的监控系统，监控方法及监控装置 |
| CN111967400A (zh) * | 2020-08-19 | 2020-11-20 | 顾晓东 | 一种基于人工智能的校园安全监测预警管理系统 |
| KR20230128216A (ko) * | 2022-02-26 | 2023-09-04 | 주식회사 스마트인재캠퍼스 | 이상행동감지 기반 귀갓길 케어 서비스 |
| CN115103159A (zh) * | 2022-06-20 | 2022-09-23 | 天翼数字生活科技有限公司 | 一种利用摄像头进行监控的方法、装置、系统及相关设备 |
| CN115546903A (zh) * | 2022-12-05 | 2022-12-30 | 北京联合永道软件股份有限公司 | 一种校园学生行为风险预警方法及系统 |
| KR102513372B1 (ko) * | 2023-01-12 | 2023-03-23 | 에코아이넷 주식회사 | 음향과 영상을 연계한 하이브리드형 객체 연속 추적시스템 및 제어방법 |
| CN116560259A (zh) * | 2023-03-29 | 2023-08-08 | 中海油惠州石化有限公司 | 一种监控设备及监控系统 |
| CN116740908A (zh) * | 2023-06-12 | 2023-09-12 | 东莞市众可智能科技有限公司 | 一种大数据视频分析监控系统 |
| CN117038027A (zh) * | 2023-07-04 | 2023-11-10 | 苏州同启苏沐软件有限公司 | 一种护士站信息管理系统 |
| CN117351181A (zh) * | 2023-10-16 | 2024-01-05 | 渤海大学 | 一种智能农田监测与作物生长自动化控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557966A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117557966B (zh) | 基于监控图像识别的校园异常行为安全检测方法及系统 | |
| CN112711960B (zh) | 闸机报警方法、装置、控制处理器及可读存储介质 | |
| WO2021043074A1 (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
| CN111163285A (zh) | 高空抛坠物监测方法及其系统、计算机可读存储介质 | |
| KR20190046351A (ko) | 침입 탐지방법 및 그 장치 | |
| CN113160509B (zh) | 一种适用于社区及施工现场内的风险感知方法及系统 | |
| CN113837030B (zh) | 用于疫情防控的人员智能管控方法、系统及计算机设备 | |
| CN112132041A (zh) | 一种基于计算机视觉的社区巡更分析方法及其系统 | |
| CN110782228A (zh) | 一种工作时长获得方法、装置、电子设备及存储介质 | |
| CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
| WO2020167155A1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
| CN114092861A (zh) | 基于视频内容的监控报警方法、系统、设备及存储介质 | |
| CN114708626A (zh) | 一种重点人员行为识别与预警的方法 | |
| CN112990659B (zh) | 一种疏散救援辅助方法、系统、计算机设备、处理终端 | |
| CN111985413A (zh) | 一种智能楼宇监控终端、监控系统及监控方法 | |
| CN113554682B (zh) | 一种基于目标跟踪的安全帽检测方法 | |
| CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
| CN112926542A (zh) | 一种性别检测方法、装置、电子设备及存储介质 | |
| CN113129532B (zh) | 陌生人员的预警方法、装置、电子设备及存储介质 | |
| CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及系统 | |
| CN117994917B (zh) | 一种基于园区安防的全天候监控平台及监控方法 | |
| CN117746218B (zh) | 一种智慧校园的安全管理方法及装置 | |
| CN117636553A (zh) | 非授权区域闯入监控联动报警系统 | |
| US20240038403A1 (en) | Image display apparatus, image display system, image display method, and non-transitory computer readable medium | |
| CN115937925A (zh) | 一种基于通行一体化设备的安全验证方法及系统 |
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 |