CN110659397B - 一种行为检测方法、装置、电子设备和存储介质 - Google Patents
一种行为检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110659397B CN110659397B CN201810689568.7A CN201810689568A CN110659397B CN 110659397 B CN110659397 B CN 110659397B CN 201810689568 A CN201810689568 A CN 201810689568A CN 110659397 B CN110659397 B CN 110659397B
- Authority
- CN
- China
- Prior art keywords
- face
- target person
- preset
- picture
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000006399 behavior Effects 0.000 claims description 252
- 230000008451 emotion Effects 0.000 claims description 76
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000036651 mood Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明实施例提供了一种行为检测方法、装置、电子设备和存储介质，所述方法包括：获取预设拍摄范围的全景图片；获取预设拍摄范围内所述目标人员的人脸图片；对人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息；根据全景图片，对全景图片中的目标人员进行行为检测，得到目标人员的行为类型；将行为类型保存在预设数据库的所述人脸图片对应的个人信息中。从而可以建立个体目标人员的行为类型与该个人目标人员的个人信息之间的对应关系。使得目标人员的行为数据或信息能够和该目标人员的个人信息相结合，进而能够实现对目标人员的个人的行为数据或信息的统计和分析，扩展了行为分析技术的应用范围。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种行为检测方法、装置、电子设备和存储介质。
背景技术
随着硬件技术和软件技术的不断发展，通过计算机对大量行为数据的分析，可以帮助人们对人员的各种行为进行分析。通过对人员行为的分析能够反应出行为背后的人员的状态，从而更好的对人员进行管理。或者通过对人员行为的分析，可以更好的确定出人员对事物的反应等等。例如，可以获取学生在上课时的各种行为，并进行统计分析，如，正在听讲的学生数目，非听讲状态的学生数目，正在睡觉的学生数目等等。通过对这些行为的统计，可以对教学的情况、课堂教学质量的评估提供参考的数据。
然而，目前现有的行为检测方法，如上述对学生行为的检测方法中，主要针对群体性的行为进行检测，很难在检测过程中将个体人员的行为数据或信息和该人员本身建立联系。从而无法对个体人员的行为数据或信息进行统计和分析，大大限制了行为分析检测技术的应用范围。例如，在上述例子中，仅仅统计出了学生行为的比例或数量，然而不能将每一个学生的行为数据与该学生一一对应，从而无法对个体学生的行为数据或信息进行分析。
发明内容
本发明实施例的目的在于提供一种行为检测方法、装置、电子设备和存储介质，以实现将个体人员的行为数据或信息与该个体人员之间建立对应关系，实现对个体人员的行为检测和分析。具体技术方案如下：
本发明实施例提供了一种行为检测方法，包括：
获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
获取所述预设拍摄范围内所述目标人员的人脸图片；
对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中。
可选的，所述获取所述预设拍摄范围内所述目标人员的人脸图片，包括：
根据所述全景图片，确定出所述全景图片中所述目标人员的人脸目标，对所述人脸目标进行提取，得到所述目标人员的人脸图片。
可选的，当所述全景图片中包括多个目标人员时，所述根据所述全景图片，确定出所述全景图片中所述目标人员的人脸目标，对所述人脸目标进行提取，得到所述目标人员的人脸图片，包括：
根据所述全景图片，确定出所述全景图片中各个所述目标人员的人脸目标，并确定出各个人脸目标在所述全景图片中的位置信息；
分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息；
所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
对各个所述人脸图片分别进行人脸识别，在预设数据库中，确定出各个所述人脸图片分别对应的个人信息；
所述根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型，包括：
根据所述全景图片，对所述全景图片中的各个所述目标人员分别进行行为检测，得到各个所述目标人员的行为类型，并且确定出各个所述目标人员在所述全景图片中的位置信息；
所述将所述行为类型保存在所述预设数据库中所述人脸图片对应的个人信息中，包括：
针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配；
当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在所述预设数据库中所述第一人脸图片对应的个人信息中。
可选的，所述针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配，包括：
针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度；
当该目标人员的位置信息与所述第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与所述第一人脸图片的位置信息相匹配。
可选的，所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
根据所述人脸图片，建立所述人脸图片对应的人脸模型；
将所述人脸模型与预设数据库中所保存的所述目标人员的预设人脸模型进行比对，确定出与所述人脸模型相匹配的目标预设人脸模型，所述预设数据库保存有所述目标人员的预设人脸模型和个人信息；
将所述目标预设人脸模型对应的个人信息，作为所述人脸图片对应的个人信息。
可选的，所述根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型，包括：
将所述全景图片输入经过深度学习的方法训练得到的目标行为检测网络；
通过所述目标行为检测网络，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型。
可选的，当所述预设拍摄范围为多个时，所述获取预设拍摄范围的全景图片，包括：
按预设周期，逐个获取每一个所述预设拍摄范围的全景图片。
可选的，当通过摄像机获取所述全景图片时，所述按预设周期，逐个获取每一个所述预设拍摄范围的全景图片，包括：
按所述预设周期，并根据预设轨迹移动所述摄像机，以使所述摄像机逐个拍摄每一个所述预设拍摄范围的全景图片。
可选的，所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
对所述人脸图片进行人脸识别，并通过经过深度学习的方法训练得到的面部情绪检测网络，对所述人脸图片中的面部情绪进行检测，得到所述人脸图片对应的情绪类型；
在预设数据库中，确定出所述人脸图片对应的个人信息，并将所述人脸图片对应的情绪类型加入所述人脸图片对应的个人信息中。
可选的，所述行为类型包括正常行为和异常行为；
在所述将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中之后，所述方法还包括：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；
或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警。
可选的，所述情绪类型包括正常情绪和异常情绪，当所述个人信息中包括所述情绪类型时，所述对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于预设警戒值，则针对所述目标人员进行预警，包括：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为和/或异常情绪，则针对所述目标人员进行预警；
或者，若所述个人信息中出现异常行为的次数或比例大于所述第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对所述目标人员进行预警。
可选的，在进行预警之后，所述方法还包括：
获取用户反馈信息，所述用户反馈信息用于表示所述目标人员是否存在异常；
若所述用户反馈信息为所述目标人员存在异常，则降低所述第一预设警戒值和第二预设警戒值；
若所述用户反馈信息为所述目标人员不存在异常，则提高所述第一预设警戒值和第二预设警戒值。
本发明实施例还提供了一种行为检测装置，包括：
第一获取模块，用于获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
第二获取模块，用于获取所述预设拍摄范围内所述目标人员的人脸图片；
人脸识别模块，用于对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
行为检测模块，用于根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
保存模块，用于将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中。
可选的，所述第二获取模块，具体用于：
根据所述全景图片，确定出所述全景图片中所述目标人员的人脸目标，对所述人脸目标进行提取，得到所述目标人员的人脸图片。
可选的，当所述全景图片中包括多个目标人员时，所述第二获取模块，具体用于：
根据所述全景图片，确定出所述全景图片中各个所述目标人员的人脸目标，并确定出各个人脸目标在所述全景图片中的位置信息；
分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息；
所述人脸识别模块，具体用于：
对各个所述人脸图片分别进行人脸识别，在预设数据库中，确定出各个所述人脸图片分别对应的个人信息；
所述行为检测模块，具体用于：
根据所述全景图片，对所述全景图片中的各个所述目标人员分别进行行为检测，得到各个所述目标人员的行为类型，并且确定出各个所述目标人员在所述全景图片中的位置信息；
所述保存模块，具体用于：
针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配；当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在所述预设数据库中所述第一人脸图片对应的个人信息中。
可选的，所述保存模块，具体用于：
针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度；
当该目标人员的位置信息与所述第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与所述第一人脸图片的位置信息相匹配。
可选的，所述人脸识别模块，具体用于：
根据所述人脸图片，建立所述人脸图片对应的人脸模型；
将所述人脸模型与预设数据库中所保存的所述目标人员的预设人脸模型进行比对，确定出与所述人脸模型相匹配的目标预设人脸模型，所述预设数据库保存有所述目标人员的预设人脸模型和个人信息；
将所述目标预设人脸模型对应的个人信息，作为所述人脸图片对应的个人信息。
可选的，所述行为检测模块，具体用于：
将所述全景图片输入经过深度学习的装置训练得到的目标行为检测网络；
通过所述目标行为检测网络，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型。
可选的，当所述预设拍摄范围为多个时，所述第一获取模块，具体用于：
按预设周期，逐个获取每一个所述预设拍摄范围的全景图片。
可选的，当通过摄像机获取所述全景图片时，所述第一获取模块，具体用于：
按所述预设周期，并根据预设轨迹移动所述摄像机，以使所述摄像机逐个拍摄每一个所述预设拍摄范围的全景图片。
可选的，所述人脸识别模块，具体用于：
对所述人脸图片进行人脸识别，并通过经过深度学习的装置训练得到的面部情绪检测网络，对所述人脸图片中的面部情绪进行检测，得到所述人脸图片对应的情绪类型；
在预设数据库中，确定出所述人脸图片对应的个人信息，并将所述人脸图片对应的情绪类型加入所述人脸图片对应的个人信息中。
可选的，所述装置中所述行为类型包括正常行为和异常行为；
所述装置还包括预警模块，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警。
可选的，所述装置中所述情绪类型包括正常情绪和异常情绪，当所述个人信息中包括所述情绪类型时，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为和/或异常情绪，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于所述第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对所述目标人员进行预警。
可选的，所述装置还包括修正模块，所述修正模块，具体用于：
获取用户反馈信息，所述用户反馈信息用于表示所述目标人员是否存在异常；若所述用户反馈信息为所述目标人员存在异常，则降低所述第一预设警戒值和第二预设警戒值；若所述用户反馈信息为所述目标人员不存在异常，则提高所述第一预设警戒值和第二预设警戒值。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的行为检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的行为检测方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的行为检测方法。
本发明实施例提供的一种行为检测方法、装置、电子设备和存储介质，通过本发明实施例提供的行为检测方法，能够分别获取目标人员的人脸图片和含有目标人员的预设拍摄范围的全景图片。对人脸图片进行人脸识别，并且在预设数据库中，确定出该人脸图片对应的个人信息。对全景图片进行目标人员的行为检测，从而确定出目标人员的行为类型。由于通过人脸图片确定出了该目标人员的个人信息，可以将所确定出的目标人员的行为类型，保存在该目标人员的个人信息中，建立了个体目标人员的行为类型与该个人目标人员的个人信息之间的对应关系。使得目标人员的行为数据或信息能够和该目标人员的个人信息相结合，进而能够实现对目标人员的个人的行为数据或信息的统计和分析，扩展了行为分析技术的应用范围。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的行为检测方法的流程图；
图2为本发明实施例提供的预设拍摄范围的示意图；
图3为本发明实施例提供的行为检测装置的结构图；
图4为本发明实施例提供的电子设备的结构图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例提供的行为检测方法的流程图，包括：
步骤110，获取预设拍摄范围的全景图片，全景图片中包括目标人员。
本发明实施例提供的行为检测方法可以应用于各类具有数据处理电子设备，如计算机、服务器等，尤其可以应用于监控设备中，例如摄像机，或者与摄像机连接的服务器，以及监控***等等。通过在电子设备中应用本发明实施例提供的行为检测方法，可以对目标人员进行行为检测，并且将该目标人员的行为数据和该目标人员本身建立对应关系，从而实现对个体行为数据的统计及分析，扩展了行为检测技术的应用范围。
电子设备能够获取预设拍摄范围的全景图片，例如，电子设备，如服务器等，可以通过所连接的摄像头、相机、抓拍机等视频采集设备，获取视频采集设备实时拍摄的预设拍摄范围的全景图片。
全景图片是该预设拍摄范围的整体的图像或照片。能够包含有该预设拍摄范围内的所有能够拍摄到的人员及物体。所以，该全景图片内可以包含该预设拍摄范围的目标人员。目标人员是出现在预设拍摄范围内，待进行行为检测的人员。例如，目标人员可以是学生、相应的预设拍摄范围可以为教室内的范围；或者目标人员可以是流水线操作人员，相应的预设拍摄范围可以为厂房或操作间内的范围。
预设拍摄范围可以是视频采集设备一次能够获取的图像的范围。例如，抓拍机一次拍摄所能够拍摄到的场景的范围。预设拍摄范围可以根据视频采集设备的性能来确定。当然，也可以人为的设定该预设拍摄范围，通过视频采集设备动态的拍摄或者图片的拼接构成全景图片。
在实际应用时，在本发明实施例中的预设拍摄范围可能为多个。例如，摄像机等视频采集设备不能一次完成对完整的拍摄范围的拍摄，所以，可以将完整的拍摄范围划分为多个预设拍摄范围。例如，参见图2，完整的拍摄场景为一个坐满学生的教室，然而摄像机201拍摄一次只能拍摄一定的范围，所以，可以将整个教室划分为3个预设拍摄范围，即第一预设拍摄范围202，第二预设拍摄范围203，第三预设拍摄范围204。
当预设拍摄范围为多个时，步骤110，获取预设拍摄范围的全景图片，可以包括：
按预设周期，逐个获取每一个预设拍摄范围的全景图片。
当存在多个预设拍摄范围时，则可以按预设周期，逐个获取预设拍摄范围的全景图片。每获取一个全景图片就可以将该全景图片按后续步骤进行处理。
预设周期可以是预先设置好的时间周期，例如，可以为10s，20s等。通过逐个获得每一个预设拍摄范围的全景图片。避免了对整个拍摄范围内目标人员的遗漏。
在本发明实施例中，当通过摄像机等设备获取全景图片时，上述步骤中，按预设周期，逐个获取每一个预设拍摄范围的全景图片，可以包括：
按预设周期，并根据预设轨迹移动摄像机，以使摄像机逐个拍摄每一个预设拍摄范围的全景图片。
预设轨迹可以是预先设定好的摄像机等设备的运动轨迹，例如，摄像机通过转动来拍摄不同的预设拍摄范围。则预设轨迹可以是每一个预设周期内，转动的角度。结合上述的例子，可以将整个教室的范围划分为3个预设拍摄范围。每一个预设拍摄范围需要摄像机转过一个预设的角度，才能对该预设拍摄范围进行拍摄。预设周期为10s，则摄像机每10秒转过一个预设的角度，然后对该角度对应的预设拍摄范围进行拍摄，获得该预设拍摄范围的全景图片。并且，对3个预设拍摄范围均完成拍摄后，可以再从首个开始拍摄的预设拍摄范围开始，循环往复的按预设周期和预设轨迹对多个预设拍摄范围再次进行拍摄，并分别获取全景照片。从而进一步保证全部的目标人员都会被拍摄到全景图片内。
步骤120，获取预设拍摄范围内目标人员的人脸图片。
电子设备在获取了预设拍摄范围全景图片之后，还可以获取预设拍摄范围内目标人员的人脸图片。具体的，获取人脸图片的方法可以有很多种。例如，视频采集设备在对预设拍摄区域拍摄全景图片时，可以同时对该预设拍摄区域中目标人员的人脸进行识别，并对目标人员的人脸进行拍摄，得到人脸图片，然后将该人脸图片向电子设备进行传输。
预设拍摄范围的全景图片中含有目标人员。预设拍摄范围内目标人员的人脸图片，可以与该目标人员建立对应关系。例如，在拍摄人脸图片时，可以记录下该人脸图片在预设拍摄场景中的坐标或其他位置信息，而拍摄的预设拍摄场景的全景图片中包含有整个预设拍摄场景的图像，从而可以确定出目标人员本身在预设拍摄场景中的坐标或其他位置信息。通过两者的坐标或其他位置信息，就可以建立目标人员的人脸图片与该目标人员之间的对应关系。
步骤130，对目标人员的人脸图片进行人脸识别，在预设数据库中，确定出人脸图片对应的个人信息，预设数据库中保存有目标人员的个人信息。
当获得了人脸图片之后没救可以对人脸图片进行人脸识别，人脸识别可以采用现有的各种人脸识别方法。例如，预设数据库中保存有大量的目标人员的个人信息和人脸特征信息。在人脸图片中可以获得该人脸图片中人脸的特征，然后可以通过所获取的特征，与预设数据库中的大量的人脸特征信息进行匹配。从而可以在预设数据库中，确定出该人脸图片对应的个人信息。
当然，现有技术中还存在多种人脸识别技术，能够实现通过人脸图片来确定出该人脸图片对应的目标人员的个人信息。现有的各种人脸识别方法，只要能够实现本发明实施例中的功能，则都可以应用于本发明实施例中。相应的，当采用不同的人脸识别方法时，预设数据库中可以保存有不同的信息，例如，上面例子中提到的人脸特征信息，但不论采用哪种人脸识别技术，预设数据库中都需要保存有目标人员的个人信息。其中，个人信息根据不同的目标人员类型，可以为不同的信息。例如，当目标人员为学生时，则个人信息可以包括姓名、年龄、班级、学习成绩等等。当目标人员为流水线操作人员时，则个人信息可以包括姓名、年龄、工种、工作时间等等。通过上述个人信息，可以与后续步骤中得到的行为类型等信息一起进行统计和分析，例如，通过对学生大量的行为类型和各阶段的学习成绩进行综合分析，可以分析出该学生上课时的行为与学习成绩之间的内在关系。
优选的，在本发明实施例中，为了能够更准确的对人脸图片进行人脸识别，步骤130，对目标人员的人脸图片进行人脸识别，在预设数据库中，确定出人脸图片对应的个人信息，可以包括：
步骤130a，根据人脸图片，建立人脸图片对应的人脸模型。
电子设备获得目标人员的人脸图片之后，可以根据该人脸图片，采用建模的方法，建立人脸图片对应的人脸模型。人脸模型为能够反应出人脸特征的数字化模型，例如，该人脸模型中可以包括人脸特征点的参数，如五官比例、位置关系等参数。
步骤130b，将人脸模型与预设数据库中所保存的目标人员的预设人脸模型进行比对，确定出与人脸模型相匹配的目标预设人脸模型，预设数据库保存有目标人员的预设人脸模型和个人信息。
在预设数据库中，可以保存有目标人员的预设人脸模型和个人信息。例如，当目标人员为学生时，可以预先采集学生的个人信息和面部图像。然后根据所采集的面部图像生成每一个学生对应的预设人脸模型，并且将每一个学生对应的预设人脸模型和对应的个人信息保存在预设数据库中，预设数据库中每一个学生的个人信息可以对应该学生的预设人脸模型。
所以当根据目标人员的人脸图片，建立了人脸图片对应的人脸模型之后，就可以通过人脸模型与预设数据库中所保存的预设人脸模型的比对，从而可以在大量的预设人脸模型中，确定出与该人脸模型相匹配的目标预设人脸模型。例如，该人脸模型的特征点参数与一个预设人脸模型的特征点参数相同，则可以认为该预设人脸模型是与该人脸模型相匹配的目标预设人脸模型。在本发明实施例中，为了能够更准确的实现人脸模型与预设数据库中的预设人脸模型之间的比对，可以采用经过深度学习的方法训练得到的神经网络模型来实现人脸模型与预设人脸模型之间的比对，从而更准确快速的完成比对。
步骤130c，将目标预设人脸模型对应的个人信息，作为人脸图片对应的个人信息。
当确定出与该人脸模型相匹配的目标预设人脸模型之后，则可以表示该人脸模型对应的人脸图片的目标人员，与目标预设人脸模型对应的目标人员为同一个人。所以，可以将目标预设人脸模型对应的个人信息，作为该人脸图片对应的个人信息。即通过人脸图片，确定出了该人脸图片所表示的目标人员的个人信息，从而建立了目标人员的人脸图片与该目标人员的个人信息之间的对应关系。
步骤140，根据全景图片，对全景图片中的目标人员进行行为检测，得到目标人员的行为类型。
电子设备在获取了预设拍摄范围的全景图片，就可以通过各种行为检测的方法，对全景图片中目标人员的行为类型进行检测。根据不同的目标人员的类型，相应的行为类型也可以为不同的种类。例如，目标人员为流水线操作人员时，则行为类型可以包括：正在工作、没有工作、站立工作等等；当目标人员为学生时，行为类型可以包括：学生朝向、学生姿态、学生听讲状态、学生阅读状态、学生书写状态、学生举手状态、打瞌睡、玩手机等等。
在全景图片中包含有整个目标人员的图像，所以可以根据全景图片中目标人员的姿势、动作、身体运动幅度等，确定出目标人员的行为类型。
具体的，在本发明实施例中，为了能够实现对目标人员的行为类型更加快速和准确的检测，可选的，在本发明实施例中，步骤140，根据全景图片，对全景图片中的目标人员进行行为检测，得到目标人员的行为类型，包括：
步骤140a，将全景图片输入经过深度学习的方法训练得到的目标行为检测网络。
目标行为检测网络为神经网络进行大量样本的训练后得到的，能够检测出图片内人员的动作类型的神经网络模型。例如，每一种动作类型，都可以通过大量的样本图片对该目标行为检测网络进行训练，从而使得该目标行为检测网络能够识别出各种类型的动作类型。所以，当获取了全景图片后，就可以将该全景图片输入该目标行为检测网络，利用该目标行为检测网络对全景图片进行行为类型的检测。
步骤140b，通过目标行为检测网络，对全景图片中的目标人员进行行为检测，得到目标人员的行为类型。
当将全景图片输入该目标行为检测网络之后，该目标行为检测网络就可以基于原来训练过程中，对每一中动作类型的学习得到的每一种动作类型的特征，来对全景图片中的目标人员的姿势、动作、身体运动幅度等特征进行检测，从而确定出目标人员的行为类型。
步骤150，将目标人员的行为类型保存在预设数据库的人脸图片对应的个人信息中。
电子设备确定出目标人员的人脸图片对应的个人信息，以及目标人员行为类型之后，由于人脸图片和目标人员之间对应一一对应的关系，并且目标人员与目标人员的行为类型之间同样存在一一对应的关系。所以可以建立起人脸图片对应的个人信息和目标人员的行为类型之间的对应关系。即人脸图片可以作为纽带，从而实现了目标人员的行为类型和目标人员的个人信息之间的对应关系。从而可以将所获得的目标人员的行为类型，保存在预设数据库中的该目标人员的个人信息中。
在本发明实施例中，分别获取目标人员的人脸图片和含有目标人员的预设拍摄范围的全景图片。对人脸图片进行人脸识别，并且在预设数据库中，确定出该人脸图片对应的个人信息。对全景图片进行目标人员的行为检测，从而确定出目标人员的行为类型。由于通过人脸图片确定出了该目标人员的个人信息，从而可以将所确定出的目标人员的行为类型，保存在该目标人员的个人信息中，建立了个体目标人员的行为类型与该个人目标人员的个人信息之间的对应关系。使得目标人员的行为数据或信息能够和该目标人员的个人信息相结合，进而能够实现对目标人员的个人的行为数据或信息的统计和分析，扩展了行为分析技术的应用范围。
结合上述的实施例，电子设备可以首先方便的获取预设拍摄范围的全景图片，但是想要获取该预设拍摄范围的目标人员的人脸图片时，其过程会较为复杂，例如，需要通过所连接的视频采集设备，逐个对目标人员的人脸图片进行抓拍，从而使得拍摄过程过于复杂。
为了避免上述问题，在本发明实施例中，步骤120，获取预设拍摄范围内目标人员的人脸图片，可以包括：
步骤120a，根据全景图片，确定出全景图片中目标人员的人脸目标，对人脸目标进行提取，得到目标人员的人脸图片。
电子设备首先可以获取预设拍摄范围的全景图片，该全景图片中包括目标人员，所以该全景图片中也包括有目标人员的人脸的图像。所以，可以通过各种人脸检测的方法，如，头肩分离法、整体轮廓法、镶嵌图法等多种方式，在全景图片，确定出全景图片中目标人员的人脸目标。例如，可以通过框选等方式，在全景图片中确定出目标人员的人脸目标。在本发明实施例中，优选的，为了提高人脸检测的准确性，可以采用深度学习的方式来对全景图片进行检测，从而在全景图片中更加快速和准确的确定出各个人脸目标。
当确定出目标人员的人脸目标之后，就可以从全景图片中，将该人脸目标进行提取，形成独立于全景图片的仅包含有该人脸目标的子图片，该子图片就可以作为目标人员的人脸图片。例如可以采用抠图等方式，将全景图片中框选出的人脸目标进行复制，从而生成人脸图片。
通过在全景图片中直接进行人脸目标的检测即提取，可以通过全景图片就可以得到目标人员的人脸图片，从而不需要单独的对人脸图片进行拍摄，可以简化拍摄过程，提高运行效率。
结合上述的各个实施例，本发明实施例提供的行为检测方法在实际应用中，可以应用于教室、厂房等区域中。在对这些区域范围中的目标人员进行行为检测时，一般在预设拍摄范围内都会同时存在多个目标人员，例如，在对正在上课的学生进行行为分析时，预设拍摄范围内总会同时出现的多个学生，即多个目标人员，从而所拍摄的预设拍摄范围的全景图片中，会同时包含有多个目标人员。当全景图片中包括多个目标人员时，就需要清楚的确定出每一个目标人员的人脸图片和所检测出的每一个目标人员的行为类型之间的对应关系，否则就无法将检测出的目标人员的行为类型与该目标人员个人的个人信息进行匹配。
具体的，当全景图片中包括多个目标人员时，步骤120a，根据全景图片，确定出全景图片中目标人员的人脸目标，对人脸目标进行提取，得到目标人员的人脸图片，包括：
步骤121，根据全景图片，确定出全景图片中各个目标人员的人脸目标，并确定出各个人脸目标在全景图片中的位置信息。
获得了预设拍摄范围的全景图片后，可以采用上述实施例中的各种方式，对全景图片进行人脸检测，从而可以在全景图片中确定出各个目标人员的人脸目标，例如，通过框选的方式，在全景图片中框选出多个人脸目标。
由于每一个人脸目标在全景图片中都具有各自的特定位置，从而可以确定出每一个人脸目标在全景图片中的位置信息，该位置信息可以是坐标位置或者坐标范围等信息，只要能够准确的反应出人脸目标在全景图片中的位置，则都可以作为位置信息。
步骤122，分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息。
当确定出了全景图片中的每一个人脸目标后，就可以多各个人脸目标进行提取，从而形成各个人脸目标对应的目标人员的人脸图片，即从一张全景图片中，得到了多个目标人员的人脸图片。
并且，可以将每一个人脸目标的位置信息，加入到该人脸目标所形成的人脸图片中，作为该人脸图片的位置信息，例如，将人脸目标的位置信息加入该人脸图片的附加信息、或描述信息中。从而使得得到的每一个人脸图片都具有相应的位置信息。该位置信息可以反应出该人脸图片中的人脸目标在全景图片中的位置。
相应的，本发明实施例提供的行为检测方法中，步骤130，对人脸图片进行人脸识别，在预设数据库中，确定出人脸图片对应的个人信息，可以包括：
步骤131，对各个人脸图片分别进行人脸识别，在预设数据库中，确定出各个人脸图片分别对应的个人信息。
当从全景图片中确定出多个人脸图片之后，可以对多个人脸图片分别进行人脸识别，具体的人脸识别的方法与上述实施例中一致，在此不再赘述。通过对每一个人脸图片分别进行人脸识别，从而可以在预设数据库中确定出每一个人脸图片分别对应的个人信息。
相应的，本发明实施例提供的行为检测方法中，步骤140，根据全景图片，对全景图片中的目标人员进行行为检测，得到目标人员的行为类型，包括：
步骤141，根据全景图片，对全景图片中的各个目标人员分别进行行为检测，得到各个目标人员的行为类型，并且确定出各个目标人员在全景图片中的位置信息。
对于所获得的全景图片，可以对该全景图片中的每一个目标人员分别进行行为检测。在对全景图片中的每一个目标人员分别进行行为检测时，可以首先通过各种识别方法，在全景图片中区分出每一个独立的目标人员，然后在针对每一个区分出的独立的目标人员，分别进行行为检测。具体的检测方式与上述实施例中相同，例如可以采用目标行为检测网络来实现对各个目标人员的行为检测。
由于在对目标人员进行行为检测之前，首先将全景图片中的每一个目标人员进行了区分，每一个目标人员都在全景图片中具有自己特定的位置，所以，可以确定出每一个目标人员在全景图片中的位置信息。同样的，该位置信息可以是坐标位置或者坐标范围等信息，只要能够准确的反应出目标人员在全景图片中的位置，则都可以作为位置信息。在本发明实施例中，为了在后续步骤中更方便的进行位置信息的比较，目标人员在全景图片中的位置信息，和前面步骤的中人脸图片的位置信息可以为同样类型的位置信息，如均为在全景图片中的坐标范围。
相应的，本发明实施例提供的行为检测方法中，步骤150，将行为类型保存在预设数据库中人脸图片对应的个人信息中，包括：
步骤151，针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配。
在本发明实施例中，针对每一个目标人员，可以使用该目标人员的位置信息，分别和已经确定出的每一个人脸图片的位置信息进行逐个的匹配。匹配是指目标人员的位置信息，和人脸图片的位置信息处于相同或相近的位置，从而可以确定出目标人员与人脸图片之间的对应关系。通过该对应关系，才能进一步确定人脸图片与目标人员的行为类型之间的对应关系。即每一个目标人员需要找到该目标人员自身的人脸图片，进而才能确定该人脸图片与该目标人员的行为类型之间的对应关系。
具体的，为了能够更准确的进行位置信息的匹配，在本发明实施例中，步骤151，针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配，可以包括：
步骤151a，针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度。
重合度为表示目标人员的位置信息与人脸图片的位置信息处于相同位置的程度。由于人脸图片的位置信息和目标人员的位置信息均从全景图片中获得，时基于同一个坐标系得到的位置信息。如果人脸图片和目标人员为同一个人，则该其位置信息应该不会有较大的变化，即重合度很高。
针对每一个目标人员的位置信息，逐个的与已经确定出的人脸图片的位置信息进行比较和计算，例如，位置信息均为坐标范围，计算出两个坐标范围重合的比例，即可作为重合度。
步骤151b，当该目标人员的位置信息与第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与第一人脸图片的位置信息相匹配。
如果目标人员的位置信息，与多个人脸图片中的第一人脸图片的位置信息的重合度大于预设阈值，则表示该目标人员的位置信息与第一人脸图片的位置信息相匹配。预设阈值可以根据需要进行设置，例如，预设阈值一般可以为80％，即目标人员的位置信息与人脸图片的位置信息重合度在80％以上，则认为该目标人员的位置信息与该人脸图片的位置信息相匹配。第一人脸图片为已经确定出的人脸图片中的任意一个人脸图片。
步骤152，当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在预设数据库中第一人脸图片对应的个人信息中。
当目标人员的位置信息与第一人脸图片的位置信息相匹配时，则表示该目标人员与该人脸图片为同一人，从而建立了人脸图片与目标人员的对应关系，进而可以建立人脸图片与该目标人员的行为类型的对应关系。并且由于对人脸图片经过了人脸识别，确定出了人脸图片与个人信息之间的对应关系。从而可以将人脸图片作为纽带，使得目标人员的行为类型能够对应到目标人员的个人信息。
可以将目标人员的行为类型保存在预设数据库中该目标人员的个人信息中。实现了对个人的行为数据或信息的记录，从而能够实现对个人的行为分析即统计。
在本发明实施例中，当预设拍摄范围的全景图片中具有多个目标人员时，分别获取多个目标人员的人脸图片，并且对多个人脸图片分别进行人脸识别，得到多个人脸图片分别对应的个人信息。对全景图片中的各个目标人员分别进行行为检测，从而得到各个目标人员的行为类型。通过人脸图片的位置信息和全景图中目标人员的位置信息，可以确定出人脸图片和目标人员对应关系，即确定人脸图片中的人和目标人员为同一人，从而可以使得每一个目标人员的行为类型对应到该目标人员的个人信息，从而实现了对每一个个体的行为数据或信息的保存，能够针对每一个个体实现行为分析和统计。
本发明实施例在实际应用时，在获取预设拍摄区域的全景图片时，当个别目标人员低头、转头等情况下，则所获取的全景图片中，该目标人员的人脸目标就不能被识别出来，从而不能获得该目标人员的人脸图片，也无法获取该目标人员的个人信息。但在对全景图片中的各个目标人员进行行为检测时，即使该目标人员没有面部的特征，但也可以对其进行行为检测，从而得到该目标人员的行为类型。但是在位置信息匹配的过程中，该目标人员不会匹配到合适的人脸图片，从而该目标人员的行为类型不能保存在个人信息中。
为了避免上述情况，在本发明实施例中，通常可以按一定的周期，重复的对预设拍摄范围获取全景图片，每获取一次全景图片则执行一次后续的步骤。当预设拍摄区域为多个时，可以如前面实施例中提到的，按预设周期，及预设轨迹对多个预设拍摄区域循环的逐个获取全景图片，并进行后续的步骤。从而保证每一个目标人员的行为类型都可以保存在该目标人员的个人信息中。并且通过重复，能够提供不同时段的大量的行为类型的有关信息或数据，为后续的行为分析统计奠定基础。
结合上述的各个实施例，为了能够进一步的获取目标人员的更全面的行为信息或数据，在本发明实施例提供的行为检测方法中，步骤130，对人脸图片进行人脸识别，在预设数据库中，确定出人脸图片对应的个人信息，还可以包括：
步骤132，对人脸图片进行人脸识别，并通过经过深度学习的方法训练得到的面部情绪检测网络，对人脸图片中的面部情绪进行检测，得到人脸图片对应的情绪类型。
与检测目标人员的行为类型类似，在对人脸图片进行人脸识别时，还可以同步的对人脸图片中的情绪类型进行检测，情绪类性可以包括：高兴、惊讶、厌恶、难过、愤怒等多种类型。通过人脸图片对面部的情绪类性进行检测可以有多种方式，例如，通过检测五官的角度、位置等来确定情绪类性。
在本发明实施例中，为了使得检测结果更加准确，可以采用经过深度学习的方法训练得到的面部情绪检测网络来对人脸图片中的面部情绪进行检测。面部情绪检测网络时经过大量的不同情绪类型的图片样本进行训练后得到的，能够识别出情绪类性的神经网络。能够快速并准确进行情绪类型的检测。
步骤133，在预设数据库中，确定出人脸图片对应的个人信息，并将人脸图片对应的情绪类型加入人脸图片对应的个人信息中。
通过前面实施例中提及的各种人脸识别方法，可以在预设数据库中确定出人脸图片对应的个人信息。并且通过面部情绪检测网络，得到了人脸图片的情绪类型。由于情绪类型可以由人脸图片得到，所以可以直接将该人脸图片的情绪类型，保存在预设数据库的该人脸图片对应的个人信息中。使得可以将情绪类型和行为类型一起作为个体的行为信息或数据，从而是对对个体的行为更好的统计和分析。
结合上述的各个实施例，在本发明实施例提供的行为检测方法中，可以将行为类型分为正常行为和异常行为。
正常行为可以为正向的、或者中性的行为，具体的，针对不同的目标人员可以为不同的类型，例如，当目标人员为学生时，正常的行为可以包括：在阅读、在听讲、在书写等等。
异常的行为可以为负向的、不积极或不常见的行为，同样，针对不同的目标人员可以为不同的类型。例如，当目标人员为学生时，异常的行为可以包括：睡觉、玩手机等等。
在本发明实施例中，当将目标人员的行为类型保存在预设数据库中，该目标人员的个人信息之后，本发明实施例提供的行为检测方法还可以包括：
步骤160，对预设数据库中所保存的目标人员的个人信息进行检测，若个人信息中出现异常行为，则针对目标人员进行预警。或者，若个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对目标人员进行预警。
电子设备可以实时的，或者按一定的频率，对预设数据库中，全部目标人员的个人信息进行检测，从而及时的发现是否有目标人员出现了异常行为，如果出现了异常行为，则可以及时进行预警。根据不同的目标人员，其预警方式也可以不同，例如，当目标人员为学生时，可以通过短信等方式通知老师或家长。例如，学生发生呕吐、抽搐等紧急情况下的行为时，可以及时的通知老师或家长。
或者，大部分情况下，可以统计异常行为发生的次数或比例，例如，电子设备可以每30分钟获取一个预设拍摄场景的全景图片，并通过发明实施例提供的行为检测方法，每次获取全景图片后，则都可以将本次得到的行为类型加入个人信息。电子设备可以按预设预警周期来进行计算，例如，预设预警周期可以是一天或者一个星期，从而能够计算出该预设预警周内，发生异常行为的次数或比例是否大于第一预设警戒值，如果大于第一预设警戒值则可以进行预警。其中，第一预设警戒值可以根据需要进行设置。
通过预警，可以及时的对目标人员的情况进行评估，例如当目标人员为学生时，通过预警，可以及时的反应出该学生近期的学习状态。当对每一个学生的预警情况进行统计分析，则还可以对近期的教学情况进行评估。当目标人员为流水线操作人员是，则可以根据预警情况，反应出人员的工作状态，从而能够更好的进行管理。当然，通过统计正常的行为类型的次数和比例，也能够反应出目标人员的各种情况，具体的统计方式，可以根据需要进行选择。
结合上述的实施例，当通过人脸图片，同时确定出了情绪类型时，还可以通过情绪类型和行为类型两个方面，分别针对目标人员进行预警。
与行为类型类似，情绪类型也可以包括正常情绪和异常情绪。例如，正常情绪可以为高兴、惊讶等等。异常情绪可以为厌恶、难过、愤怒、轻蔑、害怕等等。
在本发明实施例中，如果预设数据库中的个人信息中包括情绪类型时，
步骤160，对预设数据库中所保存的目标人员的个人信息进行检测，若个人信息中出现异常行为，则进行预警。或者，若个人信息中出现异常行为的次数或比例大于预设警戒值，则针对目标人员进行预警，可以包括：
对预设数据库中所保存的目标人员的个人信息进行检测，若个人信息中出现异常行为和/或异常情绪，则针对目标人员进行预警。或者，若个人信息中出现异常行为的次数或比例大于第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对目标人员进行预警。
在对预设数据库中所保存的目标人员的个人信息进行检测时，不仅可以检测异常行为还可以同时检测异常情绪。当异常情绪出现时，或者在预设警戒周期内异常情绪的次数或比例超过第二预设警戒值时，同样可以进行预警。同样，第二预设警戒值也可以根据需要进行设置，在此并不限定。在本发明实施例中，通过对异常行为和异常情绪两个方面的检测，能够更准确的对目标人员进行预警，并且能够更准确的对目标人员的状态进行评估。
结合上面的实施例，进行预警之后，本发明实施例提供的行为检测方法还还包括：
步骤170，获取用户反馈信息，用户反馈信息用于表示目标人员是否存在异常。
当电子设备针对目标人员进行预警之后，例如，可以向老师或者父母发送短信，然后收到预警的用户，可以对该预警进行反馈，例如，发电子设备发送反馈信息等，用户反馈信息可以用来表示预警是否正确，即能够从用户，如父母、老师等的角度来判断目标人员是否存在情绪或行为的异常。
步骤180，若用户反馈信息为目标人员存在异常，则降低第一预设警戒值和第二预设警戒值。
当用户反馈信息表示，目标人员存在情绪异常和行为异常时，电子设备可以降低针对该目标人员的第一预设警戒值和第二预设警戒值，从而使得更容易、更频繁的针对该目标人员进行预警，从而能够增加用户，如父母、老师、管理人员等对该目标人员的关注度，重点对该目标人员进行关注，并能够更及时的了解到该目标人员的行为情况。
步骤180，若用户反馈信息为目标人员不存在异常，则提高第一预设警戒值和第二预设警戒值。
当用户反馈信息表示，目标人员不存在情绪异常和行为异常时，则表示预警并不准确，从而可以提高针对该目标人员的第一预设警戒值和第二预设警戒值。使得能够更谨慎的针对该目标人员进行预警，避免了错误的预警。
在本发明实施例中，通过用户反馈信息，可以对第一预设警戒值和第二预设警戒值进行修正，针对不同的目标人员生成不同的第一预设警戒值和第二预设警戒值，从而可以实现针对该目标人员更准确的预警。
参见图3，图3为本发明实施例提供的行为检测装置的结构图，其中包括：
第一获取模块301，用于获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
第二获取模块302，用于获取所述预设拍摄范围内所述目标人员的人脸图片；
人脸识别模块303，用于对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
行为检测模块304，用于根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
保存模块305，用于将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中。
在本发明实施例中，分别获取目标人员的人脸图片和含有目标人员的预设拍摄范围的全景图片。对人脸图片进行人脸识别，并且在预设数据库中，确定出该人脸图片对应的个人信息。对全景图片进行目标人员的行为检测，从而确定出目标人员的行为类型。由于通过人脸图片确定出了该目标人员的个人信息，从而可以将所确定出的目标人员的行为类型，保存在该目标人员的个人信息中，建立了个体目标人员的行为类型与该个人目标人员的个人信息之间的对应关系。从而使得目标人员的行为数据或信息能够和该目标人员的个人信息相结合，进而能够实现对目标人员的个人的行为数据或信息的统计和分析，扩展了行为分析技术的应用范围。
可选的，在本发明实施例提供的行为检测装置中，所述第二获取模块302，具体用于：
根据所述全景图片，确定出所述全景图片中所述目标人员的人脸目标，对所述人脸目标进行提取，得到所述目标人员的人脸图片。
可选的，在本发明实施例提供的行为检测装置中，当所述全景图片中包括多个目标人员时，所述第二获取模块302，具体用于：
根据所述全景图片，确定出所述全景图片中各个所述目标人员的人脸目标，并确定出各个人脸目标在所述全景图片中的位置信息；
分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息；
所述人脸识别模块303，具体用于：
对各个所述人脸图片分别进行人脸识别，在预设数据库中，确定出各个所述人脸图片分别对应的个人信息；
所述行为检测模块304，具体用于：
根据所述全景图片，对所述全景图片中的各个所述目标人员分别进行行为检测，得到各个所述目标人员的行为类型，并且确定出各个所述目标人员在所述全景图片中的位置信息；
所述保存模块305，具体用于：
针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配；当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在所述预设数据库中所述第一人脸图片对应的个人信息中。
可选的，在本发明实施例提供的行为检测装置中，所述保存模块305，具体用于：
针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度；
当该目标人员的位置信息与所述第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与所述第一人脸图片的位置信息相匹配。
可选的，在本发明实施例提供的行为检测装置中，所述人脸识别模块303，具体用于：
根据所述人脸图片，建立所述人脸图片对应的人脸模型；
将所述人脸模型与预设数据库中所保存的所述目标人员的预设人脸模型进行比对，确定出与所述人脸模型相匹配的目标预设人脸模型，所述预设数据库保存有所述目标人员的预设人脸模型和个人信息；
将所述目标预设人脸模型对应的个人信息，作为所述人脸图片对应的个人信息。
可选的，在本发明实施例提供的行为检测装置中，所述行为检测模块304，具体用于：
将所述全景图片输入经过深度学习的装置训练得到的目标行为检测网络；
通过所述目标行为检测网络，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型。
可选的，在本发明实施例提供的行为检测装置中，当所述预设拍摄范围为多个时，所述第一获取模块301，具体用于：
按预设周期，逐个获取每一个所述预设拍摄范围的全景图片。
可选的，在本发明实施例提供的行为检测装置中，当通过摄像机获取所述全景图片时，所述第一获取模块301，具体用于：
按所述预设周期，并根据预设轨迹移动所述摄像机，以使所述摄像机逐个拍摄每一个所述预设拍摄范围的全景图片。
可选的，在本发明实施例提供的行为检测装置中，所述人脸识别模块303，具体用于：
对所述人脸图片进行人脸识别，并通过经过深度学习的装置训练得到的面部情绪检测网络，对所述人脸图片中的面部情绪进行检测，得到所述人脸图片对应的情绪类型；
在预设数据库中，确定出所述人脸图片对应的个人信息，并将所述人脸图片对应的情绪类型加入所述人脸图片对应的个人信息中。
可选的，在本发明实施例提供的行为检测装置中，其特征在于，所述装置中所述行为类型包括正常行为和异常行为；
所述装置还包括预警模块，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警。
可选的，在本发明实施例提供的行为检测装置中，所述装置中所述情绪类型包括正常情绪和异常情绪，当所述个人信息中包括所述情绪类型时，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为和/或异常情绪，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于所述第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对所述目标人员进行预警。
可选的，在本发明实施例提供的行为检测装置中，所述装置还包括修正模块，所述修正模块，具体用于：
获取用户反馈信息，所述用户反馈信息用于表示所述目标人员是否存在异常；若所述用户反馈信息为所述目标人员存在异常，则降低所述第一预设警戒值和第二预设警戒值；若所述用户反馈信息为所述目标人员不存在异常，则提高所述第一预设警戒值和第二预设警戒值。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：
获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
获取所述预设拍摄范围内所述目标人员的人脸图片；
对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的行为检测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的行为检测方法。
对于装置、计算机可读存储介质以及计算机程序产品实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。所述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所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。所述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，所述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(DSL))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。所述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。所述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(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (22)
1.一种行为检测方法，其特征在于，包括：
获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
获取所述预设拍摄范围内所述目标人员的人脸图片；
对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中；
当所述全景图片中包括多个目标人员时，所述获取所述预设拍摄范围内所述目标人员的人脸图片，包括：
根据所述全景图片，确定出所述全景图片中各个所述目标人员的人脸目标，并确定出各个人脸目标在所述全景图片中的位置信息；
分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息；
所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
对各个所述人脸图片分别进行人脸识别，在预设数据库中，确定出各个所述人脸图片分别对应的个人信息；
所述根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型，包括：
根据所述全景图片，对所述全景图片中的各个所述目标人员分别进行行为检测，得到各个所述目标人员的行为类型，并且确定出各个所述目标人员在所述全景图片中的位置信息；
所述将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中，包括：
针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配；
当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在所述预设数据库中所述第一人脸图片对应的个人信息中。
2.根据权利要求1所述的方法，其特征在于，所述针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配，包括：
针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度；
当该目标人员的位置信息与所述第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与所述第一人脸图片的位置信息相匹配。
3.根据权利要求1所述的方法，其特征在于，所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
根据所述人脸图片，建立所述人脸图片对应的人脸模型；
将所述人脸模型与预设数据库中所保存的所述目标人员的预设人脸模型进行比对，确定出与所述人脸模型相匹配的目标预设人脸模型，所述预设数据库保存有所述目标人员的预设人脸模型和个人信息；
将所述目标预设人脸模型对应的个人信息，作为所述人脸图片对应的个人信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型，包括：
将所述全景图片输入经过深度学习的方法训练得到的目标行为检测网络；
通过所述目标行为检测网络，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型。
5.根据权利要求1所述的方法，其特征在于，当所述预设拍摄范围为多个时，所述获取预设拍摄范围的全景图片，包括：
按预设周期，逐个获取每一个所述预设拍摄范围的全景图片。
6.根据权利要求5所述的方法，其特征在于，当通过摄像机获取所述全景图片时，所述按预设周期，逐个获取每一个所述预设拍摄范围的全景图片，包括：
按所述预设周期，并根据预设轨迹移动所述摄像机，以使所述摄像机逐个拍摄每一个所述预设拍摄范围的全景图片。
7.根据权利要求1所述的方法，其特征在于，所述对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，包括：
对所述人脸图片进行人脸识别，并通过经过深度学习的方法训练得到的面部情绪检测网络，对所述人脸图片中的面部情绪进行检测，得到所述人脸图片对应的情绪类型；
在预设数据库中，确定出所述人脸图片对应的个人信息，并将所述人脸图片对应的情绪类型加入所述人脸图片对应的个人信息中。
8.根据权利要求1至6中任一项所述的方法，其特征在于，所述行为类型包括正常行为和异常行为；
在所述将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中之后，所述方法还包括：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；
或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警。
9.根据权利要求8所述的方法，其特征在于，所述个人信息包括情绪类型，所述情绪类型包括正常情绪和异常情绪；
所述对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警，包括：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为和/或异常情绪，则针对所述目标人员进行预警；
或者，若所述个人信息中出现异常行为的次数或比例大于所述第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对所述目标人员进行预警。
10.根据权利要求9所述的方法，其特征在于，在进行预警之后，所述方法还包括：
获取用户反馈信息，所述用户反馈信息用于表示所述目标人员是否存在异常；
若所述用户反馈信息为所述目标人员存在异常，则降低所述第一预设警戒值和第二预设警戒值；
若所述用户反馈信息为所述目标人员不存在异常，则提高所述第一预设警戒值和第二预设警戒值。
11.一种行为检测装置，其特征在于，包括：
第一获取模块，用于获取预设拍摄范围的全景图片，所述全景图片中包括目标人员；
第二获取模块，用于获取所述预设拍摄范围内所述目标人员的人脸图片；
人脸识别模块，用于对所述人脸图片进行人脸识别，在预设数据库中，确定出所述人脸图片对应的个人信息，所述预设数据库中保存有所述目标人员的个人信息；
行为检测模块，用于根据所述全景图片，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型；
保存模块，用于将所述行为类型保存在所述预设数据库的所述人脸图片对应的个人信息中；
当所述全景图片中包括多个目标人员时，所述第二获取模块，具体用于：
根据所述全景图片，确定出所述全景图片中各个所述目标人员的人脸目标，并确定出各个人脸目标在所述全景图片中的位置信息；
分别对每一个人脸目标进行提取，得到该人脸目标对应的目标人员的人脸图片，并将该人脸目标的位置信息，作为该人脸图片的位置信息；
所述人脸识别模块，具体用于：
对各个所述人脸图片分别进行人脸识别，在预设数据库中，确定出各个所述人脸图片分别对应的个人信息；
所述行为检测模块，具体用于：
根据所述全景图片，对所述全景图片中的各个所述目标人员分别进行行为检测，得到各个所述目标人员的行为类型，并且确定出各个所述目标人员在所述全景图片中的位置信息；
所述保存模块，具体用于：
针对每一个目标人员，将该目标人员的位置信息，分别与每一个人脸图片的位置信息逐个进行匹配；当该目标人员的位置信息与第一人脸图片的位置信息相匹配时，则将该目标人员的行为类型，保存在所述预设数据库中所述第一人脸图片对应的个人信息中。
12.根据权利要求11所述的装置，其特征在于，所述保存模块，具体用于：
针对每一个目标人员，分别计算该目标人员的位置信息与每一个人脸图片的位置信息的重合度；
当该目标人员的位置信息与所述第一人脸图片的位置信息的重合度大于预设阈值时，该目标人员的位置信息与所述第一人脸图片的位置信息相匹配。
13.根据权利要求11所述的装置，其特征在于，所述人脸识别模块，具体用于：
根据所述人脸图片，建立所述人脸图片对应的人脸模型；
将所述人脸模型与预设数据库中所保存的所述目标人员的预设人脸模型进行比对，确定出与所述人脸模型相匹配的目标预设人脸模型，所述预设数据库保存有所述目标人员的预设人脸模型和个人信息；
将所述目标预设人脸模型对应的个人信息，作为所述人脸图片对应的个人信息。
14.根据权利要求11所述的装置，其特征在于，所述行为检测模块，具体用于：
将所述全景图片输入经过深度学习的装置训练得到的目标行为检测网络；
通过所述目标行为检测网络，对所述全景图片中的所述目标人员进行行为检测，得到所述目标人员的行为类型。
15.根据权利要求11所述的装置，其特征在于，当所述预设拍摄范围为多个时，所述第一获取模块，具体用于：
按预设周期，逐个获取每一个所述预设拍摄范围的全景图片。
16.根据权利要求15所述的装置，其特征在于，当通过摄像机获取所述全景图片时，所述第一获取模块，具体用于：
按所述预设周期，并根据预设轨迹移动所述摄像机，以使所述摄像机逐个拍摄每一个所述预设拍摄范围的全景图片。
17.根据权利要求11所述的装置，其特征在于，所述人脸识别模块，具体用于：
对所述人脸图片进行人脸识别，并通过经过深度学习的装置训练得到的面部情绪检测网络，对所述人脸图片中的面部情绪进行检测，得到所述人脸图片对应的情绪类型；
在预设数据库中，确定出所述人脸图片对应的个人信息，并将所述人脸图片对应的情绪类型加入所述人脸图片对应的个人信息中。
18.根据权利要求11至16中任一项所述的装置，其特征在于，所述装置中所述行为类型包括正常行为和异常行为；
所述装置还包括预警模块，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于第一预设警戒值，则针对所述目标人员进行预警。
19.根据权利要求18所述的装置，其特征在于，所述个人信息包括情绪类型，所述情绪类型包括正常情绪和异常情绪，所述预警模块，具体用于：
对所述预设数据库中所保存的所述目标人员的个人信息进行检测，若所述个人信息中出现异常行为和/或异常情绪，则针对所述目标人员进行预警；或者，若所述个人信息中出现异常行为的次数或比例大于所述第一预设警戒值和/或异常情绪的次数或比例大于第二预设警戒值，则针对所述目标人员进行预警。
20.根据权利要求19所述的装置，其特征在于，所述装置还包括修正模块，所述修正模块，具体用于：
获取用户反馈信息，所述用户反馈信息用于表示所述目标人员是否存在异常；若所述用户反馈信息为所述目标人员存在异常，则降低所述第一预设警戒值和第二预设警戒值；若所述用户反馈信息为所述目标人员不存在异常，则提高所述第一预设警戒值和第二预设警戒值。
21.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-10任一所述的方法步骤。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一所述的方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810689568.7A CN110659397B (zh) | 2018-06-28 | 2018-06-28 | 一种行为检测方法、装置、电子设备和存储介质 |
| PCT/CN2018/120208 WO2020000912A1 (zh) | 2018-06-28 | 2018-12-11 | 一种行为检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810689568.7A CN110659397B (zh) | 2018-06-28 | 2018-06-28 | 一种行为检测方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110659397A CN110659397A (zh) | 2020-01-07 |
| CN110659397B true CN110659397B (zh) | 2022-10-04 |
Family
ID=68985979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810689568.7A Active CN110659397B (zh) | 2018-06-28 | 2018-06-28 | 一种行为检测方法、装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110659397B (zh) |
| WO (1) | WO2020000912A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178323B (zh) * | 2020-01-10 | 2023-08-29 | 北京百度网讯科技有限公司 | 基于视频的群体行为识别方法、装置、设备及存储介质 |
| CN111400768A (zh) * | 2020-04-20 | 2020-07-10 | 成都科梦极信息科技有限公司 | 基于人脸和行为识别的加密分享平台及加密分享方法 |
| CN111639213B (zh) * | 2020-05-28 | 2023-11-14 | 上海依图信息技术有限公司 | 一种异常行为的识别方法及装置 |
| CN111667284B (zh) * | 2020-06-05 | 2024-02-13 | 中国银行股份有限公司 | 客服切换方法及装置 |
| CN112036242B (zh) * | 2020-07-28 | 2023-07-21 | 重庆锐云科技有限公司 | 人脸图片采集方法、装置、计算机设备及存储介质 |
| CN112714280A (zh) * | 2020-12-08 | 2021-04-27 | 深圳英飞拓科技股份有限公司 | 基于智能盒子的智慧养老方法及***、设备及存储介质 |
| CN112633133A (zh) * | 2020-12-18 | 2021-04-09 | 江苏省苏力环境科技有限责任公司 | 基于ai的智慧水站运维的方法、***、终端及存储介质 |
| CN112819984B (zh) * | 2021-01-13 | 2022-01-18 | 华南理工大学 | 一种基于人脸识别的课堂多人点名签到方法 |
| CN113642404B (zh) * | 2021-07-13 | 2024-06-25 | 季华实验室 | 目标识别检测关联方法、设备、介质及计算机程序产品 |
| CN114067236A (zh) * | 2021-10-28 | 2022-02-18 | 中国电子科技集团公司电子科学研究院 | 一种目标人员信息检测装置、检测方法及存储介质 |
| CN115909152B (zh) * | 2022-11-16 | 2023-08-29 | 北京师范大学 | 一种基于群体行为的教学场景智能分析*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529467A (zh) * | 2016-11-07 | 2017-03-22 | 南京邮电大学 | 基于多特征融合的群体行为识别方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020045626A (ko) * | 2000-12-09 | 2002-06-20 | 김형주 | 고객 행동양식 분석에 의한 고객관리 시스템 및 개인화제공방법 |
| JP2003087771A (ja) * | 2001-09-07 | 2003-03-20 | Oki Electric Ind Co Ltd | 監視システム及び方法 |
| CN104834902A (zh) * | 2015-04-21 | 2015-08-12 | 同方威视技术股份有限公司 | 一种包含视频分析的安检判图***和判图方法 |
| CN104850841B (zh) * | 2015-05-20 | 2017-11-07 | 银江股份有限公司 | 一种结合rfid与视频识别的老人异常行为监测方法 |
| CN106570444B (zh) * | 2015-10-10 | 2019-04-12 | 腾讯科技（深圳）有限公司 | 基于行为识别的车载智能提醒方法及*** |
| CN107644190A (zh) * | 2016-07-20 | 2018-01-30 | 北京旷视科技有限公司 | 行人监控方法和装置 |
| CN108206932A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园智能监控管理*** |
| CN107320081B (zh) * | 2017-07-03 | 2019-11-15 | 北京大学 | 对吸毒人员进行复吸监测的方法和*** |
| CN107493567A (zh) * | 2017-08-18 | 2017-12-19 | 公安部第三研究所 | 用于监管特殊室内场所人员位置和行为的***及方法 |
| CN107948597A (zh) * | 2017-11-29 | 2018-04-20 | 合肥寰景信息技术有限公司 | 基于特定区域的行为分析及报警嵌入式设备 |
-
2018
- 2018-06-28 CN CN201810689568.7A patent/CN110659397B/zh active Active
- 2018-12-11 WO PCT/CN2018/120208 patent/WO2020000912A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529467A (zh) * | 2016-11-07 | 2017-03-22 | 南京邮电大学 | 基于多特征融合的群体行为识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于社会力的多人异常行为检测";尚进等;《工业控制计算机》;20150531;第95-96页 * |
| BarişBayram等."Audio-visual multi-person tracking for active robot perception".《2015 IEEE/SICE International Symposium on System Integration (SII)》.2016, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110659397A (zh) | 2020-01-07 |
| WO2020000912A1 (zh) | 2020-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659397B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
| CN111680551B (zh) | 监控牲畜数量的方法、装置、计算机设备及存储介质 | |
| CN109299703B (zh) | 对鼠情进行统计的方法、装置以及图像采集设备 | |
| CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
| WO2019047789A1 (zh) | 关于增强现实场景的处理方法、终端设备、***及计算机存储介质 | |
| CN108269333A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
| CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
| CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
| CN110321852B (zh) | 一种动作类型识别方法、装置、存储介质及计算机设备 | |
| CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
| US10909388B2 (en) | Population density determination from multi-camera sourced imagery | |
| CN111325082B (zh) | 一种人员专注度分析方法及装置 | |
| CN113282778A (zh) | 一种品质异常记录方法、装置、ar设备、***及介质 | |
| CN113255685B (zh) | 一种图像处理方法、装置、计算机设备以及存储介质 | |
| KR102511287B1 (ko) | 영상 기반 자세 예측 및 행동 검출 방법 및 장치 | |
| CN112819665A (zh) | 课堂状态的评估方法和相关装置、设备 | |
| CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
| CN113869115A (zh) | 一种人脸图像处理的方法及*** | |
| CN110895663A (zh) | 一种两轮车识别方法、装置、电子设备及监控*** | |
| CN110414322B (zh) | 提取图片的方法、装置、设备及存储介质 | |
| US10438066B2 (en) | Evaluation of models generated from objects in video | |
| CN112149451B (zh) | 一种亲密度分析方法及装置 | |
| CN113515986A (zh) | 视频处理、数据处理方法及设备 | |
| CN111274898A (zh) | 基于深度学习的视频流中群体情绪与凝聚力检测方法及装置 | |
| CN109784240B (zh) | 一种人物识别方法、装置及存储装置 |
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 |