CN111476277A - 一种基于图像识别的报警方法及*** - Google Patents

一种基于图像识别的报警方法及*** Download PDF

Info

Publication number
CN111476277A
CN111476277A CN202010200825.3A CN202010200825A CN111476277A CN 111476277 A CN111476277 A CN 111476277A CN 202010200825 A CN202010200825 A CN 202010200825A CN 111476277 A CN111476277 A CN 111476277A
Authority
CN
China
Prior art keywords
key points
key
module
obtaining
affinity
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.)
Pending
Application number
CN202010200825.3A
Other languages
English (en)
Inventor
安民洙
葛晓东
梁立宏
林玉娟
姜贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Light Speed Intelligent Equipment Co.,Ltd.
Tenghui Technology Building Intelligence (Shenzhen) Co.,Ltd.
Original Assignee
Guangdong Light Speed Intelligent Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Light Speed Intelligent Equipment Co ltd filed Critical Guangdong Light Speed Intelligent Equipment Co ltd
Priority to CN202010200825.3A priority Critical patent/CN111476277A/zh
Publication of CN111476277A publication Critical patent/CN111476277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的报警方法及***，基于本发明所提供的方法，可以通过得到图片的所有的人体18个关键点，并根据关键点得到置信度以及亲和度向量，以及关键点之间的关联度，最终得到关键点匹配图像，从而分析人体姿态动作行为，最终根据人体姿态动作行为与边界线之间的位置关系，确定是否生成报警信号，进而实现了对危险区域的异常行为的高效分析，有效避免安全事故，避免人力监管误差，提高危险区域的安全性，减低监控成本。

Description

一种基于图像识别的报警方法及***
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于图像识别的报警方法及 ***。
背景技术
建筑工地的安全问题是监管部门和建设单位高度重视的头等大事，因此为 保证施工人员的人身安全、工地建筑材料、设备等财产安全，在施工现场安装 视频监控***显得尤其重要，可以保证监控中心实时掌握现场施工动态。而这 些传回监控中心的视频信息一般是通过人眼观看，这样不仅费时费力且人眼容 易出现疲劳可能会错误判断，还可能因为危险情况处理不及时而产生安全事故。
为保证施工现场的人员的安全，一些危险区域是禁止非法闯入的。但是， 目前的监控方式都是需要安保人员实时注意监控识别，这样导致人工成本较高， 并且容易出现监控遗漏。
发明内容
本发明提供了一种基于图像识别的报警方法及***，用以解决现有技术中 建筑工地的监控方式为人工完成，这样导致人工成本较高，并且容易出现监控 遗漏的问题。
其具体的技术方案如下：
一种基于图像识别的报警方法，所述方法包括：
在检测到的图片中获取所有关键点；
获取每个关键的置信度以及亲和度向量；
根据每个关键点的置信度以及亲和度向量，确定出关键点之间的关联度；
根据确定出的关键点以及关键点之间的关联度，得到关键点匹配图像；
根据所述关键点匹配图像与报警边界线之间的位置关系，确定是否生成报 警信号。
可选的，获取每个关键点的置信度以及亲和度向量，包括：
将所述图像划分为6个模块；
通过一个模块得到所述图片对应的置信度网络，通过另一模块得到所述图 片对应的亲和度向量。
可选的，通过一个模块得到所述图片对应的置信度网络，通过另一模块得 到所述图片对应的亲和度向量，包括：
将第一个模块的特征图作为输入，得到第一组置信度网络以及亲和度向量；
将第一组置信度网络以及亲和度向量作为输入，并依次循环输入得到最终 的所述图片对应的置信度网络以及亲和度向量。
可选的，根据每个关键点的置信度以及亲和度向量，确定出关键点之间的 关联度，包括：
计算两个关键点连线向量和两个关键点连线上各像素的骨骼走向量之间的 点积的积分，并将积分结果作为两个关键点之间关联度。
可选的，根据确定出的关键点以及关键点之间的关联度，得到关键点匹配 图像，包括：
将关键点作为关键点匹配图像的顶点，并将关键点之间的关联度作为所述 关键点匹配图像的边界；
基于指定算法求得所述关键点匹配图像。
一种基于图像识别的报警***，所述***包括：
获取模块，用于在检测到的图片中获取所有关键点；获取每个关键的置信 度以及亲和度向量；
确定模块，用于根据每个关键点的置信度以及亲和度向量，确定出关键点 之间的关联度；根据确定出的关键点以及关键点之间的关联度，得到关键点匹 配图像；
处理模块，用于根据所述关键点匹配图像与报警边界线之间的位置关系， 确定是否生成报警信号。
可选的，所述确定模块，具体用于将所述图像划分为6个模块；通过一个 模块得到所述图片对应的置信度网络，通过另一模块得到所述图片对应的亲和 度向量。
可选的，所述确定模块，具体用于将第一个模块的特征图作为输入，得到 第一组置信度网络以及亲和度向量；将第一组置信度网络以及亲和度向量作为 输入，并依次循环输入得到最终的所述图片对应的置信度网络以及亲和度向量。
可选的，所述确定模块，具体用于计算两个关键点连线向量和两个关键点 连线上各像素的骨骼走向量之间的点积的积分，并将积分结果作为两个关键点 之间关联度。
可选的，所述处理模块，具体用于将关键点作为关键点匹配图像的顶点， 并将关键点之间的关联度作为所述关键点匹配图像的边界；基于指定算法求得 所述关键点匹配图像。
基于本发明所提供的方法，可以通过得到图片的所有的人体18个关键点， 并根据关键点得到置信度以及亲和度向量，以及关键点之间的关联度，最终得 到关键点匹配图像，从而分析人体姿态动作行为，最终根据人体姿态动作行为 与边界线之间的位置关系，确定是否生成报警信号，进而实现了对危险区域的 异常行为的高效分析，有效避免安全事故，避免人力监管误差，提高危险区域 的安全性，减低监控成本。
附图说明
图1为本发明实施例中一种基于图像识别的报警方法的流程图；
图2为本发明实施例中置信度以及亲和度向量获取流程架构图；
图3为本发明实施例中人员越界前后识别结果示意图；
图4为本发明实施例中一种基于图像识别的报警***的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解， 本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而 不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可 以相互组合。
如图1所示为本发明实施例中一种基于图像识别的报警方法的流程图，该 方法包括：
S1，在检测到的图片中获取所有关键点；
在本发明实施例中，摄像机安装在指定的建筑工地或者是危险区域，采集 到的视频流传至服务器，在服务器端进行人员异常行为的检测和视频保存，检 测结果会在客户端屏幕进行展示。
首先需要对采集到的图片进行特征提取，采用10层VGG网络将输入的图 片转化成图像特征128维的特征图F。
基于图像分析结果，得到图像中的所有关键点和骨骼点走向。
S2，获取每个关键的置信度以及亲和度向量；
在步骤S1中已经得到图片中的所有关键点以及骨骼点走向之后，将这两个 量作为两个分支，分别预测每个关键点的关键点置信度以及亲和度向量，该部 分包括6个模块，这6个模块分为两个分支，一个分支用于预测置信度网络S， 另一个分支用于预测亲和度向量L，第一个模块以特征图F作为输入，得到第一 组预测置信度S1和亲和度向量L1，得到一组S1、L1之后，Stage分别以上一 个Stage的输出St-1、Lt-1和特征图F作为输入，网络最终输出S、L。
如图2所示，关键点检测，通过图像中标注的2D点X(j，k)计算S是 groundtruth(S*)，其中X(j，k)表示图片中第k个人的第j种关节点。计算方 法，Sj*符合正态分布，当像素点P接近注视点X(j，k)时，达到正态曲线的峰值， 则每张图像中第j种关节的S，为图像种k个人的正态分布峰值。
Figure BDA0002419313290000051
关节连接PAF，通过第k个人的两个关键点X(j1，k)、X(j2，k)之间任意像 素p的单位向量计算L的groundtruth(Lc*)，其中k表示第k个人，j1和j2 表示两个能够相连的关节(例如手肘和手腕之间通过手臂相连)，c表示第c种 肢体。计算方法，计算图像中第k个人的关键点X(j1，k)指向X(j2，k)的单位向 量
Figure BDA0002419313290000052
Figure BDA0002419313290000053
v＝(xj2,k-xj1,k)/||xj2,k-xj1,k||2
其中像素P是否落在肢体上需要满足两个条件；
0≤v·(p-xj1,k)≤lc,k and|v⊥·(p-xj1,k)|≤σl
每张图像中第c中肢体的Lc*，为k个人在位置p的向量平均值；
Figure BDA0002419313290000056
S3，根据每个关键点的置信度以及亲和度向量，确定出关键点之间的关联 度；
关键点dj1，dj2和PAF已知之后，计算两个关键点连线向量和两关键点连 线上各像素的PAF向量之间的点积的积分作为两个关键点之间的相关性。
Figure RE-GDA0002533882230000055
像素p进行采样：
Figure BDA0002419313290000058
S4，根据确定出的关键点以及关键点之间的关联度，得到关键点匹配图像；
关键点、关键点之间的相关性PAF已知，将关键点作为图的顶点，将关键 点之间的相关性PAF看为图的边权，则将多人检测问题转化为二分图匹配问题， 并用匈牙利算法求得相连关键点最优匹配。最终得到每个人的关键点
S5，根据所述关键点匹配图像与报警边界线之间的位置关系，确定是否生 成报警信号。
根据18个关键点判断人员的动作行为，攀爬、奔跑、跳跃等。如图3中， 黄色的线为边界线，根据人体18个关键点的位置关系来判断人员是否越界。若 监测到有人员越界或者有越界的意向则立马报警，并通知监管人员。
基于本发明所提供的方法，可以通过得到图片的所有的人体18个关键点， 并根据关键点得到置信度以及亲和度向量，以及关键点之间的关联度，最终得 到关键点匹配图像，从而分析人体姿态动作行为，最终根据人体姿态动作行为 与边界线之间的位置关系，确定是否生成报警信号，进而实现了对危险区域的 异常行为的高效分析，有效避免安全事故，避免人力监管误差，提高危险区域 的安全性，减低监控成本。
对应本发明所提供的方法，本发明实施例中还提供了一种基于图像识别的 报警***，如图4所示为本发明实施例中一种基于图像识别的报警***的结构 示意图，该***包括：
获取模块401，用于在检测到的图片中获取所有关键点；获取每个关键的置 信度以及亲和度向量；
确定模块402，用于根据每个关键点的置信度以及亲和度向量，确定出关键 点之间的关联度；根据确定出的关键点以及关键点之间的关联度，得到关键点 匹配图像；
处理模块403，用于根据所述关键点匹配图像与报警边界线之间的位置关 系，确定是否生成报警信号。
进一步，在本发明实施例中，所述确定模块402，具体用于将所述图像划分 为6个模块；通过一个模块得到所述图片对应的置信度网络，通过另一模块得 到所述图片对应的亲和度向量。
进一步，在本发明实施例中，所述确定模块402，具体用于将第一个模块的 特征图作为输入，得到第一组置信度网络以及亲和度向量；将第一组置信度网 络以及亲和度向量作为输入，并依次循环输入得到最终的所述图片对应的置信 度网络以及亲和度向量。
进一步，在本发明实施例中，所述确定模块402，具体用于计算两个关键点 连线向量和两个关键点连线上各像素的骨骼走向量之间的点积的积分，并将积 分结果作为两个关键点之间关联度。
进一步，在本发明实施例中，所述处理模块403，具体用于将关键点作为关 键点匹配图像的顶点，并将关键点之间的关联度作为所述关键点匹配图像的边 界；基于指定算法求得所述关键点匹配图像。
尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知 了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权 利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改，包 括采用特定符号、标记确定顶点等变更方式。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申 请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及 其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于图像识别的报警方法，其特征在于，所述方法包括：
在检测到的图片中获取所有关键点；
获取每个关键的置信度以及亲和度向量；
根据每个关键点的置信度以及亲和度向量，确定出关键点之间的关联度；
根据确定出的关键点以及关键点之间的关联度，得到关键点匹配图像；
根据所述关键点匹配图像与报警边界线之间的位置关系，确定是否生成报警信号。
2.如权利要求1所述的方法，其特征在于，获取每个关键点的置信度以及亲和度向量，包括：
将所述图像划分为6个模块；
通过一个模块得到所述图片对应的置信度网络，通过另一模块得到所述图片对应的亲和度向量。
3.如权利要求1所述的方法，其特征在于，通过一个模块得到所述图片对应的置信度网络，通过另一模块得到所述图片对应的亲和度向量，包括：
将第一个模块的特征图作为输入，得到第一组置信度网络以及亲和度向量；
将第一组置信度网络以及亲和度向量作为输入，并依次循环输入得到最终的所述图片对应的置信度网络以及亲和度向量。
4.如权利要求1所述的方法，其特征在于，根据每个关键点的置信度以及亲和度向量，确定出关键点之间的关联度，包括：
计算两个关键点连线向量和两个关键点连线上各像素的骨骼走向量之间的点积的积分，并将积分结果作为两个关键点之间关联度。
5.如权利要求1所述的方法，其特征在于，根据确定出的关键点以及关键点之间的关联度，得到关键点匹配图像，包括：
将关键点作为关键点匹配图像的顶点，并将关键点之间的关联度作为所述关键点匹配图像的边界；
基于指定算法求得所述关键点匹配图像。
6.一种基于图像识别的报警***，其特征在于，所述***包括：
获取模块，用于在检测到的图片中获取所有关键点；获取每个关键的置信度以及亲和度向量；
确定模块，用于根据每个关键点的置信度以及亲和度向量，确定出关键点之间的关联度；根据确定出的关键点以及关键点之间的关联度，得到关键点匹配图像；
处理模块，用于根据所述关键点匹配图像与报警边界线之间的位置关系，确定是否生成报警信号。
7.如权利要求6所述的***，其特征在于，所述确定模块，具体用于将所述图像划分为6个模块；通过一个模块得到所述图片对应的置信度网络，通过另一模块得到所述图片对应的亲和度向量。
8.如权利要求7所述的***，其特征在于，所述确定模块，具体用于将第一个模块的特征图作为输入，得到第一组置信度网络以及亲和度向量；将第一组置信度网络以及亲和度向量作为输入，并依次循环输入得到最终的所述图片对应的置信度网络以及亲和度向量。
9.如权利要求6所述的***，其特征在于，所述确定模块，具体用于计算两个关键点连线向量和两个关键点连线上各像素的骨骼走向量之间的点积的积分，并将积分结果作为两个关键点之间关联度。
10.如权利要求6所述的***，其特征在于，所述处理模块，具体用于将关键点作为关键点匹配图像的顶点，并将关键点之间的关联度作为所述关键点匹配图像的边界；基于指定算法求得所述关键点匹配图像。
CN202010200825.3A 2020-03-20 2020-03-20 一种基于图像识别的报警方法及*** Pending CN111476277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010200825.3A CN111476277A (zh) 2020-03-20 2020-03-20 一种基于图像识别的报警方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010200825.3A CN111476277A (zh) 2020-03-20 2020-03-20 一种基于图像识别的报警方法及***

Publications (1)

Publication Number Publication Date
CN111476277A true CN111476277A (zh) 2020-07-31

Family

ID=71747669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010200825.3A Pending CN111476277A (zh) 2020-03-20 2020-03-20 一种基于图像识别的报警方法及***

Country Status (1)

Country Link
CN (1) CN111476277A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113147521A (zh) * 2021-04-16 2021-07-23 博泰车联网(南京)有限公司 座椅调节方法、装置、相关***以及存储介质
CN113326778A (zh) * 2021-05-31 2021-08-31 中科计算技术西部研究院 基于图像识别的人体姿态检测方法、装置和存储介质
WO2022252519A1 (zh) * 2021-05-31 2022-12-08 深圳市商汤科技有限公司 图像处理方法、装置、终端、介质和程序

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129869A1 (en) * 2016-11-08 2018-05-10 Nec Laboratories America, Inc. Siamese Reconstruction Convolutional Neural Network for Pose-invariant Face Recognition
CN109034124A (zh) * 2018-08-30 2018-12-18 成都考拉悠然科技有限公司 一种智能监控方法及***
CN110084161A (zh) * 2019-04-17 2019-08-02 中山大学 一种人体骨骼关键点的快速检测方法及***
CN110555975A (zh) * 2019-08-28 2019-12-10 成都理工大学工程技术学院 一种防溺水的监控方法及***
CN110660017A (zh) * 2019-09-02 2020-01-07 北京航空航天大学 一种基于三维姿态识别的舞谱记录与演示方法
CN110796032A (zh) * 2019-10-11 2020-02-14 深圳市誉托科技有限公司 基于人体姿态评估的视频围栏及预警方法
CN110837778A (zh) * 2019-10-12 2020-02-25 南京信息工程大学 一种基于骨架关节点序列的交警指挥手势识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129869A1 (en) * 2016-11-08 2018-05-10 Nec Laboratories America, Inc. Siamese Reconstruction Convolutional Neural Network for Pose-invariant Face Recognition
CN109034124A (zh) * 2018-08-30 2018-12-18 成都考拉悠然科技有限公司 一种智能监控方法及***
CN110084161A (zh) * 2019-04-17 2019-08-02 中山大学 一种人体骨骼关键点的快速检测方法及***
CN110555975A (zh) * 2019-08-28 2019-12-10 成都理工大学工程技术学院 一种防溺水的监控方法及***
CN110660017A (zh) * 2019-09-02 2020-01-07 北京航空航天大学 一种基于三维姿态识别的舞谱记录与演示方法
CN110796032A (zh) * 2019-10-11 2020-02-14 深圳市誉托科技有限公司 基于人体姿态评估的视频围栏及预警方法
CN110837778A (zh) * 2019-10-12 2020-02-25 南京信息工程大学 一种基于骨架关节点序列的交警指挥手势识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113147521A (zh) * 2021-04-16 2021-07-23 博泰车联网(南京)有限公司 座椅调节方法、装置、相关***以及存储介质
CN113326778A (zh) * 2021-05-31 2021-08-31 中科计算技术西部研究院 基于图像识别的人体姿态检测方法、装置和存储介质
WO2022252519A1 (zh) * 2021-05-31 2022-12-08 深圳市商汤科技有限公司 图像处理方法、装置、终端、介质和程序

Similar Documents

Publication Publication Date Title
CN111476277A (zh) 一种基于图像识别的报警方法及***
Rohan et al. Human pose estimation-based real-time gait analysis using convolutional neural network
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
CN111985402B (zh) 一种变电站安全围栏翻越行为识别方法、***及设备
CN111709287A (zh) 基于深度学习的断奶仔猪目标跟踪方法
CN113486771B (zh) 基于关键点检测的视频动作整齐度评估方法及***
Nayak et al. Development of a fully automated RULA assessment system based on computer vision
CN112132157B (zh) 一种基于树莓派的步态人脸融合识别方法
CN111860196A (zh) 手部作业动作评分装置、方法及计算机可读存储介质
Dileep et al. Suspicious human activity recognition using 2D pose estimation and convolutional neural network
Szczapa et al. Automatic estimation of self-reported pain by interpretable representations of motion dynamics
Cai et al. Construction worker ergonomic assessment via LSTM-based multi-task learning framework
CN112382068B (zh) 基于bim与dnn的车站候车线跨越检测***
CN113384267A (zh) 一种跌倒实时检测方法、***、终端设备及存储介质
CN117593792A (zh) 一种基于视频帧的异常姿态检测方法和装置
CN113221815A (zh) 一种基于骨骼关键点自动检测技术的步态鉴定方法
CN115841497B (zh) 分界线的检测方法、电动扶梯区域入侵检测方法和***
CN116311361B (zh) 一种基于像素级标注的危险源室内工作人员定位方法
CN116778579A (zh) 多人姿态的识别方法、装置、存储介质及电子设备
CN115909400A (zh) 一种用于低分辨率监控场景中使用手机行为的识别方法
JPWO2020016963A1 (ja) 情報処理装置、制御方法、及びプログラム
TWI730795B (zh) 多目標人體體溫追蹤方法及系統
JP2022019988A (ja) 情報処理装置、ディスプレイ装置、及び制御方法
CN114782675A (zh) 一种安全技术服务领域项目动态定价方法和***
CN114596631A (zh) 人体摔倒识别模型的训练方法、装置、设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210831

Address after: 701, 7 / F, No. 60, Chuangxin Third Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, 519000

Applicant after: Guangdong Light Speed Intelligent Equipment Co.,Ltd.

Applicant after: Tenghui Technology Building Intelligence (Shenzhen) Co.,Ltd.

Address before: 701, 7 / F, No. 60, Chuangxin Third Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, 519000

Applicant before: Guangdong Light Speed Intelligent Equipment Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200731

RJ01 Rejection of invention patent application after publication