CN112766091A - 基于人体骨骼关键点的视频不安全行为识别***及方法 - Google Patents
基于人体骨骼关键点的视频不安全行为识别***及方法 Download PDFInfo
- Publication number
- CN112766091A CN112766091A CN202110006822.0A CN202110006822A CN112766091A CN 112766091 A CN112766091 A CN 112766091A CN 202110006822 A CN202110006822 A CN 202110006822A CN 112766091 A CN112766091 A CN 112766091A
- Authority
- CN
- China
- Prior art keywords
- video
- key points
- detection
- module
- falling
- 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.)
- Granted
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Data Mining & Analysis (AREA)
- Social Psychology (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于人体骨骼关键点的视频不安全行为识别***及方法。本发明提升了人员跌倒行为检测的准确度,可应用于油气等高危生产作业场所的智能视频监控;解决了24小时实时监督作业人员出现未佩戴安全帽、跌倒不起等不安全行为的问题;解决了传统检测方法中需要人工监控的方式,大大降低了人工成本。
Description
技术领域
本发明涉及监控***技术领域,具体涉及一种基于人体骨骼关键点的视频不安全行为识别***及方法。
背景技术
目前,针对油气等高危生产作业场所易燃易爆、危险性高的特点,在工作区域会部署监控***,对高危生产作业场所的人员作业行为进行监控和识别,避免作业人员出现未佩戴安全帽、跌倒不起等不安全行为,但是这种传统的监控方式需要人工进行监控,无法实现全天24小时实时的进行有效监控。为此,提出了一种基于人体骨骼关键点的视频不安全行为识别方法,实时的对各类危险作业、违章作业行为进行分析、识别和报警,保障生产的安全。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于人体骨骼关键点的视频不安全行为识别***及方法解决了实时监督作业人员出现未佩戴安全帽、跌倒不起等不安全行为的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于人体骨骼关键点的视频不安全行为识别***,包括IPC摄像机、视频智能行为分析***、流媒体服务***和显示终端,所述IPC摄像机通过交换机分别与视频智能行为分析***和用户电脑连接,所述视频智能行为分析***分别与流媒体服务***和显示终端连接,所述流媒体服务***和显示终端连接,所述用户电脑上配置有显示终端;
所述IPC摄像机用于对高危生产作业场所的人员作业行为进行监控,并将监控视频流转接给交换机;
所述交换机用于将视频数据流传递给视频智能行为分析***;
所述视频智能行为分析***用于对视频流中的高危生产作业场所的人员作业行为进行分析和统计,并将分析和统计的数据及检测视频流结果通过交换机反馈给流媒体服务***;
所述流媒体服务***用于将各项分析数据的汇总及检测视频流结果推送给显示终端;
所述显示终端用于对视频智能行为分析***的检测和管理参数进行配置,并通过用户电脑进行访问、查看和管理。
进一步地:所述视频智能行为分析***包括视频智能分析模块和告警统计分析模块;
所述视频智能分析模块通过基于人体骨骼关键点的算法对视频图像信息进行快速分析,包括人员跌倒检测和人员未佩戴安全帽检测;
所述告警统计分析模块用于对作业人员违规行为进行统计和分析。
进一步地:所述显示终端包括设备管理模块、报警人工审核模块、告警处理模块、参数设置模块和信息数据上传模块;
所述设备管理模块用于对整个设备及视频源进行有效管理;
所述报警人工审核模块用于人工对作业人员的违规行为进行分析和判断;
所述告警处理模块用于将作业人员的违规行为进行展示及统计;
所述参数设置模块用于对作业人员的违规行为检测参数设置;
所述信息数据上传模块用于对作业人员的违规行为告警信息数据上传。
一种基于人体骨骼关键点的视频不安全行为识别方法,包括以下步骤:
S1、按照一定规则将1080视频流抽帧处理,并将图像文件中模糊、多余的图像进行清洗和剔除;
S2、对处理后的有效图像文件进行预处理操作,将训练数据增强;
S3、将预处理后的图像导入COCO Annotator标注平台,标注检测目标的位置区域和类别,作为主分类器,标注子目标的关键点位置和区域,作为子分类器;
S4、根据人工标注的检测目标区域和位置,训练及微调目标检测模型,直至训练模型测试图像的准确率大于设定的预期值,将预处理图像传入目标检测模型进行目标检测处理;
S5、以改进的openpose网络作为人体关键点的检测网络,将目标检测处理得到的图像传入检测网络,进行关键点检测,得到人体骨骼关键点图像;
S6、将人体骨骼关键点图像通过二分类网络,二分类网络的输出结果结合腰部关键点的下降速度、腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值的比值,判断作业人员是否为跌倒状态。
进一步地:所述步骤S2中的预处理操作包括翻转、裁剪、随机亮度、随机对比度和放缩。
进一步地:所述步骤S5的具体步骤为:以MobileV1作为基础结构并微调,分别输出图像中所有人体的身体关键点关联PAFs和身体关键点的置信度图PCM,将PAFs和PCM结合得到人体骨骼关键点图像。
进一步地:所述步骤S6的具体步骤为:
S61、将人体骨骼关键点图像作为训练集和测试集,在训练集和测试集中创建跌倒和非跌倒文件夹,将对应的骨骼图像放入,训练及微调跌倒状态检测模型;
S62、将骨骼图像传入全连接层,通过全连接层对骨骼图像进行判断,输出人体状态为跌倒或非跌倒;
S63、同时对返回的骨骼图像实时处理,在每相邻10帧计算一次腰部关键点的下降速度V,当V大于阈值VT时,检测到第一个跌倒特征;
S64、同时把双脚关键点作为相对于地面的基线,计算腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值,若二者比值K小于预设的固定值KT,检测到第二个跌倒特征;
S65、当输出人体状态为跌倒且满足检测到第一个跌倒特征或第二个跌倒特征,则判断为最终检测为跌倒状态。
本发明的有益效果为:本发明提升了人员跌倒行为检测的准确度,可应用于油气等高危生产作业场所的智能视频监控;解决了24小时实时监督作业人员出现未佩戴安全帽、跌倒不起等不安全行为的问题;解决了传统检测方法中需要人工监控的方式,大大降低了人工成本。
附图说明
图1为本发明中不安全行为识别***框图;
图2为本发明中不安全行为识别方法的数据处理流程图;
图3为本发明中人员跌倒识别方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于人体骨骼关键点的视频不安全行为识别***,包括IPC摄像机、视频智能行为分析***、流媒体服务***和显示终端,所述IPC摄像机通过交换机分别与视频智能行为分析***和用户电脑连接,所述视频智能行为分析***分别与流媒体服务***和显示终端连接,所述流媒体服务***和显示终端连接,所述用户电脑上设置有显示终端;
所述IPC摄像机用于对高危生产作业场所的人员作业行为进行监控,并将监控视频流转接给交换机;
所述交换机用于将视频数据流传递给视频智能行为分析***;
所述视频智能行为分析***用于对视频流中的高危生产作业场所的人员作业行为进行分析和统计,并将分析和统计的数据及检测视频流结果通过交换机反馈给流媒体服务***;
所述视频智能行为分析***包括视频智能分析模块和告警统计分析模块;
所述视频智能分析模块通过基于人体骨骼关键点的算法对视频图像信息进行快速分析,包括人员跌倒检测和人员未佩戴安全帽检测;
所述告警统计分析模块用于对作业人员违规行为进行统计和分析。
所述流媒体服务***用于将各项分析数据的汇总及检测视频流结果推送给显示终端;
所述显示终端用于对视频智能行为分析***的检测和管理参数进行配置,并通过用户电脑进行访问、查看和管理。所述显示终端包括设备管理模块、报警人工审核模块、告警处理模块、参数设置模块和信息数据上传模块;
所述设备管理模块用于对整个设备及视频源进行有效管理;
所述报警人工审核模块用于对作业人员的违规行为进行逻辑分析;
所述告警处理模块用于将作业人员的违规行为进行展示及告警;
所述参数设置模块用于对作业人员的违规行为检测参数设置;
所述信息数据上传模块用于对作业人员的违规行为告警信息数据上传。
如图2所示,一种基于人体骨骼关键点的视频不安全行为识别方法,包括以下步骤:
S1、按照一定规则将1080视频流抽帧处理,并将图像文件中模糊、多余的图像进行清洗和剔除;
S2、对处理后的有效图像文件进行翻转、裁剪、放缩等预处理操作,将训练数据增强;包括随机镜像翻转,-30度-+30度的随机旋转,0.5-1.2的随机缩放,随机裁剪,随机亮度、随机对比度等。
S3、将预处理后的图像导入COCO Annotator标注平台,标注检测目标的位置区域和类别,作为主分类器,同时标注子目标的关键点位置和区域,作为子分类器;
S4、根据人工标注的检测目标区域和位置,训练及微调目标检测模型,直至训练模型测试图像的准确率大于设定的预期值,将预处理图像传入目标检测模型进行目标检测处理;
S5、以改进的openpose网络作为人体关键点的检测网络,将目标检测处理得到的图像传入检测网络,进行关键点检测,得到人体骨骼关键点图像;以MobileV1作为基础结构并微调,经过两个分支,分别输出图像中所有人体的身体关键点关联(PAFs)和所有身体关键点的置信度图(PCM)。将PCM和PAF的输出连接后,最终网络输出人体骨骼关键点图像,作为训练集与测试集。
该网络选取MobileV1作为基础结构,大大提升了计算速度。把7×7的卷积核,换成了3个连续的3×3的卷积核,同时为保持视野,使用dil=2的空洞卷积,在减少计算量的同时保留了感受野。前者的运算次数为2×72-1=97,而后者仅为51次。3个卷积核中的每一个的输出是级联的,非线性层数增加了两倍,网络既能保持较低层次的特征,又能保持较高层次的特征。
输入图像经过CNN网络分析后,生成一组特征图F,作为输入的第一阶段。在此阶段,网络输出图像中所有人体的身体关键点关联(PAFs)。
第二个阶段预测的是PCM,经过TP次迭代,从最新的PAF预测开始,对置信度图检测重复迭代过程:
ρt表示在阶段t用于推理的CNN,TC表示总的置信图阶段数。
S6、将人体骨骼关键点图像通过二分类网络,二分类网络的输出结果结合腰部关键点的下降速度、腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值的比值,判断作业人员是否为跌倒状态;
步骤S6的具体步骤如图3所示:
S61、在训练集和测试集中创建跌倒和非跌倒文件夹,将对应的骨骼图像放入,训练及微调跌倒状态检测模型;
S62、将骨骼图像传入全连接层,通过全连接层对骨骼图像进行判断,输出人体状态为跌倒或非跌倒;
S63、同时对返回的骨骼图像实时处理,在每相邻10帧计算一次腰部关键点的下降速度V,当V大于阈值VT时,检测到第一个跌倒特征;结合实验测试结果,选取1.3m/s作为腰部关键点下降速度的阈值。一旦超过该阈值,则认为检测到第一个跌倒特征。
S64、同时把双脚关键点作为相对于地面的基线,计算腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值,若二者比值K小于预设的固定值KT,检测到第二个跌倒特征;结合实验测试结果,选取0.25作为比例阈值。一旦小于该阈值,则认为检测到第二个跌倒特征。
S65、当输出人体状态为跌倒且满足检测到第一个跌倒特征或第二个跌倒特征,则判断为最终检测为跌倒状态。
Claims (7)
1.一种基于人体骨骼关键点的视频不安全行为识别***,其特征在于,包括IPC摄像机、视频智能行为分析***、流媒体服务***和显示终端,所述IPC摄像机通过交换机分别与视频智能行为分析***和用户电脑连接,所述视频智能行为分析***分别与流媒体服务***和显示终端连接,所述流媒体服务***和显示终端连接,所述用户电脑上配置有显示终端;
所述IPC摄像机用于对高危生产作业场所的人员作业行为进行监控,并将监控视频流转接给交换机;
所述交换机用于将视频数据流传递给视频智能行为分析***;
所述视频智能行为分析***用于对视频流中的高危生产作业场所的人员作业行为进行分析和统计,并将分析和统计的数据及检测视频流结果通过交换机反馈给流媒体服务***;
所述流媒体服务***用于将各项分析数据的汇总及检测视频流结果推送给显示终端;
所述显示终端用于对视频智能行为分析***的检测和管理参数进行配置,并通过用户电脑进行访问、查看和管理。
2.根据权利要求1所述的基于人体骨骼关键点的视频不安全行为识别***,其特征在于,所述视频智能行为分析***包括视频智能分析模块和告警统计分析模块;
所述视频智能分析模块通过基于人体骨骼关键点的算法对视频图像信息进行快速分析,包括人员跌倒检测和人员未佩戴安全帽检测;
所述告警统计分析模块用于对作业人员违规行为进行统计和分析。
3.根据权利要求1所述的基于人体骨骼关键点的视频不安全行为识别***,其特征在于,所述显示终端包括设备管理模块、报警人工审核模块、告警处理模块、参数设置模块和信息数据上传模块;
所述设备管理模块用于对整个设备及视频源进行有效管理;
所述报警人工审核模块用于人工对作业人员的违规行为进行分析和判断;
所述告警处理模块用于将作业人员的违规行为进行展示及统计;
所述参数设置模块用于对作业人员的违规行为检测参数设置;
所述信息数据上传模块用于对作业人员的违规行为告警信息数据上传。
4.一种基于人体骨骼关键点的视频不安全行为识别方法,其特征在于,包括以下步骤:
S1、按照一定规则将1080视频流抽帧处理,并将图像文件中模糊、多余的图像进行清洗和剔除;
S2、对处理后的有效图像文件进行预处理操作,将训练数据增强;
S3、将预处理后的图像导入COCO Annotator标注平台,标注检测目标的位置区域和类别,作为主分类器,同时标注子目标的关键点位置和区域,作为子分类器;
S4、根据人工标注的检测目标区域和位置,训练及微调目标检测模型,直至训练模型测试图像的准确率大于设定的预期值,将预处理图像传入目标检测模型进行目标检测处理;
S5、以改进的openpose网络作为人体关键点的检测网络,将目标检测处理得到的图像传入检测网络,进行关键点检测,得到人体骨骼关键点图像;
S6、将人体骨骼关键点图像通过二分类网络,二分类网络的输出结果结合腰部关键点的下降速度、腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值的比值,判断作业人员是否为跌倒状态。
5.根据权利要求4所述的基于人体骨骼关键点的视频不安全行为识别方法,其特征在于,所述步骤S2中的预处理操作包括翻转、裁剪、随机亮度、随机对比度和放缩。
6.根据权利要求4所述的基于人体骨骼关键点的视频不安全行为识别方法,其特征在于,所述步骤S5的具体步骤为:以MobileV1作为基础结构并微调,分别输出图像中所有人体的身体关键点关联PAFs和身体关键点的置信度图PCM,将PAFs和PCM结合得到人体骨骼关键点图像。
7.根据权利要求4所述的基于人体骨骼关键点的视频不安全行为识别方法,其特征在于,所述步骤S6的具体步骤为:
S61、将人体骨骼关键点图像作为训练集和测试集,在训练集和测试集中创建跌倒和非跌倒文件夹,将对应的骨骼图像放入,训练及微调跌倒状态检测模型;
S62、将骨骼图像传入全连接层,通过全连接层对骨骼图像进行判断,输出人体状态为跌倒或非跌倒;
S63、同时对返回的骨骼图像实时处理,在每相邻10帧计算一次腰部关键点的下降速度V,当V大于阈值VT时,检测到第一个跌倒特征;
S64、同时把双脚关键点作为相对于地面的基线,计算腰部关键点到双脚关键点的高度差值和左右目关键点到双脚关键点的高度差值,若二者比值K小于预设的固定值KT,检测到第二个跌倒特征;
S65、当输出人体状态为跌倒且满足检测到第一个跌倒特征或第二个跌倒特征,则判断为最终检测为跌倒状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006822.0A CN112766091B (zh) | 2021-01-05 | 2021-01-05 | 基于人体骨骼关键点的视频不安全行为识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006822.0A CN112766091B (zh) | 2021-01-05 | 2021-01-05 | 基于人体骨骼关键点的视频不安全行为识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766091A true CN112766091A (zh) | 2021-05-07 |
CN112766091B CN112766091B (zh) | 2023-09-29 |
Family
ID=75699246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110006822.0A Active CN112766091B (zh) | 2021-01-05 | 2021-01-05 | 基于人体骨骼关键点的视频不安全行为识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766091B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660455A (zh) * | 2021-07-08 | 2021-11-16 | 深圳宇晰科技有限公司 | 一种基于dvs数据的跌倒检测方法、***、终端 |
CN113903051A (zh) * | 2021-07-23 | 2022-01-07 | 南方科技大学 | 一种基于dvs相机数据的人体姿态检测方法及终端设备 |
CN115146903A (zh) * | 2022-05-09 | 2022-10-04 | 中国中煤能源集团有限公司 | 一种基于关键骨骼点的煤矿不安全行为识别预警*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104159088A (zh) * | 2014-08-23 | 2014-11-19 | 中科院成都信息技术股份有限公司 | 一种远程智能车辆监控***及方法 |
CN110022466A (zh) * | 2019-04-24 | 2019-07-16 | 中科院成都信息技术股份有限公司 | 一种基于智慧大数据的视频分析平台及其控制方法 |
CN111144263A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 一种建筑工人高坠事故预警方法及装置 |
CN111209848A (zh) * | 2020-01-03 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的实时跌倒检测方法 |
CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
-
2021
- 2021-01-05 CN CN202110006822.0A patent/CN112766091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104159088A (zh) * | 2014-08-23 | 2014-11-19 | 中科院成都信息技术股份有限公司 | 一种远程智能车辆监控***及方法 |
CN110022466A (zh) * | 2019-04-24 | 2019-07-16 | 中科院成都信息技术股份有限公司 | 一种基于智慧大数据的视频分析平台及其控制方法 |
CN111144263A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 一种建筑工人高坠事故预警方法及装置 |
CN111209848A (zh) * | 2020-01-03 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的实时跌倒检测方法 |
CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
Non-Patent Citations (4)
Title |
---|
佃松宜;程鹏;王凯;雒瑞森;: "基于双向循环神经网络的跌倒行为识别", 计算机工程与设计 * |
杜启亮;黄理广;田联房;黄迪臻;靳守杰;李淼;: "基于视频监控的手扶电梯乘客异常行为识别", 华南理工大学学报(自然科学版) * |
段俊臣;梁美祥;王瑞;: "基于人体骨骼点检测与多层感知机的人体姿态识别", 电子测量技术 * |
蔡文郁;郑雪晨;郭嘉豪;阮智祥;: "基于SVM-MultiCNN模型的视觉感知跌倒检测算法", 杭州电子科技大学学报(自然科学版) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660455A (zh) * | 2021-07-08 | 2021-11-16 | 深圳宇晰科技有限公司 | 一种基于dvs数据的跌倒检测方法、***、终端 |
CN113660455B (zh) * | 2021-07-08 | 2023-04-07 | 深圳宇晰科技有限公司 | 一种基于dvs数据的跌倒检测方法、***、终端 |
CN113903051A (zh) * | 2021-07-23 | 2022-01-07 | 南方科技大学 | 一种基于dvs相机数据的人体姿态检测方法及终端设备 |
CN113903051B (zh) * | 2021-07-23 | 2022-12-27 | 南方科技大学 | 一种基于dvs相机数据的人体姿态检测方法及终端设备 |
CN115146903A (zh) * | 2022-05-09 | 2022-10-04 | 中国中煤能源集团有限公司 | 一种基于关键骨骼点的煤矿不安全行为识别预警*** |
Also Published As
Publication number | Publication date |
---|---|
CN112766091B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766091A (zh) | 基于人体骨骼关键点的视频不安全行为识别***及方法 | |
EP1131802B1 (en) | Smoke detection | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN111709661B (zh) | 业务数据的风险处理方法、装置、设备及存储介质 | |
CN112036327A (zh) | 一种基于ssd的轻量化安全帽检测方法 | |
Kai et al. | Wearing safety helmet detection in substation | |
CN114373162A (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及*** | |
CN107301373A (zh) | 数据处理方法、装置及存储介质 | |
CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 | |
CN110427894A (zh) | 一种人群异常运动监控方法、***、设备及介质 | |
Nain et al. | Authentication control system for the efficient detection of hard-hats using deep learning algorithms | |
CN111666916B (zh) | 一种基于自学习技术后厨违规行为识别方法 | |
CN116822929A (zh) | 一种告警方法、装置、电子设备及存储介质 | |
Sihombing et al. | Application of artificial neural network (ANN) and support vector machine (SVM) for government policy recommendations to allow people to do activities without masks | |
Krishnan et al. | Automatic Detection of Anomalies in Video Surveillance using Artificial Intelligence | |
Setyadi et al. | Deep Learning Approaches to Social Distancing Compliance and Mask Detection in Dining Environment | |
CN115345465B (zh) | 一种基于基层治理事件的多色层级管理方法及*** | |
CN118211754B (zh) | 基于数字孪生的智能化工厂安全管理*** | |
Pathade et al. | Recognition of crowd abnormal activities using fusion of handcrafted and deep features | |
CN114707856B (zh) | 基于计算机视觉的风险辨识分析与预警*** | |
CN108664478A (zh) | 目标物检索方法及装置 | |
Shanthi et al. | Automatic social distance monitoring system using deep learning algorithms | |
Biswas et al. | Real-Time Construction Safety Gear Detection Using YOLOv4 with Darknet | |
Jiao et al. | Abnormal Crowd Behavior Detection Based on the Fusion of Macro and Micro Features | |
Strand et al. | VISUAL DETECTION OF PERSONAL PROTECTIVE EQUIPMENT & SAFETY GEAR ON INDUSTRY WORKERS |
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 |