CN112950668A - 一种基于模位置测量的智能监控方法及*** - Google Patents
一种基于模位置测量的智能监控方法及*** Download PDFInfo
- Publication number
- CN112950668A CN112950668A CN202110217177.7A CN202110217177A CN112950668A CN 112950668 A CN112950668 A CN 112950668A CN 202110217177 A CN202110217177 A CN 202110217177A CN 112950668 A CN112950668 A CN 112950668A
- Authority
- CN
- China
- Prior art keywords
- joint point
- color image
- human body
- image
- joint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000005259 measurement Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模位置测量的智能监控方法及***,包括:获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;将所述关节点坐标映射至深度图像中,得到对应的深度值;基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。本发明不再将目标人员当作一个质点,而是多个空间点组成的实体。通过人体姿态估计和空间坐标转换,获得人体各个关节点的空间三维坐标;能够取得更加精细的定位结果。
Description
技术领域
本发明涉及智能监控技术领域,尤其涉及一种基于模位置测量的智能监控方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
针对特殊区域人员入侵的智能监控技术,关键点在于对人员的检测定位。现有技术中,通常将目标人员看作一个质点,然后计算质心(重心)的坐标作为目标人员的位置。但是,在一些限制性区域的人员入侵监测中,以质点为目标的定位往往是不能够满足检测精度要求的。例如,对于某些展区或者放射性区域,要求人员不能有任何部位的越界。然而,若采用传统的质点位置检测,人员的手部侵入限定区域但身体主干在区域外,此时质心仍在区域外,则认为未入侵。尽管当前一些采用红外技术可以实现任意目标的入侵检测,但其不具备检测目标的针对性,极易造成高虚警率。
发明内容
为了解决上述问题,本发明提出了一种基于模位置测量的智能监控方法及***,不再将目标实体看作一个质点,而是计算目标实体表面所有点的空间位置。通过模位置测量,可以获得目标人员表面的全部点的空间位置,能够有效地监测人员的运动状态和空间位置,提升人员定位的精细程度,降低虚警率。
在一些实施方式中,采用如下技术方案:
一种基于模位置测量的智能监控方法,包括:
获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
将所述关节点坐标映射至深度图像中,得到对应的深度值;
基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
在另一些实施方式中,采用如下技术方案:
一种基于模位置测量的智能监控***,包括:
图像获取模块,用于获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
关节点获取模块,用于基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
关节点映射模块,用于将所述关节点坐标映射至深度图像中,得到对应的深度值;
坐标转换模块,用于基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
监测分析模块,用于确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的基于模位置测量的智能监控方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于模位置测量的智能监控方法。
与现有技术相比,本发明的有益效果是:
(1)本发明不再将目标人员当作一个质点,而是多个空间点组成的实体。通过人体姿态估计和空间坐标转换,获得人体各个关节点的空间三维坐标。相对于传统的质点定位,能够取得更加精细的定位结果。
(2)采用视觉检测的方式实现模位置测量,区别于当前利用GPS接收机、UWB或蓝牙标签等位置测量方法,该方法无需用户的人为参与,可实现位置的无感测量。
(3)本发明提供了目标人员轨迹跟踪的功能,监测过程中对场景中的每一个目标人员赋予一个唯一固定的ID;通过ID可以区分出不同的目标;可实现针对性地监测不同人员的运动情况。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1是本发明实施例中基于模位置测量的智能监控方法流程图;
图2是本发明实施例中人体关节点示意图;
图3是本发明实施例中坐标转换过程示意图;
图4是本发明实施例中检测面示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于模位置测量的智能监控方法,参照图1,包括以下步骤:
步骤(1):获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
具体地,通过RGB-D相机同时采集场景的彩色RGB图像及深度图像,并实现彩色图像与深度图像像素位置的对准,即能够获得每一个像素位置的RGB-D四个通道的信息。
步骤(2):基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
具体地,利用采集得到的彩色RGB图像,基于人体姿态估计算法,获得目标人员的各个关节点。
本实施例中,采用了18个关键点表征人体关节点,如图2所示;
本实施例基于RGB图像实现人体姿态估计的具体方法为:
采用深度学习的方法,首先将采集到的彩色图像输入至VGG19网络结构的前10个卷积层获得输入图像的特征,然后使用置信图进行关节检测。得到关节点后,使用“部位亲和域”方法组成各个关节,最后通过匈牙利算法确定两两关节点最优的连接方式,并组成人体姿态,最终输出人体的各个关节点在彩色图像中的像素坐标。
当然,也可以采用其他方法实现,比如:采用OpenPose的方法等。
步骤(3):将所述关节点坐标映射至深度图像中,得到对应的深度值;
步骤(4):基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
具体地,得到彩色图像中目标人员的关节点像素坐标后,同时将各关节点坐标映射至深度图像中,得到对应的深度值。基于每一个关节点的像素坐标和对应的深度值,利用下述的坐标转换步骤,即可求出各个关节点在场景中的实际空间三维坐标。具体实现过程如图3所示。
①首先基于彩色图像上各个关节点的像素坐标,确定对应深度图像中各关节点对应的深度值。在深度值的测量中,深度通常会发生变化,且存在部分像素位置由于目标反光等原因无法获得深度值。因此,在本发明中,为了获得稳定的深度值,对每一个像素位置上的深度值采用一个邻域窗口进行估计,即对于坐标为(i,j)处的目标,其深度值D(i,j)可计算为:
其中,D(x,y)为深度图中坐标为(x,y)的深度值。
S为邻域窗口的大小,本发明中设置为S=15。ψ(x,y)为符号函数,其计算公式为:
②通过棋盘格法求解相机的内参矩阵。采集多张不同角度拍摄的棋盘格图像,利用张正友标定法获得相机的内参矩阵。
③在场地中预选四组基准点,精确测量得到其实际的三维空间坐标(X,Y,Z)和对应的像素坐标(i,j)。
④基于四组基准点,通过PNP算法求解出相机的姿态,即求解出相机旋转矩阵和平移矩阵。
⑤基于各关节点的像素坐标和深度值,结合相机的内外参矩阵,即可求解出人体各个关节点的实际空间三维坐标。
具体求解公式为:
通过上述步骤,即可实现各个目标人员关节点的实际空间三维位置测量。
步骤(5):确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
具体地,得到目标人员的关节点后,即可确定该目标在彩色图像中的占据信息,即可通过一个矩形框确定人员的像素范围。
针对识别到的每一个人员,通过目标跟踪算法可以得到该目标人员的运动轨迹。本实施例中,采用DeepSORT作为目标跟踪算法,实现人员的跟踪,并使场景中的目标人员保持唯一的ID。
当然,本领域技术人员也可以选择其他的目标跟踪算法,比如:传统的基于特征提取的方法如BoostingTracker、KCFTracker等,也有近年来基于深度学习的端到端的多目标跟踪方法如SORT、DeepSORT等。
对于人员的入侵检测,当前存在一些成熟的方法,比如:基于UWB的电子围栏、基于红外的入侵检测。但这些方法都存在一定的局限性,如基于UWB的电子围栏依旧把目标当作一个质点去检测,基于红外的入侵检测对目标缺乏有效的辨别性。
本实施例利用RGB-D相机,能够在实现目标人员模位置测量的同时,获得目标人员的语义信息,具有较好的目标针对性。在本实施例的人员入侵检测中,在限定区域设置两个检测面,按照严重性可分别为提醒检测面和警报检测面,如图4所示;其中:
提醒检测面设置于禁入区域最外侧,向内间隔一段距离后设置警报检测面,警报检测面距离限定禁入区域仍保持有一定距离。
当检测到有人体关节点入侵到提醒检测面后,发出越界提醒;当检测到有人体关节点越过警报检测面时,立即向管理员发出警报并进行图像抓拍,保存现场实景,同时保存该人员的历史运动轨迹,以备后续分析。
对于两个检测面间隔距离,应结合应用场景的入侵检测要求和深度相机的有效距离进行设置。
本实施例中使用的深度相机,有效距离可达20m。对于入侵检测要求高度严格的场景,如军事禁区、核电站等应用中,提醒检测面应至少在禁入区域10m外,警报检测面应至少在禁入区域5m外,保证管理员的处理时间;对于入侵检测要求较为严格的场景,如银行、博物馆等应用中,提醒检测面应至少在禁入区域5m外,警报检测面应至少在禁入区域2m外;对于其他入侵检测一般要求的应用,提醒检测面可设置在禁入区域3m外,警报检测面设置为禁入区域2m外,具体参见表1。
表1监测距离设计要求
检测要求 | 严格 | 较严格 | 一般 |
提醒检测面距离 | 10m | 5m | 3m |
警报检测面距离 | 5m | 2m | 1m |
实施例二
在一个或多个实施方式中,公开了一种基于模位置测量的智能监控***,包括:
图像获取模块,用于获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
关节点获取模块,用于基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
关节点映射模块,用于将所述关节点坐标映射至深度图像中,得到对应的深度值;
坐标转换模块,用于基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
监测分析模块,用于确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
作为更为具体的实施方式,本实施例采用RGB-D相机作为场景信息采集设备,当然,也可以选用其他方式实现场景采集,比如:彩色相机与激光雷达、毫米波雷达的组合等。
可以通过USB连接线、网线等有线传输设备作为数据通信的设备,也可以是wifi、蓝牙、4G、5G等无线传输设备作为数据通信的设备。
数据处理的过程通过处理器实现,处理器包括但不限于ARM、FPGA、GPU等处理单元,能够完成本发明中涉及到的计算和命令执行。
数据的存储可以通过RAM、ROM、硬盘或U盘等实现,能够存储采集的场景信息及计算过程中需保存的数据及结果。
可以通过液晶显示屏、LCD显示器、LED显示器等实时显示场景变化。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于模位置测量的智能监控方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于模位置测量的智能监控方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于模位置测量的智能监控方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于模位置测量的智能监控方法,其特征在于,包括:
获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
将所述关节点坐标映射至深度图像中,得到对应的深度值;
基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
2.如权利要求1所述的一种基于模位置测量的智能监控方法,其特征在于,基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标,具体过程包括:
将获取到的彩色图像输入到训练好的神经网络模型获得输入图像的特征,然后使用置信图进行关节检测;得到关节点后,使用部位亲和域方法组成各个关节,最后通过匈牙利算法确定两两关节点最优的连接方式,并组成人体姿态,最终输出人体的各个关节点在彩色图像中的像素坐标。
3.如权利要求1所述的一种基于模位置测量的智能监控方法,其特征在于,基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标,具体过程包括:
对每一个像素位置上的深度值采用一个邻域窗口进行估计;
通过棋盘格法求解相机的内参矩阵;
基于四组基准点,通过PNP算法求解出相机的姿态,即求解出相机旋转矩阵和平移矩阵;
基于各关节点的像素坐标和深度值,结合相机的内外参矩阵,求解出人体各个关节点的实际空间三维坐标。
5.如权利要求1所述的一种基于模位置测量的智能监控方法,其特征在于,采用DeepSORT作为目标跟踪算法,实现人员的跟踪,并使场景中的目标人员保持唯一的ID。
6.如权利要求1所述的一种基于模位置测量的智能监控方法,其特征在于,进行人员的入侵检测,具体过程包括:在设定的区域间隔设定距离,分别设置提醒检测面和警报检测面;
所述提醒检测面被配置为当检测到有人体关节点入侵到提醒检测面后,发出越界提醒;
所述警报检测面被配置为当检测到有人体关节点越过警报检测面时,立即向管理员发出警报并进行图像抓拍,保存该目标人员的历史运动轨迹。
7.一种基于模位置测量的智能监控***,其特征在于,包括:
图像获取模块,用于获取监测场景的彩色图像和深度图像,实现彩色图像与深度图像像素位置的对准;
关节点获取模块,用于基于所述彩色图像,利用人体姿态估计算法,获得目标人员的各个设定的关节点在所述彩色图像中的像素坐标;
关节点映射模块,用于将所述关节点坐标映射至深度图像中,得到对应的深度值;
坐标转换模块,用于基于所述深度值,通过坐标转换,得到所述关节点在场景中的实际空间三维坐标;
监测分析模块,用于确定目标人员的像素范围,确定目标人员的运动轨迹,进行人员的入侵检测。
8.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于模位置测量的智能监控方法。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于模位置测量的智能监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217177.7A CN112950668A (zh) | 2021-02-26 | 2021-02-26 | 一种基于模位置测量的智能监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217177.7A CN112950668A (zh) | 2021-02-26 | 2021-02-26 | 一种基于模位置测量的智能监控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112950668A true CN112950668A (zh) | 2021-06-11 |
Family
ID=76246428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217177.7A Pending CN112950668A (zh) | 2021-02-26 | 2021-02-26 | 一种基于模位置测量的智能监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950668A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486777A (zh) * | 2021-07-02 | 2021-10-08 | 北京一维大成科技有限公司 | 一种目标对象的行为分析方法、装置、电子设备及存储介质 |
CN114140832A (zh) * | 2022-01-30 | 2022-03-04 | 西安华创马科智能控制***有限公司 | 井下行人越界风险检测方法、装置、电子设备及存储介质 |
CN114842372A (zh) * | 2022-03-31 | 2022-08-02 | 北京的卢深视科技有限公司 | 接触式犯规检测方法、装置、电子设备和存储介质 |
WO2023273093A1 (zh) * | 2021-06-30 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种人体三维模型获取方法、装置、智能终端及存储介质 |
WO2023015938A1 (zh) * | 2021-08-13 | 2023-02-16 | 上海商汤智能科技有限公司 | 三维点检测的方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-26 CN CN202110217177.7A patent/CN112950668A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273093A1 (zh) * | 2021-06-30 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种人体三维模型获取方法、装置、智能终端及存储介质 |
CN113486777A (zh) * | 2021-07-02 | 2021-10-08 | 北京一维大成科技有限公司 | 一种目标对象的行为分析方法、装置、电子设备及存储介质 |
WO2023015938A1 (zh) * | 2021-08-13 | 2023-02-16 | 上海商汤智能科技有限公司 | 三维点检测的方法、装置、电子设备及存储介质 |
CN114140832A (zh) * | 2022-01-30 | 2022-03-04 | 西安华创马科智能控制***有限公司 | 井下行人越界风险检测方法、装置、电子设备及存储介质 |
CN114842372A (zh) * | 2022-03-31 | 2022-08-02 | 北京的卢深视科技有限公司 | 接触式犯规检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950668A (zh) | 一种基于模位置测量的智能监控方法及*** | |
CN104680555B (zh) | 基于视频监控的越界检测方法及越界监控*** | |
US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
WO2022012158A1 (zh) | 一种目标确定方法以及目标确定装置 | |
US12008794B2 (en) | Systems and methods for intelligent video surveillance | |
CN106558181B (zh) | 火灾监测方法和装置 | |
WO2021170030A1 (zh) | 一种用于目标追踪的方法、设备及*** | |
CN110660186A (zh) | 基于雷达信号在视频图像中识别目标对象的方法及装置 | |
WO2019129255A1 (zh) | 一种目标跟踪方法及装置 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN105844240A (zh) | 一种红外测温***中的人脸检测方法及装置 | |
CN104935893A (zh) | 监视方法和装置 | |
JP2004531842A (ja) | サーベイランスシステムおよび監視システムに関する方法 | |
CN108234927A (zh) | 视频追踪方法和*** | |
CN110929584A (zh) | 网络训练方法、监控方法、***、存储介质和计算机设备 | |
Santo et al. | Device-free and privacy preserving indoor positioning using infrared retro-reflection imaging | |
CN111738225B (zh) | 人群聚集检测方法、装置、设备及存储介质 | |
CN111666821A (zh) | 人员聚集的检测方法、装置及设备 | |
CN105469054A (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
CN112396804A (zh) | 基于点云的数据处理方法、装置、设备及介质 | |
CN115272493A (zh) | 一种基于连续时序点云叠加的异常目标检测方法及装置 | |
CN113673319B (zh) | 异常姿态检测方法、装置、电子装置和存储介质 | |
JP2007018324A (ja) | 画像処理による侵入物体検出装置および方法およびプログラム | |
CN111368688A (zh) | 行人监测方法及相关产品 | |
CN116561700A (zh) | 基于毫米波雷达的室内人体姿态识别方法 |
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 |