CN113033437A - 一种基于改进模式识别的跌倒监测方法及*** - Google Patents

一种基于改进模式识别的跌倒监测方法及*** Download PDF

Info

Publication number
CN113033437A
CN113033437A CN202110345030.6A CN202110345030A CN113033437A CN 113033437 A CN113033437 A CN 113033437A CN 202110345030 A CN202110345030 A CN 202110345030A CN 113033437 A CN113033437 A CN 113033437A
Authority
CN
China
Prior art keywords
video monitoring
network
human body
data
pattern recognition
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
CN202110345030.6A
Other languages
English (en)
Inventor
刘建
程文
陈兵
姚晓龙
田永邵
姜烨
殷文雯
董飞彪
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110345030.6A priority Critical patent/CN113033437A/zh
Publication of CN113033437A publication Critical patent/CN113033437A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进模式识别的跌倒监测方法，包括如下步骤：通过摄像头传入视频流，并将视频流调整为320*240像素大小；借助骨架提取算法提取骨架信息，传入预处理模块；预处理模块将去除无用坐标点，计算人体中心线坐标数据等，当帧数累计到一定程度时，传入检测模块；基于改进模式识别算法实现人体重心移动速度数据等数据的检测，并输出识别结果；由警报***根据判定结果选择是否发出警报消息，流程结束。本发明通过人工智能算法，判断画面中人体是否存在摔倒行为，并给出合理反馈；基于大量数据集深度学习，丰富的训练样本有效缓解了训练神经网络过程中易出现的过拟合问题，从而获得了更好的泛化能力以应对在非可控场景中的应用。

Description

一种基于改进模式识别的跌倒监测方法及***
技术领域
本发明涉及计算机视觉、机器学习技术领域，具体涉及一种基于改进模式识别的跌倒监测方法及***。
背景技术
意外，在我们的生活中随处可见，尤其是随着城市交通日渐膨胀，一些基础设施的不完善，社会上某些不良风气的盛行，导致在摔倒事故频发的社会背景下，摔倒成为了一个社会热点话题。中老年人多伴有骨质疏松症，儿童发育未健全，一些较为严重的摔倒意外甚至会留下终生的遗憾。
数据显示，摔倒已经成为65岁以上老年人意外死亡的第一大死因。在少儿安全方面，《中国青少年儿童伤害现状回顾报告》表明，跌倒/坠落是青少年儿童伤害门急诊的第一大原因。
基于此，我们认识到通过技术手段实现摔倒检测，缓解摔倒意外伤害，迫在眉睫。
然而通过调研，我们发现：目前市面上已有的摔倒检测办法依旧存在许多不足，例如，穿戴式传感器的检测装置虽然检测效果尚可，但是由于其需要随身佩戴，会影响老年人的日常活动，同时由于一些老年人的安全意识淡薄、记忆力衰退，经常会出现设备未戴、误戴的情况，依旧留下了极大的人身安全隐患。
另一方面，当下幼儿园、养老院、空巢老人群体的规模更是空前膨胀，协助养老院和幼儿园管理，提高机构的安全系数，也有着十分重大的意义。
摔倒检测本质上是对于视频流有效信息的提取，属于人工智能研究领域的图形学分支之一。对人体轮廓和骨架的提取都是为了将无关信息剔除，降低识别时的数据量和计算量。实时和低成本是该项目的主要目标，传统图形学方式在复杂场景、特殊场景的应用有限，很难在设计时考虑到所有情况，使用神经网络算法，让计算机学习相关模式进行判断，是当前技术发展阶段的最优解。
随着GPU等硬件运算力的不断发展，基于深度学习的方法逐渐显示出不可比拟的优势：第一，通过数据训练，深度网络模型可以自动提取对后续工作有利的特征，无需人工参与；第二，深度学习简化了传统识别方法中特征抽取再分类的复杂流程。卷积神经网络作为深度学习的一个重要分支，具有权值共享和稀疏连接等特点，已经被成功应用于人脸识别、物体检测等领域；第三，深度强化学习算法结合深度学习在图像处理方面的优势，在处理复杂和序列化的问题方面表现优异。所以将深度强化学习应用于人体摔倒识别工作中，将进一步提升摔倒识别的实时性和高效性。
发明内容
为解决上述问题，本发明提供了一种基于改进模式识别的跌倒监测方法，以监控视频流为输入，通过人工智能算法，判断画面中人体是否存在摔倒行为，并给出合理反馈；基于大量数据集深度学习，丰富的训练样本有效缓解了训练卷积神经网络过程中易出现的过拟合问题，从而获得了更好的泛化能力以应对在非可控场景中的应用。
为实现上述目的，本发明采取的技术方案为：
一种基于改进模式识别的跌倒监测方法，包括如下步骤：
S1、通过摄像头传入视频流，并将视频流调整为320*240像素大小；
S2、借助骨架提取算法提取骨架信息，传入预处理模块；
S3、骨架信息的预处理，从原始骨架数据去除无关数据点，得到与后续识别计算有关的包含人体重心坐标的处理骨架；
S4、基于改进模式识别算法实现人体重点、人体中心线数据、人体重心移动速度数据、人体姿态倾斜数据等数据的检测，并输出识别结果；
S5、由警报***根据判定结果选择是否发出警报消息，流程结束。
进一步地，所述骨架提取算法用于对骨架数据进行加工和剔除，包括在已提取的人体骨架上进行双肩中心点、髋中心点的计算和去除无用点，得到人体重心坐标点。
进一步地，所述改进模式识别算法使用人体两肩中心点或髋骨中心点近似代***的重心，首先判断重心在0.25秒内的移动速度是否大于所设定的阈值，若大于相关阈值，进行下一步的检测，即由人体骨架数据中的双脚点以及头顶点构建出的三角形计算特定角度的arctan值，当该值对应的角度大于等于45度之时，我们认为达到阈值，将数据传入神经网络进行进一步的特征提取与判断，实现人体中心线数据、人体重心移动速度数据、人体姿态倾斜数据等的提取(见图6)；神经网络由卷积神经网络(CNN)或长短期记忆人工神经网络(LSTM)构成，在我们已训练成熟的模型基础上对传入数据帧进行检测，并根据提取到的特征最终输出判断结果。在公开的数据集上的训练结果显示，该模型的准确率可以达到90％以上。
本发明还提供了一种基于改进模式识别的跌倒监测***，包括视频监控显示模块和视频监控模块；视频监控显示模块包括：网络接入模块、电脑、操作***、智云安联视频监控客户端、鼠标、键盘；所述视频监控模块包括网络摄像机、网络摄像存储装置、控制信号传输模块、供电***。
进一步地，所述网络接入模块包括以太网交换机经过多级扩展的光网络终端和光网络终端连接的无线路由器，所述电脑通过所述网络接入模块接入网络，所述电脑安装操作***，所述***平台安装所述视频监控客户端。
进一步地，所述网络摄像机连接所述供电***开始工作，通过所述网络摄像机拍摄实时影像并存储在所述的网络摄像存储装置中，通过控制信号传输模块传输控制信息流和媒体流。
进一步地，所述网络接入模块接入的网络包括广义互联网和局域网，在不同应用场景下，均使得所述视频监控显示模块、视频监控模块和视频监控管理模块设备间可以相互通信。
进一步地，所述监控视频管理客户端汇总各网络摄像机所传输的控制信号，用户操作所述视频监控管理客户端，对所述网络摄像机进行配置和分区管理，管理视频监控播放的RTSP视频流地址及码流类型，个性化配置用户自选的监控线路，管理用户查看视频监控的权限
进一步地，用户通过所述视频监控客户端，在所述电脑上查看有权限的所述网络摄像机的多路标清实时视频监控以及单路高清实时视频监控和回放，并可个性化添加、删除、自选视频监控窗口。
本发明可以在室内外监控场景中，取代目前主流的手环、传感器等，实现高效、准确和智能的摔倒识别，降低人身伤害风险，具有以下有益效果：
1.弱光场景目标探测(基于图像预处理和连通域的行人检测算法的研究与设计)无论对于什么年龄段，其在家中或者其他弱光甚至黑暗的环境中，极易因触碰障碍物而跌倒，如夜间上厕所等。普通摄像头难以在弱光环境监测，所以借助红外摄像头可以提高弱光环境的识别准确度。
2.实现全天候多复杂场景下的多目标骨架提取(三维人体骨架提取)我们将针对已有的公开开源的人体骨架提取算法进行拓展和性能定制优化，重点训练其在特殊场景和人体特殊姿态情况下的识别准确度和识别精度。保证其能在全天候复杂场景下实现多目标的骨架提取。
3.捕捉重伤部位(“智云安联”跌倒预警***的构建)跌倒过程中，最先接触地面的部位受伤程度往往是最重的，但不同的部位脆弱性也不一样，所以从接触地面顺序和要害可以判断大致受伤最严重的部位。可以减少救援平台的检测时间，尤其是在伤者处于昏迷等无法自我表述的情况下有极大帮助。
4.使用神经网络(基于深度学习的重点目标识别算法研究与设计)在处理视频流过程中，没有采用传统的只分析单一帧的信息的方法，而是引入一部分神经网络的特性对整体判断进行优化，通过这部分信息的利用，引入了运动速度、运动方向，相较于传统的构建方法更为准确。
得益于上述优点，本发明可以对人体目标进行跟踪，可以用于空巢老人监护***，可以一定程度上降低看护成本和意外风险。
附图说明
图1为本发明实施例一种基于改进模式识别的跌倒监测方法的流程图。
图2为本发明实施例一种基于改进模式识别的跌倒监测***的模块图。
图3是本发明基于改进模式识别方法的运行流程图。
图4是人体骨骼的关键点选取图。
图5是在现实世界中使用本发明提出的方法运行监控管理客户端的原理图。
图6是摔倒识别算法中计算arctan值时所述坐标示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
一种基于改进模式识别的跌倒监测方法，通过摄像头传入视频流，视频流首先将被调整为为320*240像素大小，下一步，预处理模块将去除无用坐标点，计算人体中心线坐标数据等，当帧数累计到一定程度时，传入检测模块；基于改进模式识别算法实现人体中心线数据等数据的检测，对计算结果进行阈值判定，将结果作为最终摔倒判定结果。最后，由警报***根据判定结果选择是否发出警报消息，流程结束。
本实施例中，所述骨架提取算法用于对骨架数据进行加工和剔除，包括在已提取的人体骨架上进行双肩中心点、髋中心点的计算和去除无用点，得到人体重心坐标点，传入下一步的改进模式识别算法进行进一步的判断。
本实施例中，所述改进模式识别算法使用人体两肩中心点或髋骨中心点近似代***的重心，首先判断重心在0.25秒内的移动速度是否大于所设定的阈值，若大于相关阈值，进行下一步的检测，即由人体骨架数据中的双脚点以及头顶点构建出的三角形计算特定角度的arctan值，当该值对应的角度大于等于45度之时，我们认为达到阈值，将数据传入神经网络进行进一步的特征提取与判断，实现人体中心线数据、人体重心移动速度数据、人体姿态倾斜数据等的提取(见图6)；神经网络由卷积神经网络(CNN)或长短期记忆人工神经网络(LSTM)构成，在我们已训练成熟的模型基础上对传入数据帧进行检测，并根据提取到的特征最终输出判断结果。在公开的数据集上的训练结果显示，该模型的准确率可以达到90％以上。
实施例2
一种基于改进模式识别的跌倒监测***，包括视频监控显示模块和视频监控模块；视频监控显示模块包括：网络接入模块、电脑、操作***、智云安联视频监控客户端、鼠标、键盘；所述视频监控模块包括网络摄像机、网络摄像存储装置、控制信号传输模块、供电***。
进一步地，所述网络接入模块包括以太网交换机经过多级扩展的光网络终端和光网络终端连接的无线路由器，所述电脑通过所述网络接入模块接入网络，所述电脑安装操作***，所述***平台安装所述视频监控客户端。
本实施例中，所述网络摄像机连接所述供电***开始工作，通过所述网络摄像机拍摄实时影像并存储在所述的网络摄像存储装置中，通过控制信号传输模块传输控制信息流和媒体流。
本实施例中，所述网络接入模块接入的网络包括广义互联网和局域网，在不同应用场景下，均使得所述视频监控显示模块、视频监控模块和视频监控管理模块设备间可以相互通信。
本实施例中，所述监控视频管理客户端汇总各网络摄像机所传输的控制信号，用户操作所述视频监控管理客户端，对所述网络摄像机进行配置和分区管理，管理视频监控播放的RTSP视频流地址及码流类型，个性化配置用户自选的监控线路，管理用户查看视频监控的权限
本实施例中，用户通过所述视频监控客户端，在所述电脑上查看有权限的所述网络摄像机的多路标清实时视频监控以及单路高清实时视频监控和回放，并可个性化添加、删除、自选视频监控窗口。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于改进模式识别的跌倒监测方法，其特征在于，包括如下步骤：
S1、通过摄像头传入视频流，并将视频流调整为320*240像素大小；
S2、借助骨架提取算法提取骨架信息，传入预处理模块；
S3、骨架信息的预处理，从原始骨架数据去除无关数据点，得到与后续识别计算有关的包含人体重心坐标的处理骨架；
S4、基于改进模式识别算法实现人体重点、人体中心线数据、人体重心移动速度数据、人体姿态倾斜数据的检测，并输出识别结果；
S5、由警报***根据判定结果选择是否发出警报消息，流程结束。
2.如权利要求1所述的基于改进模式识别的跌倒监测方法，其特征在于，所述改进模式识别算法使用人体两肩中心点或髋骨中心点近似代***的重心，首先判断重心在0.25秒内的移动速度是否大于所设定的阈值，若大于相关阈值，进行下一步的检测，即由人体骨架数据中的双脚点以及头顶点构建出的三角形计算特定角度的arctan值，当该值对应的角度大于等于45度之时，我们认为达到阈值，将数据传入神经网络进行进一步的特征提取与判断，实现人体中心线数据、人体重心移动速度数据、人体姿态倾斜数据的提取；神经网络由卷积神经网络(CNN)或长短期记忆人工神经网络(LSTM)构成，在我们已训练成熟的模型基础上对传入数据帧进行检测，并根据提取到的特征最终输出判断结果。
3.一种基于改进模式识别的跌倒监测***，其特征在于，包括视频监控显示模块和视频监控模块；视频监控显示模块包括：网络接入模块、电脑、操作***、智云安联视频监控客户端、鼠标、键盘；所述视频监控模块包括网络摄像机、网络摄像存储装置、控制信号传输模块、供电***。
4.如权利要求3所述的一种基于改进模式识别的跌倒监测***，其特征在于，所述网络接入模块包括以太网交换机经过多级扩展的光网络终端和光网络终端连接的无线路由器，所述电脑通过所述网络接入模块接入网络，所述电脑安装操作***，所述***平台安装所述视频监控客户端。
5.如权利要求3所述的一种基于改进模式识别的跌倒监测***，其特征在于，所述网络摄像机连接所述供电***开始工作，通过所述网络摄像机拍摄实时影像并存储在所述的网络摄像存储装置中，通过控制信号传输模块传输控制信息流和媒体流。
6.如权利要求3所述的一种基于改进模式识别的跌倒监测***，其特征在于，所述网络接入模块接入的网络包括广义互联网和局域网，在不同应用场景下，均使得所述视频监控显示模块、视频监控模块和视频监控管理模块设备间可以相互通信。
7.如权利要求3所述的一种基于改进模式识别的跌倒监测***，其特征在于，所述监控视频管理客户端汇总各网络摄像机所传输的控制信号，用户操作所述视频监控管理客户端，对所述网络摄像机进行配置和分区管理，管理视频监控播放的RTSP视频流地址及码流类型，个性化配置用户自选的监控线路，管理用户查看视频监控的权限。
8.如权利要求3所述的一种基于改进模式识别的跌倒监测***，其特征在于，用户通过所述视频监控客户端，在所述电脑上查看有权限的所述网络摄像机的多路标清实时视频监控以及单路高清实时视频监控和回放，并可个性化添加、删除、自选视频监控窗口。
CN202110345030.6A 2021-03-29 2021-03-29 一种基于改进模式识别的跌倒监测方法及*** Pending CN113033437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110345030.6A CN113033437A (zh) 2021-03-29 2021-03-29 一种基于改进模式识别的跌倒监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110345030.6A CN113033437A (zh) 2021-03-29 2021-03-29 一种基于改进模式识别的跌倒监测方法及***

Publications (1)

Publication Number Publication Date
CN113033437A true CN113033437A (zh) 2021-06-25

Family

ID=76452893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110345030.6A Pending CN113033437A (zh) 2021-03-29 2021-03-29 一种基于改进模式识别的跌倒监测方法及***

Country Status (1)

Country Link
CN (1) CN113033437A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088074A1 (en) * 2008-10-07 2010-04-08 Los Alamos National Security, Llc Modeling of the radiation belt megnetosphere in decisional timeframes
CN104980690A (zh) * 2014-04-05 2015-10-14 王伟楠 一种能自动识别人体摔倒的视频监控***
CN109887238A (zh) * 2019-03-12 2019-06-14 朱利 一种基于视觉和人工智能的跌倒检测***及检测报警方法
CN110991274A (zh) * 2019-11-18 2020-04-10 杭州电子科技大学 一种基于混合高斯模型和神经网络的行人摔倒检测方法
CN111241913A (zh) * 2019-12-19 2020-06-05 北京文安智能技术股份有限公司 一种检测人员摔倒的方法、装置及***
CN111460908A (zh) * 2020-03-05 2020-07-28 中国地质大学（武汉） 一种基于OpenPose的人体摔倒识别方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088074A1 (en) * 2008-10-07 2010-04-08 Los Alamos National Security, Llc Modeling of the radiation belt megnetosphere in decisional timeframes
CN104980690A (zh) * 2014-04-05 2015-10-14 王伟楠 一种能自动识别人体摔倒的视频监控***
CN109887238A (zh) * 2019-03-12 2019-06-14 朱利 一种基于视觉和人工智能的跌倒检测***及检测报警方法
CN110991274A (zh) * 2019-11-18 2020-04-10 杭州电子科技大学 一种基于混合高斯模型和神经网络的行人摔倒检测方法
CN111241913A (zh) * 2019-12-19 2020-06-05 北京文安智能技术股份有限公司 一种检测人员摔倒的方法、装置及***
CN111460908A (zh) * 2020-03-05 2020-07-28 中国地质大学（武汉） 一种基于OpenPose的人体摔倒识别方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI ZHENG ET AL.: ""Wearable sensor-based monitoring system for human behavior estimation"", 《2015 CONFERENCE ON TECHNOLOGIES AND APPLICATIONS OF ARTIFICIAL INTELLIGENCE (TAAI)》 *
赵心驰 等: ""基于卷积神经网络和XGBoost的摔倒检测"", 《激光与光电子学进展》 *

Similar Documents

Publication Publication Date Title
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及***
CN106980829B (zh) 基于视频分析的打架斗殴异常行为自动检测方法
CN110287825B (zh) 一种基于关键骨骼点轨迹分析的摔倒动作检测方法
CN108921039A (zh) 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法
CN105426820B (zh) 基于安防监控视频数据的多人异常行为检测方法
Chen et al. Fall detection system based on real-time pose estimation and SVM
Chang et al. A pose estimation-based fall detection methodology using artificial intelligence edge computing
CN115082825A (zh) 一种基于视频实时人体跌倒检测及报警的方法和装置
CN113850229A (zh) 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备
CN113378649A (zh) 身份、位置和动作识别方法、***、电子设备及存储介质
CN108737785B (zh) 基于tof 3d摄像机的室内跌倒自动检测***
CN109948474A (zh) Ai热成像全天候智能监控方法
CN112070212A (zh) 一种人工智能cnn、lstm神经网络动态识别***
CN116664359A (zh) 一种基于多传感融合的智能火情预警决策***及方法
CN116229507A (zh) 人体姿态检测方法及***
Huo et al. 3DVSD: An end-to-end 3D convolutional object detection network for video smoke detection
CN114067396A (zh) 基于视觉学习的居配工程现场试验数字化管理***及方法
CN114241375A (zh) 一种用于运动过程中的监测方法
Nandini et al. Automatic traffic control system using PCA based approach
Li et al. RETRACTED ARTICLE: A City Monitoring System Based on Real-Time Communication Interaction Module and Intelligent Visual Information Collection System
CN117132949A (zh) 一种基于深度学习的全天候跌倒检测方法
CN113033437A (zh) 一种基于改进模式识别的跌倒监测方法及***
CN1413343A (zh) 监视方法、***和模块
CN105825631B (zh) 基于视频智能算法的疲劳检测方法及***
CN113660455B (zh) 一种基于dvs数据的跌倒检测方法、***、终端

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625

RJ01 Rejection of invention patent application after publication