CN113569671A - 异常行为报警方法、装置 - Google Patents
异常行为报警方法、装置 Download PDFInfo
- Publication number
- CN113569671A CN113569671A CN202110800059.9A CN202110800059A CN113569671A CN 113569671 A CN113569671 A CN 113569671A CN 202110800059 A CN202110800059 A CN 202110800059A CN 113569671 A CN113569671 A CN 113569671A
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- sequence
- key point
- determining
- 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 51
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 59
- 230000009471 action Effects 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000005406 washing Methods 0.000 claims description 55
- 230000004044 response Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000003491 array Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 156
- 210000004247 hand Anatomy 0.000 description 28
- 238000013475 authorization Methods 0.000 description 13
- 210000003811 finger Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000000707 wrist Anatomy 0.000 description 7
- 210000001145 finger joint Anatomy 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
- G08B21/245—Reminder of hygiene compliance policies, e.g. of washing hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本公开的实施例公开了异常行为报警方法、装置。该方法的一具体实施方式包括:获取目标行为视频;基于目标行为视频,确定目标人员标识;确定采样窗口和识别频率;基于目标行为视频、识别频率和采样窗口,确定行为数组序列;将行为数组序列输入预先确定的分类模型,以得到动作指征序列;根据动作指征序列,确定异常指标;响应于异常指标符合预设条件,将目标人员标识发送至目标设备,其中,目标设备发出报警提示信息,该报警提示信息表征目标人员标识对应的人员行为异常。该实施方式利用目标行为视频自动生成动作指征序列,能够根据预设条件对异常行为进行报警,提高了对异常行为报警的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及异常行为报警方法、装置。
背景技术
在医院护理过程中,为了防止交叉感染,医院有明确的规则要求医护人员在护理不同病人之间,必须洗手。以往这些规则,仅能通过培训以及人工抽查,检查医护人员是否遵循规则。绝大多数情况下,没有合理的技术手段能够监控医护人员是否洗手。而即使是通过近场通信等技术,让医护人员通过感应器判断医护人员是否走近了水池,也无法判断医护人员是否按照规则进行洗手,是否符合七步洗手法。对洗手质量和数量的监控,一直是一个很大的难题。
第一,传统判断方法根据感应医护人员是否靠近水池来判断是否洗手,无法真正判断医护人员是否按照要求完成了洗手的动作,从而导致一些只是靠近、并未洗手的异常行为无法识别,无法对异常行为进行报警。
第二,根据人的姿态进行洗手动作的识别和判断,由于人体中的关键点较多,视频拍摄的清晰度也受光照、环境布局等多种因素影响,往往存在识别准确度低的问题,从而导致无法准确对异常行为进行预警。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了异常行为报警方法、装置,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种异常行为报警方法,该方法包括:获取目标行为视频;基于目标行为视频,确定目标人员标识;确定采样窗口和识别频率;基于目标行为视频、识别频率和采样窗口,确定行为数组序列;将行为数组序列输入预先确定的分类模型,以得到动作指征序列;根据动作指征序列,确定异常指标;响应于异常指标符合预设条件,将目标人员标识发送至目标设备,其中,目标设备发出报警提示信息,该报警提示信息表征目标人员标识对应的人员行为异常。
第二方面,本公开的一些实施例提供了一种异常行为报警装置,装置包括:检测单元,被配置成检测是否从目标终端设备接收到操作授权信号,其中,操作授权信号是用户对目标控件执行目标操作产生的信号;接收单元,被配置成响应于检测到操作授权信号,获取目标用户标识和目标搜索关键词;第一确定单元,被配置成根据目标用户标识、目标搜索关键词和预先确定的分段数据对集集合,确定初始信息序列;第二确定单元,被配置成根据目标用户标识、预先确定的目标点击信息数组序列集合和初始信息序列,确定目标信息序列;控制单元,被配置成将目标信息序列推送至目标终端设备,以及控制目标终端设备进行报警提示操作。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常行为报警方法能够利用目标行为视频自动生成动作指征序列,能够根据预设条件对异常行为进行报警,提高了对异常行为报警的准确度。具体来说,发明人发现,造成对未洗手的异常行为无法准确报警的问题在于:传统判断方法根据感应医护人员是否靠近水池来判断是否洗手,无法真正判断医护人员是否按照要求完成了洗手的动作,从而导致一些只是靠近、并未洗手的异常行为无法识别,无法对异常行为进行报警。基于此,首先,本公开的一些实施例获取目标行为视频。具体的,目标行为视频可以是医护人员进入房间后一段时间内拍摄的视频。其次,基于目标行为视频,确定目标人员标识。具体的,可以根据目标行为视频中拍摄的人脸进行人脸识别,通过与预设的人脸库中的人脸图像进行比对,判断人员身份,确定目标人员标识。再次,确定采样窗口和识别频率。然后,基于目标行为视频、识别频率和采样窗口,确定行为数组序列。具体的,可以对目标行为视频进行姿态识别,获取到医护人员的行为数组序列。再然后,将行为数组序列输入预先确定的分类模型,以得到动作指征序列。动作指征序列中的动作指征可以表征分类处理后的动作类别信息。最后,根据动作指征序列,确定异常指标。根据异常指标与预设条件的比对判断是否出现未洗手的异常行为,并针对异常行为发出报警提示。该方法对目标行为视频进行姿态识别处理后,利用预先确定的分类模型进行目标行为的类别识别,以自动预测未洗手的异常行为,能够根据行为进行异常识别,提高了识别准确度,也改进了异常报警的效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性***的架构图;
图2是根据本公开的异常行为报警方法的一些实施例的流程图;
图3是示例性的授权提示框;
图4是根据本公开的用于训练分类模型的训练步骤的一个实施例的流程图;
图5是根据本公开的异常行为报警装置的一些实施例的流程图;
图6是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的异常行为报警方法的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如信息处理应用、信息生成应用、数据分析应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种终端设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供目标行为视频输入等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103输入的目标行为视频进行存储的服务器等。服务器可以对接收到的目标行为视频进行处理,并将处理结果(例如异常指标)反馈给终端设备。
需要说明的是,本公开实施例所提供的异常行为报警方法可以由服务器105,也可以由终端设备执行。
需要指出的是,服务器105的本地也可以直接存储目标行为视频,服务器105可以直接提取本地的目标行为视频通过处理后得到异常指标,此时,示例性***架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有异常行为报警应用,此时,处理方法也可以由终端设备101、102、103执行。此时,示例性***架构100也可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供异常行为报警服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的异常行为报警方法的一些实施例的流程200。该异常行为报警方法,包括以下步骤:
步骤201,获取目标行为视频。
在一些实施例中,异常行为报警方法的执行主体(例如图1所示的服务器)检测是否从目标设备接收到操作授权信号。其中,操作授权信号是用户对目标控件执行操作产生的信号。上述目标设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”,也可以是“电脑”。上述目标控件可以包含于授权提示框中。目标控件显示于授权提示框中,授权提示框在目标设备上显示。响应于检测到操作授权信号,获取目标行为视频。
作为示例,上述授权提示框可以如图3所示。上述授权提示框可以包括:提示信息显示部分301和控件302。其中,上述提示信息显示部分301可以用于显示提示信息。上述提示信息可以是“是否允许获取目标行为视频”。上述控件302可以是“确认按钮”,也可以是“取消按钮”。
在一些实施例中,异常行为报警方法的执行主体响应于检测到操作授权信号,获取目标行为视频。其中,目标行为视频包括第一数目帧目标行为图像。具体的,目标行为视频可以是通过摄像头和嵌入式设备捕获的。摄像头和嵌入式设备可以部署在医院病房的水池位置。目标行为视频可以是展示医护人员进入病房后的行动信息的视频。
步骤202,基于目标行为视频,确定目标人员标识。
在一些实施例中,异常行为报警方法的执行主体(例如图1所示的服务器)基于目标行为视频,确定目标人员标识。具体的,可以根据目标行为图像进行人脸识别,以确定目标人员标识。具体的,可以预先确定医院的人脸数据库,其中,人脸数据库中的人脸图像为医院医护人员的正面、侧面人脸图像。可以利用人脸识别技术对目标行为图像中的人脸进行识别。响应于在预先确定的医院的人脸数据库中查找到医护人员的人脸,将该查找到的医护人员的标识确定为目标人员标识。人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识别技术属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流,首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。具体的,可以使用特征向量法进行人脸识别,也可以使用面纹模板法进行人脸识别。
步骤203,确定采样窗口和识别频率。
在一些实施例中,上述执行主体确定采样窗口和识别频率。具体的,识别频率可以表征每秒识别目标行为视频中目标行为图像的次数。具体的,识别频率可以是5Hz,每秒识别五次。采样窗口可以用于表征在目标行为视频中识别目标行为图像的滑动窗口。具体的,采样窗口可以是3秒钟,采样3秒钟之内的目标行为图像。
步骤204,基于目标行为视频、识别频率和采样窗口,确定行为数组序列。
在一些实施例中,上述执行主体基于目标行为视频、识别频率和采样窗口,确定行为数组序列。可选的,对于目标行为视频中的每一帧目标行为图像,确定该目标行为图像的关键点坐标数组序列,以得到关键点坐标数组序列集合。其中,关键点坐标数组序列包括第二数目个关键点坐标数组,关键点坐标数组表征关键点的三维视频坐标。对于目标行为视频中的每一帧目标行为图像,利用预先确定的姿态识别模型,确定该目标行为图像中的关键点序列。其中,关键点序列包括手部关键点序列、四肢关键点序列和躯干关键点序列。具体的,姿态识别模型是指计算机识别人体姿态的模型。预先确定的姿态识别模型可以是利用输入的目标行为视频生成三维身体姿态。具体的,人的手指和手腕部位共有54个关键点。可以将54个关键点的序列确定为关键点序列。对于关键点序列中的每个关键点,确定该关键点的关键点坐标数组,以得到该目标行为图像的关键点坐标数组序列。具体的,手指和手腕部位的关键点坐标可以是[[x0,y0,z0],[x1,y1,z1]...[x53,y53,z53]]。其中,x、y、z分别表示三维坐标,0、1、53,分别为关键点计数,[x0,y0,z0]表示该目标行为图像的第一个关键点坐标数组,[x1,y1,z1]表示该目标行为图像的第二个关键点坐标数组,[x53,y53,z53]表示该目标行为图像的第54个关键点坐标数组。
根据关键点坐标数组序列集合、识别频率和采样窗口,确定扩展关键点坐标数组序列。其中,扩展关键点坐标数组序列包括第三数目个扩展关键点坐标数组,第三数目为识别频率和采样窗口的乘积。扩展关键点坐标数组序列中的扩展关键点坐标数组表征扩展关键点的三维视频坐标。将扩展关键点坐标数组序列确定为行为数组序列,其中,行为数组为扩展关键点坐标数组。具体的,对于目标行为视频中的每一帧目标行为图像,根据识别频率和采样窗口进行采样,确定该目标行为图像的关键点坐标数组序列为3x5x54x3大小的数据序列,以得到关键点坐标数组序列集合。具体的,关键点坐标数组序列中的坐标数组中的数据,均已经被归一化成[0,1]范围内的值,可以表征人体的手指和腕部相对于整个画面的相对值,从而减少因为摄像头分辨率不一致,而需要重新调整模型参数的问题。
上述步骤203-204中的可选内容,即:“根据目标行为视频进行人体关键部位姿态识别后生成行为数组序列的技术方法”作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“根据人的姿态进行洗手动作的识别和判断,由于人体中的关键点较多,视频拍摄的清晰度也受光照、环境布局等多种因素影响,往往存在识别准确度低的问题,从而导致无法准确对异常行为进行预警。”导致异常行为预警准确度较差的因素往往如下:对视频中完整人体进行姿态识别以生成行为数组序列收到外部环境的影响较大,准确度较低。如果解决了上述因素,就能达到提高输出报警准确度的效果。为了达到这一效果,本公开对人体中关键部位进行姿态识别,以及通过采样窗口和识别频率进行多次采样的方式生成行为数组序列。首先,确定采样窗口和识别频率作为采样的指标。然后,对目标行为视频中的目标行为图像进行关键部位的姿态识别。具体的,关键点序列包括手部关键点序列、四肢关键点序列和躯干关键点序列。最后,根据采样窗口和识别频率对目标行为图像进行提取,以生成行为数组序列用于后续的行为类别识别。这种方法考虑了人体关键部位的姿态识别,加大了采样频率,减少了外部因素的影响,从而辅助提高后续异常行为识别报警的准确度,从而解决了技术问题二。
步骤205,将行为数组序列输入预先确定的分类模型,以得到动作指征序列。
在一些实施例中,上述执行主体将行为数组序列输入预先确定的分类模型,以得到动作指征序列。具体的,预先确定的分类模型可以是卷积神经网络,预先确定的分类模型也可以是长短期记忆人工神经网络,预先确定的分类模型还可以是多层感知器。具体的,在将行为数组序列输入预先确定的分类模型之前,还可以利用历史数据库对预先训练的分类模型进行微调,以更新预先确定的分类模型中的各个参数。具体的,历史数据库可以由从选定的目标医院中收集得到的历史数据组成。
具体的,动作指征序列包括第三数目个动作指征。第三数目为识别频率和采样窗口的乘积。动作指征的取值范围为[0,1],“1”表征洗手行为,“0”表征未洗手行为。具体的,对于行为数组序列中的每个行为数组,该行为数组输入预先确定的分类模型后,生成该行为数组的类别,以得到类别序列。具体的,类别的取值范围为[0,1,2,3,4,5,6,7]。其中,“0”表征未洗手行为,“1”表征第一步洗手行为、“2”表征第二步洗手行为,“3”表征第三步洗手行为,“4”表征第四步洗手行为,“5”表征第五步洗手行为,“6”表征第六步洗手行为,“7”表征第七步洗手行为。具体的,“1”、“2”、“3”、“4”、“5”、“6”、“7”可以分别表征七步洗手法中的步骤。七步洗手法指的是洗手掌、洗手背侧指缝、洗手掌侧指缝、洗指背、洗拇指、洗指尖、洗手腕和手臂,七步洗手法是规范且卫生的洗手方法。其中,“0”表征未洗手行为,“1”表征洗手掌行为、“2”表征洗手背侧指缝行为,“3”表征洗手掌侧指缝行为,“4”表征洗指背行为,“5”表征洗拇指行为,“6”表征洗指尖行为,“7”表征洗手腕和手臂行为。具体的,对于行为数组序列中的每个行为数组,响应于该行为数组的类别为“0”,生成该行为数组对应的动作指征为“0”。响应于该行为数组的类别为“1”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“2”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“3”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“4”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“5”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“6”,生成该行为数组对应的动作指征为“1”。响应于该行为数组的类别为“7”,生成该行为数组对应的动作指征为“1”。
步骤206,根据动作指征序列,确定异常指标。
在一些实施例中,上述执行主体根据动作指征序列,确定异常指标。响应于在动作序列中查找到“1”,将异常指标确定为“1”。具体的,响应于在动作序列中查找到“1”,表征在目标行为视频中出现了洗手行为。响应于在动作序列中未查找到“1”,将异常指标确定为“0”。具体的,响应于在动作序列中未查找到“1”,表征在目标行为视频中没有出现洗手行为。
步骤207,响应于异常指标符合预设条件,将目标人员标识发送至目标设备。
在一些实施例中,上述执行主体响应于异常指标符合预设条件,将目标人员标识发送至目标设备。其中,目标设备发出报警提示信息,报警提示信息表征目标人员标识对应的人员行为异常。具体的,预设条件可以是未完成洗手动作。响应于未完成洗手动作,将目标人员标识发送至目标设备。
图2给出的一个实施例具有如下有益效果:获取目标行为视频;基于目标行为视频,确定目标人员标识;确定采样窗口和识别频率;基于目标行为视频、识别频率和采样窗口,确定行为数组序列;将行为数组序列输入预先确定的分类模型,以得到动作指征序列;根据动作指征序列,确定异常指标;响应于异常指标符合预设条件,将目标人员标识发送至目标设备,其中,目标设备发出报警提示信息,该报警提示信息表征目标人员标识对应的人员行为异常。该实施方式利用目标行为视频自动生成动作指征序列,能够根据预设条件对异常行为进行报警,提高了对异常行为报警的准确度。
继续参考图4,示出了根据本公开的预先确定的分类模型的训练步骤的一个实施例的流程400。该训练步骤可以包括以下步骤:
步骤401,获取样本集。
在一些实施例中,该训练步骤的执行主体可以与异常行为报警方法的执行主体(例如图1所示的服务器)相同或者不同。如果相同,则该训练步骤的执行主体可以在训练得到分类模型后将训练好的分类模型的模型结构信息和模型参数的参数值存储在本地。如果不同,则该训练步骤的执行主体可以在训练得到分类模型后将训练好的分类模型的模型结构信息和模型参数的参数值发送给异常行为报警方法的执行主体。
在一些实施例中,该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取样本集。其中,样本集中的样本包括样本行为数组序列和对应于样本行为数组序列的样本类别。
可选的,样本类别的取值范围为[0,1,2,3,4,5,6,7]。其中,“0”表征未洗手行为,“1”表征第一步洗手行为、“2”表征第二步洗手行为,“3”表征第三步洗手行为,“4”表征第四步洗手行为,“5”表征第五步洗手行为,“6”表征第六步洗手行为,“7”表征第七步洗手行为。具体的,“1”、“2”、“3”、“4”、“5”、“6”、“7”可以分别表征七步洗手法中的步骤。七步洗手法指的是洗手掌、洗手背侧指缝、洗手掌侧指缝、洗指背、洗拇指、洗指尖、洗手腕和手臂,七步洗手法是规范且卫生的洗手方法。其中,“0”表征未洗手行为,“1”表征洗手掌行为、“2”表征洗手背侧指缝行为,“3”表征洗手掌侧指缝行为,“4”表征洗指背行为,“5”表征洗拇指行为,“6”表征洗指尖行为,“7”表征洗手腕和手臂行为。
步骤402,确定初始分类模型的模型结构以及初始化初始分类模型的模型参数。
在一些实施例中,该训练步骤的执行主体可以首先确定初始分类模型的模型结构。具体的,初始分类模型可以是卷积神经网络,初始分类模型也可以是长短期记忆人工神经网络,初始分类模型还可以是多层感知器。
然后,该训练步骤的执行主体可以初始化初始分类模型的模型参数。实践中,可以将初始分类模型的各个模型参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
步骤403,利用机器学习方法,将样本集中的样本包括的样本行为数组序列作为初始分类模型的输入,将与输入的样本行为数组序列对应的预先得到的样本的类别作为初始分类模型的期望输出,训练得到分类模型。
在一些实施例中,该训练步骤的执行主体可以利用机器学习方法,将样本集中的样本包括的样本行为数组序列作为初始分类模型的输入,将与输入的样本行为数组序列对应的预先得到的样本的类别作为初始分类模型的期望输出,训练得到分类模型。
具体,将选取的样本的样本行为数组序列输入至初始分类模型,以得到选取的样本的类别。将选取的样本的类别与对应的样本类别进行比较。根据比较结果确定初始分类模型是否达到预设的优化目标。具体的,优化目标可以是小于预先确定的阈值,优化目标也可以是达到预先确定的迭代次数。响应于确定初始分类模型达到优化目标,将初始分类模型作为预先确定的分类模型。
响应于确定初始分类模型未训练完成,调整初始分类模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始分类模型作为初始分类模型,再次执行训练步骤。
图4给出的一个实施例具有如下有益效果:通过预先生成分类模型,能够利用自动识别技术对目标行为视频进行处理,自动获得医护人员的行为类别信息,从而辅助后续异常行为识别和预警,提高预警的水平。
进一步参考图5,作为对上述各图上述方法的实现,本公开提供了一种异常行为报警装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种终端设备中。
如图5所示,一些实施例的异常行为报警装置500,装置包括:获取单元501、第一确定单元502、第二确定单元503、第三确定单元504、生成单元505、第四确定单元506和控制单元507。其中,获取单元501,被配置成获取目标行为视频,其中,目标行为视频包括第一数目帧目标行为图像。第一确定单元502,被配置成基于目标行为视频,确定目标人员标识。第二确定单元503,被配置成确定采样窗口和识别频率。第三确定单元504,被配置成基于目标行为视频、识别频率和采样窗口,确定行为数组序列。生成单元505,被配置成将行为数组序列输入预先确定的分类模型,以得到动作指征序列。第四确定单元506,被配置成根据动作指征序列,确定异常指标。控制单元507,被配置成响应于异常指标符合预设条件,将目标人员标识发送至目标设备,其中,目标设备发出报警提示信息,报警提示信息表征目标人员标识对应的人员行为异常。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开实施例的终端设备的计算机***600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM,Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括硬盘等的存储部分606;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器608上,以便于从其上读出的计算机程序根据需要被安装入存储部分606。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分607从网络上被下载和安装,和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的方法中限定的上述功能。需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种异常行为报警方法,包括:
获取目标行为视频,其中,所述目标行为视频包括第一数目帧目标行为图像;
基于所述目标行为视频,确定目标人员标识;
确定采样窗口和识别频率;
基于所述目标行为视频、所述识别频率和所述采样窗口,确定行为数组序列;
将所述行为数组序列输入预先确定的分类模型,以得到动作指征序列;
根据所述动作指征序列,确定异常指标;
响应于所述异常指标符合预设条件,将所述目标人员标识发送至目标设备,其中,所述目标设备发出报警提示信息,所述报警提示信息表征所述目标人员标识对应的人员行为异常。
2.根据权利要求1所述的方法,其中,所述基于所述目标行为视频、所述识别频率和所述采样窗口,确定行为数组序列,包括:
对于所述目标行为视频中的每一帧目标行为图像,确定该目标行为图像的关键点坐标数组序列,以得到关键点坐标数组序列集合,其中,所述关键点坐标数组序列包括第二数目个关键点坐标数组,所述关键点坐标数组表征关键点的三维视频坐标;
根据所述关键点坐标数组序列集合、所述识别频率和所述采样窗口,确定扩展关键点坐标数组序列,其中,所述扩展关键点坐标数组序列包括第三数目个扩展关键点坐标数组,所述第三数目为所述识别频率和所述采样窗口的乘积,所述扩展关键点坐标数组序列中的扩展关键点坐标数组表征扩展关键点的三维视频坐标;
将所述扩展关键点坐标数组序列确定为所述行为数组序列,其中,所述行为数组为所述扩展关键点坐标数组。
3.根据权利要求2所述的方法,其中,所述预先确定的分类模型是通过如下步骤得到的:
确定初始分类模型的模型结构以及初始化所述初始分类模型的模型参数;
获取样本集,其中,所述样本集中的样本包括样本行为数组序列和对应于所述样本行为数组序列的样本类别;
从所述样本集中选取样本,以及执行以下训练步骤:
将选取的样本的样本行为数组序列输入初始分类模型,得到样本的类别;
将所述选取的样本的类别与对应的样本类别进行比较;
根据比较结果确定所述初始分类模型是否训练完成;
响应于确定初始分类模型训练完成,将所述初始分类模型确定为预先确定的分类模型。
4.根据权利要求1-3之一所述的方法,其中,所述方法还包括:
响应于确定初始分类模型未训练完成,调整初始分类模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始分类模型作为初始分类模型,继续执行所述训练步骤。
5.根据权利要求4所述的方法,其中,所述样本类别的取值范围为[0,1,2,3,4,5,6,7],其中,“0”表征未洗手行为,“1”表征第一步洗手行为,“2”表征第二步洗手行为,“3”表征第三步洗手行为,“4”表征第四步洗手行为,“5”表征第五步洗手行为,“6”表征第六步洗手行为,“7”表征第七步洗手行为。
6.根据权利要求5所述的方法,其中,所述动作指征序列包括第三数目个动作指征,所述动作指征的取值范围为[0,1],“1”表征洗手行为,“0”表征未洗手行为。
7.根据权利要求6所述的方法,其中,所述根据所述动作序列,确定异常指标,包括:
响应于在所述动作序列中查找到“1”,将所述异常指标确定为“1”。
8.根据权利要求7所述的方法,其中,所述根据所述动作序列,确定异常指标,包括:
响应于在所述动作序列中未查找到“1”,将所述异常指标确定为“0”。
9.根据权利要求8所述的方法,其中,所述确定该目标行为图像的关键点坐标数组序列,包括:
利用预先确定的姿态识别模型,确定该目标行为图像中的关键点序列,其中,所述关键点序列包括手部关键点序列、四肢关键点序列和躯干关键点序列;
对于所述关键点序列中的每个关键点,确定该关键点的关键点坐标数组,以得到该目标行为图像的关键点坐标数组序列。
10.一种异常行为报警装置,包括:
获取单元,被配置成获取目标行为视频,其中,所述目标行为视频包括第一数目帧目标行为图像;
第一确定单元,被配置成基于所述目标行为视频,确定目标人员标识;
第二确定单元,被配置成确定采样窗口和识别频率;
第三确定单元,被配置成基于所述目标行为视频、所述识别频率和所述采样窗口,确定行为数组序列;
生成单元,被配置成将所述行为数组序列输入预先确定的分类模型,以得到动作指征序列;
第四确定单元,被配置成根据所述动作指征序列,确定异常指标;
控制单元,被配置成响应于所述异常指标符合预设条件,将所述目标人员标识发送至目标设备,其中,所述目标设备发出报警提示信息,所述报警提示信息表征所述目标人员标识对应的人员行为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800059.9A CN113569671A (zh) | 2021-07-13 | 2021-07-13 | 异常行为报警方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800059.9A CN113569671A (zh) | 2021-07-13 | 2021-07-13 | 异常行为报警方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569671A true CN113569671A (zh) | 2021-10-29 |
Family
ID=78165020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110800059.9A Pending CN113569671A (zh) | 2021-07-13 | 2021-07-13 | 异常行为报警方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569671A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095753A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 视频流处理方法、装置、设备、介质和程序产品 |
CN116935315A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种病房环境的监控方法、装置、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170011571A (ko) * | 2015-07-23 | 2017-02-02 | 삼성전자주식회사 | 광학사물인식 기반 전자 장치 및 그 전자 장치의 운용 방법 |
CN108109336A (zh) * | 2017-11-28 | 2018-06-01 | 北京品驰医疗设备有限公司 | 一种基于加速度传感器的人体跌倒识别方法 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109558865A (zh) * | 2019-01-22 | 2019-04-02 | 郭道宁 | 一种基于人体关键点的对需特别看护人员的异常状态检测方法 |
US20200367974A1 (en) * | 2019-05-23 | 2020-11-26 | Surgical Safety Technologies Inc. | System and method for surgical performance tracking and measurement |
CN112507830A (zh) * | 2020-11-30 | 2021-03-16 | 京东方科技集团股份有限公司 | 高风险区防护管控方法、***及存储介质 |
CN112507880A (zh) * | 2020-12-09 | 2021-03-16 | 杭州百世伽信息科技有限公司 | 模型训练方法、洗手行为检测方法、装置、设备及介质 |
US20210110700A1 (en) * | 2019-10-09 | 2021-04-15 | Visualq | Hand sanitation compliance enforcement systems and methods |
CN112686075A (zh) * | 2019-10-17 | 2021-04-20 | 中国电信股份有限公司 | 行为检测方法、装置和*** |
CN113033529A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 基于图像识别的预警方法、装置、电子设备和介质 |
-
2021
- 2021-07-13 CN CN202110800059.9A patent/CN113569671A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170011571A (ko) * | 2015-07-23 | 2017-02-02 | 삼성전자주식회사 | 광학사물인식 기반 전자 장치 및 그 전자 장치의 운용 방법 |
CN108109336A (zh) * | 2017-11-28 | 2018-06-01 | 北京品驰医疗设备有限公司 | 一种基于加速度传感器的人体跌倒识别方法 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109558865A (zh) * | 2019-01-22 | 2019-04-02 | 郭道宁 | 一种基于人体关键点的对需特别看护人员的异常状态检测方法 |
US20200367974A1 (en) * | 2019-05-23 | 2020-11-26 | Surgical Safety Technologies Inc. | System and method for surgical performance tracking and measurement |
US20210110700A1 (en) * | 2019-10-09 | 2021-04-15 | Visualq | Hand sanitation compliance enforcement systems and methods |
CN112686075A (zh) * | 2019-10-17 | 2021-04-20 | 中国电信股份有限公司 | 行为检测方法、装置和*** |
CN112507830A (zh) * | 2020-11-30 | 2021-03-16 | 京东方科技集团股份有限公司 | 高风险区防护管控方法、***及存储介质 |
CN112507880A (zh) * | 2020-12-09 | 2021-03-16 | 杭州百世伽信息科技有限公司 | 模型训练方法、洗手行为检测方法、装置、设备及介质 |
CN113033529A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 基于图像识别的预警方法、装置、电子设备和介质 |
Non-Patent Citations (3)
Title |
---|
李天赠 等: "基于CFD技术的防溅水洗手盆创新设计方法", 《机械设计》, vol. 35, no. 12, 31 December 2018 (2018-12-31), pages 124 - 128 * |
邓侃: "Aif-T18融合蛋白对TEM1阳性细胞的体外杀伤效果评价", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 2017, 15 May 2017 (2017-05-15), pages 072 - 5 * |
马宝庆 等: "基于全方位视觉的独居老人监护***", 《计算机工程》, vol. 39, no. 08, 31 August 2013 (2013-08-31), pages 44 - 49 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095753A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 视频流处理方法、装置、设备、介质和程序产品 |
CN116935315A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种病房环境的监控方法、装置、设备和介质 |
CN116935315B (zh) * | 2023-07-21 | 2024-05-28 | 浙江远图技术股份有限公司 | 一种病房环境的监控方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875833B (zh) | 神经网络的训练方法、人脸识别方法及装置 | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
US20170109656A1 (en) | Data-driven activity prediction | |
US9769166B1 (en) | Wearable sensor based system for person identification | |
US11631306B2 (en) | Methods and system for monitoring an environment | |
CN113569671A (zh) | 异常行为报警方法、装置 | |
CN109697499A (zh) | 行人流量漏斗生成方法及装置、存储介质、电子设备 | |
CN111241883B (zh) | 防止远程被测人员作弊的方法和装置 | |
CN108133197B (zh) | 用于生成信息的方法和装置 | |
CN109598229A (zh) | 基于动作识别的监控***及其方法 | |
CN111227789A (zh) | 人体健康监护方法和装置 | |
CN114359970A (zh) | 行人重识别方法、装置、电子设备及存储介质 | |
CN110991249A (zh) | 人脸检测方法、装置、电子设备及介质 | |
CN110717461A (zh) | 一种疲劳状态识别方法、装置和设备 | |
KR20230069892A (ko) | 이상 온도를 나타내는 객체를 식별하는 방법 및 장치 | |
Sun et al. | Real-time elderly monitoring for senior safety by lightweight human action recognition | |
CN113990500A (zh) | 一种生命体征参数的监测方法、装置以及储存介质 | |
CN114005177B (zh) | 人物交互检测方法、神经网络及其训练方法、设备和介质 | |
CN109545392B (zh) | 基于物联网的远程监控方法、装置、设备及介质 | |
CN110393539B (zh) | 心理异常检测方法、装置、存储介质及电子设备 | |
CN117158955A (zh) | 基于可佩戴监测设备的用户安全智能监测方法 | |
US20230140093A1 (en) | System and method for patient movement detection and fall monitoring | |
JP2021033359A (ja) | 感情推定装置、感情推定方法、プログラム、情報提示装置、情報提示方法及び感情推定システム | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
JP2018142137A (ja) | 情報処理装置、情報処理方法、及びプログラム |
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 |