CN114495270A - 一种实时监控预警方法、装置、***及存储介质 - Google Patents

Abstract

本发明公开了一种实时监控预警方法、装置、***及存储介质。该方法包括：通过实时采集目标人员的生活图像数据；根据生活图像数据构建出监测目标人员的监测模型；根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；获取实时监测信息中未出现目标人员的实时监测时间段；若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。通过本申请的实施例能够通过拍摄终端对目标人员实时进行监测，并发送异常情况至移动终端设备并进行预警，以提示移动设备的使用者及时查看目标人员的情况。

Description

一种实时监控预警方法、装置、***及存储介质

技术领域

本发明涉及计算机技术领域，尤其是涉及一种实时监控预警方法、装置、***及存储介质。

背景技术

智能视频监控是计算机视觉技术在安防领域应用的一个分支。

随着，中国人口老龄化趋势日渐明显，养老已成为社会焦点问题之一，由于经济、理念和医疗紧缺等原因的影响，大多老人选择居家养老，子女在下班后可以照顾父母，而在上班时，老人大多独居在家，仍然存在一定的隐患，而请看护人员的成本较高。

相关技术中，拍摄终端通常放置在家门口，能够监视到家庭画面中的人员，但是通常是在看视频回放或者一直查看监视视频画面，才能知道家中老人、儿童等人员的情况。因此，当居家老人或者儿童在家出现异常情况时，并不能够及时的对其进行救治。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种实时监控预警方法、装置、***及存储介质，能够通过拍摄终端对目标人员实时进行监测，并发送异常情况至移动终端设备并进行预警。

根据本发明申请的第一方面实施例的一种实时监控预警方法，包括：

实时采集目标人员的生活图像数据；

根据生活图像数据构建出监测目标人员的监测模型；

根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；

获取实时监测信息中未出现目标人员的实时监测时间段；

若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。

本发明实施例的一种实时监控预警方法至少具有如下有益效果：通过实时采集目标人员的生活图像数据；根据生活图像数据构建出监测目标人员的监测模型；根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；获取实时监测信息中未出现目标人员的实时监测时间段；若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。因此，通过拍摄终端对目标人员实时进行监测，并发送异常情况至移动终端设备并进行预警，以提示移动设备的使用者及时查看目标人员的情况。

根据本申请的一些实施例，在将异常监测信息发送至移动终端设备并进行预警之后，所述方法还包括：

将确认信息发送至移动终端设备，以使移动终端设备根据确认信息与目标人员的目标终端设备进行通信；

接收移动终端设备根据与目标终端设备的通信情况发送的反馈信息。

根据本申请的一些实施例，在接收移动终端设备根据与目标终端设备的通信情况发送的反馈信息之后，所述方法还包括：

根据反馈信息为通信正常解除预警；

根据反馈信息为通信异常获取预先存储的反馈医护救助信息，并将反馈医护救助信息发送至移动终端设备。

根据本申请的一些实施例，实时采集目标人员的生活图像数据，包括：

接收看护模式启动指令，并根据看护模式启动指令进入预设的监测模式；

根据监测模式实时监测预设区域中目标人员的生活图像数据，预设区域为目标人员所在的区域。

根据本申请的一些实施例，根据生活图像数据构建出监测目标人员的监测模型，包括：

对生活图像数据进行识别处理，得到目标人员的人形姿态数据；

将人形姿态数据输入预设的神经网络模型进行学习，输出监测参数；

根据监测参数和生活图像数据，构建出监测目标人员的监测模型。

根据本申请的一些实施例，对生活图像数据进行识别处理，得到目标人员的人形姿态数据，包括：

对生活图像数据进行人形识别处理，得到人形关键特征数据；

对人形关键特征数据进行预处理，得到与目标人员对应的人形姿态数据。

根据本申请的一些实施例，对生活图像数据进行人形识别处理，得到人形关键特征数据，包括：

利用预设的分类算法对生活图像数据进行分类，得到多个不同的候选框数据；

对多个候选框数据进行筛选处理，筛选出人形关键特征数据。

根据本申请的二方面实施例的一种实时监控预警装置，包括：

采集模块，用于实时采集目标人员的生活图像数据；

构建模块，用于根据生活图像数据构建出监测目标人员的监测模型；

监测模块，用于根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；

获取模块，用于获取实时监测信息中未出现目标人员的实时监测时间段；

预警模块，用于若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。

本发明实施例的一种实时监控预警装置至少具有如下有益效果：通过实时采集目标人员的生活图像数据；根据生活图像数据构建出监测目标人员的监测模型；根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；获取实时监测信息中未出现目标人员的实时监测时间段；若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。因此，能够通过拍摄终端对目标人员实时进行监测，并发送异常情况至移动终端设备并进行预警，以提示移动设备的使用者及时查看目标人员的情况。

根据本申请的第三方面实施例的一种实时监控预警***，包括：

一种实时监控预警装置；

拍摄终端；

一种实时监控预警装置执行：

如本发明第一方面的一种实时监控预警方法。

根据本申请的第四方面实施例的存储介质存储有可执行指令，可执行指令能被计算机执行，使计算机执行如本发明第一方面的一种实时监控预警方法。

本发明的附加方面和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，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明提供的一种实时监控预警方法的第一具体流程示意图；

图2为图1中步骤S500之前对一种实时监控预警方法补充的第二具体流程示意图；

图3为图2中步骤S700之后对一种实时监控预警方法补充的第三具体流程示意图；

图4为图1中步骤S100的一具体流程示意图；

图5为图1中步骤S200的一具体流程示意图；

图6为图5中步骤S210的一具体流程示意图；

图7为图6中步骤S211的一具体流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

首先，对本申请中涉及的若干名词进行解析：

拍摄终端：又叫做摄像头(CAMERA或WEBCAM)，又称为电脑相机、电脑眼、电子眼等，是一种视频输入设备，被广泛的应用于视频会议、远程医疗及实时监控等方面。普通的人也可以彼此通过摄像头在网络进行有影像、有声音的交谈和沟通。另外，人们还可以将其用于当前各种流行的数码影像、影音处理等。

监测模型：在本申请的实施例中是指，通过神经网络模型和生活图像数据构建出监测目标人员的一种数据模型。

移动终端设备：在本申请的实施例中，指计算机、智能手机、平板等可以进行通信的终端设备。

CNN：Convolutional Neural Networks,卷积神经网络，简称CNN，是一种前馈神经网络。

RNN：Recurrent Neural Networks,循环神经网络，简称RNN，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

R-CNN网络：Region-based Convolutional Neural Networks，或RegionswithCNN features,简称R-CNN，是将候选区域算法SelectiveSearch和卷积神经网络相结合的算法，其使得检测速度和精度明显提升。

FastRCNN网络：是一种二阶段的目标检测方法，FastRCNN是对R_CNN的改进，是基于深度学习R-CNN系列目标检测最好的方法。

本公开实施例提供一种实时监控预警方法、装置、***及存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的一种实时监控预警方法。

如图1所示，其为本申请实施例提供的一种实时监控预警方法的实施流程示意图，一种实时监控预警方法可以包括但不限于步骤S100至S500。

S100，实时采集目标人员的生活图像数据；

S200，根据生活图像数据构建出监测目标人员的监测模型；

S300，根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；

S400，获取实时监测信息中未出现目标人员的实时监测时间段；

S500，若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。

在一些实施例的步骤S100中，实时采集目标人员的生活图像数据，可以理解的是，目标人员可以为居家老人、儿童、居家病人等。生活图像数据为拍摄终端拍摄到的目标人员在家有规律的生活的图像数据，比如，居家老人在上午9时左右会准时从卧室门走出，进入卫生间门，又或者说居家老人在中午11时会进入厨房做午饭，通过拍摄终端实时采集在预设的空间环境中的目标人员的生活图像数据。

在一些实施例的步骤S200中，根据生活图像数据构建出监测目标人员的监测模型，其具体执行步骤可以为先对生活图像数据进行识别处理，得到目标人员的人形姿态数据，再将人形姿态数据输入预设的神经网络模型进行学习，输出监测参数，最后根据监测参数和生活图像数据，从而构建出监测目标人员的监测模型，用于实时监测目标人员，以寻找出其生活规律。

在一些实施例的步骤S300中，根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息。可以理解的是，预设的空间环境，比如将一台拍摄终端放置在客厅的墙角处，能够拍摄到客厅的全部空间环境，当有人出现在客厅时，会先进行人形识别，判别出是否存在目标人员，能够防止客人到家做访是被误认为是目标人员，以致进行错误预警。通过拍摄终端进行实时的监测预设的空间环境中的目标人员，从而得到实时监测信息，

要说明的是，对于拍摄终端的放置位置，并不做进一步限定，也可放置在农院家庭的庭院里，以及客厅角落。因此，拍摄终端根据不同的具体现场实景可进行不同放置。

在一些实施例的步骤S400中，获取实时监测信息中未出现目标人员的实时监测时间段。可以理解的是，获取到拍摄终端拍摄的实时视频集，统计出在进行实时监控预设的空间环境时未监测到目标人员的实时监测时间段，用于对其进行分析。

在一些实施例的步骤S500中，若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。可以理解的是，预设的时间段阈值比如为1个小时，当实时监测预设的空间环境中的目标人员时，居家老人通常9时左右会出现在拍摄终端的监测区域内，被拍摄终端采集到生活图像数据，但是在某一天的8时-10时，实时监测信息中仍未出现居家老人的画面，则生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。

需要说明的是，移动终端设备可以为手机、计算机、平板等智能移动终端设备。

进一步地，预警为在移动终端设备上显示异常监测信息以及拍摄终端发出警报预警。

在一些实施例中，参考图2所示，在执行步骤S500之后，一种实时监控预警方法还可以包括但不限于步骤S600至S700。

S600，将确认信息发送至移动终端设备，以使移动终端设备根据确认信息与目标人员的目标终端设备进行通信；

S700，接收移动终端设备根据与目标终端设备的通信情况发送的反馈信息。

在一些实施例的步骤S600中，将确认信息发送至移动终端设备，以使移动终端设备根据确认信息与目标人员的目标终端设备进行通信。可以理解的是，确认信息是指持有移动终端设备的家属对接收到的异常监测信息进行确认的信息，以确认是否真的存在异常还是因为有其他事情发生而导致的意外预警，目标终端即目标人员的智能终端设备，比如智能手机、智能手表等。

进一步地，移动终端设备所对应的用户根据确认信息，并与目标人员的目标终端设备进行通信，以确定目标人员是否存在异常事情发生。

在一些实施例的步骤S700中，接收移动终端设备根据与目标终端设备的通信情况发送的反馈信息。可以理解的是，拍摄终端接收到移动终端设备发的家属与目标人员进行通信沟通的通信情况的反馈信息。

要说明的是，该通信情况可以为移动终端设备所对应的家属与目标终端设备对应的目标人员成功进行通信，并确保目标人员的安全，未发生任何异常；也可以为移动终端设备对应的家属未能够成功与目标终端设备对应的目标人员进行通信，且一直联系不上，则确认目标人员可能发生异常。

反馈信息为，移动终端设备根据通信情况返回给拍摄终端的信息，用以进行解除预警或者进一步进行报警。

在一些实施例中，参考图3所示，在执行步骤S700之后，一种实时监控预警方法还可以包括但不限于步骤S800至S900。

S800，根据反馈信息为通信正常解除预警；

S900，根据反馈信息为通信异常获取预先存储的反馈医护救助信息，并将反馈医护救助信息发送至移动终端设备。

在一些实施例的步骤S800中，根据反馈信息为通信正常解除预警。可以理解的是，拍摄终端接收到反馈信息是通信正常，就解除预警，包括停止拍摄终端发出的预警。

在一些实施例的步骤S900中，根据反馈信息为通信异常获取预先存储的反馈医护救助信息，并将反馈医护救助信息发送至移动终端设备。可以理解的是，如果反馈信息为通信异常，就获取到存储在拍摄终端中的反馈医护救助信息，该反馈医护救助信息，记录着家庭所在社区的紧急联系人的通信方式，直接将该紧急联系方式发送至移动终端设备，可以通过移动终端设备进行报警，也可将该异常信息直接发送至反馈医护救助信息所对应的社区人员，从而可以及时的对居家老人或者儿童，病人等进行及时地救助，以免因延误造成生命危险。

在一些实施例中，参考图4所示，步骤S100还可以包括但不限于步骤S110至S120。

S110，接收看护模式启动指令，并根据看护模式启动指令进入预设的监测模式；

S120，根据监测模式实时监测预设区域中目标人员的生活图像数据，预设区域为目标人员所在的区域。

在一些实施例的步骤S110中，接收看护模式启动指令，并根据看护模式启动指令进入预设的监测模式。可以理解的是，拍摄终端接收到来自用户的操作，拍摄终端的处理器发出的看护模式启动指令，然后根据看护模式的启动指令使的拍摄终端进入监测模式。

要说明的是，拍摄终端有多个模式，每个模式所执行的功能不同，每个模式根据用户的操作命令，可随时打开模式，关闭模式。

在一些实施例的步骤S120中，根据监测模式实时监测预设区域中目标人员的生活图像数据，预设区域为目标人员所在的区域。可以理解的是，在拍摄终端进入拍摄模式后，根据该监测模式实时监测预设区域中目标人员的生活图像数据，要说明的是，该预设区域即目标人员通常所在的区域，比如客厅，院子等。

在一些实施例中，参考图5所示，步骤S200还可以包括但不限于步骤S210至S230。

S210，对生活图像数据进行识别处理，得到目标人员的人形姿态数据；

S220，将人形姿态数据输入预设的神经网络模型进行学习，输出监测参数；

S230，根据监测参数和生活图像数据，构建出监测目标人员的监测模型。

在一些实施例的步骤S210中，对生活图像数据进行识别处理，得到目标人员的人形姿态数据。可以理解的是，其具体执行步骤可以为：先对生活图像数据进行人形识别处理，得到人形关键特征数据，再对人形关键特征数据进行预处理，得到与目标人员对应的人形姿态数据。

在一些实施例的步骤S220中，将人形姿态数据输入预设的神经网络模型进行学习，输出监测参数。可以理解的是，将通过步骤S210得到的人形姿态数据输入预设的神经网络模型进行机器学习，用以输出监测参数。

要说明的是，该神经网络模型可以为预设的深度学习模型，该算法的实现使用Faster-RCNN，为第三方开发的算法库，在本申请的实施例中不做进一步的说明。

在一些实施例的步骤S230中，根据监测参数和生活图像数据，构建出监测目标人员的监测模型。可以理解的是，通过步骤S220机器学习学习到的监测参数与生活图像数据，一起构建出监测目标人员的监测模型，用以根据该监测模型去监测目标人员，使得拍摄终端的监测预警更加准确。

在一些实施例中，参考图6所示，步骤S210还可以包括但不限于步骤S211至S212。

S211，对生活图像数据进行人形识别处理，得到人形关键特征数据；

S212，对人形关键特征数据进行预处理，得到与目标人员对应的人形姿态数据。

在一些实施例的步骤S211中，对生活图像数据进行人形识别处理，得到人形关键特征数据。可以理解的是，其具体实现步骤可以为，先利用预设的分类算法对生活图像数据进行分类，得到多个不同的候选框数据，再对多个候选框数据进行筛选处理，筛选出人形关键特征数据。

在一些实施例的步骤S212中，对人形关键特征数据进行预处理，得到与目标人员对应的人形姿态数据。可以理解的是，对通过步骤S211得到的人形关键特征数据进行预处理，以得到与目标人员对应的人形姿态数据。该预处理可以为对人形关键特征数据进行清洗处理，根据人形姿态坐标去挑选出人形姿态数据。

在一些实施例中，参考图7所示，步骤S211还可以包括但不限于步骤S213至S214。

S213，利用预设的分类算法对生活图像数据进行分类，得到多个不同的候选框数据；

S214，对多个候选框数据进行筛选处理，筛选出人形关键特征数据。

在一些实施例的步骤S213中，利用预设的分类算法对生活图像数据进行分类，得到多个不同的候选框数据。可以理解的是，预设的分类算法可以为人脸识别分类算法，根据人脸识别分类算法对生活图像数据进行分类，对每一帧图像中出现人形的照片进行标框，从而得到多个不同时期的候选框数据，每个候选框都标识出出现在图片中的人脸，用以更清楚的观察目标人员。

在一些实施例的步骤S214中，对多个候选框数据进行筛选处理，筛选出人形关键特征数据。可以理解的是，根据预设的筛选条件对多个候选框数据进行筛选处理，即比如，区分出老人、儿童，儿童父亲、儿童目前等，分别得到对应的人形关键特征数据，也可以按照性别进行筛选处理，比如筛选出，男人的人形关键特征数据和女人的人形关键特征数据，用以使得拍摄终端的识别更加准确，从而提高监控模式下的监控预警准确性。

另外，本申请实施例还提供一种实时监控预警装置，包括：

采集模块，用于实时采集目标人员的生活图像数据；

构建模块，用于根据生活图像数据构建出监测目标人员的监测模型；

监测模块，用于根据监测模型实时监测在预设的空间环境中的目标人员，得到实时监测信息；

获取模块，用于获取实时监测信息中未出现目标人员的实时监测时间段；

预警模块，用于若在某一实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将异常监测信息发送至移动终端设备并进行预警。

本公开实施例提出的一种实时监控预警装置，通过实现上述一种实时监控预警方法，能够通过拍摄终端对目标人员实时进行监测，并发送异常情况至移动终端设备并进行预警，以提示移动设备的使用者及时查看目标人员的情况。

本实施例的一种实时监控预警装置的具体实施方式与上述一种实时监控预警方法的具体实施方式基本一致，在此不再赘述。

另外，本申请实施例还提供一种实时监控预警***，包括：

一种实时监控预警装置；

拍摄终端；

一种实时监控预警装置执行：

如本发明第一方面的一种实时监控预警方法。

另外，本申请实施例还提供存储介质存储有可执行指令，可执行指令能被计算机执行，使计算机执行如本发明第一方面的一种实时监控预警方法。

存储器作为一种非暂态存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

Claims (10)

1.一种实时监控预警方法，其特征在于，应用于拍摄终端，所述方法包括：

实时采集目标人员的生活图像数据；

根据所述生活图像数据构建出监测所述目标人员的监测模型；

根据所述监测模型实时监测在预设的空间环境中的所述目标人员，得到实时监测信息；

获取所述实时监测信息中未出现所述目标人员的实时监测时间段；

若在某一所述实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将所述异常监测信息发送至移动终端设备并进行预警。

2.根据权利要求1所述的一种实时监控预警方法，其特征在于，在所述将所述异常监测信息发送至移动终端设备并进行预警之后，所述方法还包括：

将确认信息发送至所述移动终端设备，以使所述移动终端设备根据所述确认信息与所述目标人员的目标终端设备进行通信；

接收所述移动终端设备根据与所述目标终端设备的通信情况发送的反馈信息。

3.根据权利要求2所述的一种实时监控预警方法，其特征在于，在所述接收所述移动终端设备根据与所述目标终端设备的通信情况发送的反馈信息之后，所述方法还包括：

根据所述反馈信息为通信正常解除所述预警；

根据所述反馈信息为通信异常获取预先存储的反馈医护救助信息，并将所述反馈医护救助信息发送至所述移动终端设备。

4.根据权利要求3所述的一种实时监控预警方法，其特征在于，所述实时采集目标人员的生活图像数据，包括：

接收看护模式启动指令，并根据所述看护模式启动指令进入预设的监测模式；

根据所述监测模式实时监测预设区域中所述目标人员的所述生活图像数据，所述预设区域为所述目标人员所在的区域。

5.根据权利要求1至4任一项所述的一种实时监控预警方法，其特征在于，所述根据所述生活图像数据构建出监测所述目标人员的监测模型，包括：

对所述生活图像数据进行识别处理，得到所述目标人员的人形姿态数据；

将所述人形姿态数据输入预设的神经网络模型进行学习，输出监测参数；

根据所述监测参数和所述生活图像数据，构建出监测所述目标人员的所述监测模型。

6.根据权利要求5所述的一种实时监控预警方法，其特征在于，所述对所述生活图像数据进行识别处理，得到所述目标人员的人形姿态数据，包括：

对所述生活图像数据进行人形识别处理，得到人形关键特征数据；

对所述人形关键特征数据进行预处理，得到与所述目标人员对应的所述人形姿态数据。

7.根据权利要求6所述的一种实时监控预警方法，其特征在于，所述对所述生活图像数据进行人形识别处理，得到人形关键特征数据，包括：

利用预设的分类算法对所述生活图像数据进行分类，得到多个不同的候选框数据；

对多个所述候选框数据进行筛选处理，筛选出所述人形关键特征数据。

8.一种实时监控预警装置，其特征在于，所述装置，包括：

采集模块，用于实时采集目标人员的生活图像数据；

构建模块，用于根据所述生活图像数据构建出监测所述目标人员的监测模型；

监测模块，用于根据所述监测模型实时监测在预设的空间环境中的所述目标人员，得到实时监测信息；

获取模块，用于获取所述实时监测信息中未出现所述目标人员的实时监测时间段；

预警模块，用于若在某一所述实时监测时间段超过预设的时间段阈值时，生成异常监测信息，并将所述异常监测信息发送至移动终端设备并进行预警。

9.一种实时监控预警***，其特征在于，所述***，包括：

一种实时监控预警装置；

拍摄终端；

所述一种实时监控预警装置执行：

如权利要求1至7任一项所述的一种实时监控预警方法。

10.存储介质，其特征在于，所述存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行：

如权利要求1至7任一项所述的一种实时监控预警方法。

Images