CN117830920A - 一种监护方法、装置、设备及存储介质 - Google Patents
一种监护方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117830920A CN117830920A CN202311603013.3A CN202311603013A CN117830920A CN 117830920 A CN117830920 A CN 117830920A CN 202311603013 A CN202311603013 A CN 202311603013A CN 117830920 A CN117830920 A CN 117830920A
- Authority
- CN
- China
- Prior art keywords
- real
- action
- time
- target object
- dangerous
- 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 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 113
- 238000012806 monitoring device Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 230000000474 nursing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
- G08B21/0208—Combination with audio or video communication, e.g. combination with "baby phone" function
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供一种监护方法、装置、设备及存储介质。该方法包括:获取目标对象的实时视频;基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。根据本申请,可以在被监护对象发生危险动作时,及时识别出该危险动作,并通过危险动作报警消息提醒监护人关注被监护对象,以防止被监护对象发生危险。
Description
技术领域
本申请实施例涉及一种监护技术领域,具体地,涉及一种监护方法、装置、设备及存储介质。
背景技术
当前社会,婴幼儿的看护是父母及家人最关心的问题。随着技术的进步,出现了各种用于婴幼儿看护的智能设备。
相关技术中,婴幼儿看护设备主要包括婴儿端的看护器和控制端的显示装置。通常,婴儿端的看护器被放置在婴儿房间内,用于采集婴儿的视频图像,父母家人可以通过控制端的显示装置随时查看婴儿的一举一动。
然而,实际应用中,父母并不会实时盯着控制端的显示装置,这样,当被看护的婴幼儿发生一些危险行为时,父母并无法及时发现,有可能导致婴幼儿受伤或死亡。
发明内容
鉴于上述问题,本申请实施例提供了一种监护方法、装置、设备及存储介质,以在被监护对象发生危险动作时,及时识别出该危险动作,并通过危险动作报警消息提醒监护人关注被监护对象,防止被监护对象发生危险。
根据本申请实施例的第一方面,提供了一种监护方法,所述方法包括:
获取目标对象的实时视频;
基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;
在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
在一些实施例中,所述基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作,包括:
分别基于多层时间图卷积算法和空间图卷积算法对所述各帧图像进行处理,以识别出所述目标对象的实时动作。
在一些实施例中,所述确定所述实时动作为危险动作,包括:
在所述目标对象的实时动作从平躺变为站立时,确定所述实时动作为所述危险动作。
在一些实施例中,所述确定所述实时动作为危险动作,包括:
在所述目标对象的实时动作被识别为预设动作时,确定所述实时动作为所述危险动作。
在一些实施例中,所述获取目标对象的实时视频,包括:
通过摄像头获取所述目标对象的实时视频;其中,所述摄像头能够随着所述目标对象的动作而旋转,以确保能够捕捉到所述目标对象的实时视频。
在一些实施例中,所述获取目标对象的实时视频之前,所述方法还包括:
获取训练数据,所述训练数据包括至少一组训练样本,每组所述训练样本包括测试对象、所述测试对象的骨架图以及所述测试对象的标签数据;
基于卷积神经网络算法和监督学习算法,对所述训练数据进行训练,得到所述动作识别模型。
在一些实施例中,所述发出危险动作报警消息之后,所述方法还包括:
基于所述实时视频和所述危险动作,对所述动作识别模型进行更新。
根据本申请实施例的第二方面,提供一种监护装置,包括:
获取模块,用于获取目标对象的实时视频;
识别模块,用于基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;
报警模块,用于在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
根据本申请实施例的第三方面,提供一种监护设备,包括:处理器;所述处理器用于执行存储器中的计算机可执行程序或指令,使得所述监护设备执行本申请实施例的第一方面中任一项所述的方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序或指令,所述计算机可执行程序或指令设置为执行本申请实施例的第一方面中任一项所述的方法。
本申请实施例提供的监护方法、装置、设备及存储介质,通过获取目标对象的实时视频;基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。根据本申请,可以在被监护对象发生危险动作时,及时识别出该危险动作,并通过危险动作报警消息提醒监护人关注被监护对象,以防止被监护对象发生危险。
上述说明仅是本申请实施例技术方案的概述,为了能够更清楚了解本申请实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请一实施例提供的监护方法的示意性流程图。
图2是本申请一实施例提供的监护装置的示意性框图。
图3是本申请一实施例提供的监护设备的示意性框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖而不排除其它的内容。单词“一”或“一个”并不排除存在多个。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语“实施例”并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
此外,本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序,可以明示或者隐含地包括一个或者更多个该特征。
在本申请的描述中,除非另有说明,“多个”的含义是指两个以上(包括两个),同理,“多组”指的是两组以上(包括两组)。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,机械结构的“相连”或“连接”可以是指物理上的连接,例如,物理上的连接可以是固定连接,例如通过固定件固定连接,例如通过螺丝、螺栓或其它固定件固定连接;物理上的连接也可以是可拆卸连接,例如相互卡接或卡合连接;物理上的连接也可以是一体地连接,例如,焊接、粘接或一体成型形成连接进行连接。电路结构的“相连”或“连接”除了可以是指物理上的连接,还可以是指电连接或信号连接,例如,可以是直接相连,即物理连接,也可以通过中间至少一个元件间接相连,只要达到电路相通即可,还可以是两个元件内部的连通;信号连接除了可以通过电路进行信号连接外,也可以是指通过媒体介质进行信号连接,例如,无线电波。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
当前社会环境中,婴幼儿的看护、无法自理的老年人的看护以及残疾人的看护是家人及社会最关心的问题,随着科学技术的进步,各种用于看护的智能设备也应运而生。
智能监护设备通常会包括监护端和控制端,监护端通常设置在被监护人的主要活动空间,例如,对于婴儿来说,该监护端通常设置在婴儿床边,对于无法自理的老年人来说,该监护端可以在老年人的生活空间中设置多个,如,床边、卧室、客厅等位置,形成个人的监护网络,以实现全面监护。
控制端通常为监护人所持有的设备,如电脑、智能手机等。控制端和监护端可以通过网络实现通信,监护人能够通过所持有的设备随时查看被监护人的一举一动。但实际应用中,监护人并不会随时盯着所持有的设备进行查看,这会导致在被监护人发生一些危险行为时无法被监护人及时发现,从而有可能导致被监护人受伤或死亡。
基于此,本申请实施例提出一种监护方法,能够在被监护人发生危险行为时,由监护端通过网络向控制端发送危险行为报警消息,以使监护人及时获知被监护人的危险行为,采取保护措施。
为了使本领域技术人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。需要说明的是,在不冲突的情况下,本申请中不同的技术特征之间可以相互结合。
图1为本申请一实施例提供的监护方法的示意性流程图。如图1所示,本申请实施例的监护方法可以由监护装置执行,该监护装置设置在监护设备中,且该监护装置具有摄像头,具体的,本申请实施例的监护方法可以包括如下步骤:
步骤110:获取目标对象的实时视频。
目标对象是指被监护对象,该目标对象例如可以是无法自理的老年人、婴幼儿、残疾人等。实时视频中至少包括目标对象的面部和身体动作。
在一些场景中,监护装置可以通过摄像头获取目标对象的实时视频。示例性的,该摄像头能够随着目标对象的动作而旋转,以确保能够捕捉到目标对象的实时视频。
例如,在被监护人是婴幼儿的场景下,当婴幼儿翻身时,该摄像头能够随着婴幼儿的翻身调整角度,以保证能够获取到婴幼儿的面部图像。
又例如,在被监护人是老年人的场景下,该摄像头能够跟随着老年人的活动而转动,以保证能够获取到老年人的面部和身体动作。
步骤120:基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作。
其中,动作识别模型用于对实时视频中的每一帧图像进行分析。具体的,在基于动作识别模型对实时视频中的各帧图像进行处理时,具体可以分别基于多层时间图卷积算法和空间图卷积算法对各帧图像进行处理,从而识别出目标对象的实时动作。
其中,按照时间顺序,将获取到的实时视频的每一帧图像输入该动作识别模型,依次经过多层时间图卷积算法和空间图卷积算法的处理,识别出目标对象的实时动作。
该实时动作是指被监护人的动作,例如,平躺、翻身、举起胳膊、站立、行走、坐下、摔倒等等。
具体地,动作识别模型是基于卷积神经网络算法和监督学习算法预先训练得到的,可以分析出实时视频的每一帧图像中目标对象的表情、动作和睡眠状态。
示例性的,训练该动作识别模型的过程可以包括:获取训练数据,该训练数据包括至少一组训练样本,每组训练样本包括测试对象、测试对象的骨架图(Skeleton graphs)以及测试对象的标签数据。其中,测试对象的骨架图是从测试对象的视频中提取出来的特征。
在获取训练数据后,基于卷积神经网络算法和监督学习算法,对所述训练数据进行训练,得到所述动作识别模型。
步骤130:在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
在一种实现方式中,在监护装置确定出目标对象的实时动作从平躺变为站立时,可以确定该实时动作为危险动作,此时,会发出危险动作报警消息。
示例性的,在婴幼儿的监护场景中,当婴幼儿在婴儿床上的动作从平躺变为站立时,可能会存在跌下床的危险,此时该动作就会被识别为危险动作,监护装置会向监护人的发送危险动作报警消息以及时提醒监护人。
示例性的,在老年人的监护场景中,当老年人的动作从行走变为倒在地上时,监护装置可识别出该动作变化,可以认为老年人在行走过程中意外摔倒,发生危险,此时该动作被识别为危险动作,监护装置会向监护人的发送危险动作报警消息以及时提醒监护人对被监护人采取救护措施。
在另一种实现方式中,在监护装置确定出目标对象的实时动作为预设动作时,可以确定该实时动作为危险动作,此时,会发出危险动作报警消息。其中,预设动作包括但不限于从平躺变换为站立、摔倒、面部被遮盖、离开电子安全围栏、用户自定义的危险行为等。
示例性的,目标对象为婴幼儿时,若监护装置从实时视频中识别出该婴幼儿的实时动作为面部被被子等物体遮盖,并确定该实时动作为预设动作中的一种,则会向监护人发出危险动作报警消息。
示例性的,目标对象为婴幼儿时,假设电子安全围栏设置为婴儿床范围内,当婴幼儿将头探出婴儿床围时,监护装置可识别出婴幼儿这一动作,并确定该实时动作为预设动作中的离开电子安全围栏,此时会向监护人发出危险动作报警消息。
在一个例子中,该危险动作报警消息例如可以由监护装置发出急促的报警声,或者,由监护装置通过网络向监护人绑定的设备发送提示消息。该提示消息中可以仅包含危险行为提示,例如“被监护人发生危险行为,请及时关注”;或者,该提示消息中也可以包含具体的危险行为信息,例如,“被监护人面部被遮盖,请及时关注”。可以理解,该危险动作报警消息的具体提示形式以及提示内容可根据用户的实际使用需求进行个性化设置,在此不做具体限定。
进一步地,本实施例中,在发出危险动作报警消息后,监护装置还可以根据实时视频和危险动作,对动作识别模型进行更新,以持续优化该动作识别模型。
本申请实施例的监护方法,通过获取目标对象的实时视频;基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。根据本申请,可以在被监护对象发生危险动作时,及时识别出该危险动作,并通过危险动作报警消息提醒监护人关注被监护对象,以防止被监护对象发生危险。
图2为本申请一实施例提供的监护装置的示意性框图。如图2所示,本申请实施例的监护装置可用于执行上述方法实施例中的方法。具体的,本申请实施例的监护装置200可以包括:获取模块210,识别模块220以及报警模块230。
其中,获取模块210,用于获取目标对象的实时视频。
识别模块220,用于基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作。
报警模块230,用于在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
在一个实现方式中,识别模块220具体可以用于分别基于多层时间图卷积算法和空间图卷积算法对所述各帧图像进行处理,以识别出所述目标对象的实时动作。
在一个实现方式中,报警模块230具体可以用于在所述目标对象的实时动作从平躺变为站立时,确定所述实时动作为所述危险动作。
在一个实现方式中,报警模块230具体可以用于在所述目标对象的实时动作被识别为预设动作时,确定所述实时动作为所述危险动作。
在一个实现方式中,获取模块210具体可以用于通过摄像头获取所述目标对象的实时视频;其中,所述摄像头能够随着所述目标对象的动作而旋转,以确保能够捕捉到所述目标对象的实时视频。
在一个实现方式中,获取模块210还可以用于获取训练数据,所述训练数据包括至少一组训练样本,每组所述训练样本包括测试对象、所述测试对象的骨架图以及所述测试对象的标签数据;基于卷积神经网络算法和监督学习算法,对所述训练数据进行训练,得到所述动作识别模型。
在一个实现方式中,该监护装置200还可以包括更新模块,用于基于所述实时视频和所述危险动作,对所述动作识别模型进行更新。
本申请实施例的监护装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图3为本申请一实施例提供的监护设备的示意性结构图。如图3所示,本申请实施例的监护设备中可设置如图2所示的监护设备;或者,本申请实施例的监护设备300可以包括:处理器310;所述处理器310用于执行存储器320中的计算机可执行程序或指令,使得所述监护设备300执行如图1所示的实施例中的方法。
本申请一实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序或指令,所述计算机可执行程序或指令设置为执行图1所示实施例中的方法。
计算机可读存储介质包含但不限于电子、磁性、光学、电磁、红外的存储器或半导体***、设备或者装置,或者前述的任意适当组合,存储器用于存储程序代码或指令,程序代码包括计算机操作指令,处理器用于执行存储器存储的上述方法的程序代码或指令。
存储器和处理器的定义,可以参考前述电子设备实施例的描述,在此不再赘述。
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,模块或单元的划分,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。
在本申请各个实施例中的各功能单元或模块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。
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,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例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-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种监护方法,其特征在于,所述方法包括:
获取目标对象的实时视频;
基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;
在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
2.根据权利要求1所述的方法,其特征在于,所述基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作,包括:
分别基于多层时间图卷积算法和空间图卷积算法对所述各帧图像进行处理,以识别出所述目标对象的实时动作。
3.根据权利要求2所述的方法,其特征在于,所述确定所述实时动作为危险动作,包括:
在所述目标对象的实时动作从平躺变为站立时,确定所述实时动作为所述危险动作。
4.根据权利要求2所述的方法,其特征在于,所述确定所述实时动作为危险动作,包括:
在所述目标对象的实时动作被识别为预设动作时,确定所述实时动作为所述危险动作。
5.根据权利要求1所述的方法,其特征在于,所述获取目标对象的实时视频,包括:
通过摄像头获取所述目标对象的实时视频;其中,所述摄像头能够随着所述目标对象的动作而旋转,以确保能够捕捉到所述目标对象的实时视频。
6.根据权利要求1所述的方法,其特征在于,所述获取目标对象的实时视频之前,所述方法还包括:
获取训练数据,所述训练数据包括至少一组训练样本,每组所述训练样本包括测试对象、所述测试对象的骨架图以及所述测试对象的标签数据;
基于卷积神经网络算法和监督学习算法,对所述训练数据进行训练,得到所述动作识别模型。
7.根据权利要求1所述的方法,其特征在于,所述发出危险动作报警消息之后,所述方法还包括:
基于所述实时视频和所述危险动作,对所述动作识别模型进行更新。
8.一种监护装置,其特征在于,包括:
获取模块,用于获取目标对象的实时视频;
识别模块,用于基于动作识别模型,对所述实时视频中的各帧图像进行处理,以识别出所述目标对象的实时动作;
报警模块,用于在确定所述实时动作为危险动作时,发出危险动作报警消息,以提醒监护人关注所述目标对象。
9.一种监护设备,其特征在于,包括:处理器;所述处理器用于执行存储器中的计算机可执行程序或指令,使得所述监护设备执行权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行程序或指令,所述计算机可执行程序或指令设置为执行权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311603013.3A CN117830920A (zh) | 2023-11-27 | 2023-11-27 | 一种监护方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311603013.3A CN117830920A (zh) | 2023-11-27 | 2023-11-27 | 一种监护方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117830920A true CN117830920A (zh) | 2024-04-05 |
Family
ID=90508557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311603013.3A Pending CN117830920A (zh) | 2023-11-27 | 2023-11-27 | 一种监护方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830920A (zh) |
-
2023
- 2023-11-27 CN CN202311603013.3A patent/CN117830920A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11369321B2 (en) | Monitoring and tracking system, method, article and device | |
Taiwo et al. | Enhanced intelligent smart home control and security system based on deep learning model | |
US10361000B2 (en) | System and method for protocol adherence | |
JP6398460B2 (ja) | 制御方法、制御装置および制御プログラム | |
WO2019013257A1 (ja) | 見守り支援システム及びその制御方法、プログラム | |
EP3437014B1 (en) | Monitoring compliance with medical protocols based on occlusion of line of sight | |
US11631306B2 (en) | Methods and system for monitoring an environment | |
EP3432772B1 (en) | Using visual context to timely trigger measuring physiological parameters | |
WO2019003859A1 (ja) | 見守り支援システム及びその制御方法、及びプログラム | |
WO2013023067A2 (en) | Monitoring and tracking system, method, article and device | |
CN115223089B (zh) | 儿童危险行为检测方法、装置、智能终端及存储介质 | |
CN117830920A (zh) | 一种监护方法、装置、设备及存储介质 | |
Revanth et al. | Arduino based Wheelchair Fall Detection System using GPS and GSM Module | |
CN114903472A (zh) | 基于物联网定位的医院管理方法、***、终端及存储介质 | |
O'Brien et al. | Design and implementation of an embedded system for monitoring at-home solitary Alzheimer's patients | |
US11922696B2 (en) | Machine learning based dignity preserving transformation of videos for remote monitoring | |
Taiwo et al. | Research Article Enhanced Intelligent Smart Home Control and Security System Based on Deep Learning Model | |
JP7489248B2 (ja) | 情報処理システム、情報処理方法、及び、情報処理プログラム | |
Geetha et al. | An appraisal on human-centered internet of things | |
Juliet et al. | Healthcare Bots for Elderly Assistance Using Cloud-Driven Gradient Boosting Machines | |
Sinthia et al. | IoT-Based Smart Pill Box and Voice Alert System | |
Santhi et al. | An IoT Based Remote HealthCare Monitoring System through Emotion Recognition | |
CN115965993A (zh) | 基于热影像的追踪辨识监护***及方法 | |
CN117297594A (zh) | 基于毫米波雷达与热成像的居家健康协同监测方法及装置 | |
CN115412707A (zh) | 一种老人家居安全监控方法、***、装置及存储介质 |
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 |