CN118247836A - 异常行为检测方法、装置、设备、介质和程序产品 - Google Patents
异常行为检测方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN118247836A CN118247836A CN202211741529.XA CN202211741529A CN118247836A CN 118247836 A CN118247836 A CN 118247836A CN 202211741529 A CN202211741529 A CN 202211741529A CN 118247836 A CN118247836 A CN 118247836A
- Authority
- CN
- China
- Prior art keywords
- user
- abnormal behavior
- behavior detection
- image
- face
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000013475 authorization Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000008451 emotion Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012916 structural analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 20
- 210000003128 head Anatomy 0.000 description 18
- 230000015654 memory Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027382 Mental deterioration Diseases 0.000 description 1
- 206010027374 Mental impairment Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008897 memory decline Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了一种异常行为检测方法、装置、设备、介质和程序产品,属于空管或安检技术领域。本公开的异常行为检测方法包括:在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据;分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征;分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
Description
技术领域
本公开涉及空管或安检技术领域,具体涉及一种异常行为检测方法、装置、设备、介质和程序产品。
背景技术
在民航空管管制(空管)领域,需要在岗人员注意力高度集中才能保证工作质量。一般情况下,管制员通常两小时一组进行轮岗,长时间坐姿指挥,易导致体力上的疲劳,高强度模式下管制员易出现头晕眼花、情绪低落、记忆力下降等行为;大脑处于亢奋状态持续时间长,会造成因工作负荷重导致脑力降低,反应迟钝等行为。管制员行为异常可能导致对航班信息反应时间延长、记忆力下降、认知能力受损、注意力涣散、警觉水平降低等。可能引发管制员“睡岗”或“暂时性失能”等直接现象。因此,对管制员的异常行为检测显得尤为重要。
现有对管制员的异常行为检测例如可以包括通过问卷调查方式,记录管制员睡眠日志和填写疲劳自评量表来反映疲劳程度,通过分析管制员生理指标和生化指标,例如心电图、脑电图、血氧、脉搏、心率变异性等指标,还有激素含量、体温测量、体液检测等来检测管制员是否存在异常行为等。
在实现本公开构思的过程中,申请人发现现有的异常行为检测方式主要靠人为干预方式进行检测,检测手段单一,并且时效性和精度不高。
发明内容
有鉴于此,本公开的目标在于,提供一种高效准确的异常行为检测方法、装置、设备、介质和程序产品。
根据本公开的一方面,提供一种异常行为检测方法,包括:在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据;分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征;分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
根据本公开的实施例,获取目标区域中各个用户分别对应的图像数据包括:从第一拍摄角度对目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第一图像;从第二拍摄角度对目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第二图像;其中,第一拍摄角度和第二拍摄角度满足对目标区域全角度覆盖。
根据本公开的实施例,采用超广角摄像头从第一拍摄角度获取第一图像;采用超广角摄像头从第二拍摄角度获取第二图像。
根据本公开的实施例,分别提取各个用户对应的图像数据中的人脸特征包括:分别截取各个用户对应的第一图像中的第一人脸图像以及第二图像中的第二人脸图像;将同一用户对应的第一人脸图像和第二人脸图像进行去重及融合,得到该用户的人脸特征。
根据本公开的实施例,分别截取各个用户对应的第一图像中的第一人脸图像以及第二图像中的第二人脸图像包括:对于每一用户,采用人工智能检测模型分别对该用户对应的第一图像和第二图像进行处理,确定第一图像中的第一人脸框位置和第二图像中的第二人脸框位置,其中,人脸框位置采用对角顶点的坐标表示;基于第一人脸框位置从第一图像中截取第一人脸图像;基于第二人脸框位置从第一图像中截取第二人脸图像。
根据本公开的实施例,分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果包括:分别将各个用户对应的人脸特征与标准人脸特征进行对比和/或分别将各个用户对应的音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果。
根据本公开的实施例,分别将各个用户对应的人脸特征与标准人脸特征进行对比,确定各个用户对应的异常行为检测结果包括:计算人脸特征与标准人脸特征之间的相似度值;判断相似度值是否大于预设的相似度阈值;响应于相似度值小于相似度阈值,确定人脸特征对应的用户的行为异常。
根据本公开的实施例,分别提取各个用户对应的音频数据的音频特征包括:基于语音检测模型对音频数据进行结构化分析,提取音频特征,其中,音频特征包括第一关键词和/或第一关联词和/或第一关键短语,语音检测模型基于人工智能检测模型构建。
根据本公开的实施例,标准音频特征包括第二关键词和/或第二关联词和/或第二关键短语,第二关键词、第二关联词、第二关键短语为从用户行为异常情况下产生的音频数据提取;分别将各个用户对应的音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果包括:将第一关键词与第二关键词进行对比,在第一关键词与第二关键词相同的情况下,确定第一关键词对应的用户行为异常;和/或将第一关联词与第二关联词进行对比,在第一关联词与第二关联词相同的情况下,确定第一关联词对应的用户行为异常;和/或将第一关键短语与第二关键短语进行对比,在第一关键短语与第二关键短语相同的情况下,确定第一关键短语对应的用户行为异常。
根据本公开的实施例,分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果包括:采用人工智能检测模型对人脸特征进行分析,得到人脸特征对应用户的状态信息,其中,状态信息用于表征用户的疲劳程度和/或分心程度;根据状态信息确定用户对应的异常行为检测结果。
根据本公开的实施例,异常行为检测方法还包括:分别提取各个用户对应的图像数据中的头颈部特征;根据头颈部特征确定各个用户对应的异常行为检测结果。
根据本公开的实施例,分别提取各个用户对应的图像数据中的头颈部特征包括:分别截取各个用户对应的第一图像中的第一头颈部图像以及第二图像中的第二头颈部图像;将同一用户对应的第一头颈部图像及第二头颈部图像进行去重及融合,得到融合头颈部图像;提取融合头颈部图像中肌肉的振幅和振动频率,作为头颈部特征。
根据本公开的实施例,根据头颈部特征确定各个用户对应的异常行为检测结果包括:根据振幅和振动频率计算负向情绪指数;判断负向情绪指数是否大于负向情绪指数阈值;响应于负向情绪指数大于负向情绪指数阈值,确定该负向情绪指数对应的用户行为异常。
根据本公开的实施例,异常行为检测方法还包括:分别提取各个用户对应的图像数据中的肢体特征;根据肢体特征确定各个用户对应的异常行为检测结果。
根据本公开的实施例,根据肢体特征确定各个用户对应的异常行为检测结果包括:根据肢体特征确定用户是否超出用户的指定区域;响应于用户超出用户的指定区域,确定超出指定区域的用户行为异常。
根据本公开的实施例,异常行为检测方法还包括:获取目标区域中各个用户分别对应的生理特征;根据生理特征确定各个用户对应的异常行为检测结果。
根据本公开的实施例,根据生理特征确定各个用户对应的异常行为检测结果包括:判断生理特征对应的数值是否在预设范围内;响应于生理特征对应的数值超出预设范围,确定数值超出预设范围的生理特征对应的用户行为异常。
根据本公开的另一方面,提供一种异常行为检测装置,包括:获取模块,用于在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据;提取模块,用于分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征;确定模块,用于分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
根据本公开的又一方面,提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行本公开实施例的异常行为检测方法。
根据本公开的又一方面,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行本公开实施例的异常行为检测方法。
根据本公开的又一方面,还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现根据本公开实施例的异常行为检测方法。
附图说明
图1示意性示出了根据本公开实施例的异常行为检测方法的***架构;
图2示意性示出了根据本公开实施例的异常行为检测方法的流程图;
图3示意性示出了根据本公开实施例的操作S210的流程图;
图4示意性示出了根据本公开实施例的操作S220的流程图;
图5示意性示出了根据本公开实施例的操作S230的流程图;
图6示意性示出了根据本公开实施例的操作S510的流程图;
图7示意性示出了根据本公开另一实施例的操作S220的流程图;
图8示意性示出了根据本公开另一实施例的操作S230的流程图
图9示意性示出了根据本公开另一实施例的异常行为检测方法的流程图;
图10示意性示出了根据本公开实施例的操作S910的流程图;
图11示意性示出了根据本公开实施例的操作S920的流程图;
图12示意性示出了根据本公开又一实施例的异常行为检测方法的流程图;
图13示意性示出了根据本公开又一实施例的异常行为检测方法的流程图;
图14示意性示出了根据本公开实施例的异常行为检测装置的结构框图;
图15示意性示出了根据本公开实施例的适于实现异常行为检测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
为了解决现有空管技术领域异常行为检测手段单一,时效性和准确性差的问题,本公开的实施例提供了一种异常行为检测方法,包括:在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据。分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征。分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
图1示意性示出了根据本公开实施例的异常行为检测方法的***架构。
如图1所示,根据该实施例的***架构100可以包括采集设备101,网络102和服务器103。网络102用以在采集设备101和服务器103之间提供通信链路的介质。
采集设备101可以是具有显示屏,具备语音对讲功能,并且支持数据采集的各种电子设备,以采集图像数据和音频数据,向用户播放音频数据以及在显示屏显示自定义的提示信息。
网络102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。其中有线方式例如可以是采用线缆及以下多种接口中的任一种连接:光纤通道、红外线接口、D型数据接口、串行接口、USB接口、USB Type-C接口或Dock接口,无线方式例如可以是采用无线通信方式连接的,其中的无线通信例如可采用蓝牙、Wi-Fi、Infrared、ZigBee、局域网、交换机等多个无线技术标准中的任一个。
服务器103可以是提供各种服务的服务器,例如对用户利用采集设备101所采集的图像数据和语音数据进行异常行为检测的后台服务器(仅为示例)。后台管理服务器可以对接收到的图像数据和语音数据等数据进行分析等处理,并将处理结果进行存储及反馈给采集设备101。
需要说明的是,本公开实施例所提供的异常行为检测方法一般可以由服务器103执行。相应地,本公开实施例所提供的异常行为检测装置一般可以设置于服务器103中。本公开实施例所提供的异常行为检测方法也可以由不同于服务器103且能够与采集设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的异常行为检测装置也可以设置于不同于服务器103且能够与采集设备101和/或服务器103通信的服务器或服务器集群中。
应该理解,图1中的采集设备、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采集设备、网络和服务器。
以下将基于图1描述的***架构,通过图2~图13对公开实施例的异常行为检测方法进行详细描述。
图2示意性示出了根据本公开实施例的异常行为检测方法的流程图。
如图2所示,该实施例的异常行为检测方法200包括操作S210~操作S230。
在操作S210,在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据。
在本公开的实施例中,在获取用户的相关信息之前,可以获得用户的同意或授权。例如,在获取目标区域中各个用户的图像数据和音频数据之前,可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下,执行获取目标区域中各个用户的图像数据和音频数据的操作。
图像数据可以理解为在用户(管制员)进入目标区域、离开目标区域以及停留在目标区域产生的图像数据。音频数据可以理解为用户在进入目标区域、离开目标区域以及停留在目标区域发声产生的音频数据。
在操作S220,分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征。
在本公开实施例中,可以利用通过模式识别、机器视觉、人工智能、网络通信以及海量数据管理等智能音视频分析技术识别图像数据中的人脸特征和音频数据中的音频特征,识别模型可以包括CNN(Convolutional Neural Networks,卷积神经网络)模型等。
在操作S230,分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
在本公开实施例中,人脸特征能够可以理解为五官特征,例如视网膜特征、眼口鼻之间的距离及颧骨间距等。音频特征可以音调、音量、语气、语音包含的文字内容等。
本公开实施例提供的异常行为检测方法,由于能够实时获取目标区域多个用户的图像数据和音频数据,再通过提取的人脸特征或音频特征直接对用户行为进行检测,能够实现同时对多个用户的异常行为检测,检测效率高。由于是基于人脸特征或音频特征进行行为检测,不需要用户主动填写问卷或主动配合健康监测,检测的时效性高且实现了无感检测。此外,人脸特征或音频特征能够客观地反应用户的行为信息,相比于用户主动提供的问卷,更具客观性,检测精度更高。
图3示意性示出了根据本公开实施例的操作S210的流程图。
如图3所示,根据本公开实施例的异常行为检测方法,操作S210的获取目标区域中各个用户分别对应的图像数据可以包括:操作S310~操作S320。
在操作S310,从第一拍摄角度对目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第一图像。
在操作S320,从第二拍摄角度对目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第二图像。
在本公开的实施例中,第一拍摄角度和第二拍摄角度满足对目标区域全角度覆盖。全角度覆盖可以理解为第一图像和第二图像加和的画面包含了用户的整个人脸图像。
示例性地,针对空管的需求及应用场景的特殊性,在硬件设备上采用了两个超广角摄像头左右布置,一个超广角摄像头从第一拍摄角度获取第一图像,另一个超广角摄像头从第二拍摄角度获取第二图像。
本公开实施例提供的异常行为检测方法,通过从不同的角度获取图像以提取人脸特征,保证了提取的人脸特征的完整性,从而提高了异常行为检测的精度。
图4示意性示出了根据本公开实施例的操作S220的流程图。
如图4所示,根据本公开实施例的异常行为检测方法,操作S220的分别提取各个用户对应的图像数据中的人脸特征可以包括:操作S410~操作S430。
在操作S410,截取各个用户对应的第一图像中的第一人脸图像。
在操作S420,截取各个用户对应的第二图像中的第二人脸图像。
在操作S430,将同一用户对应的第一人脸图像和第二人脸图像进行去重及融合,得到该用户的人脸特征。
在本公开实施例中,可以根据获得的人脸框的数据,从图像中截取人脸,获得多张新的人脸图像。对获取到的多个人脸图像,使用人工智能检测模型进行逐一处理,获取每个人脸的特征矩阵数据,再将同一用户对应的特征矩阵数据融合作为该用户的人脸特征。
示例性地,分别截取各个用户对应的第一图像中的第一人脸图像以及第二图像中的第二人脸图像包括:对于每一用户,采用人工智能检测模型分别对该用户对应的第一图像和第二图像进行处理,确定第一图像中的第一人脸框位置和第二图像中的第二人脸框位置,其中,人脸框位置采用对角顶点的坐标表示,例如左上角点坐标,右下角点坐标等。基于第一人脸框位置从第一图像中截取所述第一人脸图像。基于第二人脸框位置从第一图像中截取第二人脸图像。
本公开实施例提供的异常行为检测方法,基于人工智能检测模型检测人脸框位置的对角顶点坐标,可以快速准确地从图像中截取人脸图像。
图5示意性示出了根据本公开实施例的操作S230的流程图。
如图5所示,根据本公开实施例的异常行为检测方法,操作S230的分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果可以包括:操作S510。
在操作S510,分别将各个用户对应的人脸特征与标准人脸特征进行对比和/或分别将各个用户对应的音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果。
在本公开实施例中,标准人脸特征可以理解为在用户入职时录入用户的标准人脸图像,提取标准人脸图像中的人脸特征作为标准人脸特征。标准音频特征可以理解为在用户入职时录入用户的标准音频数据,提取标准音频数据中的音频特征作为标准音频特征。
本公开实施例提供的异常行为检测方法,基于预先存储的标准人脸特征和标准音频特征,可以快速确定用户是否行为异常。
图6示意性示出了根据本公开实施例的操作S510的流程图。
如图6所示,根据本公开实施例的异常行为检测方法,操作S510的分别将各个用户对应的人脸特征与标准人脸特征进行对比,确定各个用户对应的异常行为检测结果可以包括:操作S610~操作S630。
在操作S610,计算人脸特征与标准人脸特征之间的相似度值。
在操作S620,判断相似度值是否大于预设的相似度阈值。
在操作S630,响应于相似度值小于相似度阈值,确定人脸特征对应的用户的行为异常。
示例性地,可以将人脸特征转化为第一特征向量,将标准人脸特征转化为第二特征向量,计算第一特征向量与第二特征向量之间的预先相似度,作为人脸特征与标准人脸特征之间的相似度值。相似度值小于相似度阈值可以理解为人脸特征与标准人脸特征差异大。行为异常可以理解为目标区域的位置1理应在岗的用户为A,而实际位置1的用户为B,用户A存在替岗或串岗的异常行为。
本公开实施例提供的异常行为检测方法,基于相似度能够高效准确地完成人脸特征与标准人脸特征的对比。
图7示意性示出了根据本公开另一实施例的操作S220的流程图。
如图7所示,根据本公开实施例的异常行为检测方法,操作S220的分别提取各个用户对应的音频数据的音频特征可以包括:操作S710。
在操作S710,基于语音检测模型对音频数据进行结构化分析,提取音频特征。
在本公开实施例中,语音检测模型可以是以语音识别、自然语言理解、大数据处理技术为基础,训练得到的可配置、可训练的检测模型。音频特征可以包括第一关键词和/或第一关联词和/或第一关键短语。
标准音频特征可以包括第二关键词和/或第二关联词和/或第二关键短语,第二关键词、第二关联词、第二关键短语为从用户行为异常情况下产生的音频数据提取。
分别将各个用户对应的音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果包括一下至少之一:
将第一关键词与第二关键词进行对比,在第一关键词与第二关键词相同的情况下,确定第一关键词对应的用户行为异常。
将第一关联词与第二关联词进行对比,在第一关联词与第二关联词相同的情况下,确定第一关联词对应的用户行为异常。
将第一关键短语与第二关键短语进行对比,在第一关键短语与第二关键短语相同的情况下,确定第一关键短语对应的用户行为异常。
示例性,第二关键词例如可以包括“游戏”、“逛街”,“美食”等,当提取的第一关键词包含“游戏”、“逛街”,“美食”其中至少之一,表示用户可能在闲聊,此时可以向用户发送提示信号,提示信号例如可以包括声光信号或者文字提示信号。文字提示信号可以以弹窗的形式显示在采集设备的显示屏上。
本公开实施例提供的异常行为检测方法,通过关键词、关联词、关键短语精心语音特征对比,不需要对完整的语音均进行对比,减少了运算量,提高了异常行为检测效率。并且在用户行为异常时向用户发送提示信息进行及时的干预,提高了异常行为检测的时效性。
图8示意性示出了根据本公开另一实施例的操作S230的流程图。
如图8所示,根据本公开实施例的异常行为检测方法,操作S230的分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果可以包括:操作S810~操作S820。
在操作S810,采用人工智能检测模型对人脸特征进行分析,得到人脸特征对应用户的状态信息。
在操作S820,根据状态信息确定用户对应的异常行为检测结果。
在本公开实施例中,状态信息用于表征用户的疲劳程度和/或分心程度。
示例性地,对相同的人脸图像,使用人工智能检测模型进行分析,获取包括眼睛的睁闭、人脸的三维角度等信息,根据这些信息进行判断用户是否属于疲劳和分心等异常状态,在用户疲劳或分心时,可以向用户发送提示信号。
本公开实施例提供的异常行为检测方法,还可以通过人脸特征和/或音频特征确定用户的状态信息,以更全面的检测用户的异常行为。
图9示意性示出了根据本公开另一实施例的异常行为检测方法的流程图。
如图9所示,该实施例的异常行为检测方法200还可以包括操作S910~操作S920。
在操作S910,分别提取各个用户对应的图像数据中的头颈部特征。
在操作S920,根据头颈部特征确定各个用户对应的异常行为检测结果。
本公开实施例提供的异常行为检测方法,还可以通过人头颈部特征确定用户的状态信息,以更全面的检测用户的异常行为。
图10示意性示出了根据本公开实施例的操作S910的流程图。
如图10所示,根据本公开实施例的异常行为检测方法,操作S910的分别提取各个用户对应的图像数据中的头颈部特征可以包括:操作S1010~操作S1030。
在操作S1010,分别截取各个用户对应的第一图像中的第一头颈部图像以及第二图像中的第二头颈部图像。
在操作S1020,将同一用户对应的第一头颈部图像及第二头颈部图像进行去重及融合,得到融合头颈部图像。
在操作S1030,提取融合头颈部图像中肌肉的振幅和振动频率,作为头颈部特征。
示例性地,可以通过高帧率摄像机视频采集到人的头颈部图像,并对其细微肌肉振幅和振动频率进行。
图11示意性示出了根据本公开实施例的操作S920的流程图。
如图11所示,根据本公开实施例的异常行为检测方法,操作S920的根据头颈部特征确定各个用户对应的异常行为检测结果可以包括:操作S1110~操作S1130。
在操作S1110,根据振幅和振动频率计算负向情绪指数。
在操作S1120,判断负向情绪指数是否大于负向情绪指数阈值。
在操作S1130,响应于负向情绪指数大于负向情绪指数阈值,确定该负向情绪指数对应的用户行为异常。
示例性地,对头颈部振动影像采样数据进行归纳、统计、对照分析得出每个出现在镜头中人物的攻击力、压力、紧张等负向情绪指数,负向情绪指数其危险程度,或者心理疾病倾向,对超出预警数值的被检测人进行抓拍并进行声音报警,达到提前干预的目的。
本公开实施例提供的异常行为检测方法,通过头颈部图像中肌肉的振幅和振动频率计算用户的负向情绪指数,可以准确地衡量用户的负向情绪,进一步提升异常行为检测的精度。
图12示意性示出了根据本公开又一实施例的异常行为检测方法的流程图。
如图12所示,该实施例的异常行为检测方法200还可以包括操作S1210~操作S1220。
在操作S1210,分别提取各个用户对应的图像数据中的肢体特征。
在操作S1220,根据肢体特征确定各个用户对应的异常行为检测结果。
在本公开实施例中,操作S1220例如可以包括根据肢体特征确定用户是否超出用户的指定区域。响应于用户超出用户的指定区域,确定超出指定区域的用户行为异常。
示例性地,行为异常还包括交头接耳、行走等,超出指定区域可以理解为交头接耳或行走时用户的肢体超出指定区域。由于一个席位前方回一般坐2到4人,在没有任务时间段内可能存在聊天等其他异常情况,对图像数据中的肢体特征便可以发现问题,在通过声光报警功能进行提示。
本公开实施例提供的异常行为检测方法,还可以通过肢体特征确定用户的状态信息,以更全面的检测用户的异常行为。
图13示意性示出了根据本公开又一实施例的异常行为检测方法的流程图。
如图13所示,该实施例的异常行为检测方法200还可以包括操作S1310~操作S1320。
在操作S1310,获取目标区域中各个用户分别对应的生理特征。
在操作S1320,根据生理特征确定各个用户对应的异常行为检测结果。
在本公开实施例中,操作S1320例如可以包括:判断生理特征对应的数值是否在预设范围内。响应于生理特征对应的数值超出预设范围,确定数值超出预设范围的生理特征对应的用户行为异常。
示例性,通过人体生理特征检测传感设备,实现心率、肌电、皮肤点脉搏传感器的生理监测,并通过分析数值变化情况,对管制员状态异常情况进行预警提醒。数值超出预设范围可以理解为心率不在正常范围内,脉搏不在正常范围内等。
本公开实施例提供的异常行为检测方法,还可以通过生理特征确定用户的状态信息,以更全面的检测用户的异常行为。
基于上述异常行为检测方法,本公开还提供了一种异常行为检测装置。以下将结合图14对该装置进行详细描述。
图14示意性示出了根据本公开实施例的异常行为检测装置的结构框图。
如图14所示,该实施例的异常行为检测装置1400包括获取模块1410、提取模块1420和确定模块1430。
获取模块1410,用于在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据。
提取模块1420,用于分别提取各个用户对应的图像数据中的人脸特征和音频数据中的音频特征。
确定模块1430,用于分别根据各个用户对应的人脸特征和/或音频特征,确定各个用户对应的异常行为检测结果。
根据本公开的实施例,获取模块1410、提取模块1420和确定模块1430。中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块1410、提取模块1420和确定模块1430。中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1410、提取模块1420和确定模块1430。中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中异常行为检测装置部分与本公开的实施例中异常行为检测方法部分是相对应的,其具体实施细节及带来的技术效果也是相同的,在此不再赘述。
图15示意性示出了根据本公开实施例的适于实现异常行为检测方法的电子设备的方框图。
如图15所示,根据本公开实施例的电子设备1500包括处理器1501,其可以根据存储在只读存储器(ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(RAM)1503中的程序而执行各种适当的动作和处理。处理器1501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1501还可以包括用于缓存用途的板载存储器。处理器1501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1503中,存储有电子设备1500操作所需的各种程序和数据。处理器1501、ROM 1502以及RAM 1503通过总线1504彼此相连。处理器1501通过执行ROM 1502和/或RAM1503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM1502和RAM 1503以外的一个或多个存储器中。处理器1501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1500还可以包括输入/输出(I/O)接口1505,输入/输出(I/O)接口1505也连接至总线1504。电子设备1500还可以包括连接至I/O接口1505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,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1510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1508。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1502和/或RAM 1503和/或ROM 1502和RAM 1503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,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。当计算机程序产品在计算机***中运行时,该程序代码用于使计算机***实现本公开实施例所提供的异常行为检测方法。
在该计算机程序被处理器1501执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1509被下载和安装,和/或从可拆卸介质1511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被处理器1501执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(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,上述模块、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,框图或流程图中的每个方框、以及框图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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (21)
1.一种异常行为检测方法,其特征在于,包括:
在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据;
分别提取各个用户对应的所述图像数据中的人脸特征和所述音频数据中的音频特征;
分别根据各个用户对应的所述人脸特征和/或所述音频特征,确定各个用户对应的异常行为检测结果。
2.根据权利要求1所述的异常行为检测方法,其特征在于,所述获取目标区域中各个用户分别对应的图像数据包括:
从第一拍摄角度对所述目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第一图像;
从第二拍摄角度对所述目标区域中各个用户进行拍摄,获取目标区域中各个用户分别对应的第二图像;
其中,所述第一拍摄角度和所述第二拍摄角度满足对所述目标区域全角度覆盖。
3.根据权利要求2所述的异常行为检测方法,其特征在于,采用超广角摄像头从所述第一拍摄角度获取所述第一图像;采用超广角摄像头从所述第二拍摄角度获取所述第二图像。
4.根据权利要求2或3所述的异常行为检测方法,其特征在于,所述分别提取各个用户对应的所述图像数据中的人脸特征包括:
分别截取各个用户对应的所述第一图像中的第一人脸图像以及所述第二图像中的第二人脸图像;
将同一用户对应的所述第一人脸图像和所述第二人脸图像进行去重及融合,得到该用户的人脸特征。
5.根据权利要求4所述的异常行为检测方法,其特征在于,所述分别截取各个用户对应的所述第一图像中的第一人脸图像以及所述第二图像中的第二人脸图像包括:
对于每一用户,采用人工智能检测模型分别对该用户对应的第一图像和第二图像进行处理,确定所述第一图像中的第一人脸框位置和所述第二图像中的第二人脸框位置,其中,人脸框位置采用对角顶点的坐标表示;
基于所述第一人脸框位置从所述第一图像中截取所述第一人脸图像;
基于所述第二人脸框位置从所述第一图像中截取所述第二人脸图像。
6.根据权利要求1所述的异常行为检测方法,其特征在于,所述分别根据各个用户对应的所述人脸特征和/或所述音频特征,确定各个用户对应的异常行为检测结果包括:
分别将各个用户对应的所述人脸特征与标准人脸特征进行对比和/或分别将各个用户对应的所述音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果。
7.根据权利要求6所述的异常行为检测方法,其特征在于,分别将各个用户对应的所述人脸特征与标准人脸特征进行对比,确定各个用户对应的异常行为检测结果包括:
计算所述人脸特征与所述标准人脸特征之间的相似度值;
判断所述相似度值是否大于预设的相似度阈值;
响应于所述相似度值小于所述相似度阈值,确定所述人脸特征对应的用户的行为异常。
8.根据权利要求6所述的异常行为检测方法,其特征在于,分别提取各个用户对应的所述音频数据的音频特征包括:
基于语音检测模型对所述音频数据进行结构化分析,提取所述音频特征,其中,所述音频特征包括第一关键词和/或第一关联词和/或第一关键短语,所述语音检测模型基于人工智能检测模型构建。
9.根据权利要求8所述的异常行为检测方法,其特征在于,所述标准音频特征包括第二关键词和/或第二关联词和/或第二关键短语,所述第二关键词、所述第二关联词、所述第二关键短语为从用户行为异常情况下产生的音频数据提取;
分别将各个用户对应的所述音频特征与标准音频特征进行对比,确定各个用户对应的异常行为检测结果包括:
将所述第一关键词与所述第二关键词进行对比,在所述第一关键词与所述第二关键词相同的情况下,确定所述第一关键词对应的用户行为异常;和/或
将所述第一关联词与所述第二关联词进行对比,在所述第一关联词与所述第二关联词相同的情况下,确定所述第一关联词对应的用户行为异常;和/或
将所述第一关键短语与所述第二关键短语进行对比,在所述第一关键短语与所述第二关键短语相同的情况下,确定所述第一关键短语对应的用户行为异常。
10.根据权利要求1所述的异常行为检测方法,其特征在于,所述分别根据各个用户对应的所述人脸特征和/或所述音频特征,确定各个用户对应的异常行为检测结果包括:
采用人工智能检测模型对所述人脸特征进行分析,得到所述人脸特征对应用户的状态信息,其中,所述状态信息用于表征所述用户的疲劳程度和/或分心程度;
根据所述状态信息确定所述用户对应的异常行为检测结果。
11.根据权利要求2所述的异常行为检测方法,其特征在于,所述异常行为检测方法还包括:
分别提取各个用户对应的所述图像数据中的头颈部特征;
根据所述头颈部特征确定各个用户对应的异常行为检测结果。
12.根据权利要求11所述的异常行为检测方法,其特征在于,所述分别提取各个用户对应的所述图像数据中的头颈部特征包括:
分别截取各个用户对应的所述第一图像中的第一头颈部图像以及所述第二图像中的第二头颈部图像;
将同一用户对应的所述第一头颈部图像及第二头颈部图像进行去重及融合,得到融合头颈部图像;
提取所述融合头颈部图像中肌肉的振幅和振动频率,作为所述头颈部特征。
13.根据权利要求12所述的异常行为检测方法,其特征在于,所述根据所述头颈部特征确定各个用户对应的异常行为检测结果包括:
根据所述振幅和振动频率计算负向情绪指数;
判断所述负向情绪指数是否大于负向情绪指数阈值;
响应于所述负向情绪指数大于负向情绪指数阈值,确定该负向情绪指数对应的用户行为异常。
14.根据权利要求2所述的异常行为检测方法,其特征在于,所述异常行为检测方法还包括:
分别提取各个用户对应的所述图像数据中的肢体特征;
根据所述肢体特征确定各个用户对应的异常行为检测结果。
15.根据权利要求14所述的异常行为检测方法,其特征在于,所述根据所述肢体特征确定各个用户对应的异常行为检测结果包括:
根据所述肢体特征确定所述用户是否超出所述用户的指定区域;
响应于所述用户超出所述用户的指定区域,确定超出指定区域的用户行为异常。
16.根据权利要求1所述的异常行为检测方法,其特征在于,所述异常行为检测方法还包括:
获取目标区域中各个用户分别对应的生理特征;
根据所述生理特征确定各个用户对应的异常行为检测结果。
17.根据权利要求16所述的异常行为检测方法,其特征在于,所述根据所述生理特征确定各个用户对应的异常行为检测结果包括:
判断所述生理特征对应的数值是否在预设范围内;
响应于所述生理特征对应的数值超出预设范围,确定数值超出预设范围的所述生理特征对应的用户行为异常。
18.一种异常行为检测装置,其特征在于,包括:
获取模块,用于在获得用户对获取用户相关信息的授权后,获取目标区域中各个用户分别对应的图像数据及音频数据;
提取模块,用于分别提取各个用户对应的所述图像数据中的人脸特征和所述音频数据中的音频特征;
确定模块,用于分别根据各个用户对应的所述人脸特征和/或所述音频特征,确定各个用户对应的异常行为检测结果。
19.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1至17中任一项所述的方法。
20.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1至17中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至17中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211741529.XA CN118247836A (zh) | 2022-12-22 | 2022-12-22 | 异常行为检测方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211741529.XA CN118247836A (zh) | 2022-12-22 | 2022-12-22 | 异常行为检测方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118247836A true CN118247836A (zh) | 2024-06-25 |
Family
ID=91551653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211741529.XA Pending CN118247836A (zh) | 2022-12-22 | 2022-12-22 | 异常行为检测方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118247836A (zh) |
-
2022
- 2022-12-22 CN CN202211741529.XA patent/CN118247836A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110001652B (zh) | 驾驶员状态的监测方法、装置及终端设备 | |
US11961620B2 (en) | Method and apparatus for determining health status | |
EP3748649A1 (en) | Method for evaluating multi-modal emotional understanding capability of patient with autism spectrum disorder | |
EP2829221B1 (en) | Asperger's diagnosis assistance device | |
US20190216333A1 (en) | Thermal face image use for health estimation | |
US20090232357A1 (en) | Detecting behavioral deviations by measuring eye movements | |
RU2708807C2 (ru) | Алгоритм комплексного дистанционного бесконтактного мультиканального анализа психоэмоционального и физиологического состояния объекта по аудио- и видеоконтенту | |
US20180060757A1 (en) | Data annotation method and apparatus for enhanced machine learning | |
KR102155309B1 (ko) | 인지 장애 예측 방법 및 이를 구현한 서버, 사용자 단말 및 어플리케이션 | |
US20150305662A1 (en) | Remote assessment of emotional status | |
US11864860B2 (en) | Biometric imaging and biotelemetry system | |
CN105516280A (zh) | 一种多模态学习过程状态信息压缩记录方法 | |
EP3908173A1 (en) | Systems and methods for diagnosing a stroke condition | |
US11823385B2 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
CN112150327A (zh) | 一种用于学生体质检测的测试*** | |
CN112957042A (zh) | 一种非接触式目标情绪识别的方法及*** | |
CN111241883A (zh) | 防止远程被测人员作弊的方法和装置 | |
CN113647950A (zh) | 心理情绪检测方法及*** | |
CN211862821U (zh) | 一种基于深度学习的孤独症辅助评估*** | |
CN106663140A (zh) | 用于检测对象的健康状况的设备、***和方法 | |
CN110755091A (zh) | 一种个人心理健康监测***及方法 | |
CN110393539B (zh) | 心理异常检测方法、装置、存储介质及电子设备 | |
CN118247836A (zh) | 异常行为检测方法、装置、设备、介质和程序产品 | |
US11432727B2 (en) | SpO2 miniprogram: AI SpO2 measurement app | |
KR20220099190A (ko) | 기계학습모델을 이용하여 우울증예비진단정보를 제공하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |