[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113011290A - 事件检测方法及装置、电子设备和存储介质 - Google Patents

事件检测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113011290A
CN113011290A CN202110236981.XA CN202110236981A CN113011290A CN 113011290 A CN113011290 A CN 113011290A CN 202110236981 A CN202110236981 A CN 202110236981A CN 113011290 A CN113011290 A CN 113011290A
Authority
CN
China
Prior art keywords
target object
event detection
event
confidence
gesture 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
CN202110236981.XA
Other languages
English (en)
Inventor
徐孟莹
曾星宇
于志鹏
梁鼎
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202110236981.XA priority Critical patent/CN113011290A/zh
Publication of CN113011290A publication Critical patent/CN113011290A/zh
Priority to KR1020227018557A priority patent/KR20220125716A/ko
Priority to PCT/CN2021/106863 priority patent/WO2022183661A1/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
    • 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
    • G06V20/44—Event detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B23/00—Component parts of escalators or moving walkways
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Debugging And Monitoring (AREA)
  • Color Printing (AREA)

Abstract

本公开涉及一种事件检测方法及装置、电子设备和存储介质，所述方法包括：获取电动扶梯的视频流；对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。本公开实施例可提高事件检测的准确率。

Description

事件检测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种事件检测方法及装置、电子设备和存储介质。
背景技术
随着经济的发展和基础设施建设的不断完善，电动扶梯在商场、写字楼、公共交通等场景的应用也越来越广泛。在电动扶梯带来便利的同时，行人在扶梯上发生异常动作，例如跌倒、逆行、蹲坐等，可能引发的意外事故也越发引起人们的重视。如果不能及时检测到扶梯上发生异常动作，并及时告警停止扶梯的运行，则可能会对梯上行人的生命财产安全造成重大损失。
发明内容
本公开提出了一种事件检测技术方案。
根据本公开的一方面，提供了一种事件检测方法，包括：获取电动扶梯的视频流；对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
在一种可能的实现方式中，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：在所述目标对象在当前时刻的置信度大于或等于置信度阈值的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：在所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第一持续时长大于或等于激活时间的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述方法还包括：在所述目标对象的事件检测结果为发生异常事件的情况下，发送第一告警信息。
在一种可能的实现方式中，所述方法还包括：在所述目标对象的事件检测结果为发生异常事件的情况下，将所述目标对象的检测状态变更为已检测状态，其中，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第二持续时长大于冷却时间的情况下，确定所述目标对象的事件检测结果为异常事件持续；在所述目标对象的事件检测结果为异常事件持续的情况下，发送第二告警信息。
在一种可能的实现方式中，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度小于置信度阈值，且置信度小于置信度阈值的第三持续时长大于去激活时间的情况下，确定所述目标对象的事件检测结果为异常事件结束。
在一种可能的实现方式中，所述方法还包括：根据预设的扩张系数，对所述第一区域进行扩张，得到扩张后的第二区域；从所述视频流的视频帧中裁剪出所述第二区域的图像，得到所述第一区域图像。
在一种可能的实现方式中，所述方法通过姿态识别网络对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，其中，所述方法还包括：根据预设的训练集训练所述姿态识别网络，所述训练集中样本图像标注的对象姿态包括异常姿态、正常姿态以及其它姿态，所述其它姿态包括正常姿态和异常姿态之外的姿态。
在一种可能的实现方式中，所述异常姿态包括蹲坐姿态，所述异常事件包括蹲坐事件。
根据本公开的一方面，提供了一种事件检测装置，包括：视频流获取模块，用于获取电动扶梯的视频流；区域确定模块，用于对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；姿态识别模块，用于对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；事件检测模块，用于根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象在当前时刻的置信度大于或等于置信度阈值的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第一持续时长大于或等于激活时间的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述装置还包括：第一告警模块，用于在所述目标对象的事件检测结果为发生异常事件的情况下，发送第一告警信息。
在一种可能的实现方式中，所述装置还包括：状态变更模块，用于在所述目标对象的事件检测结果为发生异常事件的情况下，将所述目标对象的检测状态变更为已检测状态，其中，所述事件检测模块用于：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第二持续时长大于冷却时间的情况下，确定所述目标对象的事件检测结果为异常事件持续；在所述目标对象的事件检测结果为异常事件持续的情况下，发送第二告警信息。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度小于置信度阈值，且置信度小于置信度阈值的第三持续时长大于去激活时间的情况下，确定所述目标对象的事件检测结果为异常事件结束。
在一种可能的实现方式中，所述装置还包括：扩张模块，用于根据预设的扩张系数，对所述第一区域进行扩张，得到扩张后的第二区域；裁剪模块，用于从所述视频流的视频帧中裁剪出所述第二区域的图像，得到所述第一区域图像。
在一种可能的实现方式中，所述装置通过姿态识别网络对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，其中，所述装置还包括：训练模块，用于根据预设的训练集训练所述姿态识别网络，所述训练集中样本图像标注的对象姿态包括异常姿态、正常姿态以及其它姿态，所述其它姿态包括正常姿态和异常姿态之外的姿态。
在一种可能的实现方式中，所述异常姿态包括蹲坐姿态，所述异常事件包括蹲坐事件。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例，能够检测出视频流中对象所在的区域；对该区域的图像进行识别以确定对象的姿态；根据对象的姿态确定事件检测结果，能够提高事件检测的准确率，从而降低发生意外事故的概率，减少人力检测的成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的事件检测方法的流程图。
图2示出根据本公开实施例的目标对象的检测状态变化的示意图。
图3示出根据本公开实施例的事件检测装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
根据本公开实施例的事件检测方法，可应用于商场、写字楼、公共交通等场景中，基于深度学习的方法，对场景中电动扶梯所在区域的视频流进行处理和分析，能够实时检测对象(例如行人)发生的异常事件(例如跌倒、逆行、蹲坐等)，定位到扶梯上异常事件发生的区域并及时告警，以便停止扶梯的运行，从而降低发生安全事故的风险。
图1示出根据本公开实施例的事件检测方法的流程图，如图1所示，所述事件检测方法包括：
在步骤S11中，获取电动扶梯的视频流；
在步骤S12中，对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；
在步骤S13中，对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；
在步骤S14中，根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
在一种可能的实现方式中，所述事件检测方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
举例来说，可在待检测的电动扶梯所在的位置设置至少一个图像采集设备，例如设置朝向电动扶梯的至少一个摄像头，以便采集电动扶梯的视频流，并对视频流画面中搭乘电动扶梯的对象(例如行人)进行检测。本公开对图像采集装置的安装位置、视频流的采集方式及视频流对应的具体区域均不作限制。
在一种可能的实现方式中，在步骤S11中，可获取电动扶梯的视频流，例如接收图像采集设备上传的视频流；并对采集到的视频流进行解码，得到解码后的视频流(也可称为图片流)。
在一种可能的实现方式中，在步骤S12中，可对解码后的视频流进行人体检测，确定视频流的各个视频帧中的人体框；并对各个视频帧中的人体框进行跟踪，确定属于同一身份的行人(可称为目标对象)的人体框，也即，确定出视频流中目标对象所在的第一区域。
其中，人体检测的方式可例如为人体关键点识别、人体轮廓检测等；人体跟踪的方式可例如为，根据相邻视频帧中人体框的交并比，确定属于同一身份的对象。本领域技术人员应当理解，可采用相关技术中的任意方式实现人体检测及跟踪，本公开对此不作限制。
在一种可能的实现方式中，可对视频流的每个视频帧进行人体检测及跟踪；也可以一定的时间间隔对视频流进行采样，对采样的视频帧进行人体检测及跟踪；还可以获取视频流中的关键帧，对关键帧进行人体检测及跟踪。本公开对此不作限制。
在一种可能的实现方式中，第一区域可表示为人体框(也可称为感兴趣区域(ROI，Region of Interest))的左上角(x1，y1)和右下角顶点坐标(x2，y2)，以及该目标对象的跟踪ID，本公开对第一区域的表示方式不作限制。
在一种可能的实现方式中，可从各个视频帧中剪裁出与第一区域对应的第一区域图像，并在步骤S13中，通过已训练的姿态识别网络对第一区域图像进行姿态识别，得到目标对象的姿态识别结果。该姿态识别网络可例如为卷积神经网络，本公开对姿态识别网络的具体网络结构及训练方式均不作限制。
在一种可能的实现方式中，姿态识别结果包括目标对象的姿态为异常姿态的置信度，以便在后续处理中判断是否发生异常事件。其中，姿态识别结果还可包括目标对象的姿态为正常姿态的置信度、为正常姿态和异常姿态之外的其它姿态的置信度等，本公开对姿态识别结果的具体内容不作限制。
在一种可能的实现方式中，异常姿态可例如为蹲坐姿态、跌倒姿态等；正常姿态可例如为站立姿态；其它姿态可包括躺卧、趴卧等姿态，或无法识别姿态的情形。本公开对各种姿态的具体类别不作限制。
在一种可能的实现方式中，在步骤S14中，可根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。事件检测结果可包括发生异常事件或未发生异常事件，例如，在异常姿态的置信度超过阈值时，或置信度超过阈值并持续一定的时间时，确定事件检测结果为发生异常事件。其中，异常事件可根据异常姿态的类别确定，例如为蹲坐事件、跌倒事件等，本公开对此不作限制。
在一种可能的实现方式中，如果事件检测结果为发生异常事件，则可生成并发送告警信息。该告警信息可包括异常事件的提醒，还可包括发生异常事件的目标对象所在的区域，以便相关人员进行定位。本公开对此不作限制。
在一种可能的实现方式中，可例如将告警信息发送给电动扶梯的控制装置，以使控制装置停止扶梯的运行；也可将告警信息发送给负责电动扶梯运行的相关人员，以使相关人员停止扶梯的运行，并前往电动扶梯进行救助等。本公开对告警信息的内容不作限制。
根据本公开的实施例，能够检测出视频流中对象所在的区域；对该区域的图像进行识别以确定对象的姿态；根据对象的姿态确定事件检测结果，能够提高事件检测的准确率，从而降低发生意外事故的概率，减少人力检测的成本。
下面对本公开的实施例的事件检测方法进行展开说明。
如前所述，可通过摄像头采集电动扶梯所在区域的视频流，并将采集的视频流传输给本地的前置服务器或云端服务器等电子设备。电子设备可对接收到的视频流进行解码，得到解码后的视频流。
在步骤S12中，可通过检测跟踪网络，对解码后的视频流进行人体检测及跟踪，检测出视频流的各个视频帧中的人体框，并跟踪属于同一身份的行人的人体框，得到视频流中目标对象所在的第一区域。该检测跟踪网络可以为卷积神经网络，本公开对检测跟踪网络的网络结构不作限制。
在得到第一区域后，可获取与第一区域对应的第一区域图像。可从视频流的视频帧中直接裁剪出第一区域的图像，也可对第一区域进行扩展处理。
在一种可能的实现方式中，根据本公开实施例的事件检测方法，还可包括：
根据预设的扩张系数，对所述第一区域进行扩张，得到扩张后的第二区域；
从所述视频流的视频帧中裁剪出所述第二区域的图像，得到所述第一区域图像。
如前所述，第一区域可表示为人体框的左上角(x1，y1)和右下角顶点坐标(x2，y2)，以及该目标对象的跟踪ID。可预先设定有扩张系数，根据扩张系数对第一区域进行扩张。设扩张后的第二区域的左上角和右下角顶点坐标分别为(x′1，y′1)(x′2，y′2)，则有：
x′1＝max(0,x1-e(x2-x1))
y′1＝max(0,y2-e(y2-y1))
x′2＝min(W-1,x2+e(x2-x1))
y′2＝min(H-1,y2+e(y2-y1)) 公式(1)
公式(1)中，W和H分别表示视频帧的图像宽度和高度，e表示扩张系数。扩张系数e例如取值为0.1，本公开对扩张系数e的具体取值不作限制。
根据公式(1)，可实现第一区域在视频帧的图像范围内的扩张，得到扩张后的第二区域。进而，可从对应的视频帧中裁剪出第二区域的图像，得到第一区域图像，以便后续处理。
通过这种方式，可提高姿态识别网络的分类器性能，提高后续姿态识别的准确度。
在一种可能的实现方式中，可在步骤S13中通过姿态识别网络对第一区域图像进行姿态识别，得到目标对象的姿态识别结果。该姿态识别网络可包括多分类器，以便识别目标对象的姿态为异常姿态、正常姿态或是其他姿态。在部署该姿态识别网络之前，可对该姿态识别网络进行训练。
在一种可能的实现方式中，本公开实施例的事件检测方法还可包括：
根据预设的训练集训练所述姿态识别网络，所述训练集中样本图像标注的对象姿态包括异常姿态、正常姿态以及其它姿态，所述其它姿态包括正常姿态和异常姿态之外的姿态。
举例来说，为了提高姿态识别网络的分类器的鲁棒性，可采用开集训练的方式。也即，样本图像标注的对象姿态除了异常姿态和正常姿态之外，还包括其它姿态。例如，在异常姿态和正常姿态分别为蹲坐姿态和站立姿态的情况下，其它姿态可包括躺卧、趴卧等姿态；还可包括无法判断姿态的情形，如下半身完全被遮挡、过于模糊等；还可包括检测框覆盖多人且无法判断谁是主要人物等情形。本公开对其它姿态所包括的姿态类型及无姿态的具体情形均不作限制。
在训练过程中，可将训练集中的样本图像分别输入到姿态识别网络中处理，得到样本识别结果；根据样本识别结果与样本图像之间的差异，确定姿态识别网络的网络损失；根据网络损失反向调整姿态识别网络的参数；经过多次迭代，在网络收敛的情况下，得到训练后的姿态识别网络。
通过这种方式，可提高姿态识别的鲁棒性，提高姿态识别的准确度。
在一种可能的实现方式中，姿态识别结果可包括目标对象的姿态为异常姿态的置信度s。在步骤S14中，可根据目标对象的姿态识别结果进行事件检测，确定该目标对象的事件检测结果。
在一种可能的实现方式中，可为每个跟踪ID(即目标对象)维护一个状态机，根据每个视频帧的姿态识别结果更新该状态机的状态，以实现事件检测。
图2示出根据本公开实施例的目标对象的检测状态变化的示意图。如图2所示，目标对象的检测状态可包括空闲状态(IDLE)21、检测中状态(DETECTING)22以及已检测状态(DETECTED)23。在检测过程中，可根据图2中的各个条件来变更检测状态，并在满足一定条件的情况下，输出对应的事件检测结果。
在图2中，激活时间AC(Activate seconds)、冷却时间CD(Cooldown seconds)、去激活时间DA(Deactivate seconds)以及置信度阈值T均为预先设定的参数；检测时间DT(Detected Time)、未检测时间UT(Undetected Time)、触发时间TT(Trigger Time)为时间戳，用于判断是否到达激活时间、去激活时间和冷却时间，这些时间戳在处理过程中被动态更新；now表示当前视频帧的时间戳(即当前时刻)；SET表示时间戳的更新，OUT表示事件的输出结果。
其中，激活时间AC和去激活时间DA的取值例如为0～3s，冷却时间的取值例如为1～10s，置信度阈值T的取值例如为0.5，本公开对此不作限制。
在一种可能的实现方式中，步骤S14可包括：在所述目标对象在当前时刻的置信度大于或等于置信度阈值的情况下，确定所述目标对象的事件检测结果为发生异常事件。
举例来说，如果当前时刻的视频帧中没有ROI(即第一区域)，或目标对象为异常姿态的置信度s小于置信度阈值T，即满足条件211(No ROI or s<T)，则目标对象的检测状态处于空闲状态21。
在一种可能的实现方式中，在目标对象处于空闲状态21，且未设置激活时间AC或激活时间AC设置为0的情况下，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，即满足条件212(s>＝T and AC＝0)，则输出结果为START，即确定目标对象的事件检测结果为发生异常事件。
在该情况下，可将目标对象的检测状态变更为已检测状态23，实现状态更新；将触发时间TT和未检测时间UT均更新为当前时刻now，开始计算触发时间TT和未检测时间UT，以便后续判断。
通过这种方式，可在目标对象为异常姿态时直接确定为发生异常事件，提高事件检测的实时性，从而能够及时告警，降低发生安全事故的风险。
在一种可能的实现方式中，步骤S14可包括：
在所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第一持续时长大于或等于激活时间的情况下，确定所述目标对象的事件检测结果为发生异常事件。
如图2所示，在目标对象处于空闲状态21，且激活时间AC大于0的情况下，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，即满足条件213(s>＝T and AC>0)，则不输出结果，即事件检测结果为未发生异常事件。在该情况下，可将目标对象的检测状态变更为检测中状态22，将检测时间DT更新为当前时刻now。
在一种可能的实现方式中，在目标对象处于检测中状态22的情况下，如果目标对象在当前时刻的置信度小于置信度阈值T，或当前时刻的视频帧中没有ROI，即满足条件221(No ROI or s<T)，则不输出结果，即事件检测结果为未发生异常事件。在该情况下，检测状态变更为空闲状态21。
在一种可能的实现方式中，在目标对象处于检测中状态22的情况下，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，而置信度大于或等于置信度阈值T的第一持续时长(now-DT)小于激活时间AC，即满足条件222(s>＝T and now-DT<AC)，则不输出结果，即事件检测结果为未发生异常事件。在该情况下，保持检测状态为检测中状态22。
在一种可能的实现方式中，在目标对象的检测状态为检测中状态22的情况下，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，且置信度大于或等于置信度阈值T的第一持续时长(now-DT)大于或等于激活时间AC，即满足条件223(s>＝T and now-DT>＝AC)，则输出结果为START，即确定目标对象的事件检测结果为发生异常事件。
在该情况下，可将目标对象的检测状态变更为已检测状态23，实现状态更新；将触发时间TT和未检测时间UT均更新为当前时刻now，以便后续判断。
通过这种方式，可在目标对象为异常姿态且持续一定时长时，确定为发生异常事件，从而避免单帧检测时可能发生的误检，提高事件检测的准确性。
在一种可能的实现方式中，根据本公开实施例的事件检测方法还包括：在所述目标对象的事件检测结果为发生异常事件的情况下，发送第一告警信息。
也就是说，如果输出结果为START，即目标对象的事件检测结果为发生异常事件，则可发送相应的告警信息(称为第一告警信息)。该第一告警信息可包括发生异常事件的提醒，还可包括发生异常事件的目标对象所在的区域，以便相关人员进行定位。本公开对此不作限制。
在一种可能的实现方式中，可例如将第一告警信息发送给电动扶梯的控制装置，以使控制装置停止扶梯的运行；也可将第一告警信息发送给负责电动扶梯运行的相关人员，以使相关人员停止扶梯的运行，并前往电动扶梯进行救助等。本公开对第一告警信息的内容不作限制。
通过这种方式，可实现异常事件的及时告警，降低发生安全事故的风险。
在一种可能的实现方式中，根据本公开实施例的事件检测方法还包括：
在所述目标对象的事件检测结果为发生异常事件的情况下，将所述目标对象的检测状态变更为已检测状态。
如前所述，如果满足条件223(s>＝T and now-DT>＝AC)，则输出结果为START，即确定目标对象的事件检测结果为发生异常事件。在该情况下，将目标对象的检测状态变更为已检测状态23，以便在后续处理中继续进行检测。
在一种可能的实现方式中，步骤S14可包括：
在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第二持续时长大于冷却时间的情况下，确定所述目标对象的事件检测结果为异常事件持续；
在所述目标对象的事件检测结果为异常事件持续的情况下，发送第二告警信息。
举例来说，在目标对象的检测状态为已检测状态23的情况下，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，且置信度大于或等于置信度阈值T的第一持续时长(now-TT)小于或等于冷却时间CD，则可认为处于前次输出后的冷却时间内，不输出结果。
在一种可能的实现方式中，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，且置信度大于或等于置信度阈值T的第二持续时长(now-TT)大于冷却时间CD，即满足条件231(s>＝T；If now-TT>CD)，则输出结果为ONGING，即确定目标对象的事件检测结果为异常事件持续。
在一种可能的实现方式中，如果目标对象在当前时刻的置信度大于或等于置信度阈值T，则可将未检测时间UT更新为当前时刻now，也即重置未检测时间UT的时间戳，以便重新开始计算未检测时间。如果目标对象在当前时刻的置信度大于或等于置信度阈值T，且置信度大于或等于置信度阈值T的第二持续时长(now-TT)大于冷却时间CD，则可将冷却时间CD更新为当前时刻now，也即重置冷却时间CD的时间戳，以便重新开始计算冷却时间。
在一种可能的实现方式中，在目标对象的事件检测结果为异常事件持续的情况下，可生成并发送相应的告警信息(称为第二告警信息)。该第二告警信息可包括异常事件持续的提醒，还可包括异常事件持续的目标对象所在的区域，以便相关人员进行定位。本公开对此不作限制。
通过这种方式，能够在目标对象为异常姿态且达到冷却时间时，确定为异常事件持续，从而以冷却时间为间隔重复告警，重复提醒电动扶梯运行的监测设备或负责电动扶梯运行的相关人员，避免发生相关人员未观察到的告警信息的情况，进一步降低发生安全事故的风险。
在一种可能的实现方式中，步骤S14可包括：
在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度小于置信度阈值，且置信度小于置信度阈值的第三持续时长大于去激活时间的情况下，确定所述目标对象的事件检测结果为异常事件结束。
举例来说，在目标对象的检测状态为已检测状态23的情况下，如果目标对象在当前时刻的置信度小于置信度阈值T或没有ROI，而置信度小于置信度阈值的第三持续时长(now-UT)小于或等于去激活时间DA，即满足条件232((No ROI or s<T)and now-UT<＝DA)，则可认为处于前次输出后的去激活时间DA内，不输出结果。
在一种可能的实现方式中，在目标对象的检测状态为已检测状态23的情况下，如果目标对象在当前时刻的置信度小于置信度阈值T或没有ROI，而置信度小于置信度阈值的第三持续时长(now-UT)大于去激活时间DA，即满足条件233((No ROI or s<T)and now-UT>DA)，则输出结果为END，即确定目标对象的事件检测结果为异常事件结束。
在一种可能的实现方式中，在事件检测结果为异常事件结束的情况下，可生成并发送事件结束信息，以便提醒电动扶梯运行的监测设备或负责电动扶梯运行的相关人员；也可不生成事件结束信息。本公开对此不作限制。
在一种可能的实现方式中，在目标对象的事件检测结果为异常事件结束时，可将目标对象的检测状态变更为空闲状态21，实现状态更新；将未检测时间UT的时间戳更新为nil(无)，以便后续再次判断。
在一种可能的实现方式中，如果目标对象的检测状态处于空闲状态21，且没有该目标对象的ROI一段时间后，则可释放该目标对象的状态机，或将该状态机应用于其他目标对象。本公开对此不作限制。
通过这种方式，可在目标对象不为异常姿态且达到去激活时间时，确定为异常事件结束，从而完成事件检测的整个处理流程。
根据本公开实施例的事件检测方法，能够对电动扶梯所在区域的视频流进行检测及跟踪，确定同一对象的人体区域；对该区域的图像进行姿态识别以确定对象的姿态；根据对象的姿态进行事件检测，判断是否发生蹲坐事件；最后将判别为蹲坐事件的区域和对应人体框返回，进行告警，能够提高事件检测的准确率，降低发生安全事故的风险。
根据本公开实施例的事件检测方法，仅使用单目摄像头，而不需要其他传感器(如红外传感器等)，就能够实现事件检测，提高了事件检测的效率。
根据本公开实施例的事件检测方法，能够应用于安防监控领域，应用于自动扶梯行人危险行为检测告警相关产品，例如部署于大型商场超市、地铁站、写字楼等应用场景的电动扶梯自助监控系统中，实现电梯蹲坐事件等危险行为自动检测和告警，以便采取减速电梯或停梯措施，减少人力监控的成本。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了事件检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种事件检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的事件检测装置的框图，如图3所示，所述装置包括：
视频流获取模块31，用于获取电动扶梯的视频流；
区域确定模块32，用于对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；
姿态识别模块33，用于对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；
事件检测模块34，用于根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象在当前时刻的置信度大于或等于置信度阈值的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第一持续时长大于或等于激活时间的情况下，确定所述目标对象的事件检测结果为发生异常事件。
在一种可能的实现方式中，所述装置还包括：第一告警模块，用于在所述目标对象的事件检测结果为发生异常事件的情况下，发送第一告警信息。
在一种可能的实现方式中，所述装置还包括：状态变更模块，用于在所述目标对象的事件检测结果为发生异常事件的情况下，将所述目标对象的检测状态变更为已检测状态，其中，所述事件检测模块用于：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第二持续时长大于冷却时间的情况下，确定所述目标对象的事件检测结果为异常事件持续；在所述目标对象的事件检测结果为异常事件持续的情况下，发送第二告警信息。
在一种可能的实现方式中，所述事件检测模块用于：在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度小于置信度阈值，且置信度小于置信度阈值的第三持续时长大于去激活时间的情况下，确定所述目标对象的事件检测结果为异常事件结束。
在一种可能的实现方式中，所述装置还包括：扩张模块，用于根据预设的扩张系数，对所述第一区域进行扩张，得到扩张后的第二区域；裁剪模块，用于从所述视频流的视频帧中裁剪出所述第二区域的图像，得到所述第一区域图像。
在一种可能的实现方式中，所述装置通过姿态识别网络对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，其中，所述装置还包括：训练模块，用于根据预设的训练集训练所述姿态识别网络，所述训练集中样本图像标注的对象姿态包括异常姿态、正常姿态以及其它姿态，所述其它姿态包括正常姿态和异常姿态之外的姿态。
在一种可能的实现方式中，所述异常姿态包括蹲坐姿态，所述异常事件包括蹲坐事件。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的事件检测方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的事件检测方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种事件检测方法，其特征在于，包括：
获取电动扶梯的视频流；
对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；
对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；
根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：
在所述目标对象在当前时刻的置信度大于或等于置信度阈值的情况下，确定所述目标对象的事件检测结果为发生异常事件。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：
在所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第一持续时长大于或等于激活时间的情况下，确定所述目标对象的事件检测结果为发生异常事件。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述方法还包括：
在所述目标对象的事件检测结果为发生异常事件的情况下，发送第一告警信息。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：
在所述目标对象的事件检测结果为发生异常事件的情况下，将所述目标对象的检测状态变更为已检测状态，
其中，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：
在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度大于或等于置信度阈值，且置信度大于或等于置信度阈值的第二持续时长大于冷却时间的情况下，确定所述目标对象的事件检测结果为异常事件持续；
在所述目标对象的事件检测结果为异常事件持续的情况下，发送第二告警信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果，包括：
在所述目标对象的检测状态为已检测状态，所述目标对象在当前时刻的置信度小于置信度阈值，且置信度小于置信度阈值的第三持续时长大于去激活时间的情况下，确定所述目标对象的事件检测结果为异常事件结束。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述方法还包括：
根据预设的扩张系数，对所述第一区域进行扩张，得到扩张后的第二区域；
从所述视频流的视频帧中裁剪出所述第二区域的图像，得到所述第一区域图像。
8.根据权利要求1-7中任意一项所述的方法，其特征在于，所述方法通过姿态识别网络对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，
其中，所述方法还包括：根据预设的训练集训练所述姿态识别网络，所述训练集中样本图像标注的对象姿态包括异常姿态、正常姿态以及其它姿态，所述其它姿态包括正常姿态和异常姿态之外的姿态。
9.根据权利要求2-8中任意一项所述的方法，其特征在于，所述异常姿态包括蹲坐姿态，所述异常事件包括蹲坐事件。
10.一种事件检测装置，其特征在于，包括：
视频流获取模块，用于获取电动扶梯的视频流；
区域确定模块，用于对所述视频流进行人体检测，确定所述视频流中的目标对象所在的第一区域；
姿态识别模块，用于对与所述第一区域对应的第一区域图像进行姿态识别，得到所述目标对象的姿态识别结果，所述姿态识别结果包括所述目标对象的姿态为异常姿态的置信度；
事件检测模块，用于根据所述目标对象的姿态识别结果，确定所述目标对象的事件检测结果。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
CN202110236981.XA 2021-03-03 2021-03-03 事件检测方法及装置、电子设备和存储介质 Pending CN113011290A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110236981.XA CN113011290A (zh) 2021-03-03 2021-03-03 事件检测方法及装置、电子设备和存储介质
KR1020227018557A KR20220125716A (ko) 2021-03-03 2021-07-16 이벤트 검출 방법, 장치, 전자 기기, 저장 매체 및 프로그램 제품
PCT/CN2021/106863 WO2022183661A1 (zh) 2021-03-03 2021-07-16 事件检测方法、装置、电子设备、存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110236981.XA CN113011290A (zh) 2021-03-03 2021-03-03 事件检测方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113011290A true CN113011290A (zh) 2021-06-22

Family

ID=76404356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110236981.XA Pending CN113011290A (zh) 2021-03-03 2021-03-03 事件检测方法及装置、电子设备和存储介质

Country Status (3)

Country Link
KR (1) KR20220125716A (zh)
CN (1) CN113011290A (zh)
WO (1) WO2022183661A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869137A (zh) * 2021-09-06 2021-12-31 中电科新型智慧城市研究院有限公司 事件检测方法、装置、终端设备及存储介质
CN113955594A (zh) * 2021-10-18 2022-01-21 日立楼宇技术（广州）有限公司 一种电梯控制方法、装置、计算机设备和存储介质
CN113963439A (zh) * 2021-10-22 2022-01-21 无锡八英里电子科技有限公司 一种基于机器视觉的电梯轿厢扒门行为识别方法
WO2022183661A1 (zh) * 2021-03-03 2022-09-09 上海商汤智能科技有限公司 事件检测方法、装置、电子设备、存储介质及程序产品
WO2023273029A1 (zh) * 2021-06-29 2023-01-05 深圳市商汤科技有限公司 视频处理方法、装置、设备、存储介质及程序产品
US20230036402A1 (en) * 2021-07-22 2023-02-02 Microsoft Technology Licensing, Llc Focused Computer Detection Of Objects In Images
WO2023029407A1 (zh) * 2021-08-31 2023-03-09 上海商汤智能科技有限公司 用于车辆的向紧急呼叫中心发送信息的方法及装置
CN116052275A (zh) * 2023-01-28 2023-05-02 北京安录国际技术有限公司 基于大数据的异常行为检测方法以及系统
CN116343341A (zh) * 2023-05-12 2023-06-27 天津志听医疗科技有限公司 一种基于姿态识别的动作预测分析方法和系统
CN116563949A (zh) * 2023-07-05 2023-08-08 四川弘和数智集团有限公司 一种行为识别方法、装置、设备及介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703968B (zh) * 2023-04-20 2024-09-10 北京百度网讯科技有限公司 针对目标对象的视觉跟踪方法、装置、系统、设备和介质
CN116307254A (zh) * 2023-04-20 2023-06-23 阿里巴巴（中国）有限公司 资产和设备安全的预测方法、行为识别模型的训练方法
CN116434145B (zh) * 2023-04-21 2024-04-16 北京日立电梯工程有限公司 一种基于图像识别的电扶梯乘客危险行为分析监控系统
CN116597385B (zh) * 2023-06-02 2024-01-23 北京安录国际技术有限公司 一种异常行为分析方法、系统
CN116503815B (zh) * 2023-06-21 2024-01-30 宝德计算机系统股份有限公司 一种基于大数据的计算机视觉处理系统
CN118279808B (zh) * 2024-06-04 2024-08-20 杭州祐全科技发展有限公司 基于视频分析的抽查取证方法、系统、电子设备及介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557506A (zh) * 2009-05-19 2009-10-14 浙江工业大学 基于计算机视觉的电梯轿厢内暴力行为智能检测装置
CN101670973A (zh) * 2008-09-09 2010-03-17 东芝电梯株式会社 自动扶梯监视系统
CN106503632A (zh) * 2016-10-10 2017-03-15 南京理工大学 一种基于视频分析的自动扶梯智能安全监测方法
CN106611157A (zh) * 2016-11-17 2017-05-03 中国石油大学(华东) 一种基于光流定位和滑动窗口检测的多人姿态识别方法
CN109460702A (zh) * 2018-09-14 2019-03-12 华南理工大学 基于人体骨架序列的乘客异常行为识别方法
CN109492575A (zh) * 2018-11-06 2019-03-19 东北大学 一种基于YOLOv3的扶梯安全监测方法
CN109872297A (zh) * 2019-03-15 2019-06-11 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
WO2020001216A1 (zh) * 2018-06-26 2020-01-02 杭州海康威视数字技术股份有限公司 异常事件的检测
CN110728815A (zh) * 2019-10-25 2020-01-24 深圳市商汤科技有限公司 基于视频分析的预警方法及装置、电子设备和存储介质
CN110807393A (zh) * 2019-10-25 2020-02-18 深圳市商汤科技有限公司 基于视频分析的预警方法及装置、电子设备和存储介质
CN110889382A (zh) * 2019-11-29 2020-03-17 深圳市商汤科技有限公司 虚拟形象渲染方法及装置、电子设备和存储介质
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、装置及系统
CN111310665A (zh) * 2020-02-18 2020-06-19 深圳市商汤科技有限公司 违规事件检测方法及装置、电子设备和存储介质
CN111680614A (zh) * 2020-06-03 2020-09-18 安徽大学 一种基于视频监控中的异常行为检测方法
CN111680651A (zh) * 2020-06-12 2020-09-18 武汉星巡智能科技有限公司 非接触式生命体征检测方法、装置、存储介质及系统
CN111783744A (zh) * 2020-07-31 2020-10-16 上海仁童电子科技有限公司 一种操作现场安全防护检测方法及装置
CN111814646A (zh) * 2020-06-30 2020-10-23 平安国际智慧城市科技股份有限公司 基于ai视觉的监控方法、装置、设备及介质
CN111814601A (zh) * 2020-06-23 2020-10-23 国网上海市电力公司 一种将目标检测与人体姿态估计相结合的视频分析方法
CN112069937A (zh) * 2020-08-21 2020-12-11 深圳市商汤科技有限公司 事件检测方法及其装置、电子设备、存储介质
CN112153343A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 电梯安全监控方法、装置、监控摄像头和存储介质
US20210004081A1 (en) * 2018-03-28 2021-01-07 Sony Corporation Information processing apparatus, information processing method, and program

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919077B (zh) * 2019-03-04 2022-09-20 网易（杭州）网络有限公司 姿态识别方法、装置、介质和计算设备
US11164047B2 (en) * 2019-07-22 2021-11-02 International Business Machines Corporation Object detection optimization
CN111767888A (zh) * 2020-07-08 2020-10-13 北京澎思科技有限公司 对象状态检测方法、计算机设备、存储介质和电子设备
CN113011290A (zh) * 2021-03-03 2021-06-22 上海商汤智能科技有限公司 事件检测方法及装置、电子设备和存储介质

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101670973A (zh) * 2008-09-09 2010-03-17 东芝电梯株式会社 自动扶梯监视系统
CN101557506A (zh) * 2009-05-19 2009-10-14 浙江工业大学 基于计算机视觉的电梯轿厢内暴力行为智能检测装置
CN106503632A (zh) * 2016-10-10 2017-03-15 南京理工大学 一种基于视频分析的自动扶梯智能安全监测方法
CN106611157A (zh) * 2016-11-17 2017-05-03 中国石油大学(华东) 一种基于光流定位和滑动窗口检测的多人姿态识别方法
US20210004081A1 (en) * 2018-03-28 2021-01-07 Sony Corporation Information processing apparatus, information processing method, and program
WO2020001216A1 (zh) * 2018-06-26 2020-01-02 杭州海康威视数字技术股份有限公司 异常事件的检测
CN109460702A (zh) * 2018-09-14 2019-03-12 华南理工大学 基于人体骨架序列的乘客异常行为识别方法
CN109492575A (zh) * 2018-11-06 2019-03-19 东北大学 一种基于YOLOv3的扶梯安全监测方法
CN109872297A (zh) * 2019-03-15 2019-06-11 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110728815A (zh) * 2019-10-25 2020-01-24 深圳市商汤科技有限公司 基于视频分析的预警方法及装置、电子设备和存储介质
CN110807393A (zh) * 2019-10-25 2020-02-18 深圳市商汤科技有限公司 基于视频分析的预警方法及装置、电子设备和存储介质
CN110889382A (zh) * 2019-11-29 2020-03-17 深圳市商汤科技有限公司 虚拟形象渲染方法及装置、电子设备和存储介质
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、装置及系统
CN111310665A (zh) * 2020-02-18 2020-06-19 深圳市商汤科技有限公司 违规事件检测方法及装置、电子设备和存储介质
CN111680614A (zh) * 2020-06-03 2020-09-18 安徽大学 一种基于视频监控中的异常行为检测方法
CN111680651A (zh) * 2020-06-12 2020-09-18 武汉星巡智能科技有限公司 非接触式生命体征检测方法、装置、存储介质及系统
CN111814601A (zh) * 2020-06-23 2020-10-23 国网上海市电力公司 一种将目标检测与人体姿态估计相结合的视频分析方法
CN111814646A (zh) * 2020-06-30 2020-10-23 平安国际智慧城市科技股份有限公司 基于ai视觉的监控方法、装置、设备及介质
CN111783744A (zh) * 2020-07-31 2020-10-16 上海仁童电子科技有限公司 一种操作现场安全防护检测方法及装置
CN112069937A (zh) * 2020-08-21 2020-12-11 深圳市商汤科技有限公司 事件检测方法及其装置、电子设备、存储介质
CN112153343A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 电梯安全监控方法、装置、监控摄像头和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张加雪，钱江: "智慧船闸", 31 December 2018, 南京：东南大学出版社, pages: 100 - 101 *
彭秋萍等: "基于机器视觉的扶梯自动急停系统", 计算机系统应用, vol. 29, no. 3, 31 March 2020 (2020-03-31), pages 1 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022183661A1 (zh) * 2021-03-03 2022-09-09 上海商汤智能科技有限公司 事件检测方法、装置、电子设备、存储介质及程序产品
WO2023273029A1 (zh) * 2021-06-29 2023-01-05 深圳市商汤科技有限公司 视频处理方法、装置、设备、存储介质及程序产品
US12106531B2 (en) * 2021-07-22 2024-10-01 Microsoft Technology Licensing, Llc Focused computer detection of objects in images
US20230036402A1 (en) * 2021-07-22 2023-02-02 Microsoft Technology Licensing, Llc Focused Computer Detection Of Objects In Images
WO2023029407A1 (zh) * 2021-08-31 2023-03-09 上海商汤智能科技有限公司 用于车辆的向紧急呼叫中心发送信息的方法及装置
CN113869137A (zh) * 2021-09-06 2021-12-31 中电科新型智慧城市研究院有限公司 事件检测方法、装置、终端设备及存储介质
CN113955594B (zh) * 2021-10-18 2024-02-27 日立楼宇技术（广州）有限公司 一种电梯控制方法、装置、计算机设备和存储介质
CN113955594A (zh) * 2021-10-18 2022-01-21 日立楼宇技术（广州）有限公司 一种电梯控制方法、装置、计算机设备和存储介质
CN113963439A (zh) * 2021-10-22 2022-01-21 无锡八英里电子科技有限公司 一种基于机器视觉的电梯轿厢扒门行为识别方法
CN116052275A (zh) * 2023-01-28 2023-05-02 北京安录国际技术有限公司 基于大数据的异常行为检测方法以及系统
CN116343341A (zh) * 2023-05-12 2023-06-27 天津志听医疗科技有限公司 一种基于姿态识别的动作预测分析方法和系统
CN116343341B (zh) * 2023-05-12 2023-08-15 天津志听医疗科技有限公司 一种基于姿态识别的动作预测分析方法和系统
CN116563949A (zh) * 2023-07-05 2023-08-08 四川弘和数智集团有限公司 一种行为识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022183661A1 (zh) 2022-09-09
KR20220125716A (ko) 2022-09-14

Similar Documents

Publication Publication Date Title
CN113011290A (zh) 事件检测方法及装置、电子设备和存储介质
US11410001B2 (en) Method and apparatus for object authentication using images, electronic device, and storage medium
EP3163498B1 (en) Alarming method and device
KR20210148313A (ko) 위반 이벤트 검출 방법 및 장치, 전자 기기 및 저장 매체
US11288531B2 (en) Image processing method and apparatus, electronic device, and storage medium
CN110969115B (zh) 行人事件的检测方法及装置、电子设备和存储介质
CN112818844A (zh) 安检异常事件检测方法及装置、电子设备和存储介质
CN112560986B (zh) 图像检测方法及装置、电子设备和存储介质
CN111104920B (zh) 视频处理方法及装置、电子设备和存储介质
CN111222404A (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN113011291B (zh) 事件检测方法及装置、电子设备和存储介质
WO2023071174A1 (zh) 车内人员检测方法及装置、电子设备和存储介质
CN112633184A (zh) 告警方法及装置、电子设备和存储介质
CN110728815A (zh) 基于视频分析的预警方法及装置、电子设备和存储介质
CN112906484A (zh) 一种视频帧处理方法及装置、电子设备和存储介质
CN111435422B (zh) 动作识别方法、控制方法及装置、电子设备和存储介质
CN110807393A (zh) 基于视频分析的预警方法及装置、电子设备和存储介质
CN114187498A (zh) 遮挡检测方法及装置、电子设备和存储介质
CN109344703B (zh) 对象检测方法及装置、电子设备和存储介质
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN113920169A (zh) 目标跟踪、事件检测方法及装置、电子设备和存储介质
CN113807167A (zh) 车辆碰撞检测方法及装置、电子设备和存储介质
CN113822216A (zh) 事件检测方法及装置、系统、电子设备和存储介质
CN112464898A (zh) 事件检测方法及装置、电子设备和存储介质
CN114550398A (zh) 一种防拆目标设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40044668

Country of ref document: HK