一种基于深度学习的在岗人员行为检测方法及系统技术方案

本发明专利技术涉及计算机技术领域，具体而言，涉及一种基于深度学习的在岗人员行为检测方法及系统。该方法包括：获取多帧监控图像；通过离岗分类模型对所述多帧监控图像进行粗识别，确定所述多帧监控图像是否存在人员离岗行为；相应于不存在人员离岗行为时，至少通过人体骨骼关键点检测模型确定所述多帧监控图像中人员的行为；基于所述人员的行为输出预警指令。基于所述人员的行为输出预警指令。基于所述人员的行为输出预警指令。

【技术实现步骤摘要】
一种基于深度学习的在岗人员行为检测方法及系统


[0001]本专利技术涉及计算机
，具体而言，涉及一种基于深度学习的在岗人员行为检测方法及系统。

技术介绍

[0002]许多岗位如塔台管理员等，如在列车值班室、警卫室、驾驶室、车站机场监控室、铁路道口值班室等重要岗位，涉及到人身、财产安全，值班人员若擅自离岗、在岗瞌睡等，一旦发生意外，都可能会造成严重的安全事故。在这些重要的执行岗位上不能有半点懈怠，值班人员需要时刻集中注意力，发现问题要及时处理，通常对于岗位人员需要额外人手进行监控。
[0003]因此，需要一种便捷且时效性高的行为检测方法，以及时进行提醒或警报。

技术实现思路

[0004]本专利技术的实施例是这样实现的：
[0005]一种基于深度学习的在岗人员行为检测方法，包括：
[0006]获取多帧监控图像；
[0007]通过离岗分类模型对所述多帧监控图像进行粗识别，确定所述多帧监控图像是否存在人员离岗行为；
[0008]相应于不存在人员离岗行为时，至少通过人体骨骼关键点检测模型确定所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的在岗人员行为检测方法，其特征在于，包括：获取多帧监控图像；通过离岗分类模型对所述多帧监控图像进行粗识别，确定所述多帧监控图像是否存在人员离岗行为；相应于不存在人员离岗行为时，至少通过人体骨骼关键点检测模型确定所述多帧监控图像中人员的行为；基于所述人员的行为输出预警指令。2.如权利要求1所述的一种基于深度学习的在岗人员行为检测方法，其特征在于，还包括：相应于存在人员离岗行为时，输出警报指令。3.如权利要求1所述的一种基于深度学习的在岗人员行为检测方法，其特征在于：所述多帧监控图像中人员的行为包括站立、趴着睡、背坐、低头睡、半蹲、侧坐、正坐、躺着睡和其他。4.如权利要求3所述的一种基于深度学习的在岗人员行为检测方法，其特征在于：当预设时间段内所述人员的行为持续包括低头睡、趴着睡、躺着睡时，所述预警指令包括警报指令。5.如权利要求1所述的一种基于深度学习的在岗人员行为检测方法，其特征在于：所述多帧监控图像中包括一个或多个工位信息；所述离岗分类模型对多帧监控图像中任一工位进行粗识别。6.如权利要求1所述的一种基于深度学习的在岗人员行为检测方法，其特征在于，所述至少通过人体骨骼关键点检测模型确定所述多帧监控图像中人员的行为，包括：将所述多帧监控图像输入至所述人体骨骼关键点检测模型得到对应所述人员的多个骨骼关键点特征；其中，所述多帧监控图像逐帧或跳帧输入至所述人体骨骼关键点检测模型；将所述多个骨骼关键点特征输入至行为确定模型，得到所述人员的行为。7.如...

【专利技术属性】
技术研发人员：吴军，赵辉，谭海燕，韩朋朋，黄祁聪，王红，李显著，唐颖，
申请(专利权)人：重庆现代建筑产业发展研究院，
类型：发明
国别省市：