人员离位检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及智能监控技术领域，特别是涉及一种人员离位检测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着图像处理和计算机视觉技术的发展，出现了视频监控技术，为确保重要通信站点和区域目标的安全稳定，关键区域内通常安排有人员站岗，并配给枪械或安全维护器械，然而人员被袭和器械被抢等案件时有发生，严重影响了地区的安全稳定，对人员及器械离位检测愈发重要。
3.现有的人员离位检测方法，大多采用无线通信技术，在器械上安装无线信号发射模块，利用发射模块与接收装置之间的无线通信，实时定位人员及器械的位置，一旦检测到人员超出预定位置即触发报警信号，通知相关人员处理，然而，这种无线通信方法，人员或器械离开规定范围是触发离位检测报警的唯一条件，因此，存在检测不准确的问题。


技术实现要素：

4.基于此，有必要针对传统无线通信的人员检测方法存在检测不准确的问题，提供一种能够支持准确检测的人员离位检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种人员离位检测模型构建方法。所述方法包括：
6.获取人员视频图像集；
7.根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；
8.对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；
9.基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
10.在其中一个实施例中，根据人员视频图像集，提取人员的位置信息包括：
11.采用目标检测算法识别出视频图像集中的人员；
12.获取人员的位置信息。
13.在其中一个实施例中，根据人员视频图像集，提取人员的姿态信息包括：
14.采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；
15.获取人体姿态关键点的三维坐标；
16.通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
17.在其中一个实施例中，根据人员视频图像集，提取人员的人脸图像包括：
18.采用mtcnn(multi-task convolutional neural network，多任务卷积神经网络)算法，从视频图像集中提取人脸关键点；
19.根据人脸关键点的坐标，获得人脸中心坐标；
20.根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
21.第二方面，本技术还提供了一种人员离位检测模型构建装置。所述装置包括：
22.图像集获取模块，用于获取人员视频图像集；
23.信息提取模块，用于根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；
24.特征提取模块，用于对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；
25.模型构建模块，用于基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
26.第三方面，本技术提供了一种人员离位检测方法。所述方法包括：
27.获取待测人员视频图像集；
28.将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
29.在其中一个实施例中，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果包括：
30.将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；
31.将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；
32.若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；
33.将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；
34.根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
35.第四方面，本技术还提供了一种人员离位检测装置。所述装置包括：
36.待测图像集获取模块，用于获取待测人员视频图像集；
37.检测结果获取模块，用于将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
38.第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
39.获取人员视频图像集；根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型；获取待测人员视频图像集；将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果。
40.第六方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.获取人员视频图像集；根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型；获取待测人员视频图像集；将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果。
42.第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
43.获取人员视频图像集；根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型；获取待测人员视频图像集；将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果。
44.上述人员离位检测模型构建方法、装置、计算机设备、存储介质和计算机程序产品，通过获取人员视频图像集，从视频图像集中提取人员的位置信息、人员的姿态信息以及人员的人脸图像，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征，为人员离位检测提供了多种检测条件，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型，这种方法结合多种检测条件构建人员离位检测模型，能够多个数据维度来对人员离位进行检测，因此，能够支持准确的人员离位检测。
45.上述人员离位检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，这种根据人员离位检测模型对人员离位检测的方法能够实现准确的人员离位检测。
附图说明
46.图1为一个实施例中人员离位检测方法的应用环境图；
47.图2为一个实施例中人员离位检测模型构建方法的流程示意图；
48.图3为另一个实施例中人员离位检测模型构建方法的流程示意图；
49.图4为又一个实施例中人员离位检测模型构建方法的流程示意图；
50.图5为一个实施例中人员离位检测模型构建装置的结构框图；
51.图6为一个实施例中人员离位检测方法的流程示意图；
52.图7为另一个实施例中人员离位检测方法的流程示意图；
53.图8为一个实施例中人员离位检测装置的结构框图；
54.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
56.本技术实施例提供的人员离位检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储终端102需要处理的数据。数据存储系统可以集成在终端102上，也可以放在云上或其他网络服务器上。终端102获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像，其中，人员离位检测模型采用人员离位检测模型构建方法得到，将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
57.在一个实施例中，如图2所示，提供了一种人员离位检测模型构建方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
58.s100，获取人员视频图像集。
59.其中，视频图像集可以是采用智能监控技术采集到的人员监控视频，提取视频中的图像帧得到人员视频图像集，图像集包括人员在多种位置、多种姿态以及多种情绪下的多张图像，图像集还包括多张人员视频图像，图像集还可以包括人员持器械图像。
60.具体地，终端获取人员视频图像集，图像集包括人员在多种位置、多种姿态以及多种情绪下的多张图像。
61.s200，根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像。
62.其中，根据人员视频图像集，先将图像集分类，按照不同的位置、不同姿态、不同人员、不同情绪、不同精神状态进行分类，得到分类后的视频图像集，再从视频图像集中提取人员的位置信息、人员的姿态信息以及人员的人脸图像，分类后的图像集包括人员在不同位置的环境图像、人员在不同姿态下的图像、不同人员的人脸图像、人员在不同情绪下的表情图像、人员在不同精神状态下的瞳孔图像和眼睑图像，从人员在不同位置的环境图像中提取人员的位置信息，从人员在不同姿态下的图像中提取人员的姿态信息，人员的姿态信息包括人员的动作姿态、人员持器械姿态和人员非持器械姿态，从不同人员的人脸图像中提取人员的人脸图像，从人员在不同情绪下的表情图像中提取人员的在不同情绪下的表情信息，从人员在不同精神状态下的瞳孔图像提取人员瞳孔信息，从人员在不同精神状态下的眼睑图像提取人员眼睑信息，人员在感到疲劳并瞌睡的情况下眼睑的闭合程度更大、瞳孔也会较大，且无法注视同一角度，同时注视角度会同时向上扬起，通过瞳孔和眼睑信息，可以判断人员疲劳程度。
63.具体地，根据人员视频图像集，先将图像集分类，按照不同的位置、不同姿态、不同人员、不同情绪、不同精神状态进行分类，得到分类后的视频图像集，再从视频图像集中提取人员的位置信息、人员的姿态信息、人员的人脸图像、人员在不同情绪下的表情信息、人
员瞳孔信息以及人员眼睑信息。
64.s300，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征。
65.其中，对人员的人脸图像进行人脸特征提取和表情特征提取，人员的人脸图像包括不同人员的人脸图像以及不同情绪下的表情图像，对不同人员的人脸图像进行人脸特征提取，得到人员的人脸特征，对不同情绪下的表情图像进行表情特征提取，获得人员在不同情绪下的表情特征。
66.具体地，人员的人脸图像包括不同人员的人脸图像以及不同情绪下的表情图像，对不同人员的人脸图像进行人脸特征提取，得到人员的人脸特征，对不同情绪下的表情图像进行表情特征提取，获得人员在不同情绪下的表情特征。
67.s400，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
68.其中，将人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征输入预置的机器学习模型进行训练，得到人员离位检测模型，人员离位检测模型用以对人员是否离位进行检测。
69.上述人员离位检测模型构建方法中，通过获取人员视频图像集，从视频图像集中提取人员的位置信息、人员的姿态信息以及人员的人脸图像，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征，为人员离位检测提供了多种检测条件，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型，这种方法结合多种检测条件构建人员离位检测模型，能够多个数据维度来对人员离位进行检测，因此，能够支持准确的人员离位检测。
70.在一个实施例中，如图3所示，根据人员视频图像集，提取人员的位置信息包括：
71.s210，采用目标检测算法识别出视频图像集中的人员；
72.s220，获取人员的位置信息。
73.本实施例中，采用目标检测算法识别出视频图像集中的人员，获得人员的位置信息，位置信息包括位置的地址信息、位置的环境信息和位置的当时天气信息，根据位置信息，构建人员位置信息库，目标检测算法可以包括但不限于ssd(single shot multibox detector，单次多框架检测)和yolo(you only look once)算法，将人员所在的位置信息提取出来，能够有利于判断人员是否在指定位置区域，构建的人员位置信息库有利于将人员所有可能所在的位置信息归集起来，有利于判断人员是否离岗，使得判断结果更加准确。
74.上述实施例的方案，通过采用目标检测算法识别出视频图像集中的人员，获取人员的位置信息，将人员所在的位置信息提取出来，能够有利于判断人员是否在指定位置区域，构建的人员位置信息库有利于将人员所有可能所在的位置信息归集起来，有利于判断人员是否离岗，使得判断结果更加准确。
75.在一个实施例中，如图4所示，根据人员视频图像集，提取人员的姿态信息包括：
76.s230，采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；
77.s240，获取人体姿态关键点的三维坐标；
78.s250，通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
79.本实施例中，采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点，
也即是从人员在不同姿态下的图像中识别出人体姿态关键点，获得人体姿态关键点的三维坐标和人体姿态关键点的特征向量，通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库，具体地，计算人体姿态关键点特征向量的夹角余弦值，将夹角余弦值作为人体姿态关键点的特征值，根据三维坐标和特征值，提取人员的姿态信息，归集人员的姿态信息，构建执勤人员姿态信息库，其中，根据三维坐标和特征值，提取人员的姿态信息具体为，将人体姿态关键点进行建模，通过三维坐标表示人体姿态关键点模型，根据人体姿态关键点模型得到人员的姿态信息。
80.上述实施例的方案，通过采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点，获取人体姿态关键点的三维坐标，通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库，通过姿态识别算法识别人体姿态关键点，提取出的人员姿态信息比较准确，能够为构建人员离位检测模型提供一种数据样本，并为人员离位检测方法提供一种检测条件，能够支持准确的人员离位检测。
81.在一个实施例中，根据人员视频图像集，提取人员的人脸图像包括：采用mtcnn算法，从视频图像集中提取人脸关键点；根据人脸关键点的坐标，获得人脸中心坐标；根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
82.本实施例中，采用mtcnn算法，从视频图像集中提取人脸最外侧8个关键点作为人脸关键点，关键点个数还可以为16个或者32个，本技术对提取的关键点个数不做具体限定，采用此8个人脸关键点的坐标作为人脸关键点的坐标，根据人脸关键点的坐标，确定人脸中心坐标，以人脸中心坐标为中心，从视频图像集中截取预设大小的图像，图像形状可以为正方形，获得的图像包含人脸及小范围背景区域，该图像即为人员的人脸图像。
83.上述实施例的方案，通过采用mtcnn算法，从视频图像集中提取人脸关键点，根据人脸关键点的坐标，获得人脸中心坐标，根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像，通过mtcnn算法采集人脸最外侧关键点的方式确定人脸中心坐标，截图预设大小的人脸图像能够准确的反应人员信息，基于获得人员的图像进行构建人员离位检测模型，能够支持准确的人员离位检测。
84.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
85.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的人员离位检测模型构建方法的人员离位检测模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个人员离位检测模型构建装置实施例中的具体限定可以参见上文中对于人员离位检测模型构建方法的限定，在此不再赘述。
86.在一个实施例中，如图5所示，提供了一种人员离位检测模型构建装置500，包括：图像集获取模块510、信息提取模块520、特征提取模块530和模型构建模块540，其中：
87.图像集获取模块510，用于获取人员视频图像集。
88.信息提取模块520，用于根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像。
89.特征提取模块530，用于对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征。
90.模型构建模块540，用于基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
91.上述人员离位检测模型构建装置中，通过获取人员视频图像集，从视频图像集中提取人员的位置信息、人员的姿态信息以及人员的人脸图像，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征，为人员离位检测提供了多种检测条件，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型，这种方法结合多种检测条件构建人员离位检测模型，能够多个数据维度来对人员离位进行检测，因此，能够支持准确的人员离位检测。
92.在一个实施例中，信息提取模块520还用于采用目标检测算法识别出视频图像集中的人员；获取人员的位置信息。
93.在一个实施例中，信息提取模块520还用于采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；获取人体姿态关键点的三维坐标；通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
94.在一个实施例中，信息提取模块520还用于采用mtcnn算法，从视频图像集中提取人脸关键点；根据人脸关键点的坐标，获得人脸中心坐标；根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
95.上述人员离位检测模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
96.在一个实施例中，如图6所示，提供了一种人员离位检测模型构建方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
97.s600，获取待测人员视频图像集。
98.其中，待测人员视频图像集是采集得到待测试人员的视频图像集，待测人员视频图像集包括待测人员在多种位置、多种姿态以及多种情绪下的多张图像。
99.s700，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
100.其中，将待测人员视频图像输入至人员离位检测模型，获得人员离位检测结果，人员离位检测结果包括人员是否在位、人员身份是否为指定人员、人员姿态是否异常、人员情绪是否异常和人员是否疲劳。
101.上述人员离位检测方法中，通过获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，这种根据人员离位检测模型对人员离位检测的方法能够实现准确的人员离位检测。
102.在一个实施例中，如图7所示，将待测人员视频图像集输入至人员离位检测模型，
获得人员离位检测结果包括：
103.s710，将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；
104.s720，将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；
105.s730，若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；
106.s740，将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；
107.s750，根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
108.本实施例中，将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像，将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果，若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果，将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果，根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果，若待测人员检测结果为不在位、姿态异常、待测人员人脸非指定人员身份、情绪异常或者疲劳状态，则根据待测人员的离位检测结果生成检测报告并触发警报，还可以将待测人员的离位检测报告发送给监控中心，由人工触发警报，并提供应急措施干预处理，根据处理方法生成应急方案库。
109.上述实施例的方案，通过将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像，并分别与人员离位检测模型中的位置信息、姿态信息以及人脸图像进行比对，获得待测人员的离位检测结果，这种根据人员离位检测模型对人员离位检测的方法能够实现准确的人员离位检测。
110.为详细说明本方案中人员离位检测方法和人员离位检测方法以及效果，下面以一个最详细实施例进行说明：
111.获取人员视频图像集，根据人员视频图像集，采用目标检测算法识别出视频图像集中的人员，获取人员的位置信息，采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点，获取人体姿态关键点的三维坐标，通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库，采用mtcnn算法，从视频图像集中提取人脸关键点，根据人脸关键点的坐标，获得人脸中心坐标，根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型，获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像，将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果，若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果，将待测人员人脸图像
与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果，根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
112.上述人员离位检测模型构建方法，通过获取人员视频图像集，从视频图像集中提取人员的位置信息、人员的姿态信息以及人员的人脸图像，对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征，为人员离位检测提供了多种检测条件，基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型，这种方法结合多种检测条件构建人员离位检测模型，能够多个数据维度来对人员离位进行检测，因此，能够支持准确的人员离位检测。上述人员离位检测方法，通过获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，这种根据人员离位检测模型对人员离位检测的方法能够实现准确的人员离位检测。
113.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
114.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的人员离位检测方法的人员离位检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个人员离位检测装置实施例中的具体限定可以参见上文中对于人员离位检测方法的限定，在此不再赘述。
115.在一个实施例中，如图8所示，提供了一种人员离位检测装置800，包括：待测图像集获取模块810和检测结果获取模块820，其中：
116.待测图像集获取模块810，用于获取待测人员视频图像集。
117.检测结果获取模块820，用于将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，人员离位检测模型采用上述人员离位检测模型构建方法得到。
118.上述人员离位检测装置，通过获取待测人员视频图像集，将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，这种根据人员离位检测模型对人员离位检测的方法能够实现准确的人员离位检测。
119.在一个实施例中，检测结果获取模块820还用于将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
120.上述人员离位检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形
式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
121.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待测人员的位置信息、待测人员的姿态信息以及待测人员的人脸图像。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人员离位检测方法。
122.本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
123.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
124.获取人员视频图像集；
125.根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；
126.对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；
127.基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
128.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
129.采用目标检测算法识别出视频图像集中的人员；获取人员的位置信息。
130.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
131.采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；获取人体姿态关键点的三维坐标；通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
132.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
133.采用mtcnn算法，从视频图像集中提取人脸关键点；根据人脸关键点的坐标，获得人脸中心坐标；根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
134.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
135.获取待测人员视频图像集；
136.将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
137.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
138.将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；将待测人员的位置信息与人员离位检测模型中
的位置信息比对，获得待测人员是否在位的结果；若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
139.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
140.获取人员视频图像集；
141.根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图像；
142.对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；
143.基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
144.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
145.采用目标检测算法识别出视频图像集中的人员；获取人员的位置信息。
146.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
147.采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；获取人体姿态关键点的三维坐标；通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
148.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
149.采用mtcnn算法，从视频图像集中提取人脸关键点；根据人脸关键点的坐标，获得人脸中心坐标；根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
151.获取待测人员视频图像集；
152.将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
153.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
154.将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
155.在一个实施例中，提供了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以下步骤：
156.获取人员视频图像集；
157.根据人员视频图像集，提取人员的位置信息、人员的姿态信息以及人员的人脸图
像；
158.对人员的人脸图像进行人脸特征提取和表情特征提取，分别得到人员的人脸特征和人员的表情特征；
159.基于人员的位置信息、人员的姿态信息、人员的人脸特征以及人员的表情特征，构建人员离位检测模型。
160.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
161.采用目标检测算法识别出视频图像集中的人员；获取人员的位置信息。
162.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
163.采用姿态识别算法识别多种姿态下视频图像集的人体姿态关键点；获取人体姿态关键点的三维坐标；通过三维坐标，提取人员的姿态信息、并构建人员姿态信息库。
164.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
165.采用mtcnn算法，从视频图像集中提取人脸关键点；根据人脸关键点的坐标，获得人脸中心坐标；根据人脸中心坐标，从视频图像集中截取预设大小的图像，获得人员的人脸图像。
166.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
167.获取待测人员视频图像集；
168.将待测人员视频图像集输入至人员离位检测模型，获得人员离位检测结果，其中，人员离位检测模型采用上述人员离位检测模型构建方法得到。
169.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
170.将待测人员视频图像集输入至人员离位检测模型，获得待测人员的位置信息、待测人员的姿态信息、待测人员的人脸图像；将待测人员的位置信息与人员离位检测模型中的位置信息比对，获得待测人员是否在位的结果；若在位结果为是，则采用相似度对比法，将待测人员的姿态信息与人员离位检测模型中的姿态信息比对，获得待测人员姿态是否变化的结果；将待测人员人脸图像与人员离位检测模型中的人脸图像比对，获得待测人员人脸识别结果；根据待测人员是否在位的结果、姿态是否变化的结果以及人脸识别结果，获得待测人员的离位检测结果。
171.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
172.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
173.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
174.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。