CN113191319B - 一种人体姿态智能识别方法及计算机设备 - Google Patents
一种人体姿态智能识别方法及计算机设备 Download PDFInfo
- Publication number
- CN113191319B CN113191319B CN202110560152.7A CN202110560152A CN113191319B CN 113191319 B CN113191319 B CN 113191319B CN 202110560152 A CN202110560152 A CN 202110560152A CN 113191319 B CN113191319 B CN 113191319B
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- posture
- target human
- video stream
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000036544 posture Effects 0.000 claims description 131
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 210000003128 head Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 208000001491 myopia Diseases 0.000 description 3
- 230000004379 myopia Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010041591 Spinal osteoarthritis Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 201000009487 Amblyopia Diseases 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 208000004350 Strabismus Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000036319 cervical spondylosis Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 208000005801 spondylosis Diseases 0.000 description 1
- 208000026843 stiff neck Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000004127 vitreous body Anatomy 0.000 description 1
- 238000004017 vitrification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明一方面提供一种人体姿态智能识别方法，该方法基于设置在办公场景中的摄像设备用于人体姿态智能识别，包括：S1、获取摄像设备采集的预设周期内的视频流；S2、根据视频流和目标人体，获取目标人体的叠影图像；S3、根据目标人体的叠影图像，识别目标人体的姿态。为人体姿态识别提供了一种新的解决方案，并且加强了人体姿态识别的精度和智能程度。本发明另一方面提供一种计算机设备。
Description
技术领域
本发明涉及体态识别技术领域，尤其涉及一种人体姿态智能识别方法及计算机设备。
背景技术
现代社会，越来越多的工作只需要坐在办公室内就可以进行处理，这就使得人们每天花费越来越多的时间坐在办公桌前处理事务。
医学证明人体以最佳姿势端坐时是对身体负担最小的坐姿。当坐姿不当会导致视力急剧下降且易引发近视，近视还会引起许多眼的并发症，如：1、视网膜脱离；2、白内障；3、黄斑出血和黄斑变性；4、玻璃体液化变性；5、青光眼；6、斜视、弱视。近视度数越高，引起并发症的可能性就越大。长期坐姿不正还会引发颈椎病、腰椎病，出现头、颈、肩、背、手臂酸痛，颈脖子僵硬，活动受限等症状，严重可引发头晕、缺血性脑萎缩，如果压迫到脊髓，可能引起无力、下肢麻木甚至瘫痪和大小便失禁。
为矫正人体的不良坐姿，需要先对人体的姿态进行识别。因此，亟需一种人体姿态智能识别方法，可以准确识别用户的不良姿态，以便于及时提醒用户矫正姿态。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题，本发明至少从一定程度上进行解决。为此，本发明的一个目的在于提出了一种人体姿态智能识别方法，为人体姿态识别提供了一种新的解决方案，并且加强了人体姿态识别的精度和智能程度。
本发明的第二个目的在于提出一种计算机设备。
(二)技术方案
为了达到上述目的，本发明一方面提供一种人体姿态智能识别方法，该方法基于设置在办公场景中的摄像设备用于人体姿态智能识别，包括：
S1、获取摄像设备采集的预设周期内的视频流；
S2、根据视频流和目标人体，获取目标人体的叠影图像；
S3、根据目标人体的叠影图像，识别目标人体的姿态。
可选地，在S1之前，还包括：
S0、接收用户的人体姿态识别请求，并根据识别请求从预先存储的人体特征信息库中匹配用户的人体特征信息，根据用户的人体特征信息确定目标人体。
可选地，根据视频流和目标人体，获取目标人体的叠影图像，包括：根据视频流，获取同一个目标人体在每一个视频帧中的位置信息；根据同一个目标人体在每一个视频帧中的位置信息，将同一个目标人体在每一个视频帧中的图像信息叠加至同一图像，获取目标叠影图像。
可选地，根据视频流，获取同一个目标人体在每一个视频帧中的位置信息，包括：对每一个视频帧进行图像分割，获取每一个二值视频帧；根据每一个二值视频帧，获取每一个视频帧中每一个目标的位置信息；采用KNN算法对每两个连续视频帧进行处理，获取同一个目标在每两个连续视频帧中的位置信息；根据同一个目标在每两个连续视频帧中的位置信息，获取同一个目标在每一个视频帧中的位置信息。
可选地，根据目标人体的叠影图像，识别目标人体的姿态，包括：对每一个目标人体的每一个叠影进行姿态分析，确定每一个目标人体所有叠影的姿态，根据每一个目标人体所有叠影的姿态和不当姿态设定条件，确定每一个目标人体满足不当姿态的叠影姿态，根据每一个目标人体满足不当姿态的叠影姿态的数量，识别该目标人体的姿态。
可选地，姿态分析，包括：确定目标叠影相对于目标摄像设备的相对姿态，根据目标叠影相对于目标摄像设备的相对姿态和预先存储的目标摄像设备姿态，计算目标叠影相对于处于直立状态的摄像设备的旋转矩阵；根据旋转矩阵计算目标叠影在大地坐标系中的姿态角；其中，姿态角包括头部姿态角和/或背部姿态角，目标摄像设备为采集目标叠影信息的摄像设备。
可选地，在S3之后，还包括：
S4、存在所述目标人体的姿态为不良体态时，向不良体态的目标人体输出姿态调整提示信息。
可选地，在S1之后，S2之前，还包括：
S21、存在两个以上摄像设备采集的视频流时，根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流；
相应地，S2为：
根据目标人体及其姿态识别视频流，获取目标人体的叠影图像。
可选地，根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流，包括：根据每一视频流中目标人体的姿态信息，确定每一视频流中每一个目标人体相对于其摄像设备的相对姿态，依据满足设定条件的所述相对姿态，将与该相对姿态相关的视频流作为与该姿态相关的目标人体的姿态识别视频流。
本发明另一方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的人体姿态识别程序，处理器执行人体姿态识别程序时，实现如上所述的人体姿态识别方法。
(三)有益效果
本发明的有益效果是：
1、基于预设周期内的视频流对人体姿态进行识别，为精确识别人体姿态和人性化识别人体姿态提供基础。
2、通过获取目标人体的叠影图像，综合目标人体在预设周期视频流内从出现到结束的所有信息，形成一种新的图像处理基础，加强了人体姿态识别的精度和智能程度。
3、通过根据叠影图像，考虑目标人体在每一瞬间的姿态，结合考虑目标人体不良姿态的持续性，对目标人体姿态进行识别，容许目标人体的姿态有短暂的不当，只有在目标人体的姿态不当持续过长时，将目标人体的姿态识别为不良姿态，以提醒用户矫正姿态。相比于现有中基于实时获取的人体姿态图像进行处理来识别人体姿态的方法，本发明方法在提供给用户更大的活动自由度的同时，能够准确识别用户的人体姿态，以提醒用户及时矫正姿态，人性化程度更高，用户使用更舒心。
4、通过在存在两个以上摄像设备采集的视频流时，确定每一个目标人体的姿态识别视频流，以根据目标人体及其姿态识别视频流，获取目标人体的叠影图像。使本发明方法运算更简单，提高算法的运行效率。
附图说明
本发明借助于以下附图进行描述：
图1为根据本发明一个实施例的人体姿态智能识别方法的流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本发明实施例提出的人体姿态智能识别方法，基于设置在办公场景中的摄像设备用于人体姿态智能识别，通过获取摄像设备采集的预设周期内的视频流，以根据视频流，获取同一个目标人体在每一个视频帧中的位置信息，并根据同一个目标人体在每一个视频帧中的位置信息，将同一个目标人体在每一个视频帧中的图像信息叠加至同一图像，获取目标叠影图像，最后根据目标叠影图像，识别目标人体的姿态。相比于现有中基于实时获取的人体姿态图像进行处理来识别人体姿态的方法，本发明为人体姿态识别提供了一种新的解决方案，为人性化识别人体姿态提供基础，并通过根据目标叠影图像，识别目标人体的姿态，加强了人体姿态识别的精度和智能程度。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
下面就参照附图来描述根据本发明实施例提出的人体姿态智能识别方法。
图1为本发明一个实施例的人体姿态智能识别方法的流程示意图。
如图1所示，该人体姿态智能识别方法包括以下步骤：
步骤S1、接收用户的人体姿态识别请求，并根据识别请求从预先存储的人体特征信息库中匹配用户的人体特征信息，根据用户的人体特征信息确定目标人体。
具体地，人体特征信息包括人体关键点信息和/或人脸信息；其中，人体关键点信息包括头顶，五官，颈部，脊椎，骨盆，四肢主要关节部位的关键点。人体关键点信息支持人体背面、侧面、中低空斜拍、大动作等复杂场景对人体的定位。
步骤S2、获取摄像设备采集的预设周期内的视频流。
具体地，视频流包括连续的视频帧，连续的视频帧存在一个或多个目标。基于预设周期内的视频流对人体姿态进行识别，为精确识别人体姿态和人性化识别人体姿态提供基础。
步骤S3、根据视频流和目标人体，获取目标人体的叠影图像。
通过获取目标人体的叠影图像，综合目标人体在预设周期视频流内从出现到结束的所有信息，形成一种新的图像处理基础，加强了人体姿态识别的精度和智能程度。
优选地，步骤S3包括：根据视频流，获取同一个目标人体在每一个视频帧中的位置信息；根据同一个目标人体在每一个视频帧中的位置信息，将同一个目标人体在每一个视频帧中的图像信息叠加至同一图像，获取目标人体的叠影图像。
进一步地，根据视频流，获取同一个目标人体在每一个视频帧中的位置信息，包括：对每一个视频帧进行图像分割，获取每一个二值视频帧，根据每一个二值视频帧，获取每一个视频帧中每一个目标的位置信息；采用KNN算法对每两个连续视频帧进行处理，获取同一个目标在每两个连续视频帧中的位置信息；根据同一个目标在每两个连续视频帧中的位置信息，获取同一个目标在每一个视频帧中的位置信息。
具体地，对每一个视频帧进行图像分割，获取每一个二值视频帧，包括：通过腐蚀、膨胀形态学方法对每一个视频帧进行预处理，获取每一个预处理的视频帧；基于graythresh函数对每一个预处理的视频帧进行二值化处理，获取每一个二值视频帧。当然，采用形态学处理中的膨胀与腐蚀结合graythresh函数进行图像分割仅仅是优选，可以想见，采用Otsu阈值分割、区域生长法、分水岭分割、全局阈值分割也可以实现类似的效果。
步骤S4、根据目标人体的叠影图像，识别目标人体的姿态。
优选地，步骤S4包括：对每一个目标人体的每一个叠影进行姿态分析，确定每一个目标人体所有叠影的姿态，根据每一个目标人体所有叠影的姿态和不当姿态设定条件，确定每一个目标人体满足不当姿态的叠影姿态，根据每一个目标人体满足不当姿态的叠影姿态的数量，识别该目标人体的姿态。
具体地，根据每一个目标人体满足不当姿态的叠影姿态的数量，识别该目标人体的姿态，包括：若目标人体满足不当姿态的叠影姿态的数量超过预设阈值，则识别该目标人体的姿态为不良体态，否则识别该目标人体的姿态为良性体态。
通过考虑目标人体在每一瞬间的姿态，结合考虑目标人体不良姿态的持续性，对目标人体姿态进行识别，容许目标人体的姿态有短暂的不当，只有在目标人体的姿态不当持续过长时，将目标人体的姿态识别为不良姿态，以提醒用户矫正姿态。相比于现有中基于实时获取的人体姿态图像进行处理来识别人体姿态的方法，本发明方法在提供给用户更大的活动自由度的同时，能够准确识别用户的人体姿态，以提醒用户及时矫正姿态，人性化程度更高，用户使用更舒心。
进一步地，姿态分析包括：确定目标叠影相对于目标摄像设备的相对姿态，根据目标叠影相对于目标摄像设备的相对姿态和预先存储的目标摄像设备姿态，计算目标叠影相对于处于直立状态的摄像设备的旋转矩阵；根据旋转矩阵计算目标叠影在大地坐标系中的姿态角。其中，姿态角包括头部姿态角和/或背部姿态角，目标摄像设备为采集目标叠影信息的摄像设备。
进一步地，确定目标叠影相对于目标摄像设备的相对姿态，包括：获取目标叠影中人体的关键特征点，将关键特征点与预设的人体模型中的特征点进行匹配映射，并根据匹配映射结果确定目标叠影相对于目标摄像设备的相对姿态。
具体地，头部姿态角包括头部俯仰角、头部翻转角和头部偏航角，用于指示用户的头部姿态；背部姿态角包括背部俯仰角、背部翻转角和背部偏航角，用于指示用户的背部姿态。
步骤S5、存在目标人体的姿态为不良体态时，向不良体态的目标人体输出姿态调整提示信息。
可选地，在步骤S2之后，步骤S3之前，还包括：步骤S21、存在两个以上摄像设备采集的视频流时，根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流。相应地，步骤S3为：根据目标人体及其姿态识别视频流，获取目标人体的叠影图像。使本发明方法运算更简单，提高算法的运行效率。
优选地，根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流，包括：根据每一视频流中目标人体的姿态信息，确定每一视频流中每一个目标人体相对于其摄像设备的相对姿态，依据满足设定条件的相对姿态，将与该相对姿态相关的视频流作为与该姿态相关的目标人体的姿态识别视频流。
综上，本发明方法为人体姿态识别提供了一种新的解决方案，基于预设周期内的视频流获取目标人体的叠影图像，综合目标人体在预设周期视频流内从出现到结束的所有信息，形成一种新的图像处理基础，加强了人体姿态识别的精度和智能程度；根据叠影图像，通过考虑目标人体在每一瞬间的姿态，结合考虑目标人体不良姿态的持续性，对目标人体姿态进行识别，为用户提供更大的活动自由度的同时，能够准确识别用户的人体姿态，以提醒用户及时矫正姿态，人性化程度更高，用户使用更舒心；通过在存在两个以上摄像设备采集的视频流时，确定每一个目标人体的姿态识别视频流，以根据目标人体及其姿态识别视频流，获取目标人体的叠影图像，使本发明方法运算更简单，提高算法的运行效率。
此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的人体姿态识别程序，处理器执行人体姿态识别程序时，实现如上所述的人体姿态识别方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (8)
1.一种人体姿态智能识别方法，其特征在于，所述方法基于设置在办公场景中的摄像设备用于人体姿态智能识别，包括：
S1、获取摄像设备采集的预设周期内的视频流；
S2、根据所述视频流和目标人体，获取目标人体的叠影图像；
S3、根据所述目标人体的叠影图像，识别目标人体的姿态；
所述根据视频流和目标人体，获取目标人体的叠影图像，包括：根据所述视频流，获取同一个目标人体在每一个视频帧中的位置信息；根据所述同一个目标人体在每一个视频帧中的位置信息，将同一个目标人体在每一个视频帧中的图像信息叠加至同一图像，获取目标叠影图像；
所述根据目标人体的叠影图像，识别目标人体的姿态，包括：对每一个目标人体的每一个叠影进行姿态分析，确定每一个目标人体所有叠影的姿态，根据所述每一个目标人体所有叠影的姿态和不当姿态设定条件，确定每一个目标人体满足不当姿态的叠影姿态，根据每一个目标人体满足不当姿态的叠影姿态的数量，识别该目标人体的姿态。
2.根据权利要求1所述的人体姿态智能识别方法，其特征在于，在S1之前，还包括：
S0、接收用户的人体姿态识别请求，并根据所述识别请求从预先存储的人体特征信息库中匹配用户的人体特征信息，根据所述用户的人体特征信息确定目标人体。
3.根据权利要求1所述的人体姿态智能识别方法，其特征在于，所述根据视频流，获取同一个目标人体在每一个视频帧中的位置信息，包括：
对每一个视频帧进行图像分割，获取每一个二值视频帧；根据所述每一个二值视频帧，获取每一个视频帧中每一个目标的位置信息；
采用KNN算法对每两个连续视频帧进行处理，获取同一个目标在所述每两个连续视频帧中的位置信息；根据同一个目标在所述每两个连续视频帧中的位置信息，获取同一个目标在每一个视频帧中的位置信息。
4.根据权利要求1所述的人体姿态智能识别方法，其特征在于，所述姿态分析，包括：
确定目标叠影相对于目标摄像设备的相对姿态，根据目标叠影相对于目标摄像设备的相对姿态和预先存储的目标摄像设备姿态，计算目标叠影相对于处于直立状态的摄像设备的旋转矩阵；
根据所述旋转矩阵计算目标叠影在大地坐标系中的姿态角；
所述姿态角包括头部姿态角和/或背部姿态角，所述目标摄像设备为采集目标叠影信息的摄像设备。
5.根据权利要求1所述的人体姿态智能识别方法，其特征在于，在S3之后，还包括：
S4、存在所述目标人体的姿态为不良体态时，向不良体态的目标人体输出姿态调整提示信息。
6.根据权利要求1所述的人体姿态智能识别方法，其特征在于，在S1之后，S2之前，还包括：
S21、存在两个以上摄像设备采集的视频流时，根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流；
相应地，S2为：
根据目标人体及其姿态识别视频流，获取目标人体的叠影图像。
7.根据权利要求6所述的人体姿态智能识别方法，其特征在于，所述根据每一视频流中目标人体的姿态信息，确定每一个目标人体的姿态识别视频流，包括：
根据每一视频流中目标人体的姿态信息，确定每一视频流中每一个目标人体相对于其摄像设备的相对姿态，依据满足设定条件的所述相对姿态，将与该相对姿态相关的视频流作为与该姿态相关的目标人体的姿态识别视频流。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的人体姿态智能识别程序，所述处理器执行所述人体姿态智能识别程序时，实现如权利要求1-7任一项所述的人体姿态智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560152.7A CN113191319B (zh) | 2021-05-21 | 2021-05-21 | 一种人体姿态智能识别方法及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560152.7A CN113191319B (zh) | 2021-05-21 | 2021-05-21 | 一种人体姿态智能识别方法及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191319A CN113191319A (zh) | 2021-07-30 |
| CN113191319B true CN113191319B (zh) | 2022-07-19 |
Family
ID=76984839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110560152.7A Expired - Fee Related CN113191319B (zh) | 2021-05-21 | 2021-05-21 | 一种人体姿态智能识别方法及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191319B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114495015A (zh) * | 2022-03-30 | 2022-05-13 | 行为科技(北京)有限公司 | 人体姿态检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210284A (zh) * | 2019-04-12 | 2019-09-06 | 哈工大机器人义乌人工智能研究院 | 一种人体姿态行为智能评价方法 |
| CN110298332A (zh) * | 2019-07-05 | 2019-10-01 | 海南大学 | 行为识别的方法、系统、计算机设备和存储介质 |
| CN110633004A (zh) * | 2018-06-21 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 基于人体姿态估计的交互方法、装置和系统 |
| CN110807407A (zh) * | 2019-10-30 | 2020-02-18 | 东北大学 | 一种用于视频中高度近似动态目标的特征提取方法 |
| WO2021052016A1 (zh) * | 2019-09-18 | 2021-03-25 | 华为技术有限公司 | 一种人体姿态检测方法及电子设备 |
| CN112633196A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 人体姿态检测方法、装置和计算机设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385695A (zh) * | 2010-09-01 | 2012-03-21 | 索尼公司 | 人体三维姿势识别方法和装置 |
| CN110287923B (zh) * | 2019-06-29 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
| CN110705390A (zh) * | 2019-09-17 | 2020-01-17 | 平安科技（深圳）有限公司 | 基于lstm的形体姿态识别方法、装置及存储介质 |
-
2021
- 2021-05-21 CN CN202110560152.7A patent/CN113191319B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633004A (zh) * | 2018-06-21 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 基于人体姿态估计的交互方法、装置和系统 |
| CN110210284A (zh) * | 2019-04-12 | 2019-09-06 | 哈工大机器人义乌人工智能研究院 | 一种人体姿态行为智能评价方法 |
| CN110298332A (zh) * | 2019-07-05 | 2019-10-01 | 海南大学 | 行为识别的方法、系统、计算机设备和存储介质 |
| WO2021052016A1 (zh) * | 2019-09-18 | 2021-03-25 | 华为技术有限公司 | 一种人体姿态检测方法及电子设备 |
| CN110807407A (zh) * | 2019-10-30 | 2020-02-18 | 东北大学 | 一种用于视频中高度近似动态目标的特征提取方法 |
| CN112633196A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 人体姿态检测方法、装置和计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| Xialin Li 等.Foldover Features for Dynamic Object Behaviour Description in Microscopic Videos.《IEEE Access》.2020,第8卷第2169-3536页. * |
| 丰婧 等.基于PHOG特征的坐姿识别方法研究.《国外电子测量技术》.2021,第40卷(第5期),第83-87页. * |
| 朱国安等.基于Zhang-Suen算法的人体坐姿的识别方法研究.《数码世界》.2020,(第01期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113191319A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392120B (zh) | 一种基于视线估计的注意力智能监督方法 | |
| CN107169453A (zh) | 一种基于深度传感器的坐姿检测方法 | |
| CN104978548B (zh) | 一种基于三维主动形状模型的视线估计方法与装置 | |
| CN102662476B (zh) | 一种视线估计方法 | |
| US11844608B2 (en) | Posture analysis systems and methods | |
| CN110859630A (zh) | 一种基于ar技术的姿态矫正器及其矫正方法 | |
| CN111666998B (zh) | 一种基于目标点检测的内窥镜智能插管决策方法 | |
| CN110321786A (zh) | 一种基于深度学习的人体坐姿实时监视方法和系统 | |
| CN113191319B (zh) | 一种人体姿态智能识别方法及计算机设备 | |
| CN109976514B (zh) | 基于眼球误差模型的眼动数据校正方法 | |
| WO2023011339A1 (zh) | 视线方向追踪方法和装置 | |
| CN111696140B (zh) | 基于单目的三维手势追踪方法 | |
| CN111881886A (zh) | 基于姿态识别的智能座椅控制方法及装置 | |
| JP2005198818A (ja) | 身体動作の学習支援システム及び学習支援方法 | |
| CN109472795A (zh) | 一种图像编辑方法和装置 | |
| CN109766007A (zh) | 一种显示设备的注视点补偿方法及补偿装置、显示设备 | |
| CN111091889A (zh) | 一种基于镜面显示的人体形态检测方法、存储介质及装置 | |
| CN110269586A (zh) | 用于捕获具有暗点的人的视野的设备和方法 | |
| CN106774879B (zh) | 一种基于ar虚拟现实技术的整形手术体验系统 | |
| CN113255476B (zh) | 一种基于眼动追踪的目标跟踪方法、系统及存储介质 | |
| CN110288813A (zh) | 一种健康坐姿监控方法与及其监控系统 | |
| US20240221423A1 (en) | Method and apparatus for measuring gaze difference based on gaze estimation | |
| CN111047832A (zh) | 具有坐姿调整功能的移动设备及其使用方法 | |
| KR20180069013A (ko) | 사람의 시각적 거동 매개변수를 결정하기 위한 방법, 및 관련된 테스팅 디바이스 | |
| CN114967128A (zh) | 一种应用于vr眼镜的视线追踪系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220719 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |