CN109887034A - 一种基于深度图像的人体定位方法 - Google Patents
一种基于深度图像的人体定位方法 Download PDFInfo
- Publication number
- CN109887034A CN109887034A CN201910188158.9A CN201910188158A CN109887034A CN 109887034 A CN109887034 A CN 109887034A CN 201910188158 A CN201910188158 A CN 201910188158A CN 109887034 A CN109887034 A CN 109887034A
- Authority
- CN
- China
- Prior art keywords
- depth image
- image
- pixel
- depth
- point
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出的一种基于深度图像的人体定位方法,包括:获取人体深度图像,并将包含有人体深度图像的室内深度图像作为目标图像,然后将目标图像转移到预设二维坐标系中,对各像素点进行坐标赋值;对人体深度图像进行切割,获取上半身深度图像,并获取上半身深度图像上的凸包点,然后结合二维坐标选择纵坐标最高的凸包点作为人体中心点,并获取人体中心点的坐标(x1,y1)。本发明中,通过将图像转换为像素点,通过像素点在图像上的坐标位置具现化,实现了人体在房间内位置的具象化。本发明通过对像素点的分析进行人体定位,比传统的基于骨骼点的人体定位精度更高,实际应用范围更广。
Description
技术领域
本发明涉及人体定位技术领域,尤其涉及一种基于深度图像的人体定位方法。
背景技术
随着远程网络技术的发展,远程监控的应用越来越广泛,例如远程看家的电子设备等。远程监控技术一般都要用到摄像头,以方便对人体定位。
现有的摄像头采用骨骼点识别的方法进行人体定位,这种人体定位方法,受光线等外界环境因素的影响严重,很难保证定位的精确性。而且,现有的摄像头在房间的纵深超过一定值例如4米后,就不能用摄像头自带的骨架识别来定位人的下半身坐标,应用局限大。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于深度图像的人体定位方法。
本发明提出的一种基于深度图像的人体定位方法,包括以下步骤:
S1、将采集到的室内深度图像与原始深度图像进行比对,获取人体深度图像,并将包含有人体深度图像的室内深度图像作为目标图像;然后将目标图像转移到预设二维坐标系中,对各像素点进行坐标赋值;原始深度图像为室内无人状态下的与室内深度图像纵深相同的深度图像;
S2、对人体深度图像进行切割,获取上半身深度图像,并获取上半身深度图像上的凸包点,然后结合二维坐标选择纵坐标最高的凸包点作为人体中心点,并获取人体中心点的坐标(x1,y1);
S3、获取目标图像上纵坐标为y1的像素点个数X1,获取X1个纵坐标为y的像素点中存在于原始深度图像中的像素点作为参照对象;
S4、获取目标图像上X1个纵坐标为y1的像素点中存在于上半身深度图像上的像素点作为判断对象;
S5、将参照对象分割为位于判断对象相对两侧的第一序列和第二序列,并获取判断对象与第一序列中最接近像素点的横坐标差值或者判断对象与第二序列中最接近像素点的横坐标差值作为第一差值;
S6、获取第一序列和第二序列上最接近两个像素点的横坐标距离值作为第二差值,然后获取第一差值和第二差值的比值作为横向比例值;
S7、结合横向比例值和纵坐标值y1对人体进行定位。
优选的,步骤S1中目标图像的获取具体包括以下步骤:
S11、将采集到的室内深度图像与原始深度图像进行比对,获取深度发生变化的像素点数量;
S12、判断深度发生变化的像素点数量是否大于或者等于预设阈值N0;否,则返回步骤S11;
S13、是,则从室内深度图像上分割出人体深度图像,并将室内深度图像作为目标图像。
优选的,步骤S13中,通过从目标图像中提取深度发生变化且坐标位置连续的像素点组成人体深度图像。
优选的,对应分辨率为512×464的室内深度图像,N0=800。
优选的,步骤S1中通过摄像头获取室内深度图像。
优选的,步骤S2中,对人体深度图像进行切割,获取上半身深度图像的具体方法为:获取人体深度图像的最高点和最低点,获取最高点和最低点的纵坐标均值做分割线,获取分割线上方的人体深度图像作为上半身深度图像。
优选的,步骤S2具体包括以下步骤:
S21、对人体深度图像进行切割,获取上半身深度图像;
S22、根据上半身深度图像上各像素点的坐标值,提取上半身深度图像的最高点(PT)、最左点(PL)、最右点(PR)和最低点(PB)并绘制四边形;
S23、获取上半身深度图像上位于四边形外部的像素点作为候选点,并通过凸包算法从候选点中筛选出凸包点;
S24、获取纵坐标最高的凸包点作为人体中心点。
优选的,步骤S22中,最高点(PT)为上半身深度图像上纵坐标最大的像素点中横坐标最小的像素点;最左点(PL)为上半身深度图像上横坐标最小的像素点中纵坐标最大的像素点;最右点(PR)为上半身深度图像上横坐标最大的像素点中纵坐标最大的像素点;最低点(PB)为上半身深度图像上纵坐标最小的像素点中横坐标最小的像素点。
优选的,步骤S23中获取上半身深度图像上位于四边形外部的像素点作为候选点的具体方法为:获取上半身深度图像上各像素点平行于X轴或者Y轴的射线与四边形的交点的数量,并筛选交点数量为偶数的像素点作为候选点。
优选的,S5中获取判断对象中横坐标最小的端点作为计算对象。步骤S6具体为:获取计算对象与第一序列中横坐标最大像素点的横坐标差值作为分子,并获取第二序列中横坐标最小像素点与第一序列中横坐标最大像素点的横坐标差值作为分母,获取分子和分母的比值作为人体相对于左侧墙壁的横向比例值。
本发明提出的一种基于深度图像的人体定位方法,首先对摄像头所采集到的室内深度图像与房间无人的原始深度图像进行比对,遍历图中的像素点,满足一定数量的像素点深度的改变即视为人体出现在房间内。之后对人体深度图像进行分割,通过改进的凸包算法确定识人体的轮廓,主要的就是确定头部的中心作为人体中心点。最后将人体中心点在室内深度图像上的二维位置转化为人体在房间内实际的二维位置。
本发明中,通过将图像转换为像素点,通过像素点在图像上的坐标位置具现化,实现了人体在房间内位置的具象化。通过对像素点的分析进行人体定位,避免了传统的摄像头对于骨骼点的识别会受室内光线和实验人的衣着颜色所影响的局限性。本发明提供的方法比传统的基于骨骼点的人体定位精度更高,实际应用范围更广。
附图说明
图1为本发明提出的一种基于深度图像的人体定位方法流程图;
图2为本发明提出的另一种基于深度图像的人体定位方法流程图;
图3为本发明提出的又一种基于深度图像的人体定位方法流程图;
图4为实施例中原始深度图像示意图;
图5为实施例中目标图像示意图。
具体实施方式
参照图1,本发明提出的一种基于深度图像的人体定位方法,包括以下步骤。
S1、将采集到的室内深度图像与原始深度图像进行比对,获取人体深度图像,并将包含有人体深度图像的室内深度图像作为目标图像;然后将目标图像转移到预设二维坐标系中,对各像素点进行坐标赋值。
如此,本实施方式,通过对像素点赋予坐标位置,实现了像素点的具象化,有利于根据像素点的比对实现人体的提取。
原始深度图像为室内无人状态下的与室内深度图像纵深相同的深度图像。例如,本实施方式中,通过摄像头获取室内深度图像,则进行比对的室内深度图像的采集位置与摄像头的距离与原始深度图像的采集位置与摄像头的距离相等。
S2、对人体深度图像进行切割,获取上半身深度图像,并获取上半身深度图像上的凸包点,然后结合二维坐标选择纵坐标最高的凸包点作为人体中心点,并获取人体中心点的坐标(x1,y1)。
本实施方式中获取的人体中心点为人体深度图像上头部区域的最高点,由于头部面积较小,故而,可以用人体中心点的位置映射人体头部位置,从而进一步用人体中心点的横坐标作为人体深度图像在室内深度图像中相对左右位置,即根据人体中心点计算人体在室内相对于左右墙壁的位置。
本实施方式中,通过获取上半身深度图像进行凸包算法提取人体中心点,相对于人体深度图像,上半身深度图像的截取缩小了凸包算法的计算范围,有利于减少工作量,提高工作效率。
具体实施时,上半身深度图像可以根据预设的分割比例或者分割线进行切割,例如,取人体深度图像上部的1/2或者1/3作为上半身深度图像,或者预一条设纵坐标恒定的平行于X轴的直线作为分割线,并取分割线以上的人体深度图像作为上半身深度图像。
本实施方式中,对人体深度图像进行切割,获取上半身深度图像的具体方法为:获取人体深度图像的最高点和最低点,获取最高点和最低点的纵坐标均值做分割线,获取分割线上方的人体深度图像作为上半身深度图像。
S3、获取目标图像上纵坐标为y1的像素点个数X1,获取X1个纵坐标为y的像素点中存在于原始深度图像中的像素点作为参照对象。如此,通过目标图像与原始深度图像的对比获取的参照对象实际为房间内静态实物对象的图像。
S4、获取目标图像上X1个纵坐标为y1的像素点中存在于上半身深度图像上的像素点作为判断对象。
S5、将参照对象分割为位于判断对象相对两侧的第一序列和第二序列,并获取判断对象与第一序列中最接近像素点的横坐标差值或者判断对象与第二序列中最接近像素点的横坐标差值作为第一差值。
S6、获取第一序列和第二序列上最接近两个像素点的横坐标距离值作为第二差值,然后获取第一差值和第二差值的比值作为横向比例值。
具体的,本实施方式中可取位于所有判断对象左侧的参照对象组成第一序列,取位于所有判断对象右侧的参照对象组成第二序列。如此,判断对象与第一序列中最接近像素点的横坐标差值为:判断对象中横坐标最小的像素点与第一序列中横坐标最大的像素点的横坐标差值;判断对象与第二序列中最接近像素点的横坐标差值为:判断对象中横坐标最大的像素点与第二序列中横坐标最小的像素点的横坐标差值。
本实施方式中,提取的参照对象和判断对象实际上分别为目标图像上纵坐标为y1的直线上房间内静态实物对象对应的像素点和人体对应的像素点,如此,参照对象和判断对象分别对应在目标图像上纵坐标为y1的直线上房间内静态实物对象和人体分别占据的空间。
如此,本实施方式中,通过将图像转换为像素点,通过像素点在图像上的坐标位置具现化,实现了人体在房间内位置的具象化。
S7、结合横向比例值和纵坐标值y1对人体进行定位。具体的,假设获得横向比例值为1/3,则本步骤中可获得人体为室内距离与左侧墙壁的距离为室内宽度1/3的位置且人体轮廓高度为y1。
本发明具体实施时,S1具体包括以下步骤:
S11、将采集到的室内深度图像与原始深度图像进行比对,获取深度发生变化的像素点数量。
S12、判断深度发生变化的像素点数量是否大于或者等于预设阈值N0。否,则返回步骤S11。
S13、是,则从室内深度图像上分割出人体深度图像,并将室内深度图像作为目标图像。
如此,本实施方式中,当步骤S11深度发生变化的像素点数量大于或者等于预设阈值N0,则判断有人出现在房间内。此时,因为房间内的静态实物位置不变但有可能被人体遮挡,静态实物对应的像素点位置不变或者被人体对应的像素点遮挡,故而,深度发生变化的像素点即为人体区域。故而,步骤S13中,通过从目标图像中提取深度发生变化且坐标位置连续的像素点组成人体深度图像。具体实施时,如果只有一个人出现在房间内,则步骤S11中获取的深度发生变化的像素点具有连续性。但是,如果是多人出现在房间内,且当人体之间有间隙时,则步骤S11中获取的深度发生变化的像素点可能不连续还有可能深度不同,此时,步骤S13中,获取距离摄像头最近的并位置连续的深度发生变化的像素点组成人体区域,并切割人体区域形成人体深度图像。
具体的,本实施方式中,步骤S13中,在对人体深度图像进行切割时,可首先寻找到目标图像上相对于原始深度图像上深度改变且距离摄像头最近即深度最小的像素点作为目标像素点,然后以目标像素点为起始点向外搜索深度发生改变并具有连续性的像素点以组成人体区域。
本实施方式中,步骤S2具体包括以下步骤:
S21、对人体深度图像进行切割,获取上半身深度图像。
S22、根据上半身深度图像上各像素点的坐标值,提取上半身深度图像的最高点(PT)、最左点(PL)、最右点(PR)和最低点(PB)并绘制四边形LTRB。具体的,最高点(PT)为上半身深度图像上纵坐标最大的像素点中横坐标最小的像素点;最左点(PL)为上半身深度图像上横坐标最小的像素点中纵坐标最大的像素点;最右点(PR)为上半身深度图像上横坐标最大的像素点中纵坐标最大的像素点;最低点(PB)为上半身深度图像上纵坐标最小的像素点中横坐标最小的像素点。
S23、获取上半身深度图像上位于四边形外部的像素点作为候选点,并通过凸包算法从候选点中筛选出凸包点。
由于四边形LTRB内部的点均不是凸包上的点,本实施方式中,通过绘制四边形LTRB筛选候选点,有利于剔除大部分的点,从而降低凸包算法的计算量,提高计算效率。
本实施方式中,具体实施时,获取上半身深度图像上位于四边形外部的像素点作为候选点的具体方法为:获取上半身深度图像上各像素点平行于X轴或者Y轴的射线与四边形的交点的数量,并筛选交点数量为偶数的像素点作为候选点。
S24、获取纵坐标最高的凸包点作为人体中心点。
以下结合一个具体的实施例对上述基于深度图像的人体定位方法做进一步解释。
本实施例中,房间深度为8米,房间背景图即静态实物包括三面墙、地面和一扇门,原始深度图像如图4所示。由于人体不可能一开始就出现在两侧的墙区域,所以检测的区域就是地面和摄像头正对的墙在深度图中所占的区域。一旦该区域出现深度小于原始深度图像所对应深度的像素点区域,且面积不算小的情况下,即可认为有人体出现在房间内。本实施方式所采用的深度图分辨率为512*464,当人体区域深度为8000毫米即人和摄像头最远距离下,室内深度图像相对于原始深度图像深度发生变化的像素点个数大于等于800的情形之下可视为有人出现在房间内。
本实施例中,当房间内进入了两个人以上时,若人与人之间不是相贴的站位,那么就会检测到两块以上的人体深度图像区域,此时我们只保留深度最小即相距摄像头最近的人体深度图像区域来进行定位。
本实施例中,在在分割出目标图像中人体深度图像以后,为了确定人在目标图像的二维位置,需要通过分析人体区域确定人体中心点(x1,y1)的二维位置。由于人体区域的深度数据即是人体距离摄像头的距离,这个距离即是人体在房间内的纵轴数据,为了实现人体定位,还需要确定人体在房间内的横轴数据。
本实施例中,将摄像头安装在正对门的墙壁的上部并位于中间位置,从而使得摄像头对房间的拍摄角度是左右对称的,且房间也是左右对称的。
本实施例中,确定人体区域中心点后,根据中心点在图中的左右位置即可得知人体区域在图中的左右位置。
本实施例的步骤S5中获取判断对象中横坐标最小的端点作为计算对象。步骤S6具体为:获取计算对象与第一序列中横坐标最大像素点的横坐标差值作为分子,并获取第二序列中横坐标最小像素点与第一序列中横坐标最大像素点的横坐标差值作为分母,获取分子和分母的比值作为人体相对于左侧墙壁的横向比例值。
假设判断对象中横坐标最小的端点坐标为(x,y),第一序列中横坐标最大像素点的坐标为(xa,ya),第二序列中横坐标最小像素点的坐标为(xb,yb),则横向比例值=(x-xa)/(xb-xa)。
如此,本实施例中,人体在横向坐标与与坐左侧墙壁的距离为房间宽度的1/,人体轮廓高度为y1。
以下结合几个具体的试验对上述方法作进一步论证。
实施例1
本实施例中,5名体型不同的实验人员A、B、C、D、E分别处于房间左前、右前、中部、左后、右后的位置。测试的具体误差值如下表1所示。
表1:单人试验误差值
表格1中的数据为横轴误差的最大值,由实验数据可以得出以下结论:5名实验人员的单人实验误差都在5cm以内,其中C实验人的实验结果最为理想,A实验人的实验结果误差最大,但A和C的差距在2cm以内,在允差范围以内。在五个位置上,左前和右前的误差最大,分析原因可能是获得的深度图像在靠近摄像头取景范围边界时会有一些畸变和失真,导致人体的深度图像不够精确,进而造成相对较大的误差。
实施例2
本实施例中,A、B、C、D、E五人以两人一组进行试验,测得横轴位置后的误差值如下表2所示。
表2:双人试验误差表
上表2中,括号内的实验人作为干扰项,靠近识别人并保证一定的身体接触,表格的数据同上文,为实验人的横轴误差的最大值。由实验数据可以看出,两个靠近的实验人进行人体定位的误差相对单人人体定位的误差要更大,但25组数据只有3组数据的误差超过了5cm,精确性较为可靠。
实施例3
本实施例中,在人体进入距离动作5m内的范围时,用上述方法与基于摄像头自带的人体骨骼点识别的人体定位方法做了比较,5名实验人在距离摄像头3m至4m的区间分别站立在左侧、中间、右侧,分别用两种方法进行测试。实验结果见下表3:
表3:试验对照表
其中,实验人A、B、C、D、E为实验人。针对同一实验人,位于表3中靠左侧的数据为本发明提供的基于深度图像的人体定位方法测得的人体横轴位置的误差,位于表3中靠右侧的数据为传统的基于摄像头自带的人体骨骼点识别的人体定位方法测得的人体横轴位置的误差。
从上表3中本文方法与基于骨骼点方法的对比数据,可知在摄像头骨骼点识别的范围内,本发明所提供的方法得出的人***置精度更高,因为摄像头对于骨骼点的识别会受室内光线和实验人的衣着颜色所影响,进而影响精度,此实验组验证了本发明提供的方法比传统的基于骨骼点的人体定位精度更高,实际应用范围更广。以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度图像的人体定位方法,其特征在于,包括以下步骤:
S1、将采集到的室内深度图像与原始深度图像进行比对,获取人体深度图像,并将包含有人体深度图像的室内深度图像作为目标图像;然后将目标图像转移到预设二维坐标系中,对各像素点进行坐标赋值;原始深度图像为室内无人状态下的与室内深度图像纵深相同的深度图像;
S2、对人体深度图像进行切割,获取上半身深度图像,并获取上半身深度图像上的凸包点,然后结合二维坐标选择纵坐标最高的凸包点作为人体中心点,并获取人体中心点的坐标(x1,y1);
S3、获取目标图像上纵坐标为y1的像素点个数X1,获取X1个纵坐标为y的像素点中存在于原始深度图像中的像素点作为参照对象;
S4、获取目标图像上X1个纵坐标为y1的像素点中存在于上半身深度图像上的像素点作为判断对象;
S5、将参照对象分割为位于判断对象相对两侧的第一序列和第二序列,并获取判断对象与第一序列中最接近像素点的横坐标差值或者判断对象与第二序列中最接近像素点的横坐标差值作为第一差值;
S6、获取第一序列和第二序列上最接近两个像素点的横坐标距离值作为第二差值,然后获取第一差值和第二差值的比值作为横向比例值;
S7、结合横向比例值和纵坐标值y1对人体进行定位。
2.如权利要求1所述的基于深度图像的人体定位方法,其特征在于,步骤S1中目标图像的获取具体包括以下步骤:
S11、将采集到的室内深度图像与原始深度图像进行比对,获取深度发生变化的像素点数量;
S12、判断深度发生变化的像素点数量是否大于或者等于预设阈值N0;否,则返回步骤S11;
S13、是,则从室内深度图像上分割出人体深度图像,并将室内深度图像作为目标图像。
3.如权利要求2所述的基于深度图像的人体定位方法,其特征在于,步骤S13中,通过从目标图像中提取深度发生变化且坐标位置连续的像素点组成人体深度图像。
4.如权利要求1所述的基于深度图像的人体定位方法,其特征在于,对应分辨率为512×464的室内深度图像,N0=800。
5.如权利要求1所述的基于深度图像的人体定位方法,其特征在于,步骤S1中通过摄像头获取室内深度图像。
6.如权利要求1所述的基于深度图像的人体定位方法,其特征在于,步骤S2中,对人体深度图像进行切割,获取上半身深度图像的具体方法为:获取人体深度图像的最高点和最低点,获取最高点和最低点的纵坐标均值做分割线,获取分割线上方的人体深度图像作为上半身深度图像。
7.如权利要求6所述的基于深度图像的人体定位方法,其特征在于,步骤S2具体包括以下步骤:
S21、对人体深度图像进行切割,获取上半身深度图像;
S22、根据上半身深度图像上各像素点的坐标值,提取上半身深度图像的最高点(PT)、最左点(PL)、最右点(PR)和最低点(PB)并绘制四边形;
S23、获取上半身深度图像上位于四边形外部的像素点作为候选点,并通过凸包算法从候选点中筛选出凸包点;
S24、获取纵坐标最高的凸包点作为人体中心点。
8.如权利要求7所述的基于深度图像的人体定位方法,其特征在于,步骤S22中,最高点(PT)为上半身深度图像上纵坐标最大的像素点中横坐标最小的像素点;最左点(PL)为上半身深度图像上横坐标最小的像素点中纵坐标最大的像素点;最右点(PR)为上半身深度图像上横坐标最大的像素点中纵坐标最大的像素点;最低点(PB)为上半身深度图像上纵坐标最小的像素点中横坐标最小的像素点。
9.如权利要求7所述的基于深度图像的人体定位方法,其特征在于,步骤S23中获取上半身深度图像上位于四边形外部的像素点作为候选点的具体方法为:获取上半身深度图像上各像素点平行于X轴或者Y轴的射线与四边形的交点的数量,并筛选交点数量为偶数的像素点作为候选点。
10.如权利要求1所述的基于深度图像的人体定位方法,其特征在于,S5中获取判断对象中横坐标最小的端点作为计算对象。步骤S6具体为:获取计算对象与第一序列中横坐标最大像素点的横坐标差值作为分子,并获取第二序列中横坐标最小像素点与第一序列中横坐标最大像素点的横坐标差值作为分母,获取分子和分母的比值作为人体相对于左侧墙壁的横向比例值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188158.9A CN109887034B (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度图像的人体定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188158.9A CN109887034B (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度图像的人体定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887034A true CN109887034A (zh) | 2019-06-14 |
CN109887034B CN109887034B (zh) | 2022-11-22 |
Family
ID=66932022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910188158.9A Active CN109887034B (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度图像的人体定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887034B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728795A (zh) * | 2019-10-31 | 2020-01-24 | 赵飞腾 | 智能咖啡剂量调节*** |
CN113628205A (zh) * | 2021-08-25 | 2021-11-09 | 四川大学 | 基于深度图像的非接触呼吸频率检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789125A (zh) * | 2010-01-26 | 2010-07-28 | 北京航空航天大学 | 一种无标记单目视频人体骨架运动跟踪方法 |
KR101394274B1 (ko) * | 2013-11-27 | 2014-05-13 | (주) 골프존 | 뎁스 정보 분석을 통한 신체 검출 방법 및 사용자 신체 검출을 위한 뎁스 정보 분석 장치 |
CN107169456A (zh) * | 2017-05-16 | 2017-09-15 | 湖南巨汇科技发展有限公司 | 一种基于坐姿深度图像的坐姿检测方法 |
-
2019
- 2019-03-13 CN CN201910188158.9A patent/CN109887034B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789125A (zh) * | 2010-01-26 | 2010-07-28 | 北京航空航天大学 | 一种无标记单目视频人体骨架运动跟踪方法 |
KR101394274B1 (ko) * | 2013-11-27 | 2014-05-13 | (주) 골프존 | 뎁스 정보 분석을 통한 신체 검출 방법 및 사용자 신체 검출을 위한 뎁스 정보 분석 장치 |
CN107169456A (zh) * | 2017-05-16 | 2017-09-15 | 湖南巨汇科技发展有限公司 | 一种基于坐姿深度图像的坐姿检测方法 |
Non-Patent Citations (1)
Title |
---|
赵志平等: "基于深度传感器图像分割技术的研究", 《信息技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728795A (zh) * | 2019-10-31 | 2020-01-24 | 赵飞腾 | 智能咖啡剂量调节*** |
CN113628205A (zh) * | 2021-08-25 | 2021-11-09 | 四川大学 | 基于深度图像的非接触呼吸频率检测方法 |
CN113628205B (zh) * | 2021-08-25 | 2022-05-20 | 四川大学 | 基于深度图像的非接触呼吸频率检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109887034B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111486855B (zh) | 一种具有物体导航点的室内二维语义栅格地图构建方法 | |
CN103487034B (zh) | 一种基于立式标靶的车载单目摄像头测距测高方法 | |
CN110221603A (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
CN103424112B (zh) | 一种基于激光平面辅助的运动载体视觉导航方法 | |
CN103292779B (zh) | 一种测量距离的方法及图像获取设备 | |
US20210360368A1 (en) | Indoor Positioning Method, Indoor Positioning System, Indoor Positioning Apparatus and Computer Readable Medium | |
CN105180890A (zh) | 融合激光点云和数字影像的岩体结构面产状测量方法 | |
Borrmann et al. | The project thermalmapper–thermal 3d mapping of indoor environments for saving energy | |
CN106091972A (zh) | 一种基于移动窗口投影点密度的建筑物变化检测方法 | |
CN103499337B (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
KR20130109232A (ko) | 자동 표현-변경 기능을 포함하는 측정 기기 | |
Wang et al. | Window detection from mobile LiDAR data | |
CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
CN106932780A (zh) | 物体定位方法、装置和*** | |
CN104964708B (zh) | 一种基于车载双目视觉的路面坑槽检测方法 | |
Schaefer et al. | Towards a protocol for laser scanning of rock surfaces | |
CN109887034A (zh) | 一种基于深度图像的人体定位方法 | |
CN109341668A (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
CN102982334A (zh) | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 | |
CN106504287A (zh) | 基于模板的单目视觉目标空间定位*** | |
CN109902576A (zh) | 一种头肩图像分类器的训练方法及应用 | |
CN106651957A (zh) | 基于模板的单目视觉目标空间定位方法 | |
CN108830317A (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN104867156B (zh) | 一种针对合作标志器位姿测量的特征点识别方法 | |
CN106940185A (zh) | 一种基于深度摄像机的移动机器人定位和导航方法 |
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 |