CN111382653A - 一种人体坐姿的监督方法 - Google Patents
一种人体坐姿的监督方法 Download PDFInfo
- Publication number
- CN111382653A CN111382653A CN201811653458.1A CN201811653458A CN111382653A CN 111382653 A CN111382653 A CN 111382653A CN 201811653458 A CN201811653458 A CN 201811653458A CN 111382653 A CN111382653 A CN 111382653A
- Authority
- CN
- China
- Prior art keywords
- human body
- key point
- sitting posture
- image
- network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 210000000707 wrist Anatomy 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 48
- 239000013598 vector Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种人体坐姿的监督方法。该人体坐姿的监督方法包括初始阶段和实时监督阶段,初始阶段通过多幅图像在人体关键点计算网络计算确定初始关键点位置,实时监督阶段在初始关键点位置的基础上实时检测每帧图像中关键点的位置,并通过各个关键点之间的位置关系及前后帧之间的同一关键点之间的关系判断人体坐姿是否符合标准。本发明实施例提供的人体坐姿的监督方法不仅简单方便使用、且具有一定地跟踪功能,能提供更为精准的坐姿判断结果。
Description
技术领域
本发明涉及计算机视觉及人机交互的技术领域,具体涉及一种可支持移动终端的人体坐姿的监督方法。
背景技术
目前,市场上现有的坐姿监督方法主要包括穿戴式正姿法、隔挡倚靠正姿法和红外距离传感正姿法。穿戴式正姿法通过约束穿戴者的坐姿以达到形体矫正的目标,这种方法不仅使用起来麻烦,长期穿戴还会对人体、尤其是处于生长发育期的人体造成不利影响。隔挡倚靠正姿法需要介入方式进行正姿的设备,该设备不但占用空间且使用起来不舒服。红外距离传感正姿法虽然方便小巧,但是仅能对用户单方面距离进行监督,不能很好地监督歪头等不良坐姿。
因此,针对现有的监督人体坐姿方法所存在的问题,需要提供一种简单且能够多方面监督人体坐姿的方法。
发明内容
针对现有的针对现有的监督人体坐姿方法所存在的问题,本发明实施例提供一种监督人体坐姿的方法。该方法基于2D普通摄像头进行人体坐姿的图像采集,具有低计算量、低功耗、简单易用且能够多方面监督人体的坐姿。
本发明实施例所提供的一种人体坐姿的监督方法的具体方案如下:一种人体坐姿的监督方法,包括步骤:利用移动终端的2D摄像头采集包括人体坐姿的图像;将图像的尺寸缩放至预设大小,所述预设大小满足人体关键点计算网络的需求尺寸;将缩放后的图像输入人体关键点计算网络进行计算,所述人体关键点计算网络计算后输出图像的各个关键点的坐标及相应关键点的置信度;选取多幅图像并针对所述多幅图像的关键点得到的若干次置信度结果,取超过指定阈值的结果的平均位置作为当前人体的关键点;针对所述多幅图像之后的每一帧图像,计算上一帧图像所有关键点位置在图像中的最小邻近框;将所述最小邻近框像外分别扩展并与获取的原始图像帧有交集的区域图像缩放至预设大小,并输入人体关键点计算网络进行计算;根据计算得到的关键点位置坐标计算各个关键点之间的位置关系以及前后图像帧之间的相应关键点的位置关系,判断当前人体坐姿是否符合标准。
优选地,所述最小邻近框为在所述关键点位置在图像中上下左右最小矩形框。
优选地,所述关键点的总个数为8个。
优选地,所述关键点包括头部关键点、颈部关键点、第一肩部关键点、第二肩部关键点、第一肘部关键点、第二肘部关键点、第一腕部关键点和第二腕部关键点。
优选地,所述人体关键点计算网络为一种用于单人人体关键点检测的深度学习网络。
优选地,所述人体关键点计算网络包括卷积网络模块、深度组卷积残差模块以及多个二层沙漏网络子模块。
优选地,所述深度组卷积的残差模块包括多次不同步长卷积的第一单元和单次步长为1卷积的第二单元。
优选地,所述二层沙漏网络子模块包括多次降采样、多次深度组卷积和多次升采样。
优选地,所述指定阈值为0.5。
优选地,所述移动终端包括手机、平板电脑、手提电脑。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供一种人体坐姿的监督方法用于计算关键点的神经网络是经过改进的可运行于移动终端的关键点检测的二层沙漏网络并添加了坐姿图像数据进行训练,从而增强了人体关键点计算网络对坐姿关键点的敏感程度,在保证精度的情况下达到关键点的实时检测。进一步地,本发明实施例提供一种人体坐姿的监督方法通过初始阶段若干图像关键点计算结果的位置评估,精确了送入人体关键点计算网络的人体的矩形图像;并在后续图像帧每次送入人体关键点计算网络前,都根据前一帧的人体矩形框位置进行评估,使方法具有一定的跟踪功能,从而能更精确的计算人体关键点的位置。进一步地,本发明实施例提供一种人体坐姿的监督方法只需要采用具有摄像头的移动终端进行图像的实时采集,使用方便简单。
附图说明
图1为本发明实施例中提供的人体坐姿的监督方法的流程步骤示意图;
图2为本发明实施例中人体关键点的示意图;
图3为图1所示实施例中所采用的人体关键点计算网络的结构示意图;
图4为图3中沙漏网络子模块的结构示意图。
附图标记说明:
100、移动终端 200、人体 10、头部关键点
11、颈部关键点 12、第一肩部关键点 13、第二肩部关键点
14、第一肘部关键点 15、第二肘部关键点 16、第一腕部关键点
17、第二腕部关键点
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明实施例中提供的一种人体坐姿的监督方法。在该实施例中,人体坐姿的监督方法包括7个步骤,具体阐述如下。
步骤S1:利用移动终端的2D摄像头采集包括人体坐姿的图像。如图2所示,本发明实施例中人体关键点的示意图。在该实施例中,移动终端100放置于桌面上,移动终端100的2D摄像头的摄像角度朝向人体200,确保人体200的上半身处于2D摄像头的摄像视野内。在该实施例中,人体关键点的个数为8个,分别包括头部关键点10、颈部关键点11、第一肩部关键点12、第二肩部关键点13、第一肘部关键点14、第二肘部关键点15、第一腕部关键点16和第二腕部关键点17。移动终端100具体可以为手机、平板电脑、手提电脑等带有2D摄像头的移动设备。在该实施例中,移动终端100为手机,手机的2D摄像头实时地采集人体坐姿的RGB三通道彩色图像,图像的尺寸为640*480。关键点的个数及具体的关键点,也可根据需求作适应性地变化,此处不再赘述。
步骤S2:将图像的尺寸缩放至预设大小,所述预设大小满足人体关键点计算网络的需求尺寸。在该具体实施例中,将采集到的图像尺寸为640*480的原始图像利用图像处理方法变换成256*256的RGB三通道图像,被缩放后的图像可作为人体关键点计算网络的输入端。
步骤S3:将缩放后的图像输入人体关键点计算网络进行计算,所述人体关键点计算网络计算后输出图像的各个关键点的坐标及相应关键点的置信度。
步骤S4:选取多幅图像并针对所述多幅图像的关键点得到的若干次置信度结果,取超过指定阈值的结果的平均位置作为当前人体的关键点。
步骤S3和步骤S4可以统称为开始阶段,主要通过初次计算确定关键点的位置。在开始阶段,在保证人体坐姿不变的情况下,移动终端100采集10张人体坐姿图像。按照步骤S2、步骤S3和步骤S4的处理,得到每张图像的各个关键点的位置和相应关键点的置信度。对每一个关键点,根据10幅图像的结果取超过置信度阈值为0.5的关键点的平均位置作为当前人体的初始关键点。
步骤S5:针对所述多幅图像之后的每一帧图像,计算上一帧图像所有关键点位置在图像中的最小邻近框。最小邻近框为在所述关键点位置在图像中上下左右最小矩形框。
步骤S6:将所述最小邻近框像外分别扩展并与获取的原始图像帧有交集的区域图像缩放至预设大小,并输入人体关键点计算网络进行计算。
步骤S5、步骤S6可以统称为实时监督阶段。在实时监督阶段,在10幅图像之后的每一图像帧的关键点位置确认过程为:先计算上一帧图像中8个关键点位置在图像中的上下左右最小矩形框。将矩形框的四边向外分别扩展原有大小的10%,再与原始图像做交集得到小范围的人体矩形区域图像,并将此矩形区域变形缩放归一化到输入人体关键点计算网络所需要的图像尺寸进行计算。通过将原有关键点位置矩形框的扩展,使得关键点位置的确认方法具有一定的跟踪功能,从而能更精确的计算人体关键点位置。在其他实施例中,邻近框也可采用非矩形形状,如圆形、正方形、多边形等。邻近框向外扩展的百分比也可以为其他数值,如5%、8%、12%、15%等等。
参考图3,本发明实施例中所采用的人体关键点计算网络的结构示意图。在该实施例中,人体关键点计算网络为一种用于单人人体关键点检测的深度学习网络。人体关键点计算网络具体包括卷积网络模块、深度组卷积残差模块以及多个二层沙漏网络子模块。
在该实施例中,人体关键点计算网络的输入端统一为256*256*3的图像。图像首先经过卷积模块,在进入深度组卷积残差模块,在进入多层排列设置的沙漏网络子模块。在中间层的沙漏网络子模块中,进行反馈和中间输出。卷积模块包括64个6*6卷积核,首先以步长为2对输入的图像进行卷积,再对特征图做批量归一化操作以及激活操作得到64维128*128大小的特征图。
深度组卷积残差模块分别做两部分操作,一部分用卷积步长为1且大小为1*1的卷积将输入特征向量的深度维度提升为原来的2倍,再经过步长为1且大小为3*3的卷积核使用深度级组卷积得到与输入特征向量相同维度的特征向量,再将此特征向量输入步长为1且大小为1*1的卷积核进行卷积操作得到与输入特征向量相同维度的特征向量;另一部分使用步长为1且大小为1*1的卷积核进行卷积操作得到与第一部分输出具有相同维度的特征向量。将两部分得出的向量做像素级的相加操作得到维度扩展后的输出。在该实施例总共,人体关键点计算网络经过了2次深度组卷积的残差模块将特征向量维度扩展为512。
在该实施例总共,总共有3个沙漏网络子模块,且沙漏网络子模块为二层沙漏网络子模块。3个沙漏网络子模块可以减少网络参数及运算量并满足足够的精度。在该实施例中,将传统的将沙漏网络里的传统卷积换成了深度级组卷积,并利用大量图片对网络进行训练和调参,在训练图像集合里增加了大量人坐姿情况下的采集图像,保证坐姿情况下关键点的检测效果,从而有效地实现移动终端的实时关键点检测。
将上述向量维度已经扩展为512的特征向量再输入3个沙漏网络子模块。如图4所示,本发明实施例中沙漏网络子模块的结构示意图。二层沙漏网络子模块要将输入特征向量先经过两次两倍降采样操作,再经过两次两倍升采样操作。深度组卷积操作与上述深度组卷积的残差模块的第一部分类似,差别是没有最终的输出,保持原有512深度维度不变。然后,经过15个步长为1且大小为1*1输出卷积得到深度为15的特征图,此输出与图3中的中间输出和最终输出一致,代表了15张归一化为64*64的关键点位置的置信图,其中15代表了14个人体关键点(包括步骤S1中所阐述的8个关键点)和1个代表背景的置信图。最后,经过步长为1且大小为1*1输出卷积得到深度为512的特征图以供下层的沙漏网络子模块使用。
人体关键点计算网络训练时利用现有的人体关键点图像数据库以及经过标注的坐姿人体关键点图像归一化后送入人体关键点计算网络进行训练。训练过程中采用RMSProp方法进行训练。训练过程中,根据实际情况调整参数最终到达算法的收敛。将最终训练好的人体关键点计算网络结构及权重参数用作后面关键点检测的计算。
步骤S7:根据计算得到的关键点位置坐标计算各个关键点之间的位置关系以及前后图像帧之间的相应关键点的位置关系,判断当前人体坐姿是否符合标准。将不同关键点之间的距离与标准坐姿中相应关节点之间的距离进行比较,判断是否复合标准坐姿。通过相同关键点在不同帧之间的关系,判断人体坐姿的变化,从而确认是否符合标准坐姿。
本发明实施例提供一种人体坐姿的监督方法用于计算关键点的神经网络是经过改进的可运行于移动终端的关键点检测的二层沙漏网络并添加了坐姿图像数据进行训练,从而增强了人体关键点计算网络对坐姿关键点的敏感程度,在保证精度的情况下达到关键点的实时检测。
进一步地,本发明实施例提供一种人体坐姿的监督方法通过初始阶段若干图像关键点计算结果的位置评估,精确了送入人体关键点计算网络的人体的矩形图像;并在后续图像帧每次送入人体关键点计算网络前,都根据前一帧的人体矩形框位置进行评估,使方法具有一定的跟踪功能,从而能更精确的计算人体关键点的位置。
进一步地,本发明实施例提供一种人体坐姿的监督方法只需要采用具有摄像头的移动终端进行图像的实时采集,使用方便简单。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意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。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种人体坐姿的监督方法,其特征在于,所述方法包括步骤:
利用移动终端的2D摄像头采集包括人体坐姿的图像;
将图像的尺寸缩放至预设大小,所述预设大小满足人体关键点计算网络的需求尺寸;
将缩放后的图像输入人体关键点计算网络进行计算,所述人体关键点计算网络计算后输出图像的各个关键点的坐标及相应关键点的置信度;
选取多幅图像并针对所述多幅图像的关键点得到的若干次置信度结果,取超过指定阈值的结果的平均位置作为当前人体的关键点;
针对所述多幅图像之后的每一帧图像,计算上一帧图像所有关键点位置在图像中的最小邻近框;
将所述最小邻近框像外分别扩展并与获取的原始图像帧有交集的区域图像缩放至预设大小,并输入人体关键点计算网络进行计算;
根据计算得到的关键点位置坐标计算各个关键点之间的位置关系以及前后图像帧之间的相应关键点的位置关系,判断当前人体坐姿是否符合标准。
2.根据权利要求1所述的一种人体坐姿的监督方法,其特征在于,所述最小邻近框为在所述关键点位置在图像中上下左右最小矩形框。
3.根据权利要求1所述的一种人体坐姿的监督方法,其特征在于,所述关键点的总个数为8个。
4.根据权利要求3所述的一种人体坐姿的监督方法,其特征在于,所述关键点包括头部关键点、颈部关键点、第一肩部关键点、第二肩部关键点、第一肘部关键点、第二肘部关键点、第一腕部关键点和第二腕部关键点。
5.根据权利要求1所述的一种人体坐姿的监督方法,其特征在于,所述人体关键点计算网络为一种用于单人人体关键点检测的深度学习网络。
6.根据权利要求5所述的一种人体坐姿的监督方法,其特征在于,所述人体关键点计算网络包括卷积网络模块、深度组卷积残差模块以及多个二层沙漏网络子模块。
7.根据权利要求6所述的一种人体坐姿的监督方法,其特征在于,所述深度组卷积的残差模块包括多次不同步长卷积的第一单元和单次步长为1卷积的第二单元。
8.根据权利要求6所述的一种人体坐姿的监督方法,其特征在于,所述二层沙漏网络子模块包括多次降采样、多次深度组卷积和多次升采样。
9.根据权利要求1所述的一种人体坐姿的监督方法,其特征在于,所述指定阈值为0.5。
10.根据权利要求1所述的一种人体坐姿的监督方法,其特征在于,所述移动终端包括手机、平板电脑、手提电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653458.1A CN111382653A (zh) | 2018-12-29 | 2018-12-29 | 一种人体坐姿的监督方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653458.1A CN111382653A (zh) | 2018-12-29 | 2018-12-29 | 一种人体坐姿的监督方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382653A true CN111382653A (zh) | 2020-07-07 |
Family
ID=71216734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811653458.1A Pending CN111382653A (zh) | 2018-12-29 | 2018-12-29 | 一种人体坐姿的监督方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364694A (zh) * | 2020-10-13 | 2021-02-12 | 宁波大学 | 一种基于关键点检测的人体坐姿识别方法 |
CN112633232A (zh) * | 2020-12-31 | 2021-04-09 | 北京市商汤科技开发有限公司 | 基于坐姿检测的交互方法及装置、设备、介质及家居设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893965A (zh) * | 2016-03-31 | 2016-08-24 | 中国科学院自动化研究所 | 一种可用于非特定人的双目视觉图像合成装置与方法 |
CN106558224A (zh) * | 2015-09-30 | 2017-04-05 | 徐贵力 | 一种基于计算机视觉的交通智能监管方法 |
CN108280455A (zh) * | 2018-01-19 | 2018-07-13 | 北京市商汤科技开发有限公司 | 人体关键点检测方法和装置、电子设备、程序和介质 |
CN108932693A (zh) * | 2018-06-15 | 2018-12-04 | 中国科学院自动化研究所 | 基于人脸几何信息的人脸编辑补全方法及装置 |
-
2018
- 2018-12-29 CN CN201811653458.1A patent/CN111382653A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558224A (zh) * | 2015-09-30 | 2017-04-05 | 徐贵力 | 一种基于计算机视觉的交通智能监管方法 |
CN105893965A (zh) * | 2016-03-31 | 2016-08-24 | 中国科学院自动化研究所 | 一种可用于非特定人的双目视觉图像合成装置与方法 |
CN108280455A (zh) * | 2018-01-19 | 2018-07-13 | 北京市商汤科技开发有限公司 | 人体关键点检测方法和装置、电子设备、程序和介质 |
CN108932693A (zh) * | 2018-06-15 | 2018-12-04 | 中国科学院自动化研究所 | 基于人脸几何信息的人脸编辑补全方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364694A (zh) * | 2020-10-13 | 2021-02-12 | 宁波大学 | 一种基于关键点检测的人体坐姿识别方法 |
CN112364694B (zh) * | 2020-10-13 | 2023-04-18 | 宁波大学 | 一种基于关键点检测的人体坐姿识别方法 |
CN112633232A (zh) * | 2020-12-31 | 2021-04-09 | 北京市商汤科技开发有限公司 | 基于坐姿检测的交互方法及装置、设备、介质及家居设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670396B (zh) | 一种室内老人跌倒检测方法 | |
CN109448090B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
JP7094702B2 (ja) | 画像処理装置及びその方法、プログラム | |
US11423699B2 (en) | Action recognition method and apparatus and electronic equipment | |
CN111476097A (zh) | 人体姿态评估方法、装置、计算机设备及存储介质 | |
WO2021217848A1 (zh) | 人体摔倒检测方法、装置、计算机设备和存储介质 | |
WO2021237914A1 (zh) | 一种基于单目摄像头坐姿识别技术的坐姿监控*** | |
CN110827342A (zh) | 三维人体模型重建方法及存储设备、控制设备 | |
CN112733707B (zh) | 一种基于深度学习的行人重识别方法 | |
CN110717392B (zh) | 一种坐姿检测与纠正方法和装置 | |
KR20060055064A (ko) | 형판 기반 얼굴 검출 방법 | |
CN111382653A (zh) | 一种人体坐姿的监督方法 | |
CN114120357B (zh) | 一种基于神经网络的防近视方法和装置 | |
CN113239220A (zh) | 图像推荐方法、装置、终端及可读存储介质 | |
JP2024107488A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN112333468B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN116580169B (zh) | 一种数字人驱动方法及装置、电子设备和存储介质 | |
US11527090B2 (en) | Information processing apparatus, control method, and non-transitory storage medium | |
JP7259921B2 (ja) | 情報処理装置、及び制御方法 | |
JP7479809B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN113326775B (zh) | 图像处理方法及装置、终端及可读存储介质 | |
CN112070815B (zh) | 一种基于人体外轮廓变形的自动瘦身方法 | |
CN114445881A (zh) | 人脸检测方法及相关设备 | |
CN113963202A (zh) | 一种骨骼点动作识别方法、装置、电子设备及存储介质 | |
CN112766168A (zh) | 一种人员摔倒检测方法、装置及电子设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200707 |
|
WD01 | Invention patent application deemed withdrawn after publication |