CN112364712A - 一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 - Google Patents
一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112364712A CN112364712A CN202011131430.9A CN202011131430A CN112364712A CN 112364712 A CN112364712 A CN 112364712A CN 202011131430 A CN202011131430 A CN 202011131430A CN 112364712 A CN112364712 A CN 112364712A
- Authority
- CN
- China
- Prior art keywords
- posture
- human
- sitting posture
- sitting
- model
- 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
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质,其中所述方法包括采集人体坐姿图片,构造人体姿态特征训练数据集;构建并训练用于分类坐姿类别的神经网络模型;利用OpenPose和训练好的神经网络模型预测坐姿类别;本发明提出的方法可直接提取出人体骨架特征,在其基础上进行判断坐姿类别,从而避免背景等无关因素的影响,提高坐姿识别的准确率。
Description
技术领域
本发明涉及计算机视觉领域,特别是指一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质。
背景技术
现代生活中,学生等青少年或职业工作者需要长时间静坐工作,而长时间保持不良坐姿会导致人体亚健康和许多慢性疾病。因此,对人体坐姿进行持续性地监测并及时提醒有助于长时间静坐着避免颈椎等部位收到伤害。
近年来,国内外科研技术愈发重视坐姿识别技术。现有技术主要分为以下两种:1)基于深度摄像头的方法。主要是利用深度实感设备获得场景下的三维数据,从中提取中头部、眼部等关节点数据。2)基于模板的方法。将图片与标准坐姿图片进行对比,通过基于快速特征点提取和描述(Oriented FAST and Rotated BRIEF,ORB)比较实际检测对象与标准模板对象的相似程度。
近年来,随着深度学习技术在计算机视觉领域的快速发展,涌现了大量基于深度学习的坐姿识别方法。如使用卷积神经网络提取图片特征对坐姿进行分类,其存在的不足之处在于,容易受到背景和角度的影响。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于人体姿态的坐姿识别方法,本发明提出的方法可直接提取出人体骨架特征,在其基础上进行判断坐姿类别,从而避免背景等无关因素的影响,提高坐姿识别的准确率。
本发明采用如下技术方案:
一种基于人体姿态的坐姿识别方法,具体包括:
S1、采集人体坐姿图片,构造人体姿态特征训练数据集;
S2、构建并训练用于分类坐姿类别的神经网络模型;
S3、利用OpenPose和训练好的神经网络模型预测坐姿类别。
具体地,所述S1中采集人体坐姿图片,构造人体姿态特征训练数据集,具体包括:
S11、针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
S12、获取人体坐姿图片并人工标注不同的坐姿类别;
S13、根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片;
S14、加载OpenPose模型提取图片中的人体姿态特征,将其保存为人体姿态特征图片;
S15、将OpenPose模型输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中;
S16、将数据集划分为训练集、验证集和测试集;
S17、在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
具体地,所述S2中构建并训练用于分类坐姿类别的神经网络模型,具体包括:
S21、在深度学习框架中选择预定义的神经网络,根据坐姿类别的数量设置网络的输入尺寸和输出维度;
S22、采用深度残差网络ResNet作为分类网络,同时使用ResNet分类网络在ImageNet数据集上的预训练模型初始化ResNet分类网络参数;
S23、以softmax函数作为ResNet的损失函数;
S24、利用softmax分类器,训练迭代模型参数。
具体地,所述S3中利用OpenPose和训练好的神经网络模型预测坐姿类别,具体包括:
S31、加载OpenPose模型和训练好的神经网络模型;
S32、选取坐姿图片,作为OpenPose模型的输入,保存为人体姿态特征图片;
S33、将人体姿态特征图片作为分类模型的输入,神经网络模型将预测人体姿态特征图片的不同坐姿类别的概率;
S34、取概率值最大者作为输入图片的坐姿类别。
本发明另一方面提供一种基于人体姿态的坐姿识别***,包括:
采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集;
训练模块:构建并训练用于分类坐姿类别的神经网络模型;
预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别。
具体地,所述采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集,具体包括:
针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
获取人体坐姿图片并人工标注不同的坐姿类别;
根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片;
加载OpenPose模型提取图片中的人体姿态特征,所述OpenPose模型利用部分亲和字段算法合并人体姿态特征,将其保存为人体姿态特征图片;
将OpenPose模型输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中;
将数据集划分为训练集、验证集和测试集;
在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
具体地,所述训练模块:构建并训练用于分类坐姿类别的神经网络模型,具体包括:
在深度学习框架中选择预定义的神经网络,根据坐姿类别的数量设置网络的输入尺寸和输出维度;
采用深度残差网络ResNet作为分类网络,同时使用ResNet分类网络在ImageNet数据集上的预训练模型初始化ResNet分类网络参数;
以softmax函数作为ResNet的损失函数;
利用softmax分类器,训练迭代模型参数。
具体地,所述预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别,具体包括:
加载OpenPose模型和训练好的神经网络模型;
选取坐姿图片,作为OpenPose模型的输入,OpenPose将利用部分亲和字段算法合并人体姿态特征,保存为人体姿态特征图片;
将人体姿态特征图片作为分类模型的输入,神经网络模型将预测人体姿态特征图片的不同坐姿类别的概率;
取概率值最大者作为输入图片的坐姿类别。
本发明再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于执行上述基于人体姿态的坐姿识别方法。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)通过采集人体坐姿图片,构造人体姿态特征训练数据集;构建并训练用于分类坐姿类别的神经网络模型;利用OpenPose和训练好的神经网络模型预测坐姿类别;本发明的关键之处在于直接提取出人体骨架特征,在其基础上进行判断坐姿类别,从而避免背景等无关因素的影响,提高坐姿识别的准确率。
附图说明
图1为本发明实施例所提出的坐姿识别流程图;
图2为本发明实施例预测坐姿类别流程示意框图;
图3为本发明实施例ResNet网络详细参数设置;
图4为一应用本发明坐姿识别的实际应用举例图,图4(a)是原图,图4(b)是相应的人体姿态特征图;
图5为再一应用本发明坐姿识别的实际应用举例图,图5(a)是原图,图5(b)是相应的人体姿态特征图;
图6为又一应用本发明坐姿识别的实际应用举例图,图6(a)是原图,图6(b)是相应的人体姿态特征图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
如图1-2,是本发明提出的一种基于人体姿态的坐姿识别方法的流程图和流程示意框图,具体包括:
S1、采集人体坐姿图片,构造人体姿态特征训练数据集;
S2、构建并训练用于分类坐姿类别的神经网络模型;
S3、利用OpenPose和训练好的神经网络模型预测坐姿类别。
进一步地,步骤S1具体包括:
S11、针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
S12、拍摄收集大量人体坐姿图片并人工标注不同的坐姿类别;
S13、根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片,图片所在文件夹即包含图片的坐姿类别信息;
S14、本文采用Openpose提取人体姿态特征图,将其保存为图片;
OpenPose人体姿态识别项目是美国***梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人,具有极好的鲁棒性。OpenPose识别人体姿态整体流程为,预测输入图像的关键点置信度和关键点亲和度向量,之后对关键点进行聚类,最后连接骨架。本发明使用OpenPose模型提取图片中的人体姿态特征图,将其保存为图片。
S15、同样地,将OpenPose所输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中。
S16、将数据集划分为训练集、验证集和测试集;
S17、在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
S2、构建并训练用于分类坐姿类别的神经网络模型,在这里采用了ResNet。
进一步地、步骤S2具体包括:
S21、在keras(一种深度学习框架)选择预定义的深度残差网络ResNet作为分类网络,根据坐姿类别的数量设置网络的输入尺寸为(640,480,3),分别表示输入图片的长、宽、通道数和输出维度。具体地,本文采用ResNet50作为分类网络。残差网络ResNet的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。ResNet50具体参数如图3左数第5列50-layer,如图3本发明实施例ResNet网络详细参数设置图。
S22、使用ResNet在ImageNet数据集上的预训练模型初始化ResNet网络参数,网络最后一层参数为随机初始化的全连接层,其余参数为在其他数据集上预训练模型的参数。具体地,使用在ImageNet数据集上完成预训练的ResNet模型,去除ResNet模型输出层后连接随机初始化的全连接层作为模型的输出层。
S23、以softmax函数作为ResNet的损失函数,softmax具体公式如下:
其中yi表示某个类别,fj表示该类别的值,Li表示某个类别的损失。
S24、本文举例的坐姿类别数为6,所以分类网络输出维度为1×6维数组;
S25、利用softmax分类器,每批输入16张带有坐姿类别的图片数据迭代训练模型参数。当训练集损失和验证集损失都趋于稳定时,训练完毕保存模型。
S3、利用OpenPose和S2中训练好的分类模型预测坐姿类别;
进一步说,步骤S3具体包括:
S31、加载OpenPose模型和S2中训练好的分类模型,以下称为分类模型。
S32、选择一张图片,作为OpenPose模型的输入,OpenPose输出人体骨架特征图片,称为人体姿态特征图,其为人体主要骨骼关节的热力图。即包括人体躯干、四肢等人体主要骨骼。
S33、将人体姿态特征图作为分类模型的输入,输入维度为[640,480,3],ResNet模型输出特征图片的不同坐姿类别的概率,本发明实施例的输出维度为[1,6],分别表示为端正、后仰、前倾、左前倾、右前倾、趴伏的概率,最终选择概率最高的坐姿类别作为预测结果。
S34、取概率值最大者作为输入图片的坐姿类别。
本发明实施例根据上述步骤实际实现了基于人体姿态的坐姿识别方法,以下为根据本文所提出的方法的实际应用举例。
如图4(a),原始图为一张端坐图,后背挺直,双手规范的放于桌上,图4(b)相应的是通过本发明提出的OpenPose模型提取图片中的人体姿态特征图,为人体主要骨骼关节的热力图。即包括人体躯干、四肢等人体主要骨骼;然后通过分类模型得出的端正、后仰、前倾、左前倾、右前倾、趴伏的概率[9.34e-013.99e-02 1.13e-02 1.41e-02 3.93e-044.13e-08],最终选择概率最高的坐姿类别作为预测结果,得出图4(a)的坐姿类别为端坐。
如图5(a),原始图为一张操作电脑的坐姿图,上身前倾,图5(b)是相应的通过本发明提出的OpenPose模型提取图片中的人体姿态特征图,为人体主要骨骼关节的热力图。即包括人体躯干、四肢等人体主要骨骼;然后通过分类模型得出的端正、后仰、前倾、左前倾、右前倾、趴伏的概率[5.22e-09 4.58e-08 9.99e-01 8.68e-08 1.33e-08 2.56e-10],最终选择概率最高的坐姿类别作为预测结果,得出图5(a)的坐姿类别为前倾。
如图6(a),原始图为一张阅读书本的图,上半身趴伏在桌子上,图6(b)是相应的通过本发明提出的OpenPose模型提取图片中的人体姿态特征图,为人体主要骨骼关节的热力图。即包括人体躯干、四肢等人体主要骨骼;然后通过分类模型得出的端正、后仰、前倾、左前倾、右前倾、趴伏的概率[2.45e-127.46e-17 6.98e-083.51e-142.27e-11],最终选择概率最高的坐姿类别作为预测结果,得出图6(a)的坐姿类别为趴伏。
本发明提出的方法直接提取出人体骨架特征,在其基础上进行判断坐姿类别,从而避免背景等无关因素的影响,提高坐姿识别的准确率。
本发明实施例另一方面提供一种基于人体姿态的坐姿识别***,包括:
采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集;
训练模块:构建并训练用于分类坐姿类别的神经网络模型;
预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别。
具体地,所述采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集,具体包括:
针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
获取人体坐姿图片并人工标注不同的坐姿类别;
根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片;
加载OpenPose模型提取图片中的人体姿态特征,所述OpenPose模型利用部分亲和字段算法合并人体姿态特征,将其保存为人体姿态特征图片;
将OpenPose模型输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中;
将数据集划分为训练集、验证集和测试集;
在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
具体地,所述训练模块:构建并训练用于分类坐姿类别的神经网络模型,具体包括:
在深度学习框架中选择预定义的神经网络,根据坐姿类别的数量设置网络的输入尺寸和输出维度;
采用深度残差网络ResNet作为分类网络,同时使用ResNet分类网络在ImageNet数据集上的预训练模型初始化ResNet分类网络参数;
以softmax函数作为ResNet的损失函数;
利用softmax分类器,训练迭代模型参数。
具体地,所述预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别,具体包括:
加载OpenPose模型和训练好的神经网络模型;
选取坐姿图片,作为OpenPose模型的输入,OpenPose将利用部分亲和字段算法合并人体姿态特征,保存为人体姿态特征图片;
将人体姿态特征图片作为分类模型的输入,神经网络模型将预测人体姿态特征图片的不同坐姿类别的概率;
取概率值最大者作为输入图片的坐姿类别。
本发明实施例再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于执行上述基于人体姿态的坐姿识别方法。
计算机指令(也称作程序、软件、软件应用或代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机指令。术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种基于人体姿态的坐姿识别方法,其特征在于,包括如下步骤:
S1、采集人体坐姿图片,构造人体姿态特征训练数据集;
S2、构建并训练用于分类坐姿类别的神经网络模型;
S3、利用OpenPose和训练好的神经网络模型预测坐姿类别。
2.根据权利要求1所述的一种基于人体姿态的坐姿识别方法,其特征在于,所述S1中采集人体坐姿图片,构造人体姿态特征训练数据集,具体包括:
S11、针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
S12、获取人体坐姿图片并人工标注不同的坐姿类别;
S13、根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片;
S14、加载OpenPose模型提取图片中的人体姿态特征,所述OpenPose模型利用部分亲和字段算法合并人体姿态特征,将其保存为人体姿态特征图片;
S15、将OpenPose模型输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中;
S16、将数据集划分为训练集、验证集和测试集;
S17、在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
3.根据权利要求1所述的一种基于人体姿态的坐姿识别方法,其特征在于,所述S2中构建并训练用于分类坐姿类别的神经网络模型,具体包括:
S21、在深度学习框架中选择预定义的神经网络,根据坐姿类别的数量设置网络的输入尺寸和输出维度;
S22、采用深度残差网络ResNet作为分类网络,同时使用ResNet分类网络在ImageNet数据集上的预训练模型初始化ResNet分类网络参数;
S23、以softmax函数作为ResNet的损失函数;
S24、利用softmax分类器,训练迭代模型参数。
4.根据权利要求1所述的一种基于人体姿态的坐姿识别方法,其特征在于,所述S3中利用OpenPose和训练好的神经网络模型预测坐姿类别,具体包括:
S31、加载OpenPose模型和训练好的神经网络模型;
S32、选取坐姿图片,作为OpenPose模型的输入,OpenPose将利用部分亲和字段算法合并人体姿态特征,保存为人体姿态特征图片;
S33、将人体姿态特征图片作为分类模型的输入,神经网络模型将预测人体姿态特征图片的不同坐姿类别的概率;
S34、取概率值最大者作为输入图片的坐姿类别。
5.一种基于人体姿态的坐姿识别***,其特征在于,包括:
采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集;
训练模块:构建并训练用于分类坐姿类别的神经网络模型;
预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别。
6.根据权利要求5所述的一种基于人体姿态的坐姿识别***,其特征在于,所述采集模块:采集人体坐姿图片,构造人体姿态特征训练数据集,具体包括:
针对坐姿进行分类,将坐姿划分为端正、后仰、前倾、左前倾、右前倾、趴伏;
获取人体坐姿图片并人工标注不同的坐姿类别;
根据坐姿类别将图片放置到不同的文件夹中,使用脚本程序自动读取不同文件夹下的图片;
加载OpenPose模型提取图片中的人体姿态特征,所述OpenPose模型利用部分亲和字段算法合并人体姿态特征,将其保存为人体姿态特征图片;
将OpenPose模型输出的人体姿态特征图片根据坐姿类别放置到不同的文件夹中;
将数据集划分为训练集、验证集和测试集;
在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲。
7.根据权利要求5所述的一种基于人体姿态的坐姿识别***,其特征在于,所述训练模块:构建并训练用于分类坐姿类别的神经网络模型,具体包括:
在深度学习框架中选择预定义的神经网络,根据坐姿类别的数量设置网络的输入尺寸和输出维度;
采用深度残差网络ResNet作为分类网络,同时使用ResNet分类网络在ImageNet数据集上的预训练模型初始化ResNet分类网络参数;
以softmax函数作为ResNet的损失函数;
利用softmax分类器,训练迭代模型参数。
8.根据权利要求5所述的一种基于人体姿态的坐姿识别***,其特征在于,所述预测模块:利用OpenPose和训练好的神经网络模型预测坐姿类别,具体包括:
加载OpenPose模型和训练好的神经网络模型;
选取坐姿图片,作为OpenPose模型的输入,OpenPose将利用部分亲和字段算法合并人体姿态特征,保存为人体姿态特征图片;
将人体姿态特征图片作为分类模型的输入,神经网络模型将预测人体姿态特征图片的不同坐姿类别的概率;
取概率值最大者作为输入图片的坐姿类别。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131430.9A CN112364712A (zh) | 2020-10-21 | 2020-10-21 | 一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131430.9A CN112364712A (zh) | 2020-10-21 | 2020-10-21 | 一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364712A true CN112364712A (zh) | 2021-02-12 |
Family
ID=74511388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011131430.9A Pending CN112364712A (zh) | 2020-10-21 | 2020-10-21 | 一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364712A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326778A (zh) * | 2021-05-31 | 2021-08-31 | 中科计算技术西部研究院 | 基于图像识别的人体姿态检测方法、装置和存储介质 |
CN113487566A (zh) * | 2021-07-05 | 2021-10-08 | 杭州萤石软件有限公司 | 一种不良姿态检测方法、检测装置 |
CN113627236A (zh) * | 2021-06-24 | 2021-11-09 | 广东技术师范大学 | 一种坐姿识别方法、装置、设备及存储介质 |
CN114582014A (zh) * | 2022-01-25 | 2022-06-03 | 珠海视熙科技有限公司 | 一种深度图像中人体坐姿识别的方法、装置及存储介质 |
CN116935494A (zh) * | 2023-09-15 | 2023-10-24 | 吉林大学 | 一种基于轻量化网络模型的多人坐姿识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344700A (zh) * | 2018-08-22 | 2019-02-15 | 浙江工商大学 | 一种基于深度神经网络的行人姿态属性识别方法 |
CN110716792A (zh) * | 2019-09-19 | 2020-01-21 | 华中科技大学 | 一种目标检测器及其构建方法和应用 |
US20200105014A1 (en) * | 2018-09-28 | 2020-04-02 | Wipro Limited | Method and system for detecting pose of a subject in real-time |
CN111062245A (zh) * | 2019-10-31 | 2020-04-24 | 北京交通大学 | 一种基于上身姿态的机车司机疲劳状态监测方法 |
CN111091046A (zh) * | 2019-10-28 | 2020-05-01 | 北京灵鹦科技有限公司 | 一种基于机器视觉的用户不良坐姿矫正*** |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
-
2020
- 2020-10-21 CN CN202011131430.9A patent/CN112364712A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344700A (zh) * | 2018-08-22 | 2019-02-15 | 浙江工商大学 | 一种基于深度神经网络的行人姿态属性识别方法 |
US20200105014A1 (en) * | 2018-09-28 | 2020-04-02 | Wipro Limited | Method and system for detecting pose of a subject in real-time |
CN110716792A (zh) * | 2019-09-19 | 2020-01-21 | 华中科技大学 | 一种目标检测器及其构建方法和应用 |
CN111091046A (zh) * | 2019-10-28 | 2020-05-01 | 北京灵鹦科技有限公司 | 一种基于机器视觉的用户不良坐姿矫正*** |
CN111062245A (zh) * | 2019-10-31 | 2020-04-24 | 北京交通大学 | 一种基于上身姿态的机车司机疲劳状态监测方法 |
CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326778A (zh) * | 2021-05-31 | 2021-08-31 | 中科计算技术西部研究院 | 基于图像识别的人体姿态检测方法、装置和存储介质 |
CN113627236A (zh) * | 2021-06-24 | 2021-11-09 | 广东技术师范大学 | 一种坐姿识别方法、装置、设备及存储介质 |
CN113487566A (zh) * | 2021-07-05 | 2021-10-08 | 杭州萤石软件有限公司 | 一种不良姿态检测方法、检测装置 |
CN114582014A (zh) * | 2022-01-25 | 2022-06-03 | 珠海视熙科技有限公司 | 一种深度图像中人体坐姿识别的方法、装置及存储介质 |
CN116935494A (zh) * | 2023-09-15 | 2023-10-24 | 吉林大学 | 一种基于轻量化网络模型的多人坐姿识别方法 |
CN116935494B (zh) * | 2023-09-15 | 2023-12-12 | 吉林大学 | 一种基于轻量化网络模型的多人坐姿识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364712A (zh) | 一种基于人体姿态的坐姿识别方法、***及计算机可读存储介质 | |
US11657230B2 (en) | Referring image segmentation | |
Joze et al. | Ms-asl: A large-scale data set and benchmark for understanding american sign language | |
CN109409222B (zh) | 一种基于移动端的多视角人脸表情识别方法 | |
KR101967410B1 (ko) | 시각 검색 애플리케이션용 유명인사의 인물 모델 자동 마이닝 | |
Ji et al. | Interactive body part contrast mining for human interaction recognition | |
CN104350509B (zh) | 快速姿势检测器 | |
Hu et al. | Global-local enhancement network for NMF-aware sign language recognition | |
CN110674741A (zh) | 一种基于双通道特征融合的机器视觉中手势识别方法 | |
CN110728194A (zh) | 基于微表情和动作识别的智能培训方法、装置及存储介质 | |
CN114937285B (zh) | 动态手势识别方法、装置、设备及存储介质 | |
CN114332911A (zh) | 一种头部姿态检测方法、装置及计算机设备 | |
Yan et al. | A joint convolutional bidirectional LSTM framework for facial expression recognition | |
JP2007213528A (ja) | 行動認識システム | |
KR20210041856A (ko) | 딥 러닝 기반으로 애니메이션 캐릭터를 학습하는 데 필요한 학습 데이터 생성 방법 및 장치 | |
CN114821466A (zh) | 一种基于改进yolo模型的轻型室内火灾识别方法 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
Kumar et al. | Facial emotion recognition and detection using cnn | |
CN109359543B (zh) | 一种基于骨骼化的人像检索方法及装置 | |
CN113887373B (zh) | 基于城市智慧体育的并行融合网络的姿态识别方法和*** | |
CN113610080B (zh) | 基于跨模态感知的敏感图像识别方法、装置、设备及介质 | |
CN115797948A (zh) | 一种文字识别方法、装置及设备 | |
CN115439912A (zh) | 一种识别表情的方法、装置、设备及介质 | |
CN113869366A (zh) | 模型训练方法、亲属关系分类方法、检索方法及相关装置 | |
CN110543238A (zh) | 基于人工智能的桌面交互方法 |
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 |