CN112613440A - 一种姿态检测的方法、装置、电子设备及存储介质 - Google Patents
一种姿态检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112613440A CN112613440A CN202011590012.6A CN202011590012A CN112613440A CN 112613440 A CN112613440 A CN 112613440A CN 202011590012 A CN202011590012 A CN 202011590012A CN 112613440 A CN112613440 A CN 112613440A
- Authority
- CN
- China
- Prior art keywords
- detection
- target
- posture
- image
- person
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 441
- 230000013016 learning Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000012937 correction Methods 0.000 claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 208000028752 abnormal posture Diseases 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 181
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 230000001788 irregular Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 208000013403 hyperactivity Diseases 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 193
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000028838 turning behavior Effects 0.000 description 3
- 230000006735 deficit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 241001456553 Chanodichthys dabryi Species 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000031836 visual learning Effects 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
- G06V40/10—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种姿态检测的方法、装置、电子设备及存储介质,其中,该方法包括:获取拍摄装置采集的人物图像;基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息;响应于姿态检测信息指示目标人物的姿态属于异常姿态,生成姿态矫正提示信息。本公开能够在学生姿态发生异常的情况下自动生成用于进行姿态矫正提示的姿态矫正提示信息,以帮助学生养成良好的学习习惯。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种姿态检测的方法、装置、电子设备及存储介质。
背景技术
当前社会对孩子的教育越来越提前,家庭作业又是教育活动中不可缺少的一部分,特别是低龄学生处在生长发育的关键阶段,处在这一阶段的学生学习姿势直接或间接的影响学生的生长发育。坐姿不正确可能会给孩子造成严重的脊柱问题,可能会导致驼背,可能造成韧带拉伤,还可能造成近视和斜视等问题。
因此,亟需一种自动化的姿态检测方案,以帮助家长对孩子的坐姿进行检测。
发明内容
本公开实施例至少提供一种姿态检测的方法、装置、电子设备及存储介质,无需家长实时监督,能够在学生姿态发生异常的情况下自动进行姿态矫正提示,确保学生养成良好的学习习惯。
第一方面,本公开实施例提供了一种姿态检测的方法,所述方法包括:
获取拍摄装置采集的人物图像;
基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息;
响应于所述姿态检测信息指示所述目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
采用上述姿态检测的方法,在获取到人物图像的情况下,可以基于人物图像确定目标人物的姿态检测信息,在确定这一姿态检测信息指示的姿态存在异常的情况下,即可以生成姿态矫正提示信息以进行姿态矫正提示。可知,上述姿态检测的整个过程,仅需利用获取到的人物图像即可以实现实时的姿态矫正提示,相比相关技术中家长的人工监督方式,更为省时省力。
在一种可能的实施方式中,在所述生成姿态矫正提示信息之后,所述方法还包括:
通过所述拍摄装置和/或与所述拍摄装置通信连接的终端,输出所述姿态矫正提示信息。
本公开实施例中,可以采用多种方式进行姿态矫正提示,其中,利用拍摄装置可以对目标人物进行实时的矫正提示,确保目标人物可以及时的矫正自身姿态,且该拍摄装置可以集成有相关提示装置,更为集成化和小型化,便于部署;另外,利用连接的终端则可以方便目标人物的监护人等终端用户及时的了解目标任务的姿态,以便后续进行学习指导。
在一种可能的实施方式中,所述基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息,包括:
对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框;
基于生成的所述检测框,确定所述目标人物的姿态检测信息。
这里,首先可以基于人物检测生成检测框,而后基于生成的检测框确定目标人物的姿态检测信息,也即,可以先基于检测框确定目标人物所在图像位置,而后基于这一图像位置的目标人物进行姿态检测,整个过程自动完成。
在一种可能的实施方式中,所述检测框包括人体检测框,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
获取所述人体检测框包括的各顶点分别在所述人物图像中的位置坐标;
基于所述位置坐标,确定所述人体检测框框选的目标人体的人体倾斜角度信息;所述人体倾斜角度信息用于反映所述目标人物的身体相对于直立状态下的偏离角度;
将确定的所述人体倾斜角度信息确定为所述目标人物的姿态检测信息。
在一种可能的实施方式中,所述目标人物的姿态属于异常姿态,包括:
所述人体倾斜角度信息指示的所述偏离角度的取值大于第一预设角度和/或属于第一预设角度区间。
本公开实施例中,人体倾斜角度信息对应的角度值越大,一定程度上说明目标人物发生身体前倾、后仰、左倾、右倾等姿态异常的可能性越大,因而可以基于第一预设角度和/或第一预设角度区间的限定来确定姿态检测信息是否存在异常。
在一种可能的实施方式中,所述检测框包括人体检测框,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
利用训练好的坐姿检测神经网络对生成的所述人体检测框进行坐姿检测,确定所述目标人物的坐姿检测信息;
其中,所述坐姿检测神经网络是基于多个人体框样本以及针对所述多个人体框样本中每个人体框样本进行坐姿标注后的标注结果训练得到的。
本公开实施例中,利用训练好的坐姿检测神经网络对人体检测框进行坐姿检测,可以确定目标人物的坐姿检测信息。上述坐姿检测神经网络是预先训练好的,将人体检测框直接输入到这一神经网络即可以输出对应的坐姿检测信息,简单高效。
在一种可能的实施方式中,所述对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框,包括:
利用训练好的人体检测神经网络对所述人物图像进行人体检测,得到所述人体检测框;
其中,所述人体检测神经网络是基于多张人物图像样本以及针对所述多张人物图像样本中每张人物图像样本进行人体检测框标注后的标注结果训练得到的。
这里的检测框可以是人体检测框。本公开实施例中,利用训练好的人体检测神经网络对人物图像进行人体检测,可以输出得到人体检测框。上述人体检测神经网络是预先训练好的,将人物图像直接输入到这一神经网络即可以输出人体检测框,简单高效。
在一种可能的实施方式中,所述检测框包括人脸检测框,所述对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框,包括:
利用训练好的人脸检测神经网络对所述人物图像进行人脸检测,得到所述人脸检测框;
其中,所述人脸检测神经网络是基于多张人物图像样本以及针对所述多张人物图像样本中每张人物图像样本进行人脸检测框标注后的标注结果训练得到的。
这里的检测框可以是人脸检测框。本公开实施例中,利用训练好的人脸检测神经网络对人物图像进行人脸检测,可以生成目标人物对应的人脸检测框。上述人脸检测神经网络是预先训练好的,将人物图像直接输入到这一神经网络即可以输出人脸检测框,操作简单。
在一种可能的实施方式中,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
对所述人脸检测框内包含的人脸图片进行人脸关键点检测,得到人脸关键点信息;
基于所述人脸关键点信息,确定所述人脸图片中人脸的人脸转动角度信息;所述人脸转动角度信息用于反映所述目标人物的人脸相对于直立状态下的偏离角度;
将确定的所述人脸转动角度信息,确定为所述目标人物的姿态检测信息。
在一种可能的实施方式中,所述目标人物的姿态属于异常姿态,包括:
所述人脸转动角度信息指示的所述偏离角度的取值大于第二预设角度和/或属于第二预设角度区间。
本公开实施例中,人脸转动角度信息对应的角度值越大,一定程度上说明目标人物的头部发生背过头等姿态异常的可能性越大,因而可以基于第二预设角度的限定来确定姿态检测信息是否存在异常。
在一种可能的实施方式中,所述通过所述拍摄装置和/或与所述拍摄装置通信连接的终端,输出所述姿态矫正提示信息,包括:
通过所述拍摄装置的第一语音输出装置,播放用于反映所述姿态矫正提示信息的第一音频信息,
和/或,向所述终端发送所述姿态矫正提示信息,并通过所述终端的显示装置展示所述姿态矫正提示信息,和/或,通过所述终端的第二语音输出装置,播放用于反映所述姿态矫正提示信息的第二音频信息。
在一种可能的实施方式中,所述方法还包括:
基于目标时段内所述目标人物的姿态检测信息,生成所述目标人物在目标时段内的学习报告。
本公开实施例中,可以基于姿态检测信息生成学习报告以便于后续可视化查看目标人物的学习姿态。
在一种可能的实施方式中,所述人物图像来源于视频流;所述方法还包括:
基于所述视频流中的所述人物图像进行目标行为检测,确定所述人物图像包括的目标人物的目标行为检测结果;所述目标行为包括至少一种表征注意力不集中的不规范学习行为;
根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题。
这里,先可以基于视频流中的人物图像进行目标行为检测,而后可以基于检测得到的目标行为检测结果确定目标人物是否存在注意力不集中问题。由于本公开实施例是针对表征注意力不集中的不规范学习行为的行为检测,因而可以及时的捕捉目标人物注意力不集中的学习状态,进而可以采取相应的学习指导方案来引导目标人物养成良好的学习习惯。
在一种可能的实施方式中,所述根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括:
获取所述视频流中产生所述目标行为的行为持续时间;
根据所述目标行为检测结果以及所述行为持续时间,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题。
在一种可能的实施方式中,所述根据所述目标行为检测结果以及所述行为持续时间,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括如下至少一项:
响应于所述目标行为检测结果指向的第一不规范学习行为的行为持续时间大于第一预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题;
响应于所述目标行为检测结果指向的多个第二不规范行为的行为累计时间大于第二预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题,所述多个第二不规范行为的行为累计时间为至少部分第二不规范行为的行为持续时间之和。
在一种可能的实施方式中,所述根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括:
响应于所述目标行为检测结果指向的多个第三不规范行为的行为累计次数大于第三预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题。
在一种可能的实施方式中,所述人物图像包括台面,所述目标行为包括以下行为中的至少一项:
所述目标人物离开所述台面对应区域;
所述目标人物趴在所述台面上;
所述目标人物的多动行为;
所述目标人物转头和/或转身。
第二方面,本公开实施例还提供了一种姿态检测的装置,所述装置包括:
获取模块,用于获取拍摄装置采集的人物图像;
确定模块,用于基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息;
第一生成模块,用于响应于所述姿态检测信息指示所述目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
第三方面,本公开实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面及其各种实施方式任一所述的姿态检测的方法的步骤。
第四方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面及其各种实施方式任一所述的姿态检测的方法的步骤。
关于上述姿态检测的装置、电子设备、及计算机可读存储介质的效果描述参见上述姿态检测的方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种姿态检测的方法的流程图;
图2示出了本公开实施例所提供的姿态检测的方法中,拍摄装置的部署示意图;
图3(a)示出了本公开实施例所提供的姿态检测的方法中,人体检测框在直立状态下的示意图;
图3(b)示出了本公开实施例所提供的姿态检测的方法中,人体检测框在平躺状态下的示意图;
图4示出了本公开实施例所提供的一种姿态检测的装置的示意图;
图5示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,目前,针对坐姿不正确的问题,主要依赖于家庭教育,通过家长言传身教,促使孩子养成良好的坐姿习惯。然而,由于写作的时间较长,这种弯腰的姿势是在不知不觉的状态下进行的,再加上家长可能无法长时间陪伴在孩子身边进行坐姿监督,导致坐姿上述的问题没有被很好的解决。
基于上述研究,本公开提供了一种姿态检测的方法、装置、电子设备及存储介质,无需家长实时监督,能够在学生姿态发生异常的情况下自动进行姿态矫正提示,确保学生养成良好的学习习惯。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种姿态检测的方法进行详细介绍,本公开实施例所提供的姿态检测的方法的执行主体一般为具有一定计算能力的计算机设备,该计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该姿态检测的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示,为本公开实施例提供的姿态检测的方法的流程图,方法包括步骤S101~S103,其中:
S101:获取拍摄装置采集的人物图像;
S102:基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息;
S103:响应于姿态检测信息指示目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
这里,为了便于理解本公开实施例提供的姿态检测的方法,首先对该姿态检测的方法的应用场景进行详细描述。上述姿态检测的方法主要可以应用于学生教育,尤其是对于低学龄儿童的课后教育中。对于低学龄儿童而言,完成家庭作业是其学习阶段不可或缺的一个环节,而一个良好姿态的学习习惯可以帮助儿童更好更快的完成家庭作业。
目前,在以家庭方式为主的课后教育中,主要是通过家长监督的方式来督促儿童身体坐直、头摆正,这种人工督促的方式将会导致家长无法很好的参与到其它的家庭活动中。同理,在以托管方式为主的课后教育中,主要是通过托管员监督的方式来督促,除此之外,在一些其他方式下的课后教育也需要专人来督促,也会耗费一定的人力。
正是为了解决这一问题,本公开实施例才提供了一种自动进行姿态检测方案,能够在检测到异常情况时,生成姿态矫正提示信息,以及时进行姿态矫正提示。这样可以在无专人监督的情况下,督促学生形成良好的学习习惯。
考虑到本公开实施例所提供的姿态检测的方法的具体应用场景,这里所采集到的人物图像可以是包含学生人脸、人手、台面(比如,书桌)、人体(比如,学生上半身)的图像。在具体应用中可以将拍摄装置设置于书桌上,将拍摄装置的摄像头面向人体,并位于学习位置前方。其中,学习位置指的是书桌上用于写作、放置书本的位置。这里,可以将拍摄装置设置在距离人体0.5m-0.6m的位置,与此同时,可以将拍摄装置正对人体设置,也可以是设置在一个较小的偏离范围内,例如,可以将拍摄装置设置在偏离人体正前方的左边的15°范围内。为了采集到图像质量更高的人物图像,这里可以将拍摄装置正对人体设置,如图2所示。
本公开实施例中的人物图像可以是基于上述设置的拍摄装置直接获取的,例如,拍摄装置每2秒采集一张人物图像;也可以是从拍摄装置采集的视频流中获取的,例如,可以将从采集的视频流中分帧得到的视频帧作为上述人物图像。
在获取到人物图像的情况下,可以基于图像分析结果确定人物图像包括的目标人物的姿态检测信息。这里的姿态检测信息不仅可以包括人体倾斜相关的坐姿姿态,还可以包括人脸转动相关的人脸姿态,除此之外,还可以包括手部姿态等,这里不做具体的限制。
不管是哪种姿态发生异常,均可以生成姿态矫正提示信息,例如,人体向第一方向倾斜了30°,这时,可以生成需要向第一方向的相反方向矫正的提示信息,可选的还可以为在提示信息中提示具体的建议旋转角度,比如,30°,从而自动实现了姿态矫正提示,督促学生养成良好的学习习惯。
本公开实施例中,一方面可以直接利用拍摄装置输出姿态矫正提示信息以进行姿态矫正提示,这里,可以在拍摄装置中集成第一语音输出装置,在确定目标任务存在异常姿态的情况下,可以通过第一语音输出装置播放包含上述姿态矫正提示信息的第一音频信息,例如,可以播放“请注意,当前姿态存在异常,请回转30°”。
另一方面,本公开实施例中,还可以向拍摄装置连接的终端输出姿态矫正提示信息,以通过终端提示终端用户,目标人物存在姿态异常的情况。这里的终端用户可以是与目标人物绑定的用户,如目标人物是学生,则终端用户可以是家长。
在具体应用中,不仅可以通过终端的显示装置展示姿态矫正提示信息的方式进行可视化提示,还可以通过终端的第二语音输出装置进行有关第二音频信息的语音提示,相关语音提示过程与拍摄装置内的第一语音输出装置的提示过程类似,这里不再赘述。
本公开实施例中的第一语音输出装置和第二语音输出装置可以是麦克风,还可以是其它能够进行语音输出的装置,这里不做具体的限制。
需要说明的是,在实际操作中,本公开实施例提供的姿态检测的方法可以针对拍摄装置采集的视频流进行周期性的姿态检测,例如,在视频帧采样周期为0.5秒的时候,可以每1秒检测一次,也可以自定义检测的时间间隔以进行非周期性的姿态检测,这里,不管是哪种检测方式,均可以是在一帧的姿态检测结果指示为异常姿态时,按照上述矫正提示方法进行提示。
考虑到存在姿态误检的可能性,在具体应用中,可以是在连续多帧出现异常时才进行提示,以确保更为准确的姿态检测结果。
本公开实施例提供的姿态检测的方法中,可以按照如下步骤确定目标人物的姿态检测信息:
步骤一、对获取的人物图像进行人物检测,生成位于人物图像中的检测框;
步骤二、基于生成的检测框,确定目标人物的姿态检测信息。
这里,首先可以基于人物检测,生成检测框,也即,可以先确定目标人物在人物图像中的图像位置,而后可以进行姿态信息检测,确定姿态检测信息。
本公开实施例提供的姿态检测的方法中,检测框不仅可以进行是针对人体进行检测的人体检测框,还可以是针对人脸进行检测的人脸检测框,接下来可以通过如下两个方面分别进行说明。
第一方面:在人体检测框作为检测框的情况下,可以利用训练好的人体检测神经网络对获取的人物图像进行人体检测,输出得到人体检测框。
其中,上述人体检测神经网络可以是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人体检测框标注后的标注结果训练得到的。这里的人体检测神经网络训练的是图像与人体检测框之间的对应关系。
这里,在将人物图像样本输入到待训练的人体检测神经网络的情况下,可以提取图像样本中有关人体的相关特征信息,这里的特征信息可以是人体形状、人体关节点等特征,利用提取出的特征进行网络训练,以训练出人体部分与人体检测框之间的对应关系。
在具体应用中,所采用的多张人物图像样本可以是基于当前应用环境,利用部署在书桌上方的拍摄装置采集的人物图像。通常情况下,所采集的原始人物图像不仅会包含人体本身,还会包括书桌、书本等其它物体,这里,可以对采集的原始人物图像中的人体部分进行人体检测框的标注,以确定人体检测框所框选人体的尺寸等信息,得到框选后的人物图像样本。
在执行框选操作的情况下,可以将框选有人体检测框的人物图像样本作为待训练的人体检测神经网络的数据训练集,并逐个输入到待训练的人体检测神经网络中,进行多轮网络训练,直到网络输出的结果与标注结果高度吻合,可以得到所训练的人体检测神经网络的网络参数。
在获取到人物图像,并意图进行人体检测的情况下,可以将该人物图像输入到训练好的人体检测神经网络,利用训练好的网络参数可以确定与人物图像对应的人体检测框。
第二方面:在人脸检测框作为检测框的情况下,可以利用训练好的人脸检测神经网络对获取的人物图像进行人脸检测,生成人脸检测框。
其中,上述人脸检测神经网络可以是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人脸检测框标注后的标注结果训练得到的。这里的人脸检测神经网络训练的是图像与人脸检测框之间的对应关系。
这里,在将人物图像样本输入到待训练的人脸检测神经网络的情况下,可以提取图像样本中有关人脸的相关特征信息,这里的特征信息,可以是五官比例、人脸关键点等特征,利用提取出的特征进行网络训练,以训练出人脸部分与人脸检测框之间的对应关系。
与人体检测神经网络训练类似的是,在对人脸检测神经网络进行训练之前,也可以预先进行人脸标注框的标注,这里的人脸标注框则是针对人脸进行的标注。针对框选有人脸检测框的人物图像样本训练人脸检测神经网络的过程可以参照第一方面所论述的相关人体检测神经网络的训练过程,在此不再赘述。
本公开实施例中,针对人体检测框可以进行坐姿检测,针对人脸检测框则可以进行人脸转动检测,接下来可以通过如下两个方面分别说明有关坐姿检测和人脸转动检测的内容。
第一方面:本公开实施例可以利用训练好的坐姿检测神经网络实现坐姿检测,也可以基于检测框的边角分析结果实现坐姿检测。
其一、这里,可以将生成的人体检测框输入到训练好的坐姿检测神经网络中,利用坐姿检测神经网络所训练出的人体检测框与坐姿检测信息之间的匹配关系,确定目标人物的坐姿检测信息。
这里,在训练坐姿检测神经网络之前,可以预先收集多个人体框样本,并对每个人体框样本进行坐姿标注,在标注完成后即可以得到标注有坐姿信息的人体框样本,例如,人体站立姿态下可以标注为1,人体平躺姿态下可以标注为0。
其二、这里,可以基于人体检测框包括的各顶点分别在人物图像中的位置坐标,确定人体检测框框选的目标人体的人体倾斜角度信息,并将该人体倾斜角度信息作为目标人物的姿态检测信息。
考虑到人体在处于不同位姿的情况下,其人体检测框包括的各顶点的相对位置关系也不同。这里,可以以人物图像的左下角为原点,以指向图像左上角的方向以及指向图像右下角的方向分别为纵轴正方向和横轴正方向建立图像坐标系。
这里,可以结合图3(a)和图3(b)分别示例出的直立状态以及平躺状态下的人体检测框示意图,对上述相对位置关系进行说明。
如图3(a)所示,对于直立状态下的人体检测框,其右上边角A的纵向位置坐标值要大于左下边角C的纵向位置坐标值,这里,将直立状态下的人体检测框向右旋转90°,可以对应平躺状态下的人体检测框,此时,右上边角A变换到右下边角,左下边角C对应变换到左上边角,此时,右下边角A的纵向位置坐标值要小于左上边角C的纵向位置坐标值,如图3(b)所示。
基于上述描述,在人体检测框为长方形的情况下,本公开实施例基于各顶点分别对应的位置坐标可以确定长方形的两个长边相对纵轴(对应人体直立状态)的偏离角度,也即可以确定出人体倾斜角度信息。
其中,人体倾斜角度信息对应的角度值越大,一定程度上说明人体姿态存在异常的可能性越高。为了确保坐姿异常检测的准确性,这里可以在上述人体倾斜角度信息满足一定的倾斜条件的情况下,确定姿态检测信息存在异常。
其中,这里的倾斜条件可以是人体倾斜角度信息指示的偏离角度的取值大于第一预设角度(如30°)或者,属于第一预设角度区间(如15°~40°)。
这里设置的角度阈值以及角度区间不宜过大,也不宜过小。以阈值设置为例,较大的设置阈值将可能导致无法及时的发现学生的不良学习习惯,较小的设置阈值将可能导致由于过于干涉学生学习行为而导致学生出现厌学等不良影响,基于上述考虑,本公开实施例可以结合不同的应用场景来进行阈值设置。
例如,可以结合书桌高度来设置,在书桌高度与学生的坐姿习惯更为匹配的情况下,可以设置较小的角度阈值来约束学生的行为,在书桌高度与学生的坐姿习惯不太匹配(例如,学生上半身几乎全部暴露在书桌外),此时,为了方便学习,学生难免会有较大的身体倾斜,这样可以设置较大的角度阈值来约束学生的行为。
再如,还可以结合学习的课程类型来进行阈值设置,例如,在与老师进行互动类课程的学习时,可以设置较大的角度阈值,而在听视频课件时,则可以设置较小的角度阈值。
除此之外,本公开实施例还可以结合应用场景中的各种因素来进行角度设置,以更好的捕捉学生的异常姿态。
为了避免作用时间较短的人体倾斜情况对于姿态异常检测所存在的误检问题,这里的倾斜条件还可以对倾斜时长进行限定,例如,可以是在人体在一定时段内具有较大倾斜角度的时候才确定姿态存在异常。
第二方面:本公开实施例可以基于人脸关键点检测的检测结果实现人脸转动检测,具体可以通过如下步骤来实现:
步骤一、对人脸检测框内包含的人脸图片进行人脸关键点检测,得到人脸关键点信息;
步骤二、基于人脸关键点信息,确定人脸图片中人脸的人脸转动角度信息;人脸转动角度信息用于反映目标人物的人脸相对于直立状态下的偏离角度;
步骤三、将确定的人脸转动角度信息,确定为目标人物的姿态检测信息。
这里,首先可以对人脸检测框进行人脸关键点检测,以确定人脸关键点信息,该人脸关键点信息指示的可以是人脸关键点的三维角度信息(对应pitch,yaw,roll),基于人脸关键点的三维角度信息可以确定出人脸转动角度信息,例如,可以是相对人体直立状态下的人脸参考位置向上仰视45°。
其中,人脸转动角度信息对应的角度值越大,一定程度上说明人脸姿态存在异常的可能性越高。为了确保人脸异常检测的准确性,这里可以在上述人脸转动角度信息满足一定的转动条件的情况下,确定姿态检测信息存在异常。
其中,这里的转动条件可以是人脸转动角度信息指示的偏离角度的取值大于第二预设角度(如45°)或者,属于第二预设角度区间(如25°~50°)。
同理,这里设置的角度阈值以及角度区间不宜过大,也不宜过小。参照上述有关第一预设角度以及第一预设角度区间的设置方式的相关描述,本公开实施例也可以结合不同的应用场景来进行第二预设角度以及第二预设角度区间的设置,在此不做赘述。
同理,为了避免作用时间较短的人脸转动情况对于姿态异常检测所存在的误检问题,这里的转动条件同样可以对转动时长进行限定,例如,可以是在人脸在一定时段内具有较大转动角度的时候才确定姿态存在异常。
本公开实施例中,不管是人体姿态出现异常,还是人脸姿态出现异常,均可以基于生成的姿态矫正提示信息进行提示。
其中,这里的姿态矫正提示信息可以是针对坐姿的矫正提示,还可以是针对人脸转动的矫正提示,还可以是上述两种矫正提示的结合。例如,可以在确定出目标人物的人体存在向左倾斜45°的姿态检测结果的情况下,生成用于调整人体向右移动45°的矫正提示信息,再如,可以是在确定出目标人物的人脸存在向后转动45°的姿态检测结果的情况下,生成用于调整人脸向前转动45°的矫正提示信息。
在具体应用中,可以将姿态矫正提示信息进行语音播报以提醒当前学习场景下的目标人物及时的进行人体或人脸的姿态矫正,还可以是将姿态矫正提示信息发送至与目标人物对应的终端(如家长用户端),家长通过其用户端接收的矫正提示信息可以督促学生养成良好的学习习惯。
本公开实施例中提供的姿态检测的方法,还可以生成可视化的学习报告。
这里,可以基于一段时间内得到的姿态检测信息,生成目标人物在目标时段内的学习报告。例如,以每天下午5点至6点为目标时段,每经历一天的学习即可以生成一份学习报告,通过多天(例如一个月)生成的学习报告,以便对目标人物的学习习惯进行跟踪,从而提供更具针对性的学习指导。
本公开实施例提供的姿态检测的方法不仅可以进行姿态检测,还可以进行不规范学习行为的检测,本公开实施例中,可以按照如下步骤进行行为检测:
步骤一、基于视频流中的人物图像进行目标行为检测,确定人物图像包括的目标人物的目标行为检测结果;目标行为包括至少一种表征注意力不集中的不规范学习行为;
步骤二、根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题。
针对视频流中的人物图像,可以基于目标行为检测确定目标行为检测结果。这里的目标行为可以是包括表征注意力不集中的不规范学习行为,这样,基于目标行为检测结果可以确定目标人物是否存在注意力不集中问题,从而可以及时的捕捉目标人物注意力不集中的学习状态,进而可以采取相应的学习指导方案来引导目标人物养成良好的学习习惯。
本公开实施例中的不规范学习行为可以包括学习场景下任何注意力不集中的表现行为,例如,可以是在学习时间段内学生离开台面对应区域的行为,还可以是学生趴在台面上的行为,还可以是学生多动的行为、学生转头、转身等行为。除此之外,本公开实施例中的不规范学习行为还可以包括其它表现行为,这里不做赘述。
针对不同种类的不规范学习行为可以采用不同的行为检测方法,在实际应用中,可以同时采用多种行为检测方法对各类不规范学习行为进行检测,以及时的捕捉到影响注意力集中的是哪一个或哪一些不规范学习行为,从而可以进行针对性的学习指导。
例如,可以是在确定学生存在趴在书桌上的行为的情况下,观测学生的睡眠是否不充足才导致这一行为,并能够在确定是睡眠不足导致的注意力不集中问题的情况下,及时的调整学生的作息时间;再如,可以是在确定存在转头的行为的情况下,观测是否存在其它吸引学生注意力的因素,如电视节目、玩具等等,并能够在确定是上述因素导致注意力不集中问题的情况下,及时的调整学习环境。
本公开实施例中,为了进一步提升注意力不集中问题判断的准确性,可以结合目标行为检测结果以及目标行为对应的行为持续时间来确定目标人物是否存在注意力不集中问题。
这里,即使目标人物存在不规范学习行为,但行为持续时间或者行为累计时间或者行为累计次数无法满足预设阈值,也不能确定目标人物存在注意力不集中问题,从而有效避免了作用时间短的不规范学习行为对于注意力检测的误检情况,提升了注意力检测的准确性。
这里的行为持续时间可以是针对每一种不规范学习行为的持续时间,对应可以设置有第一预设阈值。
上述第一预设阈值不宜过大,也不宜过小,过大的预设阈值将导致注意力不集中的漏检,过小的预设阈值则无法有效筛除掉作用时间短的不规范学习行为对于注意力不集中的误检情况,本公开实施例可以基于不同的不规范学习行为设置对应的第一预设阈值。
例如,针对学生离开书桌这一不规范学习行为,这里的第一预设阈值可以设置为10秒,也即,在一个学生持续离开书桌10秒以上可以认为该学生存在注意力不集中问题;再如,针对学生趴在书桌这一不规范学习行为,可以设置的第一预设阈值为5分钟,也即,在一个学生持续趴在书桌5分钟以上可以认为学生存在注意力不集中问题;再如,针对学生多动这一不规范行为,可以设置的第一预设阈值为10秒,也即,在一个学生持续多动10秒以上可以认为该学生存在注意力不集中问题;再如,针对转头这一不规范行为,可以设置的第一预设阈值为2秒,也即,在一个学生持续转头3秒以上可以认为该学生存在注意力不集中问题。
这里的行为累计时间可以是针对各种不规范学习行为的行为持续时间和值,对应可以设置有第二预设阈值。例如,这里,可以是将第二预设阈值设置为5分钟,在多种不规范学习行为的行为持续时间的和值达到5分钟的情况下,可以认为存在注意力不集中的问题。也即,这里可以综合多种不规范学习行为确定是否存在注意力不集中问题,从而可以从整体上评估一个学生的注意力情况。
同理,这里的第二预设阈值设置的不宜过大,也不宜过小,具体设置方式参见上述第一预设阈值的描述,在此不再赘述。
本公开实施例中的行为累计次数也可以是针对各种不规范学习行为的,例如,第三预设阈值设置为2次,可以是在确定出现了学生离开书桌、学生趴在书桌、学生转头这三次不规范行为的情况下,确定学生存在注意力不集中的问题。
同理,这里的第三预设阈值设置的不宜过大,也不宜过小,具体设置方式参见上述第一预设阈值的描述,在此不再赘述。
考虑到针对不同的不规范学习行为,所具体采用的目标行为检测方法也不同,接下来可以分别就多种不规范学习行为进行目标行为检测的过程分别进行描述。
在目标行为包括目标任务离开台面对应区域的情况下,可以按照如下步骤确定目标行为检测结果:
步骤一、对人物图像中的目标人物进行人体检测,确定人物图像指示的目标人物是否处于人脸图像中的预设学习区域内;
步骤二、在确定未处于人脸图像中的预设学习区域内的情况下,确定目标人物存在离开台面对应区域的行为。
这里,考虑到预设学习区域与台面对应区域之间的关联关系,可以基于人物图像进行人体检测,确定目标人物是否处于预设学习区域内,若处于预设学习区域内,则说明学生不存在离开台面的行为,若未处于预设学习区域内,则说明存在离开台面的行为。
其中,上述预设学习区域可以是预先设置的区域,在进行拍摄装置安装的情况下,可以基于该预设学习区域进行校准,这样,在采集的人物图像上可以对应有与预设学习区域对应的区域。这样,在基于图像识别技术确定出人体离开这一区域的情况下即可以确定学生不在预设学习区域内。
在目标行为包括目标人物趴在台面上的情况下,可以按照如下步骤确定目标行为检测结果:
步骤一、对人物图像中的目标任务进行姿态识别,确定人物图像指示的目标人物的第一位姿信息以及人物图像指示的台面的第二位姿信息;
步骤二、在目标人物的第一位姿信息以及台面的第二位姿信息之间的相对位姿信息符合预设位姿的情况下,确定目标人物存在趴在台面上的行为。
这里,可以同时对于目标人物的第一位姿信息以及台面的第二位姿信息进行识别,识别之后,可以验证目标人物与台面之间的相对位姿信息是否符合预设位姿,在确定符合预设位姿的情况下,确定存在趴在台面上的行为。
在目标行为包括目标人物的多动行为的情况下,可以按照如下步骤确定目标行为检测结果:
步骤一、对多张人物图像中每张人物图像中的目标人物进行人体检测,确定目标人物的人体姿态变化频率;人体姿态变化频率用于表示目标人物在指定时段内变换姿态的次数;
步骤二、在确定目标人物的人体姿态变化频率超过预设频率的情况下,确定目标人物存在多动行为。
这里,考虑到多动特征是学生注意力不集中的常见不规范学习行为,这里,可以基于人体姿态变化频率来确定目标人物是否存在多动行为。
其中,上述人体姿态变化频率可以是针对多张人物图像中的每张人物图像中的目标人物分别进行人体检测,并确定对应的人体姿态的情况下,基于人体姿态的统计结果所确定的。这里的多张人物图像可以是连续帧,连续帧画面可以对应目标人物姿态的动态变化效果。
例如,在一段时间内,目标人物由向右倾斜35°变换到向右倾斜20°,再由向右倾斜20°变换到向左倾斜10°,通过针对连续帧的人体检测,可以确定目标人物在单位时间内变换位姿的次数,变换的次数越多说明该学生存在多动行为的可能性越大,本公开实施例可以在确定超过预设频率的情况下,确定目标人物存在多动的行为。
在视频流中的人物图像有多张,目标行为包括目标人物转头的行为的情况下,可以按照如下步骤确定目标行为检测结果:
步骤一、对多张人物图像中每张人物图像中的目标人物进行人脸检测,确定在每张人物图像指示的目标人物对应的人脸检测框;
步骤二、对每个人脸检测框内包含的人脸图片进行人脸关键点检测,确定人脸图片所包含人脸的人脸转动角度信息;
步骤三、在人脸转动角度信息大于预设角度的转动持续时间超过第一预设时长的情况下,确定目标人物存在转头的行为。
本公开实施例中,针对转头行为的检测,主要是基于目标人物对应的人脸检测框的人脸转动角度的检测。
这里,首先可以对人脸检测框内包含的人脸图片进行人脸关键点检测,以确定人脸关键点信息,该人脸关键点信息指示的可以是人脸关键点的三维角度信息(对应pitch,yaw,roll),基于人脸关键点的三维角度信息可以确定出人脸图片所包含人脸的人脸转动角度信息,例如,可以是人脸正面相对摄像头视角的偏差角度。
其中,人脸转动角度信息对应的角度值越大,一定程度上说明存在转头的幅度越大,为了确保转头行为检测的准确性,这里可以在上述人脸转动角度信息对应的角度值大于预设角度(如100°)的转动持续时间超过第一预设时长(如持续大角度转头2分钟)的情况下,可以说明学生存在转头的行为,说明学生的注意力存在不集中问题。
在视频流中的人物图像有多张,目标行为包括目标人物转身的行为的情况下,可以按照如下步骤确定目标行为检测结果:
步骤一、对多张人物图像中每张人物图像中的目标人物进行人体检测,确定每张人物图像指示的目标人物对应的人体检测框;
步骤二、获取人体检测框包括的各顶点分别在人物图像中的位置坐标;
步骤三、基于位置坐标,确定人体检测框框选的目标人体的人体倾斜角度信息;人体倾斜角度信息用于反映目标人物的身体相对于直立状态下的偏离角度;
步骤四、在人体倾斜角度信息大于第二预设角度的倾斜持续时间超过第二预设时长的情况下,确定目标人物存在转身的行为。
有关人体倾斜角度信息的确定参见上述描述过程,在此不再赘述。
人体倾斜角度信息对应的角度值越大,一定程度上说明学生注意力不集中的可能性越高。为了确保检测的准确性,这里可以在上述人体倾斜角度信息对应的角度值大于预设角度(如30°)的倾斜持续时间超过第二预设时长(如持续大角度转身3分钟)的情况下,可以说明学生存在转身的行为,说明学生的注意力存在不集中问题。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与姿态检测的方法对应的姿态检测的装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述姿态检测的方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本公开实施例提供的一种姿态检测的装置的示意图,装置包括:获取模块401、确定模块402、和第一生成模块403;其中,
获取模块401,用于获取拍摄装置采集的人物图像;
确定模块402,用于基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息;
第一生成模块403,用于响应于姿态检测信息指示目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
本公开实施例提供的上述姿态检测的装置,在获取到人物图像的情况下,可以基于人物图像确定目标人物的姿态检测信息,在确定这一姿态检测信息指示的姿态存在异常的情况下,即可以生成姿态矫正提示信息以进行姿态矫正提示。可知,上述姿态检测的整个过程,仅需利用获取到的人物图像即可以实现实时的姿态矫正提示,相比相关技术中家长的人工监督方式,更为省时省力。
在一种可能的实施方式中,上述装置还包括:
提示模块404,在生成姿态矫正提示信息之后,通过拍摄装置和/或与拍摄装置通信连接的终端,输出姿态矫正提示信息。
在一种可能的实施方式中,确定模块402,用于按照以下步骤基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息:
对获取的人物图像进行人物检测,生成位于人物图像中的检测框;
基于生成的检测框,确定目标人物的姿态检测信息。
在一种可能的实施方式中,确定模块402,用于按照以下步骤基于生成的检测框,确定目标人物的姿态检测信息:
获取人体检测框包括的各顶点分别在人物图像中的位置坐标;
基于位置坐标,确定人体检测框框选的目标人体的人体倾斜角度信息;人体倾斜角度信息用于反映目标人物的身体相对于直立状态下的偏离角度;
将确定的人体倾斜角度信息确定为目标人物的姿态检测信息。
在一种可能的实施方式中,第一生成模块403,用于按照如下步骤确定目标人物的姿态属于异常姿态:
人体倾斜角度信息指示的偏离角度的取值大于第一预设角度和/或属于第一预设角度区间。
在一种可能的实施方式中,检测框包括人体检测框,确定模块402,用于按照以下步骤基于生成的检测框,确定目标人物的姿态检测信息:
利用训练好的坐姿检测神经网络对生成的人体检测框进行坐姿检测,确定目标人物的坐姿检测信息;
其中,坐姿检测神经网络是基于多个人体框样本以及针对多个人体框样本中每个人体框样本进行坐姿标注后的标注结果训练得到的。
在一种可能的实施方式中,确定模块402,用于按照以下步骤对获取的人物图像进行人物检测,生成位于人物图像中的检测框:
利用训练好的人体检测神经网络对人物图像进行人体检测,得到人体检测框;
其中,人体检测神经网络是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人体检测框标注后的标注结果训练得到的。
在一种可能的实施方式中,检测框包括人脸检测框,确定模块402,用于按照以下步骤对获取的人物图像进行人物检测,生成位于人物图像中的检测框:
利用训练好的人脸检测神经网络对人物图像进行人脸检测,得到人脸检测框;
其中,人脸检测神经网络是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人脸检测框标注后的标注结果训练得到的。
在一种可能的实施方式中,确定模块402,用于按照以下步骤基于生成的检测框,确定目标人物的姿态检测信息:
对人脸检测框内包含的人脸图片进行人脸关键点检测,得到人脸关键点信息;
基于人脸关键点信息,确定人脸图片中人脸的人脸转动角度信息;人脸转动角度信息用于反映目标人物的人脸相对于直立状态下的偏离角度;
将确定的人脸转动角度信息,确定为目标人物的姿态检测信息。
在一种可能的实施方式中,第一生成模块403,用于按照如下步骤确定目标人物的姿态属于异常姿态:
人脸转动角度信息指示的偏离角度的取值大于第二预设角度和/或属于第二预设角度区间。
在一种可能的实施方式中,提示模块404,用于按照以下步骤通过拍摄装置和/或与拍摄装置通信连接的终端,输出姿态矫正提示信息:
通过拍摄装置的第一语音输出装置,播放用于反映姿态矫正提示信息的第一音频信息,
和/或,向终端发送姿态矫正提示信息,并通过终端的显示装置展示姿态矫正提示信息,和/或,通过终端的第二语音输出装置,播放用于反映姿态矫正提示信息的第二音频信息。
在一种可能的实施方式中,上述装置还包括:
第二生成模块405,用于基于目标时段内目标人物的姿态检测信息,生成目标人物在目标时段内的学习报告。
在一种可能的实施方式中,人物图像来源于视频流;上述装置还包括:
判断模块406,用于基于视频流中的人物图像进行目标行为检测,确定人物图像包括的目标人物的目标行为检测结果;目标行为包括至少一种表征注意力不集中的不规范学习行为;根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题。
在一种可能的实施方式中,判断模块406,用于按照以下步骤根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题:
获取视频流中产生目标行为的行为持续时间;
根据目标行为检测结果以及行为持续时间,确定人物图像指示的目标人物是否存在注意力不集中问题。
在一种可能的实施方式中,判断模块406,用于按照以下步骤根据目标行为检测结果以及行为持续时间,确定人物图像指示的目标人物是否存在注意力不集中问题,包括如下至少一项:
响应于目标行为检测结果指向的第一不规范学习行为的行为持续时间大于第一预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题;
响应于目标行为检测结果指向的多个第二不规范行为的行为累计时间大于第二预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题,多个第二不规范行为的行为累计时间为至少部分第二不规范行为的行为持续时间之和。
在一种可能的实施方式中,判断模块406,用于按照以下步骤根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题:
响应于目标行为检测结果指向的多个第三不规范行为的行为累计次数大于第三预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题。
在一种可能的实施方式中,人物图像包括台面,目标行为包括以下行为中的至少一项:
目标人物离开台面对应区域;
目标人物趴在台面上;
目标人物的多动行为;
目标人物转头和/或转身。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本公开实施例还提供了一种电子设备,如图5所示,为本公开实施例提供的电子设备结构示意图,包括:处理器501、存储器502、和总线503。存储器502存储有处理器501可执行的机器可读指令(比如,图4中的装置中获取模块401、确定模块402、第一生成模块403对应的执行指令等),当电子设备运行时,处理器501与存储器502之间通过总线503通信,机器可读指令被处理器501执行时执行如下处理:
获取拍摄装置采集的人物图像;
基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息;
响应于姿态检测信息指示目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
在一种可能的实施方式中,在生成姿态矫正提示信息之后,上述处理器501执行的指令还包括:
通过拍摄装置和/或与拍摄装置通信连接的终端,输出姿态矫正提示信息。
在一种可能的实施方式中,上述处理器501执行的指令中,基于获取的人物图像进行姿态检测,确定人物图像包括的目标人物的姿态检测信息,包括:
对获取的人物图像进行人物检测,生成位于人物图像中的检测框;
基于生成的检测框,确定目标人物的姿态检测信息。
在一种可能的实施方式中,上述处理器501执行的指令中,基于生成的检测框,确定目标人物的姿态检测信息,包括:
获取人体检测框包括的各顶点分别在人物图像中的位置坐标;
基于位置坐标,确定人体检测框框选的目标人体的人体倾斜角度信息;人体倾斜角度信息用于反映目标人物的身体相对于直立状态下的偏离角度;
将确定的人体倾斜角度信息确定为目标人物的姿态检测信息。
在一种可能的实施方式中,上述处理器501执行的指令中,目标人物的姿态属于异常姿态,包括:
人体倾斜角度信息指示的偏离角度的取值大于第一预设角度和/或属于第一预设角度区间。
在一种可能的实施方式中,检测框包括人体检测框,上述处理器501执行的指令中,基于生成的检测框,确定目标人物的姿态检测信息,包括:
利用训练好的坐姿检测神经网络对生成的人体检测框进行坐姿检测,确定目标人物的坐姿检测信息;
其中,坐姿检测神经网络是基于多个人体框样本以及针对多个人体框样本中每个人体框样本进行坐姿标注后的标注结果训练得到的。
在一种可能的实施方式中,上述处理器501执行的指令中,对获取的人物图像进行人物检测,生成位于人物图像中的检测框,包括:
利用训练好的人体检测神经网络对人物图像进行人体检测,得到人体检测框;
其中,人体检测神经网络是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人体检测框标注后的标注结果训练得到的。
在一种可能的实施方式中,检测框包括人脸检测框,上述处理器501执行的指令中,对获取的人物图像进行人物检测,生成位于人物图像中的检测框,包括:
利用训练好的人脸检测神经网络对人物图像进行人脸检测,得到人脸检测框;
其中,人脸检测神经网络是基于多张人物图像样本以及针对多张人物图像样本中每张人物图像样本进行人脸检测框标注后的标注结果训练得到的。
在一种可能的实施方式中,上述处理器501执行的指令中,基于生成的检测框,确定目标人物的姿态检测信息,包括:
对人脸检测框内包含的人脸图片进行人脸关键点检测,得到人脸关键点信息;
基于人脸关键点信息,确定人脸图片中人脸的人脸转动角度信息;人脸转动角度信息用于反映目标人物的人脸相对于直立状态下的偏离角度;
将确定的人脸转动角度信息,确定为目标人物的姿态检测信息。
在一种可能的实施方式中,上述处理器501执行的指令中,目标人物的姿态属于异常姿态,包括:
人脸转动角度信息指示的偏离角度的取值大于第二预设角度和/或属于第二预设角度区间。
在一种可能的实施方式中,上述处理器501执行的指令中,通过拍摄装置和/或与拍摄装置通信连接的终端,输出姿态矫正提示信息,包括:
通过拍摄装置的第一语音输出装置,播放用于反映姿态矫正提示信息的第一音频信息,
和/或,向终端发送姿态矫正提示信息,并通过终端的显示装置展示姿态矫正提示信息,和/或,通过终端的第二语音输出装置,播放用于反映姿态矫正提示信息的第二音频信息。
在一种可能的实施方式中,上述处理器501执行的指令还包括:
基于目标时段内目标人物的姿态检测信息,生成目标人物在目标时段内的学习报告。
在一种可能的实施方式中,上述处理器501执行的指令中,人物图像来源于视频流;方法还包括:
基于视频流中的人物图像进行目标行为检测,确定人物图像包括的目标人物的目标行为检测结果;目标行为包括至少一种表征注意力不集中的不规范学习行为;
根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题。
在一种可能的实施方式中,上述处理器501执行的指令中,根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题,包括:
获取视频流中产生目标行为的行为持续时间;
根据目标行为检测结果以及行为持续时间,确定人物图像指示的目标人物是否存在注意力不集中问题。
在一种可能的实施方式中,上述处理器501执行的指令中,根据目标行为检测结果以及行为持续时间,确定人物图像指示的目标人物是否存在注意力不集中问题,包括如下至少一项:
响应于目标行为检测结果指向的第一不规范学习行为的行为持续时间大于第一预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题;
响应于目标行为检测结果指向的多个第二不规范行为的行为累计时间大于第二预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题,多个第二不规范行为的行为累计时间为至少部分第二不规范行为的行为持续时间之和。
在一种可能的实施方式中,上述处理器501执行的指令中,根据目标行为检测结果,确定人物图像指示的目标人物是否存在注意力不集中问题,包括:
响应于目标行为检测结果指向的多个第三不规范行为的行为累计次数大于第三预设阈值的情况下,确定人物图像指示的目标人物存在注意力不集中问题。
在一种可能的实施方式中,人物图像包括台面,目标行为包括以下行为中的至少一项:
目标人物离开台面对应区域;
目标人物趴在台面上;
目标人物的多动行为;
目标人物转头和/或转身。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的姿态检测的方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的姿态检测的方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (20)
1.一种姿态检测的方法,其特征在于,所述方法包括:
获取拍摄装置采集的人物图像;
基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息;
响应于所述姿态检测信息指示所述目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
2.根据权利要求1所述的方法,其特征在于,在所述生成姿态矫正提示信息之后,所述方法还包括:
通过所述拍摄装置和/或与所述拍摄装置通信连接的终端,输出所述姿态矫正提示信息。
3.根据权利要求1或2所述的方法,其特征在于,所述基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息,包括:
对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框;
基于生成的所述检测框,确定所述目标人物的姿态检测信息。
4.根据权利要求3所述的方法,其特征在于,所述检测框包括人体检测框,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
获取所述人体检测框包括的各顶点分别在所述人物图像中的位置坐标;
基于所述位置坐标,确定所述人体检测框框选的目标人体的人体倾斜角度信息;所述人体倾斜角度信息用于反映所述目标人物的身体相对于直立状态下的偏离角度;
将所述人体倾斜角度信息确定为所述目标人物的姿态检测信息。
5.根据权利要求4所述的方法,其特征在于,所述目标人物的姿态属于异常姿态,包括:
所述人体倾斜角度信息指示的所述偏离角度的取值大于第一预设角度和/或属于第一预设角度区间。
6.根据权利要求3所述的方法,其特征在于,所述检测框包括人体检测框,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
利用训练好的坐姿检测神经网络对生成的所述人体检测框进行坐姿检测,确定所述目标人物的坐姿检测信息;
其中,所述坐姿检测神经网络是基于多个人体框样本以及针对所述多个人体框样本中每个人体框样本进行坐姿标注后的标注结果训练得到的。
7.根据权利要求4-6任一所述的方法,其特征在于,所述对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框,包括:
利用训练好的人体检测神经网络对所述人物图像进行人体检测,得到所述人体检测框;
其中,所述人体检测神经网络是基于多张人物图像样本以及针对所述多张人物图像样本中每张人物图像样本进行人体检测框标注后的标注结果训练得到的。
8.根据权利要求3所述的方法,其特征在于,所述检测框包括人脸检测框,所述对获取的所述人物图像进行人物检测,生成位于所述人物图像中的检测框,包括:
利用训练好的人脸检测神经网络对所述人物图像进行人脸检测,得到所述人脸检测框;
其中,所述人脸检测神经网络是基于多张人物图像样本以及针对所述多张人物图像样本中每张人物图像样本进行人脸检测框标注后的标注结果训练得到的。
9.根据权利要求8所述的方法,其特征在于,所述基于生成的所述检测框,确定所述目标人物的姿态检测信息,包括:
对所述人脸检测框内包含的人脸图片进行人脸关键点检测,得到人脸关键点信息;
基于所述人脸关键点信息,确定所述人脸图片中人脸的人脸转动角度信息;所述人脸转动角度信息用于反映所述目标人物的人脸相对于直立状态下的偏离角度;
将确定的所述人脸转动角度信息,确定为所述目标人物的姿态检测信息。
10.根据权利要求9所述的方法,其特征在于,所述目标人物的姿态属于异常姿态,包括:
所述人脸转动角度信息指示的所述偏离角度的取值大于第二预设角度和/或属于第二预设角度区间。
11.根据权利要求2-10任一所述的方法,其特征在于,所述通过所述拍摄装置和/或与所述拍摄装置通信连接的终端,输出所述姿态矫正提示信息,包括:
通过所述拍摄装置的第一语音输出装置,播放用于反映所述姿态矫正提示信息的第一音频信息,
和/或,向所述终端发送所述姿态矫正提示信息,并通过所述终端的显示装置展示所述姿态矫正提示信息,和/或,通过所述终端的第二语音输出装置,播放用于反映所述姿态矫正提示信息的第二音频信息。
12.根据权利要求1-11任一所述的方法,其特征在于,所述方法还包括:
基于目标时段内所述目标人物的姿态检测信息,生成所述目标人物在所述目标时间段内的学习报告。
13.根据权利要求1-12任一所述的方法,其特征在于,所述人物图像来源于视频流;所述方法还包括:
基于所述视频流中的所述人物图像进行目标行为检测,确定所述人物图像包括的目标人物的目标行为检测结果;所述目标行为包括至少一种表征注意力不集中的不规范学习行为;
根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题。
14.根据权利要求13所述的方法,其特征在于,所述根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括:
获取所述视频流中产生所述目标行为的行为持续时间;
根据所述目标行为检测结果以及所述行为持续时间,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题。
15.根据权利要求14所述的方法,其特征在于,所述根据所述目标行为检测结果以及所述行为持续时间,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括如下至少一项:
响应于所述目标行为检测结果指向的第一不规范学习行为的行为持续时间大于第一预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题;
响应于所述目标行为检测结果指向的多个第二不规范行为的行为累计时间大于第二预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题,所述多个第二不规范行为的行为累计时间为至少部分第二不规范行为的行为持续时间之和。
16.根据权利要求13-15任一所述的方法,其特征在于,所述根据所述目标行为检测结果,确定所述人物图像指示的所述目标人物是否存在注意力不集中问题,包括:
响应于所述目标行为检测结果指向的多个第三不规范行为的行为累计次数大于第三预设阈值的情况下,确定所述人物图像指示的目标人物存在注意力不集中问题。
17.根据权利要求13-16任一所述的方法,其特征在于,所述人物图像包括台面,所述目标行为包括以下行为中的至少一项:
所述目标人物离开所述台面对应区域;
所述目标人物趴在所述台面上;
所述目标人物的多动行为;
所述目标人物转头和/或转身。
18.一种姿态检测的装置,其特征在于,所述装置包括:
获取模块,用于获取拍摄装置采集的人物图像;
确定模块,用于基于获取的所述人物图像进行姿态检测,确定所述人物图像包括的目标人物的姿态检测信息;
第一生成模块,用于响应于所述姿态检测信息指示所述目标人物的姿态属于异常姿态,生成姿态矫正提示信息。
19.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至17任一所述的姿态检测的方法的步骤。
20.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至17任一所述的姿态检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011590012.6A CN112613440A (zh) | 2020-12-29 | 2020-12-29 | 一种姿态检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011590012.6A CN112613440A (zh) | 2020-12-29 | 2020-12-29 | 一种姿态检测的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613440A true CN112613440A (zh) | 2021-04-06 |
Family
ID=75248974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011590012.6A Pending CN112613440A (zh) | 2020-12-29 | 2020-12-29 | 一种姿态检测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613440A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221664A (zh) * | 2021-06-17 | 2021-08-06 | 杭州晓鸟科技有限公司 | 一种基于关键点检测的打坐姿态辅助***及辅助方法 |
CN113778224A (zh) * | 2021-08-17 | 2021-12-10 | 安克创新科技股份有限公司 | 姿态矫正方法、装置及智能音频眼镜 |
CN114038016A (zh) * | 2021-11-16 | 2022-02-11 | 平安普惠企业管理有限公司 | 一种坐姿检测方法、装置、设备及存储介质 |
CN114220123A (zh) * | 2021-12-10 | 2022-03-22 | 江苏泽景汽车电子股份有限公司 | 一种姿态矫正方法、装置、投影设备及存储介质 |
CN114399827A (zh) * | 2022-03-14 | 2022-04-26 | 潍坊护理职业学院 | 基于面部微表情的高校毕业生职业性格测试方法及*** |
CN114636219A (zh) * | 2022-03-18 | 2022-06-17 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调 |
CN114998931A (zh) * | 2022-05-31 | 2022-09-02 | 中国科学院半导体研究所 | 学习状态下的不良习惯监测方法、装置、设备及程序产品 |
CN115083020A (zh) * | 2022-07-22 | 2022-09-20 | 海易科技(北京)有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978907A (zh) * | 2019-03-22 | 2019-07-05 | 南京邮电大学 | 一种面向家居场景的学生坐姿检测方法 |
CN110378244A (zh) * | 2019-05-31 | 2019-10-25 | 曹凯 | 异常姿态的检测方法和装置 |
CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技(深圳)有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
CN111507134A (zh) * | 2019-01-31 | 2020-08-07 | 北京奇虎科技有限公司 | 人形姿态检测方法、装置、计算机设备及存储介质 |
CN111860311A (zh) * | 2020-07-20 | 2020-10-30 | 南京智金科技创新服务中心 | 一种人体异常姿态的提示方法及*** |
CN111918133A (zh) * | 2020-07-27 | 2020-11-10 | 深圳创维-Rgb电子有限公司 | 辅导和监督学生写作业的方法、电视机和存储介质 |
CN111931640A (zh) * | 2020-08-07 | 2020-11-13 | 上海商汤临港智能科技有限公司 | 异常坐姿识别方法、装置、电子设备及存储介质 |
CN112132110A (zh) * | 2020-10-10 | 2020-12-25 | 联合维度(广州)科技有限公司 | 一种智能判断人体姿态的方法及看护设备 |
-
2020
- 2020-12-29 CN CN202011590012.6A patent/CN112613440A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507134A (zh) * | 2019-01-31 | 2020-08-07 | 北京奇虎科技有限公司 | 人形姿态检测方法、装置、计算机设备及存储介质 |
CN109978907A (zh) * | 2019-03-22 | 2019-07-05 | 南京邮电大学 | 一种面向家居场景的学生坐姿检测方法 |
CN110378244A (zh) * | 2019-05-31 | 2019-10-25 | 曹凯 | 异常姿态的检测方法和装置 |
CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技(深圳)有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
CN111860311A (zh) * | 2020-07-20 | 2020-10-30 | 南京智金科技创新服务中心 | 一种人体异常姿态的提示方法及*** |
CN111918133A (zh) * | 2020-07-27 | 2020-11-10 | 深圳创维-Rgb电子有限公司 | 辅导和监督学生写作业的方法、电视机和存储介质 |
CN111931640A (zh) * | 2020-08-07 | 2020-11-13 | 上海商汤临港智能科技有限公司 | 异常坐姿识别方法、装置、电子设备及存储介质 |
CN112132110A (zh) * | 2020-10-10 | 2020-12-25 | 联合维度(广州)科技有限公司 | 一种智能判断人体姿态的方法及看护设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221664A (zh) * | 2021-06-17 | 2021-08-06 | 杭州晓鸟科技有限公司 | 一种基于关键点检测的打坐姿态辅助***及辅助方法 |
CN113778224A (zh) * | 2021-08-17 | 2021-12-10 | 安克创新科技股份有限公司 | 姿态矫正方法、装置及智能音频眼镜 |
CN114038016A (zh) * | 2021-11-16 | 2022-02-11 | 平安普惠企业管理有限公司 | 一种坐姿检测方法、装置、设备及存储介质 |
CN114220123A (zh) * | 2021-12-10 | 2022-03-22 | 江苏泽景汽车电子股份有限公司 | 一种姿态矫正方法、装置、投影设备及存储介质 |
CN114220123B (zh) * | 2021-12-10 | 2022-11-04 | 江苏泽景汽车电子股份有限公司 | 一种姿态矫正方法、装置、投影设备及存储介质 |
CN114399827A (zh) * | 2022-03-14 | 2022-04-26 | 潍坊护理职业学院 | 基于面部微表情的高校毕业生职业性格测试方法及*** |
CN114636219A (zh) * | 2022-03-18 | 2022-06-17 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调 |
CN114998931A (zh) * | 2022-05-31 | 2022-09-02 | 中国科学院半导体研究所 | 学习状态下的不良习惯监测方法、装置、设备及程序产品 |
CN115083020A (zh) * | 2022-07-22 | 2022-09-20 | 海易科技(北京)有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN115083020B (zh) * | 2022-07-22 | 2022-11-01 | 海易科技(北京)有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613440A (zh) | 一种姿态检测的方法、装置、电子设备及存储介质 | |
WO2018233398A1 (zh) | 学习监控方法、装置及电子设备 | |
CN109685007B (zh) | 用眼习惯的预警方法、用户设备、存储介质及装置 | |
KR101775974B1 (ko) | 학생 수업태도 분석 시스템 및 분석 방법 | |
CN112613780B (zh) | 一种学习报告生成的方法、装置、电子设备及存储介质 | |
CN110490173B (zh) | 一种基于3d体感模型的智能动作打分*** | |
US20150279220A1 (en) | Method and system for analyzing exam-taking behavior and improving exam-taking skills | |
CN110648509B (zh) | 生成提示信息的方法、装置和*** | |
CN111160277A (zh) | 行为识别分析方法和***、计算机可读存储介质 | |
KR101955583B1 (ko) | 뇌전도 신호와 가상현실을 이용한 학습 보조 장치 및 그 방법 | |
CN114926889B (zh) | 作业提交方法、装置、电子设备和存储介质 | |
CN112883851A (zh) | 学习状态检测方法、装置、电子设备及存储介质 | |
CN112613444A (zh) | 一种行为检测的方法、装置、电子设备及存储介质 | |
CN115937961A (zh) | 一种线上学习识别方法及设备 | |
WO2022070747A1 (ja) | アシストシステム、アシスト方法、およびアシストプログラム | |
CN113570227A (zh) | 一种在线教育质量评估方法、***、终端及存储介质 | |
TWI536331B (zh) | Hard pen calligraphy learning analysis method | |
Sakthivel et al. | Online Education Pedagogy Approach | |
CN113128421A (zh) | 学习状态检测方法、***、学习终端、服务器及电子设备 | |
CN112528790A (zh) | 基于行为识别的教学管理方法、装置及服务器 | |
Takahashi et al. | Improvement of detection for warning students in e-learning using web cameras | |
CN114557544B (zh) | 一种具有多种功能的学习桌的使用方法 | |
KR102577559B1 (ko) | 온라인 학습 집중도 측정 장치 및 방법 | |
CN113656624B (zh) | 一种基于增强现实的教学设备控制方法、***和存储介质 | |
CN116996722B (zh) | 一种5g网络环境下虚拟同步课堂教学***及其工作方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |
|
RJ01 | Rejection of invention patent application after publication |