CN113989936A - 一种可识别儿童坐姿并自动语音纠正的台灯 - Google Patents
一种可识别儿童坐姿并自动语音纠正的台灯 Download PDFInfo
- Publication number
- CN113989936A CN113989936A CN202111289371.2A CN202111289371A CN113989936A CN 113989936 A CN113989936 A CN 113989936A CN 202111289371 A CN202111289371 A CN 202111289371A CN 113989936 A CN113989936 A CN 113989936A
- Authority
- CN
- China
- Prior art keywords
- spine
- sitting posture
- posture
- desk lamp
- child
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F21—LIGHTING
- F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
- F21V33/00—Structural combinations of lighting devices with other articles, not otherwise provided for
- F21V33/0004—Personal or domestic articles
- F21V33/0052—Audio or video equipment, e.g. televisions, telephones, cameras or computers; Remote control devices therefor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F21—LIGHTING
- F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
- F21V33/00—Structural combinations of lighting devices with other articles, not otherwise provided for
- F21V33/0004—Personal or domestic articles
- F21V33/0052—Audio or video equipment, e.g. televisions, telephones, cameras or computers; Remote control devices therefor
- F21V33/0056—Audio equipment, e.g. music instruments, radios or speakers
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及坐姿纠正,具体涉及一种可识别儿童坐姿并自动语音纠正的台灯,包括台灯本体,安装在台灯本体上的双目摄像头,基于采集图像识别儿童坐姿的坐姿识别模块,基于采集图像对儿童脊柱进行检测的脊柱检测模块,控制器,以及语音提示模块,坐姿识别模块利用卷积滤波器对采集图像进行矩阵运算,形成特征图,并对相似特征合并进行降维,输入全连接层后得到坐姿识别结果,脊柱检测模块基于对采集图像进行深度识别、身体识别、头部识别分别获取深度信息、关键点信息、头部姿态信息,并计算得到脊柱姿态参数;本发明提供的技术方案能够有效克服现有技术所存在的对人体坐姿多样性的适应性较差、坐姿识别准确度较低的缺陷。
Description
技术领域
本发明涉及坐姿纠正,具体涉及一种可识别儿童坐姿并自动语音纠正的台灯。
背景技术
随着我国不断发展,儿童教育日益受到社会重视,学习方式也由单一的在校学习拓展到居家在线学习、居家线下学习等多种方式。儿童在日常学习过程中需要长时间静坐,而长时间保持不良坐姿将会导致人体亚健康以及许多慢性疾病。因此,对坐姿进行持续性地监测,并及时纠正提醒,有助于避免以不良坐姿长时间静坐而导致颈椎等部位受到伤害,特别是针对尚未发育完全的儿童,更需要对不良坐姿进行及时纠正提醒。
但是儿童的自律性一般欠佳,家长精力亦有限,如何对儿童坐姿进行持续性监测识别成为纠正提醒的关键。国内外对于坐姿的识别研究从很早就已经开始了,基于对人体姿态识别以及运动检测的经验,在座椅上放置一些压电类的传感器,通过对传感器采集数据进行分析来识别人体坐姿,这种方法容易受到诸如环境噪声、偏移和串扰等外界不稳定因素的影响,而且压力分布不仅与坐姿有关,同时体重以及与座椅的接触面积等都会影响传感器采集数据无规律变化,检测识别精度较低。
近几年随着计算机视觉技术的发展,基于视觉和图像处理技术的坐姿识别方法层出不穷,有些利用视频中人脸所占区域大小和位置关系来识别坐姿,也有利用深度传感器采集人体骨骼信息,并根据骨骼节点角度来识别坐姿,还有一些采集大量人体坐姿信息,利用机器学习训练坐姿识别模型,进而识别坐姿。但是,上述坐姿识别方法对人体坐姿多样性的适应性较差,目前的坐姿识别方法都是在较为理想的坐姿动作下进行识别的,真实的人体坐姿复杂多样,识别方法的适应能力和鲁棒性依然是目前研究的热点。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种可识别儿童坐姿并自动语音纠正的台灯,能够有效克服现有技术所存在的对人体坐姿多样性的适应性较差、坐姿识别准确度较低的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种可识别儿童坐姿并自动语音纠正的台灯,包括台灯本体,安装在台灯本体上的双目摄像头,基于采集图像识别儿童坐姿的坐姿识别模块,基于采集图像对儿童脊柱进行检测的脊柱检测模块,控制器,以及语音提示模块;
所述坐姿识别模块利用卷积滤波器对采集图像进行矩阵运算,形成特征图,并对相似特征合并进行降维,输入全连接层后得到坐姿识别结果;
所述脊柱检测模块基于对采集图像进行深度识别、身体识别、头部识别分别获取深度信息、关键点信息、头部姿态信息,通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数;
所述控制器结合坐姿识别结果、脊柱姿态参数对儿童坐姿进行综合分析,并基于综合分析结果控制语音提示模块进行自动语音纠正。
优选地,所述坐姿识别模块基于采集图像识别儿童坐姿,包括:
利用卷积层中的卷积滤波器将输入采集图像分解为像素矩阵,卷积滤波器作为权值矩阵在输入采集图像上滑动,并对滑过区域的像素矩阵进行矩阵乘法运算,输出单个像素值形成特征图;
卷积层提取特征后,在池化层计算一个区域的最大值或平均值,并对相似特征合并进行降维;
重复上述卷积池化过程,将结果连接成一个向量输入至全连接层,最终得到坐姿识别结果。
优选地,所述卷积滤波器按照从上到下、从左到右的方向在输入采集图像上滑动。
优选地,所述坐姿识别模块中设有基于采集图像识别儿童坐姿的卷积神经网络,所述卷积神经网络包括卷积层、池化层、全连接层和输出层,所述卷积层、池化层构成特征抽取器。
优选地,所述脊柱检测模块基于对采集图像进行深度识别获取深度信息,包括:
使用深度学习视差网络计算得到采集图像中左、右视图的视差图像;
根据物体视差与实际物体距离图像拍摄距离之间的线性转换关系,将得到的视差图像转换为包含深度信息的深度图像。
优选地,所述脊柱检测模块基于对采集图像进行身体识别获取关键点信息,包括:
对采集图像中人体全身的关键点进行识别,从识别出的关键点中选取出所需稠密关键点,得到关键点信息。
优选地,所述脊柱检测模块基于对采集图像进行头部识别获取头部姿态信息,包括:
基于采集图像对人体头部位置进行识别,并用矩形框标示;
根据识别出的人体头部位置,利用深度学习网络进行识别得到头部姿态及视线方向,并用坐标系的形式表示。
优选地,所述脊柱检测模块通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数,包括:
将图像拍摄点正对人体,根据深度信息和关键点信息,将二维坐标转换为桌面坐标系下的三维坐标,得到人体关键点的三维坐标;
通过数学拟合将人体脊柱关键点的三维坐标拟合成空间线段,并结合头部姿态信息计算得到脊柱姿态参数。
优选地,所述脊柱姿态参数包括脊柱前倾角参数、脊柱侧倾角参数和脊柱转向角参数,所述脊柱前倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体正面所处平面之间的夹角;
所述脊柱侧倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体侧面所处平面之间的夹角;
所述脊柱转向角参数基于深度信息获取人体双肩关键点的三维坐标,并结合人体双肩关键点的距离差进行计算。
优选地,所述控制器结合坐姿识别结果、脊柱姿态参数进行综合分析,判断儿童坐姿是否落入错误坐姿,以及落入错误坐姿的种类,并基于落入错误坐姿的种类控制语音提示模块进行语音纠正。
(三)有益效果
与现有技术相比,本发明所提供的一种可识别儿童坐姿并自动语音纠正的台灯,一方面通过坐姿识别模块利用卷积滤波器对采集图像进行矩阵运算,形成特征图,并对相似特征合并进行降维,输入全连接层后得到坐姿识别结果;另一方面通过脊柱检测模块基于对采集图像进行深度识别、身体识别、头部识别分别获取深度信息、关键点信息、头部姿态信息,并计算得到脊柱姿态参数,同时结合坐姿识别结果、脊柱姿态参数对儿童坐姿进行综合分析,能够有效提升对人体坐姿多样性的适应能力,并且能够保证坐姿识别的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明中通过坐姿识别模块得到坐姿识别结果的示意图;
图2为本发明中通过脊柱检测模块计算得到脊柱姿态参数的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种可识别儿童坐姿并自动语音纠正的台灯,如图1和图2所示,包括台灯本体,安装在台灯本体上的双目摄像头,基于采集图像识别儿童坐姿的坐姿识别模块,基于采集图像对儿童脊柱进行检测的脊柱检测模块,控制器,以及语音提示模块;
坐姿识别模块利用卷积滤波器对采集图像进行矩阵运算,形成特征图,并对相似特征合并进行降维,输入全连接层后得到坐姿识别结果;
脊柱检测模块基于对采集图像进行深度识别、身体识别、头部识别分别获取深度信息、关键点信息、头部姿态信息,通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数;
控制器结合坐姿识别结果、脊柱姿态参数对儿童坐姿进行综合分析,并基于综合分析结果控制语音提示模块进行自动语音纠正。
坐姿识别模块基于采集图像识别儿童坐姿,包括:
利用卷积层中的卷积滤波器将输入采集图像分解为像素矩阵,卷积滤波器作为权值矩阵在输入采集图像上滑动(卷积滤波器按照从上到下、从左到右的方向滑动),并对滑过区域的像素矩阵进行矩阵乘法运算,输出单个像素值形成特征图;
卷积层提取特征后,在池化层计算一个区域的最大值或平均值,并对相似特征合并进行降维;
重复上述卷积池化过程(一般重复3个卷积池化过程),将结果连接成一个向量输入至全连接层,最终得到坐姿识别结果。
坐姿识别模块中设有基于采集图像识别儿童坐姿的卷积神经网络,卷积神经网络包括卷积层、池化层、全连接层和输出层,卷积层、池化层构成特征抽取器。
①脊柱检测模块基于对采集图像进行深度识别获取深度信息,包括:
使用深度学习视差网络计算得到采集图像中左、右视图的视差图像;
根据物体视差与实际物体距离图像拍摄距离之间的线性转换关系,将得到的视差图像转换为包含深度信息的深度图像。
②脊柱检测模块基于对采集图像进行身体识别获取关键点信息,包括:
对采集图像中人体全身的关键点进行识别,从识别出的关键点中选取出所需稠密关键点,得到关键点信息。
③脊柱检测模块基于对采集图像进行头部识别获取头部姿态信息,包括:
基于采集图像对人体头部位置进行识别,并用矩形框标示;
根据识别出的人体头部位置,利用深度学习网络进行识别得到头部姿态及视线方向,并用坐标系的形式表示。
④脊柱检测模块通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数,包括:
将图像拍摄点正对人体,根据深度信息和关键点信息,将二维坐标转换为桌面坐标系下的三维坐标,得到人体关键点的三维坐标;
通过数学拟合将人体脊柱关键点的三维坐标拟合成空间线段,并结合头部姿态信息计算得到脊柱姿态参数。
其中,脊柱姿态参数包括脊柱前倾角参数、脊柱侧倾角参数和脊柱转向角参数。脊柱前倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体正面所处平面之间的夹角;脊柱侧倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体侧面所处平面之间的夹角;脊柱转向角参数基于深度信息获取人体双肩关键点的三维坐标,并结合人体双肩关键点的距离差进行计算。
本申请技术方案中,控制器结合坐姿识别结果、脊柱姿态参数进行综合分析,能够有效提升对人体坐姿多样性的适应能力,并且能够判断儿童坐姿是否落入错误坐姿(低头、歪头、趴在桌子上、高低肩等),以及落入错误坐姿的种类,同时基于落入错误坐姿的种类控制语音提示模块进行语音纠正。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种可识别儿童坐姿并自动语音纠正的台灯,其特征在于:包括台灯本体,安装在台灯本体上的双目摄像头,基于采集图像识别儿童坐姿的坐姿识别模块,基于采集图像对儿童脊柱进行检测的脊柱检测模块,控制器,以及语音提示模块;
所述坐姿识别模块利用卷积滤波器对采集图像进行矩阵运算,形成特征图,并对相似特征合并进行降维,输入全连接层后得到坐姿识别结果;
所述脊柱检测模块基于对采集图像进行深度识别、身体识别、头部识别分别获取深度信息、关键点信息、头部姿态信息,通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数;
所述控制器结合坐姿识别结果、脊柱姿态参数对儿童坐姿进行综合分析,并基于综合分析结果控制语音提示模块进行自动语音纠正。
2.根据权利要求1所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述坐姿识别模块基于采集图像识别儿童坐姿,包括:
利用卷积层中的卷积滤波器将输入采集图像分解为像素矩阵,卷积滤波器作为权值矩阵在输入采集图像上滑动,并对滑过区域的像素矩阵进行矩阵乘法运算,输出单个像素值形成特征图;
卷积层提取特征后,在池化层计算一个区域的最大值或平均值,并对相似特征合并进行降维;
重复上述卷积池化过程,将结果连接成一个向量输入至全连接层,最终得到坐姿识别结果。
3.根据权利要求2所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述卷积滤波器按照从上到下、从左到右的方向在输入采集图像上滑动。
4.根据权利要求2所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述坐姿识别模块中设有基于采集图像识别儿童坐姿的卷积神经网络,所述卷积神经网络包括卷积层、池化层、全连接层和输出层,所述卷积层、池化层构成特征抽取器。
5.根据权利要求1所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述脊柱检测模块基于对采集图像进行深度识别获取深度信息,包括:
使用深度学习视差网络计算得到采集图像中左、右视图的视差图像;
根据物体视差与实际物体距离图像拍摄距离之间的线性转换关系,将得到的视差图像转换为包含深度信息的深度图像。
6.根据权利要求5所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述脊柱检测模块基于对采集图像进行身体识别获取关键点信息,包括:
对采集图像中人体全身的关键点进行识别,从识别出的关键点中选取出所需稠密关键点,得到关键点信息。
7.根据权利要求6所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述脊柱检测模块基于对采集图像进行头部识别获取头部姿态信息,包括:
基于采集图像对人体头部位置进行识别,并用矩形框标示;
根据识别出的人体头部位置,利用深度学习网络进行识别得到头部姿态及视线方向,并用坐标系的形式表示。
8.根据权利要求7所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述脊柱检测模块通过对深度信息、关键点信息、头部姿态信息进行计算得到脊柱姿态参数,包括:
将图像拍摄点正对人体,根据深度信息和关键点信息,将二维坐标转换为桌面坐标系下的三维坐标,得到人体关键点的三维坐标;
通过数学拟合将人体脊柱关键点的三维坐标拟合成空间线段,并结合头部姿态信息计算得到脊柱姿态参数。
9.根据权利要求8所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述脊柱姿态参数包括脊柱前倾角参数、脊柱侧倾角参数和脊柱转向角参数,所述脊柱前倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体正面所处平面之间的夹角;
所述脊柱侧倾角参数为人体脊柱关键点的三维坐标拟合成的空间线段与人体侧面所处平面之间的夹角;
所述脊柱转向角参数基于深度信息获取人体双肩关键点的三维坐标,并结合人体双肩关键点的距离差进行计算。
10.根据权利要求1所述的可识别儿童坐姿并自动语音纠正的台灯,其特征在于:所述控制器结合坐姿识别结果、脊柱姿态参数进行综合分析,判断儿童坐姿是否落入错误坐姿,以及落入错误坐姿的种类,并基于落入错误坐姿的种类控制语音提示模块进行语音纠正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289371.2A CN113989936A (zh) | 2021-11-02 | 2021-11-02 | 一种可识别儿童坐姿并自动语音纠正的台灯 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289371.2A CN113989936A (zh) | 2021-11-02 | 2021-11-02 | 一种可识别儿童坐姿并自动语音纠正的台灯 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989936A true CN113989936A (zh) | 2022-01-28 |
Family
ID=79745865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111289371.2A Pending CN113989936A (zh) | 2021-11-02 | 2021-11-02 | 一种可识别儿童坐姿并自动语音纠正的台灯 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989936A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973423A (zh) * | 2022-07-28 | 2022-08-30 | 聊城市飓风工业设计有限公司 | 用于儿童学习桌的坐姿监测的警示方法及*** |
CN117558457A (zh) * | 2024-01-11 | 2024-02-13 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理***中客户画像分析方法 |
-
2021
- 2021-11-02 CN CN202111289371.2A patent/CN113989936A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973423A (zh) * | 2022-07-28 | 2022-08-30 | 聊城市飓风工业设计有限公司 | 用于儿童学习桌的坐姿监测的警示方法及*** |
CN114973423B (zh) * | 2022-07-28 | 2022-10-25 | 聊城市飓风工业设计有限公司 | 用于儿童学习桌的坐姿监测的警示方法及*** |
CN117558457A (zh) * | 2024-01-11 | 2024-02-13 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理***中客户画像分析方法 |
CN117558457B (zh) * | 2024-01-11 | 2024-03-26 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理***中客户画像分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989936A (zh) | 一种可识别儿童坐姿并自动语音纠正的台灯 | |
CN105005999B (zh) | 一种基于计算机立体视觉面向导盲仪的障碍物探测方法 | |
CN101788848B (zh) | 用于视线追踪***的眼部特征参数检测方法 | |
CN108898063B (zh) | 一种基于全卷积神经网络的人体姿态识别装置及方法 | |
CN109785396B (zh) | 基于双目相机的写字姿态监测方法、***、装置 | |
CN107169453B (zh) | 一种基于深度传感器的坐姿检测方法 | |
CN213423969U (zh) | 基于姿态识别的智能座椅控制装置 | |
CN112308932B (zh) | 一种注视检测方法、装置、设备及存储介质 | |
WO2014042121A1 (ja) | 動作評価装置及びそのプログラム | |
CN110555408B (zh) | 一种基于自适应映射关系的单摄像头实时三维人体姿态检测方法 | |
CN113065532B (zh) | 一种基于rgbd图像的坐姿几何参数检测方法及*** | |
CN105740780A (zh) | 人脸活体检测的方法和装置 | |
CN111881888A (zh) | 基于姿态识别的智能桌控制方法及装置 | |
CN111091046A (zh) | 一种基于机器视觉的用户不良坐姿矫正*** | |
CN111881886A (zh) | 基于姿态识别的智能座椅控制方法及装置 | |
CN104751146A (zh) | 一种基于3d点云图像的室内人体检测方法 | |
CN114529605A (zh) | 一种基于多视图融合的人体三维姿态估计方法 | |
Bei et al. | Sitting posture detection using adaptively fused 3D features | |
WO2022042203A1 (zh) | 一种人体关键点的检测方法及装置 | |
CN112232128B (zh) | 基于视线追踪的老年残障人士照护需求识别方法 | |
CN109271918A (zh) | 基于重心偏移模型区分平衡能力障碍人群的方法 | |
CN115661862A (zh) | 一种基于压力视觉卷积模型的坐姿样本集自动标注方法 | |
CN112990089A (zh) | 一种判断人体运动姿态的方法 | |
CN111709365A (zh) | 一种基于卷积神经网络的人体运动姿态自动检测方法 | |
CN110477921B (zh) | 基于骨架折线Ridge回归的身高测量方法 |
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 |