The invention relates to a sitting posture detection method based on target detection and human body posture estimation, belonging to the technical field of image processing and computer vision. Firstly, the fusion features formed by the fusion of feature I and feature II are extracted, and the fused features are input into CNN. If the fusion features come from the training set, they are used to train the network parameters; if the fusion features come from the verification set, they are used to verify the network parameters, and the error signals are transmitted through the back propagation algorithm to update the ladder. Degree, find the optimal value, use the flexible maximum activation function Softmax to do classification regression, get the final classification results and classification accuracy. The invention solves the problem of target loss in the existing sitting posture detection under the condition of complex multi-target, abandons the traditional method of relying on wearable equipment or sensors, and adopts a method based on target detection and human posture estimation, so that each task target can be accurately determined under the condition of complex background and dense crowd. Sitting position.
【技术实现步骤摘要】
基于目标检测和人体姿态估计的坐姿检测方法
本专利技术属于图像处理与计算机视觉
,涉及一种基于目标检测和人体姿态估计的坐姿检测方法。
技术介绍
随着人工智能技术的进一步发展,深度学习技术也已经得到了越来越多的关注。无人驾驶汽车、智能家居系统等这些伴随着人工智能技术而火热起来的产业也在无时不刻地改变着人们的生活方式与生产方式,机器取代人类,解放生产力在各行各业都有着广泛的应用。校园中的教学、管理方式也应当搭乘深度学习这一“顺风车”,去改善教育工作者的工作。之前,人们去评估一名教师的教学效果,都是由专门的教学督导去各个教室巡查,这样不仅费时费力,而且还有可能出现遗漏的状况。现在,我们可以充分利用广泛分布于各个教室的视频监控系统,运用人工智能技术,来对每堂课的教学效果进行智能分析,充分利用现有的设备资源。因此,如何利用人工智能和机器视觉技术并结合校园内广泛分布的监控设备进行智能分析,并提供实时可靠的信息具有重要意义。结合现有的视频监控系统,基于目标检测和人体姿态估计的坐姿检测方法的提出对在校学生的教学管理工作具有特殊的解释意义,主要可以运用于在教室中对学生姿态的检测与定位。这包括了以下两个方面:一方面,如果一名教师的课堂是生动有趣的,那么就足以吸引所有的学生都抬头听课,跟着教师的节奏走。但是,如果听课的学生中出现了趴在课桌上走神、睡觉的情况,就可以说明这名教师的教学质量不佳,需要改善自己的教学方式。通用的方法主要可以分为基于环境布设传感器、基于可穿戴设备和基于单人摄像头的方法,这些方法不仅不能对多目标进行实时在线检测,而且成本高昂,并没有多大优势。专利技术内 ...
【技术保护点】
1.基于目标检测和人体姿态估计的坐姿检测方法,其特征在于,利用卷积神经网络CNN进行坐姿检测,且输入到CNN中的融合特征提取包括如下步骤:S1:对原始图像进行人工标注,标注信息包括包围框Bounding Box、坐姿类别和关节点坐标;S2:将原始图像输入到目标检测网络,利用Bounding Box信息截取出单人目标图像;S3:将单人目标图像按坐姿类别进行关节点标记,再将标记的单人目标图像输入到卷积神经网络,提取最后一个卷积层输出的深度神经网络特征作为特征I;S4:将关节点坐标信息和Bounding Box信息输入到多人姿态估计网络,然后对原始图像做多人姿态估计,并将多人姿态估计图截取为单人人体骨架图;S5:将单人人体骨架图输入到卷积神经网络,提取最后一个卷积层输出的深度神经网络特征作为特征II;S6:将特征I和特征II进行融合。
【技术特征摘要】
1.基于目标检测和人体姿态估计的坐姿检测方法,其特征在于,利用卷积神经网络CNN进行坐姿检测,且输入到CNN中的融合特征提取包括如下步骤:S1:对原始图像进行人工标注,标注信息包括包围框BoundingBox、坐姿类别和关节点坐标;S2:将原始图像输入到目标检测网络,利用BoundingBox信息截取出单人目标图像;S3:将单人目标图像按坐姿类别进行关节点标记,再将标记的单人目标图像输入到卷积神经网络,提取最后一个卷积层输出的深度神经网络特征作为特征I;S4:将关节点坐标信息和BoundingBox信息输入到多人姿态估计网络,然后对原始图像做多人姿态估计,并将多人姿态估计图截取为单人人体骨架图;S5:将单人人体骨架图输入到卷积神经网络,提取最后一个卷积层输出的深度神经网络特征作为特征II;S6:将特征I和特征II进行融合。2.如权利要求1所述的基于目标检测和人体姿态估计的坐姿检测方法,其特征在于,还包括步骤S7:将融合后的特征输入CNN中,若融合特征来自于训练集,则用于训练网络参数;若融合特征来自验证集,则用于验证网络参数,并通过反向传播算法传递误差信号,更新梯度,寻找最优值,利用柔性最大激活函数Softmax做分类回归,得到最终的分类结果和分类准确率。3.如权利要求1所述的基于目标检测和人体姿态估计的坐姿检测方法,其特征在于,步骤S2具体包括:所述目标检测网络采用FasterRCNN网络,FasterRCNN网络由一个候选区域网络RPN和一个FastRCNN网络组成级联网络;在第一个阶段利用RPN在原始图像中选择出推荐区域,在第二个阶段利用FastRCNN对推荐区域内的目标进一步细分,截取出单人目标图像。4.如权利要求3所述的基于目标检测和人体姿态估计的坐姿检测方法,其特征在于,所述利用RPN在原始图像中选择推荐区域,具体包括:对人工标注的BoundingBox包围区域进行采样,且采样区域为正样本区域时选择该采样区域为推荐区域;所述正样本区域是指采样区域与BoundingBox包围区域的重叠率大于阈值时,该采样区域为正样本区域,阈值为0.6~0.9。5.如权利要求4所述的基于目...
【专利技术属性】
技术研发人员:高陈强,汤林,陈旭,汪澜,韩慧,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。