【技术实现步骤摘要】
一种用于复杂多人场景的人体姿态判定方法及系统
本专利技术属于模式识别和人工智能
,具体涉及一种鲁棒的人体姿态判定方法,特别涉及一种用于复杂多人场景的人体姿态判定方法及系统。
技术介绍
视频监控设备广泛部署在了各种公共场所,如:幼儿园、养老院、车站、商场等。这些设备在日常运行中会产生海量的监控数据,仅靠人工监视视频场景的方式显然不切实际。监控场景中人体姿态的语义描述,即判定不同的人体姿态,可以帮助人们快速了解场景中个体的状态以及发生的事件,对实时检测意外和突发状况意义重大。传统的人工监控方式不仅效率低下,而且难以及时对于一些突发状况做出迅速的反应,随着人工智能以及模式识别技术的发展,出现了一些人体姿态的识别方法。根据是否将人体视为“连杆”模型,人体姿态识别方法大致可以分为两类:基于视频特征提取的方法和基于人体关键点提取的方法。下面将对这两类方法进行展开讨论。在基于视频特征提取的方法中,文献“Actionrecognitionbydensetrajectories[C].IEEEConferenceonComputerVisionandPatternRecognition”提出利用光流场跟踪密集的采样点来获得人体运动的轨迹,进而完成人体姿态的识别。该方法为获取人体运动轨迹需要实时跟踪采样点,而在出现行人交错的场景,这种跟踪很容易出错。文献“HumanposturerecognitionbasedonprojectionhistogramandSupportVectorMachine”利用椭圆拟合人体 ...
【技术保护点】
1.一种用于复杂多人场景的人体姿态判定方法,其特征在于,所述方法包括以下步骤:/n步骤1,检测人体关键点,并划分关键点集合;/n步骤2,提取各集合中人体关键点几何分布的统计特征;/n步骤3,根据统计特征判定人体姿态。/n
【技术特征摘要】
1.一种用于复杂多人场景的人体姿态判定方法,其特征在于,所述方法包括以下步骤:
步骤1,检测人体关键点,并划分关键点集合;
步骤2,提取各集合中人体关键点几何分布的统计特征;
步骤3,根据统计特征判定人体姿态。
2.根据权利要求1所述的用于复杂多人场景的人体姿态判定方法,其特征在于,步骤1所述检测人体关键点,并划分关键点集合,具体过程包括:
步骤1-1,构建样本训练集,该集合包括标注好人体关键点的若干人体图像;
步骤1-2,利用所述样本训练集训练深度卷积神经网络;
步骤1-3,利用训练好的深度卷积神经网络检测待检测人体图像中的关键点;
步骤1-4,划分关键点集合,具体为:
剔除非人体躯干的关键点,包括手部,形成全身关键点集合;
将人体躯干关键点划分为上半身关键点集合、下半身关键点集合、左臂关键点集合和右臂关键点集合;
将下半身关键点继续划分为左腿关键点集合、右腿关键点集合、左侧大腿关键点集合以及右侧大腿关键点集合。
3.根据权利要求1或2所述的用于复杂多人场景的人体姿态判定方法,其特征在于,步骤2所述提取各集合中人体关键点几何分布的统计特征,具体过程包括:
步骤2-1-1,计算各关键点集合的凸包;
步骤2-1-2,从构成凸包的关键点中找出距离最大的两个关键点;
步骤2-1-3,计算所述两个关键点连线沿顺时针方向旋转与水平方向的夹角,作为该凸包的水平角度。
4.根据权利要求3所述的用于复杂多人场景的人体姿态判定方法,其特征在于,步骤3所述根据统计特征判定人体姿态,具体为:根据各关键点集合凸包的水平角度,判定手臂、腿部以及全身的姿态:
假设全身关键点集合凸包的水平夹角为α0;上半身关键点集合凸包水平夹角为α1;下半身关键点集合凸包的水平夹角为α2;左臂关键点集合凸包的水平夹角为α3;右臂关键点集合凸包的水平夹角为α4;左腿关键点集合凸包的水平夹角为α5;右腿关键点集合凸包的水平夹角为α6;左侧大腿关键点集合凸包的水平夹角为α7;右侧大腿关键点集合凸包的水平夹角为α8;
若|tanα3|∈(a3,b3)或|tanα4|∈(a3,b3),则判定为抬臂姿态;若|tanα5|∈(a5,b5)或|tanα6|∈(a5,b5),则判定为踢腿姿态;若|tanα0|∈(a0,b0)、|tanα1|∈(a1,b1)且|tanα2|∈(a2,b2),则判定为站立姿态;若|tanα7|∈[a7,b7]或|tanα8|∈[a7,b7],则判定为蹲坐姿态;若|tanα0|∈[c0,d0]、|tanα1|∈[c1,d1]且|tanα2|∈[c2,d2],则判定为平躺姿态。
5.根据权利要求1或2所述的用于复杂多人场景的人体姿态判定方法,其特征在于,步骤2所述提取各集合中人体关键点几何分布的统计特征,具体过程包括:
步骤2-2-1,计算各关键点集合的最小外接矩形;
步骤2-2-2,分别计算最小外接矩形的长边和短边沿顺时针方向旋转与水平方向构成的夹角;
步骤2-2-3,取两个夹角中的较小值作为最小外接矩形的旋转角度。
6.根据权利要求5所述的用于复杂多人场景的人体姿态判定方法,其特征在于,步骤3所述根据统计特征判定人体姿态,具体为:根据各关键点集合最小外接矩形的旋转角度,判定手臂、腿部以及全身的姿态:
假设全身关键点集合最小外接矩形的水平夹角为β0;上半身关键点集合最小外接矩形水平夹角为β1;下半身关键点集合最小外接矩形的水平夹角为β2;左臂关键点集合最小外接矩形的水平夹角为β3;右臂关键点集合最小外接矩形的水平夹角为β4;左腿关键点集合最小外接矩形的水平夹角为β5;右腿关键点集合最小外接矩形的水平夹角为β6;左侧大腿关键点集合最小外接矩形的水平夹角为β7;右侧大腿关键点集合最小外接矩形的水平夹角为β8;
若或则判定为抬臂姿态;若或则判定为踢腿姿态;若且则判定为站立姿态;若β1|∈[λ1,γ1],则判定为弯腰姿态;若或则判定为蹲坐姿...
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。