一种人体坐姿实时监测系统以及监测方法技术方案

本发明专利技术实施例涉及一种人体坐姿实时监测系统以及监测方法。本发明专利技术实施例的人体坐姿实时监测方法首先使用视频采集模块实时采集人体坐姿图像；然后针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；接着将所生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送警示触发信号；最后在接收到发送的所述警示触发信号时，向用户发送警示信号以提醒用户改变坐姿。本发明专利技术可简单、准确高效地监测坐姿。准确高效地监测坐姿。准确高效地监测坐姿。

【技术实现步骤摘要】
一种人体坐姿实时监测系统以及监测方法


[0001]本专利技术实施例涉及人体坐姿监测领域，具体涉及一种人体坐姿实时监测系统以及监测方法。

技术介绍

[0002]各行各业尤其是学生、程序开发人员、文字工作者，在计算机或者桌面上的工作时间越来越长，这种情况下不良的坐姿对颈肩腰椎都会产生很大影响，容易导致多种疾病的发生。青少年接触计算机的年龄越来越小，保持良好的坐姿对于青少年的成长发育以及保护视力也都大有裨益。在工作强度越来越大、休息锻炼时间越来越少的今天，如何保持正确坐姿就变得非常有必要了。
[0003]因此，需要一种简单易行的人体坐姿实时监测系统以及监测方法，以准确高效地监测坐姿，当坐姿不良时能适当提醒，以避免长期坐姿不良造成身体上、视力上的损伤。

技术实现思路

[0004]为了解决现有技术存在的问题，本专利技术的至少一个实施例提供了一种人体坐姿实时监测系统以及监测方法。
[0005]第一方面，本专利技术实施例提出一种人体坐姿实时监测方法，包括：步骤一、使用视频采集模块实时采集人体坐姿图像；步骤二、针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；步骤三、将所生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送警示触发信号；以及步骤四、在接收到发送的所述警示触发信号时，向用户发送警示信号以提醒用户改变坐姿。
[0006]在一些实施例中，步骤二中的深度学习目标检测模型包括YoloV4神经网络以及YoloV5神经网络。
[0007]在一些实施例中，所述步骤三中的所述姿态估计器基于AlphaPose模型，AlphaPose模型由SSTN网络以及Pose
‑
NMS构成，SSTN网络由STN、SPPE和SDTN组成；其中STN为空间变换网络，其对于不准确的输入，得到准确的针对人的检测框；SPPE用于进行姿态估计从而得到估计的姿态；SDTN为空间逆变换网络，将估计的姿态映射回原始的图像坐标；Pose
‑
NMS用于消除额外的估计到的姿态，去除冗余姿态。
[0008]在一些实施例中，所述步骤三中的将所生成的骨架图与标准正常坐姿的骨架图相比较包括将所生成的骨架图输入完成训练的分类器，所述完成训练的分类器将所生成的骨架图与标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿的骨架图相比较，并在骨架图与其中一个标准坐姿骨架图的差异不超出预定偏差时，分别输
出标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿中的对应一个标准坐姿标识码作为当前坐姿标识码并进行相应记录，由判断单元在所述分类器输出标准正常坐姿标识码超过预定时间时，发送所述警示触发信号。
[0009]在一些实施例中，所述完成训练的分类器为完成训练的Softmax分类器，将训练骨架图及其分类标识码输入Softmax分类器，通过反向传播BP算法训练Softmax分类器，并在验证集上进行调整和验证，得到完成训练的Softmax分类器；将所生成的骨架图输入完成训练的Softmax分类器，由所述Softmax分类器输出当前坐姿分类标识码，得到对应用户的当前坐姿状态。
[0010]第二方面，本专利技术实施例还提供一种人体坐姿实时监测系统，包括：视频采集模块，其用于实时采集人体坐姿图像；坐姿生成模块，其用于针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；坐姿判断模块，其用于将所述坐姿生成模块生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送触发信号；以及警示模块，其在接收到所述坐姿判断模块发送的触发信号时，向用户发送警示信号以提醒用户改变坐姿。
[0011]在一些实施例中，所述深度学习目标检测模型包括YoloV4神经网络以及YoloV5神经网络。
[0012]在一些实施例中，所述姿态估计器基于AlphaPose模型，AlphaPose模型由SSTN网络以及Pose
‑
NMS构成，SSTN网络由STN、SPPE和SDTN组成；其中STN为空间变换网络，其对于不准确的输入，得到准确的针对人的检测框；SPPE用于进行姿态估计从而得到估计的姿态；SDTN为空间逆变换网络，将估计的姿态映射回原始的图像坐标；Pose
‑
NMS用于消除额外的估计到的姿态，去除冗余姿态。
[0013]在一些实施例中，所述坐姿判断模块包括分类器以及判断单元，完成训练的分类器接收所生成的骨架图，并将所生成的骨架图与标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿的骨架图相比较，并在骨架图与其中一个标准坐姿骨架图的差异不超出预定偏差时，分别输出标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿中的对应一个标准坐姿标识码作为当前坐姿标识码并进行相应记录，所述判断单元在输出标准正常坐姿标识码超过预定时间时，发送所述警示触发信号。
[0014]在一些实施例中，所述完成训练的分类器为完成训练的Softmax分类器，将训练骨架图及其分类标识码输入Softmax分类器，通过反向传播BP算法训练Softmax分类器，并在验证集上进行调整和验证，得到完成训练的Softmax分类器；将得到的骨架图输入完成训练的Softmax分类器，所述Softmax分类器输出当前坐姿分类标识码，得到对应用户的当前坐姿状态。
[0015]与现有技术中并无有效的人体坐姿监测手段相比，本专利技术实施例的人体坐姿实时监测方法首先使用视频采集模块实时采集人体坐姿图像；然后针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对
所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；接着将所生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送警示触发信号；最后在接收到发送的所述警示触发信号时，向用户发送警示信号以提醒用户改变坐姿。本专利技术可简单、准确高效地监测坐姿，当坐姿不良时能适当提醒，以避免长期坐姿不良造成身体上、视力上的损伤。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的一种人体坐姿实时监测系统的组成结构示意图；图2为由图1中的深度学习目标检测模型对人体坐姿图像识别输出针对人的检测框的示意图；图3为由图1中的姿态估计器对检测框中的人体图像的人体关键点进行定位生成的骨架图示意图；以及图4为本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体坐姿实时监测方法，包括：步骤一、使用视频采集模块实时采集人体坐姿图像；步骤二、针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；步骤三、将所生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送警示触发信号；以及步骤四、在接收到发送的所述警示触发信号时，向用户发送警示信号以提醒用户改变坐姿。2.根据权利要求1所述的人体坐姿实时监测方法，其特征在于，步骤二中的深度学习目标检测模型包括YoloV4神经网络以及YoloV5神经网络。3.根据权利要求2所述的人体坐姿实时监测方法，其特征在于，所述步骤三中的所述姿态估计器基于AlphaPose模型，AlphaPose模型由SSTN网络以及Pose
‑
NMS构成，SSTN网络由STN、SPPE和SDTN组成；其中STN为空间变换网络，其对于不准确的输入，得到准确的针对人的检测框；SPPE用于进行姿态估计从而得到估计的姿态；SDTN为空间逆变换网络，将估计的姿态映射回原始的图像坐标；Pose
‑
NMS用于消除额外的估计到的姿态，去除冗余姿态。4.根据权利要求2所述的人体坐姿实时监测方法，其特征在于，所述步骤三中的将所生成的骨架图与标准正常坐姿的骨架图相比较包括将所生成的骨架图输入完成训练的分类器，所述完成训练的分类器将所生成的骨架图与标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿的骨架图相比较，并在骨架图与其中一个标准坐姿骨架图的差异不超出预定偏差时，分别输出标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿以及标准后仰坐姿中的对应一个标准坐姿标识码作为当前坐姿标识码并进行相应记录，由判断单元在所述分类器输出标准正常坐姿标识码超过预定时间时，发送所述警示触发信号。5.根据权利要求4所述的人体坐姿实时监测方法，其特征在于，所述完成训练的分类器为完成训练的Softmax分类器，将训练骨架图及其分类标识码输入Softmax分类器，通过反向传播BP算法训练Softmax分类器，并在验证集上进行调整和验证，得到完成训练的Softmax分类器；将所生成的骨架图输入完成训练的Softmax分类器，由所述完成训练的Softmax分类器输出当前坐姿分类标识码，得到对应用户的当前坐...

【专利技术属性】
技术研发人员：刘世昌，黄明飞，姚宏贵，
申请(专利权)人：开放智能机器上海有限公司，
类型：发明
国别省市：