坐姿检测方法、系统及电子设备技术方案

本发明专利技术提供了一种坐姿检测方法、系统及电子设备，涉及模式识别技术领域，该方法将获取的包含待检测人员的视频数据输入至已完成训练的坐姿检测模型中，利用坐姿检测模型输出待检测人员的关键点及连接关系，并根据关键点及连接关系确定待检测人员的关节点；然后根据关节点的坐标确定关节点之间的距离及角度关系，并根据关节点之间的距离及角度关系确定待检测人员的坐姿。该方法中使用的坐姿检测模型对低秩特征图进行滤波器剪枝操作实现了对传统模型的压缩，能够在保证精度的前提下实现了模型的加速，并根据该坐姿检测模型识别得到的待检测人员关节点快速确定待检测人员的坐姿，在保证检测精度的前提下降低了检测过程的资源消耗。消耗。消耗。

【技术实现步骤摘要】
坐姿检测方法、系统及电子设备


[0001]本专利技术涉及模式识别
，尤其是涉及一种坐姿检测方法、系统及电子设备。

技术介绍

[0002]坐姿检测是一种常见的人体姿态检测，主要用于坐姿矫正、坐姿评估等使用场景中。坐姿检测主要利用传感器及图像识别等技术，对人体坐姿时头部与肩部的姿态进行识别。在利用超声波或红外线传感器等设备进行坐姿评估过程中，主要利用传感器获取与待测人员的距离来判断坐姿，该方法虽然快速，但精度较为低；而利用图像识别技术中的相关识别算法可直接获取待测人员的姿势，例如，利用openpose模型可直接将待测人员图像中关节点的数据进行获取，从而得到待检测人员的坐姿；但现有的图像识别技术虽然精度较高，但运算成本较大，需要耗费较高的运算资源。
[0003]综上所述，现有技术中的坐姿检测过程中还缺少一种精度高且资源消耗低的检测方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种坐姿检测方法、系统及电子设备，该方法中使用的坐姿检测模型对低秩特征图进行滤波器剪枝操作实现了对传统模型的压缩，能够在保证精度的前提下实现了模型的加速，并根据该坐姿检测模型识别得到的待检测人员关节点快速确定待检测人员的坐姿，在保证检测精度的前提下降低了检测过程的资源消耗。
[0005]第一方面，本专利技术实施例提供了一种坐姿检测方法，该方法包括以下步骤：
[0006]获取包含待检测人员的视频数据；
[0007]将已获取的视频数据输入至已完成训练的坐姿检测模型中；其中，坐姿检测模型为经过剪枝操作的OpenPose模型；坐姿检测模型包括主干层、初始化层和提炼层；主干层为经过剪枝操作的MoblieNet网络；坐姿检测模型的初始化层中结构相同的分支进行权值共享；提炼层中所用的卷积核中包括多个3
×
3卷积核；
[0008]利用坐姿检测模型输出待检测人员的关键点及连接关系，并根据关键点及连接关系确定待检测人员的关节点；
[0009]根据关节点的坐标确定关节点之间的距离及角度关系，并根据关节点之间的距离及角度关系确定待检测人员的坐姿。
[0010]在一些实施方式中，获取包含待检测人员的视频数据的步骤之前，方法包括：
[0011]判断待检测人员的获取区域中是否有人存在；
[0012]如果有，启动视频摄录设备获取视频数据；如果否，停止视频摄录设备的工作。
[0013]在一些实施方式中，根据关节点的坐标确定关节点之间的距离及角度关系，并根据关节点之间的距离及角度关系确定待检测人员的坐姿的步骤，包括：
[0014]根据关节点构建的坐标系，确定关节点的坐标；其中，关节点至少包括：左眼、右眼、左耳、右耳、鼻子、脖子、左肩、右肩；
[0015]分别获取关节点中左眼与右眼的两眼连接线、左耳与右耳的两耳连接线，并根据两眼连接线以及两耳连接线的角度确定待检测人员的坐姿是否为歪头坐姿；
[0016]获取关键点中鼻子与脖子之间的高度差，并根据高度差确定待检测人员的坐姿是否为低头坐姿；
[0017]获取关节点中左肩与右肩之间的两肩连接线，并根据两肩连接线的角度确定待检测人员的坐姿是否为倾斜坐姿。
[0018]在一些实施方式中，当检测到两眼连接线与水平线的夹角超过15度或两耳连接线与水平线的夹角超过15度时，将待检测人员的坐姿确定为歪头坐姿；
[0019]当检测到鼻子的高度低于脖子的高度，则将人员的坐姿确定为低头坐姿；
[0020]当检测到两肩连接线与水平线的夹角超过15度时，将待检测人员的坐姿确定为倾斜坐姿。
[0021]在一些实施方式中，坐姿检测模型的获取过程，包括：
[0022]获取已完成初始化的openpose模型；其中，openpose模型中包括主干层、初始化层以及细化层；
[0023]将主干层替换为经过剪枝操作的Mobilenet
‑
V1模型结构；剪枝操作利用Mobilenet
‑
V1模型中包含的卷积核对应的输出特征图的平均秩的排序结果进行剪枝；其中，剪枝率为0.3，剪枝后的通道数为358；
[0024]将细化层中的7
×
7卷积核替换为(1
×
1,3
×
3,3
×
3)的卷积级联，得到坐姿检测模型。
[0025]在一些实施方式中，利用坐姿检测模型输出待检测人员的关键点及连接关系，包括：
[0026]获取包含待检测人员的视频数据的图像帧，并将压缩至416
×
416
×
3的图像帧确定为输入图像；
[0027]利用主干层中包含的多个卷积核对输入图像依次进行深度可分卷积运算，得到特征映射结果；其中，卷积核的尺寸均为3
×
3，卷积核的通道数至少包括：32、44、89、179、358、512；通道数为32、44、512的卷积核至少包括1个；通道数为89、179的卷积核至少包括2个；通道数为358的卷积核至少包括5个；
[0028]将特征映射结果输入至初始化层，通过初始化层中包含的两个分支，分别对应输出关键点热图和连接关系热图；
[0029]将关键点热图和连接关系热图依次输入至多个细化层；分别得到待检测人员的关键点及连接关系。
[0030]在一些实施方式中，获取包含待检测人员的视频数据的步骤之后，方法还包括：
[0031]提取视频数据中包含待检测人员的ROI区域的视频片段；其中，ROI区域至少包括：头部区域、躯干区域、四肢区域、手掌区域；
[0032]将已获取的视频数据输入至已完成训练的坐姿检测模型中的步骤，包括：
[0033]分别将包含待检测人员的ROI区域的视频片段输入至坐姿检测模型中。
[0034]第二方面，本专利技术实施例提供了一种坐姿检测系统，该系统包括以下模块：
[0035]数据采集模块，用于获取包含待检测人员的视频数据；
[0036]数据输入模块，用于将已获取的视频数据输入至已完成训练的坐姿检测模型中；
其中，坐姿检测模型为经过剪枝操作的OpenPose模型；坐姿检测模型包括主干层、初始化层和提炼层；主干层为经过剪枝操作的MoblieNet网络；坐姿检测模型的初始化层中结构相同的分支进行权值共享；的提炼层中所用的卷积核中包括多个3
×
3卷积核；
[0037]关节点检测模块，用于利用坐姿检测模型输出待检测人员的关键点及连接关系，并根据关键点及连接关系确定待检测人员的关节点；
[0038]坐姿确定模块，用于根据关节点的坐标确定关节点之间的距离及角度关系，并根据关节点之间的距离及角度关系确定待检测人员的坐姿。
[0039]第三方面，本专利技术实施例提供了一种电子设备，该电子设备包括：处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面提供的坐姿检测方法的步骤。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种坐姿检测方法，其特征在于，所述方法包括以下步骤：获取包含待检测人员的视频数据；将已获取的所述视频数据输入至已完成训练的坐姿检测模型中；其中，所述坐姿检测模型为经过剪枝操作的OpenPose模型；所述坐姿检测模型包括主干层、初始化层和提炼层；所述主干层为经过剪枝操作的MoblieNet网络；所述坐姿检测模型的初始化层中结构相同的分支进行权值共享；所述提炼层中所用的卷积核中包括多个3
×
3卷积核；利用所述坐姿检测模型输出所述待检测人员的关键点及连接关系，并根据所述关键点及所述连接关系确定所述待检测人员的关节点；根据所述关节点的坐标确定所述关节点之间的距离及角度关系，并根据所述关节点之间的距离及角度关系确定所述待检测人员的坐姿。2.根据权利要求1所述的坐姿检测方法，其特征在于，所述获取包含待检测人员的视频数据的步骤之前，所述方法包括：判断待检测人员的获取区域中是否有人存在；如果有，启动视频摄录设备获取所述视频数据；如果否，停止视频摄录设备的工作。3.根据权利要求1所述的坐姿检测方法，其特征在于，根据所述关节点的坐标确定所述关节点之间的距离及角度关系，并根据所述关节点之间的距离及角度关系确定所述待检测人员的坐姿的步骤，包括：根据所述关节点构建的坐标系，确定所述关节点的坐标；其中，所述关节点至少包括：左眼、右眼、左耳、右耳、鼻子、脖子、左肩、右肩；分别获取所述关节点中所述左眼与所述右眼的两眼连接线、所述左耳与所述右耳的两耳连接线，并根据所述两眼连接线以及所述两耳连接线的角度确定所述待检测人员的坐姿是否为歪头坐姿；获取所述关键点中所述鼻子与所述脖子之间的高度差，并根据所述高度差确定所述待检测人员的坐姿是否为低头坐姿；获取所述关节点中所述左肩与所述右肩之间的两肩连接线，并根据所述两肩连接线的角度确定所述待检测人员的坐姿是否为倾斜坐姿。4.根据权利要求3所述的坐姿检测方法，其特征在于，当检测到所述两眼连接线与水平线的夹角超过15度或所述两耳连接线与水平线的夹角超过15度时，将所述待检测人员的坐姿确定为歪头坐姿；当检测到所述鼻子的高度低于所述脖子的高度，则将所述人员的坐姿确定为低头坐姿；当检测到所述两肩连接线与水平线的夹角超过15度时，将所述待检测人员的坐姿确定为倾斜坐姿。5.根据权利要求1所述的坐姿检测方法，其特征在于，所述坐姿检测模型的获取过程，包括：获取已完成初始化的openpose模型；其中，所述openpose模型中包括主干层、初始化层以及细化层；将所述主干层替换为经过滤波器剪枝操作的Mobilenet
‑
V1模型结构；所述滤波器剪枝操作利用Mobilenet
‑
V1模型中包含的卷积核对应的输出特征图的平均秩的排序结果进行
剪枝操作；其中，剪枝率为0.3，剪枝后的通道数为358；将所述细化层中的7
×
7卷积核替换为(1
×
1,3
×
3,3
×
3)的卷积级联，得到所述坐姿检测模型。6.根据权利要求5所述的坐姿检测方法，...

【专利技术属性】
技术研发人员：宣琦，虞馨杭，周洁韵，俞山青，翔云，韦永昌，
申请(专利权)人：杭州鳑鲏智能科技有限公司，
类型：发明
国别省市：