一种姿态识别方法、装置、电子设备及计算机可读介质制造方法及图纸

本申请公开了姿态识别方法、装置、电子设备及计算机可读介质，涉及人工智能技术领域，具体涉及机器视觉、图像识别技术领域，该方法包括：接收姿态识别请求，获取对应的待识别图像和目标特征；根据目标特征，从待识别图像中确定边界框；生成待识别图像在边界框中的关键点；基于边界框生成空白背景图，将关键点映射至空白背景图中，进而生成骨架图；根据关键点和骨架图，得到预测姿态，进而根据预测姿态确定姿态类型。避免了因环境因素导致的识别不准确的影响，适用于复杂姿态在不同背景亮度下的分类识别任务。分类识别任务。分类识别任务。

【技术实现步骤摘要】
一种姿态识别方法、装置、电子设备及计算机可读介质


[0001]本申请涉及人工智能
，具体涉及机器视觉、图像识别
，尤其涉及一种姿态识别方法、装置、电子设备及计算机可读介质。

技术介绍

[0002]目前，基于物理规则的手势识别，需要根据不同应用场景和需求人工预定义一组规则来对手势关键点进行分类归属，仅根据手指的弯曲或伸展状态进行判断只适用于简单手势，无法有效的对复杂手势进行判断识别。只依赖深度卷积神经网络进行手型轮廓的特征提取将会受限于多种外部因素，不利于良好的手型特征提取，当存在手指重叠的情况下提取出来的手型特征再次输入深度卷积神经网络进行分类的效果差。
[0003]在实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：
[0004]受多种外部因素的影响，通过深度卷积神经网络对手部姿态进行识别的效果差。

技术实现思路

[0005]有鉴于此，本申请实施例提供一种姿态识别方法、装置、电子设备及计算机可读介质，能够解决现有的受多种外部因素的影响，通过深度卷积神经网络对手部姿态进行识别的效果差的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种姿态识别方法，其特征在于，包括：接收姿态识别请求，获取对应的待识别图像和目标特征；根据所述目标特征，从所述待识别图像中确定边界框；生成所述待识别图像在所述边界框中的关键点；基于所述边界框生成空白背景图，将所述关键点映射至所述空白背景图中，进而生成骨架图；根据所述关键点和所述骨架图，得到预测姿态，进而根据所述预测姿态确定姿态类型。2.根据权利要求1所述的方法，其特征在于，所述生成骨架图，包括：将映射至所述空白背景图中的所述关键点用不同颜色的线条连接；将所述线条作为骨架，将所述关键点作为节点，根据所述骨架和所述节点生成骨架图。3.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征，从所述待识别图像中确定边界框，包括：基于非最大值抑制算法，从所述待识别图像中确定所述目标特征的边界位置；基于所述边界位置生成边界框。4.根据权利要求1所述的方法，其特征在于，所述生成所述待识别图像在所述边界框中的关键点，包括：根据所述待识别图像和所述边界框，确定所述待识别图像中的目标区域图像；将所述目标区域图像输入关键点预测模型，以输出对应的关键点。5.根据权利要求1所述的方法，其特征在于，所述根据所述关键点和所述骨架图，得到预测姿态，包括：将所述关键点和所述骨架图输入至分类模型，以输出对应的预测姿态。6.根据权利要求1所述的方法，其特征在于，所述根据所述预测姿态确定姿态类型，包括：将所述预测姿态输入至分类模型，以输出所述预测姿态对应的姿态类型。7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：获取深度卷积神经网络模型；获取训练样本集，所述训练样本集包括关键点、所述关键点对应的骨架图、标记的姿态和标记的姿态类型；将所述关键点和所述关键点对应的骨架图作为所述深度卷积神经网络模型的输入，将所述标记的姿态和标记的姿态类型作为所述深度卷积神经网络模型的期望输出，对所述深度卷积神经网络模型进行训练以得到所述分类模型。8.一种姿态识别装置，其特征在于，包括：接收单元，被配置成接收姿态识别请求，获取对应的待识别图像和目标特征；边界框确定单元，...

【专利技术属性】
技术研发人员：丁祎，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：