一种基于自反馈学习的坐姿识别方法及系统技术方案

本发明专利技术提供一种基于自反馈学习的坐姿识别方法及系统，方法包括：定义坐姿表征；构建标注图像帧与坐姿表征的匹配对数据；训练坐姿表征提取模型，基于训练完成的坐姿表征提取模型获得待识别坐姿图像帧的坐姿表征；基于待识别坐姿图像帧的坐姿表征以及预设的判别参数实现坐姿类型判别；根据识别到的坐姿类型进行相应的提醒，提醒后进行反馈动作的判别，基于反馈动作的变化趋势构建正样本包和负样本包；基于所述正样本包和负样本包对预设的判别参数进行迭代优化，从而提高坐姿类型判别的精度。本发明专利技术无需录入标准参考坐姿即可实现坐姿分类，基于自反馈机制，随着识别次数的增加能够不断迭代更新判别参数，提升识别的精准度和灵敏度。敏度。敏度。

【技术实现步骤摘要】
一种基于自反馈学习的坐姿识别方法及系统


[0001]本专利技术涉及计算机视觉
，具体而言，尤其涉及一种基于自反馈学习的坐姿识别方法及系统。

技术介绍

[0002]在现有人体姿态提取方案中，采用基于单目的提取技术和基于双目的提取技术是两支重要分支。其中基于单目的技术常采用估计人体的关键点位置、距离等能够表征姿态的信息，与预设定的标准坐姿表征，通过固定阈值，来对坐姿是否异常进行判别。而基于双目、TOF等深度传感器的提取技术，则从表征姿态的准确度层面，取得了更好的表征效果，但对于坐姿的判别仍然多采用上述“与预设定的标准坐姿表征，通过固定阈值，来对坐姿是否异常进行判别”的静态式的方法。这些方法面临静态判别所带来的效果问题，常常体现为因固定阈值常常根据经验或人群统计数据而设定，不能跟随特定用户的习惯特点进行相应自适应调整，导致判断不够灵敏，或者容易产生误判。

技术实现思路

[0003]根据上述提出的坐姿识别灵敏度低技术问题，而提供一种基于自反馈学习的坐姿识别方法及系统。本专利技术基于自反馈增量学习机制，随着识别次数的增加能够不断迭代本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自反馈学习的坐姿识别方法，其特征在于，包括：定义能够直接或者间接表达坐姿类型情况的坐姿表征，所述坐姿表征基于图像帧获取；获取非连续的图像数据集和连续的视频帧数据集，获取所述图像数据集以及视频帧数据集中各图像帧的标注结果，从而构建标注图像帧与坐姿表征的匹配对数据；将所述标注图像帧与坐姿表征的匹配对数据作为训练数据训练坐姿表征提取模型，获取待识别坐姿图像帧，基于训练完成的坐姿表征提取模型对所述待识别坐姿图像进行处理从而获得待识别坐姿图像帧的坐姿表征；基于待识别坐姿图像帧的坐姿表征以及预设的判别参数实现坐姿类型判别，所述判别参数包括方向系数和偏移参数；根据识别到的坐姿类型进行相应的提醒，提醒后进行反馈动作的判别，基于反馈动作的变化趋势构建正样本包和负样本包，其中所述正样本包包括用户坐姿有变好趋势的一段时间内所有的坐姿表征，所述负样本包包括用户坐姿没有变好趋势的一段时间内所有的坐姿表征；基于所述正样本包和负样本包对预设的判别参数进行迭代优化，从而提高坐姿类型判别的精度。2.根据权利要求1所述的一种基于自反馈学习的坐姿识别方法，其特征在于，所述坐姿表征为：R
seq
＝<box，keypoints，baseP，θ1，θ2，θ3>其中，Rseq(i)表示坐姿表征，box表示人体头部的包围框，keypoints表示人体坐姿关键点，baseP表示头部基准点，θ1表示俯仰旋角，θ2表示左右摇摆角度，θ3表示左右旋转角度，且baseP为θ1，θ2，θ2的坐标基准原点。3.根据权利要求1所述的一种基于自反馈学习的坐姿识别方法，其特征在于，所述坐姿表征提取模型包括提取图像数据集中单帧数据坐姿表征的单帧提取模型，所述单帧提取模型包括第一深度神经网络模块和第二深度神经网络模块；所述第一深度神经网络模块的输入是由单帧数据获取的三通道彩色图像数据，所述第一深度神经网络模块的输出作为第二深度神经网络模块的输入，所述第二神经网络模块的输出包括单帧数据中是否存在人体的判别结果以及坐姿表征。4.根据权利要求3所述的一种基于自反馈学习的坐姿识别方法，其特征在于，所述第二神经网络模块的输出还包括人脸属性辅助判别结果。5.根据权利要求3所述的一种基于自反馈学习的坐姿识别方法，其特征在于，所述单帧提取模型还包括第三深度神经网络模块和第四深度神经网络模块，所述第三深度神经网络模块的输入是由单帧数据获取的3D点云数据，所述第三深度神经网络模块的输出作为第二深度神经网络模块的输入；所述第四深度神经网络模块的输入为第一深度神经网络模块的输出，所述第四深度神经网络模块的输出为回归的3D点云数据。6.根据权利要求3所述的一种基于自反馈学习的坐姿识别方法，其特征在于，所述坐姿表征提取模型还包括提取视频帧数据集连续帧数据坐姿表征的时序帧提取模型，所述时序帧提取模型包括用于进行特征聚集的FA模块和RNN模块；
所述FA模块的输入为由所述单帧提取模型提取的当前单帧数据坐姿表征、由所述单帧提取模型提取的当前单帧数据坐姿表征时的第二深度神经网络模块的隐藏层输出以及由所述单帧提取模型提取的前一单帧数据坐姿表征时的第二深度神经网络模块的隐藏层输出，所述FA模块的输出为当前帧的坐姿表征的高位特征，所述当前帧的坐姿表征的高位特征与由所述单帧提取模型提取的当前单帧数据坐姿表征时的第二深度神经网络模块的隐藏层输出级联后作为所述RNN模块的输入，所述RNN模块的输出为视频当前帧的坐姿表征。7.根据权利要求1所述的一种基于自反馈学习的坐姿识别方法，其特征在于，基于待识别坐姿图像帧的坐姿表征以及预设的...

【专利技术属性】
技术研发人员：李灏为，
申请(专利权)人：深圳市成者创想科技有限公司，
类型：发明
国别省市：