人体全身姿态的确定方法以及其确定装置制造方法及图纸

本申请提供了一种人体全身姿态的确定方法以及其确定装置，该方法包括：首先，实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息；然后，将头部姿态信息、手部姿态信息及脚部压力信息输入深度学习模型，得到目标对象的全身姿态和全身骨骼点，其中，深度学习模型为至少根据深度摄像头获得的姿态图像通过机器学习训练出的。通过提前至少根据深度摄像头获得的深度学习模型，保证了确定的全身姿态和全身骨骼点的准确性较高，保证了只通过头部姿态信息、手部姿态信息以及脚部压力信息可得到准确的全身姿态和全身骨骼点，保证了全身姿态的确定过程的实用性较高，解决现有技术中不能简单且准确的预测人体全身姿态的问题。不能简单且准确的预测人体全身姿态的问题。不能简单且准确的预测人体全身姿态的问题。

【技术实现步骤摘要】
人体全身姿态的确定方法以及其确定装置


[0001]本申请涉及人体姿态领域，具体而言，涉及一种人体全身姿态的确定方法、其确定装置、计算机可读存储介质、处理器以及电子设备。

技术介绍

[0002]目前，我们主要通过在身上布置光学反光点、使用惯性传感器或者压力传感器的方式来预测人体姿态，但是，布置光学反光点的价格昂贵且麻烦，惯性传感器会随着人的使用时长出现越来越大的噪音，且实用性较低，单纯通过压力传感器来预测人体全身姿态准确性较低，会出现超过10厘米的预测误差。
[0003]因此，亟需一种可以简单且准确预测人体全身姿态的方法。
[0004]在
技术介绍
部分中公开的以上信息只是用来加强对本文所描述技术的
技术介绍
的理解，因此，
技术介绍
中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

技术实现思路

[0005]本申请的主要目的在于提供一种人体全身姿态的确定方法、其确定装置、计算机可读存储介质、处理器以及电子设备，以解决现有技术中不能简单且准确的预测人体全身姿态的问题。
[0006]根据本专利技术实施例的一个方面，提供了一种全身姿态的确定方法，所述方法包括：实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息；将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型，得到所述目标对象的全身姿态和全身骨骼点，其中，所述深度学习模型为至少根据深度摄像头获得的姿态图像通过机器学习训练出的。
[0007]可选地，在将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型之前，所述方法还包括：建立初始深度学习模型；采用所述深度摄像头获取所述目标对象的多个所述姿态图像，并对所述姿态图像进行提取和分析，得到所述姿态图像对应的历史姿态，所述历史姿态包括历史全身姿态和历史全身骨骼点；获取各所述姿态图像对应的历史脚部压力信息、历史头部姿态信息以及历史手部姿态信息；根据多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部姿态信息以及对应的多组所述历史姿态，对所述初始深度学习模型进行训练，得到所述深度学习模型。
[0008]可选地，获取各所述姿态图像对应的历史脚部压力信息、历史头部姿态信息以及历史手部姿态信息，包括：获取各所述姿态图像对应的所述历史头部姿态信息以及所述历史手部姿态信息；获取多个初始脚部压力信息，所述初始脚部压力信息为各所述姿态图像对应的所述脚部压力信息；对所述初始脚部压力信息进行第一预处理，得到所述历史脚部压力信息，所述第一预处理包括数据集增强处理。
[0009]可选地，根据多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部
姿态信息以及对应的多组所述历史姿态，对所述初始深度学习模型进行训练，得到所述深度学习模型，包括：根据多个所述历史脚部压力信息、多个所述历史头部姿态信息以及多个所述历史手部姿态信息，生成多个姿态的数据矩阵；根据所述数据矩阵以及对应的所述历史姿态之间的差异情况，使用损失函数以及反向传播算法对所述初始深度学习模型进行优化，得到所述深度学习模型。
[0010]可选地，在根据多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部姿态信息以及对应的多组所述历史姿态，对所述初始深度学习模型进行训练，得到所述深度学习模型之前，所述方法还包括：使用时间戳对多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部姿态信息以及对应的多组所述历史姿态进行时间同步处理。
[0011]可选地，实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息，包括：控制增强现实设备或者虚拟现实设备获取所述目标对象的所述头部姿态信息以及所述手部姿态信息；获取压力传感器检测的所述目标对象的所述脚部压力信息，所述压力传感器的压力感应点的间距为1cm。
[0012]根据本专利技术实施例的另一方面，还提供了一种人体全身姿态的确定装置，所述装置包括第一获取单元以及输入单元，其中，所述第一获取单元用于实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息；所述输入单元用于将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型，得到所述目标对象的全身姿态和全身骨骼点，其中，所述深度学习模型为至少根据深度摄像头获得的姿态图像通过机器学习训练出的。
[0013]根据本专利技术实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序用于执行任一种所述的方法。
[0014]根据本专利技术实施例的再一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一种所述的方法。
[0015]根据本专利技术实施例的又一方面，还提供了一种电子设备，所述电子设备包括一个或多个处理器，存储器，显示装置以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任一种所述的方法。
[0016]在本专利技术实施例中，所述全身姿态的确定方法中，首先，实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息；然后，将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型，得到所述目标对象的全身姿态和全身骨骼点，其中，所述深度学习模型为至少根据深度摄像头获得的姿态图像通过机器学习训练出的。相比现有技术中不能简单且准确的预测人体全身姿态的问题，本申请的所述全身姿态的确定方法，通过提前至少根据所述深度摄像头获得的所述深度学习模型，再通过实时获取的所述目标对象的的所述头部姿态信息、所述手部姿态信息以及所述脚部压力数据，输入已获得的所述深度学习模型反推所述目标对象的所述全身姿态和所述全身骨骼点，保证了所述全身姿态和所述全身骨骼点的准确性较高，保证了只通过所述头部姿态信息、所述手部姿态信息以及所述脚部压力信息可得到准确的所述全身姿态和所述全身骨骼点，保证了所述全身姿态的确定过程的实用性较高，解决现有技术中不能简单且准确的预测人体全身姿态的问题。
附图说明
[0017]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1示出了根据本申请的实施例的人体全身姿态的确定方法流程示意图；
[0019]图2示出了根据本申请的实施例的人体全身姿态的确定装置的示意图。
具体实施方式
[0020]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0021]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体全身姿态的确定方法，其特征在于，所述方法包括：实时获取目标对象的头部姿态信息、手部姿态信息以及脚部压力信息；将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型，得到所述目标对象的全身姿态和全身骨骼点，其中，所述深度学习模型为至少根据深度摄像头获得的姿态图像通过机器学习训练出的。2.根据权利要求1所述的方法，其特征在于，在将所述头部姿态信息、所述手部姿态信息及所述脚部压力信息输入深度学习模型之前，所述方法还包括：建立初始深度学习模型；采用所述深度摄像头获取所述目标对象的多个所述姿态图像，并对所述姿态图像进行提取和分析，得到所述姿态图像对应的历史姿态，所述历史姿态包括历史全身姿态和历史全身骨骼点；获取各所述姿态图像对应的历史脚部压力信息、历史头部姿态信息以及历史手部姿态信息；根据多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部姿态信息以及对应的多组所述历史姿态，对所述初始深度学习模型进行训练，得到所述深度学习模型。3.根据权利要求2所述的方法，其特征在于，获取各所述姿态图像对应的历史脚部压力信息、历史头部姿态信息以及历史手部姿态信息，包括：获取各所述姿态图像对应的所述历史头部姿态信息以及所述历史手部姿态信息；获取多个初始脚部压力信息，所述初始脚部压力信息为各所述姿态图像对应的所述脚部压力信息；对所述初始脚部压力信息进行第一预处理，得到所述历史脚部压力信息，所述第一预处理包括数据集增强处理。4.根据权利要求2或3所述的方法，其特征在于，根据多组所述历史脚部压力信息、所述历史头部姿态信息、所述历史手部姿态信息以及对应的多组所述历史姿态，对所述初始深度学习模型进行训练，得到所述深度学习模型，包括：根据多个所述历史脚部压力信息、多个所述历史头部姿态信息以及多个所述历史手部姿态信息，生成多个姿态的数据矩阵；根据所述数据矩阵以及对应的所述历史姿态之间...

【专利技术属性】
技术研发人员：陈梓嘉，张一驰，
申请(专利权)人：深圳前海向纺未来科技有限公司，
类型：发明
国别省市：