一种基于深度学习的人体姿态识别方法及电子设备技术

本发明专利技术提供了一种基于深度学习的人体姿态识别方法，属于视频监控技术领域，解决了现有技术中存在的视频监控中对人像是否长期处于同种姿态检测效率低的技术问题。本发明专利技术用于获取视频中的图像并通过抠图获取图像中的人像信息；利用深度学习关键点检测模型检测人像信息中的人体关键点；基于人体关键点对人像姿态进行分类；判定人像姿态是否长期处于站立姿态、下蹲姿态和举手姿态中的至少一种；若是，输出人体姿态。出人体姿态。出人体姿态。

【技术实现步骤摘要】
一种基于深度学习的人体姿态识别方法及电子设备


[0001]本专利技术涉及视频监控
，尤其是涉及一种基于深度学习的人体姿态识别方法及电子设备。

技术介绍

[0002]随着社会的迅速发展，人体姿态识别在计算机视觉、模式识别、人工智能等领域中，已经成为一个极具意义的研究热点，其具有广阔的应用领域，包括虚拟现实、生物力学、游戏、医疗健康、办案审讯等人机交互领域。
[0003]随着深度学习技术的不断发展，现有技术中对人像中人体姿态的识别，存在特征能力提取不足，识别准确率不高，识别效率低的问题；二是浅层机器学习算法与信号处理技术结合，例如，通过小波变换、经验模态分解或快速傅立叶变换提取信号特征后输入机器学习模型分类，虽然分类效果尚可，但存在提取过程复杂、滤波延时高、特征提取不全面的问题导致识别不精准且识别效率低的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的人体姿态识别方法及电子设备，解决了现有技术中存在的视频监控中对人像是否长期处于同种姿态检测效率低的技术问题。
[0005]第一方面，本专利技术提供的一种基于深度学习的人体姿态识别方法，包括：
[0006]获取视频中的图像并通过抠图获取图像中的人像信息；
[0007]利用深度学习关键点检测模型检测人像信息中的人体关键点；
[0008]基于人体关键点对人像姿态进行分类；
[0009]判定人像姿态是否长期处于站立姿态、下蹲姿态和举手姿态中的至少一种；
[0010]若是，输出人体姿态。
[0011]进一步的，所述关键点包括：头部关键点、左肩关键点、右肩关键点、左肘关键点、右肘关键点、左腕关键点、右腕关键点、左臀关键点、右臀关键点、左膝关键点、右膝关键点、左踝关键点和右踝关键点。
[0012]进一步的，所述深度学习关键点检测模型检测人像信息中的人体关键点的步骤，包括：
[0013]将人体13个关键点作为深度学习关键点检测模型的输入，并经过各卷积层以得到人体13个关键点对应的13个通道；
[0014]获取各通道在各位置的分值，提取各通道的最大分值对应位置，作为各通道的关键点位置。
[0015]进一步的，基于人体关键点对人像姿态进行分类的步骤，包括：
[0016]提取所述人体的13个关键点中的9个关键点的相关参数输入至人工神经网络分类器；
[0017]人工神经网络分类器根据人体的9个关键点的相关参数，输出对应人像是否为站
立状态或下蹲状态。
[0018]进一步的，提取所述人体的13个关键点的9个关键点的相关参数输入至人工神经网络分类器时，
[0019]所述人体的9个关键点为：头部关键点、左肩关键点、右肩关键点、左臀关键点、右臀关键点、左膝关键点、右膝关键点、左踝关键点和右踝关键点；
[0020]所述人体的9个关键点的相关参数为：各关键点的的横坐标值、纵坐标值和置信度，并将人体的9个关键点的相关参数输入至人工神经网络分类器以进行所述人工神经网络分类器对人像姿态进行分类的步骤。
[0021]进一步的，所述基于人体关键点对人像姿态进行分类的步骤，包括：
[0022]提取所述人体的13个关键点中的7个关键点的位置参数；
[0023]根据人体的7个关键点的位置参数判断对应人像是否为举手状态。
[0024]进一步的，所述人体的7个关键点为：头部关键点、左肩关键点、右肩关键点、左肘关键点、右肘关键点、左腕关键点和右腕关键点；
[0025]所述根据人体的7个关键点的位置参数判断对应人像是否为举手姿态的步骤，包括：
[0026]根据左腕关键点和右腕关键点高于头部关键点的像素值，获得第一得分；
[0027]根据左肘关键点高于左肩关键点的像素值，以及右肘关键点高于右肩关键点的像素值，获得第二得分；
[0028]将第一得分和第二得分相加获取总分，根据总分判定人像是否为举手姿态。
[0029]第二方面，本专利技术还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0030]第三方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述方法。
[0031]本专利技术提供的一种基于深度学习的人体姿态识别方法，通过获取人像信息并利用深度学习关键点检测模型检测人像信息中的人体关键点，通过关键点确认人像姿态，该方法对人像姿态识别具有较高准确性且具有较强的场景适应性，不受环境影响，能够精准的识别人体长期所处的姿态，本专利技术深度学习关键检测模型层数浅，同时每层的通道数也较少，数据处理速度快，能够在不影响人体姿态识别效果的前提下，提高检测速度，能够达到实时识别的效果，在精准识别人像姿态的同时提高了人像姿态的检测效率。
[0032]相应地，本专利技术实施例提供的一种基于深度学习的人体姿态识别设备及计算机可读存储介质，也同样具有上述技术效果。
附图说明
[0033]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例提供的一种基于深度学习的人体姿态识别方法的步骤图；
[0035]图2为本专利技术实施例提供的一种基于深度学习的人体姿态识别方法的流程图；
[0036]图3为本专利技术实施例提供的一种电子设备示意图。
具体实施方式
[0037]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0038]本专利技术实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0039]如图1所示，一种基于深度学习的人体姿态识别方法，包括：
[0040]S1：获取视频中的图像并通过抠图获取图像中的人像信息；
[0041]S2：利用深度学习关键点检测模型检测人像信息中的人体关键点；
[0042]S3：基于人体关键点对人像姿态进行分类；
[0043]S4：判定人像姿态是否长期处于站立姿态、下蹲姿态和举手姿态中的至少一种；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人体姿态识别方法，其特征在于，包括：获取视频中的图像并通过抠图获取图像中的人像信息；利用深度学习关键点检测模型检测人像信息中的人体关键点；基于人体关键点对人像姿态进行分类；判定人像姿态是否长期处于站立姿态、下蹲姿态和举手姿态中的至少一种；若是，输出人体姿态。2.根据权利要求1所述的基于深度学习的人体姿态识别方法，其特征在于，所述关键点包括：头部关键点、左肩关键点、右肩关键点、左肘关键点、右肘关键点、左腕关键点、右腕关键点、左臀关键点、右臀关键点、左膝关键点、右膝关键点、左踝关键点和右踝关键点。3.根据权利要求2所述的基于深度学习的人体姿态识别方法，其特征在于，所述深度学习关键点检测模型检测人像信息中的人体关键点的步骤，包括：将人体13个关键点作为深度学习关键点检测模型的输入，并经过各卷积层以得到人体13个关键点对应的13个通道；获取各通道在各位置的分值，提取各通道的最大分值对应位置，作为各通道的关键点位置。4.根据权利要求1所述的基于深度学习的人体姿态识别方法，其特征在于，基于人体关键点对人像姿态进行分类的步骤，包括：提取所述人体的13个关键点中的9个关键点的相关参数输入至人工神经网络分类器；人工神经网络分类器根据人体的9个关键点的相关参数，输出对应人像是否为站立状态或下蹲状态。5.根据权利要求4所述的基于深度学习的人体姿态识别方法，其特征在于，提取所述人体的13个关键点的9个关键点的相关参数输入至人工神经网络分类器时，所述人体的9个关键点为：头部关键点、左肩关键点、右肩关键点、左臀关键点、右臀关键...

【专利技术属性】
技术研发人员：瞿关明，于宏志，张鹏超，李辰，张翰卿，
申请(专利权)人：天津天地伟业智能安全防范科技有限公司，
类型：发明
国别省市：