异常坐姿识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种异常坐姿识别方法、装置、电子设备及存储介质，所述方法包括：利用三个视频采集设备分别获取目标对象在三种不同视角下的坐姿视频，并将坐姿视频按照时间顺序处理为多帧多视角图像；分别对三种不同视角下的多帧多视角图像进行预处理；将预处理后的多帧多视角图像输入至预先训练完成的坐姿识别模型，获取目标对象的精细3D姿态；根据精细3D姿态，确定所述目标对象的背部与椅面的角度；在角度不处于预设角度范围内的情况下，确定目标对象的坐姿处于异常状态，以提醒所述目标对象。本发明专利技术利用多个视频采集设备进行视频采集，减少由于遮挡问题所导致的姿态识别误差，从而有效提升异常姿态识别的准确率。从而有效提升异常姿态识别的准确率。从而有效提升异常姿态识别的准确率。

【技术实现步骤摘要】
异常坐姿识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及学习行为分析与计算机视觉领域，尤其涉及一种异常坐姿识别方法、装置、电子设备及存储介质。

技术介绍

[0002]在日常生活中，有许多学习者出现驼背现象。究其原因大多数是由于坐姿、写姿不正确造成的。由于学习者在学习的过程中没有及时控制身体，身体会出现坐姿不端正的状态，身体的长期弯曲会形成驼背。通过对坐姿异常行为进行识能够识别出学习者的坐姿状态，并反馈给用户，实现坐姿干预。
[0003]现有能够实现坐姿识别的技术有很多，大多数是利用压力传感器的技术来进行坐姿识别，比较常见的还有采用基于RGB彩色图像的坐姿识别技术。采用压力传感器的技术实现时通常需要穿戴相应的设备，不仅使用时很不方便，而且还比较受限于设备。采用RGB彩色图像的坐姿识别基础，对图像的色彩信息有较高要求，而且在采集图像时，比较容易受周围环境、光照的影响，这些因素都可能导致坐姿识别率不高。
[0004]在图像采集过程中，常常由于遮挡、角度等因素的影响，会导致坐姿的识别率不高。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常坐姿识别方法，其特征在于，包括：利用三个视频采集设备分别获取目标对象在三种不同视角下的坐姿视频，并将所述坐姿视频按照时间顺序处理为多帧多视角图像；分别对三种不同视角下的多帧多视角图像进行预处理；将预处理后的多帧所述多视角图像输入至预先训练完成的坐姿识别模型，获取所述目标对象的精细3D姿态；根据所述精细3D姿态，确定所述目标对象的背部与椅面的角度；在所述角度不处于预设角度范围内的情况下，确定所述目标对象的坐姿处于异常状态，以提醒所述目标对象。2.根据权利要求1所述的异常坐姿识别方法，其特征在于，所述坐姿识别模型包括：图神经网络、姿态回归网络、相机估计网络、重投影网络、深度神经网络和层次自注意力模块；相应地，所述将预处理后的多帧所述多视角图像输入至预先训练完成的坐姿识别模型，获取所述目标对象的精细3D姿态，具体包括：将每帧所述多视角图像输入至所述图神经网络，提取所述目标对象的人体3D中心点；将所述人体3D中心点输入至所述姿态回归网络，生成所述目标对象的初始3D姿态；将所述初始3D姿态和所述相机估计网络输出的包含相机参数的6维向量输入至所述重投影网络，获取所述目标对象的2D姿态；将所述初始3D姿态输入至所述深度神经网络，获取所述目标对象的骨骼角信息；将所述初始3D姿态、所述2D姿态和所述骨骼角信息输入至所述层次自注意力模块，获取所述精细3D姿态。3.根据权利要求2所述的异常坐姿识别方法，其特征在于，所述将每帧所述多视角图像输入至所述图神经网络，提取所述目标对象的人体3D中心点，包括：提取每帧所述多视角图像中人体2D中心点作为节点特征，并将不同视角下对应的每对人体2D中心点的极线距离作为边特征；基于所述节点特征和所述边特征，利用所述图神经网络进行相关性特征的学习；在通过分析确定不同视角下对应的每对人体2D中心点属于同一所述目标对象的情况下，利用三角剖分算法获取所述目标对象的粗人体3D中心点；对所述粗人体3D中心点进行优化，获取所述人体3D中心点。4.根据权利要求2所述的异常坐姿识别方法，其特征在于，所述重投影网络的损失函数为：l
re
(P，K)＝||O
‑
KP||
F
；其中，l
re
(P，K)为损失函数值，K为包含相像机参数的6维向...

【专利技术属性】
技术研发人员：刘雄华，李双双，何顶新，黄凯伦，吴悦，周婷，李玲，刘婷婷，刘海，
申请(专利权)人：武汉工商学院，
类型：发明
国别省市：