CN110020628A - 基于面部检测的坐姿检测方法、系统、设备及存储介质 - Google Patents
基于面部检测的坐姿检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN110020628A CN110020628A CN201910283419.5A CN201910283419A CN110020628A CN 110020628 A CN110020628 A CN 110020628A CN 201910283419 A CN201910283419 A CN 201910283419A CN 110020628 A CN110020628 A CN 110020628A
- Authority
- CN
- China
- Prior art keywords
- user
- sitting posture
- image
- width
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于面部检测的坐姿检测方法、系统、设备及存储介质,其中,坐姿检测方法包括:在图像传感器获得的至少一张图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据;在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,采集实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若否,则执行坐姿提醒操作。本发明能够基于用户面部位置及面部宽度在图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
Description
技术领域
本发明涉及人体姿势检测领域,具体地说,涉及基于面部检测的坐姿检测方法、系统、设备及存储介质。
背景技术
随着课业压力逐步增大,导致正处在发育中的儿童、青少年需要长时间伏案学习;据相关研究表明,上班族一生在椅子上度过的时间是80000个小时,相当于部分昼夜的10年时间。因为科技的进步和全球就业人员工作结构和工作内容的改善,越来越多的人们需要长时间伏案工作。不正确的坐姿对长时间伏案的人们的腰椎,颈椎产生难以康复的影响。
每个人都知道良好的坐姿对自己的健康有利。可是对在没有经过专业训练的人们,有时身体在无意识的过程中就会变为驼背、颈椎前倾等不健康的体位。在人们还处在学生时代时,可能家长会在一旁有时提醒孩子们要直起腰抬起头。可是家长不会时刻监督,上班后更是没有人指出我们的不良坐姿并让我们及时改正。渐渐的人们的身体出现各种各样的由不良坐姿导致的职业病。
因此,本发明提供了一种基于面部检测的坐姿检测方法、系统、设备及存储介质。
发明内容
针对现有技术中的问题,本发明的目的在于提供基于面部检测的坐姿检测方法、系统、设备及存储介质,克服了现有技术的困难,能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
本发明的实施例提供一种基于面部检测的坐姿检测方法,包括以下步骤:
S100、在图像传感器获得的至少一图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据;
S110、在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行步骤S130,若否,则返回步骤S110;
S130、采集所述实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回步骤S130,若否,则执行坐姿提醒操作,返回步骤S110。
优选地,所述用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。
优选地,所述坐姿数据包括将n张图像中采集到的第一参考值和第二参考值;
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和。
优选地,所述用户身体的宽度τ为图像中用户头部的宽度或者图像中用户肩部的宽度。
优选地,所述步骤S130中包括以下步骤:
S131、判断所述实时图像中的用户身体的宽度τ是否大于其中,γ为第一预设阈值,若是,则执行提醒用户远离的提示,若否,则执行步骤S132;
S132、判断所述实时图像中的用户身体的宽度τ是否小于其中,δ为第二预设阈值,若是,则执行提醒用户靠近的提示,若否,则执行步骤S133;
S133、判断所述实时图像中的用户身体的宽度τ在的区间范围内,若是,则执行步骤S134;若否,则返回步骤S121;
S134、判断所述实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,若是,则执行提醒用户驼背的提示,若否,则执行步骤S131。
优选地,自所述图像的左上角为原点,所述图像的左侧边为Y轴,所述图像的上侧边为X轴,建立图像坐标系,将用户面部与X轴最接近的点r的与X轴的距离设为最小距离t;
设定用户面部与图像左侧边最接近的点p、用户面部与图像右侧边最接近的点q,将点p和点q之间的距离设为宽度τ。
优选地,对用户进行面部识别,在图像上建立框定用户面部的矩形,所述矩形的四边分别平行于所述图像的四边,将图像上边沿与最接近的矩形的一条边的距离设为最小距离t,将矩形的宽度作为用户身体的宽度τ。
优选地,所述步骤S110之后,步骤S130之前还包括以下步骤:
S120、获得所述图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;
S121、获得τ与第二参考值为的比值V;以及
S122、分别对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
本发明的实施例还提供一种基于面部检测的坐姿检测系统,用于实现上述的基于面部检测的坐姿检测方法,所述基于面部检测的坐姿检测系统包括:
标准坐姿参照模块,在图像传感器获得的至少一图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据;
实时坐姿采集模块,在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行坐姿比对提醒模块,若否,则返回实时坐姿采集模块;以及
坐姿比对提醒模块,采集所述实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回坐姿比对提醒模块,若否,执行坐姿提醒操作,返回实时坐姿采集模块。
优选地,所述用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;
所述坐姿数据包括将n张图像中采集到的第一参考值和第二参考值;
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和。
优选地,当所述坐姿比对提醒模块判断所述实时图像中的用户身体的宽度τ大于γ为第一预设阈值,则执行提醒用户远离的提示;
当所述实时图像中的用户身体的宽度τ小于δ为第二预设阈值,则执行提醒用户靠近的提示;
当判断所述实时图像中的用户身体的宽度τ在的区间范围内,并且,所述实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,则执行提醒用户驼背的提示。
优选地,还包括环境学习模块;
所述环境学习模块获得所述图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;获得τ与第二参考值为的比值V;并且,对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
优选地,所述基于面部检测的坐姿检测系统是一个移动终端,所述图像传感器为所述移动终端内置或是外接的摄像头;或者
所述基于面部检测的坐姿检测系统是一个台式电脑,所述图像传感器为所述台式电脑的显示器内置或是外接的摄像头。
本发明的实施例还提供一种基于面部检测的坐姿检测设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述基于面部检测的坐姿检测方法的步骤。
本发明的实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现上述基于面部检测的坐姿检测方法的步骤。
本发明的基于面部检测的坐姿检测方法、系统、设备及存储介质,能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的基于面部检测的坐姿检测方法的流程图;
图2至12是本发明的基于面部检测的坐姿检测方法的实施例的示意图;
图13是本发明的基于面部检测的坐姿检测系统的架构示意图;
图14是本发明的基于面部检测的坐姿检测系统的一种示意图;
图15是本发明的基于面部检测的坐姿检测系统的另一种示意图;
图16是本发明的基于面部检测的坐姿检测设备的结构示意图;以及
图17是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
图1是本发明的基于面部检测的坐姿检测方法的流程图。如图1所示,本发明的基于面部检测的坐姿检测方法,包括以下步骤:
S100、在图像传感器获得的至少一图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据。
S110、在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行步骤S120,若否,则返回步骤S110。
S120、进行根据实时图像修正预设阈值。
S130、采集实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回步骤S130,若否,则执行坐姿提醒操作,返回步骤S110。
本算法发明可以运行在具有摄像头、存储、计算功能的计算机或微型计算机(后文简称设备)当中,并可将设备置于桌面前部或电脑显示器上、下、侧边缘。给予设备适当电压的电源,即可启动设备配有人体感应装置。只有在感应装置为感应到人体时,进行人体坐姿识别。
在一个优选实施例中,用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。
在一个优选实施例中,坐姿数据包括将n张图像中采集到的第一参考值和第二参考值。
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和,但不以此为限。
在一个优选实施例中,用户身体的宽度τ为图像中用户头部的宽度或者图像中用户肩部的宽度,但不以此为限。本发明通过图形中用户身体的宽度τ的对比,来判断用户身体与设置之间的距离。
在一个优选实施例中,步骤S130中包括以下步骤:
S131、判断实时图像中的用户身体的宽度τ是否大于其中,γ为第一预设阈值,若是,则执行提醒用户远离的提示,若否,则执行步骤S132。
S132、判断实时图像中的用户身体的宽度τ是否小于其中,δ为第二预设阈值,若是,则执行提醒用户靠近的提示,若否,则执行步骤S133。
S133、判断实时图像中的用户身体的宽度τ在的区间范围内,若是,则执行步骤S134。若否,则返回步骤S121。
S134、判断实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,若是,则执行提醒用户驼背的提示,若否,则执行步骤S131。
本发明可以同时判断用户姿态的两个维度,其中一个是用户的距离是否过近(用户的距离过近容易造成用户近视),或者用户驼背(长时间驼背对脊柱有不良影响,并且还会造成用户近视)。
在一个优选实施例中,自图像的左上角为原点,图像的左侧边为Y轴,图像的上侧边为X轴,建立图像坐标系,将用户面部与X轴最接近的点r的与X轴的距离设为最小距离t。设定用户面部与图像左侧边最接近的点p、用户面部与图像右侧边最接近的点q,将点p和点q之间的距离设为宽度τ,但不以此为限。
在一个优选实施例中,对用户进行面部识别,在图像上建立框定用户面部的矩形,矩形的四边分别平行于图像的四边,将图像上边沿与最接近的矩形的一条边的距离设为最小距离t,将矩形的宽度作为用户身体的宽度τ,但不以此为限。
在一个优选实施例中,步骤S120包括以下步骤:
S120、获得图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。
S121、获得τ与第二参考值为的比值V。以及
S122、分别对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
图2至12是本发明的基于面部检测的坐姿检测方法的实施例的示意图。如图2所示,本发明的基于面部检测的坐姿检测器1放在桌面上、墙面上或者任何可以抬高设备的位置,通过图像传感器11获得的至少一图像(参见图3)中采集用户2的面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据。可以是在家长的监督下,采集学生的标准坐姿,或者是员工在工作之初自行设定标准的坐姿。
如图4所示,用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。自图像的左上角为原点,图像的左侧边为Y轴,图像的上侧边为X轴,建立图像坐标系,将用户面部与X轴最接近的点r(xr,yr)的与X轴的距离设为最小距离t。设定用户面部与图像左侧边最接近的点p(xp,yp)、用户面部与图像右侧边最接近的点q(xq,yq),将点p和点q之间的距离设为宽度τ,但不以此为限。本实施例中,坐姿数据包括将n张图像中采集到的第一参考值和第二参考值。
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和,
本实施例中的第一参考值和第二参考值将被用于后续比对用户的姿势是否标准。但不以此为限。
如图5所示,在一个变形例中,也可以对用户进行面部识别,在图像上建立框定用户面部的矩形20,矩形20的四边分别平行于图像的四边,将图像上边沿与最接近的矩形20的一条边的距离设为最小距离t,将矩形20的宽度作为用户身体的宽度τ,但不以此为限。
如图6所示,在一个变形例中,也可以对用户进行脸部识别将用户面部与X轴之间的最小距离设为最小距离t,获得用户左肩与图像左边沿的距离L,获得用户右肩与图像右边沿的距离R,通过将图像的宽度减去(L+R)之后得到用户身体的宽度τ,但不以此为限。
在图像传感器11实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同。
如图7、8、9所示,当实时采集到的用户的面部特征符合一位预存用户的面部特征时,开始根据实时图像修正预设阈值。考虑到坐姿检测器1又被移动的可能性(例如图7中,自坐姿检测器1进行用户面部数据和用户姿势的录入,后续使用中,自坐姿检测器1被移动到坐姿检测器11’),造成原始预设的预设阈值不匹配,考虑到用户刚开始被坐姿检测器1检测到的时候,应该还是劲力饱满,姿势准确的时候,随着时间的推移,才会慢慢姿势变得不准确,需要矫正所以,坐姿检测器1可以根据每次刚刚开始工作时,图像中用户的情况来修正预设阈值。修正预设阈值的过程可以是获得图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。获得τ与第二参考值的比值V。以及分别对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。举例来说,如果用户2在图像中的宽度τ较大,这说明用户2距离坐姿检测器1较远,则相应根据距离的比例,按比例增大第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ。同理,如果用户2在图像中的宽度τ较小,这说明用户2距离坐姿检测器1较近,则相应根据距离的比例,按比例减小第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ。使得使用本发明的坐姿检测器1可以在一定范围内任意摆放,不会因为录入标准姿势时的位置与实时监测是的位置的差别发生错误判断的情况。显然,坐姿检测器1是一个可以在桌面上进行移动的部件,如果没有对应位置变化的校正步骤,则容易发生测量误差,应用范围很窄,实际的使用效果很差,而本发明中通过τ与第二参考值的比值V,分别对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正的步骤能够完全克服在这个困难。
如图10、11、12所示,采集实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,包括以下步骤:
S131、比较实时图像中的用户身体的宽度τ是否大于其中,γ为第一预设阈值,本实施例中,由于已经对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ,所以,本实施例中判断实时图像中的用户身体的宽度τ是否大于若是,则执行提醒用户远离的提示,若否,则执行步骤S132。
S132、判断实时图像中的用户身体的宽度τ是否小于其中,δ为第二预设阈值,若是,则执行提醒用户靠近的提示,若否,则执行步骤S133。执行提醒用户靠近的提示可以是播放预设的对应语音,或是使用提示灯进行闪烁提示。
S133、判断实时图像中的用户身体的宽度τ在的区间范围内,若是,则执行步骤S134。若否,则返回步骤S121。
S134、判断实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,若是,则执行提醒用户驼背的提示,若否,则执行步骤S131。执行提醒用户驼背的提示可以是播放预设的对应语音,或是使用提示灯进行闪烁提示。
本发明可以同时判断用户姿态的两个维度,其中一个是用户的距离是否过近(用户的距离过近容易造成用户近视),或者用户驼背(长时间驼背对脊柱有不良影响,并且还会造成用户近视)。并且,无需用户保证坐姿检测器1的用户姿势的录入的位置和实际测量的位子一定相同,能够以自学习的形态,适应对坐姿检测器1自身位置摆放的调整保证测量的实用性和准确性,提升人性化体验。
图13是本发明的基于面部检测的坐姿检测方法的第一种实施例的示意图。如图13所示,本发明的实施例还提供一种基于面部检测的坐姿检测系统,用于实现上述的基于面部检测的坐姿检测方法,本发明的基于面部检测的坐姿检测系统5可以是一个独立的带有摄像设备、语音提示设备以及芯片的电子装置,基于面部检测的坐姿检测系统5包括:
标准坐姿参照模块51,在图像传感器获得的至少一图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据。
环境学习模块52,环境学习模块获得图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。获得τ与第二参考值为的比值V。并且,对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
实时坐姿采集模块53,在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行坐姿比对提醒模块54,若否,则返回实时坐姿采集模块53。以及
坐姿比对提醒模块54,采集实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回坐姿比对提醒模块54,若否,执行坐姿提醒操作,返回实时坐姿采集模块53。
在一个优选实施例中,用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。
坐姿数据包括将n张图像中采集到的第一参考值和第二参考值。
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和。
在一个优选实施例中,当所述坐姿比对提醒模块判断所述实时图像中的用户身体的宽度τ大于γ为第一预设阈值,则执行提醒用户远离的提示;当所述实时图像中的用户身体的宽度τ小于δ为第二预设阈值,则执行提醒用户靠近的提示;当判断所述实时图像中的用户身体的宽度τ在的区间范围内,并且,所述实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,则执行提醒用户驼背的提示。
图14是本发明的基于面部检测的坐姿检测系统的一种示意图。如图14所示,在一个优选实施例中,基于面部检测的坐姿检测系统是一个移动终端,例如笔记本3,图像传感器为移动终端内置或是外接的摄像头,例如笔记本3的摄像头31,摄像头31实时拍摄用户2,但不以此为限。
图15是本发明的基于面部检测的坐姿检测系统的另一种示意图。如图15所示,在一个优选实施例中,基于面部检测的坐姿检测系统是一个台式电脑,图像传感器为台式电脑的显示器4内置或是外接的摄像头41,摄像头41实时拍摄用户2,但不以此为限。
本发明的基于面部检测的坐姿检测系统能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
本发明实施例还提供一种基于面部检测的坐姿检测设备,包括处理器。存储器,其中存储有处理器的可执行指令。其中,处理器配置为经由执行可执行指令来执行的基于面部检测的坐姿检测方法的步骤。
如上所示,该实施例能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图16是本发明的基于面部检测的坐姿检测设备的结构示意图。下面参照图16来描述根据本发明的这种实施方式的电子设备600。图16显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图16所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现的基于面部检测的坐姿检测方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示,该实施例能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
图17是本发明的计算机可读存储介质的结构示意图。参考图17所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上,本发明的目的在于提供基于面部检测的坐姿检测方法、系统、设备及存储介质,能够基于用户面部位置及面部宽度(含肩部)在摄像头采集的图像中所在的位置和所占的面积的数据,实时地对用户的姿势识别并提醒。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (15)
1.一种基于面部检测的坐姿检测方法,其特征在于,包括以下步骤:
S100、在图像传感器获得的至少一张图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据;
S110、在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行步骤S130,若否,则返回步骤S110;
S130、采集所述实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回步骤S130,若否,则执行坐姿提醒操作,返回步骤S110。
2.如权利要求1所述的基于面部检测的坐姿检测方法,其特征在于:所述用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ。
3.如权利要求2所述的基于面部检测的坐姿检测方法,其特征在于:所述坐姿数据包括将n张图像中采集到的第一参考值和第二参考值;
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和。
4.如权利要求3所述的基于面部检测的坐姿检测方法,其特征在于:所述用户身体的宽度τ为图像中用户头部的宽度或者图像中用户肩部的宽度。
5.如权利要求3所述的基于面部检测的坐姿检测方法,其特征在于:所述步骤S130中包括以下步骤:
S131、判断所述实时图像中的用户身体的宽度τ是否大于其中,γ为第一预设阈值,若是,则执行提醒用户远离的提示,若否,则执行步骤S132;
S132、判断所述实时图像中的用户身体的宽度τ是否小于其中,δ为第二预设阈值,若是,则执行提醒用户靠近的提示,若否,则执行步骤S133;
S133、判断所述实时图像中的用户身体的宽度τ在的区间范围内,若是,则执行步骤S134;若否,则返回步骤S121;
S134、判断所述实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,若是,则执行提醒用户驼背的提示,若否,则执行步骤S131。
6.如权利要求1所述的基于面部检测的坐姿检测方法,其特征在于:自所述图像的左上角为原点,所述图像的左侧边为Y轴,所述图像的上侧边为X轴,建立图像坐标系,将用户面部与X轴最接近的点r的与Y轴的距离设为最小距离t;
设定用户面部与图像左侧边最接近的点p、用户面部与图像右侧边最接近的点q,将点p和点q之间的距离设为宽度τ。
7.如权利要求1所述的基于面部检测的坐姿检测方法,其特征在于:对用户进行面部识别,在图像上建立框定用户面部的矩形,所述矩形的四边分别平行于所述图像的四边,将图像上边沿与最接近的矩形的一条边的距离设为最小距离t,将矩形的宽度作为用户身体的宽度τ。
8.如权利要求5所述的基于面部检测的坐姿检测方法,其特征在于:所述步骤S110之后,步骤S130之前还包括步骤S120进行根据实时图像修正预设阈值,所述步骤S120包括以下步骤:
S120、获得所述图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;
S121、获得τ与第二参考值为的比值V;以及
S122、分别对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
9.一种基于面部检测的坐姿检测系统,用于实现权利要求1至8中任一项所述的基于面部检测的坐姿检测方法,其特征在于,包括:
标准坐姿参照模块,在图像传感器获得的至少一图像中采集用户面部特征以及根据用户身体在图像中的位置数据建立坐姿数据,储存该用户的面部特征以及对应的坐姿数据;
实时坐姿采集模块,在图像传感器实时获得的至少一张图像中采集到当前用户的面部特征,判断是否是有一位预存用户的面部特征与当前用户的面部特征相同,若是,则执行坐姿比对提醒模块,若否,则返回实时坐姿采集模块;以及
坐姿比对提醒模块,采集所述实时图像中用户身体在图像中的位置数据,判断实时采集的位置数据与预存的该用户的对应的坐姿数据的误差是否小于预设阈值,若是,则返回坐姿比对提醒模块,若否,执行坐姿提醒操作,返回实时坐姿采集模块。
10.如权利要求9所述的基于面部检测的坐姿检测系统,其特征在于:所述用户身体在图像中的位置数据包括:图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;
所述坐姿数据包括将n张图像中采集到的第一参考值和第二参考值;
其中,第一参考值为第二参考值为其中,αi=ti+τi,τi表示第i张图像中的用户身体的宽度τ,αi表示第i张图像中的最小距离t与宽度τ的和。
11.如权利要求10所述的基于面部检测的坐姿检测系统,其特征在于:当所述坐姿比对提醒模块判断所述实时图像中的用户身体的宽度τ大于γ为第一预设阈值,则执行提醒用户远离的提示;
当所述实时图像中的用户身体的宽度τ小于δ为第二预设阈值,则执行提醒用户靠近的提示;
当判断所述实时图像中的用户身体的宽度τ在的区间范围内,并且,所述实时图像中的最小距离t与宽度τ的和是否大于μ为第三预设阈值,则执行提醒用户驼背的提示。
12.如权利要求11所述的基于面部检测的坐姿检测系统,其特征在于:还包括环境学习模块;
所述环境学习模块获得所述图像中的用户头顶与图像上边沿之间的最小距离t以及图像中的用户身体的宽度τ;获得τ与第二参考值为的比值V;并且,对第一预设阈值γ、第二预设阈值δ以及第三预设阈值μ进行修正,γ=Vγ,δ=Vδ,μ=Vμ。
13.如权利要求9所述的基于面部检测的坐姿检测系统,其特征在于:所述基于面部检测的坐姿检测系统是一个移动终端,所述图像传感器为所述移动终端内置或是外接的摄像头;或者
所述基于面部检测的坐姿检测系统是一个台式电脑,所述图像传感器为所述台式电脑的显示器内置或是外接的摄像头。
14.一种基于面部检测的坐姿检测设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任意一项所述基于面部检测的坐姿检测方法的步骤。
15.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至8中任意一项所述基于面部检测的坐姿检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283419.5A CN110020628B (zh) | 2019-04-10 | 2019-04-10 | 基于面部检测的坐姿检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283419.5A CN110020628B (zh) | 2019-04-10 | 2019-04-10 | 基于面部检测的坐姿检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020628A true CN110020628A (zh) | 2019-07-16 |
CN110020628B CN110020628B (zh) | 2021-01-05 |
Family
ID=67190865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283419.5A Active CN110020628B (zh) | 2019-04-10 | 2019-04-10 | 基于面部检测的坐姿检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020628B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297938A (zh) * | 2021-05-17 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 坐姿监控的方法、装置、电子设备及存储介质 |
CN113487566A (zh) * | 2021-07-05 | 2021-10-08 | 杭州萤石软件有限公司 | 一种不良姿态检测方法、检测装置 |
CN113516033A (zh) * | 2021-04-30 | 2021-10-19 | 广东艾檬电子科技有限公司 | 一种坐姿提醒方法、系统、智能终端及存储介质 |
CN113591522A (zh) * | 2020-04-30 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置及存储介质 |
CN114078579A (zh) * | 2020-08-14 | 2022-02-22 | 迪迈医疗科技(宁波)有限公司 | 组织病理阅片模式学习系统、方法以及终端 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1215618A3 (en) * | 2000-12-14 | 2004-09-22 | Eastman Kodak Company | Image processing method for detecting human figures in a digital image |
CN102096801A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 一种坐姿检测方法及装置 |
CN103870843A (zh) * | 2014-03-21 | 2014-06-18 | 杭州电子科技大学 | 基于多特征点集活动形状模型的头部姿态估计方法 |
CN104239860A (zh) * | 2014-09-10 | 2014-12-24 | 广东小天才科技有限公司 | 一种使用智能终端时的坐姿检测与提醒方法及装置 |
CN107169453A (zh) * | 2017-05-16 | 2017-09-15 | 湖南巨汇科技发展有限公司 | 一种基于深度传感器的坐姿检测方法 |
CN107491751A (zh) * | 2017-08-14 | 2017-12-19 | 成都伞森科技有限公司 | 坐姿分析方法及装置 |
CN107766795A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 基于云平台的姿势监控方法 |
CN107976195A (zh) * | 2017-11-30 | 2018-05-01 | 达闼科技(北京)有限公司 | 机器人的定位导航系统及方法、存储介质、机器人 |
CN108601133A (zh) * | 2018-02-12 | 2018-09-28 | 甄十信息科技(上海)有限公司 | 一种智能台灯及基于智能台灯的坐姿纠正方法 |
US20190035246A1 (en) * | 2017-07-31 | 2019-01-31 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Monitoring bracelet and method of monitoring infant |
WO2019049248A1 (ja) * | 2017-09-06 | 2019-03-14 | 日立建機株式会社 | 作業機械 |
WO2019050136A1 (en) * | 2017-05-25 | 2019-03-14 | Samsung Electronics Co., Ltd. | METHOD AND SYSTEM FOR DETECTION OF A HAZARDOUS SITUATION |
CN109523755A (zh) * | 2018-12-17 | 2019-03-26 | 石家庄爱赛科技有限公司 | 立体视觉坐姿提醒装置和提醒方法 |
-
2019
- 2019-04-10 CN CN201910283419.5A patent/CN110020628B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1215618A3 (en) * | 2000-12-14 | 2004-09-22 | Eastman Kodak Company | Image processing method for detecting human figures in a digital image |
CN102096801A (zh) * | 2009-12-14 | 2011-06-15 | 北京中星微电子有限公司 | 一种坐姿检测方法及装置 |
CN103870843A (zh) * | 2014-03-21 | 2014-06-18 | 杭州电子科技大学 | 基于多特征点集活动形状模型的头部姿态估计方法 |
CN104239860A (zh) * | 2014-09-10 | 2014-12-24 | 广东小天才科技有限公司 | 一种使用智能终端时的坐姿检测与提醒方法及装置 |
CN107169453A (zh) * | 2017-05-16 | 2017-09-15 | 湖南巨汇科技发展有限公司 | 一种基于深度传感器的坐姿检测方法 |
WO2019050136A1 (en) * | 2017-05-25 | 2019-03-14 | Samsung Electronics Co., Ltd. | METHOD AND SYSTEM FOR DETECTION OF A HAZARDOUS SITUATION |
US20190035246A1 (en) * | 2017-07-31 | 2019-01-31 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Monitoring bracelet and method of monitoring infant |
CN107491751A (zh) * | 2017-08-14 | 2017-12-19 | 成都伞森科技有限公司 | 坐姿分析方法及装置 |
WO2019049248A1 (ja) * | 2017-09-06 | 2019-03-14 | 日立建機株式会社 | 作業機械 |
CN107766795A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 基于云平台的姿势监控方法 |
CN107976195A (zh) * | 2017-11-30 | 2018-05-01 | 达闼科技(北京)有限公司 | 机器人的定位导航系统及方法、存储介质、机器人 |
CN108601133A (zh) * | 2018-02-12 | 2018-09-28 | 甄十信息科技(上海)有限公司 | 一种智能台灯及基于智能台灯的坐姿纠正方法 |
CN109523755A (zh) * | 2018-12-17 | 2019-03-26 | 石家庄爱赛科技有限公司 | 立体视觉坐姿提醒装置和提醒方法 |
Non-Patent Citations (2)
Title |
---|
许运程等: ""基于 Kinect 的体感交互技术的坐姿检测方法"", 《科技创新》 * |
郑泽铭: ""人的坐姿检测方法及行为劝导研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591522A (zh) * | 2020-04-30 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置及存储介质 |
CN114078579A (zh) * | 2020-08-14 | 2022-02-22 | 迪迈医疗科技(宁波)有限公司 | 组织病理阅片模式学习系统、方法以及终端 |
CN113516033A (zh) * | 2021-04-30 | 2021-10-19 | 广东艾檬电子科技有限公司 | 一种坐姿提醒方法、系统、智能终端及存储介质 |
CN113297938A (zh) * | 2021-05-17 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 坐姿监控的方法、装置、电子设备及存储介质 |
CN113297938B (zh) * | 2021-05-17 | 2024-05-24 | 深圳市优必选科技股份有限公司 | 坐姿监控的方法、装置、电子设备及存储介质 |
CN113487566A (zh) * | 2021-07-05 | 2021-10-08 | 杭州萤石软件有限公司 | 一种不良姿态检测方法、检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110020628B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020628A (zh) | 基于面部检测的坐姿检测方法、系统、设备及存储介质 | |
Zhu et al. | Nonlinear eye gaze mapping function estimation via support vector regression | |
CN110495889A (zh) | 体态评估方法、电子装置、计算机设备及存储介质 | |
EP3681371B1 (en) | Reliability of gaze tracking data for left and right eye | |
CN108230293A (zh) | 确定人脸图像质量的方法和装置、电子设备和计算机存储介质 | |
KR101455200B1 (ko) | 학습 모니터링 장치 및 학습 모니터링 방법 | |
US11138421B2 (en) | Video feature tagging | |
CN104952221B (zh) | 智能防近视台灯 | |
CN108665687B (zh) | 一种坐姿监测方法和装置 | |
CN110555426A (zh) | 视线检测方法、装置、设备及存储介质 | |
CN114323368A (zh) | 一种基于臀部压力的柔性智能坐姿监测系统 | |
KR20130043366A (ko) | 시선 추적 장치와 이를 이용하는 디스플레이 장치 및 그 방법 | |
CN106725531B (zh) | 基于视线的儿童专注力测试分析系统和方法 | |
CN111248851A (zh) | 一种视功能自测方法 | |
CN111985371A (zh) | 坐姿检测方法、坐姿检测设备及课桌 | |
CN113052097A (zh) | 一种人体坐姿实时监测系统以及监测方法 | |
US10036902B2 (en) | Method of determining at least one behavioural parameter | |
KR20190120988A (ko) | 전자 장치 및 전자 장치의 제어 방법 | |
KR20190143742A (ko) | 학습 집중도 향상 장치 | |
Lee et al. | Development of a sitting posture monitoring system for children using pressure sensors: An application of convolutional neural network | |
KR100686517B1 (ko) | 동공 모양 모델링 방법 | |
KR20200000680U (ko) | 학습 집중도 향상 장치 | |
CN109284002B (zh) | 一种用户距离估算方法、装置、设备及存储介质 | |
CN113990512A (zh) | 异常数据检测方法及装置、电子设备和存储介质 | |
CN111933277A (zh) | 3d眩晕症的检测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |