CN110443147A - 一种坐姿识别方法、系统和存储介质 - Google Patents

一种坐姿识别方法、系统和存储介质 Download PDF

Info

Publication number
CN110443147A
CN110443147A CN201910618528.8A CN201910618528A CN110443147A CN 110443147 A CN110443147 A CN 110443147A CN 201910618528 A CN201910618528 A CN 201910618528A CN 110443147 A CN110443147 A CN 110443147A
Authority
CN
China
Prior art keywords
head zone
human region
sitting posture
region
ratio
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
Application number
CN201910618528.8A
Other languages
English (en)
Other versions
CN110443147B (zh
Inventor
谭攻坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Code Communication Technology Co Ltd
Original Assignee
Guangzhou Code Communication Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Code Communication Technology Co Ltd filed Critical Guangzhou Code Communication Technology Co Ltd
Priority to CN201910618528.8A priority Critical patent/CN110443147B/zh
Publication of CN110443147A publication Critical patent/CN110443147A/zh
Application granted granted Critical
Publication of CN110443147B publication Critical patent/CN110443147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种坐姿识别方法、系统和存储介质，所述坐姿识别方法包括以下步骤：获取输入图像；通过神经网络在输入图像中识别人体区域；通过神经网络在人体区域中识别头部区域；计算人体区域和头部区域的比例；根据人体区域和头部区域的比例判断坐姿是否正确。本发明通过识别人体区域和头部区域等特征明显、识别准确率高的区域，并求算人体区域和头部区域之间的比例，从而判断坐姿是否正确，相对于现有技术，本发明具有更高的准确率。因此，本发明可以广泛应用于图像识别领域。

Description

一种坐姿识别方法、系统和存储介质
技术领域
本发明涉及图像识别领域，尤其是一种坐姿识别方法、系统和存储介质。
背景技术
随着神经网络等机器学习技术的发展，图像识别技术被应用到各行各业，包括安防系统、游戏系统和电影工业等。利用神经网络之前需要对神经网络进行训练。而训练的数据则为大量经过标注的图片。经过训练的神经网络可以识别出不同的特征。
在生活的应用场景中，图像识别技术被用来识别各种内容，例如识别人的坐姿。对于很多人而言，不可避免地久坐，而一个正确的坐姿能够减少久坐对人体的损伤。
而如果要将图像识别技术应用在坐姿识别中，需要将大量经过标注的坐姿图片对神经网络进行训练，然而，人体坐姿具有多样性，正确坐姿与不正确坐姿之间区别不明显，导致训练得到的神经网络识别准确率低。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种坐姿识别方法、系统和存储介质，以提升识别的准确率。
本发明实施例的第一方面提供了：
一种坐姿识别方法，包括以下步骤：
获取输入图像；
通过神经网络在输入图像中识别人体区域；
通过神经网络在人体区域中识别头部区域；
计算人体区域和头部区域的比例；
根据人体区域和头部区域的比例判断坐姿是否正确。
进一步，所述人体区域为人体上半部分的区域。
进一步，所述计算人体区域和头部区域的比例，其具体包括：
确定人体区域在输入图像中的位置；
确定头部区域在输入图像中的位置；
根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例。
进一步，所述根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例，其具体包括：
将头部区域的顶部位置到人体区域底部位置之间的距离，以及头部区域的顶部位置到头部区域的底部位置之间的距离相除，得到人体区域和头部区域的比例；
或者
将头部区域的顶部位置到头部区域的底部位置之间的距离，以及头部区域的顶部位置到人体区域底部位置之间的距离相除，得到人体区域和头部区域的比例。
进一步，所述通过神经网络在输入图像中识别人体区域，其具体包括：
将输入图像输入到神经网络，提取出人体目标框以及人体目标框的置信度；
判断人体目标框的置信度是否大于第一预设阈值；
将置信度大于第一预设阈值的人体目标框所框选的区域作为人体区域。
进一步，所述通过神经网络在人体区域中识别头部区域，其具体包括：
从输入图像中裁剪出人体区域；
将裁剪得到的图像输入到神经网络，提取出头部目标框以及头部目标框的置信度；
判断头部目标框的置信度是否大于第二预设阈值；
将置信度大于第二预设阈值的头部目标框所框选的区域作为头部区域。
进一步，所述根据人体区域和头部区域的比例判断坐姿是否正确，其具体为：
根据人体区域和头部区域的比例是否落入预设范围，来判断坐姿正确或者不正确。
本发明实施例的第二方面提供了：
一种坐姿识别系统，包括：
获取单元，用于获取输入图像；
人体区域识别单元，用于通过神经网络在输入图像中识别人体区域；
头部区域识别单元，用于通过神经网络在人体区域中识别头部区域；
比例计算单元，用于计算人体区域和头部区域的比例；
判断单元，用于根据人体区域和头部区域的比例判断坐姿是否正确。
本发明实施例的第三方面提供了：
一种坐姿识别系统，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的坐姿识别方法。
本发明实施例的第四方面提供了：
一种存储介质，其存储有程序，所述程序被处理器加载时实现所述的坐姿识别方法。
本发明的有益效果是：本发明通过识别人体区域和头部区域等特征明显、识别准确率高的区域，并求算人体区域和头部区域之间的比例，从而判断坐姿是否正确，相对于现有技术，本发明具有更高的准确率。
附图说明
图1为本发明一种具体实施例的坐姿识别方法的流程图；
图2为本发明一种具体实施例的坐姿识别方法中头部区域和人体区域的示意图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
本实施例公开了一种坐姿识别方法，其采用神经网络对头部区域和人体区域等特征明显且识别准确率高的特征进行识别，从而根据头部区域和人体区域之间的比例判断坐姿是否正确，以达到较高的准确率。其中，本方法应用在坐姿提醒装置上，该坐姿提醒装置一般包括摄像头、处理器和外设，所述外设是扬声器、灯光或者振动装置等设备，所述摄像头用于拍摄用户的图像，而处理器则用于根据摄像头拍摄的图像进行坐姿识别，并通过外设提醒用户坐姿不正确。
参照图1，本实施例应用在处理器中，包括步骤S101～S105：
S101、获取输入图像。
所述输入图像由摄像头拍摄，处理器从摄像头获取输入图像作为待处理的图像。
S102、通过神经网络在输入图像中识别人体区域。
在本步骤中，所述神经网络经过大量训练样本的训练，其中，训练样本是指标注有人体区域的照片。所述神经网络可以采用卷积神经网络，所述卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。在本步骤中，通过经过训练的神经网络可以识别出人体区域。所述人体区域在本实施例中可以指人体全身的区域，也可以是指人体上半身的区域。在通常情况下，人坐着的时候，下半身往往会被障碍物遮挡，因而采用上半身作为识别的对象，具有更高的可靠性。
S103、通过神经网络在人体区域中识别头部区域。
在本步骤中，神经网络同样可以采用卷积神经网络实现，而本步骤中的神经网络与步骤S102中的神经网络可以是同一个网络，也可以是不同的两个网络。其取决于如何对神经网络进行构造和训练。此外，本步骤为了提升头部区域的识别准确率，降低识别难度，会将步骤S102中识别得到的人体区域作为识别对象，输入到神经网络中进行头部区域的识别。
S104、计算人体区域和头部区域的比例。
在本步骤中，计算人体区域和头部区域的比例的方式有很多。例如，先各自计算出人体区域和头部区域在纵向上的长度，然后根据两者的长度计算比例。所述比例的计算方式可以是头部区域的长度除以人体区域的长度，或者是人体区域的长度除以头部区域的长度。
当然，除了长度计算以外，也可以依据识别出来的区域的位置进行计算，例如，可以计算头部区域顶部位置和底部之间位置的距离，与头部区域顶部位置到人体区域底部位置之间的距离的比例。由于区域长度也是通过区域的位置坐标计算的，因而直接根据位置计算，步骤更少，效率更高。
S105、根据人体区域和头部区域的比例判断坐姿是否正确。
在本步骤中，可以根据人体区域和头部区域的比例是否落入一个预设的范围来确定坐姿是否正确。由于人在坐着的时候，如果坐姿不正确，腰椎和颈椎会弯曲，因而身体部分长度会减小。而头部的大小是通常不会发生变化的，加之头部前倾，因此在输入图像中，头部所占的比例会提升。例如，以人体区域除以头部区域的比例为例，假定人在处于正常坐姿时，该比例为X1～X2，如果从输入图像中测算的人体区域除以头部区域的比例为X3，且X3小于X1，则可以断定输入图像中的人体坐姿不正确，从而向用户发出提醒。
作为优选的实施例，本实施例为了避免用户处于坐姿时，下半身被桌子之类的物体所遮挡，导致坐姿的判断出现错误，在本实施例中，所述人体区域为人体上半部分的区域。其中，人体上半部分的区域需要根据训练的样本所指定的标准来确定。例如，可以将人体上半部分的区域定义为腰部以上的位置，或者定义为盆骨以上的位置为人体上半部分。
作为优选的实施例，所述计算人体区域和头部区域的比例，其具体包括：
确定人体区域在输入图像中的位置；
确定头部区域在输入图像中的位置；
根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例。
由于神经网络所输出的区域均由区域的顶点位置的坐标表示，因此，本实施例可以直接根据部分顶点的位置坐标来计算出人体区域和头部区域的比例。人体区域和头部区域输出的均为是个坐标点，在本实施例中，可以直接利用头部区域左上角的Y坐标，头部区域左下角的Y坐标以及人体区域左下角的Y坐标来计算，人体区域底部位置到头部区域顶部位置的距离，以及头部区域的长度，从而计算出人体区域和头部区域的比例。
作为优选的实施例，所述根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例，其具体包括：
将头部区域的顶部位置到人体区域底部位置之间的距离，以及头部区域的顶部位置到头部区域的底部位置之间的距离相除，得到人体区域和头部区域的比例；
或者
将头部区域的顶部位置到头部区域的底部位置之间的距离，以及头部区域的顶部位置到人体区域底部位置之间的距离相除，得到人体区域和头部区域的比例。
在本实施例中，人体区域和头部区域的比例有不同的计算方式，如图2所示，a头部区域的顶部位置到人体区域底部位置之间的距离，b表示头部区域的顶部位置到头部区域的底部位置之间的距离。最终算出的人体区域和头部区域的比例，可以采用a/b或者b/a进行表示，而本实施例采用不同的比例计算方式，只需要在做坐姿判断的识别时，采用不同的预设阈值就可以了。
由于人体区域的识别范围相对来说比头部区域的识别范围要大，加上本方案为了减少计算量，头部区域是在人体区域的基础上识别的。因此在识别人体区域的时候，识别范围相对于人体图像所占据的范围会更大，以确保头部区域落入人体区域内，也就是说，人体区域的顶部位置会比头区域的顶部位置要高。因此，如果通过计算头部区域和人体区域的长度来计算两者的比例，这个比例相对于本实施例的计算方法，偏差会更大。因而，本实施例的计算方式相对于分别计算头部区域和人体区域的长度再计算两者比例的方式准确度更高。
作为优选的实施例，所述通过神经网络在输入图像中识别人体区域，其具体包括：
将输入图像输入到神经网络，提取出人体目标框以及人体目标框的置信度；
判断人体目标框的置信度是否大于第一预设阈值；
将置信度大于第一预设阈值的人体目标框所框选的区域作为人体区域。
具体地，本实施例提供了人体区域的确定方法，本实施例通过检测神经网络所输出人体目标框的置信度是否大于第一预设阈值，来确定该人体目标框所框选的区域是否能够作为人体区域进行输出。在本实施例中，可以通过调节第一预设阈值的大小来调整识别的准确度。通常第一预设阈值调得越大，准确率越高。
作为优选的实施例，所述通过神经网络在人体区域中识别头部区域，其具体包括：
从输入图像中裁剪出人体区域；
将裁剪得到的图像输入到神经网络，提取出头部目标框以及头部目标框的置信度；
判断头部目标框的置信度是否大于第二预设阈值；
将置信度大于第二预设阈值的头部目标框所框选的区域作为头部区域。
在本实施例中，通过裁剪的方式将人体区域从输入图像裁剪出来，然后输入到神网络中进行头部区域的识别，通过这样的方式，一方面能够减小识别的区域面积，另一方面人体区域通常会包含头部区域，因而能够提升识别头部区域时的效率。
更进一步，一般情况下，头部区域处于人体区域的上半部分，在对输入图像裁剪时，可以直接将人体区域的上半部分裁剪出来，作为头部区域的识别时的输入对象，至于具体上半部分的裁剪比例，可以根据实际情况进行调节。
作为优选的实施例，所述根据人体区域和头部区域的比例判断坐姿是否正确，其具体为：
根据人体区域和头部区域的比例是否落入预设范围，来判断坐姿正确或者不正确。
在本实施例中，坐姿是否正确的判断方式，也是通过阈值比较，即比较人体区域和头部区域的比例是否落入一个预设阈值，如果是，则认为坐姿是正确的，如果不是，则认为坐姿是不正确的，本实施例会在检测到用户坐姿不正确的时候向用户发出提醒。例如，产生语音提醒、产生振动提醒或者产生灯光提醒。
本实施例公开了一种坐姿识别系统，其包括：
获取单元，用于获取输入图像；
人体区域识别单元，用于通过神经网络在输入图像中识别人体区域；
头部区域识别单元，用于通过神经网络在人体区域中识别头部区域；
比例计算单元，用于计算人体区域和头部区域的比例；
判断单元，用于根据人体区域和头部区域的比例判断坐姿是否正确。
本实施例公开了一种坐姿识别系统，其包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的坐姿识别方法。
本实施例公开了一种存储介质，其存储有程序，所述程序被处理器加载时实现所述的坐姿识别方法。
上述系统及存储介质实施例均用于实现上述方法实施例所述的坐姿识别方法，因此这些实施例也可以达到与方法实施例相同的技术效果。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种坐姿识别方法，其特征在于：包括以下步骤：
获取输入图像；
通过神经网络在输入图像中识别人体区域；
通过神经网络在人体区域中识别头部区域；
计算人体区域和头部区域的比例；
根据人体区域和头部区域的比例判断坐姿是否正确。
2.根据权利要求1所述的一种坐姿识别方法，其特征在于：所述人体区域为人体上半部分的区域。
3.根据权利要求1所述的一种坐姿识别方法，其特征在于：所述计算人体区域和头部区域的比例，其具体包括：
确定人体区域在输入图像中的位置；
确定头部区域在输入图像中的位置；
根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例。
4.根据权利要求3所述的一种坐姿识别方法，其特征在于：所述根据人体区域和头部区域在输入图像中的位置计算人体区域和头部区域的比例，其具体包括：
将头部区域的顶部位置到人体区域底部位置之间的距离，以及头部区域的顶部位置到头部区域的底部位置之间的距离相除，得到人体区域和头部区域的比例；
或者
将头部区域的顶部位置到头部区域的底部位置之间的距离，以及头部区域的顶部位置到人体区域底部位置之间的距离相除，得到人体区域和头部区域的比例。
5.根据权利要求1所述的一种坐姿识别方法，其特征在于：所述通过神经网络在输入图像中识别人体区域，其具体包括：
将输入图像输入到神经网络，提取出人体目标框以及人体目标框的置信度；
判断人体目标框的置信度是否大于第一预设阈值；
将置信度大于第一预设阈值的人体目标框所框选的区域作为人体区域。
6.根据权利要求5所述的一种坐姿识别方法，其特征在于：所述通过神经网络在人体区域中识别头部区域，其具体包括：
从输入图像中裁剪出人体区域；
将裁剪得到的图像输入到神经网络，提取出头部目标框以及头部目标框的置信度；
判断头部目标框的置信度是否大于第二预设阈值；
将置信度大于第二预设阈值的头部目标框所框选的区域作为头部区域。
7.根据权利要求1所述的一种坐姿识别方法，其特征在于：所述根据人体区域和头部区域的比例判断坐姿是否正确，其具体为：
根据人体区域和头部区域的比例是否落入预设范围，来判断坐姿正确或者不正确。
8.一种坐姿识别系统，其特征在于：包括：
获取单元，用于获取输入图像；
人体区域识别单元，用于通过神经网络在输入图像中识别人体区域；
头部区域识别单元，用于通过神经网络在人体区域中识别头部区域；
比例计算单元，用于计算人体区域和头部区域的比例；
判断单元，用于根据人体区域和头部区域的比例判断坐姿是否正确。
9.一种坐姿识别系统，其特征在于：包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1-7任一项所述的坐姿识别方法。
10.一种存储介质，其存储有程序，其特征在于：所述程序被处理器加载时实现如权利要求1-7任一项所述的坐姿识别方法。
CN201910618528.8A 2019-07-10 2019-07-10 一种坐姿识别方法、系统和存储介质 Active CN110443147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910618528.8A CN110443147B (zh) 2019-07-10 2019-07-10 一种坐姿识别方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910618528.8A CN110443147B (zh) 2019-07-10 2019-07-10 一种坐姿识别方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN110443147A true CN110443147A (zh) 2019-11-12
CN110443147B CN110443147B (zh) 2022-03-18

Family

ID=68430031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910618528.8A Active CN110443147B (zh) 2019-07-10 2019-07-10 一种坐姿识别方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN110443147B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113058233A (zh) * 2020-12-06 2021-07-02 泰州可以信息科技有限公司 落地区域分级管理系统及方法
WO2023179991A1 (de) * 2022-03-21 2023-09-28 Siemens Aktiengesellschaft Ermittlung der körperhaltung

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576953A (zh) * 2009-06-10 2009-11-11 北京中星微电子有限公司 一种人体姿态的分类方法和装置
CN101630410A (zh) * 2009-08-18 2010-01-20 北京航空航天大学 一种基于单摄像机的人体坐姿判定方法
CN101877064A (zh) * 2009-04-30 2010-11-03 索尼株式会社 图像分类方法及图像分类装置
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
US20110313622A1 (en) * 2009-01-30 2011-12-22 Fujikura Ltd. Occupant posture sensing apparatus and occupant posture sensing method
CN103488980A (zh) * 2013-10-10 2014-01-01 广东小天才科技有限公司 一种基于摄像头的坐姿判断方法和装置
US9235753B2 (en) * 2009-08-13 2016-01-12 Apple Inc. Extraction of skeletons from 3D maps
CN106022378A (zh) * 2016-05-23 2016-10-12 武汉大学 基于摄像头与压力传感器的颈椎病识别方法
CN106073167A (zh) * 2016-05-31 2016-11-09 常州米乔科技有限公司 一种坐站交替办公系统及其提醒方法
CN107169456A (zh) * 2017-05-16 2017-09-15 湖南巨汇科技发展有限公司 一种基于坐姿深度图像的坐姿检测方法
CN107368808A (zh) * 2017-07-20 2017-11-21 湖南科乐坊教育科技股份有限公司 一种儿童阅读状态检测方法及装置
CN107408308A (zh) * 2015-03-06 2017-11-28 柯尼卡美能达株式会社 姿势检测装置以及姿势检测方法
CN108256404A (zh) * 2016-12-29 2018-07-06 北京旷视科技有限公司 行人检测方法和装置
CN108416265A (zh) * 2018-01-30 2018-08-17 深圳大学 一种人脸检测方法、装置、设备及存储介质
CN108985216A (zh) * 2018-07-10 2018-12-11 常州大学 一种基于多元logistic回归特征融合的行人头部检测方法
CN109033919A (zh) * 2017-06-08 2018-12-18 富泰华精密电子（郑州）有限公司 岗位监测装置、方法和存储设备
CN109872359A (zh) * 2019-01-27 2019-06-11 武汉星巡智能科技有限公司 坐姿检测方法、装置及计算机可读存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110313622A1 (en) * 2009-01-30 2011-12-22 Fujikura Ltd. Occupant posture sensing apparatus and occupant posture sensing method
CN101877064A (zh) * 2009-04-30 2010-11-03 索尼株式会社 图像分类方法及图像分类装置
CN101576953A (zh) * 2009-06-10 2009-11-11 北京中星微电子有限公司 一种人体姿态的分类方法和装置
US9235753B2 (en) * 2009-08-13 2016-01-12 Apple Inc. Extraction of skeletons from 3D maps
CN101630410A (zh) * 2009-08-18 2010-01-20 北京航空航天大学 一种基于单摄像机的人体坐姿判定方法
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
CN103488980A (zh) * 2013-10-10 2014-01-01 广东小天才科技有限公司 一种基于摄像头的坐姿判断方法和装置
CN107408308A (zh) * 2015-03-06 2017-11-28 柯尼卡美能达株式会社 姿势检测装置以及姿势检测方法
CN106022378A (zh) * 2016-05-23 2016-10-12 武汉大学 基于摄像头与压力传感器的颈椎病识别方法
CN106073167A (zh) * 2016-05-31 2016-11-09 常州米乔科技有限公司 一种坐站交替办公系统及其提醒方法
CN108256404A (zh) * 2016-12-29 2018-07-06 北京旷视科技有限公司 行人检测方法和装置
CN107169456A (zh) * 2017-05-16 2017-09-15 湖南巨汇科技发展有限公司 一种基于坐姿深度图像的坐姿检测方法
CN109033919A (zh) * 2017-06-08 2018-12-18 富泰华精密电子（郑州）有限公司 岗位监测装置、方法和存储设备
CN107368808A (zh) * 2017-07-20 2017-11-21 湖南科乐坊教育科技股份有限公司 一种儿童阅读状态检测方法及装置
CN108416265A (zh) * 2018-01-30 2018-08-17 深圳大学 一种人脸检测方法、装置、设备及存储介质
CN108985216A (zh) * 2018-07-10 2018-12-11 常州大学 一种基于多元logistic回归特征融合的行人头部检测方法
CN109872359A (zh) * 2019-01-27 2019-06-11 武汉星巡智能科技有限公司 坐姿检测方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KY NA: "sitting posture classification of children using convolutional nearual network algorithm", 《WWW.DBPIA.CO.KR》 *
曾星 等: "基于深度传感器的坐姿检测系统", 《计算机科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113058233A (zh) * 2020-12-06 2021-07-02 泰州可以信息科技有限公司 落地区域分级管理系统及方法
WO2023179991A1 (de) * 2022-03-21 2023-09-28 Siemens Aktiengesellschaft Ermittlung der körperhaltung

Also Published As

Publication number Publication date
CN110443147B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
US11450080B2 (en) Image processing method and apparatus, and storage medium
US9881204B2 (en) Method for determining authenticity of a three-dimensional object
JP4655235B2 (ja) 情報処理装置および方法、並びにプログラム
JP5061645B2 (ja) 情報抽出方法、情報抽出装置、プログラム、登録装置及び照合装置
US9928404B2 (en) Determination device, determination method, and non-transitory storage medium
CN110223306B (zh) 一种图像的裁剪方法及装置
CN110569731A (zh) 一种人脸识别方法、装置及电子设备
JPWO2011148596A1 (ja) 顔特徴点位置補正装置、顔特徴点位置補正方法および顔特徴点位置補正プログラム
WO2017161734A1 (zh) 通过电视和体感配件矫正人体动作及系统
US9135506B2 (en) Method and apparatus for object detection
CN109785396B (zh) 基于双目相机的写字姿态监测方法、系统、装置
US11100360B2 (en) Tracking a head of a subject
US10496874B2 (en) Facial detection device, facial detection system provided with same, and facial detection method
CN110443147A (zh) 一种坐姿识别方法、系统和存储介质
CN110148092A (zh) 基于机器视觉的青少年坐姿及情绪状态的分析方法
US20240104769A1 (en) Information processing apparatus, control method, and non-transitory storage medium
CN114495241A (zh) 一种图像识别方法及装置、电子设备、存储介质
US20230289998A1 (en) Object recognition device, object recognition method, and recording medium
US20230185845A1 (en) Image selection apparatus, image selection method, and non-transitory computer-readable medium
CN111108515B (zh) 图片目标点纠正方法、装置设备及存储介质
WO2016106617A1 (zh) 人眼定位方法及装置
CN110826495A (zh) 基于面部朝向的身体左右肢体一致性跟踪判别方法及系统
JP2006343989A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
EP3076370B1 (en) Method and system for selecting optimum values for parameter set for disparity calculation
CN115035547A (zh) 坐姿检测方法、装置、设备及计算机存储介质

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