CN110472481B - 一种睡姿检测方法、装置及设备 - Google Patents
一种睡姿检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110472481B CN110472481B CN201910585062.6A CN201910585062A CN110472481B CN 110472481 B CN110472481 B CN 110472481B CN 201910585062 A CN201910585062 A CN 201910585062A CN 110472481 B CN110472481 B CN 110472481B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- key point
- identified
- node information
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 139
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 38
- 210000003414 extremity Anatomy 0.000 claims description 68
- 238000012937 correction Methods 0.000 claims description 46
- 230000001815 facial effect Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 210000003054 facial bone Anatomy 0.000 claims description 16
- 210000000707 wrist Anatomy 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 210000003557 bones of lower extremity Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种睡姿检测方法、装置及设备,包括:获取待识别用户的目标图像信息;基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息;基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。上述方案,通过建立人体骨骼关键点信息与睡姿的关联,保证了睡姿检测的准确性,并且在人体被部分遮挡的情况下,仍能实现对睡姿的检测。
Description
技术领域
本发明涉及机器视觉与智能监控领域,尤其是涉及一种睡姿检测方法、装置及设备。
背景技术
现代生活节奏快、压力大,人们的睡眠质量日益下降。为了获得饱满的精神状态,人们需要拥有高质量的睡眠。睡眠时,保证良好的睡姿,不仅能够显著提高睡眠质量,同时能够降低不良睡姿对身体健康的影响。然而,在睡眠过程中,人们无法对自我睡姿进行管控,容易长时间处于不良睡姿状态下,因此,对睡眠姿势的检测和监控成为了人们关心的重要问题。
现有技术中的睡姿检测方法主要以下两种:一种为采集人体睡眠时的姿态角数据,以此判断人体的睡眠姿势;另一种为利用穿戴式设备,对人体的位置信息进行监测,从而实现睡姿的检测。
但是,上述检测方法存在如下问题,利用穿戴式设备进行睡姿监护的方法易造成活动的不便,无法做到无感检测,而采集人体姿态角数据判断睡姿的方法,无法在人体被部分遮挡的情况下,识别出睡姿。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提出一种睡姿检测方法、装置及设备。
本发明实施例的第一方面提供了一种婴儿监护方法,包括:
获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息;
基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息;
基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
本发明实施例的第二方面提供了一种睡姿检测装置,包括:
采集单元,用于获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像和脸部图像;
处理单元,用于基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
识别单元,用于基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息;
确定单元,用于基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
本发明实施例的第三方面提供了一种睡姿检测设备,包括存储器、处理器以及存储在所述存储器中并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如上述第一方面所述的区域吸引力评估方法的步骤。
本发明实施例的第四方面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存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的睡姿检测方法的步骤。
本发明实施例中,获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息;基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息;基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。上述方案,基于目标图像,获取骨骼关键点信息,通过骨骼关键点信息提取睡姿特征,进而确定睡姿类型,该方案通过建立人体骨骼关键点信息与睡姿的关联,保证了睡姿检测的准确性,并综合考虑了睡眠状态下,人体被部分遮挡的情况,减少了遮挡物对睡姿检测结果的影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种睡姿检测方法的实现流程图;
图2是本发明实施例二提供的一种睡姿检测方法的实现流程图;
图3是本发明实施例二提供的一种睡姿检测方法中S203的实现流程图;
图4是本发明实施例二提供的一种睡姿检测方法中S206的实现流程图;
图5是本发明实施例三提供的一种睡姿检测方法的实现流程图;
图6是本发明实施例三提供的一种睡姿检测方法中S305的实现流程图;
图7是本发明实施例四提供的一种睡姿检测方法的实现流程图;
图8是本发明实施例四提供的一种睡姿检测方法中S405的实现流程图;
图9是本发明实施例提供的一种睡姿检测装置的示意图;
图10是本发明实施例提供的睡姿检测设备的示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1,图1是本发明实施例一提供的一种睡姿检测方法的实现流程图。本实施例中睡姿检测方法的执行主体为睡姿检测设备,如图1所示的睡姿检测方法可包括:
S101:获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息;
睡姿检测设备获取待识别用户的目标图像信息。其中,待识别用户可以是婴儿、儿童或成人,目标图像信息是待识别用户处于睡眠状态时的图像信息。该目标图像信息包括肢体信息和脸部信息,肢体图像信息为待识别用户的四肢图像信息和躯体图像信息,脸部图像信息为待识别用户的五官图像信息,目标图像信息必须同时包括肢体图像信息和脸部图像信息。
具体地,睡姿检测设备发送拍摄指令至拍摄设备,拍摄设备接收拍摄指令拍摄所述待识别用户,并将拍摄内容返回至睡姿检测设备,睡姿检测设备接收拍摄内容并进行合法性判断之后,获取目标图像信息。其中,拍摄设备即可以为睡姿检测设备自带的拍摄元件,也可以是与睡姿检测设备无线连接或有线连接的外部拍摄设备;拍摄内容可以为图片或视频,当拍摄内容为视频时,可以对该视频进行分帧处理,拍摄内容的具体格式在此不做限制;所述合法性判断是对拍摄内容是否包括肢体信息和脸部信息进行判断,同时包括肢体信息和脸部信息的拍摄内容具备合法性。睡姿检测设备获取具备合法性的拍摄内容,作为所述待识别用户的目标图像信息。
上述睡姿检测设备可以为微型计算机、智能手机或智能电视机等。本实施例采用树莓派3B系列的微型计算机,拍摄设备采用通过有线连接的外部拍摄设备,具体地,外部拍摄设备通过CSI接口或USB接口与该微型计算机进行连接。
S102:基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息。
人体骨骼关键点能够描述人体姿态、预测人体行为,是诸多计算机视觉任务的基础,例如动作分类、异常行为检测,以及自动驾驶等等,具体应用主要集中在智能视频监控、病人监护系统、人机交互和智能家居等领域。本实施例中,所述人体骨骼关键点包括人体主要关节和五官等,其获取方法包括以下两种类型:第一种为自上而下,第二种是自下而上。自上而下的人体骨骼关键点获取算法包括:人体检测和单人人体关键点检测,即首先通过目标检测算法将每一个人检测出来,然后在检测框的基础上针对单个人做人体骨骼关键点的检测,代表性算法有:Mask R-CNN(实例分割模型)及RMPE(区域多人姿势估计)等,自下而上的人体骨骼关键点获取算法包括:关键点检测和关键点聚类,即首先需要将图片中所有的关键点都检测出来,然后通过相关策略将所有的关键点聚类成不同的个体,代表性算法有:PAF(部分亲和字段)、Associative Embedding(嵌入式联接)及Mid-Range offsets(中区偏移量)等。
在本实施例中,采用基于上述PAF的Openpose算法进行骨骼关键点信息的获取。Openpose为一个开源项目,能够实现人体骨骼各关节点的提取及定位,Openpose可以通过接收上述目标图像信息,将目标图像信息经过10层VGG19网络转化为图像特征,并将该图像特征分为两个分支分别送入深层卷积网络,得到骨骼关键点,之后再预测骨骼关键点的可信度S和亲和度向量L,通过贪心推理,实现骨骼关键点的聚类,最后实现骨架的组装,输出Json文件,该Json文件是将人体骨架图和骨骼关键点信息封装的Json格式文件。
具体地,在睡姿检测设备将所述目标图像信息输送至Openpose之前,需预先在PC端搭建Openpose项目环境。其中,该PC端的系统可以为Windows操作系统、Linux操作系统或MAC操作系统,本实施例选用Windows操作系统。在Windows操作系统上搭建Openpose的项目环境包括以下步骤:安装运行环境所需的软件包括Visual Studio、Cuda8.0和Cudnn;安装完成后,在Github上下载Openpose的模型文件,运行模型文件路径Openpose-master/models下的getModels.bat文件或getModels.sh文件;运行完成后点击../openpose-master/windows/路径下的OpenPose.sln文件;之后通过Visual Studio打开Openpose项目,将OpenposeDemo设为启动项目,完成PC端中Openpose项目环境的搭建。
睡姿检测设备基于所述目标图像信息获取所述待识别用户的骨骼关键点信息。具体地,睡姿检测设备与PC端建立连接,将所述待识别用户的目标图像信息输送至PC端的Openpose中,处理完成后,Openpose返回将人体骨架图和骨骼关键点信息封装的Json格式文件,睡姿检测设备接收该Json格式文件,并对其进行解析,获取所述待识别用户的骨骼关键点信息。其中,所述待识别用户的骨骼关键点信息可以是骨骼关键点的二维坐标,也可以是骨骼关键点的整体架构图。所述待识别用户的骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息,肢体骨骼关键点信息包括颈部节点信息、左右肩部节点信息、左右手肘部节点信息、左右手腕部节点信息、左右臀部节点信息、胸部节点信息、背部节点信息、左右膝盖部节点信息和左右脚腕部节点信息等,本领域技术人员可根据需要选择其中的一个或多个进行组合;脸部骨骼关键点信息包括眼部节点信息、鼻部节点信息和耳部节点信息等,本领域技术人员可根据需要选择其中的一个或多个进行组合。
S103:基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息。
睡姿检测设备基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息。睡姿特征信息用于确定所述待识别用户的睡姿类型,可表示为二维向量(A,B)。属性A可取值为:双臂在身体一侧或双臂在身体两侧,双腿在身体一侧或双腿在身体两侧,双肩坐标重叠或双肩坐标不重叠等。属性B可取值为:脸部朝向侧面、脸部朝向上面或脸部朝向下面等。
在本实施例中,选择属性A和B的可取值,分别为:双臂在身体一侧或双臂在身体两侧,脸部朝向侧面、脸部朝向上面或脸部朝向下面。睡姿检测设备可通过以下两种方式,但不限于以下两种方式获取属性A的值,第一种:睡姿检测设备可以通过获取肢体骨骼关键点信息,该信息为二维坐标,进行双臂坐标和身体躯干坐标的计算,判断双臂在身体一侧还是在身体两侧,获取属性A的值;第二种,睡姿检测设备也可以通过获取骨骼关键点的整体架构图,识别所述待识别用户的双臂位置和身体躯干位置,判断双臂在身体一侧还是在身体两侧,获取属性A的值。睡姿检测设备可通过以下两种方式,但不限于以下两种方式获取属性B的值,第一种:睡姿检测设备可以通过获取脸部骨骼关键点的二维坐标,构建脸部骨骼的立体图像,判断脸部朝向侧面、上面还是下面,获取属性B的值;第二种,睡姿检测设备可以通过获取脸部骨骼关键点的整体架构图,与已知脸部朝向的整体架构图进行对比,计算相似度,根据相似度判断脸部朝向侧面、上面还是下面,获取属性B的值。
S104:基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
睡姿检测设备基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。其中,预设睡姿特征信息可表示为二维向量(A,B)。其中,属性A可取值为:双臂在身体一侧或双臂在身体两侧,属性B可取值为:脸部朝向侧面、脸部朝向上面或脸部朝下下面。预设睡姿类型为侧卧、仰卧或俯卧。预设睡姿特征信息与预设睡姿类型之间的对应关系为:当预设睡姿特征信息为双臂在身体一侧,脸部朝向侧面或脸部朝向上面,预设睡姿类型为侧卧;当预设睡姿特征信息为双臂在身体两侧,脸部朝向上面时,预设睡姿类型为仰卧;当预设睡姿特征信为双臂在身体两侧,脸部朝向下面或者脸部朝向侧面时,预设睡姿类型为俯卧。
睡姿检测设备可以发送报警信息至用户。具体地,在睡姿检测设备中预设报警条件,该预设报警条件可以为一种或多种睡姿类型。例如,预设报警睡姿类型为俯卧,则当睡姿检测设备检测到待识别用户的睡姿类型为俯卧时,发出报警信息。该报警信息的形式可以为语音形式、音乐形式或者文字形式,凡是能够提醒用户调整睡姿的报警信息的形式都在本实施例的保护范围内。发送报警信息的设备可以是睡姿检测设备自带的报警单元,也可以是连接于睡姿检测设备的外部报警装置。本实施例选用由51单片机、LCD1602、蜂鸣器以及HC-05蓝牙构成的装置作为发送报警信息的外部报警装置,该装置可以通过无线或有线方式与睡姿检测设备连接,当睡姿检测设备检测到待识别用户的睡姿类型与预设报警睡姿类型相同时,发送报警信号至外部报警装置,外部报警装置接收该报警信号,并发出报警信息。
预设报警信息也可以为预设温度值或预设湿度值。睡姿检测设备可与温湿度传感器进行连接,通过温湿度传感器检测当前环境的温度及湿度。若当前环境的温度及湿度超过预设温度值或预设湿度值,并且持续时长满足预设时长时,睡姿检测设备发出报警信息。例如,当温湿度传感器检测到当前环境温度高于28度并且持续时长为2分钟时,则发送信号至睡姿检测设备,睡姿检测设备接收该信号,并发出报警信息。或者,当温湿度传感器检测到当前环境湿度高于80%并且持续时长为3分钟时,则发送信号至睡姿检测设备,睡姿检测设备接收该信息,并发出报警信息。
请参见图2,图2是本发明实施例二提供的一种睡姿检测方法的实现流程图。本实施例中的睡姿检测方法的执行主体为睡姿检测设备,其中睡姿检测设备包括但不限于微型处理器、服务器、智能电视、智能收集、和台式计算机等等,具体如下:
S201:获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息。
S202:基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息。
S203:基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的人体中线。
S204:基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息。
S205:基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。
S206:基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息。
S207:基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
本实施方式与上一实施方式类似,其不同之处在于步骤S203~S206,步骤S201~S202、S207请参阅步骤S101~S102、S104的相关描述,此处不在赘述。S203~S206具体如下:
S203:基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的人体中线。
睡姿检测设备可以基于所述肢体骨骼关键点信息和脸部骨骼关键点信息提取人体中线附近的骨骼关键点信息,人体中线附近的骨骼关键点信息包括:颈部节点信息、胸背部节点信息、左右胯部节点信息、左右臀部节点信息、鼻部节点信息和嘴部节点信息等,上述节点信息为对应节点的二维坐标。睡姿检测设备通过对上述节点信息进行曲线拟合,确定所述待识别用户的人体中线。
或者,睡姿检测设备还可以基于所述肢体骨骼关键点信息和脸部骨骼关键点信息提取鼻部节点信息和胸部节点信息,并将对应节点进行连线,确定所述待识别用户的人体中线;还可以提取嘴部节点信息和左右臀部节点的中点信息,并将对应节点进行连线,确定所述待识别用户的人体中线。
进一步地,为了准确识别脸部特征信息,S203可以包括S2031~S2034,如图3所示,S2031~S2034具体如下:
S2031:基于所述肢体骨骼关键点信息和脸部骨骼关键点确定所述待识别用户的初始人体中线;
睡姿检测设备基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的初始人体中线。其中,初始人体中线为未经过误差修正的待识别用户的人体中线,睡姿检测设备获取初始人体中线的方式可以为S203中所述的任意一中确定所述待识别用户人体中线的方式。
S2032:基于所述肢体骨骼关键点信息和脸部骨骼关键点提取所述待识别用户的修正节点信息。
睡姿检测设备基于所述肢体骨骼关键点信息和脸部骨骼关键点提取所述待识别用户的修正节点信息。其中,所述修正节点信息包括鼻部节点信息、颈部节点信息、左肩部节点信息、右肩部节点信息、左耳部节点信息和右耳部节点信息。本实施例所选取的修正节点信息除上述节点信息的组合外,还可以选取初始人体中线附近,易造成人体中线误差的其他骨骼关键点信息。
S2033:将所述修正节点信息输入预设的第一神经网络进行处理,得到修正因子;所述修正因子用于修正所述初始人体中线的误差。
睡姿检测设备中预设了第一神经网络模型,该神经网络模型为BP神经网络模型,BP神经网络模型是一种按误差逆传播算法训练的多层前馈网络模型,本实施例采用的第一神经网络模型包括一层输入层、六层隐含层和一层输出层。其中,输入层为修正节点信息,即为修正节点的坐标;输出层为修正因子,用于修正初始人体中线的误差,该修正因子可以是初始人体中线在平面直角坐标系中的斜率误差和截距误差,也可以是初始人体中线上每个节点信息的数值误差。隐含层的激活函数为双曲正切函数,训练算法为缩小权值的方向传播算法BP。睡姿检测设备将所述修正节点信息输入至预设的第一神经网络中,接收预设的第一神经网络返回的修正因子。
S2034:基于所述修正因子修正所述初始人体中线,确定所述待识别用户的人体中线。
睡姿检测设备基于所述修正因子修正所述初始人体中线,确定所述待识别用户的人体中线。睡姿检测设备根据得到的修正因子,修正初始人体中线在平面直角坐标系中的斜率误差和截距误差,或者睡姿检测设备根据得到的修正因子,修正初始人体中线上对应的节点信息的数值误差,确定所述待识别用户的人体中线。
S204:基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息。
睡姿检测设备基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息。其中,手臂节点信息包括左手臂节点信息和右手臂节点信息。睡姿检测设备基于所述肢体骨骼关键点信息,提取左手腕部节点信息、左手肘部节点信息和左肩部节点信息,将左手腕部节点、左手肘部节点和左肩部节点连线构成三角形,计算该三角形的中心坐标,该中心坐标即为所述待识别用户的左手臂节点信息,提取右手臂节点信息的步骤与提取左手臂节点信息的步骤相同。
或者,睡姿检测设备计算左手腕部节点信息、左手肘部节点信息和左肩部节点信息的平均值作为左手臂节点信息,计算右手腕部节点信息、右手肘部节点信息和右肩部节点信息的平均值作为右手臂节点信息,完成所述待识别用户的手臂节点信息的提取。
S205:基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。
睡姿检测设备基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。其中,手臂节点信息包括左手臂节点信息和右手臂节点信息,肢体特征信息包括双臂在身体一侧和双臂在身体两侧。睡姿检测设备分别判断左右手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。例如,当左手臂节点信息位于所述人体中线的左侧时,所述待识别用户的左手臂在身体的左侧,当右臂节点信息位于所述人体中线的右侧时,所述待识别用户的右手臂在身体的右侧,睡姿检测设备由此可判断左右手臂位于人体中线的两侧,识别所述待识别用户的肢体特征信息为双臂在身体两侧。
S206:基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息。睡姿检测设备基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息。其中,脸部特征信息包括脸部朝向侧面、脸部朝向上面和脸部朝向下面。具体地,睡姿检测设备可以通过获取脸部骨骼关键点的二维坐标,构建脸部骨骼的立体图像,判断脸部朝向侧面、上面还是下面,识别所述待识别用户的脸部特征信息。或者睡姿检测设备可以通过获取脸部骨骼关键点的整体架构图,与已知脸部朝向的整体架构图进行对比,计算相似度,根据相似度判断脸部朝向侧面、上面还是下面,识别所述待识别用户的脸部特征信息。
进一步地,为了准确识别脸部特征信息,S206可以包括S2061~S2062,如图4所示,S2061~S2061具体如下:
S2061:基于所述脸部骨骼关键点信息确定所述待识别用户的眼部节点个数。
睡姿检测设备基于所述脸部骨骼关键点信息确定所述待识别用户的眼部节点个数。其中,眼部节点个数为睡姿检测设备能够从脸部图像信息中提取出的眼部节点个数,该眼部节点个数会由于睡姿的改变而发生改变,可能为0个、1个或2个。
S2062:基于所述眼部节点个数,预设眼部节点个数与预设脸部特征信息之间的对应关系,识别所述待识别用户的脸部特征信息。
预设眼部节点个数为0个、1个或2个,预设脸部特征信息为脸部朝向侧面、脸部朝向上面或脸部朝向下面。睡姿检测设备中,提前设置了预设眼部节点个数与预设脸部特征信息之间的对应关系,该对应关系为:当预设眼部节点个数为0个时,预设脸部特征信息为脸部朝向下面;当预设眼部节点个数为1个时,预设脸部特征信息为脸部朝向侧面;当预设眼部节点个数为2个时,预设脸部特征信息为脸朝向上面。睡姿检测设备基于所述眼部节点个数和上述对应关系,识别所述待识别用户的脸部特征信息。
睡姿特征信息包括肢体特征信息和脸部特征信息,根据步骤S203~S206,睡姿检测设备分别识别肢体特征信息和脸部特征信息,进而识别所述待识别用户的睡姿特征信息。
请参见图5,图5是本发明实施例三提供的一种睡姿检测方法的实现流程图。本实施例中的睡姿检测方法的执行主体为睡姿检测设备,其中睡姿检测设备包括但不限于微型处理器、服务器、智能电视、智能收集、和台式计算机等等。
具体如下:
S301:获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息。
S302:基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息。
S303:基于所述肢体骨骼关键点信息提取所述待识别用户的胸部节点信息。
S304:基于所述脸部骨骼关键点信息提取所述识别用户的鼻部节点信息。
S305:基于所述胸部节点信息和鼻部节点信息的连线,确定所述待识别用户的人体中线。
S306:基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息。
S307:基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。
S308:基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息。
S309:基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
本实施方式与上一实施方式类似,其不同之处在于步骤S303~S305,步骤S301~S302、S306~S309请参阅步骤S201~S202、S204~S207的相关描述,此处不在赘述。S303~S305具体如下:
S303:基于所述肢体骨骼关键点信息提取所述待识别用户的胸部节点信息。
睡姿检测设备基于所述肢体骨骼关键点信息提取所述待识别用户的胸部节点信息。其中,所述待识别用户的胸部节点信息为二维坐标,该胸部节点信息也可以是背部节点信息,在俯卧及仰卧时两者的二维坐标重合。
S304:基于所述脸部骨骼关键点信息提取所述识别用户的鼻部节点信息。
睡姿检测设备基于所述脸部骨骼关键点信息提取所述识别用户的鼻部节点信息。其中,所述待识别用户的鼻部节点信息为二维坐标。
S305:基于所述胸部节点信息和鼻部节点信息的连线,确定所述待识别用户的人体中线。
睡姿检测设备基于所述胸部节点信息和鼻部节点信息的连线,确定所述待识别用户的人体中线。其中,人体中线为胸部节点与鼻部节点的连线所对应的直线方程。例如,当胸部节点信息为(x1,y1),鼻部节点信息为(x2,y2),带入直线方程y=kx+b,计算斜率为k1,和截距b1,求得直线y=k1x+b1即为人体中线。
进一步地,为了准确地确定所述待识别用户的人体中线,S305可以包括S3051~S3054,如图6所示,S3051~S3054具体如下:
S3051:基于所述肢体骨骼关键点信息和脸部骨骼关键点确定所述待识别用户的初始人体中线;
睡姿检测设备基于所述肢体骨骼关键点信息提取所述待识别用户的胸部节点信息,基于所述脸部骨骼关键点信息提取所述识别用户的鼻部节点信息。基于胸部节点信息和鼻部节点信息的连线,确定所述待识别用户的初始人体中线。本步骤中确定的初始人体中线即为步骤S305中确定的人体中线,过程不再赘述,下述步骤中用y=k1x+b1表示所述待识别用户的初始人体中线所对应的方程。
S3052:基于所述肢体骨骼关键点信息和脸部骨骼关键点提取所述待识别用户的修正节点信息;所述修正节点信息包括鼻部节点信息、颈部节点信息、左肩部节点信息、右肩部节点信息、左耳部节点信息和右耳部节点信息;
睡姿检测设备基于所述肢体骨骼关键点信息和脸部骨骼关键点提取所述待识别用户的修正节点信息。其中,所述修正节点信息包括鼻部节点信息、颈部节点信息、左肩部节点信息、右肩部节点信息、左耳部节点信息和右耳部节点信息,上述节点信息都为二维坐标。所述修正节点信息并不局限于上述组合,睡姿检测设备还可以基于所述肢体骨骼关键点信息和脸部骨骼关键点信息,提取能够调整所述初始人体中线的其他节点信息,作为修正节点信息。
S3053:将所述修正节点信息输入预设的第一神经网络进行处理,得到修正因子;所述修正因子用于修正所述初始人体中线的误差。
睡姿检测设备中预设第一神经网络模型,该第一神经网络模型可以为BP神经网络模型,BP神经网络模型是一种按误差逆传播算法训练的多层前馈网络,本实施例采用的第一神经网络包括一层输入层、六层隐含层和一层输出层。其中,输入层为由6个修正节点信息中的横坐标和纵坐标共12个数值组成的向量,即(p1,p2,…,p12)。输出层为由修正因子组成的向量,即(o1,o2),o1对应修正因子λ,λ为人体中线的斜率k1的误差,o2对应修正因子δ,δ为人体中线的截距b1的误差。隐含层的激活函数为双曲正切函数,训练算法为缩小权值的反向传播算法BP,第二神经网络的学习率设置为0.05,误差精度设置为0.005。睡姿检测设备将所述修正节点信息输入至预设的第二神经网络中,即可得到对应的修正因子λ和δ。
S3054:基于所述修正因子修正所述初始人体中线,确定所述待识别用户的人体中线。
睡姿检测设备基于所述修正因子λ和δ,分别修正人体中线的斜率k和截距b,得到新的人体中线:y=(k1+λ)x+b1+δ,即为所述待识别用户的人体中线。
请参见图7,图7是本发明实施例四提供的一种睡姿检测方法的实现流程图。本实施例中的睡姿检测方法的执行主体为睡姿检测设备,其中睡姿检测设备包括但不限于微型处理器、服务器、智能电视、智能收集、和台式计算机等等,具体如下:
S401:获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息。
S402:基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息。
S403:基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的人体中线。
S404:基于所述肢体骨骼关键点信息,提取所述待识别用户的初始手臂节点信息;所述初始手臂节点信息包括右肩部节点信息、左肩部节点信息、右手腕部节点信息、左手腕部节点信息、右手肘部节点信息和左手肘部节点信息。
S405:对所述初始手臂节点信息进行加权处理,得到所述待识别用户的手臂节点信息。
S406:基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息。
S407:基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息。
S408:基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
本实施方式与第二种实施方式类似,其不同之处在于步骤S404~S405,步骤S401~S403、S406~S408请参阅步骤S201~S203、S205~S207的相关描述,此处不在赘述。S404~S405具体如下:
S404:基于所述肢体骨骼关键点信息,提取所述待识别用户的初始手臂节点信息;所述初始手臂节点信息包括右肩部节点信息、左肩部节点信息、右手腕部节点信息、左手腕部节点信息、右手肘部节点信息和左手肘部节点信息。
睡姿检测设备基于所述肢体骨骼关键点信息,提取所述待识别用户的初始手臂节点信息。其中,所述初始手臂节点信息包括右肩部节点信息、左肩部节点信息、右手腕部节点信息、左手腕部节点信息、右手肘部节点信息和左手肘部节点信息,上述节点信息均为二维坐标。所述初始手臂节点信息并不局限上述组合,睡姿检测设备还可以基于所述肢体骨骼关键点信息,提取在所述待识别用户手臂上的其他节点信息,组成所述初始手臂节点信息。
S405:对所述初始手臂节点信息进行加权处理,得到所述待识别用户的手臂节点信息。
睡姿检测设备对所述初始手臂关键点信息进行加权处理。其中,加权处理中的权值可以预设在睡姿检测设备中,通过预设的权值,对初始手臂关键进行加权平均处理,得到所述手臂节点信息。例如,当左右手肘部节点信息为(x1,y1),(x2,y2),左右腕部的节点信息为(x3,y3),(x4,y4),左右肩部的节点信息为(x5,y5),(x6,y6)时,预设的权值为q1,q2,q3,q4,q5,q6,手臂节点信息的横坐标a和纵坐标b的计算公式如下:
计算的坐标结果(a,b)即为所述待识别用户的手臂节点信息。
进一步地,为了准确地得到所述待识别用户的手臂节点信息,S405可以包括S4051~S4052,如图8所示,S4051~S4052具体如下:
S4051:将所述初始手臂节点信息输入预设的第二神经网络进行处理,得到所述初始手臂节点对应的权值。
睡姿检测设备中预设第二神经网络模型,该第二神经网络模型可以为BP神经网络模型,本实施例采用的第二神经网络包括一层输入层、六层隐含层和一层输出层。其中,输入层为由初始手臂节点的横坐标和纵坐标共12个数值组成的向量,例如,当左右手肘部节点信息为(x1,y1),(x2,y2),左右腕部的节点信息为(x3,y3),(x4,y4),左右肩部的节点信息为(x5,y5),(x6,y6)时,输入层输入的即为(x1,y1,…,x6,y6)。输出层为所述初始手臂节点对应的权值,即(q1 ′,q2 ′,q3 ′,q4 ′,q5 ′,q6 ′)。隐含层的激活函数选用双曲正切函数,训练算法为缩小权值的反向传播算法BP。睡姿检测设备将所述初始手臂节点信息输入至预设的第二网络模型中,得到所述初始手臂节点对应的权值q1 ′,q2 ′,q3 ′,q4 ′,q5 ′,q6 ′。
S4052:利用所述权值对所述初始手臂节点进行加权处理,得到所述待识别用户的手臂节点信息。
睡姿检测设备利用所述权值对所述初始手臂节点进行加权处理,得到所述待识别用户的手臂节点信息。所述手臂节点信息为二维坐标,横坐标a′和纵坐标b′的计算公式如下:
计算的坐标结果(a′,b′)即为所述待识别用户的手臂节点信息。
请参见图9,图9是本发明实施例提供的一种睡姿检测装置的示意图。包括的各单元用于执行图1~图8对应的实施例中的各步骤,具体请参阅图1~图8各自对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图9,睡姿检测装置5包括:
采集单元510,用于获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像和脸部图像;
处理单元520,用于基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
提取单元530,用于基于所述骨骼关键点信息提取所述待识别用户的睡姿特征信息;
确定单元540,用于基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
请参见图10,图10是本发明实施例提供的睡姿检测设备的示意图。如图9所示,该实施例的睡姿检测设备6包括:处理器600、存储器610以及存储在所述存储器610中并可在所述处理器600上运行的计算机程序620,例如睡姿检测程序。所述处理器600执行所述计算机程序620时实现上述各个睡姿检测方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器900执行所述计算机程序620时实现上述各装置实施例中各模块/单元的功能,例如图所示模块510至540的功能。
示例性的,所述计算机程序620可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器610中,并由所述处理器600执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序620在所述睡姿检测设备6中的执行过程。例如,所述计算机程序620可以被分割成采集单元、处理单元、提取单元、确定单元,各单元具体功能如下:
采集单元,用于获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像和脸部图像;
处理单元,用于基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
识别单元,用于基于所述骨骼关键点信息识别所述待识别用户的睡姿特征信息;
确定单元,用于基于所述睡姿特征信息、预设睡姿特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
所述睡姿检测设备6可包括,但不仅限于,处理器600、存储器610。本领域技术人员可以理解,图10仅仅是睡姿检测设备6的示例,并不构成对睡姿检测设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述睡姿检测设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器610可以是所述睡姿检测设备6的内部存储单元,例如睡姿检测设备6的硬盘或内存。所述存储器610也可以是所述睡姿检测设备6的外部存储设备,例如所述睡姿检测设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器610还可以既包括所述睡姿检测设备6的内部存储单元也包括外部存储设备。所述存储器610用于存储所述计算机程序以及所述睡姿检测设备所需的其他程序和数据。所述存储器610还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (8)
1.一种睡姿检测方法,其特征在于,包括:
获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像信息和脸部图像信息;
基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的初始人体中线以及修正节点信息;
将所述修正节点信息输入预设的第一神经网络进行处理,得到修正因子,其中,所述第一神经网络包括一层输入层、六层隐含层和一层输出层;输入层为由修正节点信息中的横坐标和纵坐标组成的向量,输出层为由修正因子中的人体中线的斜率的误差以及人体中线的截距的误差组成的向量,隐含层的激活函数为双曲正切函数,训练算法为缩小权值的反向传播算法;
基于所述修正因子修正所述初始人体中线,确定所述待识别用户的人体中线,其中,所述待识别用户的人体中线为:
y=(k1+λ)x+b1+δ
式中,y表示为纵坐标,x表示为横坐标,k1为初始人体中线的斜率,λ为初始人体中线的斜率的误差,b1为初始人体中线的截距,δ为初始人体中线的截距的误差;
基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息;
基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息;
基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息;
基于所述肢体特征信息、脸部特征信息、预设肢体特征信息、预设脸部特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
2.根据权利要求1所述的睡姿检测方法,其特征在于,所述基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的人体中线,包括:
基于所述肢体骨骼关键点信息提取所述待识别用户的胸部节点信息;
基于所述脸部骨骼关键点信息提取所述识别用户的鼻部节点信息;
基于所述胸部节点信息和鼻部节点信息的连线,确定所述待识别用户的人体中线。
3.根据权利要求1或2所述的睡姿检测方法,其特征在于,所述基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息,包括:
基于所述脸部骨骼关键点信息确定所述待识别用户的眼部节点个数;
基于所述眼部节点个数,预设眼部节点个数与预设脸部特征信息之间的对应关系,识别所述待识别用户的脸部特征信息。
4.根据权利要求1或2所述的睡姿检测方法,其特征在于,所述基于所述肢体骨骼关键点信息确定所述待识别用户的手臂节点信息,包括:
基于所述肢体骨骼关键点信息,提取所述待识别用户的初始手臂节点信息;所述初始手臂节点信息包括右肩部节点信息、左肩部节点信息、右手腕部节点信息、左手腕部节点信息、右手肘部节点信息和左手肘部节点信息;
对所述初始手臂节点信息进行加权处理,得到所述待识别用户的手臂节点信息。
5.根据权利要求4所述的睡姿检测方法,其特征在于,所述对所述初始手臂节点信息进行加权处理,得到所述待识别用户的手臂节点信息,包括:
将所述初始手臂节点信息输入预设的第二神经网络进行处理,得到所述初始手臂节点对应的权值;
利用所述权值对所述初始手臂节点进行加权处理,得到所述待识别用户的手臂节点信息。
6.一种睡姿检测装置,其特征在于,包括:
采集单元,用于获取待识别用户的目标图像信息;其中,所述目标图像信息包括肢体图像和脸部图像;
处理单元,用于基于所述目标图像信息获取所述待识别用户的骨骼关键点信息;其中,所述骨骼关键点信息包括肢体骨骼关键点信息和脸部骨骼关键点信息;
识别单元,用于基于所述肢体骨骼关键点信息和脸部骨骼关键点信息确定所述待识别用户的初始人体中线以及修正节点信息;
将所述修正节点信息输入预设的第一神经网络进行处理,得到修正因子,其中,所述第一神经网络包括一层输入层、六层隐含层和一层输出层;输入层为由修正节点信息中的横坐标和纵坐标组成的向量,输出层为由修正因子中的人体中线的斜率的误差以及人体中线的截距的误差组成的向量,隐含层的激活函数为双曲正切函数,训练算法为缩小权值的反向传播算法;
基于所述修正因子修正所述初始人体中线,确定所述待识别用户的人体中线,其中,所述待识别用户的人体中线为:
y=(k1+λ)x+b1+δ
式中,y表示为纵坐标,x表示为横坐标,k1为初始人体中线的斜率,λ为初始人体中线的斜率的误差,b1为初始人体中线的截距,δ为初始人体中线的截距的误差;
基于所述肢体骨骼关键点信息提取所述待识别用户的手臂节点信息;
基于所述手臂节点信息以及所述人体中线判断所述待识别用户的手臂位于所述人体中线的哪一侧,识别所述待识别用户的肢体特征信息;
基于所述脸部骨骼关键点信息识别所述待识别用户的脸部特征信息;
确定单元,用于基于所述肢体特征信息、脸部特征信息、预设肢体特征信息、预设脸部特征信息与预设睡姿类型之间的对应关系,确定所述待识别用户的睡姿类型。
7.一种睡姿检测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585062.6A CN110472481B (zh) | 2019-07-01 | 2019-07-01 | 一种睡姿检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585062.6A CN110472481B (zh) | 2019-07-01 | 2019-07-01 | 一种睡姿检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472481A CN110472481A (zh) | 2019-11-19 |
CN110472481B true CN110472481B (zh) | 2024-01-05 |
Family
ID=68507473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910585062.6A Active CN110472481B (zh) | 2019-07-01 | 2019-07-01 | 一种睡姿检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472481B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942824A (zh) * | 2019-11-21 | 2020-03-31 | 北京健康有益科技有限公司 | 一种基于人工智能的睡眠质量评测系统 |
CN110889393A (zh) * | 2019-12-10 | 2020-03-17 | 上海芯翌智能科技有限公司 | 人体姿态估计方法及设备 |
CN111178280A (zh) * | 2019-12-31 | 2020-05-19 | 北京儒博科技有限公司 | 一种人体坐姿识别方法、装置、设备及存储介质 |
CN111445524B (zh) * | 2020-03-31 | 2021-04-27 | 清华大学 | 基于场景理解的施工现场工人不安全行为识别方法 |
CN112806962A (zh) * | 2021-01-18 | 2021-05-18 | 珠海格力电器股份有限公司 | 基于tof及红外模组的小孩睡眠状态监测方法及装置 |
CN112926541B (zh) * | 2021-04-09 | 2022-11-08 | 济南博观智能科技有限公司 | 一种睡岗检测方法、装置及相关设备 |
CN114821006B (zh) | 2022-06-23 | 2022-09-20 | 盾钰(上海)互联网科技有限公司 | 交互式间接推理的孪生体态检测方法及系统 |
CN115546292B (zh) * | 2022-12-02 | 2023-03-17 | 首都医科大学附属北京同仁医院 | 头位判读方法、体位验证方法、计算设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201123088A (en) * | 2009-12-31 | 2011-07-01 | Univ Southern Taiwan Tech | Lying posture monitoring method and system. |
CN103366505A (zh) * | 2013-06-26 | 2013-10-23 | 安科智慧城市技术(中国)有限公司 | 一种睡姿识别方法及装置 |
CN103462597A (zh) * | 2013-09-18 | 2013-12-25 | 温州医科大学 | 一种基于智能手机控制的预防阻塞性睡眠猝死的方法及装置 |
CN104123530A (zh) * | 2013-04-27 | 2014-10-29 | 西门子(深圳)磁共振有限公司 | 受检对象姿势检测设备、方法和磁共振成像系统 |
CN104157107A (zh) * | 2014-07-24 | 2014-11-19 | 燕山大学 | 一种基于Kinect传感器的人体姿势矫正装置 |
CN106650687A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN107832744A (zh) * | 2017-11-30 | 2018-03-23 | 西安科锐盛创新科技有限公司 | 一种婴儿睡眠监测系统及其方法 |
CN108618465A (zh) * | 2018-04-18 | 2018-10-09 | 浙江想能云软件股份有限公司 | 一种实现智能学习的软硬可调床垫及其硬度调节系统与方法 |
CN108830150A (zh) * | 2018-05-07 | 2018-11-16 | 山东师范大学 | 一种基于三维人体姿态估计方法及装置 |
CN109558865A (zh) * | 2019-01-22 | 2019-04-02 | 郭道宁 | 一种基于人体关键点的对需特别看护人员的异常状态检测方法 |
CN109840500A (zh) * | 2019-01-31 | 2019-06-04 | 深圳市商汤科技有限公司 | 一种三维人体姿态信息检测方法及装置 |
CN208969808U (zh) * | 2018-08-20 | 2019-06-11 | 新疆爱华盈通信息技术有限公司 | 基于人脸检测和声音检测的婴儿监护器 |
CN109886137A (zh) * | 2019-01-27 | 2019-06-14 | 武汉星巡智能科技有限公司 | 婴幼儿睡姿检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-07-01 CN CN201910585062.6A patent/CN110472481B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201123088A (en) * | 2009-12-31 | 2011-07-01 | Univ Southern Taiwan Tech | Lying posture monitoring method and system. |
CN104123530A (zh) * | 2013-04-27 | 2014-10-29 | 西门子(深圳)磁共振有限公司 | 受检对象姿势检测设备、方法和磁共振成像系统 |
CN103366505A (zh) * | 2013-06-26 | 2013-10-23 | 安科智慧城市技术(中国)有限公司 | 一种睡姿识别方法及装置 |
CN103462597A (zh) * | 2013-09-18 | 2013-12-25 | 温州医科大学 | 一种基于智能手机控制的预防阻塞性睡眠猝死的方法及装置 |
CN104157107A (zh) * | 2014-07-24 | 2014-11-19 | 燕山大学 | 一种基于Kinect传感器的人体姿势矫正装置 |
CN106650687A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN107832744A (zh) * | 2017-11-30 | 2018-03-23 | 西安科锐盛创新科技有限公司 | 一种婴儿睡眠监测系统及其方法 |
CN108618465A (zh) * | 2018-04-18 | 2018-10-09 | 浙江想能云软件股份有限公司 | 一种实现智能学习的软硬可调床垫及其硬度调节系统与方法 |
CN108830150A (zh) * | 2018-05-07 | 2018-11-16 | 山东师范大学 | 一种基于三维人体姿态估计方法及装置 |
CN208969808U (zh) * | 2018-08-20 | 2019-06-11 | 新疆爱华盈通信息技术有限公司 | 基于人脸检测和声音检测的婴儿监护器 |
CN109558865A (zh) * | 2019-01-22 | 2019-04-02 | 郭道宁 | 一种基于人体关键点的对需特别看护人员的异常状态检测方法 |
CN109886137A (zh) * | 2019-01-27 | 2019-06-14 | 武汉星巡智能科技有限公司 | 婴幼儿睡姿检测方法、装置及计算机可读存储介质 |
CN109840500A (zh) * | 2019-01-31 | 2019-06-04 | 深圳市商汤科技有限公司 | 一种三维人体姿态信息检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110472481A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472481B (zh) | 一种睡姿检测方法、装置及设备 | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
CN108629946B (zh) | 一种基于rgbd传感器的人体跌倒检测方法 | |
CN106650687A (zh) | 一种基于深度信息和骨骼信息的姿势矫正方法 | |
CN110472612B (zh) | 人体行为识别方法及电子设备 | |
CN111414780A (zh) | 一种坐姿实时智能判别方法、系统、设备及存储介质 | |
US20210216759A1 (en) | Recognition method, computer-readable recording medium recording recognition program, and learning method | |
CN110378244B (zh) | 异常姿态的检测方法和装置 | |
JP2021064367A (ja) | 動作認識方法、動作認識装置及び電子機器 | |
CN112101124B (zh) | 一种坐姿检测方法及装置 | |
CN113658211B (zh) | 一种用户姿态的评估方法、装置以及处理设备 | |
CN107909023B (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
CN107389052A (zh) | 一种踝泵运动监测系统及终端设备 | |
CN113856186B (zh) | 一种引体向上动作判定与计数的方法、系统及装置 | |
CN112489129A (zh) | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 | |
CN113392741A (zh) | 视频片段提取方法、装置、电子设备及存储介质 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
US20230237694A1 (en) | Method and system for detecting children's sitting posture based on face recognition of children | |
CN110728242A (zh) | 基于人像识别的图像匹配方法、装置、存储介质及应用 | |
CN113688793A (zh) | 人脸模型的训练方法及人脸识别系统 | |
Ma et al. | Human motion gesture recognition based on computer vision | |
CN111652192A (zh) | 一种基于kinect传感器的跌倒检测系统 | |
CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
CN113069718B (zh) | 跑步机的控制方法、云端服务器、系统及可读存储介质 |
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 |