CN110852237A - 对象姿态的确定方法及装置、存储介质、电子装置 - Google Patents
对象姿态的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110852237A CN110852237A CN201911072362.0A CN201911072362A CN110852237A CN 110852237 A CN110852237 A CN 110852237A CN 201911072362 A CN201911072362 A CN 201911072362A CN 110852237 A CN110852237 A CN 110852237A
- Authority
- CN
- China
- Prior art keywords
- categories
- determining
- posture
- pose
- attitude
- 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.)
- Pending
Links
Images
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- 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
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Social Psychology (AREA)
- Emergency Management (AREA)
- Psychiatry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种对象姿态的确定方法及装置、存储介质、电子装置,该方法,包括:检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;基于M个有效姿态类别确定跟踪对象发生目标姿态。通过本发明,解决了对对象姿态的检测不准确的问题,达到准确判断出对象姿态的效果。
Description
技术领域
本发明涉及图像领域,具体而言,涉及一种对象姿态的确定方法及装置、存储介质、电子装置。
背景技术
倒地事件的检测属于视频行为分析,在单目视频视角下,倒地姿态和部分非倒地姿态从特征角度上看非常类似。仅仅使用特征分类策略进行区分是很难做到的,最终会导致倒地事件检测错误。
针对上述技术问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种对象姿态的确定方法及装置、存储介质、电子装置,以至少解决相关技术中对对象姿态的检测不准确的问题。
根据本发明的一个实施例,提供了一种对象姿态的确定方法,包括:检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,所述姿态信息用于表示所述跟踪对象的运动状态,所述N是大于或等于1的自然数;确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别;确定所述N个姿态类别中的M个有效姿态类别,其中,所述M是小于或等于所述N的自然数,所述M个有效姿态类别用于表示对应的M帧图像是有效的;基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态。
根据本发明的另一个实施例,提供了一种对象姿态的确定装置,包括:检测模块,用于检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,所述姿态信息用于表示所述跟踪对象的运动状态,所述N是大于或等于1的自然数;第一确定模块,用于确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别;第二确定模块,用于确定所述N个姿态类别中的M个有效姿态类别,其中,所述M是小于或等于所述N的自然数,所述M个有效姿态类别用于表示对应的M帧图像是有效的;第三确定模块,用于基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态。
可选地,上述第二确定模块,包括:
第一确定单元,用于确定每个姿态类别在所述N个姿态类别中所占的频率;将频率大于预设阈值的姿态类别确定为有效姿态类别,得到所述M个有效姿态类别。
可选地,上述第三确定模块,包括:
第二确定单元,用于在所述M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述第二确定单元,包括:
第一确定子单元,用于确定所述M个有效姿态类别所对应的M个状态位,其中,所述状态位用于表示有效姿态类别所对应的运动姿势;
第二确定子单元,用于按照时间顺序排列所述M个状态位,得到M个目标状态位;
第三确定子单元,用于在所述M个目标状态位满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述第三确定模块,包括:
第三确定单元,用于在从所述M个有效姿态类别中确定出所述跟踪对象的中心点发生下降的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述检测模块,包括:
第一获取单元,用于获取预定时间段内连续的所述N帧图像;
第四确定单元,用于从所述N帧图像中包括的对象中检测出与所述跟踪对象的框架特征相同的对象,以确定出所述跟踪对象;
第二获取单元,用于从所述N帧图像中的每帧图像中获取所述姿态信息。
可选地,上述第一确定模块,包括:
第五确定单元,用于利用神经网络模型对所述跟踪对象的姿态信息进行分类,得到与所述N帧图像对应的N个姿态类别。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;基于M个有效姿态类别确定跟踪对象发生目标姿态。即通过多个姿态信息确定出跟踪对象的姿态。因此,可以解决对对象姿态的检测不准确的问题,达到准确判断出对象姿态的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种对象姿态的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的对象姿态的确定方法的流程图;
图3是根据本发明实施例的人倒地姿态的示意图;
图4是根据本发明实施例人站立姿态的示意图;
图5是根据本发明可选实施例的基于姿态的单目倒地的流程图;
图6是根据本发明可选实施例的对姿态发生顺序的判断流程图;
图7是根据本发明实施例的对象姿态的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种对象姿态的确定方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的对象姿态的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种对象姿态的确定方法,图2是根据本发明实施例的对象姿态的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;
步骤S204,确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;
可选地,在本实施例中,N帧图像包括但不限于是包括多帧图像,多帧图像可以是从一段视频中提取出的,也可以是利用摄像设备拍摄得到的。姿态类别包括但不限于是直立、弯腰、坐地、倒地等等。
步骤S206,确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;
可选地,在本实施例中,有效姿态类别表示的是对应的图像是可以标识出对象姿态的图像,即是图像的有效。另外一种效姿态类别表示的是对象姿态的连续性。
步骤S208,基于M个有效姿态类别确定跟踪对象发生目标姿态。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
可选地,在本实施例中,上述对象姿态的确定方法可以但不限于应用于对对象的姿态进行判断的场景中,例如,判断人是否发生倒地的场景中、判断物体是否发生倾斜的场景中等等。如图3、图4所示,对人的倒地姿态和直立姿态的判断场景中。上述仅是一种示例,本实施例中对此不做任何限定。
可选地,如图5所示,是本实施例中一种可选的基于姿态的单目倒地的流程图,包括以下步骤:
在本实施例中,N帧图像是从视频中提取出的,跟踪对象是人体。
S501:对输入的视频帧进行检测,将视频帧中所有的人体框检测出来。
S502:对每一个人体框进行单独跟踪。
S503:以标识ID标号为索引对每一帧的图像进行统一获取和管理,每一帧的图像中跟踪对象的跟踪信息包括:跟踪对象当前的标识ID,跟踪对象所在的当前图像帧,跟踪对象的位置,跟踪对象的中心点位置,跟踪对象的历史运动轨迹等。
S504:获取每帧图像中的跟踪对象的跟踪信息后,对每帧的人体姿态进行分类,包括:直立、弯腰、坐地、倒地。
S505:基于得到的每帧图像的姿态类别,得出跟踪对象是否发生倒地事件。
通过上述步骤,由于检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;基于M个有效姿态类别确定跟踪对象发生目标姿态。即通过多个姿态信息确定出跟踪对象的姿态。因此,可以解决对对象姿态的检测不准确的问题,达到准确判断出对象姿态的效果。
在一个可选的实施例中,确定N个姿态类别中的M个有效姿态类别,包括:
S1,确定每个姿态类别在N个姿态类别中所占的频率;
S2,将频率大于预设阈值的姿态类别确定为有效姿态类别,得到M个有效姿态类别。
可选地,在本实施例中,针对连续视频帧中出现的跟踪对象,持续判别当前跟踪对象的姿态类别。以当前跟踪对象的当前帧为结点,其前N秒时长的图像帧中(帧率*N),对该跟踪对象出现的姿态类别进行统计,并计算出现频率。当对应的姿态类别频率大于对应阈值后,则该跟踪对象的对应状态位将被置为有效。
可选地,在本实施例中,姿态类别对应四个状态位:
1.Have_upright:是否发生过直立状态;
2.Have_bend:是否发生过弯腰状态;
3.Have_lying:是否发生过倒地状态;
4.Have_standup:是否发生过起身状态。
可选地,姿态类别频率、阈值以及状态位三者的对应关系如表1所示:
表1:
状态位 | 姿态类别 | 姿态频率 |
Have_upright | 直立 | 50% |
Have_bend | 弯腰 | 50% |
Have_lying | 坐地+倒地 | 80% |
Have_standup | 弯腰 | 50% |
在一个可选的实施例中,基于M个有效姿态类别确定跟踪对象发生目标姿态,包括:
S1,在M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定跟踪对象发生目标姿态。
在一个可选的实施例中,在M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定跟踪对象发生目标姿态,包括:
S1,确定M个有效姿态类别所对应的M个状态位,其中,状态位用于表示有效姿态类别所对应的运动姿势;
S2,按照时间顺序排列M个状态位,得到M个目标状态位;
S3,在M个目标状态位满足预设顺序的情况下,确定跟踪对象发生目标姿态。
可选地,如图6所示,是本实施例中对姿态发生顺序的判断,包括以下步骤:
S601:持续判断跟踪对象的姿态类别;
S602:统计姿态类别的频率;
S603:判断是否发生Have_upright;
S604:判断是否发生Have_bend;
S605:判断是否发生Have_lying;
S606:倒地事件发生;
S607:判断是否发生Have_standup;
S608:清除状态位。
可选地,可以考虑四种状态出现的时间顺序,具有三种状态,且发生顺序为直立、弯腰、倒地,且未发生起身姿态,则判断为发生倒地事件。
在一个可选的实施例中,基于M个有效姿态类别确定跟踪对象发生目标姿态,包括:
S1,在从M个有效姿态类别中确定出跟踪对象的中心点发生下降的情况下,确定跟踪对象发生目标姿态。
可选地,在本实施例中,如图6所示中的S609,即是当前帧中的跟踪对象的中心点是否发生下降的判断。在发生下降的情况下,转到S606。
在一个可选的实施例中,检测跟踪对象在N帧图像中每帧图像中的姿态信息,包括:
S1,获取预定时间段内连续的N帧图像;
S2,从N帧图像中包括的对象中检测出与跟踪对象的框架特征相同的对象,以确定出跟踪对象;
S3,从N帧图像中的每帧图像中获取姿态信息。
可选地,在本实施例中,例如,判断图像中出现的对象与人体框架特征是否相同,如果相同,则获取人体的姿态信息。
在一个可选的实施例中,确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别,包括:
S1,利用神经网络模型对跟踪对象的姿态信息进行分类,得到与N帧图像对应的N个姿态类别。
可选地,在本实施例中,神经网络模型中的全连接层可以输出对姿态信息的分类,增加了分类的准确性。
综上所述,本实施例利用姿态类别的累计得到对应目标的状态位。将状态位和目标位置信息结合实现倒地报警。四种姿态类别包含了倒地全过程,能够有效抑制仅区分倒地和其他状态所造成的误检。定义四种姿态类别,利用姿态类别的累计得到状态位,实现了将倒地过程加入到倒地判断中,大大降低了倒地误判的几率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种对象姿态的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的对象姿态的确定装置的结构框图,如图7所示,该装置包括:
检测模块72,用于检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,所述姿态信息用于表示所述跟踪对象的运动状态,所述N是大于或等于1的自然数;
第一确定模块74,用于确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别;
第二确定模块76,用于确定所述N个姿态类别中的M个有效姿态类别,其中,所述M是小于或等于所述N的自然数,所述M个有效姿态类别用于表示对应的M帧图像是有效的;
第三确定模块78,用于基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态。
可选地,上述第二确定模块,包括:
第一确定单元,用于确定每个姿态类别在所述N个姿态类别中所占的频率;将频率大于预设阈值的姿态类别确定为有效姿态类别,得到所述M个有效姿态类别。
可选地,上述第三确定模块,包括:
第二确定单元,用于在所述M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述第二确定单元,包括:
第一确定子单元,用于确定所述M个有效姿态类别所对应的M个状态位,其中,所述状态位用于表示有效姿态类别所对应的运动姿势;
第二确定子单元,用于按照时间顺序排列所述M个状态位,得到M个目标状态位;
第三确定子单元,用于在所述M个目标状态位满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述第三确定模块,包括:
第三确定单元,用于在从所述M个有效姿态类别中确定出所述跟踪对象的中心点发生下降的情况下,确定所述跟踪对象发生目标姿态。
可选地,上述检测模块,包括:
第一获取单元,用于获取预定时间段内连续的所述N帧图像;
第四确定单元,用于从所述N帧图像中包括的对象中检测出与所述跟踪对象的框架特征相同的对象,以确定出所述跟踪对象;
第二获取单元,用于从所述N帧图像中的每帧图像中获取所述姿态信息。
可选地,上述第一确定模块,包括:
第五确定单元,用于利用神经网络模型对所述跟踪对象的姿态信息进行分类,得到与所述N帧图像对应的N个姿态类别。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;
S2,确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;
S3,确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;
S4,基于M个有效姿态类别确定跟踪对象发生目标姿态。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,姿态信息用于表示跟踪对象的运动状态,N是大于或等于1的自然数;
S2,确定每帧图像中跟踪对象的姿态信息所属的姿态类别,得到与N帧图像对应的N个姿态类别;
S3,确定N个姿态类别中的M个有效姿态类别,其中,M是小于或等于N的自然数,M个有效姿态类别用于表示对应的M帧图像是有效的;
S4,基于M个有效姿态类别确定跟踪对象发生目标姿态。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种对象姿态的确定方法,其特征在于,包括:
检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,所述姿态信息用于表示所述跟踪对象的运动状态,所述N是大于或等于1的自然数;
确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别;
确定所述N个姿态类别中的M个有效姿态类别,其中,所述M是小于或等于所述N的自然数,所述M个有效姿态类别用于表示对应的M帧图像是有效的;
基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态。
2.根据权利要求1所述的方法,其特征在于,确定所述N个姿态类别中的M个有效姿态类别,包括:
确定每个姿态类别在所述N个姿态类别中所占的频率;
将频率大于预设阈值的姿态类别确定为有效姿态类别,得到所述M个有效姿态类别。
3.根据权利要求1所述的方法,其特征在于,基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态,包括:
在所述M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
4.根据权利要求3所述的方法,其特征在于,在所述M个有效姿态类别对应的姿态发生顺序满足预设顺序的情况下,确定所述跟踪对象发生目标姿态,包括:
确定所述M个有效姿态类别所对应的M个状态位,其中,所述状态位用于表示有效姿态类别所对应的运动姿势;
按照时间顺序排列所述M个状态位,得到M个目标状态位;
在所述M个目标状态位满足预设顺序的情况下,确定所述跟踪对象发生目标姿态。
5.根据权利要求1所述的方法,其特征在于,基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态,包括:
在从所述M个有效姿态类别中确定出所述跟踪对象的中心点发生下降的情况下,确定所述跟踪对象发生目标姿态。
6.根据权利要求1所述的方法,其特征在于,检测跟踪对象在N帧图像中每帧图像中的姿态信息,包括:
获取预定时间段内连续的所述N帧图像;
从所述N帧图像中包括的对象中检测出与所述跟踪对象的框架特征相同的对象,以确定出所述跟踪对象;
从所述N帧图像中的每帧图像中获取所述姿态信息。
7.根据权利要求1所述的方法,其特征在于,确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别,包括:
利用神经网络模型对所述跟踪对象的姿态信息进行分类,得到与所述N帧图像对应的N个姿态类别。
8.一种对象姿态的确定装置,其特征在于,包括:
检测模块,用于检测跟踪对象在N帧图像中每帧图像中的姿态信息,其中,所述姿态信息用于表示所述跟踪对象的运动状态,所述N是大于或等于1的自然数;
第一确定模块,用于确定所述每帧图像中所述跟踪对象的姿态信息所属的姿态类别,得到与所述N帧图像对应的N个姿态类别;
第二确定模块,用于确定所述N个姿态类别中的M个有效姿态类别,其中,所述M是小于或等于所述N的自然数,所述M个有效姿态类别用于表示对应的M帧图像是有效的;
第三确定模块,用于基于所述M个有效姿态类别确定所述跟踪对象发生目标姿态。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072362.0A CN110852237A (zh) | 2019-11-05 | 2019-11-05 | 对象姿态的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072362.0A CN110852237A (zh) | 2019-11-05 | 2019-11-05 | 对象姿态的确定方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852237A true CN110852237A (zh) | 2020-02-28 |
Family
ID=69599907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072362.0A Pending CN110852237A (zh) | 2019-11-05 | 2019-11-05 | 对象姿态的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852237A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540020A (zh) * | 2020-04-28 | 2020-08-14 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质、电子装置 |
CN111767888A (zh) * | 2020-07-08 | 2020-10-13 | 北京澎思科技有限公司 | 对象状态检测方法、计算机设备、存储介质和电子设备 |
CN112001229A (zh) * | 2020-07-09 | 2020-11-27 | 浙江大华技术股份有限公司 | 视频行为识别的方法、装置、系统和计算机设备 |
CN112784726A (zh) * | 2021-01-18 | 2021-05-11 | 上海明略人工智能(集团)有限公司 | 一种目标数据信息的确定方法和装置 |
CN113657155A (zh) * | 2021-07-09 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN106210634A (zh) * | 2016-07-18 | 2016-12-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员倒地报警方法和装置 |
CN107798313A (zh) * | 2017-11-22 | 2018-03-13 | 杨晓艳 | 一种人体姿态识别方法、装置、终端和存储介质 |
CN108805058A (zh) * | 2018-05-29 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 目标对象变化姿态识别方法、装置及计算机设备 |
CN109670474A (zh) * | 2018-12-28 | 2019-04-23 | 广东工业大学 | 一种基于视频的人体姿态估计方法、装置及设备 |
-
2019
- 2019-11-05 CN CN201911072362.0A patent/CN110852237A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN106210634A (zh) * | 2016-07-18 | 2016-12-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员倒地报警方法和装置 |
CN107798313A (zh) * | 2017-11-22 | 2018-03-13 | 杨晓艳 | 一种人体姿态识别方法、装置、终端和存储介质 |
CN108805058A (zh) * | 2018-05-29 | 2018-11-13 | 北京字节跳动网络技术有限公司 | 目标对象变化姿态识别方法、装置及计算机设备 |
CN109670474A (zh) * | 2018-12-28 | 2019-04-23 | 广东工业大学 | 一种基于视频的人体姿态估计方法、装置及设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540020A (zh) * | 2020-04-28 | 2020-08-14 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质、电子装置 |
CN111540020B (zh) * | 2020-04-28 | 2023-10-10 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质、电子装置 |
CN111767888A (zh) * | 2020-07-08 | 2020-10-13 | 北京澎思科技有限公司 | 对象状态检测方法、计算机设备、存储介质和电子设备 |
CN112001229A (zh) * | 2020-07-09 | 2020-11-27 | 浙江大华技术股份有限公司 | 视频行为识别的方法、装置、系统和计算机设备 |
CN112001229B (zh) * | 2020-07-09 | 2021-07-20 | 浙江大华技术股份有限公司 | 视频行为识别的方法、装置、系统和计算机设备 |
CN112784726A (zh) * | 2021-01-18 | 2021-05-11 | 上海明略人工智能(集团)有限公司 | 一种目标数据信息的确定方法和装置 |
CN112784726B (zh) * | 2021-01-18 | 2024-01-26 | 上海明略人工智能(集团)有限公司 | 一种目标数据信息的确定方法和装置 |
CN113657155A (zh) * | 2021-07-09 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852237A (zh) | 对象姿态的确定方法及装置、存储介质、电子装置 | |
CN111666857B (zh) | 基于环境语义理解的人体行为识别方法、装置及存储介质 | |
CN104573652B (zh) | 确定人脸图像中人脸的身份标识的方法、装置和终端 | |
CN105094305B (zh) | 识别用户行为的方法、用户设备及行为识别服务器 | |
CN112639873A (zh) | 基于单对象姿态估计器的多个对象的姿态跟踪设备和方法 | |
CN111079699A (zh) | 商品识别方法及装置 | |
CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
CN109426785A (zh) | 一种人体目标身份识别方法及装置 | |
CN108241853A (zh) | 一种视频监控方法、系统及终端设备 | |
CN110362492A (zh) | 人工智能算法测试方法、装置、服务器、终端及存储介质 | |
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN110264497B (zh) | 跟踪时长的确定方法及装置、存储介质、电子装置 | |
CN111540020A (zh) | 目标行为的确定方法及装置、存储介质、电子装置 | |
CN114495241A (zh) | 一种图像识别方法及装置、电子设备、存储介质 | |
CN113627334A (zh) | 对象的行为识别方法及装置 | |
CN113077018A (zh) | 一种目标对象识别方法、装置、存储介质及电子装置 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
CN112395920B (zh) | 基于雷达的姿态识别装置、方法以及电子设备 | |
CN109977745B (zh) | 人脸图像处理方法及相关装置 | |
CN112053382A (zh) | 出入口监测方法、设备及计算机可读存储介质 | |
CN110532929A (zh) | 一种同行人分析方法和装置以及设备 | |
CN115223198A (zh) | 一种猪只行为识别方法、系统、计算机设备和存储介质 | |
CN113673318B (zh) | 一种动作检测方法、装置、计算机设备和存储介质 | |
CN114255321A (zh) | 采集宠物鼻纹的方法、装置、存储介质及电子设备 | |
CN111866468A (zh) | 对象跟踪分配方法、装置、存储介质及电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |