CN111062244B - 一种基于机器视觉的坐姿提醒方法 - Google Patents
一种基于机器视觉的坐姿提醒方法 Download PDFInfo
- Publication number
- CN111062244B CN111062244B CN201911049620.3A CN201911049620A CN111062244B CN 111062244 B CN111062244 B CN 111062244B CN 201911049620 A CN201911049620 A CN 201911049620A CN 111062244 B CN111062244 B CN 111062244B
- Authority
- CN
- China
- Prior art keywords
- sitting posture
- image
- human eyes
- posture
- standard
- 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
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
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于机器视觉的坐姿提醒方法,包括对图像进行预处理,降低背景、光照影响;定位人眼,建立标准坐姿参考坐标系;建立六种常见错误坐姿指标;记录人眼运动轨迹,依据指标判断坐姿是否正常,并发出预警四个步骤;本发明中,预处理手段大大降低了光照、背景对检测效果的影响;六种错误坐姿指标提高了错误姿态提醒的多样性和针对性;改善了现有技术的提醒方法对背景、光照过于敏感,可检测姿态单一,训练过程复杂等问题,对不同背景和光照变化不敏感,鲁棒性较强,大大提高了检测精度、工作效率;本发明实时性、准确性、涵盖性、通用性极高,可以有效帮助久坐人士纠正坐姿,预防近视以及颈椎、腰椎疾病的产生。
Description
技术领域
本发明属于图像处理领域,具体而言涉及一种基于机器视觉的坐姿提醒方法。
背景技术
众所周知,腰部问题,腰肌劳损、慢性腰痛等症状折磨着众多人群,引起以上病症的主要因素之一便是长期坐姿不当。因此,如何识别人们的异常坐姿,及时提醒人们调整坐姿,让人们养成良好的坐姿习惯具有十分重要的研究意义。
现有的坐姿提醒方法主要分为接触式和非接触式,其中接触式坐姿提醒方法是根据固定在人体上的压力传感器及相关机械装置采集人体姿态数据,进而分析和判断坐姿是否不当;非接触式方法包括基于红外传感器的方法、基于距离传感器的方法以及基于机器视觉的方法。
上述方法中,接触式方法影响人体正常活动;非接触式方法中,基于距离传感器及红外传感器的方法需要在特定位置安装信号采集装置,测量不便,安装繁琐,存在误差。然而,基于机器视觉的方法避免了上述两种不足,通过视觉图像的分析,可以检测出人体坐姿是否正确,准确、高效、智能。
但是,基于机器视觉的检测方法目前研究较少,主要的方法是依靠轮廓边缘检测,对光照和背景变化敏感;基于神经网络的方法,训练过程复杂。现有技术中的关于机器视觉检测的多数方法仅对某种姿态进行检测,难以涵盖错误坐姿的多样性。
发明内容
有鉴于此,为解决上述现有技术的不足,本发明的目的在于提供了一种基于机器视觉的坐姿提醒方法,以改善现有技术的提醒方法对背景、光照过于敏感,可检测姿态单一,训练过程复杂等问题,大大提高了检测精度、工作效率。
为实现上述目的,本发明所采用的技术方案是:
一种基于机器视觉的坐姿提醒方法,包括以下步骤:
S1:利用视觉输入设备采集用户坐姿视频并实时保存到视觉系统,将每秒视频分为数帧图像,对每一帧图像进行预处理,降低背景、光照影响;
S2:定位人眼,以标准坐姿时的眼睛位置为坐标基准点,建立标准坐姿参考坐标系;
S3:建立六种常见错误坐姿指标;
S4:记录人眼运动轨迹,依据指标判断坐姿是否正常,并发出预警。
进一步的,步骤S1中,所述预处理包括灰度处理、光照补偿、背景消除;通过彩色图像三通道按不同比例融合获取灰度图像;通过均衡化处理降低光照影响;通过频域处理降低背景影响。
进一步的,预处理的具体步骤如下:
A1:利用公式(1)对图像进行灰度化处理;
Gray=R×0.3+G×0.59+B×0.11 (1)
其中,R,G,B为图像的红绿蓝三通道,Gray为灰度图;
A2:通过直方图均衡化实现图像的光照补偿;
A3:背景消除则通过式(2)-(5)实现:
A(f)=F(I(x)) (2)
AVER(f)=h*A(f) (3)
g(x)=F-1(A(f)-AVER(f)) (4)
front(x)=G(x)*g(x) (5)
其中,I为输入图像,F为傅里叶变换,F-1为傅里叶反变换,AVER 为平均频谱,h为均值滤波器,g(x)为背景抑制后的图像,G(x)为高斯滤波器,front(x)为最终预处理后的图像,*表示卷积。
进一步的,步骤S2中,定位人眼采用Viola&Jones算法实现;建立标准坐姿参考坐标系,具体包括以下步骤:
A1:确定初始位置,视觉系统开始监测前,用户保持良好坐姿,以此坐姿的双眼水平线的中点为坐标基准点,即坐标原点;
A2:建立横向正、负半轴,以坐标原点为起点,水平方向向两端延伸,原点左半部分为正半轴,原点右半部分为横向负半轴;
A3:建立纵向正、负半轴,以坐标原点为起点,竖直方向向两端延伸,原点下半部分为正半轴,原点上半部分为横向负半轴;
A4:在该标准坐姿参考坐标系中确定出标准坐姿参考的标准范围。
进一步的,步骤S3中,建立错误坐姿指标的步骤如下:
A1:对多名用户进行不良坐姿的检测,选择并采集六种具有代表性的常见错误坐姿;
A2:以像素为单位结合实验测量不同状态下人眼运动轨迹相对于标准坐姿参考坐标系中原点位置的偏移量,根据实际图像分辨率进行归一化处理,得到错误坐姿指标;
A3:按照上述方法,建立六种具有代表性的常见错误坐姿指标。
进一步的,步骤S4具体包括以下步骤:
A1:对视频图像中的每一帧的图像按时间顺序循环进行人眼定位,并用矩形方框标注人眼位置;
A2:矩形方框的中心为人眼运动轨迹的基准点,记录视频图像各帧的基准点序列,将这些点连接起来构成人眼运动轨迹;
A3:视觉系统按照先横向再纵向的顺序,对人眼运动轨迹进行检测;
A4:若检测到人眼运动轨迹处于错误坐姿指标范围之内且持续时间达到预时间段,视觉系统发出相应的预警提醒,并指出错误坐姿类型,提醒用户纠正坐姿;随后重置计时器,继续对姿态进行检测;反之,若检测到人眼运动轨迹处于错误坐姿指标范围之内但没有超过预时间段,则返回至步骤A3,继续对姿态进行检测。
进一步的,步骤A3具体包括以下步骤:
A31:视觉系统检测人眼运动轨迹处于标准坐姿参考的标准范围,则继续姿态检测;否则,转入步骤A32;
A32:视觉系统继续判断此时的人眼运动轨迹是否超出标准范围的横向范围:若超过,则此时用户为身体左右倾斜或头部左右倾斜的错误坐姿状态;否则,则此时用户为身体前倾或脊柱弯曲的错误坐姿状态;
A33:基于步骤A32,继续检测并判断该人眼运动轨迹处于错误坐姿指标范围之内的持续时间,并转到步骤A4。
进一步的,步骤A4中的所述预时间段的范围为18-30s。
本发明的有益效果是:
本发明的一种基于机器视觉的坐姿提醒方法,具有较高的准确性和实用性,设计了有效的预处理手段,大大降低了光照、背景对检测效果的影响;设计了六种错误坐姿指标,提高错误姿态提醒的多样性和针对性。避免了传统技术中接触式坐姿提醒方法的压力传感器及相关机械装置对人体正常活动的影响,也避免了非接触式坐姿提醒方法的距离传感器及红外传感器等的环境特定性、测量不便性等弊端,改善了现有技术的提醒方法对背景、光照过于敏感,可检测姿态单一,训练过程复杂等问题,大大提高了检测精度、工作效率;本发明实时性、准确性、涵盖性、通用性极高,可以有效帮助久坐人士纠正坐姿,预防近视以及颈椎、腰椎疾病的产生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
下面给出具体实施例,对本发明的技术方案作进一步清楚、完整、详细地说明。本实施例是以本发明技术方案为前提的最佳实施例,但本发明的保护范围不限于下述的实施例。
一种基于机器视觉的坐姿提醒方法,包括以下步骤:
S1:利用视觉输入设备采集用户坐姿视频并实时保存到视觉系统,将每秒视频分为数帧图像,对每一帧图像进行预处理,降低背景、光照影响;
S2:定位人眼,以标准坐姿时的眼睛位置为坐标基准点,建立标准坐姿参考坐标系;
S3:建立六种常见错误坐姿指标;
S4:记录人眼运动轨迹,依据指标判断坐姿是否正常,并发出预警。
进一步的,步骤S1中,所述预处理包括灰度处理、光照补偿、背景消除;通过彩色图像三通道按不同比例融合获取灰度图像;通过均衡化处理降低光照影响;通过频域处理降低背景影响。
进一步的,预处理的具体步骤如下:
A1:利用公式(1)对图像进行灰度化处理;
Gray=R×0.3+G×0.59+B×0.11 (1)
其中,R,G,B为图像的红绿蓝三通道,Gray为灰度图;
A2:通过直方图均衡化实现图像的光照补偿;
A3:背景消除则通过式(2)-(5)实现:
A(f)=F(I(x)) (2)
AVER(f)=h*A(f) (3)
g(x)=F-1(A(f)-AVER(f)) (4)
front(x)=G(x)*g(x) (5)
其中,I为输入图像,F为傅里叶变换,F-1为傅里叶反变换,AVER 为平均频谱,h为均值滤波器,g(x)为背景抑制后的图像,G(x)为高斯滤波器,front(x)为最终预处理后的图像,*表示卷积。
进一步的,步骤S2中,定位人眼采用Viola&Jones算法实现;建立标准坐姿参考坐标系,具体包括以下步骤:
A1:确定初始位置,视觉系统开始监测前,用户保持良好坐姿,以此坐姿的双眼水平线的中点为坐标基准点,即坐标原点;
A2:建立横向正、负半轴,以坐标原点为起点,水平方向向两端延伸,原点左半部分为正半轴,原点右半部分为横向负半轴;
A3:建立纵向正、负半轴,以坐标原点为起点,竖直方向向两端延伸,原点下半部分为正半轴,原点上半部分为横向负半轴;
A4:在该标准坐姿参考坐标系中确定出标准坐姿参考的标准范围。
进一步的,步骤S3中,建立错误坐姿指标的步骤如下:
A1:对多名用户进行不良坐姿的检测,选择并采集六种具有代表性的常见错误坐姿;本实施例中的具体实施步骤为,设计关于不良坐姿的调查问卷,并对多名志愿者进行问卷调查;
A2:以像素为单位结合实验测量不同状态下人眼运动轨迹相对于标准坐姿参考坐标系中原点位置的偏移量,根据实际图像分辨率进行归一化处理,得到错误坐姿指标;
A3:按照上述方法,建立六种具有代表性的常见错误坐姿指标。
进一步的,六种常见错误坐姿指标分别为:头部左倾、头部右倾、身体左倾、身体右倾、身体前倾、脊柱弯曲。
本实施例中,为了确立错误坐姿指标,设计了关于不良坐姿的调查问卷,并对30名志愿者进行问卷调查,结合实验测量不同状态下人眼运动轨迹相对于标准坐姿坐标系中原点位置的偏移量(以像素为单位),得出如下错误坐姿指标指标:
表1浅色背景下错误坐姿偏移量(原始像素)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 76~173 | -81~-181 | 206~432 | -216~-512 | -34~42 | -23~28 |
纵向范围 | -7~33 | -12~23 | -15~54 | -20~42 | -49~-92 | 61~183 |
表2深色背景下错误坐姿偏移量(原始像素)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 84~193 | -93~-192 | 226~458 | -239~-620 | -45~56 | -33~47 |
纵向范围 | -9~39 | -22~37 | -24~41 | -25~49 | -51~-98 | 74~191 |
表3复杂背景下错误坐姿偏移量(原始像素)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 90~187 | -75~-165 | 217~547 | -227~-502 | -21~49 | -29~31 |
纵向范围 | -13~44 | -18~28 | -22~61 | -14~39 | -37~-89 | 59~185 |
结合图像分辨率,表格归一化为如下形式:
表4浅色背景下错误坐姿偏移量(归一化)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 0.076~0.173 | -0.081~-0.181 | 0.206~0.432 | -0.216~-0.512 | -0.034~0.042 | -0.023~0.028 |
纵向范围 | -0.013~0.060 | -0.022~0.041 | -0.027~0.097 | -0.036~0.075 | -0.088~-0.165 | 0.109~0.328 |
表5深色背景下错误坐姿偏移量(归一化)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 0.084~0.193 | -0.093~-0.192 | 0.226~0.458 | -0.239~-0.620 | -0.045~0.056 | -0.033~0.047 |
纵向范围 | -0.016~0.070 | -0.039~0.066 | -0.043~0.073 | -0.045~0.088 | -0.091~-0.176 | 0.133~0.342 |
表6复杂背景下错误坐姿偏移量(归一化)
错误坐姿 | 头部左倾 | 头部右倾 | 身体左倾 | 身体右倾 | 身体前倾 | 脊柱弯曲 |
横向范围 | 0.090~0.187 | -0.075~-0.165 | 0.217~0.547 | -0.227~-0.502 | -0.021~0.049 | -0.029~0.031 |
纵向范围 | -0.023~0.078 | -0.032~0.050 | -0.039~0.109 | -0.025~0.069 | -0.066~-0.159 | 0.106~0.332 |
综上,根据上述实验测量结果,不同状态下人眼运动轨迹相对于标准坐姿坐标系中原点位置的偏移量(以像素为单位),即得到六种常见错误坐姿指标的偏移量,并在标准坐姿参考坐标系中建立六种常见错误坐姿指标。
进一步的,步骤S4具体包括以下步骤:
A1:对视频图像中的每一帧的图像按时间顺序循环进行人眼定位,并用矩形方框标注人眼位置;
A2:矩形方框的中心为人眼运动轨迹的基准点,记录视频图像各帧的基准点序列,将这些点连接起来构成人眼运动轨迹;
A3:视觉系统按照先横向再纵向的顺序,对人眼运动轨迹进行检测;
A4:若检测到人眼运动轨迹处于错误坐姿指标范围之内且持续时间达到预时间段,视觉系统发出相应的预警提醒,并指出错误坐姿类型,提醒用户纠正坐姿;随后重置计时器,继续对姿态进行检测;反之,若检测到人眼运动轨迹处于错误坐姿指标范围之内但没有超过预时间段,则返回至步骤A3,继续对姿态进行检测。
进一步的,步骤A3具体包括以下步骤:
A31:视觉系统检测人眼运动轨迹处于标准坐姿参考的标准范围,则继续姿态检测;否则,转入步骤A32;
A32:视觉系统继续判断此时的人眼运动轨迹是否超出标准范围的横向范围:若超过,则此时用户为身体左右倾斜或头部左右倾斜的错误坐姿状态;否则,则此时用户为身体前倾或脊柱弯曲的错误坐姿状态;
A33:基于步骤A32,继续检测并判断该人眼运动轨迹处于错误坐姿指标范围之内的持续时间,并转到步骤A4。
进一步的,步骤A4中的所述预时间段的范围为18-30s。作为优选的,本实施例中,所述预时间段为20s。
进一步的,所述标准坐姿参考坐标系的坐标原点与人眼运动轨迹标准矩形方框的中心重合。
进一步的,本发明中,视觉系统设在视觉输入设备中,视觉系统为基于机器视觉的非接触式检测方法的智能自动化系统。
进一步的,本实施例中,对六名实验者进行错误坐姿数据采集。采集数据包括不同实验者分别在浅色背景、深色背景、复杂背景下的错误坐姿识别,每个实验者在每个背景中进行15次实验。错误坐姿识别率统计结果如表7、8、9所示,表中A、B、C、D、E、F 分别代表六名实验者:
表7浅色背景下的实验识别率
表8深色背景下的实验识别率
表9复杂背景下的实验识别率
根据上述表格7、8、9,分析三种背景条件下的错误坐姿识别率,得到:基于标准坐姿参考坐标系的坐姿检测方法的平均识别率达到 94.44%。此结果表明本发明的一种基于机器视觉的坐姿提醒方法,具有较高的准确率,对不同背景和光照变化不敏感,鲁棒性较强。
因此,综上所述,本发明的一种基于机器视觉的坐姿提醒方法,具有较高的准确性和实用性,设计了有效的预处理手段,大大降低了光照、背景对检测效果的影响;设计了六种错误坐姿指标,提高错误姿态提醒的多样性和针对性。避免了传统技术中接触式坐姿提醒方法的压力传感器及相关机械装置对人体正常活动的影响,也避免了非接触式坐姿提醒方法的距离传感器及红外传感器等的环境特定性、测量不便性等弊端,改善了现有技术的提醒方法对背景、光照过于敏感,可检测姿态单一,训练过程复杂等问题,对不同背景和光照变化不敏感,鲁棒性较强,大大提高了检测精度、工作效率;本发明实时性、准确性、涵盖性、通用性极高,可以有效帮助久坐人士纠正坐姿,预防近视以及颈椎、腰椎疾病的产生。
以上显示和描述了本发明的主要特征、基本原理以及本发明的优点。本行业技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会根据实际情况有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于机器视觉的坐姿提醒方法,其特征在于:包括以下步骤:
S1:利用视觉输入设备采集用户坐姿视频并实时保存到视觉系统,将每秒视频分为数帧图像,对每一帧图像进行预处理,降低背景、光照影响;
S2:定位人眼,以标准坐姿时的眼睛位置为坐标基准点,建立标准坐姿参考坐标系;定位人眼采用Viola&Jones算法实现;建立标准坐姿参考坐标系,具体包括以下步骤:
A1:确定初始位置,视觉系统开始监测前,用户保持良好坐姿,以此坐姿的双眼水平线的中点为坐标基准点,即坐标原点;
A2:建立横向正、负半轴,以坐标原点为起点,水平方向向两端延伸,原点左半部分为正半轴,原点右半部分为横向负半轴;
A3:建立纵向正、负半轴,以坐标原点为起点,竖直方向向两端延伸,原点下半部分为正半轴,原点上半部分为横向负半轴;
A4:在该标准坐姿参考坐标系中确定出标准坐姿参考的标准范围;
S3:建立六种常见错误坐姿指标,建立错误坐姿指标的步骤如下:
A1:对多名用户进行不良坐姿的检测,选择并采集六种具有代表性的常见错误坐姿;
A2:以像素为单位结合实验测量不同状态下人眼运动轨迹相对于标准坐姿参考坐标系中原点位置的偏移量,根据实际图像分辨率进行归一化处理,得到错误坐姿指标;
A3:按照上述方法,建立六种具有代表性的常见错误坐姿指标;
S4:记录人眼运动轨迹,依据指标判断坐姿是否正常,并发出预警,具体包括以下步骤:
A1:对视频图像中的每一帧的图像按时间顺序循环进行人眼定位,并用矩形方框标注人眼位置;
A2:矩形方框的中心为人眼运动轨迹的基准点,记录视频图像各帧的基准点序列,将这些点连接起来构成人眼运动轨迹;
A3:视觉系统按照先横向再纵向的顺序,对人眼运动轨迹进行检测;
A4:若检测到人眼运动轨迹处于错误坐姿指标范围之内且持续时间达到预时间段,视觉系统发出相应的预警提醒,并指出错误坐姿类型,提醒用户纠正坐姿;随后重置计时器,继续对姿态进行检测;反之,若检测到人眼运动轨迹处于错误坐姿指标范围之内但没有超过预时间段,则返回至步骤A3,继续对姿态进行检测。
2.根据权利要求1所述的一种基于机器视觉的坐姿提醒方法,其特征在于:步骤S1中,所述预处理包括灰度处理、光照补偿、背景消除;通过彩色图像三通道按不同比例融合获取灰度图像;通过均衡化处理降低光照影响;通过频域处理降低背景影响。
3.根据权利要求2所述的一种基于机器视觉的坐姿提醒方法,其特征在于:预处理的具体步骤如下:
A1:利用公式(1)对图像进行灰度化处理;
Gray=R×0.3+G×0.59+B×0.11 (1)
其中,R,G,B为图像的红绿蓝三通道,Gray为灰度图;
A2:通过直方图均衡化实现图像的光照补偿;
A3:背景消除则通过式(2)-(5)实现:
A(f)=F(I(x)) (2)
AVER(f)=h*A(f) (3)
g(x)=F-1(A(f)-AVER(f)) (4)
front(x)=G(x)*g(x) (5)
其中,I为输入图像,F为傅里叶变换,F-1为傅里叶反变换,AVER为平均频谱,h为均值滤波器,g(x)为背景抑制后的图像,G(x)为高斯滤波器,front(x)为最终预处理后的图像,*表示卷积。
4.根据权利要求1所述的一种基于机器视觉的坐姿提醒方法,其特征在于:步骤S4中A3具体包括以下步骤:
A31:视觉系统检测人眼运动轨迹处于标准坐姿参考的标准范围,则继续姿态检测;否则,转入步骤A32;
A32:视觉系统继续判断此时的人眼运动轨迹是否超出标准范围的横向范围:若超过,则此时用户为身体左右倾斜或头部左右倾斜的错误坐姿状态;否则,则此时用户为身体前倾或脊柱弯曲的错误坐姿状态;
A33:基于步骤A32,继续检测并判断该人眼运动轨迹处于错误坐姿指标范围之内的持续时间,并转到步骤A4。
5.根据权利要求1所述的一种基于机器视觉的坐姿提醒方法,其特征在于:步骤S4的A4中的所述预时间段的范围为18-30s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049620.3A CN111062244B (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉的坐姿提醒方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049620.3A CN111062244B (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉的坐姿提醒方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062244A CN111062244A (zh) | 2020-04-24 |
CN111062244B true CN111062244B (zh) | 2023-04-18 |
Family
ID=70297643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049620.3A Active CN111062244B (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉的坐姿提醒方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062244B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018113582A1 (zh) * | 2016-12-22 | 2018-06-28 | 欧普照明股份有限公司 | 一种坐姿识别系统和坐姿识别方法 |
CN108665687A (zh) * | 2017-03-28 | 2018-10-16 | 上海市眼病防治中心 | 一种坐姿监测方法和装置 |
CN110148092A (zh) * | 2019-04-16 | 2019-08-20 | 无锡海鸿信息技术有限公司 | 基于机器视觉的青少年坐姿及情绪状态的分析方法 |
CN110309787A (zh) * | 2019-07-03 | 2019-10-08 | 电子科技大学 | 一种基于深度相机的人体坐姿检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080142713A1 (en) * | 1992-05-05 | 2008-06-19 | Automotive Technologies International, Inc. | Vehicular Occupant Sensing Using Infrared |
-
2019
- 2019-10-31 CN CN201911049620.3A patent/CN111062244B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018113582A1 (zh) * | 2016-12-22 | 2018-06-28 | 欧普照明股份有限公司 | 一种坐姿识别系统和坐姿识别方法 |
CN108665687A (zh) * | 2017-03-28 | 2018-10-16 | 上海市眼病防治中心 | 一种坐姿监测方法和装置 |
CN110148092A (zh) * | 2019-04-16 | 2019-08-20 | 无锡海鸿信息技术有限公司 | 基于机器视觉的青少年坐姿及情绪状态的分析方法 |
CN110309787A (zh) * | 2019-07-03 | 2019-10-08 | 电子科技大学 | 一种基于深度相机的人体坐姿检测方法 |
Non-Patent Citations (2)
Title |
---|
曾星 ; 罗武胜 ; 孙备 ; 鲁琴 ; 刘涛诚 ; .基于深度图像的嵌入式人体坐姿检测系统的实现.计算机测量与控制.2017,(09),全文. * |
韩晓明 ; 冉春风 ; 侯雪峰 ; 关然 ; 潘巍 ; .基于视频的学生坐姿检测与纠正系统研究.首都师范大学学报(自然科学版).2009,(S1),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111062244A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106412573B (zh) | 一种检测镜头污点的方法和装置 | |
CN107169453B (zh) | 一种基于深度传感器的坐姿检测方法 | |
CN101271517B (zh) | 面部区域检测装置和方法 | |
CN106022378B (zh) | 坐姿判断方法及基于摄像头与压力传感器颈椎病识别系统 | |
CN108814616A (zh) | 一种坐姿识别的方法及智能座椅 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN111368810A (zh) | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN109785396B (zh) | 基于双目相机的写字姿态监测方法、系统、装置 | |
CN110309787B (zh) | 一种基于深度相机的人体坐姿检测方法 | |
CN110934591B (zh) | 一种坐姿检测方法及装置 | |
CN111127848A (zh) | 一种人体坐姿检测系统及方法 | |
CN101710383A (zh) | 一种身份认证的方法及认证装置 | |
CN109512188B (zh) | 一种坐姿检测方法和装置以及座椅 | |
CN112101124B (zh) | 一种坐姿检测方法及装置 | |
CN110148092B (zh) | 基于机器视觉的青少年坐姿及情绪状态的分析方法 | |
CN111444748B (zh) | 一种坐姿检测方法、装置、设备及存储介质 | |
Bei et al. | Sitting posture detection using adaptively fused 3D features | |
CN110717392A (zh) | 一种坐姿检测与纠正方法和装置 | |
CN103919557A (zh) | 应用于诊断良性阵发性位置性眩晕的眼震参数特征获取方法和装置 | |
CN106971131A (zh) | 一种基于中心位置的手势识别方法 | |
CN103729646B (zh) | 一种眼睛图像有效性检测方法 | |
CN111695520A (zh) | 一种高精度的儿童坐姿检测与矫正方法及装置 | |
CN114973423A (zh) | 用于儿童学习桌的坐姿监测的警示方法及系统 | |
CN110097012B (zh) | 基于N-range图像处理算法的眼动参数监测的疲劳检测方法 |
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 |