CN111611882A - 基于步态的进度提示方法、装置及计算机可读存储介质 - Google Patents
基于步态的进度提示方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111611882A CN111611882A CN202010370994.1A CN202010370994A CN111611882A CN 111611882 A CN111611882 A CN 111611882A CN 202010370994 A CN202010370994 A CN 202010370994A CN 111611882 A CN111611882 A CN 111611882A
- Authority
- CN
- China
- Prior art keywords
- gait
- image set
- user
- progress
- boundary contour
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000001914 filtration Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
- G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,揭露了一种基于步态的进度提示方法,包括获取用户的步态图像集并记录获取所述步态图像集的时间;提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。本发明可以解决业务办理时需要时刻关注大屏幕,才能了解排队进度的问题。此外,本发明还涉及区块链技术,所述身份信息可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于步态的进度提示方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,现有很多领域的应用场景中都存在需要排队等待的情况。例如,在银行网点的柜台进行业务办理的时候,往往因为客户人数过多和银行人员进行业务办理需要一定的时间两个主要原因,导致客户需要进行排队等待。
在排队等待时,人们需要时刻了解排队的进度情况。在现有技术中,人们在到银行等场所办理业务时,都会被分配一个排队号,根据自己的排队号以及大屏幕上显示的正在处理的排队号,人们可以了解排队进度,但是利用这种方式,人们需要排队取号,取号之后还需要人们时刻关注大屏幕的信息,当人们有其他事情需要处理,不方便时刻关注大屏幕时,就不能及时了解排队进度了。
发明内容
本发明提供一种基于步态的进度提示方法、装置、电子设备及计算机可读存储介质,其主要目的在于提供一种不需要用户取号,也不需要时刻关注大屏幕,就能了解排队进度的方案。
为实现上述目的,本发明提供的一种基于步态的进度提示方法,包括:
获取用户的步态图像集并记录获取所述步态图像集的时间;
提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
可选地,所述提取所述步态图像集中步态的边界轮廓数据之前该方法还包括:
对所述步态图像集进行灰度转换预处理,得到灰度图像集;
对所述灰度图像集进行降噪预处理,得到预处理完成的步态图像集。
可选地,所述对所述灰度图像集进行降噪预处理,包括:
根据如下计算公式,对所述灰度图像集进行降噪处理,得到所述预处理完成的步态图像集g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)为所述灰度图像集中的像素点,W为二维滑动模板,l、k为所述二维滑动模板边界上像素点的坐标,med为降噪处理运算。
可选地,所述提取所述步态图像集中步态的边界轮廓数据,包括:
对所述步态图像集进行平滑滤波处理,得到滤波步态图像集;
将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集;
利用双阈值法对所述细化步态图像集进行连接处理,得到所述边界轮廓数据。
可选地,所述对所述步态图像集进行平滑滤波处理,得到滤波步态图像集,包括:
利用高斯滤波器对所述步态图像集进行平滑滤波处理,得到滤波步态图像集G(x,y):
G(x,y)=g(x,y)*H(x,y)
H(x,y)=exp[-(x2+y2)/2σ2]
其中,g(x,y)为所述步态图像集,H(x,y)为所述高斯滤波器,exp为滤波处理运算,σ表示系统参数。
可选地,所述根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息,包括:
将所述边界轮廓数据和步态周期数据输入至一个预先训练完成的特征提取模型进行身份识别,得到所述身份信息。
可选地,所述预先训练完成的特征提取模型的训练过程包括:
步骤A:搜集用户身份训练信息,以及所述用户身份训练信息对应的标准边界轮廓数据和标准步态周期数据;
步骤B:利用特征提取模型对所述用户身份训练信息进行转化,得到用户特征;
步骤C:将所述用户特征、所述标准边界轮廓数据和标准步态周期数据输入至所述特征提取模型的损失函数中进行计算,得到损失值,当所述损失值大于或等于预设的损失阈值时,调整所述特征提取模型参数,返回步骤B重新进行转化;
步骤D:当所述损失值小于预设的损失阈值时,得到所述训练完成的特征提取模型。
为了解决上述问题,本发明还提供一种基于步态的进度提示方法,所述装置包括:
步态图像获取模块,用于获取用户的步态图像集并记录获取所述步态图像集的时间;
步态数据处理模块,用于提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
身份识别模块,用于根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
进度提示模块,用于根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述的基于步态的进度提示方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述的基于步态的进度提示方法。
本发明实施例获取用户的步态图像集并记录获取所述步态图像集的时间,根据所述步态图像集的获取时间的先后,可以对办理业务的用户进行排序,从而不再需要用户排队取号,进一步根据所述边界轮廓数据和步态周期数据可以确定用户的身份信息,以将计算得到的业务进度处理结果推送给相应的用户,使得用户不需要主动的去获取,也能时刻了解业务的进度处理结果信息。因此,本发明提供的基于步态的进度提示方法、装置、电子设备及计算机可读存储介质,可以提供一种不需要用户时刻关注大屏幕上的显示的进度信息,就能了解排队进度的方案。
附图说明
图1为本发明一实施例提供的基于步态的进度提示方法的流程示意图;
图2为本发明一实施例提供的基于步态的进度提示装置的模块示意图;
图3为本发明一实施例提供的基于步态的进度提示方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于步态的进度提示方法。参照图1所示,为本发明一实施例提供的基于步态的进度提示方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于步态的进度提示方法包括:
S1、获取用户图像集并记录获取所述步态图像集的时间。
在本发明实例的其中一个应用场景中,所述用户步态图像集可以通过利用预先安装于业务办理地点的摄像头拍摄来办理业务的每一个客户进入所述业务办理地点时的多张图片得到。
进一步地,本发明实施例可以根据不同客户的步态图像集的获取时间顺序,可以生成客户办理业务的排队序列,从而对进入业务办理地点来办理业务的客户进行排序,免去客户排队取号的麻烦。
进一步地,本发明实施例获取所述步态图像集之后,为了后续更好地提取所述步态图像集中包含的信息,需要对所述步态图像集进行灰度转换预处理,得到灰度图像集。
详细地,所述对所述步态图像集进行灰度转换预处理,得到灰度图像集,包括:
利用如下像素转换公式对所述步态图像集进行灰度转换预处理:
Gray=0.30*R+0.59*G+0.11*B
其中,Gray为所述灰度转换后的像素值;R,G,B分别为所述步态图像集中像素的三分量。
根据上述像素转换公式将所述步态图像集中的所有像素转换完成后,得到灰度图像集。
进一步地,所述灰度图像集中的图像可能存在许多噪点,导致后续对所述灰度图像集中对信息提取出现错误,因此可能需要对所述灰度图像集进行降噪预处理,得到预处理完成对步态图像集。
详细地,所述对所述灰度图像集进行降噪预处理,得到预处理完成对步态图像集,包括:
将所述灰度图像集中任一像素点的像素值用该像素点的邻域中各像素点的像素值的中值代替,使得所述该像素点接近真实值,从而消除孤立的噪声点。
详细地,所述邻域可以利用预设的圆形结构的二维滑动模板获得。进一步地,本发明实施例将所述二维滑动模板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列,以找到所述邻域中各像素点的像素值的中值。
详细地,本发明实施例根据如下计算公式,对所述灰度图像集进行降噪处理,得到所述步态图像集g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)为所述灰度图像集;W为预设的二维滑动模板;j、k为所述二维滑动模板边界上像素点的坐标;med为降噪处理运算。
S2、提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据。
在本发明实例中,所述提取所述步态图像集中步态的边界轮廓数据,包括:
对所述步态图像集进行平滑滤波处理,得到滤波步态图像集;
将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集;
利用双阈值法对所述细化步态图像集进行连接处理,得到所述边界轮廓数据。
其中,所述对所述步态图像集进行平滑滤波处理,得到滤波步态图像集,包括:
利用高斯滤波器对所述步态图像集进行平滑滤波处理,得到滤波步态图像集G(x,y):
G(x,y)=g(x,y)*H(x,y)
H(x,y)=exp[-(x2+y2)/2σ2]
其中,g(x,y)为所述步态图像集,H(x,y)为所述高斯滤波器,x、y为所述步态图像集中像素坐标,exp为滤波处理运算,σ表示系统参数。
进一步地,所谓细化,通常是把一个具有一定面积的区域用一条曲线来代表它。边缘细化,即为把较粗的边缘用一条较细的曲线来表示。本发明较佳实施例中,所述将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集,包括:
计算所述滤波步态图像集梯度幅度和梯度方向,并将局部的最大梯度值的点进行保留,然后对非极大值进行抑制,即将非局部极大值点归置为零以得到所述细化步态图像集。
其中,梯度是指用一个标量函数计算出的场中向量增长最快的方向;局部是指滤波步态图像中进行梯度处理的区域;非局部是指滤波步态图像中不进行梯度处理的区域。
进一步地,由于所述滤波器在滤除噪声的过程中可能将所述步态图像集中一些正常像素当做噪声滤除掉了,得到的所述细化步态图像集可能会在某点处发生间断,因此本发明实施例利用双阈值法对所述细化步态图像集中的间断进行连接处理,得到所述边界轮廓数据,包括:
定义阈值T1和T2(其中,T1<T2),得到以阈值T1和T2作为边缘数值的阈值边缘图像N1[i,j]和N2[i,j];
在N1[i,j]的邻域内寻找可以连接到N2[i,j]中边界轮廓上的间断点并进行N1[i,j]和N2[i,j]之间的连接处理,直到所述细化步态图像集中的所有间断点连接起来为止,得到所述边界轮廓数据。
详细地,所述阈值T1和T2为预设的圆形滑动模块,所述圆形滑动模块的直径以像素宽度计量,m<T1<T2<n,其中,m为单位像素宽度,n为所述细化步态图像集的像素宽度之和。
进一步地,所述阈值T1和T2定义完成后,得到阈值T1和T2作为边缘数值的阈值边缘图像N1[i,j]和N2[i,j],即为两个分别以T1和T2为直径的圆形滑动模块,其中N1[i,j]在N2[i,j]之内进行滑动,N2[i,j]在所述细化步态图像集中进行滑动。当所述N1[i,j]中出现像素的间断时,将所述间断点连接到N2[i,j]内的边界轮廓上。
进一步地,根据所述边界轮廓数据计算步态周期数据,包括:
根据所述边界轮廓数据,测出一个人行走过程中左脚底部A点与右脚底部B点的步幅L;
在预构建的直角坐标系中对所述步幅L进行描述,当所述步幅L大于或等于预设的步幅阈值时,在以帧为横轴以步幅为纵轴的坐标图中标记为波峰位置,当所述步幅L小于所述步幅阈值时,在所述坐标图中标记为波谷位置;
统计出相邻的所述波峰位置之间图像的帧数;
根据步幅周期计算公式得到所述步幅周期T:
T=t×N
其中,t单位为ms,表示提取一帧的时间,N表示相邻的每个波峰间图像的帧数。
S3、根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息。
在本发明实例中,利用预先构建的具有身份识别功能的特征提取模型来实现对所述边界轮廓数据和步态周期数据的识别处理。即,本发明实施例将所述边界轮廓数据和步态周期数据输入至训练完成的特征提取模型进行身份识别,得到所述身份信息。需要强调的是,为进一步保证身份信息的私密和安全性,身份还可以存储于一区块链的节点中。
进一步地,所述根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息,包括:
步骤A:获取用户身份训练信息,以及所述用户身份训练信息对应的标准边界轮廓数据和标准步态周期数据,其中,所述用户身份训练信息可以包括用户的面部图像、指纹等能够表征用户身份的数据以及用户的联系方式等;
步骤B:利用所述特征提取模型对所述用户身份训练信息进行转化,得到用户特征;
步骤C:将所述用户特征、所述标准边界轮廓数据和标准步态周期数据输入至所述特征提取模型的损失函数中进行计算,得到损失值,当所述损失值大于或等于预设的损失阈值时,调整所述特征提取模型参数,返回步骤B重新进行转化;
步骤D:当所述损失值小于预设的损失阈值时,得到训练完成的特征提取模型。
优选地,本发明实施例从一个用户数据库中获取用户的身份信息数据以及用户身份信息对应的标准边界轮廓数据和标准步态周期数据。进一步地,所述特征提取模型的损失函数如下:
S4、根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
在本发明实例中,业务进度是按照不同业务相应制定的,面对不同的业务,预先设定业务办理的时间阈值,按照业务已办理时间和所述业务办理的时间阈值的比值来计算进度。
例如,业务Q预设的业务办理时间为T分钟,根据如下业务进度计算公式计算所述业务进度F:
其中,业务已办理时间为t,∝为客户平均办理业务时间,n为还需等待的排队人数。
详细地,所述客户平均办理业务时间可以根据历史上每位客户办理业务的时间进行求和计算后再求平均数得到。
如上所述,根据不同客户的步态图像集的获取时间顺序,可以生成客户办理业务的排队序列,从而可以获得每个客户还需等待的排队人数。
进一步地,将得到的所述业务进度按照上述身份识别的结果通知给相应客户,本发明实施例中可以将所述业务办理进度F利用手机App将业务办理进度推送给客户。
本发明实施例获取用户的步态图像集并记录获取所述步态图像集的时间,根据所述步态图像集的获取时间的先后,可以对办理业务的用户进行排序,从而不再需要用户排队取号,进一步根据所述边界轮廓数据和步态周期数据可以确定用户的身份信息,以将计算得到的业务进度处理结果推送给相应的用户,使得用户不需要主动的去获取,也能时刻了解业务的进度处理结果信息。因此,本发明提供的基于步态的进度提示方法、装置、电子设备及计算机可读存储介质,可以提供一种不需要用户时刻关注大屏幕上的显示的进度信息,就能了解排队进度的方案。
如图2所示,是本发明基于步态的进度提示方法装置的功能模块图。
本发明所述基于步态的进度提示装置100可以安装于电子设备中。根据实现的功能,所述基于步态的进度提示方法装置可以包括步态图像获取模块101、步态数据处理模块102、身份识别模块103和进度提示模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述步态图像获取模块101,用于获取用户的步态图像集并记录获取所述步态图像集的时间;
所述步态数据处理模块102,用于提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
所述身份识别模块103,用于根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
所述进度提示模块104,用于根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
详细地,所述的基于步态的进度提示装置各模块的具体实施步骤如下:
所述步态图像获取模块101获取用户图像集并记录获取所述步态图像集的时间。
在本发明实例的其中一个应用场景中,所述用户步态图像集可以通过利用预先安装于业务办理地点的摄像头拍摄来办理业务的每一个客户进入所述业务办理地点时的多张图片得到。
进一步地,本发明实施例可以根据不同客户的步态图像集的获取时间顺序,可以生成客户办理业务的排队序列,从而对进入业务办理地点来办理业务的客户进行排序,免去客户排队取号的麻烦。
进一步地,本发明实施例获取所述步态图像集之后,为了后续更好地提取所述步态图像集中包含的信息,需要对所述步态图像集进行灰度转换预处理,得到灰度图像集。
详细地,所述对所述步态图像集进行灰度转换预处理,得到灰度图像集,包括:
利用如下像素转换公式对所述步态图像集进行灰度转换预处理:
Gray=0.30*R+0.59*G+0.11*B
其中,Gray为所述灰度转换后的像素值;R,G,B分别为所述步态图像集中像素的三分量。
根据上述像素转换公式将所述步态图像集中的所有像素转换完成后,得到灰度图像集。
进一步地,所述灰度图像集中的图像可能存在许多噪点,导致后续对所述灰度图像集中对信息提取出现错误,因此可能需要对所述灰度图像集进行降噪预处理,得到预处理完成对步态图像集。
详细地,所述对所述灰度图像集进行降噪预处理,得到预处理完成对步态图像集,包括:
将所述灰度图像集中任一像素点的像素值用该像素点的邻域中各像素点的像素值的中值代替,使得所述该像素点接近真实值,从而消除孤立的噪声点。
详细地,所述邻域可以利用预设的圆形结构的二维滑动模板获得。进一步地,本发明实施例将所述二维滑动模板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列,以找到所述邻域中各像素点的像素值的中值。
详细地,本发明实施例根据如下计算公式,对所述灰度图像集进行降噪处理,得到所述步态图像集g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)为所述灰度图像集;W为预设的二维滑动模板;j、k为所述二维滑动模板边界上像素点的坐标;med为降噪处理运算。
所述步态数据处理模块102提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据。
在本发明实例中,所述提取所述步态图像集中步态的边界轮廓数据,包括:
对所述步态图像集进行平滑滤波处理,得到滤波步态图像集;
将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集;
利用双阈值法对所述细化步态图像集进行连接处理,得到所述边界轮廓数据。
其中,所述对所述步态图像集进行平滑滤波处理,得到滤波步态图像集,包括:
利用高斯滤波器对所述步态图像集进行平滑滤波处理,得到滤波步态图像集G(x,y):
G(x,y)=g(x,y)*H(x,y)
H(x,y)=exp[-(x2+y2)/2σ2]
其中,g(x,y)为所述步态图像集,H(x,y)为所述高斯滤波器,x、y为所述步态图像集中像素坐标,exp为滤波处理运算,σ表示系统参数。
进一步地,所谓细化,通常是把一个具有一定面积的区域用一条曲线来代表它。边缘细化,即为把较粗的边缘用一条较细的曲线来表示。本发明较佳实施例中,所述将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集,包括:
计算所述滤波步态图像集梯度幅度和梯度方向,并将局部的最大梯度值的点进行保留,然后对非极大值进行抑制,即将非局部极大值点归置为零以得到所述细化步态图像集。
其中,梯度是指用一个标量函数计算出的场中向量增长最快的方向;局部是指滤波步态图像中进行梯度处理的区域;非局部是指滤波步态图像中不进行梯度处理的区域。
进一步地,由于所述滤波器在滤除噪声的过程中可能将所述步态图像集中一些正常像素当做噪声滤除掉了,得到的所述细化步态图像集可能会在某点处发生间断,因此本发明实施例利用双阈值法对所述细化步态图像集中的间断进行连接处理,得到所述边界轮廓数据,包括:
定义阈值T1和T2(其中,T1<T2),得到以阈值T1和T2作为边缘数值的阈值边缘图像N1[i,j]和N2[i,j];
在N1[i,j]的邻域内寻找可以连接到N2[i,j]中边界轮廓上的间断点并进行N1[i,j]和N2[i,j]之间的连接处理,直到所述细化步态图像集中的所有间断点连接起来为止,得到所述边界轮廓数据。
详细地,所述阈值T1和T2为预设的圆形滑动模块,所述圆形滑动模块的直径以像素宽度计量,m<T1<T2<n,其中,m为单位像素宽度,n为所述细化步态图像集的像素宽度之和。
进一步地,所述阈值T1和T2定义完成后,得到阈值T1和T2作为边缘数值的阈值边缘图像N1[i,j]和N2[i,j],即为两个分别以T1和T2为直径的圆形滑动模块,其中N1[i,j]在N2[i,j]之内进行滑动,N2[i,j]在所述细化步态图像集中进行滑动。当所述N1[i,j]中出现像素的间断时,将所述间断点连接到N2[i,j]内的边界轮廓上。
进一步地,根据所述边界轮廓数据计算步态周期数据,包括:
根据所述边界轮廓数据,测出一个人行走过程中左脚底部A点与右脚底部B点的步幅L;
在预构建的直角坐标系中对所述步幅L进行描述,当所述步幅L大于或等于预设的步幅阈值时,在以帧为横轴以步幅为纵轴的坐标图中标记为波峰位置,当所述步幅L小于所述步幅阈值时,在所述坐标图中标记为波谷位置;
统计出相邻的所述波峰位置之间图像的帧数;
根据步幅周期计算公式得到所述步幅周期T:
T=t×N
其中,t单位为ms,表示提取一帧的时间,N表示相邻的每个波峰间图像的帧数。
所述身份识别模块103根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息。
在本发明实例中,利用预先构建的具有身份识别功能的特征提取模型来实现对所述边界轮廓数据和步态周期数据的识别处理。即,本发明实施例将所述边界轮廓数据和步态周期数据输入至训练完成的特征提取模型进行身份识别,得到所述身份信息。
进一步地,所述根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息,包括:
步骤A:获取用户身份训练信息,以及所述用户身份训练信息对应的标准边界轮廓数据和标准步态周期数据,其中,所述用户身份训练信息可以包括用户的面部图像、指纹等能够表征用户身份的数据以及用户的联系方式等;
步骤B:利用所述特征提取模型对所述用户身份训练信息进行转化,得到用户特征;
步骤C:将所述用户特征、所述标准边界轮廓数据和标准步态周期数据输入至所述特征提取模型的损失函数中进行计算,得到损失值,当所述损失值大于或等于预设的损失阈值时,调整所述特征提取模型参数,返回步骤B重新进行转化;
步骤D:当所述损失值小于预设的损失阈值时,得到训练完成的特征提取模型。
优选地,本发明实施例从一个用户数据库中获取用户的身份信息数据以及用户身份信息对应的标准边界轮廓数据和标准步态周期数据。进一步地,所述特征提取模型的损失函数如下:
所述进度提示模块104根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
在本发明实例中,业务进度是按照不同业务相应制定的,面对不同的业务,预先设定业务办理的时间阈值,按照业务已办理时间和所述业务办理的时间阈值的比值来计算进度。
例如,业务Q预设的业务办理时间为T分钟,根据如下业务进度计算公式计算所述业务进度F:
其中,业务已办理时间为t,∝为客户平均办理业务时间,n为还需等待的排队人数。
详细地,所述客户平均办理业务时间可以根据历史上每位客户办理业务的时间进行求和计算后再求平均数得到。
如上所述,根据不同客户的步态图像集的获取时间顺序,可以生成客户办理业务的排队序列,从而可以获得每个客户还需等待的排队人数。
进一步地,将得到的所述业务进度按照上述身份识别的结果通知给相应客户,本发明实施例中可以将所述业务办理进度F利用手机App将业务办理进度推送给客户。
如图3所示,是本发明实现基于步态的进度提示方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于步态的进度提示程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于步态的进度提示程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于步态的进度提示程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于步态的进度提示程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户的步态图像集并记录获取所述步态图像集的时间;
提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1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。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)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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,也可以采用硬件加软件功能模块的形式实现。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于步态的进度提示方法,其特征在于,所述方法包括:
获取用户的步态图像集并记录获取所述步态图像集的时间;
提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
2.如权利要求1所述的基于步态的进度提示方法,其特征在于,所述提取所述步态图像集中步态的边界轮廓数据之前该方法还包括:
对所述步态图像集进行灰度转换预处理,得到灰度图像集;
对所述灰度图像集进行降噪预处理,得到预处理完成的步态图像集。
3.如权利要求2所述的基于步态的进度提示方法,其特征在于,所述对所述灰度图像集进行降噪预处理,包括:
根据如下计算公式,对所述灰度图像集进行降噪处理,得到所述预处理完成的步态图像集g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)为所述灰度图像集中的像素点,W为二维滑动模板,l、k为所述二维滑动模板边界上像素点的坐标,med为降噪处理运算。
4.如权利要求1所述的基于步态的进度提示方法,其特征在于,所述提取所述步态图像集中步态的边界轮廓数据,包括:
对所述步态图像集进行平滑滤波处理,得到滤波步态图像集;
将所述滤波步态图像集进行边缘细化处理,得到细化步态图像集;
利用双阈值法对所述细化步态图像集进行连接处理,得到所述边界轮廓数据。
5.如权利要求4所述的基于步态的进度提示方法,其特征在于,所述对所述步态图像集进行平滑滤波处理,得到滤波步态图像集,包括:
利用高斯滤波器对所述步态图像集进行平滑滤波处理,得到滤波步态图像集G(x,y):
G(x,y)=g(x,y)*H(x,y)
H(x,y)=exp[-(x2+y2)/2σ2]
其中,g(x,y)为所述步态图像集,H(x,y)为所述高斯滤波器,x、y为所述步态图像集中像素坐标,exp为滤波处理运算,σ表示系统参数。
6.如权利要求1所述的基于步态的进度提示方法,其特征在于,所述根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息,包括:
将所述边界轮廓数据和步态周期数据输入至一个预先训练完成的特征提取模型进行身份识别,得到所述身份信息,所述身份信息存储于区块链中。
7.如权利要求6所述的基于步态的进度提示方法,其特征在于,所述预先训练完成的特征提取模型的训练过程包括:
步骤A:获取用户身份训练信息,以及所述用户身份训练信息对应的标准边界轮廓数据和标准步态周期数据;
步骤B:利用特征提取模型对所述用户身份训练信息进行转化,得到用户特征;
步骤C:将所述用户特征、所述标准边界轮廓数据和标准步态周期数据输入至所述特征提取模型的损失函数中进行计算,得到损失值,当所述损失值大于或等于预设的损失阈值时,调整所述特征提取模型参数,返回步骤B重新进行转化;
步骤D:当所述损失值小于预设的损失阈值时,得到所述训练完成的特征提取模型。
8.一种基于步态的进度提示装置,其特征在于,所述装置包括:
步态图像获取模块,用于获取用户的步态图像集并记录获取所述步态图像集的时间;
步态数据处理模块,用于提取所述步态图像集中步态的边界轮廓数据,根据所述边界轮廓数据计算步态周期数据;
身份识别模块,用于根据所述边界轮廓数据和步态周期数据进行用户身份识别,确定用户的身份信息;
进度提示模块,用于根据预设进度判别标准以及获取所述步态图像集的时间,计算业务进度处理结果,并将所述业务进度处理结果根据所述身份信息推送给相应的用户。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于步态的进度提示方法。
10.一种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7中任一项所述的基于步态的进度提示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370994.1A CN111611882A (zh) | 2020-04-30 | 2020-04-30 | 基于步态的进度提示方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370994.1A CN111611882A (zh) | 2020-04-30 | 2020-04-30 | 基于步态的进度提示方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111611882A true CN111611882A (zh) | 2020-09-01 |
Family
ID=72196490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010370994.1A Pending CN111611882A (zh) | 2020-04-30 | 2020-04-30 | 基于步态的进度提示方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611882A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421605A (zh) * | 2023-10-27 | 2024-01-19 | 绍兴清研微科技有限公司 | 一种基于区块链技术的步态识别方法及系统 |
-
2020
- 2020-04-30 CN CN202010370994.1A patent/CN111611882A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421605A (zh) * | 2023-10-27 | 2024-01-19 | 绍兴清研微科技有限公司 | 一种基于区块链技术的步态识别方法及系统 |
CN117421605B (zh) * | 2023-10-27 | 2024-04-30 | 绍兴清研微科技有限公司 | 一种基于区块链技术的步态识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021217851A1 (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN111932482A (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN113792089A (zh) | 基于人工智能的非法行为检测方法、装置、设备及介质 | |
CN111815731A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN111611882A (zh) | 基于步态的进度提示方法、装置及计算机可读存储介质 | |
CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113435353A (zh) | 基于多模态的活体检测方法、装置、电子设备及存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN113869218B (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
CN114882420A (zh) | 接待人数统计方法、装置、电子设备及可读存储介质 | |
CN113792672A (zh) | 公共场所健康码获取方法、装置、设备及介质 | |
CN111860357B (zh) | 基于活体识别的出勤率计算方法、装置、终端及存储介质 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
CN112528935A (zh) | 线上资源排序方法、装置、电子设备及存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN113095284A (zh) | 人脸选取方法、装置、设备及计算机可读存储介质 |
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 |