CN111985371A - 坐姿检测方法、坐姿检测设备及课桌 - Google Patents
坐姿检测方法、坐姿检测设备及课桌 Download PDFInfo
- Publication number
- CN111985371A CN111985371A CN202010797667.4A CN202010797667A CN111985371A CN 111985371 A CN111985371 A CN 111985371A CN 202010797667 A CN202010797667 A CN 202010797667A CN 111985371 A CN111985371 A CN 111985371A
- Authority
- CN
- China
- Prior art keywords
- human body
- sitting posture
- image
- recognized
- abnormal
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000036544 posture Effects 0.000 description 122
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000000875 Spinal Curvatures Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 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
- G06V40/10—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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B3/00—Audible signalling systems; Audible personal calling systems
- G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种坐姿检测方法、坐姿检测设备及课桌，方法包括：获取对目标区域进行图像采集得到的待识别图像，在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置，在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置。通过采用上述方法，实现在目标区域内存在处于坐姿状态的人体时，根据人体的头部、肩部以及手肘的位置判断人体的坐姿状态是否异常的效率及准确性，并在坐姿状态异常时，及时提示用户以便用户根据提示信息调整坐姿，避免了现有技术中，需要家长实时提醒造成不便的问题。
Description
技术领域
本发明属于互联网技术领域，具体涉及一种坐姿检测方法、坐姿检测设备及课桌。
背景技术
近年来，由于坐姿不正而导致的近视眼、脊柱弯曲的儿童人数正在逐步增加，坐姿不正确是造成孩子视力缺陷及脊柱发育不良的主要原因之一，对孩子身体的健康发育十分有害。有很多孩子的健康发育十分有害。有很多孩子喜欢趴在桌子上看书、没有正确的坐姿意识，需要大人提醒、没有良好的书写姿势和进餐坐姿等等。而成年人的很多还习惯都是从小养成的，从小养成的还习惯是很难改变的，从小养成的还习惯是很难改变的，因此我们从小就应该注意纠正孩子的一些不良习惯，培养孩子的正确的坐姿。因此，提供一种用于检测坐姿的正确与否是亟待解决的技术问题。
发明内容
本发明提供了一种坐姿检测方法、坐姿检测设备及课桌，通过在目标区域内存在处于坐姿状态的人体时，根据人体的头部、肩部以及手肘的位置判断人体的坐姿状态是否异常，并在坐姿状态异常时，及时提示用户以便用户根据提示信息调整坐姿，避免了现有技术中，需要家长实时提醒造成不便的问题。
第一方面，本发明提供一种坐姿检测方法，所述方法包括：
获取对目标区域进行图像采集得到的待识别图像；
在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置；
根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常，并在所述人体的坐姿状态为异常时生成提示信息以进行提示。
可选的，在上述坐姿检测方法中，根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常，包括：
根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置得到该待识别图像中包括的人体的头顶到肩部的第一高度距离以及头顶到手肘的第二高度距离；
将所述第二高度距离与所述第一高度距离相比以得到一高度比值，并根据所述高度比值和预设比值范围判断所述人体的坐姿状态是否异常，其中，在所述高度比值不在预设比值范围内时，人体的坐姿状态为异常。
可选的，在上述坐姿检测方法中，所述肩部包括左肩部和右肩部，所述手肘包括左手肘和右手肘，根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置得到该待识别图像中包括的人体的头顶到肩部的第一高度距离以及头顶到手肘的第二高度距离包括：
获取所述左肩部与右肩部之间的连线的中点位置，并将该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第一高度距离；
获取所述左手肘与右手肘之间的连线的中点位置，并在该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第二高度距离。
可选的，在上述坐姿检测方法中，所述方法还包括：
获取所述左肩部与所述头顶之间的第三高度距离以及获取所述右肩部与所述头顶之间的第四高度距离；
在所述第三高度距离与所述第四高度距离的差值大于预设阈值时，确定所述待识别图像中人体的坐姿状态为异常。
可选的，在上述坐姿检测方法中，获取对目标区域进行图像采集得到的待识别图像，包括：
获取预设时长内对目标区域进行连续多次图像采集得到的多张待识别图像；
将所述第二高度距离与所述第一高度距离相比以得到一高度比值，并根据所述高度比值和预设比值范围判断所述人体的坐姿状态是否异常，包括：
将每张所述待识别图像对应的第一高度距离与所述第二高度距离相比以得到每张所述待识别图像分别对应的高度比值；
判断每张所述待识别图像分别对应的高度比值是否都在预设比值范围内，其中，当每张待识别图像对应的高度比值都不在预设比值范围内时，人体的坐姿状态为异常。
可选的，在上述坐姿检测方法中，所述方法还包括：
利用第一神经网络模型对所述待识别图像进行人体识别，以根据人体识别结果判断所述待识别图像中是否包括人体；
在所述待识别图像中包括人体时，利用第二神经网络模型对所述人体的姿态进行识别，以根据姿态识别结果判断所述人体的姿态是否为坐姿状态。
可选的，在上述坐姿检测方法中，在所述人体的坐姿状态为异常时生成提示信息以进行提示，包括：
在所述人体的坐姿状态为异常时，控制报警器发出报警信号，或者控制语音模块发出语音提示信号。
第二方面，本申请还提供一种坐姿检测设备，所述坐姿检测设备包括：
摄像头，所述摄像头用于对采集目标区域的图像，以得到待识别图像；
处理器，所述处理器与所述摄像头连接，用于获取所述摄像头采集到的待识别图像，并在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置，以及根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常。
可选的，在上述坐姿检测设备中，所述坐姿检测设备还包括与所述处理器连接的语音模块和/或报警器，所述处理器还用于在所述人体的坐姿状态为异常时控制与所述处理器关联的语音模块发出语音提示信号，和/或控制与所述处理器关联的报警器发出报警信号。
第三方面，本申请还提供一种课桌，包括课桌本体和上述的坐姿检测设备，所述坐姿检测设备设置于所述课桌本体。
本发明提供的一种坐姿检测方法、坐姿检测设备及课桌，方法包括：获取对目标区域进行图像采集得到的待识别图像，在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置，在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置。通过采用上述方法，实现在目标区域内存在处于坐姿状态的人体时，根据人体的头部、肩部以及手肘的位置判断人体的坐姿状态是否异常，从而可以有效提高坐姿判断的效率及准确性，并在坐姿状态异常时，及时提示用户以便用户根据提示信息调整坐姿，避免了现有技术中，需要家长实时提醒造成不便的问题。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请实施例提供的一种坐姿检测方法的流程示意图。
图2为本申请实施例提供的一种坐姿检测方法的另一流程示意图。
图3为图1中步骤S130的流程示意图。
图4为本申请实施例提供的一种坐姿检测设备的连接框图。
图5为本申请实施例提供的一种课桌的结构示意图。
图标：
10-课桌；100-坐姿检测设备；110-处理器；120-摄像头；130-存储器；140-语音模块；150-报警器。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
第一实施例
目前，很多人喜欢趴在或者弓腰驼背得坐着在桌上看书、吃饭等，这些习惯会对人体的发育或体态较大的影响。发明人发现，根据符合人体工学设计原理，人体正确的坐姿是：上身平正，两肩平头；头正，稍向前倾；背直挺起胸，胸口离桌沿一拳左右，两脚平放在地上与肩同宽；左右两臂及手肘平放在桌面上。因此，为快速识别人体的坐姿知否正确，提出了如下解决方案：
请参阅图1，本实施例提供了一种坐姿检测方法，该方法可以用于检测儿童或学生的坐姿状态，所述方法包括：
步骤S110：获取对目标区域进行图像采集得到的待识别图像。
步骤S120：在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置。
步骤S130：根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常。
通过采用上述方法，以实现在目标区域内存在处于坐姿状态的人体时，根据人体的头部、肩部以及手肘的位置判断人体的坐姿状态是否异常，从而可以有效提高坐姿判断的效率及准确性，并在坐姿状态异常时，及时提示用户以便用户根据提示信息调整坐姿，避免了现有技术中，需要家长实时提醒造成不便的问题。
在步骤S110中，所述目标区域可以是办公区域、写作业的区域或者吃饭的区域等，在此不做具体限定，根据实际需求进行设置即可。对该目标区域进行图像采集可以是利用摄像头或任意的成像设备采集对目标区域每间隔预设时长进行图像采集或者实时采集，以得到待识别图像。其中，所述待识别图像可以是一张，也可以是多张，在此不做具体限定。
请结合图2，可以理解，上述采集得到的图像中，可能并不包括人体或者包括人体，但是人体并不是处于坐姿状态下，因此，在本实施例中，在执行步骤S120之前，所述方法还包括：
步骤S140：利用第一神经网络模型对所述待识别图像进行人体识别，以根据人体识别结果判断所述待识别图像中是否包括人体。
步骤S150：在所述待识别图像中包括人体时，利用第二神经网络模型对所述人体的姿态进行识别，以根据姿态识别结果判断所述人体的姿态是否为坐姿状态。
可以理解，所述第一神经网络模型为人体识别模型，用于识别所述待识别图像中是否包括人体，所述第二神经网络模型为人体姿态识别模型，用于识别在所述待识别图像中包括人体时，人体的姿态是否为坐姿状态。
在步骤S130中，在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置的方式具体可以是：以待识别图像作为平面区域建立平面坐标系，并获取人体的头顶、肩部以及手肘在所述平面坐标系中的位置。需要说明的是，在确定所述人体的头顶、肩部以及手肘的位置时，可以利用人体部位识别模型对所述人体进行图像识别得到并标记，以得到的上述各个部位在坐标系中的位置。
所述肩部可以包括左肩部和/或右肩部，所述手肘可以包括左手肘和/或右手肘。
请结合参阅图3，在步骤S130中，据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常，包括：
步骤S132：根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置得到该待识别图像中包括的人体的头顶到肩部的第一高度距离以及头顶到手肘的第二高度距离。
其中，所述头顶到所述肩部的第一高度距离具体可以是头顶到左肩部或右肩部的高度距离也可以是头顶到左肩部与右肩部之间连线的中点的距离，例如，可以是以所述头顶与所述左肩部或者右肩部的连线作为一第一直角三角形的斜边，将第一直角三角形中所述头顶所在的直角边的长度作为所述第一高度距离，也可以是获取所述左肩部与右肩部之间的连线的中点位置，并将该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第一高度距离。
所述头顶到手肘的第二高度距离具体可以是头顶到左手肘或右手肘的高度距离也可以是头顶到左手肘与右手肘之间连线的中点的距离，例如，可以是以所述头顶与所述左手肘或者右手肘的连线作为一第二直角三角形的斜边，将第二直角三角形中所述头顶所在的直角边的长度作为所述第一高度距离，也可以是获取所述左手肘与右手肘之间的连线的中点位置，并将该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第二高度距离。
通过获取所述第一高度距离和第二高度距离即可根据所述第一高度距离与所述第二高度距离确定所述人体的姿态是否异常。例如，在所述第一高度距离与第二高度距离之间的差值小于预设阈值时，则可以认为用户可能是弓腰驼背或低头，即坐姿异常。还可以是在所述第一高度距离与所述第二高度之间的比值不在第一预设范围内，或者第二高度距离与第一高度距离之间的比值不在第二预设范围内时，认为用户可能是弓腰驼背或低头，即坐姿异常。
可选的，在本实施例中，根据所述第一高度距离与所述第二高度距离确定所述人体的姿态是否异常，具体可以是：
步骤S134：将所述第二高度距离与所述第一高度距离相比以得到一高度比值，并根据所述高度比值和预设比值范围判断所述人体的坐姿状态是否异常，其中，在所述高度比值不在预设比值范围内时，人体的坐姿状态为异常。
为使得坐姿判断结果更准确，可以是对连续采集到的多张待识别图像中包括处于坐姿状态的人体时，根据多张待识别图像分别对应的高度比值和预设比值范围判断所述人体的坐姿状态是否异常。
在本实施例中，步骤S110具体可以是：获取预设时长内对目标区域进行连续多次图像采集得到的多张待识别图像。
其中，所述预设时长可以是但不限于5秒、10秒、20秒或者一分钟等，在此不作具体限定，根据实际需求进行设置即可。
步骤S132具体可以是：
将每张所述待识别图像对应的第一高度距离与所述第二高度距离相比以得到每张所述待识别图像分别对应的高度比值。
判断每张所述待识别图像分别对应的高度比值是否都在预设比值范围内，其中，当每张待识别图像对应的高度比值都不在预设比值范围内时，人体的坐姿状态为异常。
通过上述设置，以在连续几秒、十几秒采集到的待识别图像中的人体的坐姿状态都异常时，确认人体坐姿状态为异常状态，并进行提示。
为达到良好的提示效果，在本实施例中，在所述人体的坐姿状态为异常时生成提示信息以进行提示，包括：
在所述人体的坐姿状态为异常时，控制报警器发出报警信号，或者控制语音模块发出语音提示信号。
可以理解，所述报警器可以是但不限于声音报警器、光报警器或声光报警器，在此不做具体限定，根据实际需求进行设置即可。
为进一步在用户坐姿状态为异常时提示用户，在本实施例中，所述方法还包括：
步骤S160：获取所述左肩部与所述头顶之间的第三高度距离以及获取所述右肩部与所述头顶之间的第四高度距离。
步骤S170：在所述第三高度距离与所述第四高度距离的差值大于预设阈值时，确定所述待识别图像中人体的坐姿状态为异常。
关于获取所述左肩部与所述头顶之间的第三高度距离的具体方式以及获取所述右肩部与所述头顶的第四高度距离的具体方式可以参照前文获取肩部到头顶之间的第一高度距离的具体描述，在此不做赘述。
通过上述方法，以在用户左右肩膀的高度距离差值大于预设值时，也可以认定人体的坐姿状态为异常，进而提高坐姿判断的准确性。
实施例二
请结合参阅图4，本申请实施例提供了一种坐姿检测设备100，本申请实施例中，其中，所述坐姿检测设备100包括摄像头120、存储器130以及处理器110。
所述摄像头120，所述摄像头120用于对采集目标区域的图像，以得到待识别图像。
处理器110，所述处理器110与所述摄像头120连接，用于获取所述摄像头120采集到的待识别图像，并在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置，以及根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常。
为便于在人体的坐姿状态为异常时，提示用户调整坐姿，在本实施例中，所述坐姿检测设备100还包括与所述处理器110连接的语音模块140和/或报警器150，所述处理器110还用于在所述人体的坐姿状态为异常时控制与所述处理器110关联的语音模块140发出语音提示信号，和/或控制与所述处理器110关联的报警器150发出报警信号。
其中，当包括报警器150时，所述报警器150可以是但不限于是声音报警器、光报警器、声光报警器以及短信报警器等，在此不作具体限定，根据实际需求进行设置即可。
处理器110与存储器130直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
所述存储器130中包括至少一个可以软件或固件(Firmware)的形式存储在存储器130中或固化在控制设备的操作系统(Operating System，OS)中的软件模块，处理器110用于执行存储器130中存储的可执行模块，以实现上述实施例一中所述的坐姿检测方法。
即，处理器110可以在接收到执行指令后，执行计算机程序。该计算机程序被处理器110执行时实现如实施例一中的坐姿检测方法的具体描述，在本实施例不作一一赘述。
其中，处理器110用于执行实施例一中的坐姿检测方法的全部或部分步骤。存储器130用于存储各种类型的数据，这些数据例如可以包括控制设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器110可以是专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(ProgrammableLogic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的全部或部分步骤。
所述存储器130可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
实施例三
请结合参阅图5，本实施例还提供一种课桌10，所述课桌10包括课桌本体200以及上述实施例一所述的坐姿检测设备100，所述坐姿检测设备100设置于所述课桌本体200。
具体的，在本实施例中，所述坐姿检测设备100中的摄像头120可以设置于所述课桌本体200的桌面的中轴线且靠近桌边位置，视觉角度45度，以在用户在桌面上写作时能够拍摄人体的坐姿。
以在获取到的连续10秒拍摄得到的多张待识别图像中，每张待识别图像均包括人体，且人体状态为坐姿状态时，获得每张所述待识别图像中人体的头顶到肩部的第一高度距离h1以及头顶到手肘的第二高度距离h2，L1为人体的肩宽为例进行说明：根据正常人体测量的标准，人体肩宽约为身高的0.25倍，通过根据肩宽计算出身高的初始值。然后再根据人体测量的标准计算出头顶到肩膀距离约等于0.2倍得到正常情况下肩膀与头顶的第一距离值。再根据标准的坐直尺寸标准，手肘放置的桌面到头顶距离约为0.35倍的身高得到手肘与头顶的第二距离值，通过第一距离值和第二距离值即可计算得到预设比值范围内。进而在每张待识别图像对应的第二高度距离与第一高度距离相以得到的高度比值，不在预设比值范围内，即持续时间连续10秒都处于低头或弯腰趴着的状态时，认定坐姿不正确。如，一个身高120cm的儿童，根据人体测量的标准计算得到在坐直(坐姿状态准确)的情况下，第一距离值为24cm，第二距离值为42cm，则对应的第二距离值与第一距离值K的比值为1.75，则可以认为预设比值范围为1.7至1.8之间，当趴在桌上的时候，h1和h2的值都会变小，但h2的值变化范围通常较大，如，h2可能会变为30cm，h1变化为21cm，则k值为h2/h1＝30/21＝1.42，不在预设范围内，因此，可以认为坐姿不准确。
关于所述坐姿检测设备100的具体描述可以参阅实施例一和实施例二中的具体描述，在此不作一一赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。
以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
还需要说明的是，以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种坐姿检测方法，其特征在于，所述方法包括：
获取对目标区域进行图像采集得到的待识别图像；
在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置；
根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常，并在所述人体的坐姿状态为异常时生成提示信息以进行提示。
2.根据权利要求1所述的坐姿检测方法，其特征在于，根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常，包括：
根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置得到该待识别图像中包括的人体的头顶到肩部的第一高度距离以及头顶到手肘的第二高度距离；
将所述第二高度距离与所述第一高度距离相比以得到一高度比值，并根据所述高度比值和预设比值范围判断所述人体的坐姿状态是否异常，其中，在所述高度比值不在预设比值范围内时，人体的坐姿状态为异常。
3.根据权利要求2所述的坐姿检测方法，其特征在于，所述肩部包括左肩部和右肩部，所述手肘包括左手肘和右手肘，根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置得到该待识别图像中包括的人体的头顶到肩部的第一高度距离以及头顶到手肘的第二高度距离包括：
获取所述左肩部与右肩部之间的连线的中点位置，并将该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第一高度距离；
获取所述左手肘与右手肘之间的连线的中点位置，并在该中点位置与所述待识别图像中包括的人体的头顶的位置之间的连线的长度作为第二高度距离。
4.根据权利要求3所述的坐姿检测方法，其特征在于，所述方法还包括：
获取所述左肩部与所述头顶之间的第三高度距离以及获取所述右肩部与所述头顶之间的第四高度距离；
在所述第三高度距离与所述第四高度距离的差值大于预设阈值时，确定所述待识别图像中人体的坐姿状态为异常。
5.根据权利要求2所述的坐姿检测方法，其特征在于，获取对目标区域进行图像采集得到的待识别图像，包括：
获取预设时长内对目标区域进行连续多次图像采集得到的多张待识别图像；
将所述第二高度距离与所述第一高度距离相比以得到一高度比值，并根据所述高度比值和预设比值范围判断所述人体的坐姿状态是否异常，包括：
将每张所述待识别图像对应的第一高度距离与所述第二高度距离相比以得到每张所述待识别图像分别对应的高度比值；
判断每张所述待识别图像分别对应的高度比值是否都在预设比值范围内，其中，当每张待识别图像对应的高度比值都不在预设比值范围内时，人体的坐姿状态为异常。
6.根据权利要求1所述的坐姿检测方法，其特征在于，所述方法还包括：
利用第一神经网络模型对所述待识别图像进行人体识别，以根据人体识别结果判断所述待识别图像中是否包括人体；
在所述待识别图像中包括人体时，利用第二神经网络模型对所述人体的姿态进行识别，以根据姿态识别结果判断所述人体的姿态是否为坐姿状态。
7.根据权利要求1所述的坐姿检测方法，其特征在于，在所述人体的坐姿状态为异常时生成提示信息以进行提示，包括：
在所述人体的坐姿状态为异常时，控制报警器发出报警信号，或者控制语音模块发出语音提示信号。
8.一种坐姿检测设备，其特征在于，所述坐姿检测设备包括：
摄像头，所述摄像头用于对采集目标区域的图像，以得到待识别图像；
处理器，所述处理器与所述摄像头连接，用于获取所述摄像头采集到的待识别图像，并在所述待识别图像中包括人体，且所述人体的姿态为坐姿状态时，确定所述待识别图像中人体的头顶、肩部以及手肘的位置，以及根据所述待识别图像中包括的人体的头顶、肩部以及手肘的位置判断所述人体的坐姿状态是否异常。
9.根据权利要求8所述的坐姿检测设备，其特征在于，所述坐姿检测设备还包括与所述处理器连接的语音模块和/或报警器，所述处理器还用于在所述人体的坐姿状态为异常时控制与所述处理器关联的语音模块发出语音提示信号，和/或控制与所述处理器关联的报警器发出报警信号。
10.一种课桌，其特征在于，包括课桌本体和如权利要求8或9所述的坐姿检测设备，所述坐姿检测设备设置于所述课桌本体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010797667.4A CN111985371A (zh) | 2020-08-10 | 2020-08-10 | 坐姿检测方法、坐姿检测设备及课桌 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010797667.4A CN111985371A (zh) | 2020-08-10 | 2020-08-10 | 坐姿检测方法、坐姿检测设备及课桌 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985371A true CN111985371A (zh) | 2020-11-24 |
Family
ID=73445302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010797667.4A Withdrawn CN111985371A (zh) | 2020-08-10 | 2020-08-10 | 坐姿检测方法、坐姿检测设备及课桌 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985371A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657271A (zh) * | 2021-08-17 | 2021-11-16 | 上海科技大学 | 结合可量化因素及不可量化因素判断的坐姿检测方法及系统 |
| CN115050102A (zh) * | 2022-07-19 | 2022-09-13 | 润芯微科技(江苏)有限公司 | 移动设备规范坐姿分析处理方法、系统及其存储介质 |
| CN115637901A (zh) * | 2022-10-09 | 2023-01-24 | 东风汽车集团股份有限公司 | 一种基于oms的儿童锁控制系统、方法及设备 |
| CN117398088A (zh) * | 2023-12-15 | 2024-01-16 | 四川大学华西医院 | 一种基于xr的身高测量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609517A (zh) * | 2017-09-15 | 2018-01-19 | 华中科技大学 | 一种基于计算机视觉的课堂行为检测系统 |
| CN108606799A (zh) * | 2018-05-11 | 2018-10-02 | 南京航空航天大学 | 一种适用于计算机使用者的坐姿测量及提醒装置 |
| CN109876415A (zh) * | 2019-02-28 | 2019-06-14 | 京东方科技集团股份有限公司 | 姿势辅助矫正设备及其控制方法和控制装置 |
| CN110008870A (zh) * | 2019-03-25 | 2019-07-12 | 秒针信息技术有限公司 | 对象状态告警方法和装置 |
| US20190251341A1 (en) * | 2017-12-08 | 2019-08-15 | Huawei Technologies Co., Ltd. | Skeleton Posture Determining Method and Apparatus, and Computer Readable Storage Medium |
| CN111047832A (zh) * | 2018-10-15 | 2020-04-21 | 珠海格力电器股份有限公司 | 具有坐姿调整功能的移动设备及其使用方法 |
| CN111079513A (zh) * | 2019-10-28 | 2020-04-28 | 珠海格力电器股份有限公司 | 姿态提醒方法、装置、移动终端及存储介质 |
-
2020
- 2020-08-10 CN CN202010797667.4A patent/CN111985371A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609517A (zh) * | 2017-09-15 | 2018-01-19 | 华中科技大学 | 一种基于计算机视觉的课堂行为检测系统 |
| US20190251341A1 (en) * | 2017-12-08 | 2019-08-15 | Huawei Technologies Co., Ltd. | Skeleton Posture Determining Method and Apparatus, and Computer Readable Storage Medium |
| CN108606799A (zh) * | 2018-05-11 | 2018-10-02 | 南京航空航天大学 | 一种适用于计算机使用者的坐姿测量及提醒装置 |
| CN111047832A (zh) * | 2018-10-15 | 2020-04-21 | 珠海格力电器股份有限公司 | 具有坐姿调整功能的移动设备及其使用方法 |
| CN109876415A (zh) * | 2019-02-28 | 2019-06-14 | 京东方科技集团股份有限公司 | 姿势辅助矫正设备及其控制方法和控制装置 |
| CN110008870A (zh) * | 2019-03-25 | 2019-07-12 | 秒针信息技术有限公司 | 对象状态告警方法和装置 |
| CN111079513A (zh) * | 2019-10-28 | 2020-04-28 | 珠海格力电器股份有限公司 | 姿态提醒方法、装置、移动终端及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657271A (zh) * | 2021-08-17 | 2021-11-16 | 上海科技大学 | 结合可量化因素及不可量化因素判断的坐姿检测方法及系统 |
| CN113657271B (zh) * | 2021-08-17 | 2023-10-03 | 上海科技大学 | 结合可量化因素及不可量化因素判断的坐姿检测方法及系统 |
| CN115050102A (zh) * | 2022-07-19 | 2022-09-13 | 润芯微科技(江苏)有限公司 | 移动设备规范坐姿分析处理方法、系统及其存储介质 |
| CN115637901A (zh) * | 2022-10-09 | 2023-01-24 | 东风汽车集团股份有限公司 | 一种基于oms的儿童锁控制系统、方法及设备 |
| CN117398088A (zh) * | 2023-12-15 | 2024-01-16 | 四川大学华西医院 | 一种基于xr的身高测量方法 |
| CN117398088B (zh) * | 2023-12-15 | 2024-02-20 | 四川大学华西医院 | 一种基于xr的身高测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985371A (zh) | 坐姿检测方法、坐姿检测设备及课桌 | |
| US9795322B1 (en) | Methods and systems for monitoring posture with alerts and analytics generated by a smart seat cover | |
| US9842255B2 (en) | Calculation device and calculation method | |
| CN110020628B (zh) | 基于面部检测的坐姿检测方法、系统、设备及存储介质 | |
| CN109376631B (zh) | 一种基于神经网络的回环检测方法及装置 | |
| CN107194361B (zh) | 二维姿势检测方法及装置 | |
| CN111178280A (zh) | 一种人体坐姿识别方法、装置、设备及存储介质 | |
| CN107219925B (zh) | 姿势检测方法、装置及服务器 | |
| CN114323368A (zh) | 一种基于臀部压力的柔性智能坐姿监测系统 | |
| CN103955316B (zh) | 一种指尖触碰检测系统及方法 | |
| US20170156585A1 (en) | Eye condition determination system | |
| CN109493334B (zh) | 测量脊柱弯曲的方法及装置 | |
| JP2015509746A (ja) | 吸収製品における流体の吸収を測定するための方法 | |
| Bei et al. | Sitting posture detection using adaptively fused 3D features | |
| CN113345069A (zh) | 三维人体模型的建模方法、装置、系统及存储介质 | |
| CN113989832A (zh) | 姿势识别方法、装置、终端设备及存储介质 | |
| CN108577214A (zh) | 一种学生桌 | |
| CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
| KR20220096274A (ko) | 압력센서를 이용한 머신러닝 기반의 자세 판별 시스템 | |
| CN107562352A (zh) | 计算机用户姿态纠正方法 | |
| Lee et al. | Development of a sitting posture monitoring system for children using pressure sensors: An application of convolutional neural network | |
| CN113947808A (zh) | 信息处理系统、信息处理装置以及非临时性存储介质 | |
| JP2022504444A (ja) | カメラの較正方法、カメラ及びプログラム | |
| Uribe-Quevedo et al. | Seated tracking for correcting computer work postures | |
| CN113035318B (zh) | 一种眼部运动引导方法、装置、设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201124 |
|
| WW01 | Invention patent application withdrawn after publication |