CN113487566A - 一种不良姿态检测方法、检测装置 - Google Patents

一种不良姿态检测方法、检测装置 Download PDF

Info

Publication number
CN113487566A
CN113487566A CN202110755983.XA CN202110755983A CN113487566A CN 113487566 A CN113487566 A CN 113487566A CN 202110755983 A CN202110755983 A CN 202110755983A CN 113487566 A CN113487566 A CN 113487566A
Authority
CN
China
Prior art keywords
counting
target
posture
attitude
bad
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
Application number
CN202110755983.XA
Other languages
English (en)
Inventor
孙梦南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ezviz Software Co Ltd
Original Assignee
Hangzhou Ezviz Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Ezviz Software Co Ltd filed Critical Hangzhou Ezviz Software Co Ltd
Priority to CN202110755983.XA priority Critical patent/CN113487566A/zh
Publication of CN113487566A publication Critical patent/CN113487566A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种不良姿态检测方法，该方法包括：获取图像帧，对图像帧进行目标检测，检测到第一目标，从第一目标中筛选出符合先验条件的第二目标，从第二目标中检索出与指定目标的特征数据匹配的第三目标，对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态；其中，指定目标的特征数据、以及标准姿态数据被预先存储。本申请使得姿态检测过程中既排除了非指定目标的姿态估计，又兼顾了个体骨骼构造上的差异，降低了不良姿态的误检，提高了不良姿态检测的准确性和可靠性。

Description

一种不良姿态检测方法、检测装置
技术领域
本发明涉及图像检测领域，特别地，涉及一种不良姿态检测方法。
背景技术
目前基于计算机视觉的姿态识别主要方法是通过获取图像，对图像中的目标进行检测，基于检测识别的姿态判断是否存在不良姿势。现有的姿态检测尚不能对图像中 出现指定目标之外的其他目标时的干扰场景做出判断，不能区分指定目标和非指定目 标，容易造成目标检测的误检。另外，在不良姿态的检测过程中，因每个目标存在肢 体构造上的差异，对某些不良姿态存在较大的误检。
发明内容
本发明提供了一种不良姿态检测方法，以提高指定目标的姿态检测的可靠性。
本发明提供的一种不良姿态检测方法，该方法包括：
获取图像帧，
对图像帧进行目标检测，检测到第一目标，
从第一目标中筛选出符合先验条件的第二目标，
从第二目标中检索出与指定目标的特征数据匹配的第三目标，
对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，
将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态；
其中，
指定目标的特征数据、以及标准姿态数据被预先存储。
较佳地，对所述第三目标进行姿态估计包括：相对于几案支撑面的设定空间范围内的案前姿态估计，
所述将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态，包括：
当比对结果存在差异时，记录当前图像帧，
统计设定的第一时间段内所记录的图像帧，将所统计的图像帧作为图像帧组，
判断图像帧组的是否连续且达到设定的数量阈值，如果是，则判定为不良案前姿态。
较佳地，所述相对于几案支撑面的设定空间范围内的案前姿态估计，包括，
获取第三目标的骨骼点信息，其中，骨骼点包括，位于脸部的左右眼骨骼点、左 右耳骨骼点、鼻部骨骼点、以及左右肩部骨骼点、左右肘部骨骼点、左右腕部骨骼点； 所述骨骼点信息包括各骨骼点的像素坐标信息、以及置信度，
获取图像帧中几案的分割信息，所述分割信息包括几案上边缘的像素坐标信息，
根据所述分割信息中的像素坐标信息以及骨骼点信息中的像素坐标信息，计算各个骨骼点到几案的距离，
所述将姿态估计结果与所述指定目标的标准姿态数据进行比对，包括：
将所计算的各个骨骼点到几案的距离与标准姿态数据中各个骨骼点到几案的距离 进行匹配，如果匹配成功，则判定当前姿态为标准姿态，否则，判定当前姿态为不良 案前姿态。
较佳地，当前姿态为不良案前姿态时，进一步包括，
检测不良案前姿态的类型，所述不良案前姿态包括以下姿态之一：
伏案姿态，
以几案支撑面为手肘支撑的承托姿态，
头部相对于几案支撑面的距离小于设定第一距离阈值的低头姿态，
头部相对于几案支撑面的高度方向呈非平行角度的歪头姿态，
左右肩部相对于几案支撑面具有不同高度的高低肩姿态，
左右肩部相对于几案支撑面的高度方向所在平面具有不同前后距离的前后肩姿态；
对于所检测的每种不良案前姿态，
记录包括该种不良案前姿态的图像帧，
统计该类不良案前姿态的第一时间段内所记录的图像帧，将所统计的图像帧作为图像帧组，
判断图像帧组是否连续且到达该种不良案前姿态连续的数量阈值，如果是，则判定为不良案前姿态；
其中，
每类不良案前姿态的第一时间段不同，每类不良案前姿态数量阈值不同。
较佳地，所述伏案姿态、低头姿态、歪头姿态、前后肩姿态、承托状态通过如下 检测方法获得：
对于各个姿态，
计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定的参数阈值时，进行计数，
统计计数结果，当计数结果大于设定的计数阈值时，判定该姿态为对应的不良姿态；
所述高低肩姿态通过如下方式检测：
计算左右肩部骨骼点之间高度方向的偏差，当该偏差大于设定的高度偏差阈值时， 则判定为高低肩状态。
较佳地，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
对于图像帧，
分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准姿态数据中位于脸部的各骨骼 点到几案上边缘的第二距离，将所计算的第二距离值进行加权平均，得到第二加权平 均结果，如果第一加权平均结果小于第二加权平均结果，则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第一距离阈值，则进行计数，
计算位于脸部的任一骨骼点与标准姿态数据中对应骨骼点的位置偏移量，当偏移量超过设定的偏移阈值，则进行计数，所述偏移量通过当前图像帧中位于脸部的任一 骨骼点与标准姿态数据对应骨骼点所在直线与设定方向的夹角来描述；
当所统计的计数结果大于设定的第一计数阈值时，则判定为低头姿态。
较佳地，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中左右两眼骨骼点所在直线的水平夹角、左右两耳骨骼点所 在直线的水平夹角、以及左右两肩骨骼点所在直线的水平夹角，每当夹角大于设 定的各自第二夹角阈值时，则进行计数，
如果所统计的计数结果大于设定的第二计数阈值，则判定为歪头姿态。
较佳地，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
对于图像帧，
分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准姿态数据中位于脸部的各骨骼 点到几案上边缘的第二距离，将所计算的第二距离值进行加权平均，得到第二加权平 均结果，如果第一加权平均结果小于第二加权平均结果，则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第二距离阈值，则进行计数，
对于位于同侧的骨骼点，计算肩部骨骼点和肘部骨骼点所在第一直线，与肘部骨骼点和腕部骨骼点所在第二直线之间的夹角，当所述夹角小于设定的第三夹角阈值时， 则进行计数；
如果所统计的计数结果大于设定的第三计数阈值，则判定为伏案姿态。
较佳地，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中左右两肩骨骼点、左右两眼骨骼点、左右两耳骨骼点的置信度，如果任一置信度超过设定的置信度阈值，则进行计数，
如果所统计的计数结果大于设定的第四计数阈值，则判定为前后肩姿态。
较佳地，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中腕部骨骼点到几案上边缘的第四距离、腕部骨骼点与肩部骨骼点的第五距离，如果第四距离大于设定的第三距离阈值，且第五距离小于设定的第四 距离阈值，则进行计数，
当所统计的计数结果大于设定的第五计数阈值时，则判定为承托姿态。
较佳地，所述指定目标的特征数据、以及标准姿态数据通过以下方式获得：
获取指定目标在标准姿态下的图像帧，检测该图像帧中的目标，并获取该图像帧中几案的分割信息，所述分割信息包括几案上边缘的像素坐标信息，
对所检测到的目标进行再识别，检索出指定目标，并提取指定目标的特征数据，
获取指定目标的骨骼点信息，所述骨骼点信息包括，位于脸部的左右眼骨骼点、左右耳骨骼点、鼻部骨骼点、以及左右肩部骨骼点、左右肘部骨骼点、左右腕部骨骼 点；所述骨骼点信息包括各骨骼点的像素坐标信息、以及置信度，
根据分割信息中像素坐标信息以及指定目标的骨骼点信息中的像素坐标信息，计算各个骨骼点到几案的上边缘的距离，作为指定目标的标准姿态数据。
本发明还提供一种不良姿态检测设备，该设备包括，图像采集装置、以及检测装置，
所述图像采集装置用于获取图像帧，
所述检测装置用于
对图像采集装置所获取的图像帧进行目标检测，检测到第一目标，
从第一目标中筛选出符合先验条件的第二目标，
从第二目标中检索出与指定目标的特征数据匹配的第三目标，
对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，
将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态；
其中，
指定目标的特征数据、以及标准姿态数据被预先存储。
本发明再提供一种不良姿态检测装置，该装置包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现任一所述不良姿态检测方法 的步骤。
本发明提供的一种不良姿态检测方法，通过预先存储的指定目标的特征数据，将图像帧中与指定目标匹配的目标筛选出来，避免了姿态估计过程中非指定目标造成的 干扰，通过预先存储的指定目标的标准姿态数据，使得姿态检测过程中既排除了非指 定目标的姿态估计，又兼顾了个体骨骼构造上的差异，降低了不良姿态的误检，提高 了不良姿态的准确性和可靠性，便于在公众场合使用，增强了普适性。对于各种不良 姿态，采用多种策略进行识别，提高了不良姿态检测的准确性。
附图说明
图1为本申请一种不良姿态检测方法的一种流程示意图
图2为获取指定目标的标准姿态数据的一种流程示意图。
图3为11个骨骼点分布的一种示意图。
图4为案前不良姿态检测方法的一种流程示意图。
图5为不良姿态检测时序的一种示意图。
图6为检测不良姿态的种类的一种示意图。
图7为低头姿态下和非低头姿态下的骨骼点的一种侧视示意图。
图8为低头姿态下和非低头姿态下的骨骼点的一种侧视示意图。
图9为低头姿态下的骨骼点的一种侧视示意图。
图10为歪头姿态下的骨骼点的一种正视示意图。
图11为伏案姿态下的骨骼点的一种侧视示意图。
图12为高低肩姿态下的骨骼点的一种正视示意图。
图13为承托姿态下的骨骼点的一种侧视示意图。
图14为对于每种不良姿态检测时序的一种示意图。
图15为本申请不良姿态检测装置的一种示意图。
图16为本申请检测设备的一种示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申 请做进一步详细说明。
本申请预先获取指定目标的特征数据以及指定目标的标准姿态数据，对所获 取的图像帧进行目标检测和通过指定目标的特征数据进行检索，以便筛选出图像 帧中的指定目标，对所筛选的目标进行姿态估计，将姿态估计结果与指定目标的 标准姿态数据进行比对，从而进行不良姿态的检测。
参见图1所示，图1为本申请一种不良姿态检测方法的一种流程示意图，该 方法包括：
步骤101，获取图像帧，
步骤102，对图像帧进行目标检测，检测到第一目标，
步骤103，从第一目标中筛选出符合先验条件的第二目标，
步骤104，从第二目标中检索出与预先存储的指定目标的特征数据匹配的第三目标，
步骤105，对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，
步骤106，将姿态估计结果与预先存储的指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态。
本申请避免了由于被检测目标的骨骼差异而导致的误检，提高了不良姿态检测的鲁棒性。
在实际应用中，常需要对家庭成员中青少年的不良姿态进行提醒，避免因不 良姿态而影响青少年的发育。鉴于青少年的大量时间用于读书学习，因此，案前 不良姿态的检测成为不良姿态的重点之一。
以下以人体为被检测目标的案前姿态的检测为例来说明本申请的姿态检测方法。所述案前系指目标相对于几案支撑面的设定空间范围，所述几案包括且不限 于，桌子、操作台、平台等。不良案前姿态包括且不限于，伏案姿态，以几案支 撑面为手肘支撑的手部承托姿态，头部相对于几案支撑面的距离小于设定第一距 离阈值的低头姿态，头部相对于几案支撑面的高度方向上呈非平行角度的歪头姿 态，左右肩部相对于几案支撑面具有不同高度的高低肩姿态，左右肩部相对于几 案支撑面的高度方向所在平面具有不同前后距离的前后肩姿态。
为了实现对指定目标进行姿态检测，避免非指定目标的干扰，在本实施例中， 预先对指定目标、以及其案前标准姿态数据进行采集和存储，以获取指定目标的 特征数据、以及其标准姿态数据。
参见图2所示，图2为获取指定目标的标准姿态数据的一种流程示意图。包 括：
步骤201，获取指定目标在标准姿态下的图像帧，
步骤202，利用目标检测算法，检测图像帧中的目标，将所检测到的目标其所 在检测框大小、图像帧中的位置、以及对应的置信度予以保存，
其中，所述目标检测算法可以为CENTERNET算法(Objects as Points)，该 算法能够快速并高精度的识别场景中的人体目标。
步骤203，利用图像检索算法，对检测到的目标进行再识别，以判断所检测到 的目标是否存在指定目标，
其中，图像检索算法可以为REID(Person re-identification)算法，该算法通 过提取指定目标的特征与设定特征的匹配程度来判断图像中是否存在指定目标， 也可以采用训练好的用于特征提取的第一的深度学习模型提取所检测到的目标的 特征，再根据提取的目标特征与设定特征的匹配程度，以识别出所检测到的目标 是否是指定目标。其中，设定特征为指定目标的特征。
当所检测到的目标为指定目标时，则执行步骤204，否则，获取下一帧图像， 返回步骤202，
步骤204，利用图像分隔网络算法获取图像帧中几案的分割信息，例如，从图 像中分割出桌子边缘，得到桌子上边缘的像素坐标信息，作为分割信息，并予以 保存，
其中，所述图像分隔网络算法可以为训练好的用于图像分割的第二深度学习 模型，
步骤205，利用姿态估计算法获取指定目标上半身骨骼点信息，每个骨骼点包 括其像素坐标u坐标、v坐标以及置信度，
所述骨骼点包括，左眼骨骼点、右眼骨骼点、左耳骨骼点、右耳骨骼点、鼻 部骨骼点、左肩部骨骼点、右肩部骨骼点、左肘部骨骼点、右肘部骨骼点、左腕 部骨骼点、右腕部骨骼点共11个骨骼点，参见图3所示，图3为11个骨骼点分 布的一种示意图。每个骨骼点信息可以作为标准姿态的关键点信息。
其中，姿态估计算法可以为HRNET算法(High-Resolution Net)，该算法可 通过检测出的人形检测框，检测出人体关键骨骼点。
作为一种变形，也可以根据步骤204的分割信息，利用姿态估计算法获取指 定目标位于上边缘的骨骼点信息。
步骤206，根据骨骼点信息以及几案的分割信息，计算各个骨骼点相对于几案 边缘(例如，上边缘)的距离，得到指定目标的标准姿态数据，并予以保存。
这样，所述标准姿态数据表征了指定目标在标准姿态下的关键点相对于几案 的高度，可用于作为不良姿态的判定基准。
上述步骤中，步骤204与步骤202、203无先后次序关系。
参见图4所示，图4为案前不良姿态检测方法的一种流程示意图。该检测方 法包括，基于所获取的当前图像帧，进行如下处理：
步骤401，利用目标检测算法，检测该图像帧中的目标，将所检测到的第一目 标其所在检测框大小、图像帧中的位置、以及对应的置信度予以保存，
步骤402，对所检测到的第一目标进行先验条件判断，判断方式具体可以为：
对所检测到的每个第一目标，将该第一目标的检测框的大小、在图像帧中的 位置、以及置信度进行加权，得到加权结果，并予以存储以便作为该图像帧的检 测信息，
将该加权结果与上一图像帧的加权结果进行比较，如果比较结果超出设定的 比较阈值，则判定该目标不符合先验条件，从而剔除不符合先验条件的第一目标， 否则，判定该第一目标符合先验条件，保留该第一目标，从而得到第二目标。
通过该步骤，可以检测出图像帧中的人体目标。
步骤403，利用图像检索算法或训练好的的用于特征提取的第一深度学习模型，将符合先验条件的第一目标(第二目标)进行特征提取，将提取的特征与预先存 储的指定目标的特征数据进行匹配，以便根据匹配结果确定该符合先验条件的第 一目标(第二目标)是否为指定目标。
鉴于第二目标可能有多个，则可以将每个第二目标分别进行特征提取、以及 分别进行特征匹配，以检索出指定目标，从而筛选出第三目标，这样，便可以从 第一目标中检索出指定目标。
步骤404，利用姿态估计算法，对筛选出的第三目标进行姿态估计，得到第三 目标的骨骼点信息，即指定目标的骨骼点信息。其中，每个骨骼点包括其像素坐 标u坐标、v坐标以及置信度，所述骨骼点可以共计11个骨骼点，将每个骨骼点 信息作为标准姿态的关键点信息。
较佳地，对筛选出的第三目标的上半身进行姿态估计。
步骤405，利用图像分割网络算法，获取图像帧中几案的分割信息，该分割信 息可以为几案上边缘的像素坐标信息。
较佳地，鉴于实际应用中几案的空间位置通常保持不变，故可以在初次获得 几案的分割信息予以保存。
步骤406，根据几案的分割信息以及指定目标的骨骼点信息，计算各个骨骼点 到几案的距离。
在该步骤中，可以根据几案上边缘的像素坐标信息以及指定目标骨骼点的像 素坐标信息，计算各个骨骼点到几案的距离。
步骤407，将指定目标的骨骼点到几案的距离与该指定目标的标准姿态数据进 行比较，根据比较结果判定是否存在不良姿态，当比较结果存在差异时，判定为 不良姿态。
作为一个例子，当存在不良姿态时，将当前图像帧采用第一标记进行标记， 例如，记录当前图像帧的时间戳，或者帧号，执行步骤408，否则，结束当前图像 帧中姿态检测，返回步骤401，以处理下一图像帧，
步骤408，为了提高检测结果的可靠性，排除误检，参见图5所示，图5为不 良姿态检测时序的一种示意图。统计设定的第一时间段内所记录的图像帧，将所 统计的图像帧作为图像帧组，判断图像帧组的是否连续且达到设定的数量阈值，如 果是，则判定为不良案前姿态。
作为一个例子，将每个设定的第一时间段t内具有第一标记的图像帧作为一组，进行时序标记，以得到具有第二标记的图像帧组，判断具有第二标记的图像帧组 是否达到连续M个，如果是，则判定当前姿态属于不良姿态，否则，判定当前姿 态属于标准姿态，
其中，具有第一标记的图像帧通常为3～5帧，M通常为30～50，这样，相当 于将持续时间较长的不良姿态与时序时间较短的不良姿态予以了区分，从而避免 了将特定动作中的姿态(例如，偶尔的低头等)误判为不良姿态。
较佳地，对于具有第一标记的图像帧，进一步地采用投票方式来进行不良姿 势种类的检测。也就是说，对于各个姿态，计算该姿态所关联的关键点之间的描 述参数，当所计算的描述参数到达设定的参数阈值时，进行计数，统计计数结果， 当计数结果大于设定计数阈值时，判定该姿态为对应的不良姿态。其中，计数阈 值可以根据该不良姿态的检测灵敏度来设置，计数阈值越小，说明越容易判定为 不良姿态，灵敏度越高。
其中，参见图6所示，图6为检测不良姿态的种类的一种示意图。步骤407 进一步包括检测不良姿态的种类：
步骤4071，参见图7所示，图7为低头姿态下和非低头姿态下的骨骼点的一 种侧视示意图。对于位于脸部的骨骼点，分别计算脸部各骨骼点到几案上边缘的 第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别 计算标准姿态数据中脸部各骨骼点到几案上边缘的第二距离，将所计算的第二距 离值进行加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加 权平均结果，则计数为1，以作为一次投票结果，
其次，计算位于脸部的骨骼点与位于肩部的一骨骼点的第三距离，如果第三 距离小于设定的第一距离阈值，则计数为1，以作为一次投票结果，
其中，位于脸部的骨骼点和肩部的骨骼点可以是同侧的，也可以是异侧的， 所述第一距离阈值可以基于骨骼点是同侧还是异测而设定不同，具体可以根据该 类姿态检测的准确性和可靠性设定。
参见图8所示，图8为低头姿态下和非低头姿态下的骨骼点的一种侧视示意 图。当姿态为低头状态时第三距离不等于标准姿态下的第三距离，因此，当第三 距离小于第一距离阈值，可进行计数。
最后，计算当前图像帧脸部任一骨骼点与标准姿态数据中对应骨骼点的位置 偏移量，当偏移量超过设定的偏移阈值，则计数为1，以作为一次投票结果，所述 偏移量可以通过当前图像帧脸部中的任一骨骼点与标准姿态数据对应骨骼点所在 直线与设定方向的夹角来描述。
参见图9所示，图9为低头姿态下的骨骼点的一种侧视示意图。图中，当前 图像帧中左耳骨骼点与标准姿态数据中左耳骨骼点所在直线与水平方向的夹角， 大于设定的第一夹角阈值1，则计数为1，和/或
当前图像帧中右耳骨骼点与标准姿态数据中右耳骨骼点所在直线与水平方向 的夹角，大于设定的第一夹角阈值2，则计数为1，和/或
当前图像帧中左眼骨骼点与标准姿态数据中左眼骨骼点所在直线与水平方向 的夹角，大于设定的第一夹角阈值3，则计数为1，和/或
当前图像帧中右眼骨骼点与标准姿态数据中右眼骨骼点所在直线与水平方向 的夹角，大于设定的第一夹角阈值4，则计数为1，和/或
当前图像帧中鼻部骨骼点与标准姿态数据中鼻部骨骼点所在直线与水平方向 的夹角，大于设定的第一夹角阈值5，则计数为1；
所述第一夹角阈值1、第一夹角阈值2、第一夹角阈值3、第一夹角阈值4、 第一夹角阈值5可以相同，也可以不相同，具体可以根据该类姿态检测的准确性 和可靠性设定，所述水平方向为垂直于高度方向所在平面的方向。
统计所有的计数结果，如果计数结果大于设定的第一计数阈值，则判定为低 头姿态。
步骤4072，参见图10所示，图10为歪头姿态下的骨骼点的一种正视示意图。 分别计算当前图像帧中左右两眼的水平夹角、左右两耳的水平夹角、以及左右两 肩的水平夹角，每当夹角大于设定的各自第二夹角阈值时，则计数1，
例如，
当左右两眼的水平夹角大于第二夹角阈值1时，则计数1，和/或
当左右两耳的水平夹角大于第二夹角阈值2时，则计数1，和/或
当左右两肩的水平夹角大于第二夹角阈值3时，则计数1，
所述第二夹角阈值1、第二夹角阈值2、第二夹角阈值3可以相同，也可以不 相同，具体可以根据该类姿态检测的准确性和可靠性设定。
统计所有的计数结果，如果计数结果大于设定的第二计数阈值，则判定为歪 头姿态。
步骤4073，对于位于脸部的各骨骼点，分别计算脸部骨骼点到几案上边缘的 距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算 标准姿态数据中脸部各骨骼点到几案上边缘的距离，将所计算的第二距离值进行 加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加权平均结 果，则计数为1，以作为一次投票结果，
其次，计算位于脸部的骨骼点与分别位于肩部的左右骨骼点的第三距离，如 果任意一第三距离小于设定的第二距离阈值，则计数为1，以作为一次投票结果，
最后，参见图11所示，图11为伏案姿态下的骨骼点的一种侧视示意图。对 于位于同侧的骨骼点，计算肩部骨骼点和肘部骨骼点所在第一直线，与肘部骨骼 点和腕部骨骼点所在第二直线之间的夹角，当所述夹角小于设定的第三夹角阈值 时，则计数。
具体而言，
对于左肩部骨骼点以及左肘部部骨骼点所在第一直线、左肘部骨骼点和左腕 部骨骼点所在第二直线，计算第一直线与第二直线之间的夹角，当所述夹角小于 设定的第三夹角阈值1时，则计数为1，和/或，对于右肩部骨骼点以及右肘部部 骨骼点所在第一直线、右肘部部骨骼点和右腕部骨骼点所在第二直线，计算第一 直线与第二直线之间的夹角，当所述夹角小于设定的第三夹角阈值2时，则计数 为1。其中，第三夹角阈值1与第三夹角阈值2可以相同，也可以不同。
统计所有的计数结果，如果计数结果大于设定的第三计数阈值，则判定为伏 案姿态。
步骤4074，参见图12所示，图12为高低肩姿态下的骨骼点的一种正视示意 图。计算左右肩部骨骼点之间高度方向的偏差，当该偏差大于设定的高度偏差阈 值时，则判定为高低肩状态；
步骤4075，鉴于前后肩时通常处于转身的状态，这时，左侧或右侧并不全部 呈现在图像中，故而分别计算左右两肩、左右两眼、左右两耳的置信度，如果任 一置信度超过设定的置信度阈值，则计数为1，以作为一次投票结果，
统计所有计数结果，如果计数结果大于设定的第四计数阈值，则判定为前后 肩姿态。
步骤4076，参见图13所示，图13为承托姿态下的骨骼点的一种侧视示意图。 分别计算腕部骨骼点到几案上边缘的第四距离、腕部骨骼点与肩部骨骼点的第五 距离，如果腕部骨骼点到几案上边缘的第四距离大于设定的第三距离阈值，且腕 部骨骼点与肩部骨骼点的第五距离小于设定的第四距离阈值，则计数，
作为一个例子，
计算左腕部骨骼点到几案上边缘的第四距离1、左腕部骨骼点与左肩部骨骼点 的第五距离1，如果第四距离1大于设定的第三距离阈值1，且第五距离1小于设 定的第四距离阈值1，则计数为1，
计算右腕部骨骼点到几案上边缘的第四距离2、右腕部骨骼点与右肩部骨骼点 的第五距离2，如果第四距离2大于设定的第三距离阈值2，且第五距离2小于设 定的第四距离阈值2，则计数为1，
其中，第三距离阈值1、第三距离阈值2可以相同，也可以不同，第四距离阈 值1、第四距离阈值2可以相同，也可以不同，具体可以根据该类姿态检测的准确 性和可靠性设定。
统计所有计数结果，如果计数结果大于设定的第五计数阈值，则判定为手部 承托状态。
上述步骤4071～4076是对每种案前不良姿态的检测，没有严格的时间先后关 系，所述第一计数阈值、第二计数阈值、第三计数阈值、第四计数阈值、第五计 数阈值可以不同，具体可以根据各姿态的检测灵敏度设置。
类似于步骤408，为了提高每种不良姿态检测结果的可靠性，排除误检，参见 图14所示，图14为对于每种不良姿态检测时序的一种示意图。对于每种姿态， 将每个第一时间段ti内具有第一标记的图像帧作为一组，进行时序标记，以得到具 有第二标记的图像帧组，判断具有第二标记的图像帧组是否达到连续Mi个，如果 是，则判定当前姿态属于该种不良姿态，否则，判定当前姿态不属于该种不良姿 态。
所应理解的是，每种不良姿态的第一时间段ti可以不同，每种不良姿态的图像 帧组的连续数量Mi可以不同。
参见图15所示，图15为本申请不良姿态检测装置的一种示意图。该装置包 括，
目标检测模块，用于对图像帧进行目标检测，检测到第一目标，
先验检测模块，用于从第一目标中筛选出符合先验条件的第二目标，
指定目标筛选模块，用于从第二目标中检索出与指定目标的特征数据匹配的 第三目标，
姿态估计模块，用于对所述第三目标进行姿态估计，得到第三目标的姿态估 计结果，
姿态检测模块，用于将姿态估计结果与所述指定目标的标准姿态数据进行比 对，当比对结果存在差异时，判定为不良姿态。
较佳地，该装置还包括，
识别模块，用于识别不良姿态的类型。
所述识别模块包括，
低头姿态识别子模块，用于分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准 姿态数据中位于脸部的各骨骼点到几案上边缘的第二距离，将所计算的第二距离值进 行加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加权平均结果， 则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第一距离阈值，则进行计数，
计算位于脸部的任一骨骼点与标准姿态数据中对应骨骼点的位置偏移量，当偏移量超过设定的偏移阈值，则进行计数，所述偏移量通过当前图像帧中位于脸部的任一 骨骼点与标准姿态数据对应骨骼点所在直线与设定方向的夹角来描述；当所统计的计 数结果大于设定的第一计数阈值时，则判定为低头姿态。
歪头姿态识别子模块，用于分别计算图像帧中左右两眼骨骼点所在直线的水 平夹角、左右两耳骨骼点所在直线的水平夹角、以及左右两肩骨骼点所在直线的 水平夹角，每当夹角大于设定的各自第二夹角阈值时，则进行计数，如果所统计 的计数结果大于设定的第二计数阈值，则判定为歪头姿态。
伏案姿态识别子模块，用于分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准 姿态数据中位于脸部的各骨骼点到几案上边缘的第二距离，将所计算的第二距离值进 行加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加权平均结果， 则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第二距离阈值，则进行计数，
对于位于同侧的骨骼点，计算肩部骨骼点和肘部骨骼点所在第一直线，与肘部骨骼点和腕部骨骼点所在第二直线之间的夹角，当所述夹角小于设定的第三夹角阈值时， 则进行计数；
如果所统计的计数结果大于设定的第三计数阈值，则判定为伏案姿态。
高低肩姿态识别子模块，用于计算左右肩部骨骼点之间高度方向的偏差，当 该偏差大于设定的高度偏差阈值时，则判定为高低肩状态。
前后肩姿态识别子模块，用于分别计算图像帧中左右两肩骨骼点、左右两眼骨 骼点、左右两耳骨骼点的置信度，如果任一置信度超过设定的置信度阈值，则进行 计数，如果所统计的计数结果大于设定的第四计数阈值，则判定为前后肩姿态。
承托姿态识别子模块，用于分别计算图像帧中腕部骨骼点到几案上边缘的第四距离、腕部骨骼点与肩部骨骼点的第五距离，如果第四距离大于设定的第三距离阈值， 且第五距离小于设定的第四距离阈值，则进行计数，当所统计的计数结果大于设定的 第五计数阈值时，则判定为承托姿态。
所述识别模块还包括，
统计子模块，用于对于所检测的每种不良姿态，记录包括该种不良案前姿态 的图像帧，统计该类不良案前姿态的第一时间段内所记录的图像帧，将所统计的 图像帧作为图像帧组，判断图像帧组是否连续且到达该种不良案前姿态连续的数 量阈值，如果是，则判定为不良姿态。
该装置还包括，
指定目标标准姿态数据获取模块，用于获取指定目标在标准姿态下的图像帧， 检测该图像帧中的目标，并获取该图像帧中几案的分割信息，所述分割信息包括 几案上边缘的像素坐标信息，
对所检测到的目标进行再识别，检索出指定目标，并提取指定目标的特征数据，
获取指定目标的骨骼点信息，
根据分割信息中像素坐标信息以及指定目标的骨骼点信息中的像素坐标信息，计算各个骨骼点到几案的上边缘的距离，作为指定目标的标准姿态数据。
图像分割模块，用于获取图像帧中几案的分割信息，以将分隔信息提供给姿态估计模块，
参见图16所示，图16为本申请检测设备的一种示意图。包括有图像采集装 置以及检测装置，其中，检测装置包括存储器和处理器，所述存储器存储有计算 机程序，所述计算机程序被处理器执行时实现任一所述不良姿态检测方法的步骤。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以 包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。 可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit， ASIC)、现场可编程门阵列(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。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质内存储有计 算机程序，所述计算机程序被处理器执行时实现任一所述不良姿态检测方法的步 骤。
对于装置/网络侧设备/存储介质实施例而言，由于其基本相似于方法实施例， 所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。在没有更多限制的情况下，由 语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物 品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明 的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保 护的范围之内。

Claims (13)

1.一种不良姿态检测方法，其特征在于，该方法包括：
获取图像帧，
对图像帧进行目标检测，检测到第一目标，
从第一目标中筛选出符合先验条件的第二目标，
从第二目标中检索出与指定目标的特征数据匹配的第三目标，
对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，
将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态；
其中，
指定目标的特征数据、以及标准姿态数据被预先存储。
2.如权利要求1所述的方法，其特征在于，对所述第三目标进行姿态估计包括：相对于几案支撑面的设定空间范围内的案前姿态估计，
所述将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态，包括：
当比对结果存在差异时，记录当前图像帧，
统计设定的第一时间段内所记录的图像帧，将所统计的图像帧作为图像帧组，
判断图像帧组的是否连续且达到设定的数量阈值，如果是，则判定为不良案前姿态。
3.如权利要求2所述的方法，其特征在于，所述相对于几案支撑面的设定空间范围内的案前姿态估计，包括，
获取第三目标的骨骼点信息，其中，骨骼点包括，位于脸部的左右眼骨骼点、左右耳骨骼点、鼻部骨骼点、以及左右肩部骨骼点、左右肘部骨骼点、左右腕部骨骼点；所述骨骼点信息包括各骨骼点的像素坐标信息、以及置信度，
获取图像帧中几案的分割信息，所述分割信息包括几案上边缘的像素坐标信息，
根据所述分割信息中的像素坐标信息以及骨骼点信息中的像素坐标信息，计算各个骨骼点到几案的距离，
所述将姿态估计结果与所述指定目标的标准姿态数据进行比对，包括：
将所计算的各个骨骼点到几案的距离与标准姿态数据中各个骨骼点到几案的距离进行匹配，如果匹配成功，则判定当前姿态为标准姿态，否则，判定当前姿态为不良案前姿态。
4.如权利要求3所述的方法，其特征在于，当前姿态为不良案前姿态时，进一步包括，
检测不良案前姿态的类型，所述不良案前姿态包括以下姿态之一：
伏案姿态，
以几案支撑面为手肘支撑的承托姿态，
头部相对于几案支撑面的距离小于设定第一距离阈值的低头姿态，
头部相对于几案支撑面的高度方向呈非平行角度的歪头姿态，
左右肩部相对于几案支撑面具有不同高度的高低肩姿态，
左右肩部相对于几案支撑面的高度方向所在平面具有不同前后距离的前后肩姿态；
对于所检测的每种不良案前姿态，
记录包括该种不良案前姿态的图像帧，
统计该类不良案前姿态的第一时间段内所记录的图像帧，将所统计的图像帧作为图像帧组，
判断图像帧组是否连续且到达该种不良案前姿态连续的数量阈值，如果是，则判定为不良案前姿态；
其中，
每类不良案前姿态的第一时间段不同，每类不良案前姿态数量阈值不同。
5.如权利要求4所述的方法，其特征在于，所述伏案姿态、低头姿态、歪头姿态、前后肩姿态、承托状态通过如下检测方法获得：
对于各个姿态，
计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定的参数阈值时，进行计数，
统计计数结果，当计数结果大于设定的计数阈值时，判定该姿态为对应的不良姿态；
所述高低肩姿态通过如下方式检测：
计算左右肩部骨骼点之间高度方向的偏差，当该偏差大于设定的高度偏差阈值时，则判定为高低肩状态。
6.如权利要求5所述的方法，其特征在于，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
对于图像帧，
分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准姿态数据中位于脸部的各骨骼点到几案上边缘的第二距离，将所计算的第二距离值进行加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加权平均结果，则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第一距离阈值，则进行计数，
计算位于脸部的任一骨骼点与标准姿态数据中对应骨骼点的位置偏移量，当偏移量超过设定的偏移阈值，则进行计数，所述偏移量通过当前图像帧中位于脸部的任一骨骼点与标准姿态数据对应骨骼点所在直线与设定方向的夹角来描述；
当所统计的计数结果大于设定的第一计数阈值时，则判定为低头姿态。
7.如权利要求5所述的方法，其特征在于，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中左右两眼骨骼点所在直线的水平夹角、左右两耳骨骼点所在直线的水平夹角、以及左右两肩骨骼点所在直线的水平夹角，每当夹角大于设定的各自第二夹角阈值时，则进行计数，
如果所统计的计数结果大于设定的第二计数阈值，则判定为歪头姿态。
8.如权利要求5所述的方法，其特征在于，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
对于图像帧，
分别计算位于脸部的各骨骼点到几案上边缘的第一距离，将所计算的第一距离值进行加权平均，得到第一加权平均结果；分别计算标准姿态数据中位于脸部的各骨骼点到几案上边缘的第二距离，将所计算的第二距离值进行加权平均，得到第二加权平均结果，如果第一加权平均结果小于第二加权平均结果，则进行计数，
计算位于脸部的任一骨骼点与一肩部骨骼点的第三距离，如果第三距离小于设定的第二距离阈值，则进行计数，
对于位于同侧的骨骼点，计算肩部骨骼点和肘部骨骼点所在第一直线，与肘部骨骼点和腕部骨骼点所在第二直线之间的夹角，当所述夹角小于设定的第三夹角阈值时，则进行计数；
如果所统计的计数结果大于设定的第三计数阈值，则判定为伏案姿态。
9.如权利要求5所述的方法，其特征在于，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中左右两肩骨骼点、左右两眼骨骼点、左右两耳骨骼点的置信度，如果任一置信度超过设定的置信度阈值，则进行计数，
如果所统计的计数结果大于设定的第四计数阈值，则判定为前后肩姿态。
10.如权利要求5所述的方法，其特征在于，所述计算该姿态所关联的关键点之间的描述参数，当所计算的描述参数到达设定参数阈值时，进行计数，包括：
分别计算图像帧中腕部骨骼点到几案上边缘的第四距离、腕部骨骼点与肩部骨骼点的第五距离，如果第四距离大于设定的第三距离阈值，且第五距离小于设定的第四距离阈值，则进行计数，
当所统计的计数结果大于设定的第五计数阈值时，则判定为承托姿态。
11.如权利要求3所述的方法，其特征在于，所述指定目标的特征数据、以及标准姿态数据通过以下方式获得：
获取指定目标在标准姿态下的图像帧，检测该图像帧中的目标，并获取该图像帧中几案的分割信息，所述分割信息包括几案上边缘的像素坐标信息，
对所检测到的目标进行再识别，检索出指定目标，并提取指定目标的特征数据，
获取指定目标的骨骼点信息，所述骨骼点信息包括，位于脸部的左右眼骨骼点、左右耳骨骼点、鼻部骨骼点、以及左右肩部骨骼点、左右肘部骨骼点、左右腕部骨骼点；所述骨骼点信息包括各骨骼点的像素坐标信息、以及置信度，
根据分割信息中像素坐标信息以及指定目标的骨骼点信息中的像素坐标信息，计算各个骨骼点到几案的上边缘的距离，作为指定目标的标准姿态数据。
12.一种不良姿态检测设备，其特征在于，该设备包括，图像采集装置、以及检测装置，
所述图像采集装置用于获取图像帧，
所述检测装置用于
对图像采集装置所获取的图像帧进行目标检测，检测到第一目标，
从第一目标中筛选出符合先验条件的第二目标，
从第二目标中检索出与指定目标的特征数据匹配的第三目标，
对所述第三目标进行姿态估计，得到第三目标的姿态估计结果，
将姿态估计结果与所述指定目标的标准姿态数据进行比对，当比对结果存在差异时，判定为不良姿态；
其中，
指定目标的特征数据、以及标准姿态数据被预先存储。
13.一种不良姿态检测装置，其特征在于，该装置包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至11任一所述不良姿态检测方法的步骤。
CN202110755983.XA 2021-07-05 2021-07-05 一种不良姿态检测方法、检测装置 Pending CN113487566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755983.XA CN113487566A (zh) 2021-07-05 2021-07-05 一种不良姿态检测方法、检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755983.XA CN113487566A (zh) 2021-07-05 2021-07-05 一种不良姿态检测方法、检测装置

Publications (1)

Publication Number Publication Date
CN113487566A true CN113487566A (zh) 2021-10-08

Family

ID=77940760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755983.XA Pending CN113487566A (zh) 2021-07-05 2021-07-05 一种不良姿态检测方法、检测装置

Country Status (1)

Country Link
CN (1) CN113487566A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810478A (zh) * 2014-02-21 2014-05-21 广东小天才科技有限公司 一种坐姿检测方法和装置
CN103908065A (zh) * 2014-04-03 2014-07-09 安徽海聚信息科技有限责任公司 一种矫正坐姿的智能书桌及其矫正方法
CN110020628A (zh) * 2019-04-10 2019-07-16 刘家祺 基于面部检测的坐姿检测方法、系统、设备及存储介质
CN110934591A (zh) * 2019-09-30 2020-03-31 宁波华茂优加科技有限公司 一种坐姿检测方法及装置
CN112364712A (zh) * 2020-10-21 2021-02-12 厦门大学 一种基于人体姿态的坐姿识别方法、系统及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810478A (zh) * 2014-02-21 2014-05-21 广东小天才科技有限公司 一种坐姿检测方法和装置
CN103908065A (zh) * 2014-04-03 2014-07-09 安徽海聚信息科技有限责任公司 一种矫正坐姿的智能书桌及其矫正方法
CN110020628A (zh) * 2019-04-10 2019-07-16 刘家祺 基于面部检测的坐姿检测方法、系统、设备及存储介质
CN110934591A (zh) * 2019-09-30 2020-03-31 宁波华茂优加科技有限公司 一种坐姿检测方法及装置
CN112364712A (zh) * 2020-10-21 2021-02-12 厦门大学 一种基于人体姿态的坐姿识别方法、系统及计算机可读存储介质

Similar Documents

Publication Publication Date Title
US9349062B2 (en) Character recognition method and device
US11715227B2 (en) Information processing apparatus, control method, and program
CN105740780B (zh) 人脸活体检测的方法和装置
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
CN101853391B (zh) 信息处理设备和方法
WO2018121286A1 (zh) 目标跟踪方法和装置
US8737740B2 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
CN110264493B (zh) 一种针对运动状态下的多目标对象追踪方法和装置
CN107016348B (zh) 结合深度信息的人脸检测方法、检测装置和电子装置
KR101272448B1 (ko) 관심영역 검출 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체
KR101652261B1 (ko) 카메라를 이용한 오브젝트 검출 방법
CN110674680B (zh) 活体识别的方法、装置、存储介质
CN110619333A (zh) 一种文本行分割方法、文本行分割装置及电子设备
CN108320799B (zh) 一种用于侧向流纸条疾病诊断的图像分析与识别方法
JP2009129237A (ja) 画像処理装置及びその方法
JP4947216B2 (ja) 画像処理装置および画像処理方法
CN111222508A (zh) 基于roi的户型图比例尺识别方法、装置、计算机设备
CN113869110A (zh) 物品检测方法、装置、终端及计算机可读存储介质
CN113487566A (zh) 一种不良姿态检测方法、检测装置
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN112149517A (zh) 一种人脸考勤方法、系统、计算机设备及存储介质
RU2175148C1 (ru) Способ идентификации человека
CN112132110A (zh) 一种智能判断人体姿态的方法及看护设备
KR101635804B1 (ko) 원형 허프 변환 기반의 자동 바둑 기보 시스템 및 그 방법
CN112766230A (zh) 一种视频流人员在线时长估计方法及对应系统

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