CN113569828A - 一种人体姿态识别方法、系统、存储介质及设备 - Google Patents
一种人体姿态识别方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113569828A CN113569828A CN202111132344.4A CN202111132344A CN113569828A CN 113569828 A CN113569828 A CN 113569828A CN 202111132344 A CN202111132344 A CN 202111132344A CN 113569828 A CN113569828 A CN 113569828A
- Authority
- CN
- China
- Prior art keywords
- point
- human body
- angle
- contour
- acquiring
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人体姿态识别方法、系统、存储介质及设备,方法包括获取人体姿态图像数据;通过图像数据获取人体背部轮廓,收缩背部轮廓获取背部收缩轮廓,通过图像数据获取多个人体特征点;通过预设图形规则,获取符合预设图形规则的参考点,根据第一预设角度获取胸中心点,根据第二预设角度获取腰中心点;依次连接胸中心点、腰中心点、以及多个人体特征点,分别获得第一辅助角、第二辅助角、第三辅助角以及第四辅助角,从而识别人体的当前姿态。本发明中的人体姿态识别方法、系统、存储介质及设备,通过获取多个人体特征点,完整涵盖坐位体前屈所需要识别的人体关节点,避免关节点遗漏,导致不能正确判断肢体柔韧性的问题所在的情况。
Description
技术领域
本发明涉及人体姿态识别技术领域,特别涉及一种人体姿态识别方法、系统、存储介质及设备。
背景技术
随着人工智能的计算机视觉技术得到快速发展,人体姿态识别作为其中一个重要方向,在体感游戏、虚拟现实,安防、监控等多个领域都有较大的应用前景。
坐位体前屈(Sit And Reach)是大中小学体质健康测试项目,是一种常见的人体柔韧度测试方法,它的测试目的是测量在静止状态下的躯干、腰、髋等关节可能达到的活动幅度,主要反映这些部位的关节、韧带和肌肉的伸展性和弹性及身体柔韧素质的发展水平。
通过计算器图像识别技术自动对坐位体前屈照片进行识别,可以获取当前坐位体前屈时的肢体角度数据,用于评价肢体柔韧性。但在现有技术当中,通过计算器图像识别技术自动对坐位体前屈照片进行识别时,一般都没有完整涵盖坐位体前屈所需要识别的人体关节点,尤其是遗漏了胸中心点和腰中心点,导致不能正确判断肢体柔韧性的问题所在,不利于为提升肢体柔韧性提供正确的训练方向。
发明内容
基于此,本发明的目的是提供一种人体姿态识别方法、系统、存储介质及设备,用于解决现有技术中没有完整涵盖坐位体前屈所需要识别的人体关节点,导致不能正确判断肢体柔韧性的问题所在的技术问题。
本发明一方面提供一种人体姿态识别方法,所述方法包括:
获取人体姿态图像数据;
通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓,通过所述图像数据获取多个人体特征点,所述人体特征点包括髋关节点、肩关节点、耳框中心点、踝点;
通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点,以所述髋关节点与所述参考点的连线为角度起始边界,根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点;
依次连接所述耳框中心点、所述胸中心点、所述腰中心点、所述髋关节点以及所述踝点,分别获得以所述胸中心点为顶点的第一辅助角、以所述腰中心点为顶点的第二辅助角、以所述髋关节点为顶点的第三辅助角以及以所述踝点为顶点的第四辅助角,根据所述第一辅助角、所述第二辅助角、所述第三辅助角以及第四辅助角,识别所述人体的当前姿态。
上述人体姿态识别方法,通过获取多个人体特征点,用于完整涵盖坐位体前屈所需要识别的人体关节点,避免关节点遗漏,导致不能正确判断肢体柔韧性的问题所在的情况。具体的,通过获取髋关节点及肩关节点,再运用图形规则结合髋关节点及肩关节点获取参考点,利用参考点再根据第一预设角度及第二预设角度分别获取得到胸中心点及腰中心点,从而分别建立以胸中心点及腰中心点为顶点的第一辅助角及第二辅助角,用于坐位体前屈时,监测第一辅助角及第二辅助角的角度数据,获取到胸及腰的肢体角度数据,使得更加全面的涵盖坐位体前屈所需要识别的人体关节点,便于正确判断肢体柔韧性的问题所在,解决了现有技术中没有完整涵盖坐位体前屈所需要识别的人体关节点,导致不能正确判断肢体柔韧性的问题所在的技术问题。
另外,根据本发明上述的人体姿态识别方法,还可以具有如下附加的技术特征:
优选地,所述通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓的步骤包括:
通过预训练的人体轮廓识别模型识别所述图像数据,获得所述人体的姿态轮廓,所述姿态轮廓包括背部轮廓;
收缩所述背部轮廓,使得收缩后的背部轮廓的两端点分别与所述髋关节点及所述肩关节点重合,获得所述背部收缩轮廓。
优选地,所述通过所述图像数据获取多个人体特征点的步骤包括:
通过预训练的深度学习神经网络模型识别所述图像数据,获取所述图像数据中的多个所述人体特征点。
优选地,所述通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点的步骤包括:
以所述髋关节点与所述肩关节点为等边三角形的底边端点,向所述人体的前方寻找等边三角形的顶点,所述顶点为所述参考点。
优选地,
所述第一预设角度的取值范围为36°~40°;
所述第二预设角度的取值范围为9°~13°。
优选地,所述根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点的步骤包括:
以所述角度起始边界为角度测量起始线,根据第一预设角度结合所述角度测量起始线获取第一辅助线;
所述第一辅助线与所述背部收缩轮廓的交点为胸中心点;
所述根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点的步骤包括:
以所述角度起始边界为角度测量起始线,根据第二预设角度结合所述角度测量起始线获取第二辅助线;
所述第二辅助线与所述背部收缩轮廓的交点为腰中心点。
优选地,所述参考点与所述背部轮廓分设于所述背部收缩轮廓的两侧。
本发明另一方面提供一种人体姿态识别系统,所述系统包括:
第一获取模块,用于获取人体姿态图像数据;
第二获取模块,用于通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓,通过所述图像数据获取多个人体特征点,所述人体特征点包括髋关节点、肩关节点、耳框中心点、踝点;
第三获取模块,用于通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点,以所述髋关节点与所述参考点的连线为角度起始边界,根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点;
识别模块,用于依次连接所述耳框中心点、所述胸中心点、所述腰中心点、所述髋关节点以及所述踝点,分别获得以所述胸中心点为顶点的第一辅助角、以所述腰中心点为顶点的第二辅助角、以所述髋关节点为顶点的第三辅助角以及以所述踝点为顶点的第四辅助角,根据所述第一辅助角、所述第二辅助角、所述第三辅助角以及第四辅助角,识别所述人体的当前姿态。
上述人体姿态识别系统,通过获取多个人体特征点,用于完整涵盖坐位体前屈所需要识别的人体关节点,避免关节点遗漏,导致不能正确判断肢体柔韧性的问题所在的情况。具体的,通过获取髋关节点及肩关节点,再运用图形规则结合髋关节点及肩关节点获取参考点,利用参考点再根据第一预设角度及第二预设角度分别获取得到胸中心点及腰中心点,从而分别建立以胸中心点及腰中心点为顶点的第一辅助角及第二辅助角,用于坐位体前屈时,监测第一辅助角及第二辅助角的角度数据,获取到胸及腰的肢体角度数据,使得更加全面的涵盖坐位体前屈所需要识别的人体关节点,便于正确判断肢体柔韧性的问题所在,解决了现有技术中没有完整涵盖坐位体前屈所需要识别的人体关节点,导致不能正确判断肢体柔韧性的问题所在的技术问题。
本发明另一方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的人体姿态识别方法。
本发明另一方面还提供一种数据处理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的人体姿态识别方法。
附图说明
图1为本发明第一实施例中人体姿态识别方法的步骤流程图;
图2为本发明第一实施例中现有技术能识别到的人体25个关节点示意图;
图3为本发明第一实施例中步骤S102的具体流程图;
图4为本发明第一实施例中获取腰中心点及胸中心点的模型示意图;
图5为本发明第一实施例中4个肢体角度示意图;
图6为本发明第一实施例中人体姿态识别系统的框架示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
坐位体前屈是一种常见的人体柔韧度测试方法。通过计算器图像识别技术自动对坐位体前屈照片进行识别,将可智能化和自动化的进行此项测试。但当前主流的应用深度学习的人工神经网图像识别技术都没有完整涵盖坐位体前屈所需要识别的人体关节点,尤其是胸中心点和腰中心点。如百度AI采用的21点人体模型,Openpose采用的25点人体模型,谷歌MediaPipe采用的33点人体模型等,都没有包括人体的胸中心点和腰中心点。故为了实现这两个部位的自动识别,本发明提出了一种将人工神经网络识别技术与传统计算机视觉识别技术结合使用的识别方法,可以自动识别出人体坐位体前屈照片中的胸中心点和腰中心点,可以有效的解决上述问题。
实施例一
请参阅图1,所示为本发明第一实施例中的人体姿态识别方法,方法包括步骤S101至步骤S104:
S101、获取人体姿态图像数据;
坐位体前屈是一种常见的人体柔韧度测试方法,测试时人体采用坐姿,双手向身体前方平伸,同时保持双膝绷直,脚面与地面垂直,测试以人手与脚尖的相对距离来标示受试者的肢体柔软度。除了测试结果外,专业教练还需要针对受试者身体各关节角度来对受试者进行诊断:该受试者的身体各处的柔韧性哪个部位好哪个部位差等等。在诊断时需要对耳、胸、腰、髋、踝、趾6个点依次连线所形成的4个肢体角度进行分别测量。
S102、通过图像数据获取人体的背部轮廓,将背部轮廓按收缩规则获取符合收缩规则的背部收缩轮廓,通过图像数据获取多个人体特征点;
作为一个具体示例,通过图像数据获取多个人体特征点的步骤包括:
通过预训练的深度学习神经网络模型识别图像数据,获取图像数据中的多个人体特征点。人体特征点包括髋关节点、肩关节点、耳框中心点、踝点。
如图2所示,当前市面上有许多基于深度学习神经网络的图像识别技术。如谷歌Mediapipe,Openpose,百度AI等。使用者可以直接调用这些识别算法,利用其已经训练好的识别模型来执行一些常用的识别任务。例如openpose的人体模型可识别出25个主要关节点,mediapipe可识别出33个关键点,百度AI可识别出人体的21个关键点等。这些识别技术的使用也和普通的第三方算法库差别不大,向其输入图片或图像流,即可得到图像中人体关键点的位置。但这些识别技术的人体识别模型只包括有限个关键点,例如如图2所示openpose的25点人体模型中只包括:标号0为鼻,标号1为颈,标号2为右肩,标号3为右肘,标号4为右腕,标号5为左肩,标号6为左肘,标号7为左腕,标号8为髋,标号9为右股,标号10为右膝,标号11为右踝,标号12为左股,标号13为左膝,标号14为左踝,标号15为右眼,标号16为左眼,标号17为右耳,标号18为左耳,标号19为左大趾,标号22为右大趾,标号20为左小趾,标号23为右小趾,标号21为左踵,标号24为右踵,共25个关键点,在这25点之外的人体其他部位则无法使用这些技术直接进行准确定位。故在本申请中提到的髋、肩等可以利用现有技术中的openpose等直接识别定位,而胸、腰等则无法直接通过现有的图像识别技术进行定位。
具体的,如图3所示,步骤S102包括步骤S1021至步骤S1022:
S1021、通过预训练的人体轮廓识别模型识别图像数据,获得人体的姿态轮廓,姿态轮廓包括背部轮廓;
S1022、收缩背部轮廓,使得收缩后的背部轮廓的两端点分别与髋关节点及肩关节点重合,获得背部收缩轮廓。
在本实施例中,利用水漫算法寻找人体背部轮廓,水漫算法(watershed)是计算机视觉中的经典算法,在很多算法库中都提供直接可调用的水漫算法函数。其原理是通过颜色相近原则来区分一副图像中的不同区块,并标识出区块的边界。在对一副图像进行水漫算法时,首先在图像中选定一个注水点(色块内部点),例如一副蓝天白云的图片,在白色的部分任选一点作为起始点,水漫算法会通过颜色相近原则寻找出所有与该点连通的白色点,进而将白色和蓝色区域分开,并标示出二者的分界线。在坐位体前屈测试中,人体着装颜色与照片背景颜色可以人为的选定为不同颜色,再找到人体区域内部的一个点,例如肩髋连线上的点,即可通过水漫算法将人体和背景区分开来,而其分界线也包括了人体的背部轮廓。
S103、通过预设图形规则,结合髋关节点与肩关节点,获取符合预设图形规则的参考点,以髋关节点与参考点的连线为角度起始边界,根据第一预设角度获取与背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与背部收缩轮廓的交点为腰中心点。
在本实施例中,是以髋关节点与参考点的连线为角度起始边界,需要进一步说明的是,包括但不限于以髋关节点与参考点的连线为角度起始边界,在其他实施例中,还可以以肩关节点与参考点的连线为角度起始边界,如若以肩关节点与参考点的连线为角度起始边界,则第一预设角度及第二预设角度的角度区间,需要对应做出修改。
参考点与背部轮廓分设于背部收缩轮廓的两侧。具体地,预设图形规则为:以髋关节点与肩关节点为等边三角形的底边端点,向人体的前方寻找等边三角形的顶点,顶点为参考点。
在本实施例中,根据第一预设角度获取与背部收缩轮廓的交点为胸中心点的步骤包括:
以角度起始边界为角度测量起始线,根据第一预设角度结合角度测量起始线获取第一辅助线;
第一辅助线与背部收缩轮廓的交点为胸中心点。
进一步的,根据第二预设角度获取与背部收缩轮廓的交点为腰中心点的步骤包括:
以角度起始边界为角度测量起始线,根据第二预设角度结合角度测量起始线获取第二辅助线;
第二辅助线与背部收缩轮廓的交点为腰中心点。
如图4所示,在本实施例中,利用深度学习神经网技术识别出髋关节点A和肩关节点B,作肩髋连线AB,以AB连线为内部点,利用水漫算法寻找人体背部轮廓,以AB为等边三角形的底边,向人体前方寻找等边三角形顶点O,延伸OA连线,与背部轮廓交于点A′,计长度比OA/OA′为Ra,延伸OB连线,与背部轮廓交于点B′,计长度比OB/OB′为Rb,做射线OC′,与背部轮廓交于C′,角AOC为α,即第二预设角度,将C′点向O点收缩至C点,收缩比例Rc = Ra+(Rb-Ra) *(α/60°),C点即为腰中心点,做射线OD′,与背部轮廓交于D′,角AOD为β,即第一预设角度,将D′点向O点收缩至D点,收缩比例Rd = Ra+(Rb-Ra) *(β/60°),D点即为胸中心点。进一步地,β的取值范围为36°~40°;α的取值范围为9°~13°。
具体的,在本申请中,射线OD′为第一辅助线,射线OC′为第二辅助线。
S104、依次连接耳框中心点、胸中心点、腰中心点、髋关节点以及踝点,分别获得以胸中心点为顶点的第一辅助角、以腰中心点为顶点的第二辅助角、以髋关节点为顶点的第三辅助角以及以踝点为顶点的第四辅助角,根据第一辅助角、第二辅助角、第三辅助角以及第四辅助角,识别人体的当前姿态。
如图5所示,∠E为第一辅助角,∠E的顶点为胸中心点,∠F为第二辅助角,∠F的顶点为腰中心点,∠G为第三辅助角,∠G的顶点为髋关节点,∠H为第四辅助角,∠H的顶点为踝点,通过自动测量∠E、∠F、∠G以及∠H,从而全面获取在做坐位体前屈测试时,人体的各个肢体的角度值,从而,精准获取到具体的关节点的数据,用于判断此处关节点的柔韧性情况。
坐位体前屈测试是通过手指前探的程度来定型的评价柔韧性。同时,专业体育教练还可以通过受试者耳、胸、腰、髋、踝、趾6个点依次连线所形成的4个肢体角度判断其柔韧性的问题所在,或是进一步提升的训练方向。例如是胸椎不够软,还是骨盆没发力等等。本方法的目的即是实现这些角度的自动测量,从而给教练员的评判提供客观依据。
综上,本发明上述实施例当中的人体姿态识别方法,通过获取多个人体特征点,用于完整涵盖坐位体前屈所需要识别的人体关节点,避免关节点遗漏,导致不能正确判断肢体柔韧性的问题所在的情况。具体的,通过获取髋关节点及肩关节点,再运用图形规则结合髋关节点及肩关节点获取参考点,利用参考点再根据第一预设角度及第二预设角度分别获取得到胸中心点及腰中心点,从而分别建立以胸中心点及腰中心点为顶点的第一辅助角及第二辅助角,用于坐位体前屈时,监测第一辅助角及第二辅助角的角度数据,获取到胸及腰的肢体角度数据,使得更加全面的涵盖坐位体前屈所需要识别的人体关节点,便于正确判断肢体柔韧性的问题所在,解决了现有技术中没有完整涵盖坐位体前屈所需要识别的人体关节点,导致不能正确判断肢体柔韧性的问题所在的技术问题。
实施例二
请参阅图6,所示为本发明第一实施例中的人体姿态识别系统,所述系统包括:
第一获取模块,用于获取人体姿态图像数据;
第二获取模块,用于通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓,通过所述图像数据获取多个人体特征点,所述人体特征点包括髋关节点、肩关节点、耳框中心点、踝点;
第三获取模块,用于通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点,以所述髋关节点与所述参考点的连线为角度起始边界,根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点;
识别模块,用于依次连接所述耳框中心点、所述胸中心点、所述腰中心点、所述髋关节点以及所述踝点,分别获得以所述胸中心点为顶点的第一辅助角、以所述腰中心点为顶点的第二辅助角、以所述髋关节点为顶点的第三辅助角以及以所述踝点为顶点的第四辅助角,根据所述第一辅助角、所述第二辅助角、所述第三辅助角以及第四辅助角,识别所述人体的当前姿态。
进一步的,在一些可选实施例中,第二获取模块还可以包括:
背部轮廓获取单元,用于通过预训练的人体轮廓识别模型识别所述图像数据,获得所述人体的姿态轮廓,所述姿态轮廓包括背部轮廓;
收缩单元,用于收缩所述背部轮廓,使得收缩后的背部轮廓的两端点分别与所述髋关节点及所述肩关节点重合,获得所述背部收缩轮廓。
进一步的,在一些可选实施例中,第二获取模块还可以包括:
特征点获取单元,用于通过预训练的深度学习神经网络模型识别所述图像数据,获取所述图像数据中的多个所述人体特征点。
进一步的,在一些可选实施例中,第三获取模块还可以包括:
参考点获取单元,用于以所述髋关节点与所述肩关节点为等边三角形的底边端点,向所述人体的前方寻找等边三角形的顶点,所述顶点为所述参考点。
进一步的,在一些可选实施例中,第三获取模块还可以包括:
第一辅助线获取单元,用于以所述角度起始边界为角度测量起始线,根据第一预设角度结合所述角度测量起始线获取第一辅助线;
胸中心点获取单元,用于所述第一辅助线与所述背部收缩轮廓的交点为胸中心点。
第二辅助线获取单元,用于以所述角度起始边界为角度测量起始线,根据第二预设角度结合所述角度测量起始线获取第二辅助线;
腰中心点获取单元,用于所述第二辅助线与所述背部收缩轮廓的交点为腰中心点。
综上,本发明上述实施例当中的人体姿态识别系统,通过获取多个人体特征点,用于完整涵盖坐位体前屈所需要识别的人体关节点,避免关节点遗漏,导致不能正确判断肢体柔韧性的问题所在的情况。具体的,通过获取髋关节点及肩关节点,再运用图形规则结合髋关节点及肩关节点获取参考点,利用参考点再根据第一预设角度及第二预设角度分别获取得到胸中心点及腰中心点,从而分别建立以胸中心点及腰中心点为顶点的第一辅助角及第二辅助角,用于坐位体前屈时,监测第一辅助角及第二辅助角的角度数据,获取到胸及腰的肢体角度数据,使得更加全面的涵盖坐位体前屈所需要识别的人体关节点,便于正确判断肢体柔韧性的问题所在,解决了现有技术中没有完整涵盖坐位体前屈所需要识别的人体关节点,导致不能正确判断肢体柔韧性的问题所在的技术问题。
此外,本发明的实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例中方法的步骤。
此外,本发明的实施例还提出一种数据处理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述实施例中方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种人体姿态识别方法,其特征在于,所述方法包括:
获取人体姿态图像数据;
通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓,通过所述图像数据获取多个人体特征点,所述人体特征点包括髋关节点、肩关节点、耳框中心点、踝点;
通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点,以所述髋关节点与所述参考点的连线为角度起始边界,根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点;
依次连接所述耳框中心点、所述胸中心点、所述腰中心点、所述髋关节点以及所述踝点,分别获得以所述胸中心点为顶点的第一辅助角、以所述腰中心点为顶点的第二辅助角、以所述髋关节点为顶点的第三辅助角以及以所述踝点为顶点的第四辅助角,根据所述第一辅助角、所述第二辅助角、所述第三辅助角以及第四辅助角,识别所述人体的当前姿态。
2.根据权利要求1所述的人体姿态识别方法,其特征在于,所述通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓的步骤包括:
通过预训练的人体轮廓识别模型识别所述图像数据,获得所述人体的姿态轮廓,所述姿态轮廓包括背部轮廓;
收缩所述背部轮廓,使得收缩后的背部轮廓的两端点分别与所述髋关节点及所述肩关节点重合,获得所述背部收缩轮廓。
3.根据权利要求1所述的人体姿态识别方法,其特征在于,所述通过所述图像数据获取多个人体特征点的步骤包括:
通过预训练的深度学习神经网络模型识别所述图像数据,获取所述图像数据中的多个所述人体特征点。
4.根据权利要求1所述的人体姿态识别方法,其特征在于,所述通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点的步骤包括:
以所述髋关节点与所述肩关节点为等边三角形的底边端点,向所述人体的前方寻找等边三角形的顶点,所述顶点为所述参考点。
5.根据权利要求1所述的人体姿态识别方法,其特征在于,
所述第一预设角度的取值范围为36°~40°;
所述第二预设角度的取值范围为9°~13°。
6.根据权利要求1所述的人体姿态识别方法,其特征在于,
所述根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点的步骤包括:
以所述角度起始边界为角度测量起始线,根据第一预设角度结合所述角度测量起始线获取第一辅助线;
所述第一辅助线与所述背部收缩轮廓的交点为胸中心点;
所述根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点的步骤包括:
以所述角度起始边界为角度测量起始线,根据第二预设角度结合所述角度测量起始线获取第二辅助线;
所述第二辅助线与所述背部收缩轮廓的交点为腰中心点。
7.根据权利要求2所述的人体姿态识别方法,其特征在于,
所述参考点与所述背部轮廓分设于所述背部收缩轮廓的两侧。
8.一种人体姿态识别系统,其特征在于,所述系统包括:
第一获取模块,用于获取人体姿态图像数据;
第二获取模块,用于通过所述图像数据获取所述人体的背部轮廓,将所述背部轮廓按收缩规则获取符合所述收缩规则的背部收缩轮廓,通过所述图像数据获取多个人体特征点,所述人体特征点包括髋关节点、肩关节点、耳框中心点、踝点;
第三获取模块,用于通过预设图形规则,结合所述髋关节点与所述肩关节点,获取符合所述预设图形规则的参考点,以所述髋关节点与所述参考点的连线为角度起始边界,根据第一预设角度获取与所述背部收缩轮廓的交点为胸中心点,根据第二预设角度获取与所述背部收缩轮廓的交点为腰中心点;
识别模块,用于依次连接所述耳框中心点、所述胸中心点、所述腰中心点、所述髋关节点以及所述踝点,分别获得以所述胸中心点为顶点的第一辅助角、以所述腰中心点为顶点的第二辅助角、以所述髋关节点为顶点的第三辅助角以及以所述踝点为顶点的第四辅助角,根据所述第一辅助角、所述第二辅助角、所述第三辅助角以及第四辅助角,识别所述人体的当前姿态。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的人体姿态识别方法。
10.一种数据处理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的人体姿态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132344.4A CN113569828B (zh) | 2021-09-27 | 2021-09-27 | 一种人体姿态识别方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132344.4A CN113569828B (zh) | 2021-09-27 | 2021-09-27 | 一种人体姿态识别方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569828A true CN113569828A (zh) | 2021-10-29 |
CN113569828B CN113569828B (zh) | 2022-03-08 |
Family
ID=78174668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111132344.4A Active CN113569828B (zh) | 2021-09-27 | 2021-09-27 | 一种人体姿态识别方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842712A (zh) * | 2022-04-12 | 2022-08-02 | 汕头大学 | 一种基于手势识别的手语教学系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833788A (zh) * | 2010-05-18 | 2010-09-15 | 南京大学 | 一种采用手绘草图的三维人体建模方法 |
CN109214292A (zh) * | 2018-08-06 | 2019-01-15 | 广东技术师范学院 | 一种基于bp神经网络的人体屈体角度识别方法及设备 |
CN110084101A (zh) * | 2019-03-14 | 2019-08-02 | 广东技术师范大学 | 一种人体体前屈图像的检测方法及设备 |
EP3690724A1 (en) * | 2019-01-30 | 2020-08-05 | StradVision, Inc. | Estimating passenger statuses in 2 dimensional images captured using a fisheye lens |
CN112164091A (zh) * | 2020-08-25 | 2021-01-01 | 南京邮电大学 | 基于三维骨架提取的移动设备人体位姿估计方法 |
CN112587131A (zh) * | 2020-12-30 | 2021-04-02 | 北京体育大学 | 一种规范坐位体前屈测试的方法及装置 |
US20210224524A1 (en) * | 2020-01-22 | 2021-07-22 | Board Of Trustees Of Michigan State University | Systems And Methods For Gait Recognition Via Disentangled Representation Learning |
CN113146634A (zh) * | 2021-04-25 | 2021-07-23 | 达闼机器人有限公司 | 机器人姿态的控制方法、机器人及存储介质 |
CN113255622A (zh) * | 2021-07-14 | 2021-08-13 | 北京壹体科技有限公司 | 一种智能识别仰卧起坐动作姿态完成状况的系统和方法 |
-
2021
- 2021-09-27 CN CN202111132344.4A patent/CN113569828B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833788A (zh) * | 2010-05-18 | 2010-09-15 | 南京大学 | 一种采用手绘草图的三维人体建模方法 |
CN109214292A (zh) * | 2018-08-06 | 2019-01-15 | 广东技术师范学院 | 一种基于bp神经网络的人体屈体角度识别方法及设备 |
EP3690724A1 (en) * | 2019-01-30 | 2020-08-05 | StradVision, Inc. | Estimating passenger statuses in 2 dimensional images captured using a fisheye lens |
CN110084101A (zh) * | 2019-03-14 | 2019-08-02 | 广东技术师范大学 | 一种人体体前屈图像的检测方法及设备 |
US20210224524A1 (en) * | 2020-01-22 | 2021-07-22 | Board Of Trustees Of Michigan State University | Systems And Methods For Gait Recognition Via Disentangled Representation Learning |
CN112164091A (zh) * | 2020-08-25 | 2021-01-01 | 南京邮电大学 | 基于三维骨架提取的移动设备人体位姿估计方法 |
CN112587131A (zh) * | 2020-12-30 | 2021-04-02 | 北京体育大学 | 一种规范坐位体前屈测试的方法及装置 |
CN113146634A (zh) * | 2021-04-25 | 2021-07-23 | 达闼机器人有限公司 | 机器人姿态的控制方法、机器人及存储介质 |
CN113255622A (zh) * | 2021-07-14 | 2021-08-13 | 北京壹体科技有限公司 | 一种智能识别仰卧起坐动作姿态完成状况的系统和方法 |
Non-Patent Citations (2)
Title |
---|
HUSSIN K. RAGB ET AL.: ""Human Detection in Infrared Imagery using Gradient and Texture Features and Super-pixel Segmentation"", 《2018 IEEE INTERNATIONAL SYMPOSIUM ON TECHNOLOGIES FOR HOMELAND SECURITY (HST)》 * |
张钰婧: ""基于屈体图像分析的人体柔韧性检测技术研究及应用"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842712A (zh) * | 2022-04-12 | 2022-08-02 | 汕头大学 | 一种基于手势识别的手语教学系统 |
CN114842712B (zh) * | 2022-04-12 | 2023-10-17 | 汕头大学 | 一种基于手势识别的手语教学系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113569828B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460873B (zh) | 图像处理方法及装置、图像设备及存储介质 | |
CN104834384B (zh) | 提高运动指导效率的装置及方法 | |
KR20200024324A (ko) | 전기 임피던스 측정 배경을 사용하여 손 동작을 추적하기 위한 암밴드 | |
JP2014530047A (ja) | ゴルフ・スイングを分析するための装置および方法 | |
KR20090085587A (ko) | 의료용 테크닉 평가 시스템, 테크닉 평가 장치 및 테크닉 평가 장치용 프로그램 | |
CN113569828B (zh) | 一种人体姿态识别方法、系统、存储介质及设备 | |
CN105637531A (zh) | 人体姿势识别 | |
CN112435731A (zh) | 一种判断实时姿势是否满足预设规则的方法 | |
CN115497626A (zh) | 基于关节点识别的身体健康评估方法 | |
CN109843101A (zh) | 用于运动训练的服装、系统和方法 | |
CN111401340B (zh) | 目标对象的运动检测方法和装置 | |
Haratian et al. | Toward flexibility in sensor placement for motion capture systems: a signal processing approach | |
CN110400618A (zh) | 一种基于人体运动结构特征的三维步态生成方法 | |
CN117115922A (zh) | 坐位体前屈评测方法、系统、电子设备和存储介质 | |
CN112861606A (zh) | 基于骨骼动画追踪的虚拟现实手部动作识别与训练方法 | |
CN204731726U (zh) | 提高运动指导效率的装置 | |
CN113657243B (zh) | 一种针对非接触式仿生学遥控手势性能影响的测试方法 | |
Tran et al. | Improvement of non-invasive semi-automatic test device for measurement of finger joints range of motion: Reduction in burden on therapist | |
US20160249834A1 (en) | Range of motion capture | |
Redhouse | Joint Angle Estimation Method for Wearable Human Motion Capture | |
CN110175629A (zh) | 一种人体动作相似度计算方法及装置 | |
CN118303865B (zh) | 体脂秤及其测量控制方法 | |
CN115240274A (zh) | 一种单兵徒手队列动作的数字化测评方法和系统 | |
US20210038945A1 (en) | Exercise evaluation improvement system, and exercise evaluation improvement method | |
Patil et al. | Early Detection of Hemiplegia by Analyzing the Gait Characteristics and Walking Patterns Using |
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 |