CN115861871B - 现场人员人体姿态检测的多重验证检测装置、方法及介质 - Google Patents

Abstract

本发明公开了一种现场人员人体姿态检测的多重验证检测装置、方法及介质，包括压力检测组件、主视频检测组件和备用视频检测组件，将压力检测组件和主视频检测组件设定成为常开状态，通过压力检测组件和主视频检测组件实现对人体的姿态确定，并将压力检测组件和主视频检测组件的输出结果进行相互验证，如果确定的姿态相同，则证明检测准确，此时不需要启动备用视频检测组件；若确定的姿态不同，则证明其中一个检测组件出现错误，则启动备用视频检测组件，通过备用视频检测组件进行判定，备用视频检测组件确定的姿态对压力检测组件和主视频检测组件确定的姿态进行验证，既能够避免出现检测不准确的情况，又能够达到节省能源的目的。

Description

现场人员人体姿态检测的多重验证检测装置、方法及介质

技术领域

本发明涉及自动化生产监控技术领域，具体涉及一种现场人员人体姿态检测的多重验证检测装置、方法及介质。

背景技术

在进行生产作业中心的可视化管理时，可能存在下述问题，对于部分毕竟关键的技术点位，需要人工进行巡视，原因在于某些点位机器易出现问题，或者容易出现其他故障，因此对于这些点位，对现场的巡视人员的巡视路径、巡视时间等均有着较为严格的规定，其目的是为了进行规范化操作，降低生产作业中心发生故障的可能性，提前将可能发生的故障进行预防，从而提升生产质量。例如：需要保证现场人员在多个点位之间的来回巡视，以及在某一点位的持续时间、某几个点位之间的行走时间、以及某个点位的巡视姿态(比如需要倾斜身体观察某个隐蔽点，需要下蹲身体观察某个遮挡点等)，部分现场人员可能出现偷懒而导致巡视不仔细，从而出现影响生产质量的问题。

但是现阶段缺乏准确的监控方法，较多的是采用视频监控或者技术点位刷卡的方式进行监控。即，(1)通过在技术点位设置视频采集装置，通过采集现场人员图像获得现场人员的工作情况。(2)通过在技术点位设置NFC等类似的物理打卡点，现场人员达到位置后，手动刷卡进行确定。

但是，采用上述(1)的方法，可能存在现场人员只是到达了技术点位，并未按照要求的巡视姿势进行巡检(例如：倾斜、下蹲等姿势)，视频采集装置无法较好的现场人员的姿态进行判定，同时可能出现判定错误的问题。例如：如果现场人员移动至与视频采集装置呈一条直线时，现场人员的腿部的角度可能被现场人员本体遮挡，在拍摄的画面中，无法对现场人员的姿态进行确定。

采用上述(2)的方法，只能判断现场人员达到了技术点位，无法进行巡视姿势的判定。

发明内容

本发明所要解决的技术问题是现阶段的缺乏现场人员的姿态检测方法，目的在于提供现场人员人体姿态检测的多重验证检测装置、方法及介质，解决了检测方法单一的问题，同时还避免了可能出现的结果冲突问题。

本发明通过下述技术方案实现：

第一方面，一种现场人员人体姿态检测的多重验证检测装置，包括：

压力检测组件，其具有检测端和输出端，所述压力检测组件的检测端设置在现场人员足部；

主视频检测组件，其具有采集端和输出端，所述主视频检测组件的采集端的采集方向朝向现场人员；

备用视频检测组件，其具有采集端和输出端，所述备用视频检测组件的采集端的采集方向朝向现场人员；

控制模块，其具有接收端和输出端，所述控制模块的接收端与所述压力检测组件的输出端、所述主视频检测组件的输出端和所述备用视频检测组件的输出端通信连接；

其中，所述压力检测组件和所述主视频检测组件处于常开状态，所述备用视频检测组件处于常关状态。

可选地，所述压力检测组件包括：

固定在现场人员足部的压力采集模块；及

与所述压力采集模块通信连接且与所述控制模块通信的无线通信模块；

所述压力采集模块包括所述压力采集模块包括多个设置在现场人员足部的压力传感器，所述压力传感器均与所述无线通信模块通信连接。

第二方面，一种现场人员人体姿态检测的多重验证检测方法，基于如上述的一种现场人员人体姿态检测的多重验证检测装置，所述方法包括：

若压力检测组件检测到压力信号发生变化，则确定现场人员的第一姿态；

调用主视频检测组件主动获取现场人员的视频信号，并确定现场人员的第二姿态；

通过第二姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第一信号；若验证失败，则启动备用视频检测组件；

调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第三姿态；

通过第三姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第二信号；若验证失败，则通过第三姿态对第二姿态进行验证，若验证通过，则输出现场人员姿态未改变的第三信号，若验证失败，则输出故障信号；

若主视频检测组件检测到视频信号发生变化，则确定现场人员的第四姿态；

调用压力检测组件主动获取现场人员的压力信号，并确定现场人员的第五姿态；

通过第五姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第四信号；若验证失败，则启动备用视频检测组件；

调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第六姿态；

通过第六姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第五信号；若验证失败，则通过第六姿态对第五姿态进行验证，若验证通过，则输出现场人员姿态未改变的第六信号，若验证失败，则输出故障信号。

可选地，确定现场人员第一姿态或第五姿态的方法包括：

压力检测组件将检测的压力信号输出；

控制模块接收压力检测组件输出的压力信号，并将其输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

确定现场人员第二姿态或第四姿态的方法包括：

主视频检测组件将检测的视频信号输出；

控制模块接收主视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

确定现场人员第三姿态或第六姿态的方法包括：

备用视频检测组件将检测的视频信号输出；

控制模块接收备用视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态。

可选地，所述姿态分类模型的获得方法包括：

确定现场人员的姿态种类数量N，并构建N个SVM二分类模型；

将训练样本输入SVM二分类模型，对SVM二分类模型进行训练，训练方法包括：

将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

将SVM二分类模型分为：第1类模型、第2类模型、……、第N类模型；

将训练样本输入第i类模型，第i类模型将第i类姿态样本标记为正标记，将其余训练样本均标记为负标记，i＝1、2、……、N；

完成对N个SVM二分类模型的训练后，将N个SVM二分类模型串联，获得姿态分类模型。

具体地，姿态的验证方法为：判断某一姿态和另一姿态是否属于同一类姿态，若属于同一类姿态，则验证通过；若不属于同一类姿态，则验证失败。

可选地，对视频信号的处理方法包括：

获取目标在视频画面中的位置，并绘制目标框，并将目标框的四个顶点依次命名为R₁(x₁,y₁)、R₂(x₂,y₂)、R₃(x₃,y₃)、R₄(x₄,y₄)；

计算目标框的宽度W和高度H：

获得目标矩形框的宽高比Q＝W/H；

将目标框的对角进行连接，并确定两条对角线的交点Z(x_z,y_z)；

确定参考水平线y_l＝max(y₃,y₄)，获得目标中心与参考水平线的垂直距离Z_l＝y_z-y_l；

确定目标倾斜角度

构建目标运动状态向量M＝[θ,Z_l,Q]。

可选地，所述姿态分类模型的获得方法包括：

确定多个训练样本，将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

获得训练样本的目标运动状态向量，并利用Sigmoid激活函数σ将运动向量变化为6维特征向量M'＝σ([θ,Z_l,Q,θ,Z_l,Q])；

将6维特征向量输入卷积神经网络，并对卷积神经网络进行训练；

完成训练后获得姿态分类模型。

进一步，添加Softmax函数至卷积神经网络的最后一层，获得输出结果：其中m为每次训练中batch的大小，n为输出类别数，y_j、y_i表示同一类别的样本；

确定输出类间代价函数：其中λ表示类间损失因子，x_i表示全连接层输出的第i个样本，/>表示所有同一类别y_i的所有样本的中心值；

获得对卷积神经网络的输出进行优化的目标优化函数：

第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的一种现场人员人体姿态检测的多重验证检测方法的步骤。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明通过设置压力检测组件、主视频检测组件和备用视频检测组件，通过三种检测结构，实现对现场人员的姿态检测，避免出现检测错误的问题。

本发明通过设置压力检测组件、主视频检测组件和备用视频检测组件，并将压力检测组件和主视频检测组件设定成为常开状态，通过压力检测组件和主视频检测组件实现对人体的姿态确定，并将压力检测组件和主视频检测组件的输出结果进行相互验证，如果压力检测组件和主视频检测组件确定的姿态相同，则证明检测准确，此时不需要启动备用视频检测组件；若压力检测组件和主视频检测组件确定的姿态不同，则证明其中一个检测组件出现错误，则启动备用视频检测组件，通过备用视频检测组件进行判定，备用视频检测组件确定的姿态对压力检测组件和主视频检测组件确定的姿态进行验证，本根据实际验证情况输出最终姿态。

本发明通过将压力检测组件和主视频检测组件设定成为常开状态，使其可以避免单个检测组件出现故障对人体的姿态检测出现错误；并且设置一个处于常关状态的备用视频检测组件，即当压力检测组件和主视频检测组件的结果不同时，可以启动备用视频检测组件进行确定；既能够避免出现检测不准确的情况，又能够达到节省能源的目的。

附图说明

附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。

图1是根据本发明所述的一种现场人员人体姿态检测的多重验证检测方法的流程示意图，图中为方法A。

图2是根据本发明所述的一种现场人员人体姿态检测的多重验证检测方法的流程示意图，图中为方法B。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。

在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。

实施例一

本实施例提供一种现场人员人体姿态检测的多重验证检测装置，包括压力检测组件、主视频检测组件和备用视频检测组件。

压力检测组件具有检测端和输出端，压力检测组件的检测端设置在现场人员足部，例如可以将其设置在鞋内部底面，也可以将其设置在袜子内，只要能够贴合使用者的足部即可，当现场人员姿态改变时，压力检测组件检测到的压力信号也会随之改变，然后可以根据压力的改变来确定现场人员的姿态。

主视频检测组件具有采集端和输出端，主视频检测组件的采集端的采集方向朝向现场人员，其可以为一个视频摄像头，用于采集现场人员所在位置的画面，并通过对画面内容的处理，可以达到检测现场人员姿态的目的。

备用视频检测组件具有采集端和输出端，备用视频检测组件的采集端的采集方向朝向现场人员，备用视频检测组件的结构与主视频检测组件的结构相同，同样用于采集现场人员所在位置的画面。

控制模块具有接收端和输出端，控制模块的接收端与压力检测组件的输出端、主视频检测组件的输出端和备用视频检测组件的输出端通信连接；控制模块通过接收压力检测组件、主视频检测组件和备用视频检测组件的信号，可以对现场人员的姿态进行判定。

在本实施例中，设置主视频检测组件和备用适配检测组件的原因包括：一般情况下，视频采集装置的安装位置均处于固定状态，因此可能存在无法正确判断现场人员的姿态的情况。

例如：如果现场人员移动至与主视频检测组件呈一条直线时，现场人员的腿部的角度可能被现场人员本体遮挡，在视频摄像头拍摄的画面中，现场人员可能出现的情况是相同的，即宽度不改变，高度变低，因此单一的视频检测组件判断出的姿态可能与压力检测组件判断的姿态不相同。

因此，本实施例增设一个备用视频检测组件，备用视频检测组件和主视频检测组件的采集方向呈一定角度，当主视频检测组件无法正常判断时，可以启用备用适配检测组件，因此设定压力检测组件和主视频检测组件处于常开状态，备用视频检测组件处于常关状态。

在控制模块中存在如下的控制方法，通过压力检测组件和主视频检测组件实现对现场人员的姿态确定，并将压力检测组件和主视频检测组件的输出结果进行相互验证，如果压力检测组件和主视频检测组件确定的姿态相同，则证明检测准确，此时不需要启动备用视频检测组件；若压力检测组件和主视频检测组件确定的姿态不同，则证明其中一个检测组件出现错误，则启动备用视频检测组件，通过备用视频检测组件进行判定，备用视频检测组件确定的姿态对压力检测组件和主视频检测组件确定的姿态进行验证。

因此，本实施例还提供一种现场人员人体姿态检测的多重验证检测方法，基于如上述的一种现场人员人体姿态检测的多重验证检测装置，方法包括：

在具体使用中，压力检测组件或主视频检测组件均存在一定的延迟性，则一般不可能出现两个视频检测组件同时检测到现场人员姿态发生改变，其中间均存在一定的时间差，本实施例中，针对存在的时间差，选取不同的检测方法。

A1、若压力检测组件检测到压力信号发生变化，则确定现场人员的第一姿态；即，压力检测组件首先检测到现场人员的姿态发生变化，通过控制模块来确定现场人员的姿态。

A2、调用主视频检测组件主动获取现场人员的视频信号，并确定现场人员的第二姿态；控制模块在接收到压力检测组件发送的压力信号后，确定现场人员的姿态发生改变，则控制主视频检测组件主动获取视频信号并将其传输至控制模块，控制模块通过视频信号来获得现场人员的姿态。

A3、通过第二姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第一信号；即证明现场人员的姿态发生改变，并且将第一姿态输出，用来表示现场人员当前的姿态。

A4、若验证失败，则启动备用视频检测组件，一般情况下备用视频检测组件处于关闭状态，只在验证失败后，再启动，达到节约能源的目的。

A5、调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第三姿态；工作原理与主视频检测组件相同。

A6、通过第三姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第二信号；即证明主视频检测组件出现了判断错误，此时将主视频检测组件的检测数据予以排除，并且将第一姿态输出，用来表示现场人员当前的姿态。

A7、若验证失败，则通过第三姿态对第二姿态进行验证，若第三姿态对第二姿态的验证出现验证通过，则输出现场人员姿态未改变的第三信号；即证明压力检测组件出现了判断错误，此时将压力检测组件的检测数据予以排除，并将第二姿态输出，用来表示现场人员的当前姿态。

A8、若第三姿态对第二姿态进行的验证出现验证失败，则输出故障信号，即第一姿态、第二姿态和第三姿态均不相同，可能出现了故障信号，控制模块将该信号输出，提醒相关人员，但整个检测装置并不停止工作，只需要将此次检测数据全部排除即可，以便进行下一次检测。

若持续出现故障信号，则证明检测装置故障。

B1、若主视频检测组件检测到视频信号发生变化，则确定现场人员的第四姿态；即，主视频检测组件首先检测到现场人员的姿态发生变化，通过控制模块来确定现场人员的姿态。

B2、调用压力检测组件主动获取现场人员的压力信号，并确定现场人员的第五姿态；控制模块在接收到主视频检测收件发送的视频信号后，确定现场人员的姿态发生改变，则控制压力检测组件主动获取压力信号并将其传输至控制模块，控制模块通过压力信号来获得现场人员的姿态。

B3、通过第五姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第四信号；即证明现场人员的姿态发生改变，并且将第四姿态输出，用来表示现场人员当前的姿态。

B4、若验证失败，则启动备用视频检测组件；一般情况下备用视频检测组件处于关闭状态，只在验证失败后，再启动，达到节约能源的目的。

B5、调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第六姿态；

B6、通过第六姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第五信号；即证明压力检测组件出现了判断错误，此时将压力检测组件的检测数据予以排除，并且将第四姿态输出，用来表示现场人员当前的姿态。

B7、若验证失败，则通过第六姿态对第五姿态进行验证，若第六姿态对第五姿态的验证出现验证通过，则输出现场人员姿态未改变的第六信号，即证明主视频检测组件出现了判断错误，此时将主视频检测组件的检测数据予以排除，并将第五姿态输出，用来表示现场人员的当前姿态。

B8、若验证第六姿态对第五姿态的验证出现失败，则输出故障信号。即第四姿态、第五姿态和第六姿态均不相同。

在本实施例中，A方法和B方法为两种不同的激发方法，姿态的验证方法为：判断某一姿态和另一姿态是否属于同一类姿态，若属于同一类姿态，则验证通过；若不属于同一类姿态，则验证失败。

例如：判断第一姿态和第二姿态是否为相同的姿态，若相同则证明验证通过，若不同则证明验证失败。

实施例二

本实施例对压力检测组件的结构加以说明，压力检测组件包括两个分别固定在使用者足底的压力采集模块；及与压力采集模块通信连接且与控制模块通信的无线通信模块；

通过压力采集模块获取压力，并通过无线通信模块将其传输至控制模块。

压力采集模块包括第一压力传感器、第二压力传感器、第三压力传感器、第四压力传感器、第五压力传感器、第六压力传感器、第七压力传感器、第八压力传感器。

第一压力传感器固定设置在使用者第一趾骨下方，第二压力传感器固定设置在使用者第三趾骨下方，第三压力传感器固定设置在使用者第一跖骨下方，第四压力传感器固定设置在使用者第二跖骨下方，第五压力传感器固定设置在使用者第三跖骨下方，第六压力传感器固定设置在使用者足底中部，第七压力传感器固定设置在使用者足后跟内侧，第八压力传感器固定设置在使用者足后跟外侧。

选用FSR-402型柔性压阻传感器(半径6.35mm,厚0.5mm),FSR是一种高分子聚合物厚膜,其表面压力越大,电阻值越低,可以适应行走等运动状态。另外还设置有处理各个压力传感器的数据模块，选用基于ARM cortex-M3内核的32位高性能STM32F407VET6芯片，3.3V低功耗工作电压适合电池供电的可穿戴式设备，内部集成3个12位分辨率的16通道高精度ADC模块，将压力模拟信号转化为数字信号。该款微处理器的时钟频率高达168MHz，可以完全满足要求。

第一压力传感器、第二压力传感器、第三压力传感器、第四压力传感器、第五压力传感器、第六压力传感器、第七压力传感器、第八压力传感器均与无线通信模块通信连接，无线通信模块可以为蓝牙模块也可以为WiFi模块。

实施例三

本实施例提供通过压力信号来确定现场人员姿态的具体方法，即实施例一中的确定现场人员第一姿态或第五姿态的方法，该方法包括：

压力检测组件将检测的压力信号输出；

控制模块接收压力检测组件输出的压力信号，并将其输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

需要进行说明的时，因为不同的体重使压力检测组件产生的压力信号大小不一致，因此为了使本实施例中的姿态分类模型能够适应不同体重的使用者，采用压力的比值来实现分类。

即：当第一压力传感器、第二压力传感器、第三压力传感器、第四压力传感器、第五压力传感器、第六压力传感器、第七压力传感器、第八压力传感器产生压力信号后，选定其中一个压力信号为基准信号，然后将其他压力信号进行换算。

设定第一压力传感器的压力信号为1，然后依次将第二压力传感器、第三压力传感器、第四压力传感器、第五压力传感器进行换算。

假设，第一压力传感器的压力为50kg，第二压力传感器的压力为60kg，则换算为第一压力传感器的压力信号为1，第二压力传感器的压力信号为1.2。

其中姿态分类模型的获得方法包括：

确定现场人员的姿态种类数量N，并构建N个SVM二分类模型；姿态种类包括但不限于：行走、站立、坐下、起立、单脚站立、身体重心左移、身体重心右移、身体重心前移、身体重心后移、跌倒等。

将训练样本输入SVM二分类模型，对SVM二分类模型进行训练，训练方法包括：本实施例中的训练样本包含不同体重、不同年龄，并且经过了上述换算。

将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

将SVM二分类模型分为：第1类模型、第2类模型、……、第N类模型；

将训练样本输入第i类模型，第i类模型将第i类姿态样本标记为正标记，将其余训练样本均标记为负标记，i＝1、2、……、N；例如，第1类模型为行走模型，则将行走时的训练样本标记为+1，将其余的均标记为-1，以此类推，完成对所有模型的训练。

完成对N个SVM二分类模型的训练后，将N个SVM二分类模型串联，获得姿态分类模型。

即，将压力信号输入至第1类模型，第1类模型对其进行判断，若为第1类姿态，则将其归属至第1类姿态，若不为第1类姿态，则将其输入至第2类姿态，依次类推，直至完全对压力信号对应的姿态的判断。

实施例四

本实施例提供通过视频信号来确定姿态的方法，主视频检测组件和备用视频检测组件的方法相同。

确定现场人员第二姿态或第四姿态的方法包括：

主视频检测组件将检测的视频信号输出；

控制模块接收主视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

确定现场人员第三姿态或第六姿态的方法包括：

备用视频检测组件将检测的视频信号输出；

控制模块接收备用视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态。

可以看出，均需要对视频信号进行处理，本实施例还提供对视频信号的处理方法，包括：

获取目标在视频画面中的位置，并通过K-means算法绘制目标框，并将目标框的四个顶点依次命名为R₁(x₁,y₁)、R₂(x₂,y₂)、R₃(x₃,y₃)、R₄(x₄,y₄)；

通过欧式距离公式可以计算目标框的宽度W和高度H：

当视频中的现场人员移动时，W值和H值会发生改变，。

以跌倒为例：纵向跌倒时，W的值会逐渐增大，H的值会逐渐减小,横向跌倒时，W>H；当人体纵向跌倒时,W<H。

为了更好地描述不同姿态下，目标框宽度与高度的变化情况,本实施例通过宽高比来判断，获得目标矩形框的宽高比Q＝W/H；

将目标框的对角进行连接，并确定两条对角线的交点为质心Z(x_z,y_z)；

确定参考水平线y_l＝max(y₃,y₄)，获得目标中心与参考水平线的垂直距离Z_l＝y_z-y_l；当人体改变姿态时，Z_l的值会逐渐减小，因此，运动质心高Z_l的变化可以作为人体姿态改变的判断特征。

最后，当人体处于不同的状态时，人体躯干处于不同的角度，确定目标倾斜角度

综上分析，宽高比、中心高度、倾斜角三个运动状态特征能够表征现场人员的姿态变化，因此构建目标运动状态向量M＝[θ,Z_l,Q]。

完成视频信号处理后，需要训练姿态分类模型，姿态分类模型的获得方法包括：

确定多个训练样本，将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

获得训练样本的目标运动状态向量，并利用Sigmoid激活函数σ将运动向量变化为6维特征向量M'＝σ([θ,Z_l,Q,θ,Z_l,Q])；

将6维特征向量输入卷积神经网络，并对卷积神经网络进行训练；

卷积神经网络模型输出N个节点，交叉熵是分类问题中比较经典的代价函数，它刻画了两个概率分布之间的距离，但是原始神经网络的输出并不符合概率分布，因此为了使用交叉熵作为评价函数，本文将原始神经网络输出的最后一层加入Softmax函数，用Softmax函数作为输出结果的类别置信度，这样就会生成符合概率分布的输出结果，

添加Softmax函数至卷积神经网络的最后一层，获得输出结果：其中m为每次训练中batch的大小，n为输出类别数，y_j、y_i表示同一类别的样本；

为了增加输出不同类别之间的距离，确定输出类间代价函数：其中λ表示类间损失因子，x_i表示全连接层输出的第i个样本，/>表示所有同一类别y_i的所有样本的中心值；

获得对卷积神经网络的输出进行优化的目标优化函数：

最后完成训练后获得姿态分类模型。

实施例五

一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种现场人员人体姿态检测的多重验证检测方法的步骤。

存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。

存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述的一种现场人员人体姿态检测的多重验证检测方法的步骤。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。

Claims (8)

1.一种现场人员人体姿态检测的多重验证检测方法，其特征在于，基于一种现场人员人体姿态检测的多重验证检测装置，所述检测装置包括：

压力检测组件，其具有检测端和输出端，所述压力检测组件的检测端设置在现场人员足部；

主视频检测组件，其具有采集端和输出端，所述主视频检测组件的采集端的采集方向朝向现场人员；

备用视频检测组件，其具有采集端和输出端，所述备用视频检测组件的采集端的采集方向朝向现场人员；

控制模块，其具有接收端和输出端，所述控制模块的接收端与所述压力检测组件的输出端、所述主视频检测组件的输出端和所述备用视频检测组件的输出端通信连接；

其中，所述压力检测组件和所述主视频检测组件处于常开状态，所述备用视频检测组件处于常关状态；

所述压力检测组件包括：

固定在现场人员足部的压力采集模块；及

与所述压力采集模块通信连接且与所述控制模块通信的无线通信模块；

所述压力采集模块包括多个设置在现场人员足部的压力传感器，所述压力传感器均与所述无线通信模块通信连接；

所述检测方法包括：

若压力检测组件检测到压力信号发生变化，则确定现场人员的第一姿态；

调用主视频检测组件主动获取现场人员的视频信号，并确定现场人员的第二姿态；

通过第二姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第一信号；若验证失败，则启动备用视频检测组件；

调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第三姿态；

通过第三姿态对第一姿态进行验证，若验证通过，则输出现场人员姿态改变的第二信号；若验证失败，则通过第三姿态对第二姿态进行验证，若验证通过，则输出现场人员姿态未改变的第三信号，若验证失败，则输出故障信号；

若主视频检测组件检测到视频信号发生变化，则确定现场人员的第四姿态；

调用压力检测组件主动获取现场人员的压力信号，并确定现场人员的第五姿态；

通过第五姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第四信号；若验证失败，则启动备用视频检测组件；

调用备用视频检测组件主动获取现场人员的视频信号，并确定现场人员的第六姿态；

通过第六姿态对第四姿态进行验证，若验证通过，则输出现场人员姿态改变的第五信号；若验证失败，则通过第六姿态对第五姿态进行验证，若验证通过，则输出现场人员姿态未改变的第六信号，若验证失败，则输出故障信号。

2.根据权利要求1所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，确定现场人员第一姿态或第五姿态的方法包括：

压力检测组件将检测的压力信号输出；

控制模块接收压力检测组件输出的压力信号，并将其输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

确定现场人员第二姿态或第四姿态的方法包括：

主视频检测组件将检测的视频信号输出；

控制模块接收主视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态；

确定现场人员第三姿态或第六姿态的方法包括：

备用视频检测组件将检测的视频信号输出；

控制模块接收备用视频检测组件输出的视频信号，并对其处理后输入姿态分类模型；

经姿态分类模型识别，确定现场人员的姿态。

3.根据权利要求2所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，所述姿态分类模型的获得方法包括：

确定现场人员的姿态种类数量N，并构建N个SVM二分类模型；

将训练样本输入SVM二分类模型，对SVM二分类模型进行训练，训练方法包括：

将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

将SVM二分类模型分为：第1类模型、第2类模型、……、第N类模型；

将训练样本输入第i类模型，第i类模型将第i类姿态样本标记为正标记，将其余训练样本均标记为负标记，i＝1、2、……、N；

完成对N个SVM二分类模型的训练后，将N个SVM二分类模型串联，获得姿态分类模型。

4.根据权利要求3所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，姿态的验证方法为：判断某一姿态和另一姿态是否属于同一类姿态，若属于同一类姿态，则验证通过；若不属于同一类姿态，则验证失败。

5.根据权利要求3所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，对视频信号的处理方法包括：

获取目标在视频画面中的位置，并绘制目标框，并将目标框的四个顶点依次命名为R1(x1,y1)、R2(x2,y2)、R3(x3,y3)、R4(x4,y4)；

计算目标框的宽度W和高度H：

获得目标矩形框的宽高比Q＝W/H；

将目标框的对角进行连接，并确定两条对角线的交点Z(xz,yz)；

确定参考水平线yl＝max(y3,y4)，获得目标中心与参考水平线的垂直距离Zl＝yz-yl；

确定目标倾斜角度

构建目标运动状态向量M＝[θ,Zl,Q]。

6.根据权利要求5所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，所述姿态分类模型的获得方法包括：

确定多个训练样本，将训练样本分为：第1类姿态样本、第2类姿态样本、……、第N类姿态样本；

获得训练样本的目标运动状态向量，并利用Sigmoid激活函数σ将运动向量变化为6维特征向量M'＝σ([θ,Z_l,Q,θ,Z_l,Q])；

将6维特征向量输入卷积神经网络，并对卷积神经网络进行训练；

完成训练后获得姿态分类模型。

7.根据权利要求6所述的一种现场人员人体姿态检测的多重验证检测方法，其特征在于，

添加Softmax函数至卷积神经网络的最后一层，获得输出结果：其中m为每次训练中batch的大小，n为输出类别数，y_j、y_i表示同一类别的样本；

确定输出类间代价函数：其中λ表示类间损失因子，x_i表示全连接层输出的第i个样本，/>表示所有同一类别y_i的所有样本的中心值；

获得对卷积神经网络的输出进行优化的目标优化函数：

8.一种计算机可读存储介质，所述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1-7中任一项所述的一种现场人员人体姿态检测的多重验证检测方法的步骤。