一种深度图像中人体坐姿识别的方法、装置及存储介质制造方法及图纸

本申请公开了一种深度图像中人体坐姿识别的方法、装置及存储介质，用于利用深度图像基于残差网络搭建的坐姿分类模型以及交叉验证进行坐姿识别，在有效保护个人隐私的同时进一步提高了坐姿识别的准确度。本申请方法包括：获取人体坐姿的深度图像；对所述深度图像进行预处理；将预处理后的深度图像输入至训练完成的坐姿分类模型中，得到所述深度图像的初始坐姿分类信息，所述坐姿分类模型的网络基于残差网络搭建而成；根据所述初始坐姿分类信息通过交叉验证得到所述深度图像的坐姿最终分类结果。类结果。类结果。

【技术实现步骤摘要】
一种深度图像中人体坐姿识别的方法、装置及存储介质


[0001]本申请涉及图像处理领域，尤其涉及一种深度图像中人体坐姿识别的方法、装置及存储介质。

技术介绍

[0002]不同的坐姿能够表达用户的不同状态，通过坐姿识别技术能够识别出人们的坐姿种类和坐姿状态，并反馈给用户，实现坐姿干预。
[0003]在现有技术中，能够实现坐姿识别的方法有很多，市面上更多的应用是采用压力传感器来进行坐姿识别，此外还有基于RGB彩色图像的坐姿识别，然而这些方法都有各自的优缺点。基于压力传感器的方法受限于设备，使用或者需要穿戴相应的设备等，具体使用起来很不方便。而针对RGB彩色图像的处理实现坐姿识别，对图片色彩信息要求较高，相机采集图片时受环境和光照等影响，这些都会影响到最终的识别率，导致识别率不高。另一方面，使用RGB彩色图像来实现坐姿识别不利于保护用户的个人隐私。

技术实现思路

[0004]本申请提供了一种深度图像中人体坐姿识别的方法、装置及存储介质，用于利用深度图像结合残差网络模型以及交叉验证进行坐姿识别，在有效保护个人隐私的同时进一步提高了坐姿识别的准确度。
[0005]本申请第一方面提供了一种深度图像中人体坐姿识别的方法，包括：
[0006]获取拍摄人体坐姿的深度图像；
[0007]对所述深度图像进行预处理；
[0008]将预处理后的深度图像输入至训练完成的坐姿分类模型中，得到所述深度图像的初始坐姿分类信息，所述坐姿分类模型的网络基于残差网络搭建而成；
[0009]根据所述初始坐姿分类信息通过交叉验证得到所述深度图像的坐姿最终分类结果。
[0010]可选的，对所述深度图像进行预处理包括：
[0011]去除所述深度图像中的背景信息；
[0012]和/或，
[0013]提取所述深度图像中的人体轮廓区域信息；
[0014]和/或，
[0015]对所述深度图像进行数据增强。
[0016]可选的，在所述获取拍摄人体坐姿的深度图像之前，所述方法还包括：
[0017]获取坐姿识别的训练样本集，所述训练样本集中包含若干张坐姿样本图像与对应的标签信息，所述坐姿样本图像为深度图像，所述标签信息为坐姿的类别；
[0018]构建初始坐姿分类模型，所述初始坐姿分类模型的主体网络架构由残差网络构成；
[0019]从所述坐姿识别训练样本集中选取训练样本，并通过所述训练样本训练所述初始坐姿分类模型直至所述初始坐姿分类模型达到收敛，得到坐姿分类模型。
[0020]可选的，所述标签信息包括：
[0021]正坐、正坐
‑
微低头、正坐
‑
微左转头、正坐
‑
微右转头、正坐
‑
微抬头、正坐
‑
微左歪头、正坐
‑
微右歪头、左歪头、右歪头、身体左倾、身体右倾、左手托腮、右手托腮、前倾、后仰和弯腰驼背中的至少一种。
[0022]可选的，所述方法还包括：
[0023]采用One
‑
hot一位有效编码对所述标签信息进行编码。
[0024]可选的，所述方法还包括：
[0025]通过数据增强扩大所述坐姿识别训练样本集，所述数据增强包括对所述坐姿样本图像进行裁剪、放缩、标准化和/或修改亮度、对比度和饱和度。
[0026]可选的，在所述根据所述初始坐姿分类信息通过交叉验证得到所述深度图像的坐姿分类结果之后，所述方法还包括：
[0027]判断所述坐姿分类结果属于有益坐姿或无益坐姿，所述有益坐姿包括正坐、正坐
‑
微低头、正坐
‑
微左转头、正坐
‑
微右转头、正坐
‑
微抬头、正坐
‑
微左歪头和正坐
‑
微右歪头，所述无益坐姿包括左歪头、右歪头、身体左倾、身体右倾、左手托腮、右手托腮、前倾、后仰和弯腰驼背；
[0028]当确定所述坐姿分类结果属于无益坐姿时，向用户发送坐姿纠正提示信息。
[0029]本申请第二方面提供了一种深度图像中人体坐姿识别的装置，包括：
[0030]获取单元，用于获取人体坐姿的深度图像；
[0031]预处理单元，用于对所述深度图像进行预处理；
[0032]输入单元，用于将预处理后的深度图像输入至训练完成的坐姿分类模型中，得到所述深度图像的初始坐姿分类信息，所述坐姿分类模型的网络基于残差网络搭建而成；
[0033]验证单元，用于根据所述初始坐姿分类信息通过交叉验证得到所述深度图像的坐姿最终分类结果。
[0034]可选的，所述预处理单元具体用于：
[0035]去除所述深度图像中的背景信息；
[0036]和/或，
[0037]提取所述深度图像中的人体轮廓区域信息；
[0038]和/或，
[0039]对所述深度图像进行数据增强。
[0040]可选的，所述装置还包括训练单元；
[0041]所述训练单元具体用于：
[0042]获取坐姿识别的训练样本集，所述训练样本集中包含若干张坐姿样本图像与对应的标签信息，所述坐姿样本图像为深度图像，所述标签信息为坐姿的类别；
[0043]构建初始坐姿分类模型，所述初始坐姿分类模型的主体网络架构由残差网络构成；
[0044]从所述坐姿识别训练样本集中选取训练样本，并通过所述训练样本训练所述初始坐姿分类模型直至所述初始坐姿分类模型达到收敛，得到坐姿分类模型。
[0045]可选的，所述标签信息包括：
[0046]正坐、正坐
‑
微低头、正坐
‑
微左转头、正坐
‑
微右转头、正坐
‑
微抬头、正坐
‑
微左歪头、正坐
‑
微右歪头、左歪头、右歪头、身体左倾、身体右倾、左手托腮、右手托腮、前倾、后仰和弯腰驼背中的至少一种。
[0047]可选的，所述训练单元具体还用于：
[0048]采用One
‑
hot一位有效编码对所述标签信息进行编码。
[0049]可选的，所述训练单元具体还用于：
[0050]通过数据增强扩大所述坐姿识别训练样本集，所述数据增强包括对所述坐姿样本图像进行裁剪、放缩、标准化和/或修改亮度、对比度和饱和度。
[0051]可选的，所述装置还包括：
[0052]判断单元，用于判断所述坐姿分类结果属于有益坐姿或无益坐姿，所述有益坐姿包括正坐、正坐
‑
微低头、正坐
‑
微左转头、正坐
‑
微右转头、正坐
‑
微抬头、正坐
‑
微左歪头和正坐
‑
微右歪头，所述无益坐姿包括左歪头、右歪头、身体左倾、身体右倾、左手托腮、右手托腮、前倾、后仰和弯腰驼背；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度图像中人体坐姿识别的方法，其特征在于，所述方法包括：获取拍摄人体坐姿的深度图像；对所述深度图像进行预处理；将预处理后的深度图像输入至训练完成的坐姿分类模型中，得到所述深度图像的初始坐姿分类信息，所述坐姿分类模型的网络基于残差网络搭建而成；根据所述初始坐姿分类信息通过交叉验证得到所述深度图像的坐姿最终分类结果。2.根据权利要求1所述的方法，其特征在于，对所述深度图像进行预处理包括：去除所述深度图像中的背景信息；和/或，提取所述深度图像中的人体轮廓区域信息；和/或，对所述深度图像进行数据增强。3.根据权利要求1所述的方法，其特征在于，在所述获取拍摄人体坐姿的深度图像之前，所述方法还包括：获取坐姿识别的训练样本集，所述训练样本集中包含若干张坐姿样本图像与对应的标签信息，所述坐姿样本图像为深度图像，所述标签信息为坐姿的类别；构建初始坐姿分类模型，所述初始坐姿分类模型的主体网络架构由残差网络构成；从所述坐姿识别训练样本集中选取训练样本，并通过所述训练样本训练所述初始坐姿分类模型直至所述初始坐姿分类模型达到收敛，得到坐姿分类模型。4.根据权利要求3所述的方法，其特征在于，所述标签信息包括：正坐、正坐
‑
微低头、正坐
‑
微左转头、正坐
‑
微右转头、正坐
‑
微抬头、正坐
‑
微左歪头、正坐
‑
微右歪头、左歪头、右歪头、身体左倾、身体右倾、左手托腮、右手托腮、前倾、后仰和弯腰驼背中的至少一种。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：采用One
‑
hot一位有效编码对所述标签信息进行编码。6.根据权利要求3所述的方法，其特征在于，所述方法还包括：通过数据增强扩大所述坐姿识...

【专利技术属性】
技术研发人员：王倩，刘敏，贺荣锋，
申请(专利权)人：珠海视熙科技有限公司，
类型：发明
国别省市：