欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019109667460
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于计算机视觉的人体姿态分类方法,其特征在于:包括以下步骤,S1、在场景中部署监控摄像头,通过监控摄像头采集视频监控数据;

S2、分析开源图像数据集Microsoft COCO中的目标类别标签、目标位置标签、图片描述标签以及人类目标关节点标签,并从中筛选出图片和标记数据,构建用于人体姿态分类的训练数据集;

S3、基于步骤S2所得训练数据集中的标记数据构建原始特征集合,在此基础上计算原始特征集合中的数据的高阶特征,并通过特征修剪筛选出有效人体姿态分类特征;

S4、基于神经网络算法,结合步骤S2所得训练数据集以及步骤S3筛选出的有效人体姿态分类特征,选择损失函数和优化算法,训练出人体姿态分类模型;

S5、对步骤S1得到的视频监控数据进行目标检测和识别操作,对于其中被识别为人类目标的区域进行姿态估计,基于姿态估计的结果计算有效人体姿态特征数据,并将计算得到的特征数据导入步骤S4所得的人体姿态分类模型,判断得出视频中出现的人的姿态。

2.如权利要求1所述的基于计算机视觉的人体姿态分类方法,其特征在于:步骤S2中,构建用于人体姿态分类的训练数据集步骤,具体为,S21、基于开源图像数据集Microsoft COCO中目标的类别标签,选择数据集中仅包含一个人类目标的图片,将所选的这些图片及其对应的各类标签数据作为备选训练数据集;

S22、分析步骤S21所得备选训练数据集中图片对应的图片描述标签,将其中存在与姿态相关的关键词的图片保留在备选训练数据集中,并给这些图片添加姿态标签,其余图片删除;

S23、检查备选训练数据集中图片对应的人类目标关节点标签,删除其中关节点标签不全的图片,将剩余的图片及其标签数据作为用于人体姿态分类的训练数据集。

3.如权利要求1所述的基于计算机视觉的人体姿态分类方法,其特征在于:步骤S3中,筛选出有效人体姿态分类特征,具体为,S31、对步骤S2所得训练数据集中每个目标的坐标数据,以目标所在包围框的左下角为坐标原点,重新构建平面直角坐标系,对训练数据集中目标对应的包围框坐标和关节点坐标数据进行重定位处理,并将这些坐标作为原始特征;

S32、计算每个目标所在包围框的长宽比,以及所有的任意3个相邻关节点构成的关节角,将这些特征数据作为目标的高阶特征;

S33、计算高阶特征之间的方差,基于同类别的姿态之间特征相似度大且不同类别的姿态之间特征相似度小的原则,从高阶特征中筛选出设定数量的特征作为有效的人体姿态分类特征。

4.如权利要求1‑3任一项所述的基于计算机视觉的人体姿态分类方法,其特征在于:步骤S4中,训练出人体姿态分类模型,具体为,S41、构建五层神经网络模型,第一层是输入层,输入层的每个神经元代表了一个特征,输入层的神经元个数即为筛选出的特征的个数;第二层是隐含层一,隐含层一对输入特征进行多层次的抽象,线性划分不同类型的数据,激活函数为relu函数即线性整流函数;第三层是dropout层即随机失活层,在模型训练的测试过程中随机地删除隐含层一的部分神经元,减轻过拟合问题的发生;第四层是隐含层二,隐含层二对第三层提取的特征进行多层次的抽象,线性划分不同类型的数据,激活函数为relu函数即线性整流函数;第五层是输出层,输出为该目标的姿态分别属于不同类别的概率;

S42、将步骤S2所得训练数据集分为训练集和验证集与步骤S3所得有的人体姿态分类特征一起输入步骤S41所构建的神经网络模型,采用均方误差函数作为损失函数,并用小批量梯度下降法优化模型,待到模型收敛停止训练,得到人体姿态分类模型。

5.如权利要求1‑3任一项所述的基于计算机视觉的人体姿态分类方法,其特征在于:步骤S5中,判断得出视频中出现的人的姿态,具体为,S51、对于步骤S1所部署的监控摄像头捕捉到的视频监控数据,首先通过目标检测和目标识别技术,发现其中的有效目标,并从中提取出目标的类别信息和位置信息;

S52、从步骤S51得到的目标数据中筛选出识别结果为人类目标的包围框,采用人体姿态估计算法分析包围框覆盖区域,提取目标的关节点位置数据,并基于此计算步骤S33中筛选出的有效人体姿态特征数据;

S53、采用步骤S4训练得到的人体姿态分类模型分析每个人类目标的有效人体姿态特征数据,得到视频中各人类目标的姿态信息。