[发明专利]一种人体坐姿实时监测系统以及监测方法

权利要求书

1.一种人体坐姿实时监测方法，包括：

步骤一、使用视频采集模块实时采集人体坐姿图像；

步骤二、针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；

步骤三、将所生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送警示触发信号；以及

步骤四、在接收到发送的所述警示触发信号时，向用户发送警示信号以提醒用户改变坐姿。

2.根据权利要求1所述的人体坐姿实时监测方法，其特征在于，步骤二中的深度学习目标检测模型包括YoloV4神经网络以及YoloV5神经网络。

3.根据权利要求2所述的人体坐姿实时监测方法，其特征在于，所述步骤三中的所述姿态估计器基于AlphaPose模型，AlphaPose模型由SSTN网络以及Pose-NMS构成，SSTN网络由STN、SPPE和SDTN组成；其中STN为空间变换网络，其对于不准确的输入，得到准确的针对人的检测框；SPPE用于进行姿态估计从而得到估计的姿态；SDTN为空间逆变换网络，将估计的姿态映射回原始的图像坐标；Pose-NMS用于消除额外的估计到的姿态，去除冗余姿态。

4.根据权利要求2所述的人体坐姿实时监测方法，其特征在于，所述步骤三中的将所生成的骨架图与标准正常坐姿的骨架图相比较包括将所生成的骨架图输入完成训练的分类器，所述完成训练的分类器将所生成的骨架图与标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿、标准后仰坐姿的骨架图相比较，并在骨架图与其中一个标准坐姿骨架图的差异不超出预定偏差时，分别输出标准正常坐姿、标准侧弯坐姿、标准前倾低头坐姿、标准趴下坐姿以及标准后仰坐姿中的对应一个标准坐姿标识码作为当前坐姿标识码并进行相应记录，由判断单元在所述分类器输出标准正常坐姿标识码超过预定时间时，发送所述警示触发信号。

5.根据权利要求4所述的人体坐姿实时监测方法，其特征在于，所述完成训练的分类器为完成训练的Softmax分类器，将训练骨架图及其分类标识码输入Softmax分类器，通过反向传播BP算法训练Softmax分类器，并在验证集上进行调整和验证，得到完成训练的Softmax分类器；将所生成的骨架图输入完成训练的Softmax分类器，由所述完成训练的Softmax分类器输出当前坐姿分类标识码，得到对应用户的当前坐姿状态。

6.一种人体坐姿实时监测系统，包括：

视频采集模块，其用于实时采集人体坐姿图像；

坐姿生成模块，其用于针对所采集的人体坐姿图像，使用完成训练的深度学习目标检测模型识别输出针对人的检测框，使用姿态估计器对所述检测框中的人体图像的人体关键点进行定位从而生成骨架图；

坐姿判断模块，其用于将所述坐姿生成模块生成的骨架图与标准正常坐姿的骨架图相比较，并在两者的偏差大于预定偏差超过预定时间时，发送触发信号；以及

警示模块，其在接收到所述坐姿判断模块发送的触发信号时，向用户发送警示信号以提醒用户改变坐姿。

7.根据权利要求6所述的人体坐姿实时监测系统，其特征在于，所述深度学习目标检测模型包括YoloV4神经网络以及YoloV5神经网络。

8.根据权利要求6所述的人体坐姿实时监测系统，其特征在于，所述姿态估计器基于AlphaPose模型，AlphaPose模型由SSTN网络以及Pose-NMS构成，SSTN网络由STN、SPPE和SDTN组成；其中STN为空间变换网络，其对于不准确的输入，得到准确的针对人的检测框；SPPE用于进行姿态估计从而得到估计的姿态；SDTN为空间逆变换网络，将估计的姿态映射回原始的图像坐标；Pose-NMS用于消除额外的估计到的姿态，去除冗余姿态。