[发明专利]一种作业姿态评估方法、装置、本地终端及可读存储介质

权利要求书

1.一种作业姿态评估方法，其特征在于，该方法包括：获取待识别图像；提取出所述待识别图像中的目标图像，所述目标图像为表征目标对象的像素信息的图像；根据所述目标图像确定目标对象的身份信息；调用所述身份信息对应的人体姿态检测模型，识别所述目标对象的作业姿态信息；根据评估模型对所述作业姿态信息进行评估，得到作业姿态评估结果；所述身份信息包括目标对象的作业类型，所述作业类型包括静态作业以及动态作业；所述人体姿态检测模型包括静态姿态检测模型以及动态姿态检测模型； 调用所述身份信息对应的人体姿态检测模型，识别所述目标对象的作业姿态信息包括： 当所述目标对象的作业类型为静态作业时，将所述目标图像输入至所述静态姿态检测模型中，得到所述目标对象的作业姿态信息；当所述目标对象的作业类型为动态作业时， 获取所述目标对象的目标视频，将所述目标视频输入至所述动态姿态检测模型，得到所述目标对象的作业姿态信息。

2.如权利要求1所述的作业姿态评估方法，其特征在于，提取出所述待识别图像中的目标图像，包括：根据图像分割算法提取出所述待识别图像中的候选区域；根据相似度算法将所述候选区域与所述候选区域的相邻候选区域进行聚合，直至得到目标候选区域，将所述目标候选区域在所述待识别图像中的目标图像作为所述目标对象对应的图像。

3.如权利要求2所述的作业姿态评估方法，其特征在于，根据所述目标图像确定目标对象的身份信息，包括：利用HOG特征描述算法确定所述目标图像中的人脸候选区域；提取所述人脸候选区域中的特征点；对所述特征点进行编码处理，得到特征向量值；将所示特征向量值输入至预设的人脸匹配库中，得到所述目标对象的身份信息。

4.如权利要求1所述的作业姿态评估方法，其特征在于，所述静态姿态检测模型包括第一卷积网络结构、第二卷积网络结构以及第三卷积网络结构；当所述目标对象的作业类型为静态作业时，将所述目标图像输入至所述静态姿态检测模型中，得到所述目标对象的作业姿态信息：当所述目标对象的作业类型为静态作业；识别所述目标图像的特征图；调用所述第一卷积网络结构对所述特征图进行高分辨率的第一卷积运算；调用所述第二卷积网络结构对所述特征图进行中分辨率的第二卷积运算；调用所述第三卷积网络结构对所述特征图进行低分辨率的第三卷积运算；将所述第一卷积运算后的特征图、所述第二卷积运算后的特征图、所述第三卷积运算后的特征图进行融合，得到作业姿态信息。

5.如权利要求1所述的作业姿态评估方法，其特征在于，所述动态姿态检测模型包括目标检测网络、局部特征提取网络、全局特征提取网络、姿态分类网络；当所述目标对象的作业类型为动态作业时,获取所述目标对象的目标视频，将所述目标视频输入至所述动态姿态检测模型，得到所述目标对象的作业姿态信息，包括：确定目标对象的作业类型为动态作业；获取目标对象的目标视频；对所述目标视频进行预处理，得到第一目标序列帧；基于目标检测网络分割所述第一目标序列帧，得到的第二目标序列帧；将所述第二目标序列帧输入至局部特征提取网络，得到局部动态特征；将所述第一目标序列帧输入至全局特征提取网络，得到全局动态特征；根据所述姿态分类网络对所述局部动态特征和所述全局动态特征进行融合，并对融合后的所述局部动态特征和所述全局动态特征进行分类，得到所述目标对象的作业姿态信息。

6.如权利要求1所述的作业姿态评估方法，所述作业姿态信息包括不标准姿态类型以及所述不标准姿态类型对应的出现次数；根据评估模型对所述作业姿态信息进行评估，得到作业姿态评估结果，包括：根据下列公式得到目标对象的作业姿态评估结果：Score = F(s，n，m)，其中，Score表示作业姿态评估得分，F表示逻辑回归函数，s表示评估周期，n表示不标准姿态类型，m表示不标准姿态类型对应的出现次数。