[发明专利]姿态识别方法、装置、电子设备及存储介质

说明书

本申请实施例公开了一种姿态识别方法、装置、电子设备以及存储介质。所述方法包括：获取待识别图像；对所述待识别图像进行处理，得到所述待识别图像对应的人体骨架关键点数据；基于所述人体骨架关键点数据，获取对应的人体姿态特征，所述人体姿态特征包括第一人体姿态特征，所述第一人体姿态特征包括多个指定部位相对于地平面的偏移角；基于所述第一人体姿态特征，确定所述待识别图像对应的人体姿态。通过上述方法，根据人体骨架关键点数据来确定人体多个指定部位相对于地平面的偏移角，由于多个指定部位相对于地平面的偏移角可以更好的反映人体姿态，进而根据多个指定部位相对于地平面的偏移角来确定人体姿态，可以提高人体姿态识别的精确度。

技术领域

本申请涉及姿态识别领域，更具体地，涉及一种姿态识别方法、装置、电子设备以及存储介质。

背景技术

人体姿态识别和深度学习是智能视频分析领域的研究热点，近年来得到了学术界及工程界的广泛重视，是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础。相关的姿态识别方法，识别人体姿态的精确度还有待提高。

发明内容

鉴于上述问题，本申请实施例提出了一种姿态识别方法、装置、电子设备以及存储介质，以改善上述问题。

第一方面，本申请实施例提供了一种姿态识别方法，所述方法包括：获取待识别图像；对所述待识别图像进行处理，得到所述待识别图像对应的人体骨架关键点数据；基于所述人体骨架关键点数据，获取对应的人体姿态特征，所述人体姿态特征包括第一人体姿态特征，所述第一人体姿态特征包括多个指定部位相对于地平面的偏移角；基于所述第一人体姿态特征，确定所述待识别图像对应的人体姿态。

可选的，所述人体骨架关键点数据包括人体各关键点的坐标，所述基于所述人体骨架关键点数据，获取对应的人体姿态特征，包括：从所述人体骨架关键点数据中选取表征多个指定部位的多组关键点以及每组关键点所包括的关键点的坐标，其中，所述多个指定部位包括躯干、右大腿、右小腿、左大腿、左小腿以及臀部中的至少两个部位，每组关键点包括至少两个关键点；基于所述多组关键点以及每组关键点所包括的关键点的坐标，生成每组关键点对应的向量坐标，以得到多个向量坐标；根据指定向量坐标和所述多个向量坐标，计算所述多组关键点各自表征的指定部位的偏移角，并将所述多组关键点各自表征的指定部位的偏移角作为所述第一人体姿态特征，其中，所述指定向量坐标为与地平面平行的向量的坐标。通过上述方法，可以准确获取到指定部位的向量坐标。

可选的，所述人体姿态特征还包括第二人体姿态特征，所述基于所述人体骨架关键点数据，获取对应的人体姿态特征还包括：从所述人体骨架关键点数据中获取最大横坐标值和最小横坐标值，以及最大纵坐标值和最小纵坐标值；基于所述最大横坐标值和最小横坐标值，以及最大纵坐标值和最小纵坐标值，计算得到人体外接矩形宽高比，将所述人体外接矩形宽高比作为所述第二人体姿态特征。通过上述方法，可以准确获取到人体外接矩形宽高比。

可选的，所述基于所述第一人体姿态特征，确定所述待识别图像对应的人体姿态，包括：将所述第一人体姿态特征和所述第二人体姿态特征输入到随机森林模型中，获取所述随机森林输出的与所述待识别图像对应的人体姿态。通过上述方法，可以准确预测人体姿态。

其中，所述将所述第一人体姿态特征和所述第二人体姿态特征输入到已训练的随机森林模型中，获取所述已训练的随机森林模型输出的与所述待识别图像对应的人体姿态之前还包括：获取训练数据集和测试数据集，其中，所述训练数据集和所述测试数据集中包括多张人体图像以及每一张人体图像对应的人体姿态特征和对应的标签；基于所述训练数据集和所述测试数据集对随机森林模型进行迭代训练；调整所述随机森林模型的参数，得到调整参数后的随机森林模型，将所述调整参数后的随机森林模型作为所述已训练的随机森林模型。

可选的，所述调整所述随机森林模型的参数，包括：通过随机搜索方法，确定所述随机森林模型的各参数对应的范围；通过网格搜索方法，从所述各参数对应的范围中确定各参数的值。