[发明专利]一种基于深度学习的姿态追踪方法及系统

权利要求书

1.一种基于深度学习的姿态追踪方法，其特征在于，包括：

通过摄像头采集目标场景的视频数据；

将所述视频数据输入Yolo模型，检测目标对象；

构建所述目标对象的边界框，确定当前时刻的位置信息；

针对所述目标对象，采用目标追踪模型获取目标追踪结果；其中，深度学习算法和联合概率数据关联算法构成所述目标追踪模型；

基于所述目标追踪结果，采用人体姿态估计算法获取骨骼信息；

根据所述目标对象的身体倾斜角度和头部位置与所述目标场景的相对位置关系，确定当前时刻的身体姿态；

联合所述身体姿态、面部表情以及手部动作，构建当前时刻的姿态估计结果；通过如下公式计算当前时刻的姿态估计结果：

ZT＝BO+αFA+βHA

其中，α和β是权重参数，BO代表身体姿态的值，FA代表面部表情的值，HA代表手部动作的值；

当ZT≥1时，所述目标对象当前时刻处于活动姿态；当ZT＜1时，所述目标对象当前时刻处于休息姿态；

若所述目标对象处于休息区域，且处于休息姿态，则所述目标对象处于正常状态；

若所述目标对象处于活动区域，且处于活动姿态，则所述目标对象处于正常状态；

若所述目标对象处于活动区域，且处于休息姿态，则所述目标对象处于异常状态；

若所述目标对象处于休息区域，且处于活动姿态，则所述目标对象处于异常状态。

2.根据权利要求1所述的方法，其特征在于，所述Yolo模型具体是Yolov5模型。

3.根据权利要求1所述的方法，其特征在于，所述位置信息包括休息区域和活动区域。

4.根据权利要求1所述的方法，其特征在于，所述针对所述目标对象，采用目标追踪模型获取目标追踪结果，包括：

通过卡尔曼滤波算法检测上一时刻的目标对象，获得上一时刻的目标追踪结果；

通过匈牙利算法检测当前时刻的目标对象，获得当前时刻的目标追踪结果；

通过联合概率数据关联算法将上一时刻和当前时刻的目标追踪结果进行关联，获得精确的目标追踪结果。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标追踪结果，采用人体姿态估计算法获取骨骼信息，包括：

通过卷积神经网络提取图像特征；

将所述图像特征作为输入，采用OpenPose算法识别所述目标对象的每个关键点；

采用置信度图，对每个关键点构建二分图；

将PAF相关值作为边权，利用匈牙利算法得到关键点联接结果；

根据所述关键点联接结果，识别出所述目标对象的骨骼信息。

6.根据权利要求3所述的方法，其特征在于，所述采用人体姿态估计算法获取骨骼信息之后，还包括步骤：

基于所述骨骼信息，以所述目标场景为基准，确定所述目标对象的身体倾斜角度、头部位置、面部表情以及手部动作。

7.根据权利要求6所述的方法，其特征在于，所述姿态估计结果包括休息姿态和活动姿态。

8.一种基于深度学习的姿态追踪系统，其特征在于，包括：

数据采集模块，用于通过摄像头采集目标场景的视频数据；

目标检测模块，用于将所述视频数据输入Yolo模型，检测目标对象；

位置确定模块，用于构建所述目标对象的边界框，确定当前时刻的位置信息；

目标追踪模块，用于针对所述目标对象，采用目标追踪模型获取目标追踪结果；其中，深度学习算法和联合概率数据关联算法构成所述目标追踪模型；

骨骼信息获取模块，用于基于所述目标追踪结果，采用人体姿态估计算法获取骨骼信息；

姿态估计模块，用于对所述骨骼信息进行姿态估计，获得当前时刻的姿态估计结果；

所述姿态估计模块进一步用于：

根据所述目标对象的身体倾斜角度和头部位置与所述目标场景的相对位置关系，确定当前时刻的身体姿态；

联合所述身体姿态、面部表情以及手部动作，构建当前时刻的姿态估计结果；通过如下公式计算当前时刻的姿态估计结果：

ZT＝BO+αFA+βHA

其中，α和β是权重参数，BO代表身体姿态的值，FA代表面部表情的值，HA代表手部动作的值；

当ZT≥1时，所述目标对象当前时刻处于活动姿态；当ZT＜1时，所述目标对象当前时刻处于休息姿态；

状态确定模块，用于判断所述目标对象当前时刻的位置信息与姿态估计结果是否一致；若一致，则所述目标对象处于正常状态；若不一致，则所述目标对象处于异常状态；

所述状态确定模块进一步用于：若所述目标对象处于休息区域，且处于休息姿态，则所述目标对象处于正常状态；

若所述目标对象处于活动区域，且处于活动姿态，则所述目标对象处于正常状态；

若所述目标对象处于活动区域，且处于休息姿态，则所述目标对象处于异常状态；

若所述目标对象处于休息区域，且处于活动姿态，则所述目标对象处于异常状态。