一种坐姿实时智能判别方法、系统、设备及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种坐姿实时智能判别方法、系统、设备及存储介质。

背景技术：

目前，家长们都非常关心自己的小孩在小学阶段过程中的学习坐姿情况，担心影响孩子的健康成长，对孩子的坐姿要求非常严格。现有技术中对坐姿的识别通常的方法是采用图片处理方法，具体包括对图片中的脸部及肩部的像素点几何计算出中心位置，然后计算出脸部及头肩曲线上的每个像素点相对于中心位置的角度，将计算得到的角度值与预设标准角度值相减，得到的差值如果大于阈值，则认为坐姿异常。通过脸部及肩部的像素集合计算出中心位置，然后再计算出偏差角，这种方种得到的脸部偏差角准确性不高。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种坐姿实时智能判别方法、系统、设备及存储介质，坐姿判别准确性高，且可判别多种异常坐姿。

本发明所采用的技术方案是：

第一方面，本发明提供一种坐姿实时智能判别方法，其包括：

实时采集用户当前坐姿图像，识别用户人体特征关键点数据，若无法识别用户人体特征关键点数据，则认为坐姿异常；

所述人体特征关键点数据包括眼坐标、嘴坐标、脖坐标、肩坐标；

若识别到用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据；

所述当前坐姿数据包括当前头部倾斜角度、当前肩部倾斜角度、当前脖子与脸部之间高度差值、当前肩与脸部之间高度差值；

将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常。

作为上述方案的进一步改进，所述若识别到用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据具体包括：

根据嘴坐标和脖坐标，计算用户当前头部倾斜角度；

根据肩坐标，计算用户当前肩部倾斜角度，所述肩坐标包括左肩坐标和右肩坐标；

根据眼坐标、嘴坐标和脖坐标，计算用户当前脖子与脸部之间高度差值；

根据眼坐标、嘴坐标、肩坐标，计算用户当前肩与脸部之间高度差值。

作为上述方案的进一步改进，所述将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常具体包括：

将用户当前头部倾斜角度与标准头部倾斜角度阈值进行比较，判断头部倾斜是否异常；

将用户当前肩部倾斜角度与标准肩部倾斜角度阈值进行比较，判断肩部倾斜是否异常；

计算用户当前脖子与脸部之间高度差值和标准脖子与脸部之间高度差值之比，作为第一比值，将第一比值与标准用眼过近差值比阈值进行比较，判断用户是否用眼过近；

计算用户当前肩与脸部之间高度差值和标准肩与脸部之间高度差值之比，作为第二比值，将第二比值与标准趴桌差值比阈值进行比较，判断用户是否趴桌。

作为上述方案的进一步改进，在所述实时采集用户当前坐姿图像，识别用户人体特征关键点数据步骤之前还包括：

输入标准坐姿图像，通过机器学习的监督学习分类算法进行大数据训练，获取标准坐姿数据，所述标准坐姿数据包括标准头部倾斜角度阈值、标准肩部倾斜角度阈值、标准用眼过近差值比阈值、标准趴桌差值比阈值。

作为上述方案的进一步改进，所述方法还包括：当判断当前坐姿异常时，实时发出提醒信息。

第二方面，本发明提供一种坐姿实时智能判别系统，所述系统包括：

采集识别模块，用于实时采集用户当前坐姿图像，识别用户人体特征关键点数据，若无法识别用户人体特征关键点数据，则认为坐姿异常；

所述人体特征关键点数据包括眼坐标、嘴坐标、脖坐标、肩坐标；

计算模块，用于若识别到用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据；

所述当前坐姿数据包括当前头部倾斜角度、当前肩部倾斜角度、当前脖子与脸部之间高度差值、当前肩与脸部之间高度差值；

比较判断模块，用于将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常。

作为上述方案的进一步改进，所述系统还包括：

学习获取模块，用于输入标准坐姿图像，通过机器学习的监督学习分类算法进行大数据训练，获取标准坐姿数据，所述标准坐姿数据包括标准头部倾斜角度阈值、标准肩部倾斜角度阈值、标准用眼过近差值比阈值、标准趴桌差值比阈值。

作为上述方案的进一步改进，所述系统还包括：

提醒模块，用于当判断当前坐姿异常时，实时发出提醒信息。

第三方面，本发明提供一种坐姿实时智能判别设备，包括：

至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的坐姿实时智能判别方法。

第四方面，本发明提供一种计算机可读存储介质，述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的坐姿实时智能判别方法。

本发明的有益效果是：

本发明一种坐姿实时智能判别方法、系统、设备及存储介质，通过实时采集用户当前坐姿图像，识别用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据，将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常，克服现有技术中存在只脸部偏差角造成坐姿判断准确性不高技术问题，实现了坐姿判别准确性高，适用于判别多种异常坐姿的场景。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明实施例一的坐姿实时智能判别方法流程示意图；

图2是人体特征关键点分布示意图；

图3是本发明实施例二的坐姿实时智能判别系统模块示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例一

图1是本发明实施例一的坐姿实时智能判别方法流程示意图，图2是人体特征关键点分布示意图，结合图1和图2，一种坐姿实时智能判别方法，包括步骤s1至步骤s3。

s1，实时采集用户当前坐姿图像，识别用户人体特征关键点数据，若无法识别用户人体特征关键点数据，则认为坐姿异常；

人体特征关键点数据包括眼坐标、嘴坐标、脖坐标、肩坐标等；

s2，若识别到用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据；

当前坐姿数据包括当前头部倾斜角度、当前肩部倾斜角度、当前脖子与脸部之间高度差值、当前肩与脸部之间高度差值；

s3，将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常。

本实施例中，在步骤s1之前还包括步骤：

s0，输入标准坐姿图像，通过机器学习的监督学习分类算法进行大数据训练，获取标准坐姿数据。其中，标准坐姿数据包括标准头部倾斜角度阈值a、标准肩部倾斜角度阈值b、标准用眼过近差值比阈值c、标准趴桌差值比阈值d。

本实施例中，步骤s1具体包括：实时采集用户坐姿图像，识别用户人体特征关键点数据p＝(x0,y0)&(x1,y1)&(x2,y2)&…&(x23,y23)&(x24,y24)。其中，眼坐标包括左眼坐标(x15,y15)、右眼坐标(x16,y16)，嘴坐标为(x0,y0)，脖坐标为(x1,y1)，肩坐标包括左肩坐标(x2,y2)、右肩坐标(x5,y5)。

本实施例中，步骤s2具体包括：

s21，根据嘴坐标(x0,y0)和脖坐标(x1,y1)，计算用户当前头部倾斜角度，当前头部倾斜角度包括用户当前头部左倾角度e1、用户当前头部右倾角度e2，根据欧拉角度(姿态角度)原理，结合坐姿特性，头部左倾角度e1和头部右倾角度e2计算如下：

s22，根据肩坐标，计算用户当前肩部倾斜角度，肩坐标包括左肩坐标(x2,y2)、右肩坐标(x5,y5)，当前肩部倾斜角度包括用户当前肩部左倾角度f1、用户当前肩部右倾角度f2，根据欧拉角度(姿态角度)原理，结合坐姿特性，肩部左倾角度f1和肩部右倾角度f2计算如下：

s23，根据眼坐标(包括左眼坐标(x15,y15)、右眼坐标(x16,y16))、嘴坐标(x0,y0)和脖坐标(x1,y1)，计算用户当前脖子与脸部之间高度差值，包括计算当前脖子与左眼的高度差值(y1-y15)、当前脖子与右眼的高度差值(y1-y16)及当前脖子与嘴的高度差值(y1-y0)。

s24，根据眼坐标(包括左眼坐标(x15,y15)、右眼坐标(x16,y16))、嘴坐标(x0,y0)和肩坐标(包括左肩坐标(x2,y2)、右肩坐标(x5,y5))，计算用户当前肩与脸部之间高度差值，包括计算当前左肩与左眼的高度差值(y2-y15)、当前右肩与右眼的高度差值(y5-y16)、当前左肩与嘴的高度差值(y2-y0)及当前右肩与嘴的高度差值(y5-y0)。

本实施例中，步骤s3具体包括：

s31，将用户当前头部倾斜角度与标准头部角度阈值进行比较，判断头部倾斜是否异常；

s32，将用户当前肩部倾斜角度与标准肩部倾斜角度阈值进行比较，判断肩部倾斜是否异常；

s33，计算用户当前脖子与脸部之间高度差值和标准脖子与脸部之间高度差值之比，作为第一比值，将第一比值与标准用眼过近差值比阈值进行比较，判断用户是否用眼过近；

s34，计算用户当前肩与脸部之间高度差值和标准肩与脸部之间高度差值之比，作为第二比值，将第二比值与标准趴桌差值比阈值进行比较，判断用户是否趴桌。

在具体实施例中，步骤s31为：

将计算得出的用户当前头部左倾角度e1和用户当前头部右倾角度e2分别与标准头部倾斜角度阈值a进行比较，若e1<a且e2<a，则头部倾斜无异常，否则头部倾斜异常。

在具体实施例中，步骤s32为：

将计算得出的用户当前肩部左倾角度f1和用户当前肩部右倾角度f2分别与标准肩部倾斜角度阈值b进行比较，若f1<b且f2<b，则肩部倾斜无异常，否则肩部倾斜异常。

在具体实施例中，步骤s33为：

计算用户当前脖子与脸部之间高度差值和标准脖子与脸部之间高度差值之比，作为第一比值g，当前脖子与脸部之间高度差值包括当前脖子与左眼的高度差值(y1-y15)、当前脖子与右眼的高度差值(y1-y16)及当前脖子与嘴的高度差值(y1-y0)，标准脖子与脸部之间高度差值包括标准脖子与左眼的高度差值(y1’-y15’)、标准脖子与右眼的高度差值(y1’-y16’)及标准脖子与嘴的高度差值(y1’-y0’)，则第一比值g计算如下：

将第一比值g与标准用眼过近差值比阈值c进行比较，若g<c，则用户用眼正常，否则用户用眼过近。

在具体实施例中，步骤s34为：

计算用户当前肩与脸部之间高度差值与标准肩与脸部之间高度差值之比，作为第二比值h，当前肩与脸部之间高度差值包括当前左肩与左眼的高度差值(y2-y15)、当前右肩与右眼的高度差值(y5-y16)、当前左肩与嘴的高度差值(y2-y0)及当前右肩与嘴的高度差值(y5-y0)，标准肩与脸部之间高度差值包括标准左肩与左眼的高度差值(y2’-y15’)、标准右肩与右眼的高度差值(y5’-y16’)、标准左肩与嘴的高度差值(y2’-y0’)及标准右肩与嘴的高度差值(y5’y0’)，则第二比值h计算如下：

将第二比值h与标准趴桌差值比阈值d进行比较，若h<d，则用户未趴桌，否则，则用户趴桌。

本实施例中，该判别方法还包括步骤：

s4，当判断当前坐姿异常时，实时发出提醒信息，通过智能音箱播报提醒语音或者通过手机app实时播报提醒信息。

本发明提供的坐姿实时智能判别方法，通过实时采集用户当前坐姿图像，识别用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据，将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常，克服现有技术中存在只脸部偏差角造成坐姿判断准确性不高技术问题，实现了坐姿判别准确性高，适用于判别多种异常坐姿的场景。

实施例二

图3是本发明实施例二的坐姿实时智能判别系统模块示意图，参照图3，一种坐姿实时智能判别系统，包括：

采集识别模块，用于实时采集用户当前坐姿图像，识别用户人体特征关键点数据，若无法识别用户人体特征关键点数据，则认为坐姿异常；

其中，人体特征关键点数据包括眼坐标、嘴坐标、脖坐标、肩坐标等；

计算模块，用于若识别到用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据；

当前坐姿数据包括当前头部倾斜角度、当前肩部倾斜角度、当前脖子与脸部之间高度差值、当前肩与脸部之间高度差值；

比较判断模块，用于将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常。

本实施例中，该判别系统还包括：

学习获取模块，用于输入标准坐姿图像，通过机器学习的监督学习分类算法进行大数据训练，获取标准坐姿数据；其中，标准坐姿数据包括标准头部倾斜角度阈值、标准肩部倾斜角度阈值、标准用眼过近差值比阈值、标准趴桌差值比阈值。

本实施例中，该判别系统还包括：

提醒模块，用于当判断当前坐姿异常时，实时发出提醒信息。

本发明实施例二提供的坐姿实时智能判别系统用于执行上述实施例一的坐姿实时智能判别方法，其工作原理和有益效果一一对应，因而不在赘述。

实施例三

本发明还提供了一种坐姿实时智能判别设备，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一的坐姿实时智能判别方法。

实施例四

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上述实施例一的坐姿实时智能判别方法。

本发明一种坐姿实时智能判别方法、系统、设备及存储介质，通过实时采集用户当前坐姿图像，识别用户人体特征关键点数据，根据人体特征关键点数据计算当前坐姿数据，将当前坐姿数据与标准坐姿数据进行比较，判断当前坐姿是否异常，克服现有技术中存在只脸部偏差角造成坐姿判断准确性不高技术问题，实现了坐姿判别准确性高，适用于判别多种异常坐姿的场景。

本发明适用于实时智能判别儿童坐姿，解决了家长对孩子在学习过程中的坐姿标准化及健康成长的问题。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。