本技术涉及图像处理领域,尤其涉及一种坐姿识别的方法、装置、智能台灯及计算机存储介质。
背景技术:
1、不同的坐姿能够表达用户的不同状态,通过坐姿识别技术能够识别出人们的坐姿种类和坐姿状态,并反馈给用户,实现坐姿干预。
2、现有技术中,坐姿识别的方法有很多,以前主要是通过传感器来实现,通过传感器实现的方法具有准确度高的优点,但安装传感器过程麻烦,成本高,容易让用户感到不适;随着科技的发展,近些年主要通过机器学习的方法来实现,但使用机器学习的方法检测的准确性与训练集的优质程度相关,如果出现一些样本中没有涉及的情况就可能会出现误判,并且机器学习要实现精度高,就可能要更多的卷积层,意味着更高的算力消耗,运算时间可能会更长,实时性低。
3、还有一些不通过机器学习的方案,需要用户使用前要预先设定一个标准坐姿,用户使用起来及其不方便。而对于不通过机器学习也不预设标准坐姿的方案,提取特征比较困难,容易造成误判,即现有的坐姿识别方法中存在算力消耗高、使用麻烦以及误判概率高的问题。
技术实现思路
1、本技术提供了一种坐姿识别的方法、装置、智能台灯及计算机存储介质,用于通过对深度图像中人体的脖子进行检测从而实现坐姿识别,提高坐姿识别的准确率。
2、本技术第一方面提供了一种坐姿识别的方法,包括:
3、获取人体坐姿的深度图像;
4、以所述深度图像的质心为种子点进行区域生长,得到目标图像;
5、在所述目标图像中检测人体的脖子位置;
6、确定所述脖子位置和所述质心的深度差,并确定所述质心的点云坐标;
7、根据所述深度差和所述点云坐标进行坐姿识别。
8、可选的,所述在所述目标图像中检测人体的脖子位置包括:
9、通过卷积模板对所述目标图像进行卷积处理,所述卷积模板包括左模板和右模板;
10、根据所述卷积处理的结果在所述目标图像中确定人体的左肩点和右肩点;
11、将所述左肩点和右肩点的中点确定为人体的脖子位置。
12、可选的,在所述通过卷积模板对所述目标图像中进行卷积处理之后,所述根据所述卷积处理的结果在所述目标图像中确定人体的左肩点和右肩点之前,所述方法还包括:
13、对所述卷积处理的结果进行高斯滤波和/或均值滤波。
14、可选的,所述通过卷积模板对所述目标图像进行卷积处理包括:
15、分别通过若干种不同大小的卷积模板对所述目标图像进行卷积处理,每一个所述卷积模板对应得到一对左侧点和右侧点;
16、所述根据所述卷积处理的结果在所述目标图像中确定人体的左肩点和右肩点包括:
17、将得到的若干对左侧点和右侧点中距离最近的左侧点和右侧点确定为人体的左肩点和右肩点。
18、可选的,在所述通过卷积模板对所述目标图像中进行卷积处理之前,所述方法还包括:
19、对所述目标图像进行膨胀再侵蚀的处理。
20、可选的,在所述根据所述深度差和所述点云坐标进行坐姿识别之前,所述方法还包括:
21、判断所述左肩点和所述右肩点的位置是否发生错位;
22、所述根据所述深度差和所述点云坐标进行坐姿识别包括:
23、若否,则根据所述深度差和所述点云坐标进行坐姿识别。
24、可选的,在所述根据所述深度差和所述点云坐标进行坐姿识别之前,所述方法还包括:
25、判断所述脖子位置的深度是否为0;
26、所述根据所述深度差和所述点云坐标进行坐姿识别包括:
27、若否,则根据所述深度差和所述点云坐标进行坐姿识别。
28、可选的,在所述根据所述深度差和所述点云坐标进行坐姿识别之后,所述方法还包括:
29、若用户已完成坐姿初始化,则根据所述坐姿识别的结果提示用户调整坐姿。
30、若用户未进行坐姿初始化,则根据所述坐姿识别的结果提示用户调整镜头以进行坐姿初始化,当所述坐姿识别的结果为端正坐姿时,提示用户坐姿初始化完毕。
31、可选的,所述确定所述质心的点云坐标包括:
32、根据深度相机的光轴在所述目标图像中的位置、所述深度相机的镜头焦距以及所述质心在所述目标图像中的坐标确定所述质心的点云坐标。
33、可选的,在所述确定所述质心的点云坐标之前,所述方法还包括:
34、重新计算所述目标图像的质心。
35、本技术第二方面提供了一种坐姿识别的装置,包括:
36、获取单元,用于获取人体坐姿的深度图像;
37、生长单元,用于以所述深度图像的质心为种子点进行区域生长,得到目标图像;
38、检测单元,用于在所述目标图像中检测人体的脖子位置;
39、确定单元,用于确定所述脖子位置和所述质心的深度差,并确定所述质心的点云坐标;
40、识别单元,用于根据所述深度差和所述点云坐标进行坐姿识别。
41、可选的,所述检测单元包括:
42、卷积模块,用于通过卷积模板对所述目标图像进行卷积处理,所述卷积模板包括左模板和右模板;
43、第一确定模块,用于根据所述卷积处理的结果在所述目标图像中确定人体的左肩点和右肩点;
44、第二确定模块,用于将所述左肩点和右肩点的中点确定为人体的脖子位置。
45、可选的,所述卷积模块还用于:
46、对所述卷积处理的结果进行高斯滤波和/或均值滤波;
47、可选的,所述卷积模块具体用于:
48、分别通过若干种不同大小的卷积模板对所述目标图像进行卷积处理,每一个所述卷积模板对应得到一对左侧点和右侧点;
49、所述第一确定模块具体用于:
50、将得到的若干对左侧点和右侧点中距离最近的左侧点和右侧点确定为人体的左肩点和右肩点。
51、可选的,所述卷积模块还用于:
52、对所述目标图像进行膨胀再侵蚀的处理。
53、可选的,所述装置还包括:
54、第一判断单元,用于判断所述左肩点和所述右肩点的位置是否发生错位;
55、所述识别单元具体用于当所述第一判断单元的判断结果为否时,根据所述深度差和所述点云坐标进行坐姿识别。
56、可选的,所述装置还包括:
57、第二判断单元,用于判断所述脖子位置的深度是否为0;
58、所述所述识别单元具体用于当所述第二判断单元的判断结果为否时,根据所述深度差和所述点云坐标进行坐姿识别。
59、可选的,所述装置还包括:
60、提示单元,用于当用户已完成坐姿初始化时,根据所述坐姿识别的结果提示用户调整坐姿;
61、所述提示单元还用于当用户未进行坐姿初始化时,根据所述坐姿识别的结果提示用户调整镜头以进行坐姿初始化,当所述坐姿识别的结果为端正坐姿时,提示用户坐姿初始化完毕。
62、可选的,所述确定单元具体用于:
63、根据深度相机的光轴在所述目标图像中的位置、所述深度相机的镜头焦距以及所述质心在所述目标图像中的坐标确定所述质心的点云坐标。
64、可选的,所述确定单元还用于:
65、重新计算所述目标图像的质心。
66、本技术第三方面提供了一种智能台灯,所述智能台灯执行第一方面以及第一方面中任一项可选的坐姿识别的方法。
67、本技术第四方面提供了一种坐姿识别的装置,所述装置包括:
68、处理器、存储器、输入输出单元以及总线;
69、所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
70、所述存储器保存有程序,所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的坐姿识别的方法。
71、本技术第五方面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上保存有程序,所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的坐姿识别的方法。
72、从以上技术方案可以看出,本技术具有以下优点:
73、通过获取人体坐姿的深度图像,并以深度图像的质心为种子点进行区域生长得到目标图像,把人体和背景分离,再在目标图像中检测人体的脖子位置,通过脖子位置和质心的深度差反映人体的前后倾程度,并通过质心的点云坐标反映人体的左右倾程度,由此实现坐姿识别。通过本技术提供的方法进行坐姿识别准确率高且抗干扰能力强,能够排除用户头部偏移对识别结果的干扰,算力消耗低,实时性强。