申请/专利权人：湘潭荣耀智能科技有限公司

申请日：2023-11-28

公开（公告）日：2024-03-05

公开（公告）号：CN117315792B

主分类号：G06V40/20

分类号：G06V40/20;G06V20/40;G06V10/44;G06V20/70;G06V10/30;G06V10/26;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.05#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明属于目标检测技术领域，本发明公开了一种基于卧姿人体测量的实时调控系统，包括采集卧姿人体图像视频；从卧姿人体图像视频中提取卧姿人体姿态定位图像；将卧姿人体姿态定位图像进行预处理得到待检测图像；训练基于深度学习的人体关键点检测模型，将待检测图像输入人体关键点检测模型，得到待检测图像中的人体关键点亚像素级坐标；在待检测图像中预设参考点，将人体关键点亚像素级坐标采用图像匹配方法获取人体关键点在世界坐标系下的坐标；计算出将人体关键点移动到目标位置点的距离变化量；根据距离变化量得到初步控制指令；训练强化学习模型；利用强化学习模型输出执强化控制指令；对执行机构进行控制。

主权项：1.一种基于卧姿人体测量的实时调控系统，其特征在于，包括：数据采集模块，用于采集卧姿人体图像视频；从卧姿人体图像视频中提取卧姿人体姿态定位图像；数据预处理模块，将卧姿人体姿态定位图像进行预处理，得到待检测图像；特征提取模块，用于训练基于深度学习的人体关键点检测模型，将待检测图像输入人体关键点检测模型，得到待检测图像中的人体关键点亚像素级坐标；初步控制指令生成模块，用于在待检测图像中预设参考点，将人体关键点亚像素级坐标采用图像匹配方法获取人体关键点在世界坐标系下的坐标；根据人体关键点在世界坐标系下的坐标计算出将人体关键点移动到目标位置点的距离变化量；根据距离变化量得到执行机构的初步控制指令；强化控制指令生成模块，用于训练强化学习模型；利用训练好的强化学习模型输出执行机构的强化控制指令；控制模块，根据初步控制指令和强化控制指令对执行机构进行控制；所述训练基于深度学习的人体关键点检测模型的方式包括：采集n组人体图像；将人体图像中的人体关键点进行手工或计算机标注其坐标；得到标注人体图像；人体关键点包括头部、肩部、肘部、手腕、髋部和膝部；人体关键点检测模型的框架采用的是神经网络；神经网络包括下采样子网络和上采样子网络；下采样子网络，用于图像特征提取和下采样，记作C；C包括5组串联的卷积层和池化层，即C1、C2、C3、C4和C5；每组包括1个卷积层和1个池化层；池化层的池化层核大小为2×2，用于进行2×2的下采样；上采样子网络，用于特征图上采样和关键点亚像素定位，包括上部分子网络和下部分子网络；上部分子网络，记作D，包括5组串联的反卷积层和上采样层，即DC1、DC2、DC3、DC4和DC5；每组包括1个反卷积层和1个上采样层；上采样层的上采样层核大小为2×2，用于进行2×2的上采样；下部分子网络，记作K，包括3组串联的反卷积层和上采样层，即KC1、KC2和KC3；每组包括1个反卷积层和1个上采样层；上采样层的上采样层核大小为3×3，用于进行3×3的上采样；神经网络输入的图像大小为224×224，经过下采样子网络C的5次2×2下采样，特征图大小变为7×7；特征图经过上部分子网络D的5次2×2上采样，恢复为224×224大小的关键点掩膜图像，记作DK图像；特征图同时经过下部分子网络K的3次3×3上采样，恢复为189×189大小的关键点掩膜图像，记作EK图像；将EK图像中关键点坐标根据尺寸比例转换为224×224尺寸下的坐标，根据尺寸比例转换的转换公式包括：；将DK图像关键点坐标和转换后的EK图像坐标进行集成，得到人体关键点亚像素级坐标集成公式包括：；将n组人体图像划分为n×j%的训练集和n×1-j%）的验证集；将人体关键点检测模型设置学习率Ir，并采用指数衰减调整学习率；作为初始人体关键点检测模型，并利用Adam优化器训练初始人体关键点检测模型，使用反向传播进行梯度下降；直至损失函数收敛；在验证集上评估模型的关键点检测精确率，选择精确率最高的初始人体关键点检测模型作为人体关键点检测模型。

全文数据：

权利要求：

百度查询： 湘潭荣耀智能科技有限公司 一种基于卧姿人体测量的实时调控系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD