[发明专利]一种用于公安日常训练的人体姿态评估方法及系统

说明书

本发明提出一种用于公安日常训练的人体姿态评估方法，包括：S1.实时采集人体动作姿态图片；S2.标注关键点，得到训练样本；S3.生成关键点坐标信息、关键点连接信息的文档；S4.单阶段人体姿态估计网络模型计算并提取关键点坐标信息、关键点连接信息；S5.信息对比，得到对比误差；S6.将对比误差反向传播，反复训练单阶段人体姿态估计网络模型，更新模型参数；S7.判断模型是否训练完成，若是，输出单阶段人体姿态估计网络模型提取的关键点连接信息，执行S8，否则，返回S4；S8.判断是否符合标准，若是，人体姿态动作合格，否则，人体姿态动作不合格。本发明还提出一种用于公安日常训练的人体姿态评估系统，召回率实时性高且复杂度低。

技术领域

本发明涉及人体姿态识别的技术领域，更具体地，涉及一种用于公安日常训练的人体姿态评估方法及系统。

背景技术

公安在日常训练中的打拳、射击等各种姿态动作是否标准关系到公安动作训练的效果，而利用专门的工作人员直接监督公安训练，具有浪费人力成本，且训练效率低的弊端，人体姿态评估技术在人体行为识别、人机交互等领域有着广阔的应用前景，是计算机视觉领域中比较热门的研究课题。

现有的人体姿态评估方法如OpenCV中的人体骨骼图绘制法，在运用过程中具有准确率低，实时性差的缺点，且在多人的骨骼绘制图中容易出现连接出错的问题，因此，在人体姿态评估运用中效果表现不佳；利用深度学习实现人体姿态评估的方法则在很大程度上克服了这些问题，如公开号为CN110084138A、公开日为2019年8月2日的中国专利申请中提出了一种2D多人姿态评估方法，通过多阶段的全卷积神经网络进行顺序化学习训练，不断提高人体姿态评估模型预测输出人体姿态的准确度，也不需要过精准的图像采集设备，算法速度快，实时性高，但全卷积神经网络模型采用多阶段且层次多，复杂度高。

综上所述，提出一种召回率高、实时性高且复杂度低的人体姿态评估方法十分有必要。

发明内容

为克服在现有利用深度学习实现人体姿态评估的方法中，采用的多阶段全卷积神经网络模型具有层次多、复杂度高的缺陷，本发明提出一种用于公安日常训练的人体姿态评估方法及系统，提高了人体姿态评估的召回率和实时性，且复杂度低。

本发明旨在至少在一定程度上解决上述技术问题。

为了达到上述技术效果，本发明的技术方案如下：

一种用于公安日常训练的人体姿态评估方法，包括：

S1.实时采集人体动作姿态图片；

S2.对人体动作姿态图片中的关键点进行标注，得到训练样本；

S3.生成包含关键点坐标信息、关键点连接信息的文档；

S4.将训练样本输入到单阶段人体姿态估计网络模型中，单阶段人体姿态估计网络模型计算并提取关键点坐标信息、关键点连接信息；

S5.将单阶段人体姿态估计网络模型提取的信息与文档中的关键点坐标信息进行对比，得到对比误差；

S6.将对比误差反向传播到单阶段人体姿态估计网络模型中，反复训练单阶段人体姿态估计网络模型，更新单阶段人体姿态估计网络模型参数；

S7.判断单阶段人体姿态估计网络模型是否训练完成，若是，输出单阶段人体姿态估计网络模型提取的关键点连接信息，并执行步骤S8，否则，返回步骤S4；

S8.判断提取的关键点连接信息是否符合标准，若是，人体姿态动作合格，否则，人体姿态动作不合格。

在此，实时采集的人体工作姿态图片是通过动作图片采集器完成的，对人体动作姿态图片中的关键点进行标注可以采用专门的标注工具进行，标注工具对人体动作姿态图片中的关键点进行标注后生成包含关键点坐标信息、关键点连接信息的文档。