[发明专利]基于姿态识别的智能座椅控制方法及装置

权利要求书

1.一种基于姿态识别的智能座椅控制方法，其特征在于包括如下步骤：

通过图像数据采集装置获取目标用户的图像数据；

通过姿态识别算法从所述图像数据中识别出所述目标用户，并输出所述智能座椅所需要的人体体态图；

基于所述人体体态图通过三维重建算法重建所述目标用户的人体三维姿态信息；

利用三维空间中的体态关键节点将所述目标用户与参考者进行骨骼配准；

将经骨骼配准的所述目标用户与所述参考者的所述人体三维姿态信息进行比较；以及

基于所述比较结果，对所述智能座椅适应性调整。

2.根据权利要求1所述的方法，其特征在于所述图像数据采集装置包括以下至少一种：平面摄像头、深度摄像头、红外摄像头或热成像仪，其中所述深度摄像头包括以下至少一种：时间飞行摄像头、结构光摄像头或双目摄像头。

3.根据权利要求1所述的方法，其特征在于所述输出所述智能座椅所需要的人体体态图进一步包括：

通过人体的关键节点，确定人体的姿态，其中所述关键节点包括以下至少一种：肢体关节点、面部关键点，并且所述关键节点的位置信息用坐标表示；

确定至少一个所述关键节点在所述图像数据中的位置坐标；

确定至少一个所述关键节点的类别信息，其中所述类别信息包括：感兴趣的身体特征信息，所述感兴趣的身体特征信息包括：针对不同应用的人体监测任务和人体生物力学模型分析所需要的人体部位关键特征点；

确定至少一个所述关键节点的状态信息，其中所述状态信息包括：可见、不可见、以及可推测或不可推测；以及

通过所述关键节点之间的位置关系和可信度，将所述关键节点链接成所述人体体态图。

4.根据权利要求3所述的方法，其特征在于所述姿态识别算法包括深度学习神经网络预测算法，其中深度学习神经网络需要进行训练，所述训练包括：

准备人体姿态图像集，其中所述人体姿态图像集中的人体姿态图像数据根据所述关键节点被标记；以及

利用所述人体姿态图像集对深度学习模型进行训练，通过误差反向传播更新所述深度学习神经网络的参数直至收敛，得到训练完备的所述深度学习神经网络。

5.根据权利要求1所述的方法，其特征在于基于所述人体体态图通过三维重建算法重建所述目标用户的人体三维姿态信息进一步包括：

获取所述图像数据采集装置的拍摄参数，根据所述拍摄参数建立三维空间坐标系，其中所述拍摄参数包括以下至少一种：摄像头的方位，角度和视角，焦距。

6.根据权利要求5所述的方法，其特征在于基于所述人体体态图通过三维重建算法重建所述目标用户的人体三维姿态信息进一步包括：

在单深度相机的情况下，通过将由所述深度相机获取的深度图像生成的所述人体体态图转换为三维点云图像，以重建所述目标用户的所述人体三维姿态信息；

在平面相机和深度相机组合的情况下，通过将由所述平面相机获取的平面图像生成的所述人体体态图与由所述深度相机获取的深度图像转换的三维点云图像进行处理，以重建所述目标用户的所述人体三维姿态信息；或者

在多视角图像数据采集装置组合的情况下，通过将图像数据采集装置在每个视角生成的所述人体体态图投射到所述三维空间坐标系中，以重建所述目标用户的所述人体三维姿态信息。

7.根据权利要求3所述的方法，其特征在于利用三维空间中的体态关键节点将所述目标用户与参考者进行骨骼配准进一步包括全局骨骼缩放和局部骨骼缩放，其中所述全局骨骼缩放是指针对整个人体的关键节点的坐标集进行配准，所述局部骨骼缩放是指针对人体的关键节点中的局部关键节点的坐标进行配准，包括：

计算所述目标用户与所述参考者的骨骼长度，其中所述骨骼长度为链接在一起的所述关键节点的所述位置坐标之间的距离，其中所述距离包括以下至少一种：欧式距离、标准化欧式距离、马氏距离、余弦距离；

将所述目标用户的所述骨骼长度按照所述参考者的对应骨骼长度进行骨骼配准；或者

将所述参考者的所述骨骼长度按照所述目标用户的对应骨骼长度进行骨骼配准。