[发明专利]基于骨骼点检测的人体状态判断方法

说明书

本发明公开了一种基于骨骼点检测的人体状态判断方法，首先，构建CNN_Hourglass网络结构，提取对分类/检测/识别任务有帮助的特征；其次，通过Hourglass模块捕捉人体每个尺度下的信息，预测在每个像素处存在关节的概率，构成特征图；然后，在特征图上对每个像素点做概率预测，计算该像素是某个关节点的概率；最后，将检测到的关节点与已知状态的骨骼点形态进行最小化比对，获取最接近的形态，判断出人体状态。应用CCN_Hourglass网络结构，多尺度特征来识别姿态，提高了识别精度。采用姿态训练集进行比对，可以快速正确的判断出，骨骼点检测出的结果处于什么状态。应用到各个领域，提高检测的精确度。

技术领域

本发明属于骨骼点检测图像处理技术领域，具体涉及一种基于骨骼点检测的人体状态判断方法。

背景技术

在现代化建筑工地中，使用爬架围挡在建筑的周围，随着楼层的不断升高，爬架也跟着升高，顶层工作面的情况无法反馈给工地管理者，从而产生了不安全因素。架设监控摄像头是现行比较多的做法，但只能事后回放，无法预警或者提醒工地管理者，无法避免悲剧的发生。

发明内容

本发明所要解决的技术问题是：提供一种基于骨骼点检测的人体状态判断方法，解决了现有技术中建筑施工场所架设监控摄像头无法实时预警的问题。

本发明为解决上述技术问题采用以下技术方案：

基于骨骼点检测的人体状态判断方法，包括如下步骤：

步骤1、构建CNN_Hourglass网络结构，提取对分类/检测/识别任务有帮助的特征；

步骤2、通过Hourglass模块捕捉人体每个尺度下的信息，预测在每个像素处存在关节的概率，构成特征图；

步骤3、在特征图上对每个像素点做概率预测，计算该像素是某个关节点的概率；

步骤4、将检测到的关节点与已知状态的骨骼点形态进行最小化比对，获取最接近的形态，即可以判断出图像中的人体状态。

步骤2在Hourglass模块中，应用多个卷积和步骤将特征降到低分辨率，当达到最低分辨率的时候，网络开始上采样。

上采样部分应用最邻近采样方式。

Hourglass模块中间连接部分跨接一个Residual模块，用于对上采样后的图特征进行提取。

所述上采样应用最临近插值的方法，然后再将两个特征集按元素位置相加。

Hourglass模块的网络输出为一组拥有关键点的热图。

当到达输出分辨率的时候，再接两个1×1的卷积层来进行最后的预测。

还包括中间监督模块，用于网络中间部分的监督训练。

步骤2中，利用LSP的验证集，测试了一系列图片的结果构成特征图。

步骤4中，根据已知骨骼点的图像信息，进行骨骼点的比对，概率超过6.5时，判定该骨骼点属于哪个关节点的位置。

与现有技术相比，本发明具有以下有益效果：

1、本发明骨骼点检测使用人体姿态估计中的一种CCN_Hourglass网络结构，多尺度特征来识别姿态，提高了识别精度。

2、采用姿态训练集进行比对，可以快速正确的判断出，骨骼点检测出的结果处于什么状态。

3、本发明骨骼点检测方法可以应用到建筑施工领域，通过架设在爬架四周的图像采集设备，采集顶层工作面的图像，同时在后台服务器上进行图像处理，通过骨骼点检测的技术判断工作面工人的工作状态，达到预警作用，消除不安全因素，防止工伤事故的发生。