改进的双流多模态信息融合坐姿识别方法

不正确的坐姿通常会导致青少年近视、脊柱侧弯和退行性疾病。研究能够快速、准确识别不规律坐姿的智能监测技术,有助于保持正确的姿势并预防健康问题。为了解决RGB图像易受光照强度以及遮挡因素的干扰并造成的识别率不高等问题,通过采用双流RGB-D图像作为双输入,利用ResNet网络中的残差结构改进EfficientNet基线网络结构,提出了一种基于改进R-EfficientNet的双流RGB-D多模态信息融合的坐姿识别方法。试验结果表明,提出的R-EfficientNet融合方法模型对8种坐姿的识别均值平均精度(mean average precision,mAP)达到了98.5%。与CNN、Vgg16、ResNet18、EfficientNet、RGB-D不同的输入方法相比,所提方法获得了最高的识别率。该方法不仅可以用于坐姿客观监测,具有医学和社会效益,此外还为人体工学研究者们提供改进办公家具的方案。

压电复合薄膜触觉传感器的研制及其坐姿识别应用

对溶液流延法和静电纺丝法制备出的聚偏二氟乙烯(PVDF)/钛酸钡(BaTiO_(3))复合薄膜进行压电性能分析,并且对不同质量分数BaTiO_(3)的压电复合薄膜进行性能测试,确定最佳的掺杂比例,使用丝网印刷方法制备出传感器阵列。设计信号转换电路、复位电路、供电电路、多路选通电路,使用PyQt5编写上位机图形可视化界面。在坐姿的识别过程中对五种不同的坐姿(左倾、右倾、正常、前倾、后倾)进行数据采集,对采集到的数据进行线性插值滤波,使用支持向量机(SVM)对数据进行分类,通过添加不同的核函数进行对比分析,实验结果表明识别准确率达到88.33%。

基于关键点检测的坐姿识别方法

针对直接应用深度学习分类算法所得模型泛用性较差的问题,提出了一种分两个步骤完成人体坐姿识别的方法。所提方法首先提取图片中人体上身关键点的坐标信息,在关键点检测环节采用高分辨率主干网络,并进一步改进了模型结构,在下采样环节中引入SE(Squeeze-and-Excitation)注意力机制,加强了空间位置特征的表达,取得了更高的检测平均精准度;然后采用随机森林算法对关键点进行坐姿分类。实验结果表明:所提方法识别准确率可以达到94%以上,并且在陌生场景下有更好的泛用性,能适应实际应用中复杂的人物环境。

人体异常坐姿识别方法研究进展

日常生活中,久坐往往会出现异常坐姿,频繁的异常坐姿导致人们患上骨骼肌肉疾病的现象愈发普遍,及时识别异常坐姿并进行提醒对人们的健康具有重要意义。文章综述了人体异常坐姿识别方法研究进展。从数据采集角度出发,将识别方法分为基于接触式传感器的人体异常坐姿识别方法,基于射频信号的人体异常坐姿识别方法,基于机器视觉的人体异常坐姿识别方法,并对这3类方法进行综述,分析各方法的特点。其中,采用接触式传感器的方法,分别从可穿戴设备和压力传感器两个角度阐述;而基于机器视觉的方法,分别从所使用的前景图像和人体骨骼关键点两个方面进行综述。最后,总结并分析了代表性人体异常坐姿数据集,统计并分析了代表性人体异常坐姿识别算法的性能表现,总结并展望了人体异常坐姿识别方法的发展趋势。

一种基于人体骨架的任意角度坐姿识别方法

针对当前坐姿识别技术在不借助外部工具以及在动态环境下检测效果较差的情况,提出了一种基于人体骨架的坐姿识别方法,实现在任意角度环境下对坐姿的识别。人体骨架由关节和骨骼相互连接所成,其骨架信息不受动态环境和复杂背景的影响。该方法首先对任意角度下的坐姿图像进行人体姿态估计,提取出人体骨架信息,在三维空间下利用骨骼的物理连接关系构造一种用于检测坐姿的骨架图,并提出Skeleton-GCN(骨架图卷积网络)提取骨架图空间特征,将特征取平均值聚合并输入MLP层保存输出预测概率。此外,将任意角度的人体骨架坐标在三维空间下的不同角度进行投影,得到不同角度下的骨架图像,通过对比网络对骨架图像进行正面姿态估计得到正面骨架图像并输入CNN中,输出该骨架图像的预测概率,通过加权融合集成两个模态分类器预测概率并输出类别结果。最后,将所提方法应用于办公室、课堂等场景,实现了任意角度下坐姿的有效检测。

人体坐姿识别智能终端的压力传感器排布问题研究

在基于电阻式薄膜压力传感器的人体坐姿识别研究中,传感器排布方式是一个影响识别准确率和硬件成本的基础性问题。提出了一种基于时间序列欧氏距离相似性度量的传感器排布选择算法,定义了不同坐姿下的归一化压力时间序列数据,根据不同传感器之间时间序列数据欧氏距离相似度的差异显著性,对每个感应区域的压力传感器进行排布选择优化。利用随机森林和叠层支持向量机(SVM)分类模型进行了十折交叉对比实验,实验结果表明:该方法可减少25%的传感器数量并提升人体坐姿识别准确率,验证了所提方法的有效性。

利用少量体压传感器和支持向量机算法的坐姿识别方法

针对传统坐姿识别系统中传感器数量多和系统较复杂导致成本过高等问题,设计一种基于少量体压传感器和支持向量机(SVM)算法的坐姿识别方法.首先,设计一种由少量薄膜压力传感器构成的体压传感阵列,将其置于坐垫内部;然后,利用该传感阵列采集不同坐姿的体压数据,并绘制相应的体压分布等高线图;最后,以体压数据作为特征向量,结合支持向量机算法建模,以实现坐姿分类自动识别.测试结果表明:少量体压传感器也能获取不同坐姿的体压分布特征;SVM坐姿分类模型在熟悉样本下的坐姿识别准确率达98.3%,在陌生样本下的坐姿识别准确率达92.5%.

基于映射节点级联宽度学习的人体坐姿识别

为了有效地识别办公场景下的人体坐姿,提出一种映射节点级联宽度学习系统。采用Kinect硬件设备获取相关数据并建立坐姿识别数据库;创新性地设计基于映射节点级联的坐姿识别模块,通过级联特征节点,有效地将低级特征逐步映射为高级特征,提高特征的可区分性,便于识别不同坐姿;由于真实视频中包含不同坐姿变换之间的过渡帧,同时引入帧判别概率和结构相似性指标建立视频序列中的过渡帧检测模块,筛选过渡帧,提高识别率。在公共数据集和自建库的测试实验结果表明:该模型不仅在公共数据集上取得显著效果,而且在自建库图像上的平均识别精度达到99.90%,在视频序列上的平均识别精度达到79.21%,平均识别率相较经典的宽度学习系统提高了5.5%。该模型的识别精度明显提升、速度增快,具有一定的泛化性能。

基于PHOG特征的坐姿识别方法研究

良好的坐姿习惯有益于人们身体健康的同时,对提高人们的专注度和工作效率也有较大帮助。针对9种不同的坐姿,提出了一种通过提取塔式方向梯度直方图(pyramid histogram of oriented gradients,PHOG)特征进行坐姿识别的方法。该方法首先结合背景帧信息,采用背景减法将前景和背景进行分离,提取出坐姿信息;然后结合多尺度金字塔结构分层构建九种坐姿图像的PHOG特征;最后使用PHOG特征向量通过随机森林分类器对坐姿进行分类识别。实验结果表明,通过提取PHOG特征进行坐姿识别并用随机森林分类器分类的方法准确率达到了95.19%,较提取HOG特征进行坐姿识别的方法正确率显著提高。

基于织物传感器和mVGG-FCN深度学习算法的坐姿识别

为了解决目前使用的坐姿识别技术存在成本高、操作复杂等问题,设计一种柔性传感单元并制成柔性传感阵列坐垫,提出了一种深度学习网络结构,通过实验对5种不同的坐姿进行识别,平均准确率达到98.46%。该方法将柔性传感坐垫与深度学习结合,提供了一种成本低、普适性强的方案,有助于提示青少年及久坐人群的坐姿问题,从而改善因坐姿问题导致的并发症。

基于ORB算法的坐姿识别综述

为满足现代社会对于减少坐姿引发的健康问题的需求,文章基于ORB算法,应用图像直方图,使用Python编程语言和OpenCV库提出了一种可实现的坐姿识别方法,并对其进行实验验证。

基于卷积神经网络的多传感器下坐姿识别研究

亚健康疾病困扰着当代人群,不良坐姿是颈椎病、腰椎间盘突出等疾病的最重要形成因素。为了在纠正不良坐姿,培养良好坐姿习惯上能有更为人性化的反馈,需要对颈部、背部、腰部进行监测来识别不同坐姿。文中将在坐姿识别上提出一个较为全面的解决方案。相较基于视频图像识别的坐姿识别方案,提出利用多传感器采集数据,通过神经网络进行坐姿识别的方案可以避免环境因素的影响,更加精确地监测坐姿;比起单个传感器,由多个九轴传感器联合的数据采集系统,从颈部、背部、腰部,更为全面地采集人体上身部位活动数据;卷积神经网络在特征提取工程上收效显著,能更快、更准确地对不同坐姿进行多分类处理,将获取的数据进行预处理以构建数据集及标签之后输入至卷积神经网络进行深度学习。实验最终的平均准确率在96.78%以上,可以满足坐姿快速精确识别的需求。该方案具有布置灵活、监测面广、反馈迅速、精准度高、成本低等优点。

基于压力传感器的人体坐姿识别测试研究

坐姿识别对坐姿监测具有重要的研究意义。目前坐姿识别准确率偏低、装置调试复杂、成本较高,针对这些问题文中介绍了一种基于压力传感器的坐姿识别方法。该方法根据不同坐姿人体上半身8处监测位置压力传感器压力值的差异,实现对不同坐姿的识别。由测试实验的结果可知,此法能对4种坐姿进行识别,且在身高相同的条件下,压力值大小与体重的大小成正相关。在4种坐姿中,胸椎和腰椎处的压力值明显偏高。文中结果证明此方法能较好地应用于坐姿监测设备,实现对坐姿的识别和监测。

基于图卷积网络的儿童坐姿检测学习桌椅设计方法研究

儿童长期处于伏案学习的状态,不良坐姿对儿童生长发育容易造成严重影响,对儿童坐姿的矫正已刻不容缓。通过对儿童在学习桌椅上的坐姿行为调研,基于OpenPose姿态估计算法进行坐姿检测分析,引入ST-GCN模型进行坐姿识别与评判,结果表明:使用ST-GCN模型能够快速准确识别儿童的八种坐姿,并根据识别结果对儿童进行有效的错误坐姿提示,其Macro-F1和Micro-F1评价指标分别提高了6.8%和7.4%。同时表明儿童坐姿矫正在自适应儿童学习桌椅上应用的可行性及有效性,可为智能儿童课桌椅的设计提供技术支撑。

基于神经网络的骨骼特征融合下坐姿快速识别

基于深度学习的坐姿识别方法目前在识别精度上获得了较好提升,但模型在嵌入式平台上无法兼具高准确性和快速性,进而难以应用于边缘智能等领域。基于神经网络提出了一种坐姿快速识别方法,使用轻量化网络替换骨干网络提取底层特征,并利用基于自适应批量归一化层候选评估模块对模型进行剪枝优化。同时,对坐姿识别方法进行改进,在骨骼关节特征的基础上融合骨骼图像特征,在提升检测速度的同时保证了识别精度。实验结果显示,改进后的模型识别准确率高,并且检测速度获得大幅提升。

基于MTCNN的坐姿行为识别

针对长时间处于不正确坐姿下引发的颈椎疾病、近视发病率增高问题,提出一种基于MTCNN的坐姿行为识别方法。将MTCNN算法应用到坐姿识别中检测人脸关键点,根据肩膀ROI区域,利用肩膀轮廓多边形近似算法定位肩膀位置;通过卷积神经网络和肩膀定位获得坐姿关键点,计算坐姿特征构成高维特征向量。SVM分类实验结果表明,该方法的坐姿行为识别正确率达到95.9%,与其它算法相比,其能够准确识别坐姿行为,通过增添肩膀特征,识别率提高了1.8%。

基于电阻式薄膜压力传感器组的人体坐姿感知终端

设计了一种基于端云结合技术框架的人体坐姿感知终端。采用电阻式薄膜压力传感器组,根据人体坐姿状态的腿部和臀部压力特征和测量区域进行布置,提出了一种复合限幅滤波方法,进行异常值滤除和平滑预处理,并定义了前后和左右轴倾两个系数,对预处理的压力数据进行降维。在云端构建了一种二层结构支持向量机的人体坐姿多分类算法,依据感知终端获取的轴倾系数,完成人体姿态的多分类计算,通过无线网络下发至感知终端。实验结果验证了所提算法的有效性。

基于电场传感器的人体坐姿监测

研究表明经常处于同一姿势或者久坐都会对人体的健康造成危害,因此进行相应的坐姿监测并适时给出运动提醒是有必要的。将单只电场传感器安装在办公座椅靠背上,通过测量人体与传感器之间的相对运动,实现人体坐姿监测。人体背部与电场传感器之间的距离发生变化时,两者之间的耦合电容相应发生改变,导致电场传感器输出的电压信号幅值与形状发生变化,对信号特征进行分析即可得到人体坐姿和微动信息。信号经嵌入式系统处理后,坐姿类别以及相应时长可以传输到手机上进行实时显示。实验结果表明,从电场传感器的输出信号中,可准确分辨出座椅上人体的四种状态。

坐姿监测信息采集系统的设计

目前,有很多基于机器学习的坐姿监测系统对用户的不规范坐姿进行预警,以减少由于不良坐姿造成颈肩腰椎发病问题。本文主要设计一种坐姿监测信息采集系统采集用于机器学习训练的数据,通过以坐在椅子上的用户作为对象,采用STM32为主控的压力传感器获取用户施加在椅子上的压力值,摄像头实时获取用户的坐姿视频流,识别人体关键点,收集人体姿态关键点的数据集,两种数据同时在基于树莓派的Pyqt界面上采集与整合。在获取不同坐姿情况下的传感数据的同时,用户可以借助视频画面中识别出的身体各部位关键点的实时位置,及时地将坐姿调整为本次采集数据对应的坐姿,避免在采集坐姿数据时,采集的数据并非用户此时对应的坐姿数据,从而确保采集的数据更加准确有效。结果表明,本系统结合传感器和视频流两种方式相较于仅使用单个采集数据可以更加快速、精确地采集用户坐姿信息数据。

基于坐姿传感及自主避障的轮椅控制系统

为提高轮椅的安全性和舒适性,设计一种智能轮椅控制系统,基于使用者驾驶行为习惯(坐姿)辅助控制轮椅,同时监测周围环境信息进行自主避障。通过合理布局单点式压力传感器,利用支持向量机(support vector machine,SVM)实现坐姿识别;通过融合激光雷达与超声波传感器监测周围环境;最终以坐姿类别、环境类别、障碍物距离为输入,轮椅速度与转角为输出,设计三维模糊控制器,实现轮椅自主避障。经实验验证,该系统识别准确率高、避障控制稳定性好,可为用户提供一种安全、舒适、智能的轮椅控制方案。