摘要
随着社会的进步和科技水平的提高，人们在物质条件满足的情况下对健康的要求越来越高。坐姿作为日常生活和工作学习中最常见的人体姿态之一，受到了越来越多的关注。长时间保持异常坐姿进行各项活动往往会带来许多健康问题，影响人们的正常生活。如何准确识别人体异常坐姿成为了研究的热点问题之一。本文首先从人体全身的角度出发，构建了一个蕴含多维度特征的人体异常坐姿数据集；其次，为了提高人体异常坐姿识别的准确率，提出了一种基于多尺度骨骼图时空特征的人体异常坐姿识别方法；最后，根据本文提出的异常坐姿识别方法，设计开发了一种人体异常坐姿识别检测系统。主要的研究内容如下： 1）为了构建特征齐全的人体异常坐姿数据集，解决以往工作中异常坐姿数据特征缺失的问题。首先，从人体全身的角度出发，本文使用摄像头采集了人体坐姿从正常到异常的视频流数据；其次，使用人体姿态估计方法获取了人体异常坐姿的骨骼关键点时空序列数据，根据人体骨骼关键点数据，采用余弦夹角计算方法获取了人体局部骨骼夹角序列数据。最终构建了蕴含多维度特征的人体异常坐姿数据集，该数据集包含6类常见的人体异常坐姿，共计700个数据样本。 2）为了提高人体异常坐姿识别的准确性，结合本文构建的人体异常坐姿数据集，提出了一种基于多尺度骨骼图时空特征的人体异常坐姿识别方法（ASPR）。首先，为了减少异常坐姿特征在识别过程中的丢失，根据 HRNet 模型的子网结构，采用时空图卷积模块作为特征提取单元，构建了基于图卷积神经网络的多时空尺度特征提取模型（M2SGCN），提取人体异常坐姿骨骼关键点时空序列的特征；然后，为了提取人体异常坐姿局部骨骼夹角序列的特征，本文构建了基于RNN的人体异常坐姿局部骨骼夹角特征提取模型；最后，为了提高异常坐姿的识别准确率，采用线性加权的特征融合方式，将上述两个模型提取的特征进行融合，完成人体异常坐姿的识别。与其他8种方法相比，ASPR的识别效果是最优的。其中，在平均识别准确率、召回率、F1 score值以及平均测试时长方面，ASPR分别达到了95.24%，95.61%，95.14%，以及7.094ms。 3）结合本文提出的人体异常坐姿识别方法，将算法模型部署到PC终端，在给出系统总体架构设计、功能模块搭建以及软硬件集成的基础上，采用 Python 语言以及Web前端搭建工具构建了人体异常坐姿识别检测系统。
NETL