买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于姿态估计的轻量级仰卧起坐检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119694003B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411838490.2，技术领域涉及：G06V40/20；该发明授权一种基于姿态估计的轻量级仰卧起坐检测方法是由许国良;谭雨露设计研发完成，并于2024-12-13向国家知识产权局提交的专利申请。

本一种基于姿态估计的轻量级仰卧起坐检测方法在说明书摘要公布了：本发明涉及一种基于姿态估计的轻量级仰卧起坐检测方法，属于计算机视觉领域。该方法包括：S1：采集仰卧起坐图像数据，进行预处理，标注人体关节点坐标，获得数据集；S2：构建仰卧起坐检测模型，包括轻量级人体骨架特征提取网络和注意力解耦坐标分类预测模块；S3：将数据集输入到模型进行训练，在模型训练过程中使用均方误差损失函数监督训练过程；S4：将待检测仰卧起坐图像序列输入到训练好的模型中，获取人体关节点的坐标信息，然后使用姿态估计模块得到人体姿态，再根据图像序列中的姿态变化实现对目标测试人员的仰卧起坐计数功能以及动作规范性检测功能。本发明能提升仰卧起坐检测的准确性。

本发明授权一种基于姿态估计的轻量级仰卧起坐检测方法在权利要求书中公布了：1.一种基于姿态估计的轻量级仰卧起坐检测方法，其特征在于，该方法具体包括以下步骤： S1：采集仰卧起坐图像数据，进行预处理，标注人体关节点坐标，获得用于仰卧起坐检测模型训练的数据集； S2：构建仰卧起坐检测模型，包括轻量级人体骨架特征提取网络以及注意力解耦坐标分类预测模块； 所述轻量级人体骨架特征提取网络是基于大核可分离卷积模块构建的，采用四阶段的多尺度信息融合得到高分辨率的特征图；所述轻量级人体骨架特征提取网络包括四个阶段：阶段一由4个残差模块级联组成，经处理后，特征图分辨率减小到原始图像的14；第二、三、四阶段依次新增一个并行分支，且新增分支是前一阶段最小分辨率分支的12；阶段二包含两个分支，每个分支由3个大核可分离卷积模块级联组成；阶段三包含三个分支，分别由3、3、12个大核可分离卷积模块组成；阶段四包含四个分支，分别由3、3、12、3个大核可分离卷积模块组成；同时除阶段一外，每个阶段对多个并行分支进行融合，在第四阶段输出最高分辨率分支的特征图； 所述注意力解耦坐标分类预测模块包括注意力特征融合模块以及解耦坐标分类预测模块，用于预测人体关节点的坐标位置；首先，注意力特征融合模块将阶段四提取的深层次特征以及阶段一提取的浅层特征进行融合；然后解耦坐标分类预测模块将二维坐标分类任务分解成横坐标和纵坐标两个方向上的一维坐标分类任务来实现人体关节点的预测，同时引入分割系数l，将像素均匀划分为l×l个子像素块；所述注意力特征融合模块的具体融合过程为： S201：阶段一经过残差模块获得的浅层特征为经过多个阶段的特征提取和融合，阶段四的深层特征表示为首先对X,Y进行元素相加，做初始特征的融合；融合后的特征Z表示为： S202：输入融合特征Z生成通道注意力权重；通道注意力包括局部通道注意力LZ和全局通道注意力GZ；局部通道注意力利用点卷积来捕捉每个空间位置上的通道间的相关性，具体的，经过1×1的卷积层和ReLU激活函数，再经过1×1的卷积层，最后经过批归一化层输出；全局通道注意力通过全局平均池化来提取全局特征的注意力，首先经过全局平均池化，然后经过1×1的卷积层和ReLU激活函数，再经过1×1的卷积层，最后经过批归一化层输出； GZ＝BK1×1δBK1×1AvgZ LZ＝BK1×1δBK1×1Z 其中，B表示为批量归一化层，K1×1为1×1的逐点卷积核，δ为ReLU激活函数，Avg表示全局平均池化操作，MZ表示注意力加权后的特征，σ表示sigmoid函数，表示元素级相加； S203：使用上述得到的通道注意力权重MZ对原始特征X,Y进行加权平均，最终输出特征QZ表示为： 所述解耦坐标分类预测模块的具体预测过程为： S211：将连续坐标空间中的n个真实关节点坐标xp,yp映射到离散的像素坐标空间，其中p∈[1,n]；每个像素被均匀地划分为l×l个子像素块，将xp,yp编码映射到子像素空间作为模型训练的分类标签，编码后的关节点坐标表示为： p′＝x',y'＝roundxp×l,roundyp×l 其中，round·为舍入函数； S212：对人体骨架特征提取网络得到的特征图C,H,W进行1×1卷积，得到大小为n,H,W的特征图；再将特征图的最后两维合并，得到n个关节点表示，这n个关节点表示是长度为d的一维向量，其中d＝HWl； S213：对于第i个关节点表示i∈[1,n]，横坐标和纵坐标分类器分别得到水平和垂直方向上的一维向量和并使用softmax函数将其转换为两个一维概率分布和表示关节点在该坐标轴上的位置概率； 其中，表示横坐标分类器的权重矩阵；表示纵坐标分类器的权重矩阵；表示第i个关节点在第j个横坐标位置的概率值；表示第i个关节点在第q个纵坐标位置的概率值； S214：通过找到和上最大值点所在位置，然后除以分割系数l还原到原始图片尺度，从而得到预测点的坐标 其中，argmax表示取最大值的索引； S3：将数据集输入到仰卧起坐检测模型中进行训练，在模型训练过程中使用均方误差损失函数监督训练过程； S4：将待检测仰卧起坐图像序列输入到训练好的仰卧起坐检测模型中，获取人体关节点的坐标信息，然后使用姿态估计模块得到人体姿态，再根据图像序列中的姿态变化实现对目标测试人员的仰卧起坐计数功能以及动作规范性检测功能； 所述姿态估计模块得到人体姿态，具体包括以下步骤： S41：选择头部、肩关节、肘关节、腕关节、髋关节、膝关节以及踝关节来监控身体的姿态； S42：计算关节点之间的夹角，选择肩-髋和髋-膝形成的两个向量，通过计算这两个向量之间的夹角θ1判断身体的弯曲程度；选择髋-膝和膝-踝关节两个向量计算夹角θ2，以此判断仰卧起坐腿部动作的标准程度；结合腕关节到头部的欧氏距离D和肩-肘-腕形成的夹角θ3判断手部动作的标准程度； 假设向量v1和v2的坐标分别为x11,y11和x12,y12以及x21,y21和x22,y22，关节点p1x1,y1和关节点p2x2,y2，夹角θ和欧式距离D的计算公式如下所示： 其中， v1·v2＝x11-x12x21-x22+y11-y12y21-y22 S43：设定阈值，以此判断计数和仰卧起坐动作的标准程度；设定仰卧起坐平躺时的阈值夹角为θdown，设定仰卧起坐坐起的阈值夹角为θup，设定髋-膝-踝关节之间的阈值夹角为θhka1和θhka2，设定腕关节到头部的欧氏距离阈值为Dthreshold，设定肩-肘-腕关节之间的阈值夹角为θsew； S44：实时计算夹角θ1、θ2、θ3以及欧氏距离D，判断是否达到阈值； 仰卧起坐姿态判断： 腿部动作标准动作判断： 手部动作标准动作判断： 在连续的图像序列中，检测到被测人员从平躺状态到坐起状态且腿部和手部动作判定为标准时，计数加一。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。