技术特征：
1.一种基于计算机视觉的学生姿势检测分析方法，包括内存、数据处理芯片、以及各类传感器。其特征在于所述摄像传感器模块包括用于测量视觉范围内的人物及景物深度信息和轮廓信息的深度摄影单元和用于普通摄像的主摄像单元以及连接的体感识别单元，用于识别学生的体态和面部表情信息。2.一种动作获取以及动作分类和动作识别的优化方法，其特征在于：1)在动作获取阶段采用背景减除法对视频中的学生进行定位。2)再利用卡尔曼滤波器建模以消除背景噪音达到更好的效果。3)利用cnn提取图片特征。4)采用支持向量机(support vector machine，svm)对采集到的图片进行分类。5)通过平移、旋转、裁剪等操作扩大训练数据集，提高泛化能力和模型鲁棒性。6)在卷积过程中用两个3*3的卷积核代替一个5*5的卷积核，减少参数数量，在保证相同感受野的条件下达到更好的训练效果。7)将经过训练后建立的模型进行标准、统一的标记并建立对比数据库。8)利用densepose技术对获取到的动作图像进行检测-分块-坐标回归-uv图转化等步骤处理后，对实时体态姿势判断。9)并将结果与7)中所得到的对比识别模型进行搜索和对比。10)设置一个阈值，未超过阈值则坐姿相对标准，若超过阈值则语音提示学生注意坐姿。3.基于权利要求1所述的一种基于计算机视觉的学生姿势检测分析方法，其特征在于，包括以下五个阶段：阶段一，动作获取，在学生做作业时通过视觉传感器对标准以及各类容易出现的问题姿势进行取样拍摄。阶段二，数据分类，对阶段一所收集到的图像数据进行特征提取和姿势分类。阶段三，利用卷积神经网络(cnn)对采集并分类好的图片进行识别训练，将标准整体态姿势与各类容易出现的问题姿势进行分组训练。得出正确姿势和各种错误姿势的对比识别模型。阶段四，对学生做作业的体态姿势进行判断，对做作业的过程进行姿势拍摄，提取特征。利用densepose技术对学生的体态姿势进行估计，然后通过阶段三所获得的姿势对比识别模型进行搜索和对比。阶段五，输出对比结果，并设定一个阈值，最终对学生的体态姿势给出一个准确的判断。4.根据权利2所述的第一阶段，其特征在于，在动作获取时，对学生的头、肩膀、手、上臂、下臂、胳膊肘前后、躯干等身体部位进行标记并拍摄。5.根据权利2所述的第二阶段，其特征在于，将采集到的姿势进行分类，分为标准姿势以及各类容易出现的问题姿势。6.根据权利1所述一种基于openpose的学生写作业时体态监测分析及效率评估系统，其特征在于，该系统还包括总结反馈模块，根据学生在做作业的整个过程中的具体情况，最终形成学生在整个作业过程中的行为数据报告，其中专注学习时间长度，坐姿标准的时间长度和走神的时间长度及坐姿不标准的时间长度。
技术总结
本发明的目的在于提出了一种基于计算机视觉的学生姿势识别分析方法，用以解决包括：1)通过视频传感器获取学生在做作业时的实时体态姿势数据。2)通过红外线距离传感器对学生身体部位与课桌之间的距离进行实时测量。3)采集的数据包括学生的肩膀、脖子、头、肘关节、手腕、手指、腰部、膝盖、脚部以及眼睛、鼻子、嘴巴等面部表情。4)通过计算机视觉相关技术和卷积神经网络等深度学习算法对学生做作业时的动作体态进行分析。5)对一些标准坐姿以及学生做作业中容易出现的各类动作如挠头、趴着、身体歪向一侧等各种情况进行训练，并建立对比数据库。6)通过DensePose技术对视频进行处理，将结果与经过训练的数据进行对比，判断学生当前的体态状态，若不标准则发出语音提示。若不标准则发出语音提示。若不标准则发出语音提示。
技术研发人员：高聪 陈煜喆 张瑞婷
受保护的技术使用者：西安邮电大学
技术研发日：2020.09.21
技术公布日：2022/3/29