(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210446717.3 (22)申请日 2022.04.26 (71)申请人 康键信息技 术 （深圳） 有限公司 地址 518052 广东省深圳市前海深港合作 区前湾一路1号A栋201室 （入驻深圳市 前海商务秘书 有限公司） (72)发明人 简毅　 (74)专利代理 机构 北京市京大律师事务所 11321 专利代理师 沈克琪 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/22(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 体态类型的识别方法、 装置、 设备及存储介 质 (57)摘要 本发明涉及人工智能技术领域， 公开了一种 体态类型的识别方法、 装置、 设备及存储介质， 用 于提高体态类型识别的效率和准确率。 所述体态 类型的识别方法包括： 获取待检测的初始人体图 像， 并对初始人体图像进行矩阵化处理， 得到人 体图像矩阵； 通过预置的目标检测算法对人体图 像矩阵进行人体目标检测， 得到目标人体信息； 通过预先训练的体态关键点识别模型对目标人 体信息进行人体 关键点识别， 得到人体 关键点信 息； 对人体关键点信息进行偏移量计算， 得到体 态偏移量， 并根据体态偏移量确定体态类型信 息。 此外， 本发明还涉及区块链技术， 体态类型信 息可存储于区块链 节点中。 权利要求书2页 说明书12页 附图5页 CN 114898401 A 2022.08.12 CN 114898401 A 1.一种体态类型的识别方法， 其特 征在于， 所述体态类型的识别方法包括： 获取待检测的初始人体图像， 并对所述初始人体图像进行矩阵化处理， 得到人体图像 矩阵； 通过预置的目标检测算法对所述人体图像矩阵进行人体目标检测， 得到目标人体信 息； 通过预先训练 的体态关键点识别模型对所述目标人体信 息进行人体关键点识别， 得到 人体关键点信息； 对所述人体关键点信息进行偏移量计算， 得到体态偏移量， 并根据所述体态偏移量确 定体态类型信息 。 2.根据权利要求1所述的体态类型的识别方法， 其特征在于， 所述获取待检测的初始人 体图像， 并对所述初始人体图像进行矩阵化处 理， 得到人体图像矩阵， 包括： 获取待检测的初始人体图像， 并读取 所述初始人体图像中所有像素点的像素值； 通过预置掩膜矩阵， 对所述初始人体图像中所有像素点的像素值进行掩膜操作， 得到 人体图像矩阵。 3.根据权利要求1所述的体态类型的识别方法， 其特征在于， 所述通过预置的目标检测 算法对所述人体图像矩阵进行 人体目标检测， 得到目标 人体信息， 包括： 通过预置的目标检测算法， 对所述人体图像矩阵进行人体特征提取， 得到人体特征信 息， 并对所述人体特征信息进 行回归运算， 得到至少一个目标物信息， 每个目标物信息包括 各目标物的类型信息； 通过所述目标物类型信 息确定至少一个目标物信 息中的人体目标物信 息， 得到目标人 体信息， 所述目标 人体信息用于指示人体目标物的检测框信息 。 4.根据权利要求1所述的体态类型的识别方法， 其特征在于， 所述预先训练的体态关键 点识别模型包括多层深度卷积层、 上采样层、 跨阶段局部层、 空间金字塔池化层和回归层， 所述通过预先训练的体态关键点识别模型对所述目标人体信息进 行人体关键点识别， 得到 人体关键点信息， 包括： 通过所述多层深度卷积层对所述目标人体信息进行体态特征提取， 得到体态特征信 息； 通过所述上采样层对所述体态特征信 息进行分块并进行拼接处理， 得到体态特征采样 信息； 通过所述跨阶段局部层和所述空间金字塔池化层， 对所述体态特征采样信 息进行体态 特征融合， 得到体态特 征融合信息； 通过所述 回归层对所述体态特征融合信 息进行人体关键点分类回归， 得到人体关键点 信息。 5.根据权利要求1所述的体态类型的识别方法， 其特征在于， 所述对所述人体关键点信 息进行偏移量计算， 得到体态偏移量， 并根据所述体态偏移量确定体态类型信息， 包括： 对所述人体关键点信息进行人体姿态分类， 得到姿态类型信息， 并判断所述姿态类型 信息是否为预置姿态类型信息； 若所述姿态类型信 息为预置姿态类型信 息， 则基于所述人体关键点信 息计算关节偏移 量和关节偏移方向， 得到体态偏移量， 并根据所述体态偏移量确定体态类型信息 。权　利　要　求　书 1/2 页 2 CN 114898401 A 26.根据权利要求5所述的体态类型的识别方法， 其特征在于， 所述基于所述人体关键点 信息计算关节偏移量和关节偏移方向， 得到体态偏移量， 并根据所述体态偏移量确定体态 类型信息， 包括： 通过所述人体关键点信息中多个关节点的位置信息， 计算各关节点的关节角度； 计算各关节点的关节角度与对应关节点的标准角度之间的差值， 得到体态偏移量， 所 述体态偏移量包括各关节点的关节偏移量和关节偏移方向； 根据各关节点的关节偏移量和关节偏移方向， 确定体态类型信息 。 7.根据权利要求6所述的体态类型的识别方法， 其特征在于， 所述根据 各关节点的关节 偏移量和关节偏移方向， 确定体态类型信息， 包括： 获取各关节对应的偏移阈值， 并通过各关节点的关节偏移量和关节偏移方向确定至少 一个目标关节点， 目标关节点用于指示多个关节点中关节偏移 量大于各关节对应的偏移阈 值的关节点； 根据至少一个目标关节点和目标关节点对应的关节偏移方向， 确定体态类型信息 。 8.一种体态类型的识别装置， 其特 征在于， 所述体态类型的识别装置包括： 获取模块， 用于获取待检测的初始人体图像， 并对所述初始人体图像进行矩阵化处理， 得到人体图像矩阵； 检测模块， 用于通过预置的目标检测算法对所述人体图像矩阵进行人体目标检测， 得 到目标人体信息； 识别模块， 用于通过预先训练 的体态关键点识别模型对所述目标人体信 息进行人体关 键点识别， 得到人体关键点信息； 计算模块， 用于对所述人体关键点信 息进行偏移量计算， 得到体态偏移量， 并根据 所述 体态偏移量确定体态类型信息 。 9.一种体态类型的识别设备， 其特征在于， 所述体态类型的识别设备包括： 存储器和至 少一个处 理器， 所述存 储器中存 储有计算机程序； 所述至少一个处理器调用所述存储器中的所述计算机程序， 以使得所述体态类型的识 别设备执行如权利要求1 ‑7中任意一项所述的体态类型的识别方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 其特征 在于， 所述计算机程序被处理器执行时实现如权利要求1 ‑7中任一项所述体态类型的识别 方法。权　利　要　求　书 2/2 页 3 CN 114898401 A 3