(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 202210111267.2 (22)申请日 2022.01.29 (71)申请人 建信金融科技有限责任公司 地址 200120 上海市中国 （上海） 自由贸易 试验区银城路9 9号12层、 15层 (72)发明人 丁祎　 (74)专利代理 机构 中原信达知识产权代理有限 责任公司 1 1219 专利代理师 李阳　徐敏 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种姿态识别方法、 装置、 电子设备及计算 机可读介质 (57)摘要 本申请公开了姿态识别方法、 装置、 电子设 备及计算机可读介质， 涉及人工智能技术领域， 具体涉及机器视觉、 图像识别技术领域， 该方法 包括： 接收姿态识别请求， 获取对应的待识别图 像和目标特征； 根据目标特征， 从待识别图像中 确定边界框； 生成待识别图像在边界框中的关键 点； 基于边界框生成空白背景图， 将关键点映射 至空白背景图中， 进而生成骨架图； 根据关键点 和骨架图， 得到预测姿态， 进而根据预测姿态确 定姿态类型。 避免了因环境因素导致的识别不准 确的影响， 适用于复杂姿态在不同背景亮度下的 分类识别任务。 权利要求书2页 说明书9页 附图5页 CN 114495173 A 2022.05.13 CN 114495173 A 1.一种姿态 识别方法， 其特 征在于， 包括： 接收姿态 识别请求， 获取对应的待识别图像和目标 特征； 根据所述目标 特征， 从所述待识别图像中确定边界框； 生成所述待识别图像在所述 边界框中的关键点； 基于所述边界框生成空白背景图， 将所述关键点映射至所述空白背景图中， 进而生成 骨架图； 根据所述关键点和所述骨架图， 得到预测姿态， 进 而根据所述预测姿态确定姿态类型。 2.根据权利要求1所述的方法， 其特 征在于， 所述 生成骨架图， 包括： 将映射至所述空白背景图中的所述关键点用不同颜色的线条 连接； 将所述线条作为骨架， 将所述关键点作为节点， 根据所述骨架和所述节点 生成骨架图。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标特征， 从所述待识别图 像中确定边界框， 包括： 基于非最大值抑制算法， 从所述待识别图像中确定所述目标 特征的边界位置； 基于所述 边界位置生成边界框 。 4.根据权利要求1所述的方法， 其特征在于， 所述生成所述待识别图像在所述边界框中 的关键点， 包括： 根据所述待识别图像和所述 边界框， 确定所述待识别图像中的目标区域图像； 将所述目标区域图像输入关键点预测模型， 以输出对应的关键点。 5.根据权利要求1所述的方法， 其特征在于， 所述根据所述关键点和所述骨架图， 得到 预测姿态， 包括： 将所述关键点和所述骨架图输入至分类模型， 以输出对应的预测姿态。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述预测姿态确定姿态类型， 包 括： 将所述预测姿态输入至分类模型， 以输出 所述预测姿态对应的姿态类型。 7.根据权利要求5或6所述的方法， 其特 征在于， 所述方法还 包括： 获取深度卷积神经网络模型； 获取训练样本集， 所述训练样本集包括关键点、 所述关键点对应的骨架图、 标记的姿态 和标记的姿态类型； 将所述关键点和所述关键点对应的骨架图作为所述深度 卷积神经网络模型的输入， 将 所述标记的姿态和标记的姿态类型作为所述深度卷积神经网络模型的期望输出， 对所述深 度卷积神经网络模型进行训练以得到所述分类模型。 8.一种姿态 识别装置， 其特 征在于， 包括： 接收单元， 被配置成接收姿态 识别请求， 获取对应的待识别图像和目标 特征； 边界框确定单 元， 被配置成根据所述目标 特征， 从所述待识别图像中确定边界框； 关键点生成单元， 被配置成生成所述待识别图像在所述 边界框中的关键点； 骨架图生成单元， 被配置成基于所述边界框生成空白背景图， 将所述关键点映射至所 述空白背景图中， 进 而生成骨架图； 姿态识别单元， 被配置成根据 所述关键点和所述骨架图， 得到预测姿态， 进而根据 所述 预测姿态确定姿态类型。权　利　要　求　书 1/2 页 2 CN 114495173 A 29.根据权利要求8所述的装置， 其特 征在于， 所述骨架图生成单 元进一步被配置成： 将映射至所述空白背景图中的所述关键点用不同颜色的线条 连接； 将所述线条作为骨架， 将所述关键点作为节点， 根据所述骨架和所述节点 生成骨架图。 10.根据权利要求8所述的装置， 其特 征在于， 所述 边界框确定单 元进一步被配置成： 基于非最大值抑制算法， 从所述待识别图像中确定所述目标 特征的边界位置； 基于所述 边界位置生成边界框 。 11.根据权利要求8所述的装置， 其特 征在于， 所述关键点 生成单元进一步被配置成： 根据所述待识别图像和所述 边界框， 确定所述待识别图像中的目标区域图像； 将所述目标区域图像输入关键点预测模型， 以输出对应的关键点。 12.根据权利要求8所述的装置， 其特 征在于， 所述姿态 识别单元进一步被配置成： 将所述关键点和所述骨架图输入至分类模型， 以输出对应的预测姿态。 13.根据权利要求8所述的装置， 其特 征在于， 所述姿态 识别单元进一步被配置成： 将所述预测姿态输入至分类模型， 以输出 所述预测姿态对应的姿态类型。 14.一种姿态 识别电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑7中任一项所述的方法。 15.一种计算机可读介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器执 行时实现如权利要求1 ‑7中任一项所述的方法。 16.一种计算机程序产品， 包括计算机程序， 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中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114495173 A 3