樊英泽，杨炼鑫，王彦博，张剑书

（南京工程学院，江苏 南京 211167）

0 引言

人体姿态识别就是通过视频图像或传感器获取人体关键点数据，构建人体骨架信息，并基于此判断人体的姿态和行为。人体姿态识别在人机交互方面有着非常重要的作用，同时也在人体运动分析、康复训练辅助以及智能安防等领域有着广泛的应用前景。因此，人体姿态的估计与识别一直以来都是国内外专家学者关注的研究热点。本文结合AlphaPose模型和支持向量机模型设计了一个人体姿态识别与标记系统。

1 姿态识别实现原理

1.1 姿态估计

目前，从原始数据获取方式的角度来看，人体姿态分类方法[1]主要可以分为基于传感器技术的方法[2]和基于计算机视觉的方法[3]这两大类。基于传感器技术的方法数据采集成本较高，且会影响运动的舒适性，因此更适合一些小规模少目标的专业运动分析领域。基于计算机视觉的方法可以让目标对象摆脱交互设备的束缚，更适合应用于公共场所这类多目标的姿态识别。本文通过AlphaPose模型[4]进行姿态估计。AlphaPose模型提出了RMPE（region multi-person pose estimation，区域多人姿态检测）框架来克服检测框质量不高的问题，主要分为三个部分：SSTN, NMS, PGPG。这套方法能够精确地将图片里的人物框提取出来，并将其鼻子，眼睛，耳朵，肩部，肘关节，腕关节，髋关节，膝关节，踝关节相应的坐标检测出来。

1.2 姿态分类

在利用AlphaPose模型提取目标关节点的位置信息后，根据各关节点的坐标向量即原始特征构造并提取出可用于人体姿态分类的有效特征，并通过SVM模型，结合训练数据集以及筛选出的人体姿态特征，训练人体姿态分类模型，实现基于AI的人体姿态分类。

2 姿态识别与标记系统的设计与实现

2.1 系统的结构设计

本文设计和实现基于支持向量机的姿态识别及标记系统，其架构如图1所示。从逻辑上分为四个功能模块，即成员信息管理模块、自定义文件标记模块、任务文件模块、姿态识别模块[5]。

图1 基于支持向量机的姿态识别及标记系统架构

2.2 系统实现

（1）主界面。本系统为多人协同的图片数据标记系统，用户类型分为两种，管理员和普通用户成员，其中管理员拥有用户管理和任务管理权限，普通用户只拥有图片标记权限。用户登陆后可以选择本地文件夹，对文件夹里的图片进行识别和标记，也可以执行管理员分配的姿态标记任务[6]。此外，系统支持图片识别与图片批量识别功能，用户可以进行图片姿态识别。如图2所示：

图2 系统主界面

自定义文件标记模块中，系统提供半自动标记功能，用户可以自主选择本地文件夹，然后对文件夹里的图片进行识别和标记。自定义文件标记界面如图3所示：

图3 自定义文件标记界面

用户可以点击左侧的辅助识别按钮，调用系统中的识别模型对待标记的图片进行预识别。识别结果将显示在界面下方，用户只需直接核对AI的识别结果。若结果有误可点击重置图框按钮并手动画框，然后点击修改按钮，即可完成数据标记。用户也可以不借助AI进行纯手动标记，在图片区域按住鼠标左键来框选目标所在区域，选中区域的左上角和右下角的坐标会显示在图片左侧，再通过点击下方的姿态按钮来为当前图片文件中的目标添加标签[7]。

同时，用户可以通过任务文件模块选择管理员发布的标记任务进行数据标记，如图4所示：

图4 任务标记界面

在任务文件模块中，用户也可以选择调用AI辅助识别进行图片姿态标记，具体功能和自定义文件标记模块类似。

姿态识别模块包括单张图片识别和批量图片识别两个主要功能，调用已训练好的支持向量机模型直接对图片或文件夹中图片进行标记并保存数据结果，如图5、6所示。

图5 图片识别界面

在姿态识别模块中，用户可以自行载入文件夹，并使用AI对文件夹内的图片进行定位和姿态识别，若结果有误可以重置图框并进行修改，最后保存结果数据[8]。

3 结语

本系统实现了姿态估计和姿态分类，同时也提供了对人体姿态标记的功能。本系统提供半自动标记功能，既可以通过模型快速地识别并检测出图片数据中人类的姿态，也可以方便快速地为图片数据中的人类目标添加位置标签和姿态标签。本系统提供的半自动化标记和多人协同标记可以在很大程度上提高图片数据的标记效率和标记准确率。

图6 图片批量识别界面