基于Azure Kinect的坐姿和久坐检测系统研究与设计.pdfVIP

基于AzureKinect的坐姿和久坐检测系统

研究与设计

摘要

在中国经济的持续发展和转型的大背景下，工作和学习已然成为了人们生

活中最核心部分。长时间坐着工作或学习的人群在整体人口中所占比重不断攀

升，如果长时间保持不良的坐姿，这将对人体的颈椎、脊椎和腰椎等重要部位

造成损害。久坐还会导致腹部脂肪堆积，进而造成超重、肥胖以及心血管疾病

等一系列潜在的健康问题。不良坐姿和长时间久坐现象正在危害办公人员和青

少年的身体健康。因此，针对坐姿检测系统的研究与开发显得尤为关键。坐姿

和久坐检测系统可以在使用者发生不良坐姿和久坐行为时，给予警告提示使用

者，这样可以帮助人们在日常生活中保持健康的坐姿习惯，并避免不良坐姿习

惯。当前，国内外坐姿检测的技术主要分为两种：首先是使用RGB摄像头来

捕捉用户的坐姿图像，并通过图像处理技术再结合先进的深度学习算法来进行

坐姿状态识别。另一种检测技术是在座椅或其靠背上安装传感器，通过收集不

同坐姿状态下的传感器数据并且提取相关特征，将特征组成数据集使用深度学

习算法训练模型，最终完成识别坐姿的功能。然而，这两种方法都存在一定的

局限性：RGB摄像头可能会暴露个人隐私，并且受光线条件的影响，如果在光

线条件不佳的情况下，大大降低识别的准确率。而座椅传感器的部署过程会相

对复杂，此外座椅传感器可能会影响舒适度。

微软在2019年推出的AzureKinect深度摄像机，凭借其高质量像素和深度

成像技术，为坐姿检测提供了新的解决方案。利用其内置的人体跟踪SDK，可

以高效采集人体骨骼数据，无需担心隐私泄露，且不易受光线条件影响，即便

在完全黑暗的环境下也能保持较高识别率。这种部署简便、不影响舒适度的特

点，使其成为理想的坐姿检测工具。

本研究的主要贡献包括：

（1）利用AzureKinect深度摄像头及其内置的人体跟踪算法，从三个不同

方位对人体骨骼进行了深度数据采集。通过对这些不同方位下的坐姿深度图像

和深度值进行分析，成功地提取了关键骨骼点之间的角度信息，这些角度信息

作为了坐姿分析的重要特征。基于这些特征，本文构建了一个全面的坐姿数据

集。与先前研究的不同之处在于，该数据集包含了多种不良坐姿，而不是仅将

坐姿简单地分为健康和不良两类。并且每种坐姿状态均通过多角度采集，进一

步增强了数据的丰富性。

（2）本研究设计了一套基于软投票机制集成学习的坐姿检测框架。基于构

建的坐姿数据集，训练了三个基分类器。随后，采用软投票机制将这三个基分

类器集成，搭建了一个强大的集成学习模型。该方法充分利用了各个基分类器

的优点，通过加权平均的方式综合各个分类器的预测概率，从而做出最终的判

断。以往基于Kinect动作识别中大多数都是基于单一机器学习算法，通过软投

票机制集成多个机器学习算法可以有效地提高坐姿状态识别的准确率。该集成

学习模型在坐姿状态分类方面表现出色，达到了97.4%的F1分数。

（3）本研究设计并开发了一款基于AzureKinect高效地实时坐姿和久坐行

为检测系统。该坐姿检测系统能够实时呈现用户坐姿的深度图像，并且能准确

识别并实时显示当前的坐姿类别，为用户即时提供坐姿反馈。系统一旦检测到

不良坐姿或久坐行为，系统便会以弹窗形式提醒用户，建议其调整坐姿或适时

起身活动，从而有效避免不良坐姿和久坐对身体健康的危害。此外，该系统还

具备生成坐姿与久坐报告的功能，报告内包含对用户坐姿和久坐行为的全面数

据分析，使用户能够深入了解自己的坐姿习惯及其对健康的潜在影响。这一创

新设计不仅提升了用户的健康意识，也为改善坐姿习惯提供了有力的技术支持。

关键词：AzureKinect；坐姿检测；久坐检测；集成学习

ResearchandDesignofaSittingPostureand

SedentaryBehaviorDetectionSystemBasedonAzure

Kinect

Abstract

InthecontextofChinascontinuouseconomicdevelopm