CN103426025A - 一种基于智能手机平台的非接触式俯卧撑计数方法 - Google Patents

Abstract

本发明公开了一种基于智能手机平台的非接触式俯卧撑计数方法，通过使用摄像头跟踪的方法，使用户可在不接触手机的情况下或者在距离手机较远的情况下都能实现俯卧撑的计数。本发明使能进行俯卧撑计数的手机的条件变得宽松，且可以实现俯卧撑完成标准的人性化设置，同时可以制定更完善、更人性化、更高效的俯卧撑计划。

Description

一种基于智能手机平台的非接触式俯卧撑计数方法

技术领域

本发明涉及智能手机平台上应用的技术领域，尤其是指一种基于智能手机平台的非接触式俯卧撑计数方法。

背景技术

随着智能手机的普及，基于智能手机平台的手机应用层出不穷，各种手机应用已经渗透到人们生活的方方面面中。众所周知，俯卧撑可以有效锻炼臂力、胸肌，基本不受时间、地点的限制。于是，手机应用市场出现了许多方便的智能软件能够记录人们平时锻炼身体时做的俯卧撑次数，并提醒和促使他们勤加锻炼。

目前，现有的一些手机平台上的用于对俯卧撑计数的软件主要是基于以下两种技术：接触屏技术和近距离传感器技术。

对于采用触摸屏技术，虽然这样的实现会比较简单和准确可靠，然而这对做俯卧撑的人的动作质量就有了一个很高的要求，在做俯卧撑时，需要用鼻子或下巴去触碰手机屏幕的特定地方，计数器才会计数，然而初学者一般来说不能坚持连续做多个标准的俯卧撑，使用效果不明显。

对于采用近距离传感器技术，由于近距离传感器的工作原理是通过发射短的光脉冲，并测量此光脉冲从发射到被物体发射回来的时间来计算距离，因此实际的近距离传感器的作用范围非常小，当做俯卧撑的速度过快或者附近有障碍物干扰时，近距离传感器容易发生失灵，从而不能精确计数，这样的工作效果是不能令人满意的。

发明内容

本发明的目的在于克服现有技术的不足，提供一种实用、可靠的基于智能手机平台的非接触式俯卧撑计数方法，使用户可在不接触手机的情况下或者在距离手机较远的情况下都能实现俯卧撑的计数。

为实现上述目的，本发明所提供的技术方案为：一种基于智能手机平台的非接触式俯卧撑计数方法，包括以下步骤：

（1）将智能手机置于身体侧边，且手机上的摄像头打开并对准人侧脸，捕获一帧视频图像；

（2）智能手机内部检测视频图像中是否有人的侧脸，若有，进行步骤（3），若否，重复步骤（1）；

（3）确定人侧脸的所在位置，并根据侧脸的大小标定包含人侧脸在内的矩形框；

（4）提取矩形框的位置信息，并根据时间先后顺序存储在一个坐标队列中；

（5）对提取出来的一系列坐标信息，进行平滑处理；

（6）对处理后的坐标信息进行趋势分析，判断当前是否完成了一个俯卧撑，若是，手机内部的计数器加1，否则，计数器不做变化,随后跳转到步骤（1）；

（7）如果检测到暂停键的按下，计数暂时中止，计数值固定不变，并等待暂停键的再次按下，以重新开始暂停前的计数；

（8）如果检测到清零键的按下，计数终止，计数值变为0，并开始新一轮的俯卧撑计数。

在步骤（2）中，检测视频图像中是否有人的侧脸采用的是Viola-Jones人脸检测算法，而在该算法中，分为训练阶段和检测阶段，在训练阶段，利用自适应增强Adaboost算法，使用大于400个侧脸的正样本和大于1000个侧脸的负样本，训练得到一个基于局部二值模式LBP特征的级联人侧脸强分类器；在检测阶段，使用训练得到的级联人侧脸强分类器对手机摄像头传送进来的图像进行检测，得到侧脸在视频图像中的准确位置。

在步骤（4）中，设定一个长度范围为3～8的坐标队列，把表征俯卧撑运动的对应轴坐标存储其中。

步骤（5）中，采用递归形式的滑动平均滤波方程，即：y[n]=y[n-1]+(x[n]-x[n-M])/M，对步骤（4）中提取出来的一系列坐标信息进行滑动平均滤波处理，其中，0≤n≤M，n为整数，M为步骤（4）中所设定的队列长度减1后的数值，x[n]为平滑处理前的坐标队列，即步骤（4）中的原始坐标信息队列，y[n]为平滑处理后的坐标队列，x[n]和y[n]初始时所有数据均为0；

步骤（6）中，从步骤（5）平滑处理后的坐标队列中，提取最新的坐标信息y[n]和上一次得到的坐标信息y[n-1]，对这两个坐标信息进行比较，并结合以往的坐标信息比较结果，判断是否有局部最低点的出现，若有局部最低点的出现，即完成了一个俯卧撑，计数器加1，否则，计数器不做变化，其中，判断局部最低点出现的具体做法如下：

1）若没有以往比较结果，即刚开始对俯卧撑进行计数时，那么直接对当前的y[n]和y[n-1]进行比较，若y[n]小于y[n-1]，且y[n]和y[n-1]的差值在范围15～20内，那当前动作为下降动作，若y[n]大于y[n-1]，且y[n]和y[n-1]的差值也在范围15～20内，那当前动作为上升动作，若上述的两个条件都不满足，那么认定当前动作为无效动作，判断为没有局部最低点的出现；

2）若已有以往的比较结果，那分有前一动作是下降动作和前一动作是上升动作这两种情况，其具体情况如下：①若前一动作是下降动作，那对当前的坐标信息进行比较后，若比较结果说明当前是下降动作，那么判断为没有局部最低点的出现，若比较结果说明当前是上升动作，那么判断为有局部最低点的出现，并记录这一局部最低点的大小；②若前一动作是上升动作，那对当前的坐标信息进行比较后，无论比较结果说明当前是下降动作还是上升动作，判断都为没有局部最低点的出现，但若当前动作是下降动作，那说明有局部最高点的出现，记录这一局部最高点的大小。

本发明与现有技术相比，具有如下优点与有益效果：

1、采用了非接触式的俯卧撑计数方式，通过摄像头跟踪侧脸，能有效地避免鼻子或下巴触碰屏幕的需要，从而免除了能进行俯卧撑计数的手机必须是触屏手机的条件；

2、通过跟踪人脸位置的移动来确定俯卧撑的完成情况，即使用户做的是不标准的俯卧撑，但只要该俯卧撑的最高位置和最低位置的差值在限定的范围大小内，同样能计数成功，从而能有效减轻用户做俯卧撑的困难程度，更具人性化；

3、可以根据人脸位置的移动距离评价俯卧撑的完成质量，在俯卧撑计划加入完成质量这一评判标准，从而可以制定更完善、更人性化、更高效的俯卧撑计划。

附图说明

图1为本发明的的流程框图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所述的基于智能手机平台的非接触式俯卧撑计数方法，其具体情况如下：

（1）将智能手机置于身体侧边，且手机上的摄像头打开并对准人侧脸，捕获一帧视频图像。

（2）智能手机内部检测视频图像中是否有人的侧脸，若有，进行步骤（3），若否，重复步骤（1），其中，检测视频图像中是否有人的侧脸采用的是Viola-Jones人脸检测算法，而在该算法中，分为训练阶段和检测阶段，在训练阶段，利用自适应增强Adaboost算法，使用大于400个侧脸的正样本和大于1000个侧脸的负样本，训练得到一个基于局部二值模式LBP特征的级联人侧脸强分类器；在检测阶段，使用训练得到的级联人侧脸强分类器对手机摄像头传送进来的图像进行检测，从而得到侧脸在视频图像中的准确位置；另外，出于人体心理和生理的需要，俯卧撑计数应该有足够好的实时性，那么就需要足够快的检测速度来支撑实时性，为此，在步骤（2）中选择的是LBP特征而不是选用在人脸检测中更为常见的Haar-like特征，因为LBP特征能用更少的数据来得到不逊于Haar-like特征的检测效果，从而保证用户体验。

（3）确定人侧脸的所在位置，并根据侧脸的大小标定包含人侧脸在内的矩形框；

（4）提取矩形框的位置信息，并根据时间先后顺序存储在一个坐标队列中，其具体做法如下：设定一个长度范围为3～8的坐标队列，把最能表征俯卧撑运动的对应轴坐标（水平方向采用x轴和垂直方向采用y轴）按队列规则存储其中，供后续步骤处理，而为了保证位置平滑效果的同时，确保运行速度，经实验验证，序列长度范围区间为3～8最为合适。

（5）对提取出来的一系列坐标信息，进行平滑处理，其具体做法如下：采用递归形式的滑动平均滤波方程，即：y[n]=y[n-1]+(x[n]-x[n-M])/M，对步骤（4）中提取出来的一系列坐标信息进行滑动平均滤波处理，其中，0≤n≤M，n为整数，M为步骤（4）中所设定的队列长度减1后的数值，x[n]为平滑处理前的坐标队列，即步骤（4）中的原始坐标信息队列，y[n]为平滑处理后的坐标队列，x[n]和y[n]初始时所有数据均为0；

由于在上述方程中，x[n]和y[n]均为队列，而不是一般意义的序列，所以，在每次计算中，平滑的目标均是最新得到的坐标x[n]，即每次只需计算n=M这一情况；

这个形式的滑动平均滤波方程只需2次相加和1次相乘操作，计算量较滑动平均滤波的原始定义有了显著减少，保证处理速度。

（6）对处理后的坐标信息进行趋势分析，判断当前是否完成了一个俯卧撑，若是，手机内部的计数器加1，否则，计数器不做变化,随后跳转到步骤（1），其具体做法如下：从步骤（5）平滑处理后的坐标队列中，提取最新的坐标信息y[n]和上一次得到的坐标信息y[n-1]，对这两个坐标信息进行比较，并结合以往的坐标信息比较结果，判断是否有局部最低点的出现，若有局部最低点的出现，即完成了一个俯卧撑，计数器加1，否则，计数器不做变化。其中，判断局部最低点（趋势从下降变为上升）出现的具体做法如下：

1）若没有以往比较结果，即刚开始对俯卧撑进行计数时，那么直接对当前的y[n]和y[n-1]进行比较，若y[n]小于y[n-1]，且y[n]和y[n-1]的差值在范围15～20内，那当前动作为下降动作，若y[n]大于y[n-1]，且y[n]和y[n-1]的差值也在范围15～20内，那当前动作为上升动作，若上述的两个条件都不满足，那么认定当前动作为无效动作，判断为没有局部最低点的出现；

2）若已有以往的比较结果，那分有前一动作是下降动作和前一动作是上升动作这两种情况，其具体情况如下：①若前一动作是下降动作，那对当前的坐标信息进行比较后，若比较结果说明当前是下降动作，那么判断为没有局部最低点的出现，若比较结果说明当前是上升动作，那么判断为有局部最低点的出现，并记录这一局部最低点的大小；②若前一动作是上升动作，那对当前的坐标信息进行比较后，无论比较结果说明当前是下降动作还是上升动作，判断都为没有局部最低点的出现，但若当前动作是下降动作，那说明有局部最高点的出现，记录这一局部最高点的大小。

在这过程中得到的局部最高点和局部最高点，在实际意义上，正代表了俯卧撑的最高位置和最低位置，根据这两个数据的差值，可得到这个俯卧撑的下降高度，从而侧面表征了该俯卧撑的完成质量。

在对y[n]和y[n-1]进行比较从而确定当前动作的具体判定中，由于在做俯卧撑的过程中，不可避免地会出现一些主观或客观的扰动，如调整姿势等，所以除了对y[n]和y[n-1]进行大小比较外，还要求两者之间的差值需达到一个最低的限定大小，经试验验证，这一限定的大小为15～20像素较为合适，即上述的范围15～20。

（7）如果检测到暂停键的按下，计数暂时中止，计数值固定不变，并等待暂停键的再次按下，以重新开始暂停前的计数；

（8）如果检测到清零键的按下，计数终止，计数值变为0，并开始新一轮的俯卧撑计数。

在采用以上方案后，本发明通过使用摄像头跟踪的方法，可有效确保俯卧撑计数的准确、流畅及可靠，使用户可在不接触手机的情况下或者在距离手机较远的情况下都能实现俯卧撑的计数，这相比现有技术，本发明使能进行俯卧撑计数的手机的条件变得宽松，且可以实现俯卧撑完成标准的人性化设置，同时可以制定更完善、更人性化、更高效的俯卧撑计划，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于智能手机平台的非接触式俯卧撑计数方法，其特征在于，包括以下步骤：

（1）将智能手机置于身体侧边，且手机上的摄像头打开并对准人侧脸，捕获一帧视频图像；

（2）智能手机内部检测视频图像中是否有人的侧脸，若有，进行步骤（3），若否，重复步骤（1）；

（3）确定人侧脸的所在位置，并根据侧脸的大小标定包含人侧脸在内的矩形框；

（4）提取矩形框的位置信息，并根据时间先后顺序存储在一个坐标队列中；

（5）对提取出来的一系列坐标信息，进行平滑处理；

（6）对处理后的坐标信息进行趋势分析，判断当前是否完成了一个俯卧撑，若是，手机内部的计数器加1，否则，计数器不做变化,随后跳转到步骤（1）；

（7）如果检测到暂停键的按下，计数暂时中止，计数值固定不变，并等待暂停键的再次按下，以重新开始暂停前的计数；

（8）如果检测到清零键的按下，计数终止，计数值变为0，并开始新一轮的俯卧撑计数。

2.根据权利要求1所述的一种基于智能手机平台的非接触式俯卧撑计数方法，其特征在于：在步骤（2）中，检测视频图像中是否有人的侧脸采用的是Viola-Jones人脸检测算法，而在该算法中，分为训练阶段和检测阶段，在训练阶段，利用自适应增强Adaboost算法，使用大于400个侧脸的正样本和大于1000个侧脸的负样本，训练得到一个基于局部二值模式LBP特征的级联人侧脸强分类器；在检测阶段，使用训练得到的级联人侧脸强分类器对手机摄像头传送进来的图像进行检测，得到侧脸在视频图像中的准确位置。

3.根据权利要求1所述的一种基于智能手机平台的非接触式俯卧撑计数方法，其特征在于：在步骤（4）中，设定一个长度范围为3～8的坐标队列，把表征俯卧撑运动的对应轴坐标存储其中。

4.根据权利要求1所述的一种基于智能手机平台的非接触式俯卧撑计数方法，其特征在于：

步骤（5）中，采用递归形式的滑动平均滤波方程，即：y[n]=y[n-1]+(x[n]-x[n-M])/M，对步骤（4）中提取出来的一系列坐标信息进行滑动平均滤波处理，其中，0≤n≤M，n为整数，M为步骤（4）中所设定的队列长度减1后的数值，x[n]为平滑处理前的坐标队列，即步骤（4）中的原始坐标信息队列，y[n]为平滑处理后的坐标队列，x[n]和y[n]初始时所有数据均为0；

步骤（6）中，从步骤（5）平滑处理后的坐标队列中，提取最新的坐标信息y[n]和上一次得到的坐标信息y[n-1]，对这两个坐标信息进行比较，并结合以往的坐标信息比较结果，判断是否有局部最低点的出现，若有局部最低点的出现，即完成了一个俯卧撑，计数器加1，否则，计数器不做变化，其中，判断局部最低点出现的具体做法如下：

1）若没有以往比较结果，即刚开始对俯卧撑进行计数时，那么直接对当前的y[n]和y[n-1]进行比较，若y[n]小于y[n-1]，且y[n]和y[n-1]的差值在范围15～20内，那当前动作为下降动作，若y[n]大于y[n-1]，且y[n]和y[n-1]的差值也在范围15～20内，那当前动作为上升动作，若上述的两个条件都不满足，那么认定当前动作为无效动作，判断为没有局部最低点的出现；

2）若已有以往的比较结果，那分有前一动作是下降动作和前一动作是上升动作这两种情况，其具体情况如下：①若前一动作是下降动作，那对当前的坐标信息进行比较后，若比较结果说明当前是下降动作，那么判断为没有局部最低点的出现，若比较结果说明当前是上升动作，那么判断为有局部最低点的出现，并记录这一局部最低点的大小；②若前一动作是上升动作，那对当前的坐标信息进行比较后，无论比较结果说明当前是下降动作还是上升动作，判断都为没有局部最低点的出现，但若当前动作是下降动作，那说明有局部最高点的出现，记录这一局部最高点的大小。

Images