CN108921907B - 一种运动测试评分的方法、装置、设备及存储介质 - Google Patents

一种运动测试评分的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN108921907B
CN108921907B CN201810834310.1A CN201810834310A CN108921907B CN 108921907 B CN108921907 B CN 108921907B CN 201810834310 A CN201810834310 A CN 201810834310A CN 108921907 B CN108921907 B CN 108921907B
Authority
CN
China
Prior art keywords
image
frame
homography matrix
camera
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810834310.1A
Other languages
English (en)
Other versions
CN108921907A (zh
Inventor
刘骋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huizi Audiovisual Technology Co ltd
Original Assignee
Shanghai Huizi Audiovisual Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Huizi Audiovisual Technology Co ltd filed Critical Shanghai Huizi Audiovisual Technology Co ltd
Priority to CN201810834310.1A priority Critical patent/CN108921907B/zh
Publication of CN108921907A publication Critical patent/CN108921907A/zh
Application granted granted Critical
Publication of CN108921907B publication Critical patent/CN108921907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种运动测试的方法、装置、设备及存储介质，其中方法包括获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。本发明实施例将二维姿态特征转变为三维姿态特征进行运动测评，测试结果更准确。

Description

一种运动测试评分的方法、装置、设备及存储介质
技术领域
本发明实施例涉及机器视觉领域，尤其涉及一种运动测试评分的方法、装置、设备及存储介质。
背景技术
人体运动分析是机器视觉领域非常重要的技术，人体运动分析如运动测试，尤其是针对儿童的运动测试的研究越来越受到关注。通过对儿童的运动测试，可以判断儿童的运动能力，以及与运动能力匹配的年龄，监测儿童的运动情况对预防儿童身体缺陷具有重大意义。
目前，运动测试通常用于成年用户健身的场景，通过一个摄像头拍摄用户的运动视频，利用运动视频中的每一帧静态图片，计算每一帧静态图片与对应的每一帧预设静态图片之间的偏差，以此确定每一帧图片对应的分数值，并求和得到该运动视频的分数值。而该方法中需要设置每一帧预设静态图片，内存需求较大、计算量大。并且，采用单摄像头拍摄，拍摄到的用户运动姿态也不完整。
发明内容
本发明提供一种运动测试评分的方法、装置、设备及存储介质，可以利用世界坐标系的三维人体运动姿态进行运动测试评分，使测试结果更准确。
第一方面，本发明实施例提供了一种运动测试评分的方法，包括：
获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
进一步的，在将多个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合之前，还包括：
获取标定板源图像的尺度不变特征变换SIFT特征；
获取标定板源图像打印的标定板在测试场景中的每个相机至少10帧不同角度和/或位置下所拍摄的测试图像；
根据所述测试图像，获取所述测试图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵；
根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参。
进一步的，计算出所述测试图像到所述标定板源图像的单应矩阵，包括：
获取第一帧全场景图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述当第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；
根据所述ROI，获取所述第二帧小场景图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
进一步的，根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参，包括：
根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
根据所述乘积矩阵的逆矩阵和每个相机的内参，确定所述每个相机的外参。
进一步的，在根据所述匹配结果确定所述设定动作的分数之后，还包括：
根据所述分数，确定所述被测对象与所述分数对应的年龄。
第二方面，本发明实施例还提供了一种运动评分的装置，该装置包括：
二维姿态特征确定模块，用于获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
三维姿态特征确定模块，用于将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
评分模块，用于将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
进一步的，所述运动测试评分的装置，还包括：
标定板源图像特征获取模块，用于在将多个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合之前，获取标定板源图像的SIFT特征；
测试图像获取模块，用于获取标定板源图像打印的标定板子测试场景中的每个相机至少10帧不同角度和/或位置下所拍摄的测试图像；
测试图像特征获取模块，用于根据所述测试图像，获取所述测试图像的SIFT特征；
单应矩阵计算模块，用于根据所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵；
相机参数确定模块，用于根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参。
进一步的，所述单应矩阵计算模块，包括：
第一单应矩阵计算子模块，用于获取第一帧全场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述当第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
第二单应矩阵计算子模块，用于根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；根据所述ROI，获取所述第二帧小场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
第三单应矩阵计算子模块，用于根据根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
第四单应矩阵计算子模块，用于根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
所述三维姿态特征确定模块，包括：
相机内参确定子模块，用于根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
相机外参确定子模块，用于根据所述乘积矩阵的逆矩阵每个相机的内参，确定所述每个相机的外参；
所述装置还包括：年龄确定模块，用于在根据所述匹配结果确定所述设定动作的分数之后，根据所述分数，确定所述被测对象与所述分数对应的年龄。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，还包括多个相机，用于采集图像和视频，其中，所述处理器执行所述程序时实现如本发明任意实施例所述的运动测试评分的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的运动测试评分的方法。
本发明实施例通过获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。本发明实施例将二维姿态特征转变为三维姿态特征进行运动测评，测试结果更准确。
附图说明
图1是本发明实施例一提供的一种运动测试评分的方法的流程图；
图2是本发明实施例二提供的一种运动测试评分的方法的流程图；
图3是本发明实施例二提供的一种单应矩阵的计算的流程图；
图4是本发明实施例二提供的一种相机参数的计算的流程图；
图5是本发明实施例二提供的一种测评场景的结构示意图；
图6是本发明实施例二提供的具体实施方式中的单应矩阵的计算的流程图；
图7是本发明实施例二提供的具体实施方式中的相机参数的计算的流程图；
图8是本发明实施例三提供的一种运动测试评分的装置的结构示意图；
图9是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例提供的一种运动测试的方法的流程图，本实施例可适用于人体运动测试的场景，例如，儿童，通过对儿童的运动测试，判断儿童的运动能力以及与运动能力匹配的年龄。该方法可以由运动测试的装置来执行，该装置可以由软件和/或硬件的方式实现，并一般可集成于计算机设备中。如图1所示，本实施例的方法具体包括如下步骤：
步骤110、获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征。
其中，采用多个相机拍摄获取被测对象的视频流，可以从不同角度获取被测对象的动作姿态，避免现有技术中通过单个相机拍摄被测对象的运动视频无法完整记录设定动作。例如，被测对象为2岁儿童，设定动作为走路，多个相机拍摄儿童走路的过程，当儿童扶墙走路时，单个相机无法拍摄到儿童离墙较近一侧的胳膊的状态，而多个相机则可以拍摄到更加完整的动作视频。
二维姿态估计是根据图像获取人体的关节位置。当测试场景中存在多人时，例如，2岁儿童在辅助老师的帮助下完成走路这一设定动作，在测试中还需要将辅助老师和儿童区分开来。对于多人姿态估计，可以采用自顶向下的方法，即先把辅助老师和儿童框出来，然后再用单人姿态估计的方法定位儿童的关节；也可以采用自底向上的方法，即先把所有关节位置标出来，然后再区分关于属于辅助老师还是儿童。二维姿态估计可以采用Openpose模型、卷积神经网络(Convolutional Neural Network，CNN)模型等。
步骤120、将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征。
其中，三维姿态特征是获取的在世界坐标系的人体特征，二维姿态特征是图像像素坐标系的人体特征。相机的内参、外参可以通过多相机标定的方法获取。相机标定中存在四个坐标系，即图像像素坐标系、图像物理坐标系、相机坐标系、世界坐标系，通过相机标定，可以获得图像像素坐标系与图像物理坐标系的映射关系，图像物理坐标系与相机坐标系的映射关系，相机坐标系与世界坐标系的映射关系，从而可以获取图像像素坐标系到世界坐标系的映射关系，将图像像素坐标系的二维特征转换为世界坐标系的三维特征，从而可以避免二维姿态估计得遮挡问题，能够更佳完整的体现真实世界中人体运动的姿态。
步骤130、将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
其中，匹配模型可以采用循环神经网络(Recurrent Neural Networks，RNN)进行判断或感知设定动作是否标准。设定动作的分数需要将匹配结果和建立好的评分机制输入到分类模型中进行分类。可以理解的是，可以将评分机制、设定动作的三维姿态特征以及预设的标准姿态特征均输入到训练好的RNN模型中,也可以将设定动作的三维姿态特征和预设的标准姿态特征输入到训练好的RNN模型中，再将匹配结果输入到分类模型中。
可以理解的是，在将设定动作的三维姿态特征与预设的标准姿态特征输入到RNN模型之前，需要对RNN模型进行训练，得到训练好的RNN模型。在训练时，可以将拍摄的被测对象的视频流中每一帧图像的三维姿态特征作为训练样本，构造合适的损失函数，以最优解时损失函数的收敛程度来判断RNN模型的训练好坏。
在上述技术方案的基础上，进一步的，在根据所述匹配结果确定所述设定动作的分数之后，还包括：
根据所述分数，确定所述被测对象与所述分数对应的年龄。
其中，可以根据被测对象的设定动作的标准程度，来判断被测对象的年龄，以年龄作为被测对象的能力评价。可以通过预设的与设定动作匹配的年龄机制，通过分类模型得到被测对象的年龄。该实施例可以通过判断与被测对象动作相符的年龄，从而避免人体动作缺陷的问题。例如，儿童可以完成设定动作如走路的分数为90分，可以得出该儿童为2岁，而实际上该儿童已经5岁，则可以确定该儿童身体发育有缺陷，不能达到5岁儿童的设定动作规范。
本发明实施例提供的运动测试的方法，将图像像素坐标系的二维姿态特征通过相机标定转换为世界坐标系的三维姿态特征，从而解决了现有技术中的姿态估计方法，如Openpose模型、CNN模型等都不可避免的面临遮挡问题，在真实空间中展示人体运动姿态，使运动测试的结果更加准确。
实施例二
图2是本发明实施例提供的一种运动测试的方法的流程图，该实施例是在上述实施例基础上的进一步优化，如图2所示，该实施例的具体步骤包括：
步骤210、获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征。
步骤220、获取标定板源图像的尺度不变特征变换SIFT特征。
其中，标定板源图像是预先存储于处理器中的，标定板可以通过标定板源图像3D打印出来。SIFT特征可以在图像中检测出关键点，是一种局部特征描述子。现有技术中常用的张正友的相机标定方法的标定板是黑白相间的矩形构成的棋盘格，通过标定板图像上的方格的角点求解单应矩阵H，而棋盘格标定不仅要求较高的棋盘格制作的精度要求，标定场景有限，且标定的角度较小。而采用SIFT标定，可以大大减小标定板的制作成本，还可以标定更大场景，并且标定的角度较大。
步骤230、获取标定板源图像打印的标定板在测试场景中的每个相机的至少10帧不同角度和/或位置下所拍摄的测试图像。
其中，可以手持标定板在测试场景中随意摆拍，多个相机至少为2个，其中，任意两个相机为一组，在测试过程中，保证每组相机拍摄至少10个不同角度和/或位置下的多张图像，选取10帧图像作为测试图像。例如，测试场景中设置4个相机，则两两为一组，共分为6组，每组相机分别选取10帧测试图像，即为120帧测试图像，则以计算出的120帧测试图像与标定板源图像间的单应矩阵，从而可以计算出4个相机的内参和外参。可以理解的是，在测试过程中，不是每一帧图像都可以成功计算出其与标定板源图像间的单应矩阵，因此，在测试前需要筛选出可以成功计算出单应矩阵的10帧图像作为测试图像。
步骤240、根据所述测试图像，获取所述测试图像的SIFT特征。
步骤250、将所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵。
其中，匹配可以采用匹配模型，如利用欧式距离、K-D树模型等来判断匹配程度。将匹配的测试板源图像的SIFT特征点进行拟合，可以获得单应矩阵H，单应矩阵中包含相机的内参，可以通过单应矩阵的变换获取。
可选的，图3是本发明实施例提供的一种单应矩阵的计算的流程图，如图3所示，该单应矩阵计算的具体步骤包括：
步骤251、获取第一帧全场景图像的SIFT特征；
步骤252、将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述当第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
步骤253、根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；
步骤254、根据所述ROI，获取所述第二帧小场景图像的SIFT特征；
步骤255、将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
步骤256、根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
步骤257、根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
其中，通过图像切割，获取图像ROI的SIFT特征，可以减小运算内存，提高运算速度。
可以理解的是，选择的测试图像为可以成功计算出单应矩阵的图像，在实际运算过程中，需要提前筛选出测试图像。具体的，可以通过将每一帧的全场景图像或每一帧的小场景图像与标定板源图像进行SIFT特征匹配，如果匹配误差超过预设阈值，则认为此时计算出的单应矩阵不成功。
进一步的，在一个具体的实施方式中，可选的，第一单应矩阵H1采取的是第一帧全场景图像，还可以将第一帧全场景图像进行网格切割，随机抽取网格并获取该网格的SIFT特征，并将其与标定板源图像SIFT特征进行匹配，由此可以剔除掉匹配误差较大的网格，用最优化的匹配网格去计算第一单应矩阵H1。在实际运算中，当随机抽取的网格做匹配时，其他网格的图像处于全黑状态。通过随机抽取的方式，也可以加快第一单应矩阵的计算过程。可以理解的是，该方法适用于所有帧的全场景图像与标定板源图像间的单应矩阵的计算。也可以将该单应矩阵的计算方法与上述实施方式即步骤251-步骤257的方法加以配合使用，这些都应包含在本发明实施例所保护的范围内。
步骤260、根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参。
其中，通过SIFT特征求解出各个相机的单应矩阵，根据单应矩阵可以求解相机的内参，根据一帧测试图像求解的单应矩阵和已经求解的相机的内参，可以求解一帧测试图像中的世界坐标系和相机坐标系的外参。
图4是本发明实施例提供的一种相机参数的计算的流程图，如图4所示，该计算步骤具体包括：
步骤261、根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
步骤262、根据所述乘积矩阵的逆矩阵和每个相机的内参，确定所述每个相机的外参。
其中，张正友相机标定公式在此不再赘述。
步骤270、将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征。
步骤280、将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
本发明实施例提供的运动测试的方法，提取每一帧图像的SIFT特征计算单应矩阵，取代现有张正友相机标定方法中提取棋盘格角点的方式计算单应矩阵，从而避免了棋盘格标定需要较高精度的棋盘格，标定场景有限的缺陷。同时，通过单应矩阵分割图像获取图像ROI,减小了计算内存，提高了计算速度。
在一个具体的实施例中，可以设置具体的测评场景，如图5所示，图5是本发明实施例提供的一种测试场景的结构示意图，该测试场景由四个网络相机1、处理主机工作站2以及7m*7m的测评场地3组成，网络相机通过网络交换机将同步拍摄的图像帧传至处理主机，4个网络相机处在同一水平高度，离地4-5米。运动测评的项目主要包括1个待测儿童、1个辅助老师以及依据运动测评的设定辅助道具。采用多个相机进行大范围空间场景的标定，用于精准确定各个相机的相对于测评场地中心点的位置和姿态。
图6是本发明提供的具体实施方式中一种单应矩阵的计算的流程图，如图6所示，该计算过程包括：
(1)提取标定板源图像src的SIFT特征，并输出至处理主机工作站并建立K-D树数据结构。
(2)操作员手持标定板在测试场景中随机走动，标定板的姿态随机摆拍。
(3)输入4台相机的同步拍摄的图像帧，提取每个相机拍摄到的场景的图像的SIFT特征；
(4)输入每个场景提取的SIFT特征分别与步骤(1)中进行极限Goodmatch匹配尝试，拟合计算最优单应矩阵3×3的H；
(5)当上一帧在步骤(4)成功计算出H，则可通过H将当前帧图像进行切割得到ROI小图像，将小图像提取的SIFT特征输出到步骤(4)中；
(6)至少有三个相机场景图成功计算出H，保存H矩阵和对应的相机编号。
其中，在步骤(6)中，四个相机中至少有三个相机场景图成功计算出H，则至少有C(4,3)，即至少有4组任意组合的三个相机，每组需要10次成功计算的3台相机的H矩阵，即保存得到4*10*3共120个单应矩阵H和120个与单应矩阵对应的乘积矩阵HR。例如，第一单应矩阵H1，对应的乘积矩阵为H1；第二单应矩阵H2，对应的乘积矩阵为H2×H1；第三单应矩阵H3，对应的乘积矩阵为H3×H2×H1；以此类推。其中，Goodmatch匹配是正确匹配点对，通过将每个场景的SIFT特征与与标定板源图像进行SIFT特征匹配，判断匹配误差是否超过预设阈值，找出匹配误差值最小的作为Goodmatch的最后匹配点对。
图7是本发明提供的具体实施方式中一种相机参数的计算的流程图，如图7所示，可以通过输入120个与单应矩阵对应的乘积矩阵HR和其对应的相机标号，开始进行相机标定，计算出每个相机的3*3内参矩阵CamI1～4和外参矩阵CamE1～4。该计算方法的具体步骤如下：
(1)输入120个HR矩阵；
(2)通过H插值在X、Y变换方生成11*9的插值坐标点；
(3)按照张正友的方法，将每个相机对应的坐标点进行标定，得到以相机1为零点，相机2～4相对于相机1的旋转平移矩阵CamE'2～4；
(4)得到4台相机的内参矩阵CamI1～4并保存；
(5)将标定板置于测评场地中心的位置不动，获取相机1当前拍摄的一个H矩阵，得到对应的HR矩阵，通过HR的逆矩阵乘以CamI1，即inverse(HR)*CamI1计算得到相机1相对于测评场地中心点的外参矩阵CamE1；
(6)将CamE1分别乘以CamE'2～4得到CamE2～4；
(7)输出保存CamE1～4。
实施例三
图8是本发明实施例提供的一种运动测试评分的装置的结构示意图，如图8所示，该装置包括二维姿态特征确定模块810、三维姿态特征确定模块820、评分模块830，其中：
二维姿态特征确定模块810，用于获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
三维姿态特征确定模块820，用于将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
评分模块830，用于将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
本发明实施例提供的运动测试的装置，将图像像素坐标系的二维姿态特征通过相机标定转换为世界坐标系的三维姿态特征，从而解决了现有技术中的姿态估计方法，如Openpose模型、CNN模型等都不可避免的面临遮挡问题，在真实空间中展示人体运动姿态，使运动测试的结果更加准确。
进一步的，该装置还包括：
标定板源图像特征获取模块，用于在将多个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合之前，获取标定板源图像的SIFT特征；
测试图像获取模块，用于获取标定板源图像打印的标定板子测试场景中的至少10帧不同角度和/或位置下多个相机所拍摄的测试图像；
测试图像特征获取模块，用于根据所述测试图像，获取所述测试图像的SIFT特征；
单应矩阵计算模块，用于根据所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵；
相机参数确定模块，用于根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参。
进一步的，所述单应矩阵计算模块，包括：
第一单应矩阵计算子模块，用于获取第一帧全场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述当第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
第二单应矩阵计算子模块，用于根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；根据所述ROI，获取所述第二帧小场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
第三单应矩阵计算子模块，用于根据根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
第四单应矩阵计算子模块，用于根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
进一步的，所述三维姿态特征确定模块，包括：
相机内参确定子模块，用于根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
相机外参确定子模块，用于根据所述乘积矩阵的逆矩阵每个相机的内参，确定所述每个相机的外参。
进一步的，所述装置还包括：年龄确定模块，用于在根据所述匹配结果确定所述设定动作的分数之后，根据所述分数，确定所述被测对象与所述分数对应的年龄。
本发明实施例所提供的运动测试的装置可执行本发明任意实施例所提供的运动测试的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图9为本发明实施例9提供的一种设备的结构示意图，如图9所示，该设备包括处理器90、存储器91、输入装置92和输出装置93；设备中处理器90的数量可以是一个或多个，图9中以一个处理器90为例；设备中的处理器90、存储器91、输入装置92和输出装置93可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器91作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的运动测试的方法对应的程序指令/模块(例如，运动测试的装置包括二维姿态特征确定模块810、三维姿态特征确定模块820、评分模块830)。处理器90通过运行存储在存储器91中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的运动测试的方法。
存储器91可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器91可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器91可进一步包括相对于处理器90远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置92可用于接收输入的数字或字符信息，以及产生与设备99的用户设置以及功能控制有关的键信号输入。输出装置93可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种运动测试的方法，该方法包括：
获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的运动测试的方法中的相关操作.
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述运动测试的方法的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种运动测试评分的方法，其特征在于，包括：
获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数；
在将多个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合之前，还包括：
获取标定板源图像的尺度不变特征变换SIFT特征；
获取标定板源图像打印的标定板在测试场景中的每个相机的至少10帧不同角度和/或位置下所拍摄的测试图像；
根据所述测试图像，获取所述测试图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵；
根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参；
计算出所述测试图像到所述标定板源图像的单应矩阵，包括：
获取第一帧全场景图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；
根据所述ROI，获取所述第二帧小场景图像的SIFT特征；
将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
2.根据权利要求1所述的方法，其特征在于，根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参，包括：
根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
根据所述乘积矩阵的逆矩阵和每个相机的内参，确定所述每个相机的外参。
3.根据权利要求1所述的方法，其特征在于，在根据所述匹配结果确定所述设定动作的分数之后，还包括：
根据所述分数，确定所述被测对象与所述分数对应的年龄。
4.一种运动测试评分的装置，其特征在于，包括：
二维姿态特征确定模块，用于获取多个相机拍摄的被测对象完成设定动作的视频流，根据所述视频流的每一帧图像进行二维姿态估计，确定每一帧图像中所述设定动作的二维姿态特征；
三维姿态特征确定模块，用于将每个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合，确定所述每一帧图像对应的世界坐标系中所述设定动作的三维姿态特征；
评分模块，用于将所述设定动作的三维姿态特征与预设的标准姿态特征进行匹配，根据所述匹配结果确定所述设定动作的分数；
标定板源图像特征获取模块，用于在将多个相机的内参、外参以及所述设定动作的二维姿态特征进行拟合之前，获取标定板源图像的SIFT特征；
测试图像获取模块，用于获取标定板源图像打印的标定板子测试场景中的每个相机的至少10帧不同角度和/或位置下所拍摄的测试图像；
测试图像特征获取模块，用于根据所述测试图像，获取所述测试图像的SIFT特征；
单应矩阵计算模块，用于根据所述标定板源图像的SIFT特征和所述测试图像的SIFT特征进行匹配，并拟合计算出所述测试图像与所述标定板源图像间的单应矩阵；
相机参数确定模块，用于根据所述单应矩阵和所述每个相机的编号，计算所述每个相机的内参和外参；
所述单应矩阵计算模块，包括：
第一单应矩阵计算子模块，用于获取第一帧全场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第一帧全场景图像的SIFT特征进行匹配，并拟合计算出所述第一帧全场景图像与所述标定板源图像间的第一单应矩阵H1；
第二单应矩阵计算子模块，用于根据第一单应矩阵H1切割第二帧全场景图像，得到切割后的第二帧小场景图像，并获取第二帧小场景图像的特征区域ROI；根据所述ROI，获取所述第二帧小场景图像的SIFT特征；将所述标定板源图像的SIFT特征和所述第二帧小场景图像的SIFT特征进行匹配，并拟合计算出所述第二帧小场景图像与所述标定板源图像间的第二单应矩阵H2；
第三单应矩阵计算子模块，用于根据根据第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H2×H1切割第三帧全场景图像，得到切割后的第三帧小场景图像，并重复第二单应矩阵H2的计算步骤，计算出所述第三帧小场景图像与所述标定板源图像间的第三单应矩阵H3；
第四单应矩阵计算子模块，用于根据第三单应矩阵H3、第二单应矩阵H2与第一单应矩阵H1的乘积矩阵H3×H2×H1切割第四帧全场景图像，获得第四单应矩阵H4，并以此类推，其中，所述乘积矩阵采用迭代相乘的方法计算。
5.根据权利要求4所述的装置，其特征在于，
所述三维姿态特征确定模块，包括：
相机内参确定子模块，用于根据所述乘积矩阵和张正友相机标定公式，确定所述每个相机的内参；
相机外参确定子模块，用于根据所述乘积矩阵的逆矩阵每个相机的内参，确定所述每个相机的外参；
所述装置还包括：年龄确定模块，用于在根据所述匹配结果确定所述设定动作的分数之后，根据所述分数，确定所述被测对象与所述分数对应的年龄。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，还包括多个相机，用于采集图像和视频；其中，所述处理器执行所述程序时实现如权利要求1-3中任一所述的运动测试评分的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的运动测试评分的方法。
CN201810834310.1A 2018-07-26 2018-07-26 一种运动测试评分的方法、装置、设备及存储介质 Active CN108921907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810834310.1A CN108921907B (zh) 2018-07-26 2018-07-26 一种运动测试评分的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810834310.1A CN108921907B (zh) 2018-07-26 2018-07-26 一种运动测试评分的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108921907A CN108921907A (zh) 2018-11-30
CN108921907B true CN108921907B (zh) 2022-03-08

Family

ID=64416682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810834310.1A Active CN108921907B (zh) 2018-07-26 2018-07-26 一种运动测试评分的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN108921907B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070573B (zh) * 2019-04-25 2021-07-06 北京卡路里信息技术有限公司 关节图确定方法、装置、设备和存储介质
CN110728181B (zh) * 2019-09-04 2022-07-12 北京奇艺世纪科技有限公司 行为评价方法、装置、计算机设备和存储介质
CN110689585B (zh) * 2019-10-09 2022-06-21 阿波罗智能技术(北京)有限公司 多相机外参的联合标定方法、装置、设备和介质
CN111445519A (zh) * 2020-03-27 2020-07-24 武汉工程大学 一种工业机器人三维姿态估计方法、装置及存储介质
CN113705284A (zh) * 2020-05-22 2021-11-26 杭州萤石软件有限公司 攀爬识别方法、装置及摄像机
CN112446928B (zh) * 2021-02-01 2021-04-23 南京爱奇艺智能科技有限公司 一种拍摄装置的外参确定系统和方法
CN113298868B (zh) * 2021-03-17 2024-04-05 阿里巴巴创新公司 模型建立方法、装置、电子设备、介质及程序产品
CN117178329A (zh) * 2021-04-20 2023-12-05 花王株式会社 婴幼儿的发展阶段算出方法
CN113379849B (zh) * 2021-06-10 2023-04-18 南开大学 基于深度相机的机器人自主识别智能抓取方法及系统
CN113743237B (zh) * 2021-08-11 2023-06-02 北京奇艺世纪科技有限公司 跟随动作的准确度判定方法、装置、电子设备及存储介质
CN113762133B (zh) * 2021-09-01 2024-08-20 哈尔滨工业大学（威海） 基于人体姿态识别的自重健身辅助教练系统、方法、终端
WO2023219489A1 (en) * 2022-05-13 2023-11-16 Toybox Creations And Technology Sdn Bhd Automated tool to assess child development

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002233517A (ja) * 2001-02-09 2002-08-20 Nippon Telegr & Teleph Corp <Ntt> 歩行の美しさ評価装置および方法
CN101388114A (zh) * 2008-09-03 2009-03-18 北京中星微电子有限公司 一种人体姿态估计的方法和系统
CN103353941A (zh) * 2013-06-13 2013-10-16 西安电子科技大学 基于视角分类的自然标志物注册方法
CN104036488A (zh) * 2014-05-04 2014-09-10 北方工业大学 一种基于双目视觉的人体姿态动作研究方法
CN104598867A (zh) * 2013-10-30 2015-05-06 中国艺术科技研究所 一种人体动作自动评估方法及舞蹈评分系统
CN104765959A (zh) * 2015-03-30 2015-07-08 燕山大学 基于计算机视觉的婴儿全身运动评估方法
CN104991639A (zh) * 2015-05-27 2015-10-21 中国康复研究中心 虚拟现实康复训练系统及方法
CN105561567A (zh) * 2015-12-29 2016-05-11 中国科学技术大学 一种计步及运动状态评估装置
US9350951B1 (en) * 2011-11-22 2016-05-24 Scott Dallas Rowe Method for interactive training and analysis
CN105678748A (zh) * 2015-12-30 2016-06-15 清华大学 三维监控系统中基于三维重构的交互式标定方法和装置
CN106228143A (zh) * 2016-08-02 2016-12-14 王国兴 一种教学视频与摄像头视频运动对比评分的方法
CN106446569A (zh) * 2016-09-29 2017-02-22 宇龙计算机通信科技(深圳)有限公司 一种运动指导方法和终端
US9690981B2 (en) * 2015-02-05 2017-06-27 Electronics And Telecommunications Research Institute System and method for motion evaluation
CN106970705A (zh) * 2017-03-09 2017-07-21 北京神州四达科技有限公司 动作捕捉方法、装置和电子设备
CN107591196A (zh) * 2017-09-15 2018-01-16 宁夏医科大学 一种听觉认知功能障碍评测和康复训练装置
CN107730529A (zh) * 2017-10-10 2018-02-23 上海魔迅信息科技有限公司 一种视频动作评分方法及系统
CN108198601A (zh) * 2017-12-27 2018-06-22 广东欧珀移动通信有限公司 运动评分方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013032955A1 (en) * 2011-08-26 2013-03-07 Reincloud Corporation Equipment, systems and methods for navigating through multiple reality models

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002233517A (ja) * 2001-02-09 2002-08-20 Nippon Telegr & Teleph Corp <Ntt> 歩行の美しさ評価装置および方法
CN101388114A (zh) * 2008-09-03 2009-03-18 北京中星微电子有限公司 一种人体姿态估计的方法和系统
US9350951B1 (en) * 2011-11-22 2016-05-24 Scott Dallas Rowe Method for interactive training and analysis
CN103353941A (zh) * 2013-06-13 2013-10-16 西安电子科技大学 基于视角分类的自然标志物注册方法
CN104598867A (zh) * 2013-10-30 2015-05-06 中国艺术科技研究所 一种人体动作自动评估方法及舞蹈评分系统
CN104036488A (zh) * 2014-05-04 2014-09-10 北方工业大学 一种基于双目视觉的人体姿态动作研究方法
US9690981B2 (en) * 2015-02-05 2017-06-27 Electronics And Telecommunications Research Institute System and method for motion evaluation
CN104765959A (zh) * 2015-03-30 2015-07-08 燕山大学 基于计算机视觉的婴儿全身运动评估方法
CN104991639A (zh) * 2015-05-27 2015-10-21 中国康复研究中心 虚拟现实康复训练系统及方法
CN105561567A (zh) * 2015-12-29 2016-05-11 中国科学技术大学 一种计步及运动状态评估装置
CN105678748A (zh) * 2015-12-30 2016-06-15 清华大学 三维监控系统中基于三维重构的交互式标定方法和装置
CN106228143A (zh) * 2016-08-02 2016-12-14 王国兴 一种教学视频与摄像头视频运动对比评分的方法
CN106446569A (zh) * 2016-09-29 2017-02-22 宇龙计算机通信科技(深圳)有限公司 一种运动指导方法和终端
CN106970705A (zh) * 2017-03-09 2017-07-21 北京神州四达科技有限公司 动作捕捉方法、装置和电子设备
CN107591196A (zh) * 2017-09-15 2018-01-16 宁夏医科大学 一种听觉认知功能障碍评测和康复训练装置
CN107730529A (zh) * 2017-10-10 2018-02-23 上海魔迅信息科技有限公司 一种视频动作评分方法及系统
CN108198601A (zh) * 2017-12-27 2018-06-22 广东欧珀移动通信有限公司 运动评分方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A simple yet effective baseline for 3d human pose estimation";Julieta Martinez等;《2017 IEEE International Conference on Computer Vision》;20171231;2659-2668 *
"Normative 3D opto-electronic stereo-photogrammetric posture and spine morphology data in young healthy adult population";Moreno D"Amico 等;《https://doi.org/10.1371/journal.pone.0179619》;20170622 *
"基于SIFT特征匹配和模约束的摄像机分层自标定方法";李灿林 等;《科学技术与工程》;20140708;第14卷(第19期);1671-1815 *
"特殊人群的运动动作智能识别平台的设计与实现";李天宇;《现代电子技术》;20160915;第39卷(第18期);21-25 *

Also Published As

Publication number Publication date
CN108921907A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921907B (zh) 一种运动测试评分的方法、装置、设备及存储介质
CN107766855B (zh) 基于机器视觉的棋子定位方法、系统、存储介质及机器人
Naroditsky et al. Automatic alignment of a camera with a line scan lidar system
Richardson et al. AprilCal: Assisted and repeatable camera calibration
KR101078975B1 (ko) 가상 골프 시뮬레이션 장치에 이용되는 센싱장치 및 센싱방법
CN103854283B (zh) 一种基于在线学习的移动增强现实跟踪注册方法
US8179448B2 (en) Auto depth field capturing system and method thereof
CN110751100A (zh) 一种体育场馆辅助训练方法与系统
CN111626105B (zh) 姿态估计方法、装置及电子设备
WO2009061283A2 (en) Human motion analysis system and method
CN111488775A (zh) 注视度判断装置及方法
CN109902675B (zh) 物体的位姿获取方法、场景重构的方法和装置
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
JP2017123087A (ja) 連続的な撮影画像に映り込む平面物体の法線ベクトルを算出するプログラム、装置及び方法
US10386930B2 (en) Depth determining method and depth determining device of operating body
CN115035546B (zh) 三维人体姿态检测方法、装置及电子设备
CN114120168A (zh) 一种目标跑动距离测算方法、系统、设备及存储介质
JP2021128592A5 (zh)
CN115841602A (zh) 基于多视角的三维姿态估计数据集的构建方法及装置
CN114792345A (zh) 一种基于单目结构光系统的标定方法
US11989928B2 (en) Image processing system
CN109876417B (zh) 基于计算机视觉检测技术的羽毛球发球助理裁判系统
CN115311472A (zh) 一种动作捕捉方法及相关设备
WO2023097773A1 (zh) 步态分析方法、装置、设备及存储介质
EP3889738A1 (en) A system and a method for calibrating a user interface

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant