CN110705418B - 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统 - Google Patents

一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统 Download PDF

Info

Publication number
CN110705418B
CN110705418B CN201910908514.XA CN201910908514A CN110705418B CN 110705418 B CN110705418 B CN 110705418B CN 201910908514 A CN201910908514 A CN 201910908514A CN 110705418 B CN110705418 B CN 110705418B
Authority
CN
China
Prior art keywords
video
kicking
variables
module
parameter
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
CN201910908514.XA
Other languages
English (en)
Other versions
CN110705418A (zh
Inventor
郭立亚
宋刚
李兵
刘峥
杨锋
李桂林
张华明
廖帅雄
董玮仲
张雪
刘斌
罗炯
彭莉
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN201910908514.XA priority Critical patent/CN110705418B/zh
Publication of CN110705418A publication Critical patent/CN110705418A/zh
Application granted granted Critical
Publication of CN110705418B publication Critical patent/CN110705418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明请求保护一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，属于运动捕捉技术领域。具体包括：视频获取模块，用于获取XYZ三维系统的运动员横踢动作视频，使用三台手机分别从X、Y、Z三个方向进行视频拍摄；视频处理模块，运用DeepLabCut软件，对获取的视频进行处理，将获取的视频数据转换成各项动力学及运动学等各项可以量化的具体参数；数据分析模块，将得到的各项数据与已构建的标准动作数据库中各项参数及阈值参数进行分别对比，通过相关算法对动作质量进行分析；结果输出模块，将数据分析单元得到的各项数据结果输出，完成对踢腿动作的准确评价。中央处理器模块，用于接收及发送各项指令，协调上述模块工作。

Description

一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统
技术领域
本发明属于运动姿态捕捉领域，尤其涉及跆拳道踢腿运动视频捕捉和评分系统技术。
背景技术
准确追踪行为发生期间的身体运动部位是运动科学的一项重要内容。但是，研究人员通常需要耗费大量时间和精力，来对每一帧进行标记；有些研究需要在研究对象身体的预定点上放置标记物，但是标记物可能会干扰研究目标的行为，而且适合的运动类型非常有限。DeepLabCut是一种可以自动追踪并标记移动生物身体部位的开源工具包，可以快速便捷地对任何动物进行高精度的运动追踪。任何研究人员都可以从网络上下载任何视频，并在几十帧素材对其中特定的身体部位进行数字标记。这一工具就会自动学习如何在视频的其余部分挑选出相同或者类似的功能，从而将任何包含运动的视频转换为运动捕捉信息，DeepLabCut在理论上适用于任何视频，为运动科学打开了巨大的数据来源。
跆拳道是一种以腿法攻击为主、拳法攻击为辅进行格斗或对抗的运动，其中腿法约占总技法体系的70％，且横踢是跆拳道中最主要的腿法。据有关统计显示，实战中跆拳道运动员横踢动作的使用比例占所有技术的60％～70％，使用横踢技术的得分率高达80％以上，横踢是实战中最常用、最有价值的进攻动作和得分手段。横踢动作规格：右脚蹬地，重心移到左脚，右脚屈膝上提，两拳置之于胸前；左脚前前脚掌辗地内旋，髋关节左转，左膝内扣；随即左脚掌继续内旋转180度，右脚膝关节向前抬置水平状态；小腿快速向左前横踢出；击打目标后迅速放松收回小腿。右脚落回成实战姿势。横踢动作要领：膝关节夹紧，向前提膝，尽量走直线；支撑脚外旋180度；髋关节往前顺，身体与大小腿成直线，严格注意击打的力点正脚背；踝关节放松，击打的感觉是“面团”、“鞭梢”。横踢攻击的主要部位有头部、胸部、腹部和肋部。
运动捕捉一直是提升顶级运动员表现的关键一环。但是，跟踪过程繁琐、技术含量高、识别难度大、且只掌握在精英运动员和富人的手中是当前存在的最大难题。目前已有技术进行运动捕捉需要花费昂贵的成本。低端镜头十几万，配置高一些的要百万以上。比较常见的是惯性动作捕捉、光学动作捕捉和体感摄像头。其中体感摄像头最便宜；惯性的价格一般在几万至十几万；光学动作捕捉设备因为其精度最高，所以价格也最高，进口品牌如Vicon，MotionAnalysis，Qualysis及分析系统价格起码在50万以上。精度较高的实验视频捕捉设备及解析系统预算通常要达到100万。
已有技术进行运动捕捉，其反应时间较长，需要对获取的各项数据进行后期一系列繁琐的处理分析，研究人员要么需要费时费力地标记每一帧，处理反应的时间无法同步，不能实现实时。有些研究需要在研究对象身体的预定点上放置标记物，如将运动传感辅助设备通过魔术贴或绑带辅助方式粘贴或绑在与运动形式相关的身体部位，而标记物可能干扰研究目标的行为，不利于运动训练的开展，而且一般只适合有限类型的运动。
本发明涉及一种基于三台手机拍摄的跆拳道踢腿运动的视频捕捉和评分系统，使用三台手机对运动员踢腿动作进行三维角度的视频获取，然后使用DeepLabCut软件分析处理。DeepLabCut是一个可以精确跟踪任何动物运动的工具。这个新工具极易上手，可以快速便捷地对任何动物进行高精度的运动追踪，你只需要安装软件，花几个小时标记样本，剩下的交给代码就可以了，从而将任何包含运动的视频转换为运动捕捉信息。DeepLabCut对运动员完成横踢动作时腿的发力大小、方向、角度、速度、加速度、运动轨迹等进行准确的量化，在分析上述一系列动力学运动学的三维参数及指标之后，经过数据处理，输出结果，对横踢动作完成准确的质量评价。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种大大降低运动跟踪成本、对横踢动作完成准确的质量评价的基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统。本发明的技术方案如下：
一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其包括：
视频获取模块：用于获取XYZ三维系统的跆拳道运动员横踢动作视频，使用三台移动设备分别从X、Y、Z三个方向对跆拳道运动员横踢动作进行视频拍摄，并进行标准动作数据库的构建，其中X表示左右，Y表示上下，Z表示前后，并将拍摄视频使用蓝牙传输至笔记本电脑，发送给视频处理模块；
视频处理模块：运用DeepLabCut软件，所述DeepLabCut软件通过人类照片对姿势进行估计，不仅能探测到一个身体部分，还能同时探测到所有身体部分；DeepLabCut前期经过预训练，包括四个步骤，a.从视频中提取不同的帧进行标记(以一致的方式标记最大多样性图像，即不同的姿势、不同的个体、亮度条件)。b.基于标记生成训练数据。c.训练一个深度神经网络(dnn)结构，根据相应的图像预测身体部位的位置。d.从未标记的数据中提取这些特征位置。即可对获取的视频进行自动处理，将获取的视频数据转换成腿发力大小、方向、角度、速度、加速度在内的可量化动力学参数及运动学参数；
数据分析模块：获取影响横踢动作质量的14个变量，并对14个变量进行降维得到聚类分析的变量，采用聚类分析法与已构建的标准动作数据库中各项参数及阈值参数进行分别对比，通过R型聚类进行分类，定义出“好”、“较好”、“中”、“较差”、“差”五个类别。根据判别分析中的距离判别原理，距离判别原理的基本思想是由训练样品得出每个分类的重心坐标，然后对新样品求出它们离各个类别重心的距离远近，从而归入离得最近的类，也就是根据个案离母体远近进行判别，将被测试运动员成绩归于上述聚类后的类别中；
结果输出模块：将数据分析单元得到的各项数据结果输出，完成对踢腿动作的准确评价；
中央处理器模块：用于接收及发送各项指令，协调上述模块工作。
进一步的，所述移动设备采用包括手机、平板电脑、摄像机在内的带有摄像功能的移动装置。
进一步的，所述视频获取模块的标准动作数据库的构建，包括：构建DeepLabCut，DeepLabCut只需要接受小规模的人类标记图像(横踢动作图像)训练，即可完成对运动员腿部动作的追踪任务。
进一步的，所述视频处理模块采用DeepLabCut软件对获取的视频进行自动处理，将获取的视频数据转换成腿发力大小、方向、角度、速度、加速度在内的可量化动力学及运动学参数。
进一步的，所述数据分析模块获取的影响横踢动作质量的14个变量分别为：身体重心位移参数、身体重心速度参数、支撑腿髋关节速度参数、支撑腿膝关节角度参数、支撑腿踝关节角度参数、支撑腿踝关节角速度参数、进攻腿髋关节角度参数、进攻腿髋关节速度参数、进攻腿膝关节角度参数、进攻腿膝关节角加速度参数、进攻腿膝关节速度参数、进攻腿踝关节速度参数、进攻腿脚尖速度参数、进攻腿打击力量参数。
进一步的，所述数据分析模块对14个变量进行降维得到聚类分析的变量，具体包括：14个分类变量量纲各自不同，用相似性来度量，度量标准选用pearson系数
Figure BDA0002213997270000051
n为样本量，Xi、Yi分别为两个变量，
Figure BDA0002213997270000052
分别表示变量均值，14个变量不用标准化处理，相似性矩阵里的数字为相关系数，
Figure BDA0002213997270000053
如果某两个变量的相关系数接近1或-1，说明两个变量可互相替代；最终确定出用于聚类的变量。
进一步的，所述数据分析模块通过R型聚类对各类指标进行比较分类，最终分为5类，定义出“好”、“较好”、“中”、“较差”、“差”五个类别。
进一步的,所述数据分析模块中，距离判别原理的公式为
Figure BDA0002213997270000054
本发明的优点及有益效果如下：
1.本发明使用三台手机代替价格高昂的动作捕捉设备，具有节约成本的优点。
2.本发明通过DeepLabCut软件对获取的运动视频进行相关分析，DeepLabCut是一个快速便捷地高精度的跟踪任何动物运动的工具。只需要安装软件，花几个小时标记样本，剩下的交给代码就可以了，从而将任何包含运动的视频转换为运动捕捉信息，具备省时省力的优点。
3.通过各项具体参数的分析，实现对跆拳道运动员踢腿动作相对于传统评价方式更为客观、准确的评价。
4.易于推广，传统视频获取设备及系统安装及使用易受环境条件限制，本系统可以在任何场地使用支架、自拍杆等工具固定三台普通手机，搭建捕捉分析系统，更加实用便捷。
5.分析系统反馈时效快。连接电脑，可以做到实时反馈。
附图说明
图1是本发明提供优选实施例基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统框图；
图2是视频获取模块中三台移动设备分别从X、Y、Z三个方向对跆拳道运动员横踢动作进行视频拍摄的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示为一种基于三台手机拍摄的跆拳道踢腿运动的视频捕捉和评分系统，具体包括：
1.视频获取模块
如图2所示，为了获取XYZ三维系统的运动员横踢动作视频，使用三台手机分别从X(左右)、Y(上下)、Z(前后)三个方向对跆拳道运动员横踢动作进行视频拍摄，并上传至中央处理器，提交给视频处理模块。
2.视频处理模块
运用DeepLabCut软件，对获取的视频进行处理，将获取的视频数据转换成各项动力学及运动学等各项可以量化的具体参数。
3.数据分析模块
将视频处理模块中得到的各项数据与已构建的标准动作数据库中各项参数及阈值参数进行分别对比，通过相关算法，分析各项参数，以实现对横踢动作进行全面准确的评价。
4.结果输出模块
将数据分析单元得到的各项数据结果输出，完成对踢腿动作的准确评价。
5.中央处理器模块
用于接收及发送各项指令，协调上述模块工作。
所述视频获取模块，包括标准动作数据库的构建，先获取标准动作视频，经DeepLabCut处理后，分析出各项标准参数，设定阈值参数，构建标准动作数据库，并上传至中央处理器，便于数据分析模块使用。
所述标准动作数据库的构建，其特征在于，构建DeepLabCut，DeepLabCut只需要接受小规模的人类标记图像(横踢动作图像)训练，即可完成对运动员腿部动作的追踪任务，从而方便研究横踢行为。
所述视频处理模块，主要基于DeepLabCut软件，通过对运动员腿部进行标记，DeepLabCut自动追踪横踢行为发生期间腿部的三维位置信息并将获取的三维位置信息进行处理，转换成腿发力大小、方向、角度、速度、加速度等运动学及动力学具体参数。DeepLabCut使用一种经过充分优化的架构(DeeperCut)，这种架构能通过人类照片对姿势进行估计，不仅能探测到一个身体部分，还能同时探测到所有身体部分。
所述数据分析模块，主要运用多元统计中的聚类分析和判别分析。
首先获取40名优秀跆拳道运动员横踢动作的视频数据，经deeplabcut处理，分别提取其影响横踢动作质量的变量，即身体重心位移参数、身体重心速度参数、支撑腿髋关节速度参数、支撑腿膝关节角度参数、支撑腿踝关节角度参数、支撑腿踝关节角速度参数、进攻腿髋关节角度参数、进攻腿髋关节速度参数、进攻腿膝关节角度参数、进攻腿膝关节角加速度参数、进攻腿膝关节速度参数、进攻腿踝关节速度参数、进攻腿脚尖速度参数、进攻腿打击力量参数。
采用spss“R型聚类”，对上述14个变量进行降维处理。14个分类变量量纲各自不同，这一次我们先确定用相似性来测度，度量标准选用pearson系数，聚类方法选最远元素，此时，涉及到相关，14个变量可不用标准化处理，将来的相似性矩阵里的数字为相关系数。若果有某两个变量的相关系数接近1或-1，说明两个变量可互相替代。最终确定出用于聚类的变量。
对20名运动员采用“R型聚类”进行分类，最终分为5类，定义出“好”、“较好”、“中”、“较差”、“差”五个类别。
视频获取系统将被测试运动员的视频数据传至数据分析系统，deeplabcut处理得到上述用于聚类的变量。根据判别分析中的距离判别原理，其基本思想是由训练样品得出每个分类的重心坐标，然后对新样品求出它们离各个类别重心的距离远近，从而归入离得最近的类。也就是根据个案离母体远近进行判别。将被测试运动员成绩归于上述聚类后的类别中。
所述结果输出模块，包括本系统的APP，数据分析模块得出的各项分值，经中央处理器发送至结果输出APP，推送至运动员手机，运动员可直接从手机上得到反馈。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，包括：
视频获取模块：用于获取XYZ三维系统的跆拳道运动员横踢动作视频，使用三台移动设备分别从X、Y、Z三个方向对跆拳道运动员横踢动作进行视频拍摄，并进行标准动作数据库的构建，其中X表示左右，Y表示上下，Z表示前后，并将拍摄视频使用蓝牙传输至笔记本电脑，发送给视频处理模块；
所述获取视频的格式为Android系统手机普遍的MP4格式、iOS系统手机的MOV格式在内的其他格式视频均可，清晰度不小于720P，且不小于30帧/秒，以保证视频的清晰度用以分析处理；
视频处理模块：运用DeepLabCut软件，所述DeepLabCut软件通过人类照片对姿势进行估计，不仅能探测到一个身体部分，还能同时探测到所有身体部分；DeepLabCut前期经过预训练，训练包括四个步骤，a.从视频中提取不同的帧进行标记，以一致的方式标记最大多样性图像，即不同的姿势、不同的个体、亮度条件；b.基于标记生成训练数据；c.训练一个深度神经网络dnn结构，根据相应的图像预测身体部位的位置；d.从未标记的数据中提取这些特征位置，即可对获取的视频进行自动处理，将获取的视频数据转换成腿发力大小、方向、角度、速度、加速度在内可量化的力学参数及生物力参数；
数据分析模块：首先获取40名优秀跆拳道运动员横踢动作的视频数据，经deeplabcut处理，分别提取其影响横踢动作质量的变量，并对14个变量进行降维得到聚类分析的变量，采用聚类分析法与已构建的标准动作数据库中各项参数及阈值参数进行分别对比，通过R型聚类进行分类，对各类指标进行比较，定义出“好”、“较好”、“中”、“较差”、“差”五个类别，根据判别分析中的距离判别原理，距离判别原理的基本思想是由训练样品得出每个分类的重心坐标，然后对新样品求出它们离各个类别重心的距离远近，从而归入离得最近的类，也就是根据个案离母体远近进行判别，将被测试运动员成绩归于上述聚类后的类别中；
结果输出模块：将数据分析单元得到的各项数据结果输出，完成对踢腿动作的准确评价；
中央处理器模块：用于接收及发送各项指令，协调上述模块工作。
2.根据权利要求1所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述移动设备采用包括手机、平板电脑、摄像机在内的带有摄像功能的移动装置。
3.根据权利要求1所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述视频获取模块的标准动作数据库的构建，包括：构建DeepLabCut，DeepLabCut只需要接受小规模的人类标记图像即横踢动作图像训练，即可完成对运动员腿部动作的追踪任务，从而方便研究横踢行为。
4.根据权利要求3所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述视频处理模块采用DeepLabCut软件对获取的视频进行自动处理，将获取的视频数据转换成腿发力大小、方向、角度、速度、加速度在内的可量化动力学及运动学参数。
5.根据权利要求1所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述数据分析模块获取的影响横踢动作质量的14个变量分别为：身体重心位移参数、身体重心速度参数、支撑腿髋关节速度参数、支撑腿膝关节角度参数、支撑腿踝关节角度参数、支撑腿踝关节角速度参数、进攻腿髋关节角度参数、进攻腿髋关节速度参数、进攻腿膝关节角度参数、攻腿膝关节角加速度参数、进攻腿膝关节速度参数、进攻腿踝关节速度参数、进攻腿脚尖速度参数、进攻腿打击力量参数。
6.根据权利要求5所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述数据分析模块对14个变量进行降维得到聚类分析的变量，具体包括：14个分类变量量纲各自不同，用相似性来度量，度量标准选用pearson系数
Figure FDA0002213997260000031
n为样本量，Xi、Yi分别为两个变量，
Figure FDA0002213997260000032
分别表示变量均值，14个变量不用标准化处理，相似性矩阵里的数字为相关系数，
Figure FDA0002213997260000033
如果某两个变量的相关系数接近1或-1，说明两个变量可互相替代；最终确定出用于聚类的变量。
7.根据权利要求6所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述数据分析模块通过O型聚类进行分类，对各类指标进行比较，最终分为5类，定义出“好”、“较好”、“中”、“较差”、“差”五个类别。
8.根据权利要求6或7所述的一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统，其特征在于，所述数据分析模块中，距离判别原理的公式为
Figure FDA0002213997260000034
CN201910908514.XA 2019-09-25 2019-09-25 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统 Active CN110705418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908514.XA CN110705418B (zh) 2019-09-25 2019-09-25 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908514.XA CN110705418B (zh) 2019-09-25 2019-09-25 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统

Publications (2)

Publication Number Publication Date
CN110705418A CN110705418A (zh) 2020-01-17
CN110705418B true CN110705418B (zh) 2021-11-30

Family

ID=69195774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908514.XA Active CN110705418B (zh) 2019-09-25 2019-09-25 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统

Country Status (1)

Country Link
CN (1) CN110705418B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113457108B (zh) * 2021-07-07 2022-07-15 首都体育学院 一种基于认知表征的运动成绩提高方法和装置
AT525333B1 (de) * 2021-07-26 2023-05-15 Istec Innovative Sport Tech Gmbh System zur automatisierten Wertungsvergabe bei Kampfsportarten
CN117078976B (zh) * 2023-10-16 2024-01-30 华南师范大学 动作评分方法、装置、计算机设备以及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105453128A (zh) * 2013-05-30 2016-03-30 阿特拉斯维拉伯斯公司 便携式计算设备以及对从其捕捉的个人数据的分析
CN105999682A (zh) * 2016-06-14 2016-10-12 郑州华信学院 一种体育训练监控系统
CN108837461A (zh) * 2018-08-31 2018-11-20 华北电力大学 乒乓球“正手发左侧下旋球”专项技术测评装置及方法
CN109241909A (zh) * 2018-09-06 2019-01-18 闫维新 一种基于智能终端的远程舞蹈动作捕捉评测系统
CN109344922A (zh) * 2018-09-06 2019-02-15 闫维新 一种具备运动捕捉功能的舞蹈动作评测系统
CN109344692A (zh) * 2018-08-10 2019-02-15 华侨大学 一种运动质量评价方法及系统
CN109472308A (zh) * 2018-11-08 2019-03-15 华南理工大学 一种基于人工智能的免标记仪器设备特征锚点检测方法
CN109948459A (zh) * 2019-02-25 2019-06-28 广东工业大学 一种基于深度学习的足球动作评估方法与系统
CN110070039A (zh) * 2019-04-23 2019-07-30 长讯通信服务有限公司 基于深度学习的机房机柜及主控板感知与坐标测量方法及装置
CN110135352A (zh) * 2019-05-16 2019-08-16 南京砺剑光电技术研究院有限公司 一种基于深度学习的战术动作评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105453128A (zh) * 2013-05-30 2016-03-30 阿特拉斯维拉伯斯公司 便携式计算设备以及对从其捕捉的个人数据的分析
CN105999682A (zh) * 2016-06-14 2016-10-12 郑州华信学院 一种体育训练监控系统
CN109344692A (zh) * 2018-08-10 2019-02-15 华侨大学 一种运动质量评价方法及系统
CN108837461A (zh) * 2018-08-31 2018-11-20 华北电力大学 乒乓球“正手发左侧下旋球”专项技术测评装置及方法
CN109241909A (zh) * 2018-09-06 2019-01-18 闫维新 一种基于智能终端的远程舞蹈动作捕捉评测系统
CN109344922A (zh) * 2018-09-06 2019-02-15 闫维新 一种具备运动捕捉功能的舞蹈动作评测系统
CN109472308A (zh) * 2018-11-08 2019-03-15 华南理工大学 一种基于人工智能的免标记仪器设备特征锚点检测方法
CN109948459A (zh) * 2019-02-25 2019-06-28 广东工业大学 一种基于深度学习的足球动作评估方法与系统
CN110070039A (zh) * 2019-04-23 2019-07-30 长讯通信服务有限公司 基于深度学习的机房机柜及主控板感知与坐标测量方法及装置
CN110135352A (zh) * 2019-05-16 2019-08-16 南京砺剑光电技术研究院有限公司 一种基于深度学习的战术动作评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Deep learning based basketball video analysis for intelligent arena application";Wu Liu 等;《Springer》;20170802;第24983-25001页 *
"DeepLabCut: markerless pose estimation of user-defined body parts with deep learning";Alexander Mathis 等;《Nature Neuroscience》;20181231;第1-12页 *

Also Published As

Publication number Publication date
CN110705418A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
Rana et al. Wearable sensors for real-time kinematics analysis in sports: A review
CN110705418B (zh) 一种基于DeepLabCut的跆拳道踢腿运动视频捕捉和评分系统
Wang et al. IoT for next-generation racket sports training
CN110711374B (zh) 多模态舞蹈动作评价方法
CN107301370B (zh) 一种基于Kinect三维骨架模型的肢体动作识别方法
WO2021051579A1 (zh) 形体姿态识别方法、系统、装置及存储介质
Wang et al. Volleyball skill assessment using a single wearable micro inertial measurement unit at wrist
Ghasemzadeh et al. Coordination analysis of human movements with body sensor networks: A signal processing model to evaluate baseball swings
Büthe et al. A wearable sensing system for timing analysis in tennis
JP2016208516A (ja) 人物の活動の映像内のフレームをイベントに関連付けるための方法およびデバイス
WO2017161734A1 (zh) 通过电视和体感配件矫正人体动作及系统
Pei et al. An embedded 6-axis sensor based recognition for tennis stroke
Fan et al. Sensor fusion basketball shooting posture recognition system based on CNN
Hu et al. Basketball activity classification based on upper body kinematics and dynamic time warping
Choi et al. Motion recognition technology based remote Taekwondo Poomsae evaluation system
Luo et al. Vision-based movement recognition reveals badminton player footwork using deep learning and binocular positioning
Tay et al. Markerless gait estimation and tracking for postural assessment
CN210078765U (zh) 基于可穿戴传感器的动作捕捉识别与评估装置
CN114788951A (zh) 手持运动分析系统与方法
Kondo et al. FootbSense: Soccer moves identification using a single IMU
Yadav et al. Ms-kard: A benchmark for multimodal karate action recognition
Wang et al. Analysis of movement effectiveness in badminton strokes with accelerometers
Peng et al. Accurate recognition of volleyball motion based on fusion of MEMS inertial measurement unit and video analytic
Malawski et al. Automatic analysis of techniques and body motion patterns in sport
Gao Construction and simulation of athlete’s wrong action recognition model in sports training based on embedded wireless communication and computer vision

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