CN110705496B - 一种基于九轴传感器的游泳姿势识别方法 - Google Patents

一种基于九轴传感器的游泳姿势识别方法 Download PDF

Info

Publication number
CN110705496B
CN110705496B CN201910961174.7A CN201910961174A CN110705496B CN 110705496 B CN110705496 B CN 110705496B CN 201910961174 A CN201910961174 A CN 201910961174A CN 110705496 B CN110705496 B CN 110705496B
Authority
CN
China
Prior art keywords
data
attitude
swimming
axis sensor
dimensional
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
CN201910961174.7A
Other languages
English (en)
Other versions
CN110705496A (zh
Inventor
申波
王晗宇
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.)
Chengdu Codoon Information Technology Co ltd
Original Assignee
Chengdu Codoon Information 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 Chengdu Codoon Information Technology Co ltd filed Critical Chengdu Codoon Information Technology Co ltd
Priority to CN201910961174.7A priority Critical patent/CN110705496B/zh
Publication of CN110705496A publication Critical patent/CN110705496A/zh
Application granted granted Critical
Publication of CN110705496B publication Critical patent/CN110705496B/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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

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

Abstract

本发明公开了一种基于九轴传感器的游泳姿势识别方法，该方法通过九轴传感器采集原始数据，通过等效旋转矢量法完成对四元数的计算，并且通过四元数的球极投影和垂直投影完成降维，在二维平面上提取特征信息量，通过基于分类器的判别模型实现对游泳姿势的识别。本发明能够准确识别游泳姿势。

Description

一种基于九轴传感器的游泳姿势识别方法
技术领域
本发明涉及运动检测技术领域，特别是涉及一种基于九轴传感器的游泳姿势识别方法。
背景技术
随着社会的日益发展，人们对于身体健康也越来越重视，越来越多的人参与到运动锻炼中，同时随着人们对科学运动的重视，人们也更加注重运动数据。监控运动数据，并以可视化的方式呈现，已经变成了很多运动爱好者每日坚持锻炼的动力。目前，大多数运动都可以通过借助一些常见设备来监控运动数据，例如智能手机，但是对于游泳等水下运动而言，很少有设备能够实现运动数据监控。目前最为常用对于游泳等水下运动的监控主要有两种：一种是基于计算机视觉的运动模式识别技术，另一种是基于可穿戴设备的水下运动数据采集方法。
基于计算机视觉的运动模式识别技术，广泛应用于人体的目标跟踪以及运动模式识别。该方法需要在监控地点安装摄像机，以进行视频数据采集，然后通过数据处理完成运动模式的识别。这样的方式体验较好，对于游泳者是无感知的，无侵犯的，但是由于摄像机的体积较大，且固定后无法轻易移动，在便携性上具有相当大的缺陷，同时摄像机的水下运动监控，仅能实现游泳姿势的识别，无法采集游泳者身体各方面的运动数据，因此功能上也有很大的局限性。
基于可穿戴设备的水下运动数据采集方法，是通过佩戴在游泳者身上的可穿戴设备，实现水下运动时的运动数据的采集。这种方法能够贴身完成运动数据的采集，可以保证数据的准确性，且采集过程实时进行，能够做到几乎无延迟的数据分析，同时其轻便小巧的外形也不会对游泳者造成身体上的负担，既可以实现准确的数据采集，又能保证设备的便携性。但是这样的设备虽然可以完成对游泳者身体各方面运动数据的采集，但是却不能识别游泳姿势，即不能识别是自由泳、仰泳、蝶泳、蛙泳等姿势
发明内容
本发明主要解决的技术问题是提供一种基于九轴传感器的游泳姿势识别方法，能够准确识别游泳姿势。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于九轴传感器的游泳姿势识别方法，包括：S1：获取九轴传感器采集到的原始数据，其中，所述九轴传感器佩戴在用户手腕处；S2：按照右手法则建立参考地坐标系以及所述九轴传感器的空间坐标系；S3：利用等效旋转矢量算法将所述原始数据转换为四维空间的姿态四元数；S4：利用所述四维空间的姿态四元数建立基于参考地坐标系和空间坐标系的姿态矩阵，并对所述姿态矩阵进行捷联惯导姿态解算得到姿态角；S5：根据姿态角将所述四维空间的姿态四元数通过球极投影函数投影到三维空间的单位球面上，得到三维姿态数据；S6：将单位球面上的三维姿态数据通过垂直投影函数投影到过单位球面的圆心且平行于参考地的单位圆上，得到二维姿态数据；S7：计算二维姿态数据的数据模长最大值、数据模长最小值、均值和方差，将数据模长最大值、数据模长最小值、均值和方差组成特征向量；S8：将所述特征向量输入预先训练好的Softmax分类器，分别得到对应不同游泳姿势对应的类别值，其中，所述Softmax分类器由不同游泳姿势的历史游泳运动数据训练得到；S9：选择最大类别值对应的游泳姿势作为游泳姿势输出结果。
作为本发明的一个优选实施例，在所述步骤S3之前，还包括：对所述原始数据进行去噪处理，以过滤掉异常的数据。
作为本发明的一个优选实施例，在进行去噪处理后，还包括：使用均值滤波器对所述原始数据进行均值滤波。
区别于现有技术的情况，本发明的有益效果是：通过九轴传感器可以在脱离摄像机的基础上实现对游泳姿势的识别，从而能够准确识别游泳姿势，同时不影响心率、距离、卡路里等运动数据的采集。
附图说明
图1是本发明实施例的基于九轴传感器的游泳姿势识别方法的流程示意图。
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、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明实施例的基于九轴传感器的游泳姿势识别方法包括以下步骤：
S1：获取九轴传感器采集到的原始数据，其中，九轴传感器佩戴在用户手腕处。
其中，九轴传感器可以集成在手环中，用户将手环绑戴在手腕上，九轴传感器就能够随游泳者手腕运动，进而采集数据。
S2：按照右手法则建立参考地坐标系以及九轴传感器的空间坐标系。
其中，参考地坐标系为“北-东-地”坐标系，X轴和Y轴分别指向北向和东向，Z轴指向当地“重力垂线”的方向。
空间坐标系以设备重心为中心O，X轴在手环对称平面内，通过重心与手环的纵轴一致，沿腕带方向为正，Z轴通过重心，在对称平面内向下为正，Y轴通过重心与XOZ平面垂直，按右手定则，指向右为正。
S3：利用等效旋转矢量算法将原始数据转换为四维空间的姿态四元数。
其中，姿态四元数以Q表示，并且满足如下约束条件：
Q＝q0+q1·ib+q2·jb+q3·kb
Figure BDA0002228959620000031
S4：利用四维空间的姿态四元数建立基于参考地坐标系和空间坐标系的姿态矩阵，并对姿态矩阵进行捷联惯导姿态解算得到姿态角。
其中，姿态矩阵以Cbt表示：
Figure BDA0002228959620000032
姿态矩阵Cbt可简写为：
Figure BDA0002228959620000033
解算得到的姿态角以φ、θ、ψ表示：
Figure BDA0002228959620000041
θ＝arcsinT13、
Figure BDA0002228959620000042
S5：根据姿态角将四维空间的姿态四元数通过球极投影函数投影到三维空间的单位球面上，得到三维姿态数据。
S6：将单位球面上的三维姿态数据通过垂直投影函数投影到过单位球面的圆心且平行于参考地的单位圆上，得到二维姿态数据。
S7：计算二维姿态数据的数据模长最大值、数据模长最小值、均值和方差，将数据模长最大值、数据模长最小值、均值和方差组成特征向量。
其中，特征向量表示为：
Figure BDA0002228959620000043
其中，xi为特征向量中的第i个数据。
S8：将特征向量输入预先训练好的Softmax分类器，分别得到对应不同游泳姿势对应的类别值，其中，Softmax分类器由不同游泳姿势的历史游泳运动数据训练得到。
其中，Softmax分类器表示为：
Figure BDA0002228959620000044
其中，k表示游泳姿势的种数，w表示Softmax分类器的参数，x表示特征向量。
softmax分类器的运算思想为：对于一个新的样本，softmax回归模型对于每一类别都先计算出一个分数，然后通过softmax函数得出一个类别值(类别值为一个概率值)，根据最大的类别值来确定样本属于哪一类别。
在模型训练时，得到Softmax分类器的参数，然后将特征向量与模型参数做点积，从而得到每个类别的类别值，再取类别值最大的一个类别作为游泳姿势结果。
S9：选择最大类别值对应的游泳姿势作为游泳姿势输出结果。
其中，最大的类别值对应的游泳姿势就是游泳者的游泳姿势。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种基于九轴传感器的游泳姿势识别方法，其特征在于，
包括：
S1：获取九轴传感器采集到的原始数据，其中，所述九轴传感器佩戴在用户手腕处；
S2：按照右手法则建立参考地坐标系以及所述九轴传感器的空间坐标系；
S3：利用等效旋转矢量算法将所述原始数据转换为四维空间的姿态四元数；
其中，姿态四元数以Q表示，并且满足如下约束条件：
Q＝q0+q1·ib+q2·jb+q3·kb，
Figure FDA0004051216300000011
S4：利用所述四维空间的姿态四元数建立基于参考地坐标系和空间坐标系的姿态矩阵，并对所述姿态矩阵进行捷联惯导姿态解算得到姿态角；
其中，姿态矩阵以Cbt表示：
Figure FDA0004051216300000012
姿态矩阵Cbt可简写为：
Figure FDA0004051216300000013
解算得到的姿态角以φ、θ、ψ表示：
Figure FDA0004051216300000021
θ＝arcsinT13、
Figure FDA0004051216300000022
S5：根据姿态角将所述四维空间的姿态四元数通过球极投影函数投影到三维空间的单位球面上，得到三维姿态数据；
S6：将单位球面上的三维姿态数据通过垂直投影函数投影到过单位球面的圆心且平行于参考地的单位圆上，得到二维姿态数据；
S7：计算二维姿态数据的数据模长最大值、数据模长最小值、均值和方差，将数据模长最大值、数据模长最小值、均值和方差组成特征向量；
其中，特征向量表示为：
Figure FDA0004051216300000023
其中，xi为特征向量中的第i个数据；
S8：将所述特征向量输入预先训练好的Softmax分类器，分别得到对应不同游泳姿势对应的类别值，其中，所述Softmax分类器由不同游泳姿势的历史游泳运动数据训练得到；
其中，Softmax分类器表示为：
Figure FDA0004051216300000024
其中，k表示游泳姿势的种数，w表示Softmax分类器的参数，x表示特征向量；
S9：选择最大类别值对应的游泳姿势作为游泳姿势输出结果。
2.根据权利要求1所述的基于九轴传感器的游泳姿势识别方法，其特征在于，
在所述步骤S3之前，还包括：
对所述原始数据进行去噪处理，以过滤掉异常的数据。
3.根据权利要求2所述的基于九轴传感器的游泳姿势识别方法，其特征在于，
在进行去噪处理后，还包括：
使用均值滤波器对所述原始数据进行均值滤波。
CN201910961174.7A 2019-10-11 2019-10-11 一种基于九轴传感器的游泳姿势识别方法 Active CN110705496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910961174.7A CN110705496B (zh) 2019-10-11 2019-10-11 一种基于九轴传感器的游泳姿势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910961174.7A CN110705496B (zh) 2019-10-11 2019-10-11 一种基于九轴传感器的游泳姿势识别方法

Publications (2)

Publication Number Publication Date
CN110705496A CN110705496A (zh) 2020-01-17
CN110705496B true CN110705496B (zh) 2023-04-18

Family

ID=69199214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910961174.7A Active CN110705496B (zh) 2019-10-11 2019-10-11 一种基于九轴传感器的游泳姿势识别方法

Country Status (1)

Country Link
CN (1) CN110705496B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240013224A (ko) * 2021-11-30 2024-01-30 썬전 샥 컴퍼니 리미티드 운동 데이터 캘리브레이션 방법과 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975989A (zh) * 2016-05-10 2016-09-28 东南大学 一种基于九轴运动传感器的肘部运动状态识别方法
CN108703760A (zh) * 2018-06-15 2018-10-26 安徽中科智链信息科技有限公司 基于九轴传感器的人体运动姿态识别系统及方法
CN108939512A (zh) * 2018-07-23 2018-12-07 大连理工大学 一种基于穿戴式传感器的游泳姿态测量方法
CN109948686A (zh) * 2019-03-13 2019-06-28 华南理工大学 一种基于九轴传感信号统计特征的泳姿识别方法
CN109976526A (zh) * 2019-03-27 2019-07-05 广东技术师范大学 一种基于表面肌电传感器和九轴传感器的手语识别方法
CN110008847A (zh) * 2019-03-13 2019-07-12 华南理工大学 一种基于卷积神经网络的泳姿识别方法
CN110020630A (zh) * 2019-04-11 2019-07-16 成都乐动信息技术有限公司 评估动作完成度的方法、装置、存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5614527B2 (ja) * 2010-03-05 2014-10-29 セイコーエプソン株式会社 姿勢情報算出装置、姿勢情報算出システム、姿勢情報算出方法及び姿勢情報算出プログラム
CN102385695A (zh) * 2010-09-01 2012-03-21 索尼公司 人体三维姿势识别方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975989A (zh) * 2016-05-10 2016-09-28 东南大学 一种基于九轴运动传感器的肘部运动状态识别方法
CN108703760A (zh) * 2018-06-15 2018-10-26 安徽中科智链信息科技有限公司 基于九轴传感器的人体运动姿态识别系统及方法
CN108939512A (zh) * 2018-07-23 2018-12-07 大连理工大学 一种基于穿戴式传感器的游泳姿态测量方法
CN109948686A (zh) * 2019-03-13 2019-06-28 华南理工大学 一种基于九轴传感信号统计特征的泳姿识别方法
CN110008847A (zh) * 2019-03-13 2019-07-12 华南理工大学 一种基于卷积神经网络的泳姿识别方法
CN109976526A (zh) * 2019-03-27 2019-07-05 广东技术师范大学 一种基于表面肌电传感器和九轴传感器的手语识别方法
CN110020630A (zh) * 2019-04-11 2019-07-16 成都乐动信息技术有限公司 评估动作完成度的方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN110705496A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
AU2020273327B2 (en) Systems and methods of swimming analysis
Qiao et al. Real-time human gesture grading based on OpenPose
CN109934111B (zh) 一种基于关键点的健身姿态估计方法及系统
CN107115653B (zh) 调整泳姿的装置、泳姿信息处理系统、泳姿信息处理方法
Wang et al. Using wearable sensors to capture posture of the human lumbar spine in competitive swimming
CN108597578B (zh) 一种基于二维骨架序列的人体运动评估方法
Hsu et al. Wearable sport activity classification based on deep convolutional neural network
CN110738154A (zh) 一种基于人体姿态估计的行人摔倒检测方法
WO2023097967A1 (zh) 一种动作检测方法、装置、设备、存储介质及计算机程序产品
Papic et al. Improving data acquisition speed and accuracy in sport using neural networks
Kim et al. Golf swing analysis system with a dual band and motion analysis algorithm
CN106846372B (zh) 人体运动质量视觉分析与评价系统及其方法
US20210035326A1 (en) Human pose estimation system
CN110705496B (zh) 一种基于九轴传感器的游泳姿势识别方法
CN104484654A (zh) 基于模式识别与指纹匹配定位算法的防溺水识别方法
CN109011419B (zh) 一种基于mems传感器的运动动作训练方法
Agarwal et al. FitMe: a fitness application for accurate pose estimation using deep learning
US11461905B2 (en) Determining a kinematic sequence
Lin et al. Using hybrid sensoring method for motion capture in volleyball techniques training
CN114241602B (zh) 一种基于深度学习的多目转动惯量测量和计算方法
CN116343325A (zh) 一种居家健身智能辅助系统
CN114360052A (zh) 一种基于AlphaPose和关节点角度匹配算法的智能体感教练系统
JP7482471B2 (ja) 学習モデルの生成方法
Lecoutere et al. Tracking elite swimmers in real time with wearable low-power wireless sensor networks
US20230337989A1 (en) Motion data display method and system

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