CN110781777A - 体育训练中人体动作的判定方法、系统和存储介质 - Google Patents
体育训练中人体动作的判定方法、系统和存储介质 Download PDFInfo
- Publication number
- CN110781777A CN110781777A CN201910960340.1A CN201910960340A CN110781777A CN 110781777 A CN110781777 A CN 110781777A CN 201910960340 A CN201910960340 A CN 201910960340A CN 110781777 A CN110781777 A CN 110781777A
- Authority
- CN
- China
- Prior art keywords
- human body
- contour
- specific part
- contour information
- appliance
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种体育训练中人体动作的判定方法、系统和存储介质。该方法包括:根据机器学习的动作模型得到不同时刻图象中人体的特定部位和器具的特定部件所对应的第一轮廓信息,其中,该图象是图片或视频截图;比较同一时刻中该人体的特定部位所对应的第一轮廓信息和该器具的特定部件所对应的第一轮廓信息的关系得到第二轮廓信息,其中,该人体特定部位与该器具特定部件相对应;比较不同时刻中该第二轮廓信息的变化得到第三轮廓信息;将该第三轮廓信息与预设标准信息进行对比得到动作判定结果。通过本发明解决了现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
Description
技术领域
本发明涉及体育训练技术领域,具体而言,涉及一种体育训练中人体动作的判定方法、系统和存储介质。
背景技术
现有技术通过识别人体自身关节点或人体自身部位的位置和角度变化来判断参训人员是否符合动作标准。该方式存在弊端,由于只要人体特定部位的坐标位移或者角度达到标准后就会被判定为符合动作标准,对于这种单一的判定方法使训练人员比较容易达到,所以很容易作弊和欺骗。
针对现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题,目前尚未提出有效地解决方案。
发明内容
本发明提供了一种体育训练中人体动作的判定方法、系统和存储介质,以解决现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
根据本发明实施例的一个方面,提供了一种体育训练中人体动作的判定方法,包括:根据机器学习的动作模型得到不同时刻图象中人体的特定部位和器具的特定部件所对应的第一轮廓信息,其中,所述图象是图片或视频截图;比较同一时刻中所述人体的特定部位所对应的第一轮廓信息和所述器具的特定部件所对应的第一轮廓信息的关系得到第二轮廓信息,其中,所述人体特定部位与所述器具特定部件相对应;比较不同时刻中所述第二轮廓信息的变化得到第三轮廓信息;将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果。
进一步地,根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息之前包括:采集人体运动和使用运动器具时的图像,和/或采集人体非运动和非使用运动器具时的图像;将所述图像与所述图像中人体和运动器具所对应的轮廓信息建立关联并进行训练后得到所述动作模型。
进一步地,所述第一轮廓信息包括不同时刻图象中所述人体的特定部位所对应的轮廓位置、轮廓方向线和轮廓边缘线,和/或同时刻图象中所述器具的特定部件所对应的轮廓位置、轮廓方向线和轮廓边缘线。
进一步地,所述第二轮廓信息包括所述人体特定部位与所述器具特定部位轮廓位置的距离、所述人体特定部位与所述器具特定部位的轮廓方向线的夹角、和/或所述人体特定部位与所述器具特定部位的轮廓边缘线的重合比率。
进一步地,所述图像包括多种拍摄角度、多种光照情况、多种衣着以及多种图片清晰度。
进一步地,所述人体来源于不同人种、不同肤色、不同身体条件和不同性别。
进一步地,将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果包括:通过将所述第三轮廓信息与预设标准信息进行对比判断动作是否完全符合预设标准信息中正确动作标准的所有条件,或部分符合所述正确动作标准的所有条件,或完全不符合所述正确动作标准的所有条件;对正确、部分正确和完全不正确的动作判定结果进行分类计数。
进一步地,所述第二轮廓信息还包括:所述人体特定部位之间的轮廓位置的距离以及轮廓方向线的夹角,和/或所述器具特定部位之间的轮廓位置的距离以及轮廓方向线的夹角。
根据本发明实施例的另一个方面,还提供给了一种体育训练中人体动作的判定系统,包括:处理模块,用于根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息,其中,所述图象是图片或视频截图;第一比较模块,用于比较同一时刻中所述人体的特定部位所对应的第一轮廓信息和所述器具的特定部件所对应的第一轮廓信息得到第二轮廓信息,其中,所述人体特定部位与所述器具特定部位相对应;第二比较模块,用于比较不同时刻中所述第二轮廓信息的变化得到第三轮廓信息;判定模块,用于将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果。
进一步地,所述系统包括:采集模块,用于采集人体运动和使用运动器具时的图像,和/或采集人体非运动和非使用运动器具时的图像;训练模块,用于将所述图像与所述图像中人体和运动器具所对应的轮廓信息建立关联并进行训练后得到所述动作模型。
进一步地,所述系统还包括:第三处理模块,用于通过将所述第三轮廓信息与预设标准信息进行对比判断动作是否完全符合预设标准信息中正确动作标准的所有条件,或部分符合所述正确动作标准的所有条件,或完全不符合所述正确动作标准的所有条件;分类模块,用于对正确、部分正确和完全不正确的动作判定结果进行分类计数。
进一步地,所述第一轮廓信息包括不同时刻图象中所述人体的特定部位所对应的轮廓位置、轮廓方向线和轮廓边缘线,和/或同时刻图象中所述器具的特定部件所对应的轮廓位置、轮廓方向线和轮廓边缘线。
进一步地,所述第二轮廓信息包括所述人体特定部位与所述器具特定部位轮廓位置的距离、所述人体特定部位与所述器具特定部位的轮廓方向线的夹角、和/或所述人体特定部位与所述器具特定部位的轮廓边缘线的重合比率。
进一步地,所述第二轮廓信息还包括:所述人体特定部位之间的轮廓位置的距离以及轮廓方向线的夹角,和/或所述器具特定部位之间的轮廓位置的距离以及轮廓方向线的夹角。
根据本发明实施例的另一个方面,还提供给了一种存储介质,所述存储介质上保存有程序,所述程序被运行时执行上所述的方法。
根据本发明实施例的另一个方面,还提供给了一种处理器,所述程序被运行时执行上述的方法。
根据本发明实施例一种体育训练中人体动作的判定方法,采用了根据机器学习的动作模型得到不同时刻图象中人体的特定部位和器具的特定部件所对应的第一轮廓信息,其中,所述图象是图片或视频截图;比较同一时刻中所述人体的特定部位所对应的第一轮廓信息和所述器具的特定部件所对应的第一轮廓信息的关系得到第二轮廓信息,其中,所述人体特定部位与所述器具特定部件相对应;比较不同时刻中所述第二轮廓信息的变化得到第三轮廓信息;将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果。通过本发明解决了现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题,能够有效避免误判和作弊情况的发生。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种体育训练中人体动作的判定方法的流程图;
图2是根据本发明实施例的一种体育训练中人体动作的判定系统的结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种体育训练中人体动作的判定方法。图1是根据本发明实施例的一种体育训练中人体动作的判定方法的流程图。如图1所示,该方法包括如下步骤:
步骤S102,根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息,其中,图象是图片或视频截图;
步骤S104,比较同一时刻中人体的特定部位所对应的第一轮廓信息和器具的特定部件所对应的第一轮廓信息的关系得到第二轮廓信息,其中,人体特定部位与器具特定部位相对应;
步骤S106,比较不同时刻中第二轮廓信息的变化得到第三轮廓信息;
步骤S108,将第三轮廓信息与预设标准信息进行对比得到动作判定结果。
上述人体特定部位与器具特定部位相对应是指位置、位移等相对应。
上述步骤采用人工神经网络和机器学习方法对大量使用器材器械的体育训练人员运动时的图片或视频数据集进行训练和机器学习后得到动作模型;从而计算并标定该类人员的身体运动部位和参与运动的器材器械特定部件在二维图片或视频图像中对应的轮廓位置;最终通过训练人员参与运动的特定部位和运动器械器材特定部件之间的相对轮廓位置或夹角变化辨别参训人员的动作是否正确。现有技术通过识别人体自身关节点或人体自身部位的位置和角度变化来判断参训人员是否符合动作标准的方式中存在易作弊和易欺骗识别系统的弊端,本实施例与现有技术不同,通过人体与器具之间的轮廓信息的关系更加准确的判断动作是否正确,增加了作弊难度,从而解决了现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息之前,需要采集大量的随时间运动变化的人体和运动器具的连续图片或者是视频,所收集的人体和运动器械器材(器具)包含参与运动训练时的视频及图片,也可以包括未参与运动训练时的视频及图片以确保机器学习可以覆盖更广泛的场景。在一种可选的实施方式中,首先采集人体运动和使用运动器具时的图像,和/或采集人体非运动和非使用运动器具时的图像;然后将图像与图像中人体和运动器具所对应的轮廓信息建立关联并进行训练后得到动作模型。通过上述方式保证所训练的动作模型更加准确。
在一种可选的实施方式中,第一轮廓信息包括不同时刻图象中人体的特定部位所对应的轮廓位置、轮廓方向线和轮廓边缘线,和/或同时刻图象中器具的特定部件所对应的轮廓位置、轮廓方向线和轮廓边缘线。
上述实施方式通过机器学习的结果所生成的模型自动识别出新的随时间变化的视频截图或连续图片中训练人员的人体特定部位(例如:头部,躯干,上臂,前臂,大腿,小腿等部位)的轮廓和方向,以及训练人员所使用到器具(例如:单杠,双杠,吊环,跳马,哑铃,杠铃,壶铃,瑜伽垫,运动垫,弹力绳,球类,球拍,球杆,以及固定训练器材上的把手,动臂等)的轮廓位置、轮廓方向线和轮廓边缘线,这种综合利用各种轮廓信息以及人体和运动器具关系的方式使得识别判定方法更加精确的判定动作,大大增加了作弊的难度,解决了现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
在上述步骤中对运动场景中的参与运动的人员的特定身体部位和运动器材器械的特定部件的轮廓位置和方向等轮廓信息都进行标定和机器学习之后,根据几何运算获得人体特定部位和运动器具的特定部件之间的几何关系(第二轮廓信息),在一种可选的实施方式中,第二轮廓信息包括人体特定部位与器具特定部位轮廓位置的距离、人体特定部位与器具特定部位的轮廓方向线的夹角、和/或人体特定部位与器具特定部位的轮廓边缘线的重合比率。例如,该第二轮廓信息可以是在杠铃、哑铃、壶铃、举重等相关运动中人体特定部位与铃之间;俯卧撑,仰卧起坐与人体运动部位与运动垫边缘之间。单杠引体向上,单杠曲臂悬垂,单杠卷身上等运动人体特定部位与单杠之间,双杠臂屈伸,上双杠摆动臂屈伸,双杠支撑移动等运动中人体特定部位与单杠之间,坐位体前屈,立定跳远,平板支撑等运动人体特定部位与运动垫之间,固定力量器械等运动人体特定部位与器械手柄或动臂之间等。
在确定第二轮廓信息之后,根据轮廓的方向线的夹角,轮廓线的相对位置,轮廓线的覆盖关系等等综合考量参与运动的人员的关键身体部位和运动器材器械的特定部件的运动轨迹,和轮廓覆盖情况是否合理来判断训练人员是否正确的完成了动作,而未采用欺骗的手段欺骗智能裁判系统。从而解决现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
为了确保机器学习可以覆盖更广泛的场景,使得所训练的动作模型更加准确,需要收集的人体和器具视频及图片包括多种拍摄角度、多种光照情况、多种衣着以及多种图片清晰度。在一种可选的实施方式中,图像包括多种拍摄角度、多种光照情况、多种衣着以及多种图片清晰度。在另一种可选的实施方式中,人体来源于不同人种、不同肤色、不同身体条件和不同性别。
在一种可选的实施方式中,将第三轮廓信息与预设标准信息进行对比得到动作判定结果包括:通过将第三轮廓信息与预设标准信息进行对比判断动作是否完全符合预设标准信息中正确动作标准的所有条件,或部分符合正确动作标准的所有条件,或完全不符合正确动作标准的所有条件;对正确、部分正确和完全不正确的动作判定结果进行分类计数。
上述预设标准信息包括并不限于军事体育训练大纲,军事体育考核标准,各年龄段学生体育考试标准,国家学生体质健康标准,国民体质测定标准。
通过收集大量使用器材器械体育训练人员运动时的视频及图片,并采用机器学习的方法,能够学习并计算出人员的身体运动部位和参与运动的器材器械特定部件在二维图片或视频图像中对应的轮廓位置。在获取到的随时间变化的视频截图或连续图片中人体特定部位和参与运动的器材器械特定部件的轮廓位置后,通过几何运算得到人体特定部位和参与运动的器材器械特定部件形成的方向线的夹角的角度变化和轮廓相对位置的变化。在获取到人体特定部位和参与运动的器材器械特定部件形成的方向线的夹角的角度变化和轮廓相对位置的变化后,通过对比训练或考核标准中所描述的正确动作的完成条件作出判断该动作是否完全符合正确动作标准的所有条件,或部分符合正确标准的所有条件,或完全不符合正确标准的所有条件。并对正确,部分正确和完全不正确的动作进行分类计数。
为了使动作判定结果更加准确,在一种可选的实施方式中,第二轮廓信息还包括:人体特定部位之间的轮廓位置的距离以及轮廓方向线的夹角,和/或器具特定部位之间的轮廓位置的距离以及轮廓方向线的夹角。
下面结合一个可选的实施方式举例对上述整个方法进行说明:
(一)采集大量使用器材器械的训练人员运动时视频及图片:该类图片或视屏包括多种拍摄角度、多种光照情况、多种衣着以及多种图片清晰度。
(二)对采集人体运动和使用运动器具时的图像进行标注:
1、对收集到的图片或视频截图中的训练人员的人体特定部位(例如:头部,躯干,上臂,前臂,大腿,小腿等部位)进行轮廓描绘人工标注。并将每张图片中所标人体特定部位的方位朝向,包裹其轮廓的曲线位置和其对应的身体部位等人体特定部位的轮廓信息存储到xml或vod文件当中。
2、同时对收集到的图片或视频截图中的训练人员所使用到器材器械(例如:单杠,双杠,吊环,跳马,哑铃,杠铃,壶铃,瑜伽垫,运动垫,弹力绳,球类,球拍,球杆,以及固定训练器材上的把手,动臂等)进行轮廓描绘人工标注。并将每张图片中所标器材器械的方位朝向,包裹其轮廓的曲线位置和其对应的器材器械(器具)的轮廓信息存储到xml或vod文件当中。
(三)根据所采集到的人体运动和使用运动器具时的图像训练动作模型:
1、将未标注的原始图片和已生成的数据文件一一对应的划分为training、validation、test数据集。
2、准备训练用的prototxt模型文件,包括设置图片路径,数据路径,网络层次结构、根据硬件运算能力设置batch_size等等参数。
3、配置预编译的caffe模型环境,选择一种训练模型作为训练的基础模型(动作模型)。
4、按顺序执行training,validation,test代码,生成评估结果。
5、而后根据评估结果不断调整参数,直至准确度达到使用要求。
(四)当动作模型生成完毕,将新的训练人员运动时的图片或视频再次输入test系统,将得到运动人员身体关节或特定部位在二维图片或视频图像中对应位置(第一轮廓信息)。
(五)最终通过以上参与运动的的特定人体特定部位和运动器械器材特定部件之间的相对位置或夹角变化来对照考核或训练的标准来辨别参训人员的动作是否正确。
上述实施例对运动场景中的参与运动的人员的特定身体部位和运动器材器械的特定部件的轮廓位置和方向都进行标定和机器学习。最终通过综合考量参与运动的人员的特定身体部位和运动器材器械的特定部件的运动轨迹,和轮廓覆盖情况是否合理来判断训练人员是否正确的完成了动作,有效避免了训练人员采用欺骗的手段欺骗智能裁判系统,本实施例解决了现有技术存在的识别判定方法容易被训练人员作弊导致的判定精确度不高的问题。
下面以杠铃卧推为例对上述整个方法进行说明:
某杠铃卧推考核标准规则是指参训人员的身体特定部位与杠铃特定部件的关系标准,具体可以如下:
1)参训人员平躺于卧推凳上做动作,做动作时身体需始终紧贴卧推凳以保护脊椎;
2)曲臂时上臂与杠铃横杠平行,前臂与杠铃横杠垂直;
3)伸臂时上臂与前臂呈直线,前臂与杠铃横杠接近垂直;
首先,收集大量参加杠铃卧推训练人员运动时的图片和视频。然后在上述图片或视频截图中标定出训练人员的人体特定部位(例如:头部,躯干,上臂,前臂,大腿,小腿等部位)以及参与运动的器材器械特定部件(例如:杠铃片,杠铃杆,杠铃架,卧推凳等)。然后生成数据文件。
其次,搭建机器学习环境,并进行学习得到动作模型。
然后,利用学习的结果所生成的动作模型自动识别出新的随时间变化的视频截图或连续图中杠铃卧推训练人员的人体特定部位和杠铃片,杠铃杆,卧推凳等器材器械特定部件。
最后,在以上数据中提取随时间变化的视频截图或连续图片中训练人员上臂,前臂,躯干的方向,位置和杠铃片,杠铃杆,卧推凳等器材器械特定部件的方向,位置。通过几何计算本实施例可以得到前臂方向线和杠铃杆方向线的夹角变化,前臂方向线和杠铃杆方向线的夹角变化,躯干轮廓和卧推凳上表面轮廓的相对位置变化。以此本实施例可以判断参训人员平躺于卧推凳上做动作时身体是否始终紧贴卧推凳;参训人员曲臂时上臂是否与杠铃横杠平行,前臂是否与杠铃横杠垂直;伸臂时上臂是否与前臂呈直线,前臂是否与杠铃横杠接近垂直。对比考核标准本实施例可以得出参训人员的做动作的正确个数。
本发明实施例还提供了一种体育训练中人体动作的判定系统,该系统可以通过处理模块22、第一比较模块24、第二比较模块26、判定模块28实现其功能。需要说明的是,本发明实施例的一种体育训练中人体动作的判定系统可以用于执行本发明实施例所提供的一种体育训练中人体动作的判定方法,本发明实施例的一种体育训练中人体动作的判定方法也可以通过本发明实施例所提供的一种体育训练中人体动作的判定系统来执行。图2是根据本发明实施例的一种体育训练中人体动作的判定系统示意图。如图2所示,一种体育训练中人体动作的判定系统包括:
处理模块22,用于根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息,其中,图象是图片或视频截图;
第一比较模块24,用于比较同一时刻中人体的特定部位所对应的第一轮廓信息和器具的特定部件所对应的第一轮廓信息得到第二轮廓信息,其中,人体特定部位与器具特定部位相对应;
第二比较模块26,用于比较不同时刻中第二轮廓信息的变化得到第三轮廓信息;
判定模块28,用于将第三轮廓信息与预设标准信息进行对比得到动作判定结果。
上述一种体育训练中人体动作的判定系统的实施例是与一种体育训练中人体动作的判定方法相对应的,所以对于有益效果不再赘述。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述方法。
本发明实施例提供了一种处理器,处理器包括处理的程序,其中,在程序运行时控制处理器所在设备执行上述方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,可通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种体育训练中人体动作的判定方法,其特征在于,包括:
根据机器学习的动作模型得到不同时刻图象中人体的特定部位和器具的特定部件所对应的第一轮廓信息,其中,所述图象是图片或视频截图;
比较同一时刻中所述人体的特定部位所对应的第一轮廓信息和所述器具的特定部件所对应的第一轮廓信息的关系得到第二轮廓信息,其中,所述人体特定部位与所述器具特定部件相对应;
比较不同时刻中所述第二轮廓信息的变化得到第三轮廓信息;
将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果。
2.根据权利要求1所述的方法,其特征在于,根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息之前包括:
采集人体运动和使用运动器具时的图像,和/或采集人体非运动和非使用运动器具时的图像;
将所述图像与所述图像中人体和运动器具所对应的轮廓信息建立关联并进行训练后得到所述动作模型。
3.根据权利要求1所述的方法,其特征在于,包括:所述第一轮廓信息包括不同时刻图象中所述人体的特定部位所对应的轮廓位置、轮廓方向线和轮廓边缘线,和/或不同时刻图象中所述器具的特定部件所对应的轮廓位置、轮廓方向线和轮廓边缘线。
4.根据权利要求或1所述的方法,其特征在于,所述第二轮廓信息包括所述人体特定部位与所述器具特定部位轮廓位置的距离、所述人体特定部位与所述器具特定部位的轮廓方向线的夹角、和/或所述人体特定部位与所述器具特定部位的轮廓边缘线的重合比率。
5.根据权利要求1所述的方法,其特征在于,所述图像包括多种拍摄角度、多种光照情况、多种衣着以及多种图片清晰度。
6.根据权利要求1所述的方法,其特征在于,包括:所述人体来源于不同人种、不同肤色、不同身体条件和不同性别。
7.根据权利要求1所述的方法,其特征在于,将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果包括:
通过将所述第三轮廓信息与预设标准信息进行对比判断动作是否完全符合预设标准信息中正确动作标准的所有条件,或部分符合所述正确动作标准的所有条件,或完全不符合所述正确动作标准的所有条件;
对正确、部分正确和完全不正确的动作判定结果进行分类计数。
8.根据权利要求1所述的方法,其特征在于,所述第二轮廓信息还包括:所述人体特定部位之间的轮廓位置的距离以及轮廓方向线的夹角,和/或所述器具特定部位之间的轮廓位置的距离以及轮廓方向线的夹角。
9.一种体育训练中人体动作的判定系统,其特征在于,包括:
处理模块,用于根据机器学习的动作模型得到不同时刻图象中人体和器具的特定部件所对应的第一轮廓信息,其中,所述图象是图片或视频截图;
第一比较模块,用于比较同一时刻中所述人体的特定部位所对应的第一轮廓信息和所述器具的特定部件所对应的第一轮廓信息得到第二轮廓信息,其中,所述人体特定部位与所述器具特定部位相对应;
第二比较模块,用于比较不同时刻中所述第二轮廓信息的变化得到第三轮廓信息;
判定模块,用于将所述第三轮廓信息与预设标准信息进行对比得到动作判定结果。
10.一种存储介质,其特征在于,所述存储介质上保存有程序,所述程序被运行时执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960340.1A CN110781777A (zh) | 2019-10-10 | 2019-10-10 | 体育训练中人体动作的判定方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960340.1A CN110781777A (zh) | 2019-10-10 | 2019-10-10 | 体育训练中人体动作的判定方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781777A true CN110781777A (zh) | 2020-02-11 |
Family
ID=69385136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960340.1A Pending CN110781777A (zh) | 2019-10-10 | 2019-10-10 | 体育训练中人体动作的判定方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781777A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150498A (zh) * | 2020-11-09 | 2020-12-29 | 浙江大华技术股份有限公司 | 体态信息的确定方法、装置、存储介质及电子装置 |
CN113095248A (zh) * | 2021-04-19 | 2021-07-09 | 中国石油大学(华东) | 一种用于羽毛球运动的技术动作纠正方法 |
CN115019240A (zh) * | 2022-08-04 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120277062A1 (en) * | 2011-04-26 | 2012-11-01 | Pidcoe Peter E | Elliptically based robotic gait trainer (ebrgt) |
CN106548675A (zh) * | 2016-11-08 | 2017-03-29 | 湖南拓视觉信息技术有限公司 | 虚拟军事训练方法及装置 |
CN108256433A (zh) * | 2017-12-22 | 2018-07-06 | 银河水滴科技(北京)有限公司 | 一种运动姿态评估方法及系统 |
-
2019
- 2019-10-10 CN CN201910960340.1A patent/CN110781777A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120277062A1 (en) * | 2011-04-26 | 2012-11-01 | Pidcoe Peter E | Elliptically based robotic gait trainer (ebrgt) |
CN106548675A (zh) * | 2016-11-08 | 2017-03-29 | 湖南拓视觉信息技术有限公司 | 虚拟军事训练方法及装置 |
CN108256433A (zh) * | 2017-12-22 | 2018-07-06 | 银河水滴科技(北京)有限公司 | 一种运动姿态评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
李鑫等: ""基于Kinect 的体育运动自训练系统"", 《计算机技术与发展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150498A (zh) * | 2020-11-09 | 2020-12-29 | 浙江大华技术股份有限公司 | 体态信息的确定方法、装置、存储介质及电子装置 |
CN113095248A (zh) * | 2021-04-19 | 2021-07-09 | 中国石油大学(华东) | 一种用于羽毛球运动的技术动作纠正方法 |
CN113095248B (zh) * | 2021-04-19 | 2022-10-25 | 中国石油大学(华东) | 一种用于羽毛球运动的技术动作纠正方法 |
CN115019240A (zh) * | 2022-08-04 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
CN115019240B (zh) * | 2022-08-04 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109716444B (zh) | 运动表现的评估与指导 | |
Velloso et al. | Qualitative activity recognition of weight lifting exercises | |
CN110781777A (zh) | 体育训练中人体动作的判定方法、系统和存储介质 | |
US11798318B2 (en) | Detection of kinetic events and mechanical variables from uncalibrated video | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
JP2020174910A (ja) | 運動支援システム | |
JP6959898B2 (ja) | 情報処理装置、サポート方法、及びサポートシステム | |
US11134866B2 (en) | Garments, systems and methods for sports training | |
Yasser et al. | Smart coaching: Enhancing weightlifting and preventing injuries | |
CN113255623B (zh) | 一种智能识别俯卧撑动作姿态完成状况的系统和方法 | |
JP2005111178A (ja) | 動作トレーニング表示システム | |
KR20060109762A (ko) | 온라인 운동자세 교정시스템 | |
CN116271757A (zh) | 一种基于ai技术的篮球练习的辅助系统和方法 | |
TWM581492U (zh) | 智慧型重訓系統 | |
KR20230005693A (ko) | 태그를 사용한 운동관리 헬스케어 서비스 시스템 | |
Karunaratne et al. | Objectively measure player performance on olympic weightlifting | |
EP4176798A1 (en) | Monitoring exercise activity in a gym environment | |
JP2021068069A (ja) | 無人トレーニングの提供方法 | |
CN114708541A (zh) | 一种体能测试方法、装置、计算机设备及存储介质 | |
CN113842622B (zh) | 一种运动教学方法、装置、系统、电子设备及存储介质 | |
Lease et al. | Use of Keypoint-RCNN and YOLOv7 for Capturing Biomechanics and Barbell Trajectory in Weightlifting | |
KR20210158291A (ko) | 이동 로봇을 이용한 휴먼 자세 평가 장치 및 방법 | |
CN115691758A (zh) | 健身操锻炼评估方法及系统 | |
CN116486299A (zh) | 运动量统计方法、装置及系统 | |
CN117877105A (zh) | 仰卧起坐测评系统以及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |