CN110909621A - 一种基于视觉的健身指导系统 - Google Patents
一种基于视觉的健身指导系统 Download PDFInfo
- Publication number
- CN110909621A CN110909621A CN201911047517.5A CN201911047517A CN110909621A CN 110909621 A CN110909621 A CN 110909621A CN 201911047517 A CN201911047517 A CN 201911047517A CN 110909621 A CN110909621 A CN 110909621A
- Authority
- CN
- China
- Prior art keywords
- user
- motion
- data
- graph
- behavior
- 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
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000036544 posture Effects 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 208000029549 Muscle injury Diseases 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 230000037237 body shape Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉的健身指导系统，包括身份识别系统、动作感应系统、中间控制设备和运动数据分析系统；所述身份识别系统运用人脸识别技术对用户进行身份识别，保证个人信息的记录连续性和私密性；所述动作感应系统通过AI算法，调取用户运动时的传感数据，在所述中间控制设备的控制下，进行用户动作识别；所述运动数据分析系统可以对用户的运动数据进行分析，从而精准限定用户的训练休息时间分配，制定贴合用户自身情况的训练任务。本发明通过视觉确定用户身份，对用户的运动数据进行传感分析，从而生成定制版用户训练模式，便捷精准地为用户的运动提供科学的指导。
Description
技术领域
本发明涉及一种人体动作识别技术，尤其是一种基于视觉的健身指导系统。
背景技术
随着人民生活水平的提高，大众对自己的生活质量关注度也不断提高，这体现在方方面面，不论是衣食住行的环境要求，还是教育医疗的保障需求，都可以看出居民对自己生活的追求。除了这些基础生活的改进，在经济条件显著提高的基础上，大众对自身的关注度也不断上涨。不仅更加关注自己的兴趣发展，例如追星这种近几年逐步攀升的娱乐活动，也包括自身形体的追求，人们对自己的身材要求不再是单一的“削瘦”，而是更加追求曲线适当，仪态自然。这种要求不仅需要大量的时间投入，配合作息饮食，更加需要的专业的健身教练对人们的健身习惯和姿势进行纠正，需要消耗大量的人力和财力。
传统的健身房缺乏数字化功能或者是可以与用户实时交互的功能，大多数用户在不了解自身运动能力的基础上，直接进行运动，经常会做一些并不合适的训练课程，这种状况很容易导致身体损伤。即便没有损伤，当缺乏指导，健身动作不正确的时候，训练效果也无法达到预期，甚至有可能练出过于粗壮的体态。
本发明提出用计算机视觉技术，对用户进行人脸识别后，使用传感器获取用户的健身动作数据，并构建用户的个人运动模式，识别用户健身过程的行为动作，规范用户的健身动作，从而进行健身指导。用户可以在无私教的状态下，较准确地进行高效健身，并在健身结束后，收到运动的数据反馈与建议。
发明内容
发明目的：提供一种基于视觉的健身指导系统，以解决上述问题。
技术方案：一种基于视觉的健身指导系统，包括身份识别系统、动作感应系统、中间控制设备和运动数据分析系统，通过人脸识别确定用户身份，对用户的运动数据进行传感分析，为用户的运动提供科学的指导；
身份识别系统，在健身之前，运用人脸识别技术对用户进行身份识别，每一个用户可以获取专属自己的运动数据并存储，从而对用户的运动习惯进行纠正；
动作感应系统，通过AI算法，结合使用在用户的可穿戴设备中的传感器，调取用户在健身过程中的传感数据；
中间控制设备，根据用户在运动时获取的数据，识别用户行为动作，同时进行用户动作纠正模式创建；
运动数据分析系统，为用户制定贴合自身情况的训练任务，精准限定训练和休息时间，并在训练后呈现数据报告；
所述动作感应系统，通过使用一种双流自适应的图卷积神经网络来建模人体骨架并进行行为动作识别，具体步骤为：
步骤1、构建人体动作的行为时空模型；
步骤11、根据人体的物理结构，构建以骨骼点为连接节点的数据图，将人体的每个关节点定义为图的节点，关节点之间的物理连接定义为图的边；
步骤12、在相邻帧的同一个节点间加上时间维度的边，从而完成人体动作的行为时空图，用于存储用户的运动数据和运动行为习惯；
步骤2、构建自适应图卷积层，对用户的动作进行识别；
步骤21、获取人体动作的行为时空模型，对所述行为时空图做卷积运算，每一个节点的邻节点数是不固定的，但是卷积操作的参数是固定的，通过定义一个映射函数来将固定数量的参数和不定数量的临节点数对应起来；
步骤22、定义卷积核大小为三，三个参数分别对应于远离人体中心的点，靠近人体中心的点和卷积点本身，卷积操作就可以表示为：
其中，f是输入输出的特征张量，w是卷积参数，v是图中节点，l是节点与参数间的映射函数，z是归一化函数；在具体实现时，映射函数可以通过图的邻接矩阵来实现，表示为：
其中，A代表图的邻接矩阵，K是卷积核大小；
通过与邻接矩阵相乘，完成从特征张量中进行所需要的节点的筛选，并与对应的参数相乘；
步骤23、使用三种不同的计算模式设置自适应图卷积层，通过φ函数和θ函数，将输入的数据降低维度映射到低维空间中，进一步通过相乘获得每两个点之前的特征相似性，将这个相似性矩阵通过softmax归一化作为最终的邻接矩阵，具体公式为：
Ck＝softmax(fin TWθk TWφkfin)
最终的自适应图卷积层可以表示为：
使用该函数完成对用户运动的动作识别。
根据本发明的一个方面，所述身份识别系统运用人脸识别技术识别用户身份，为了保证人脸识别的速度和精准度，采用Retina Face的算法，利用联合监督和自监督的多任务学习模式，在各种人脸尺度上进行像素方面的定位。
根据本发明的一个方面，所述动作感应系统主要分成智能传感器和后端AI识别系统两部分，前者佩戴于用户的身上用于同步感应用户的动作，后者自动实时采集用户的运动数据，对运动数据进行存储和进一步的分析。
根据本发明的一个方面，所述自适应图卷积层的三种模式需要对用户的动作数据进行实时监控，具体可以分成A、B、C三种，其中，A代表了根据人体物理结构定义的公式，对于所有的卷积层以及所有的样本都是相同的；B是根据数据库统计出来的适应于行为识别任务的经验公式，作为网络的参数在训练过程中根据分类损失不断更新，在每一个卷积层都有所变化，但是对于不同样本是相同的；C是样本自适应的公式。
根据本发明的一个方面，所述中间控制设备需要创建人体运动模型，其中，人体骨骼的信息根据调查数据单独提取，进一步表示为关节点之间的向量；将骨骼的信息使用基础自适应图卷积神经网络建模，然后将骨骼流于关节点流的softmax层分数融合来得到最终的分类结果。
根据本发明的一个方面，所述运动数据分析系统在获取通过自适应的图卷积神经网络传来的数据时，可以识别用户的运动行为，一旦用户的健身动作不规范，系统会通过语音提示的方式纠正用户的动作。
根据本发明的一个方面，所述运动数据分析系统根据用户的行为可以完成个性化的运动模式定制，一方面可以保证用户不会因为错误的姿势受伤，另一方面还能避免过度训练与肌肉损伤,提升健身的效果。
有益效果：本发明通过使用传感器感应，实现了对用户的个人行为识别，可以在无私教的情况下，对用户的运动行为进行实时感应，构建人体的运动模型后，对用户的运动姿势和习惯进行纠正，使得用户可以准确高效地健身。
附图说明
图1是本发明的实施流程图。
图2是本发明的动作感应系统中构建的行为时空图。
图3是本发明的动作感应系统中构建的图卷积参考点示意图。
图4是本发明的自适应图卷积层流程图。
具体实施方式
如图1所示，在该实施例中，一种基于视觉的健身指导系统，包括身份识别系统、动作感应系统、中间控制设备和运动数据分析系统，通过人脸识别确定用户身份，对用户的运动数据进行传感分析，为用户的运动提供科学的指导；
身份识别系统，在健身之前，运用人脸识别技术对用户进行身份识别，每一个用户可以获取专属自己的运动数据并存储，从而对用户的运动习惯进行纠正；
动作感应系统，通过AI算法，结合使用在用户的可穿戴设备中的传感器，调取用户在健身过程中的传感数据；
中间控制设备，根据用户在运动时获取的数据，识别用户行为动作，同时进行用户动作纠正模式创建；
运动数据分析系统，为用户制定贴合自身情况的训练任务，精准限定训练和休息时间，并在训练后呈现数据报告；
所述动作感应系统，通过使用一种双流自适应的图卷积神经网络来建模人体骨架并进行行为动作识别，具体步骤为：
步骤1、构建人体动作的行为时空模型；
步骤11、根据人体的物理结构，构建以骨骼点为连接节点的数据图，将人体的每个关节点定义为图的节点，关节点之间的物理连接定义为图的边；
步骤12、如图2所示，在相邻帧的同一个节点间加上时间维度的边，从而完成人体动作的行为时空图，用于存储用户的运动数据和运动行为习惯；
步骤2、构建自适应图卷积层，对用户的动作进行识别；
步骤21、获取人体动作的行为时空模型，对所述行为时空图做卷积运算，每一个节点的邻节点数是不固定的，但是卷积操作的参数是固定的，通过定义一个映射函数来将固定数量的参数和不定数量的临节点数对应起来；
步骤22、定义卷积核大小为三，如图3所示，三个参数分别对应于远离人体中心的点，用X表示；靠近人体中心的点，用三角形表示；卷积点本身，用长方形表示，卷积操作就可以表示为：
其中，f是输入输出的特征张量，w是卷积参数，v是图中节点，l是节点与参数间的映射函数，z是归一化函数；在具体实现时，映射函数可以通过图的邻接矩阵来实现，表示为：
其中，A代表图的邻接矩阵，K是卷积核大小；
通过与邻接矩阵相乘，完成从特征张量中进行所需要的节点的筛选，并与对应的参数相乘；
步骤23、使用三种不同的计算模式设置自适应图卷积层，通过φ函数和θ函数，将输入的数据降低维度映射到低维空间中，进一步通过相乘获得每两个点之前的特征相似性，将这个相似性矩阵通过softmax归一化作为最终的邻接矩阵，具体公式为：
Ck＝softmax(fin TWθk TWφkfin)
最终的自适应图卷积层可以表示为：
使用该函数完成对用户运动的动作识别。
在进一步的实施例中，所述身份识别系统运用人脸识别技术识别用户身份，为了保证人脸识别的速度和精准度，采用ArcFace的算法，在角度空间中最大化分类界限，获得更具辨别力的人脸深度特征。
在进一步的实施例中，所述动作感应系统主要分成智能传感器和后端AI识别系统两部分，前者佩戴于用户的身上用于同步感应用户的动作，后者自动实时采集用户的运动数据，对运动数据进行存储和进一步的分析。
在更进一步的实施例中，用户佩戴的智能传感器包括AI摄像头、智能手环等，这种感应设备可以自动实时地获取用户的行为信息，后者可以通过监测人体心率等数据提高对人体运动情况的判断，加强对人体运动行为的判断的准确程度。
在进一步的实施例中，所述自适应图卷积层的三种模式需要对用户的动作数据进行实时监控，具体可以分成A、B、C三种，其中，A代表了根据人体物理结构定义的公式，对于所有的卷积层以及所有的样本都是相同的；B是根据数据库统计出来的适应于行为识别任务的经验公式，作为网络的参数在训练过程中根据分类损失不断更新，在每一个卷积层都有所变化，但是对于不同样本是相同的；C是样本自适应的公式。
在进一步的实施例中，所述中间控制设备需要创建人体运动模型，其中，人体骨骼的信息根据调查数据单独提取，进一步表示为关节点之间的向量；将骨骼的信息使用基础自适应图卷积神经网络建模，然后将骨骼流于关节点流的softmax层分数融合来得到最终的分类结果。
在进一步的实施例中，所述运动数据分析系统在获取通过自适应的图卷积神经网络传来的数据时，可以识别用户的运动行为，一旦用户的健身动作不规范，系统会通过语音提示的方式纠正用户的动作。
在进一步的实施例中，所述运动数据分析系统根据用户的行为可以完成个性化的运动模式定制，一方面可以保证用户不会因为错误的姿势受伤，另一方面还能避免过度训练与肌肉损伤,提升健身的效果。
总之，本发明具有以下优点：身份识别系统可以运用人脸识别技术对用户进行身份识别，保证用户的运动数据的私密性；动作感应系统使用在用户的可穿戴设备中的传感器，调取用户在健身过程中的传感数据；进一步使用中间控制设备，根据用户在运动时获取的数据，识别用户行为动作，运动数据分析系统，为用户制定贴合自身情况的训练任务，精准限定训练和休息时间，并在训练后呈现数据报告；所述动作感应系统，通过使用一种双流自适应的图卷积神经网络来建模人体骨架并进行行为动作识别同时进行用户动作纠正模式创建，每一个用户可以获取专属自己的运动数据并存储，从而对用户的运动习惯进行纠正。整体来说，本发明可以在不请私教的情况下，完成用户的运动习惯和姿势的纠正，保证健身的科学性，减少了花费的同时，科学美化了自身的形体姿态。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
Claims (7)
1.一种基于视觉的健身指导系统，其特征在于，包括身份识别系统、动作感应系统、中间控制设备和运动数据分析系统，通过人脸识别确定用户身份，对用户的运动数据进行传感分析，为用户的运动提供科学的指导；
身份识别系统，在健身之前，运用人脸识别技术对用户进行身份识别，每一个用户可以获取专属自己的运动数据并存储，从而对用户的运动习惯进行纠正；
动作感应系统，通过AI算法，结合使用在用户的可穿戴设备中的传感器，调取用户在健身过程中的传感数据；
中间控制设备，根据用户在运动时获取的数据，识别用户行为动作，同时进行用户动作纠正模式创建；
运动数据分析系统，为用户制定贴合自身情况的训练任务，精准限定训练和休息时间，并在训练后呈现数据报告；
所述动作感应系统，通过使用一种双流自适应的图卷积神经网络来建模人体骨架并进行行为动作识别，具体步骤为：
步骤1、构建人体动作的行为时空模型；
步骤11、根据人体的物理结构，构建以骨骼点为连接节点的数据图，将人体的每个关节点定义为图的节点，关节点之间的物理连接定义为图的边；
步骤12、在相邻帧的同一个节点间加上时间维度的边，从而完成人体动作的行为时空图，用于存储用户的运动数据和运动行为习惯；
步骤2、构建自适应图卷积层，对用户的动作进行识别；
步骤21、获取人体动作的行为时空模型，对所述行为时空图做卷积运算，每一个节点的邻节点数是不固定的，但是卷积操作的参数是固定的，通过定义一个映射函数来将固定数量的参数和不定数量的临节点数对应起来；
步骤22、定义卷积核大小为三，三个参数分别对应于远离人体中心的点，靠近人体中心的点和卷积点本身，卷积操作表示为：
其中，f是输入输出的特征张量，w是卷积参数，v是图中节点，l是节点与参数间的映射函数，z是归一化函数；在具体实现时，映射函数可以通过图的邻接矩阵来实现，表示为：
其中，A代表图的邻接矩阵，K是卷积核大小；
通过与邻接矩阵相乘，完成从特征张量中进行所需要的节点的筛选，并与对应的参数相乘；
步骤23、使用三种不同的计算模式设置自适应图卷积层，通过φ函数和θ函数，将输入的数据降低维度映射到低维空间中，进一步通过相乘获得每两个点之前的特征相似性，将这个相似性矩阵通过softmax归一化作为最终的邻接矩阵，具体公式为：
Ck＝softmax(fin TWθk TWφkfin)
最终的自适应图卷积层表示为：
使用该函数完成对用户运动的动作识别。
2.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述身份识别系统运用人脸识别技术识别用户身份，为了保证人脸识别的速度和精准度，采用ArcFace的算法，在角度空间中最大化分类界限，获得更具辨别力的人脸深度特征。
3.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述动作感应系统主要分成智能传感器和后端AI识别系统两部分，前者佩戴于用户的身上用于同步感应用户的动作，后者自动实时采集用户的运动数据，对运动数据进行存储和进一步的分析。
4.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述自适应图卷积层的三种模式需要对用户的动作数据进行实时监控，具体可以分成A、B、C三种，其中，A代表了根据人体物理结构定义的公式，对于所有的卷积层以及所有的样本都是相同的；B是根据数据库统计出来的适应于行为识别任务的经验公式，作为网络的参数在训练过程中根据分类损失不断更新，在每一个卷积层都有所变化，但是对于不同样本是相同的；C是样本自适应的公式。
5.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述中间控制设备需要创建人体运动模型，其中，人体骨骼的信息根据调查数据单独提取，进一步表示为关节点之间的向量；将骨骼的信息使用基础自适应图卷积神经网络建模，然后将骨骼流于关节点流的soft max层分数融合来得到最终的分类结果。
6.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述运动数据分析系统在获取通过自适应的图卷积神经网络传来的数据时，可以识别用户的运动行为，一旦用户的健身动作不规范，系统会通过语音提示的方式纠正用户的动作。
7.根据权利要求1所述的一种基于视觉的健身指导系统，其特征在于，所述运动数据分析系统根据用户的行为可以完成个性化的运动模式定制，一方面可以保证用户不会因为错误的姿势受伤，另一方面还能避免过度训练与肌肉损伤,提升健身的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047517.5A CN110909621A (zh) | 2019-10-30 | 2019-10-30 | 一种基于视觉的健身指导系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047517.5A CN110909621A (zh) | 2019-10-30 | 2019-10-30 | 一种基于视觉的健身指导系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909621A true CN110909621A (zh) | 2020-03-24 |
Family
ID=69814927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911047517.5A Pending CN110909621A (zh) | 2019-10-30 | 2019-10-30 | 一种基于视觉的健身指导系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909621A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114140282A (zh) * | 2021-11-19 | 2022-03-04 | 武汉东信同邦信息技术有限公司 | 一种基于深度学习的普教课堂答题快速评审方法及装置 |
| CN114452622A (zh) * | 2022-01-24 | 2022-05-10 | 宁波大学 | 一种基于视觉ai的智能运动指导系统及其方法 |
| US20230306094A1 (en) * | 2020-08-20 | 2023-09-28 | Ramot At Tel-Aviv University Ltd. | Dynamic identity authentication |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011159258A1 (en) * | 2010-06-16 | 2011-12-22 | Agency For Science, Technology And Research | Method and system for classifying a user's action |
| CN108853946A (zh) * | 2018-07-10 | 2018-11-23 | 燕山大学 | 一种基于Kinect的健身指导训练系统及方法 |
| CN109325466A (zh) * | 2018-10-17 | 2019-02-12 | 兰州交通大学 | 一种基于动作识别技术的智能运动指导系统及方法 |
| CN110119703A (zh) * | 2019-05-07 | 2019-08-13 | 福州大学 | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 |
-
2019
- 2019-10-30 CN CN201911047517.5A patent/CN110909621A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011159258A1 (en) * | 2010-06-16 | 2011-12-22 | Agency For Science, Technology And Research | Method and system for classifying a user's action |
| CN108853946A (zh) * | 2018-07-10 | 2018-11-23 | 燕山大学 | 一种基于Kinect的健身指导训练系统及方法 |
| CN109325466A (zh) * | 2018-10-17 | 2019-02-12 | 兰州交通大学 | 一种基于动作识别技术的智能运动指导系统及方法 |
| CN110119703A (zh) * | 2019-05-07 | 2019-08-13 | 福州大学 | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| LEI SHI ET AL.: "Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition", 《ARXIV》 * |
| 万晓依: "基于时空结构关系的3D人体行为识别研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 李文博: "基于体感识别的智能运动训练系统", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 黄东晋 等: "基于 Kinect 的虚拟健身跑锻炼系统", 《图学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230306094A1 (en) * | 2020-08-20 | 2023-09-28 | Ramot At Tel-Aviv University Ltd. | Dynamic identity authentication |
| CN114140282A (zh) * | 2021-11-19 | 2022-03-04 | 武汉东信同邦信息技术有限公司 | 一种基于深度学习的普教课堂答题快速评审方法及装置 |
| CN114452622A (zh) * | 2022-01-24 | 2022-05-10 | 宁波大学 | 一种基于视觉ai的智能运动指导系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yadav et al. | Real-time Yoga recognition using deep learning | |
| CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
| CN109191588B (zh) | 运动教学方法、装置、存储介质及电子设备 | |
| CN111931701B (zh) | 基于人工智能的姿态识别方法、装置、终端和存储介质 | |
| WO2021051579A1 (zh) | 形体姿态识别方法、系统、装置及存储介质 | |
| CN106984027B (zh) | 一种动作对比分析方法、装置及一种显示器 | |
| CN110909621A (zh) | 一种基于视觉的健身指导系统 | |
| CN108229268A (zh) | 表情识别及卷积神经网络模型训练方法、装置和电子设备 | |
| KR102377561B1 (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
| CN109753891A (zh) | 基于人体关键点检测的足球运动员姿势校准方法及系统 | |
| CN109621331A (zh) | 辅助健身方法、装置及存储介质、服务器 | |
| CN109145868A (zh) | 一种辅助跑步训练的行为识别方法与装置 | |
| US11127181B2 (en) | Avatar facial expression generating system and method of avatar facial expression generation | |
| CN115227234B (zh) | 一种基于摄像头的心肺复苏按压动作评估方法与系统 | |
| CN110490109A (zh) | 一种基于单目视觉的在线人体康复动作识别方法 | |
| CN111126280A (zh) | 基于融合手势识别的失语症患者辅助康复训练系统及方法 | |
| CN112288766A (zh) | 运动评估方法、装置、系统及存储介质 | |
| TWI829944B (zh) | 虛擬化身臉部表情產生系統和虛擬化身臉部表情產生方法 | |
| CN109409199A (zh) | 微表情训练方法、装置、存储介质及电子设备 | |
| CN115188074A (zh) | 一种互动式体育训练测评方法、装置、系统及计算机设备 | |
| CN114022512A (zh) | 运动辅助方法、装置及介质 | |
| Yan et al. | A review of basketball shooting analysis based on artificial intelligence | |
| Morel et al. | Automatic evaluation of sports motion: A generic computation of spatial and temporal errors | |
| CN116747495A (zh) | 一种动作计数方法、装置、终端设备及可读存储介质 | |
| de Dios et al. | Landmark-based methods for temporal alignment of human motions |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 211000 floor 3, building 3, Qilin artificial intelligence Industrial Park, 266 Chuangyan Road, Nanjing, Jiangsu Applicant after: Zhongke Nanjing artificial intelligence Innovation Research Institute Applicant after: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES Address before: 211000 3rd floor, building 3, 266 Chuangyan Road, Jiangning District, Nanjing City, Jiangsu Province Applicant before: NANJING ARTIFICIAL INTELLIGENCE CHIP INNOVATION INSTITUTE, INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES Applicant before: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |