CN110941990B - 基于骨骼关键点进行人体动作评估的方法和装置 - Google Patents

基于骨骼关键点进行人体动作评估的方法和装置 Download PDF

Info

Publication number
CN110941990B
CN110941990B CN201911007347.8A CN201911007347A CN110941990B CN 110941990 B CN110941990 B CN 110941990B CN 201911007347 A CN201911007347 A CN 201911007347A CN 110941990 B CN110941990 B CN 110941990B
Authority
CN
China
Prior art keywords
action
evaluation
human body
skeleton key
key point
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
CN201911007347.8A
Other languages
English (en)
Other versions
CN110941990A (zh
Inventor
宋春龙
李斌
杨晓宇
李丛蕊
马雪娇
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.)
Taikang Health Industry Investment Holdings Co ltd
Taikang Insurance Group Co Ltd
Original Assignee
Taikang Health Industry Investment Holdings Co ltd
Taikang Insurance Group 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 Taikang Health Industry Investment Holdings Co ltd, Taikang Insurance Group Co Ltd filed Critical Taikang Health Industry Investment Holdings Co ltd
Priority to CN201911007347.8A priority Critical patent/CN110941990B/zh
Publication of CN110941990A publication Critical patent/CN110941990A/zh
Application granted granted Critical
Publication of CN110941990B publication Critical patent/CN110941990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20Movements or behaviour, e.g. gesture recognition
    • G06V40/23Recognition of whole body movements, e.g. for sport training
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于骨骼关键点进行人体动作评估的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:采集人体运动过程中目标主体的动作图片;根据动作图片提取目标主体的动作的骨骼关键点坐标;将骨骼关键点坐标输入预先训练的评估模型中以对目标主体的动作进行评估,其中,评估模型是基于由骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。该实施方式能够基于骨骼关键点及人体姿态方位角来进行人体动作评估,评估方法简单、效率高且准确度高,用户体验好;同时解决了由评估者人为主观判断而带来的评估结果不够客观、准确的问题。

Description

基于骨骼关键点进行人体动作评估的方法和装置
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于骨骼关键点进行人体动作评估的方法和装置。
背景技术
在运动竞技及健康领域都需要对人体的动作进行识别,以便对动作的标准情况进行评估。早期常用的评估方法是评估者用眼睛观察人体动作,然后和动作标准图样进行人为比较给予分值;同时,评估者手持摄像机进行视频提取,然后用视频截图保存作为备查。此方法不光浪费人力、物力,并且人为判断时也会由于主观性的原因造成评估结果不够客观、准确。
因此,随着计算机技术的发展,目前多是通过对动作标准数据进行建模,然后通过人体运动过程中的视频来将人体动作与动作标准数据进行比对,从而对动作的标准情况进行评估。
具体地,在运动竞技领域,通过对标准化体育动作进行建模,并通过视频方式对运动员实时动作进行比对分析,从而实现动作规范指标化。同时,还可以对运动员运动量进行统计分析,科学指导体育训练教学。
在健康领域,通过对人体标准运动数据预先训练得到深度神经网络,然后根据患者进行肢体康复训练的肢体动作视频提取时空特征,将时空特征输入预先训练好的深度神经网络以得出患者进行肢体康复训练的肢体动作的识别结果(请参见专利号为CN107485844A的发明专利申请)。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1、通过评估者人为判断人体动作的规范情况,不光浪费人力、物力,并且人为判断时也会由于主观性的原因造成评估结果不够客观、准确;
2、现有的通过对动作标准数据进行建模,并通过人体运动过程中的视频来对动作的标准情况进行评估,会存在由于人体存在身高、体型和动作速度的差别,这些差别会对识别精度产生较大的影响,造成识别精度低,用户体验差。
发明内容
有鉴于此,本发明实施例提供一种基于骨骼关键点进行人体动作评估的方法和装置,能够基于骨骼关键点及人体姿态方位角来进行人体动作评估,评估方法简单、效率高且准确度高,用户体验好;同时解决了由评估者人为主观判断而带来的评估结果不够客观、准确的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种基于骨骼关键点进行人体动作评估的方法。
一种基于骨骼关键点进行人体动作评估的方法,包括:采集人体运动过程中目标主体的动作图片;根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标;将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。
可选地,所述评估模型是基于动作测评标准数据训练得到的,并且,所述评估模型的训练过程包括:对所述动作测评标准数据进行语义分析以获取关键词;根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;将所述评估要素及对应的评估值作为训练得到的评估模型。
可选地,所述动作测评标准数据包括动作描述及得分;并且,根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值包括:将所述动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成所述评估要素;将所述得分对应的关键词转换为所述评估值。
可选地,所述人体姿态方位角是通过建立平面直角坐标系,并在所述平面直角坐标系中计算人体姿态与坐标轴之间的夹角得到的。
可选地,根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标包括:将所述动作图片输入至骨骼关键点框架以提取所述目标主体的动作的骨骼关键点坐标;并且,所述方法还包括:在提取所述目标主体的动作的骨骼关键点坐标时,获取所述骨骼关键点坐标的识别准确度数据。
可选地,获取所述骨骼关键点坐标的识别准确度数据之后,还包括:根据所述识别准确度是否超过预设的准确度阈值来判断所述骨骼关键点坐标的可用性;若所述骨骼关键点坐标不可用,则分别对与所述动作图片的采集时间相邻的多帧动作图片进行骨骼关键点坐标提取,并获取所提取的每个骨骼关键点坐标的识别准确度数据,然后根据所述识别准确度数据确定所述骨骼关键点的坐标。
可选地,采集人体运动过程中目标主体的动作图片包括:拍摄人体运动过程中所述目标主体的动作视频,然后从所述动作视频中截取多帧、连续的图片以作为所述目标主体的动作图片;或者,根据设置的拍照频率来进行连续拍照以得到人体运动过程中所述目标主体的动作图片。
根据本发明实施例的另一方面,提供了一种基于骨骼关键点进行人体动作评估的装置。
一种基于骨骼关键点进行人体动作评估的装置,包括:图片采集模块,用于采集人体运动过程中目标主体的动作图片;坐标提取模块,用于根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标;动作评估模块,用于将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。
可选地,所述评估模型是基于动作测评标准数据训练得到的,并且,所述评估模型的训练过程包括:对所述动作测评标准数据进行语义分析以获取关键词;根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;将所述评估要素及对应的评估值作为训练得到的评估模型。
可选地,所述动作测评标准数据包括动作描述及得分;并且,根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值包括:将所述动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成所述评估要素;将所述得分对应的关键词转换为所述评估值。
可选地,所述人体姿态方位角是通过建立平面直角坐标系,并在所述平面直角坐标系中计算人体姿态与坐标轴之间的夹角得到的。
可选地,所述坐标提取模块还用于:将所述动作图片输入至骨骼关键点框架以提取所述目标主体的动作的骨骼关键点坐标;并且,在提取所述目标主体的动作的骨骼关键点坐标时,获取所述骨骼关键点坐标的识别准确度数据。
可选地,还包括坐标判定模块,用于:在获取所述骨骼关键点坐标的识别准确度数据之后,根据所述识别准确度是否超过预设的准确度阈值来判断所述骨骼关键点坐标的可用性;若所述骨骼关键点坐标不可用,则分别对与所述动作图片的采集时间相邻的多帧动作图片进行骨骼关键点坐标提取,并获取所提取的每个骨骼关键点坐标的识别准确度数据,然后根据所述识别准确度数据确定所述骨骼关键点的坐标。
可选地,所述图片采集模块还用于:拍摄人体运动过程中所述目标主体的动作视频,然后从所述动作视频中截取多帧、连续的图片以作为所述目标主体的动作图片;或者,根据设置的拍照频率来进行连续拍照以得到人体运动过程中所述目标主体的动作图片。
根据本发明实施例的又一方面,提供了一种基于骨骼关键点进行人体动作评估的电子设备。
一种基于骨骼关键点进行人体动作评估的电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的基于骨骼关键点进行人体动作评估的方法。
根据本发明实施例的再一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所提供的基于骨骼关键点进行人体动作评估的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过采集人体运动过程中目标主体的动作图片,并根据动作图片提取目标主体的动作的骨骼关键点坐标,然后将骨骼关键点坐标输入预先训练的评估模型中以对目标主体的动作进行评估,其中,评估模型是基于由骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的,可以实现基于骨骼关键点及人体姿态方位角来进行人体动作评估,评估方法简单、效率高且准确度高,用户体验好;同时解决了由评估者人为主观判断而带来的评估结果不够客观、准确的问题。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的基于骨骼关键点进行人体动作评估的方法的主要步骤示意图;
图2是本发明一个实施例的侧身位下蹲测试的标准动作示意图;
图3是根据本发明实施例的基于骨骼关键点进行人体动作评估的装置的主要模块示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的基于骨骼关键点进行人体动作评估的方法的主要步骤示意图。如图1所示,本发明实施例的基于骨骼关键点进行人体动作评估的方法主要包括如下的步骤S101至步骤S103。
步骤S101:采集人体运动过程中目标主体的动作图片。其中,人体运动过程例如是体育运动过程或者康复运动过程等。在采集人体运动过程中的动作图片时,例如可以通过拍摄人体运动过程中的动作视频,然后从动作视频中截取多帧、连续图片以作为动作图片;也可以是通过摄像头设置的频率来进行连续拍照以得到人体运动过程中的动作图片,等等。
目标主体即为要进行人体动作评估的个体,由于在采集人体运动过程中的图片时,可能场景中会出现多个人,而本发明在进行动作评估时,应是针对单独的个体来执行的,因此,当图片中有多个人时,还需要通过目标识别及跟踪等技术来对图片进行处理,从而获得目标主体的动作图片。
步骤S102:根据动作图片提取目标主体的动作的骨骼关键点坐标。本发明实施例的技术方案是通过人体的骨骼关键点来还原人体姿态,从而识别人体动作的。常用的人体的骨骼关键点例如下表1所示。
表1
Figure BDA0002243166470000071
Figure BDA0002243166470000081
通过获取各个骨骼关键点的坐标值即可来描述人体的姿态。在本发明的一个实施例中,通过将动作图片输入至骨骼关键点框架以提取人体动作的骨骼关键点坐标。其中,骨骼关键点框架可以是常用的开源的骨骼关键点识别技术,例如:tf-pose、openpose等。其中,tf-pose的本质是openpose。
openpose的实现原理是:输入一张图片,经过一个基础处理模块backbone,比如vgg模型(Visual Geometry Group Network)、resnet(Residual Neural Network)残差神经网络、mobilenet等神经网络;再经过6个阶段stage,每个stage有2个分支branch,一个用来检测图像的热点图heatmap,一个用来检测特征的向量图vectmap。有了heatmap和vectmap即可知道图片中所有的关键点,然后将这些关键点对应到每个人的身上。其中,heatmap就是对于点的分类概率,vectmap就是点与点之间的向量关系。使用数据集提供的标注数据在深度神经网络上上进行训练从而得到一个深度学习模型。然后将样本图片输入该模型,就可以得到骨骼关键点的2D坐标位置。
另外,在提取目标主体的动作的骨骼关键点坐标时,还可以获取提取的骨骼关键点坐标的识别准确度数据。如此,即可通过对识别准确度的判断来确定此次识别出的骨骼关键点是否可用于后续处理。例如:通过设置识别准确度阈值,若一个骨骼关键点的识别准确度高于该阈值,则说明该骨骼关键点的坐标位置准确度较高,否则,说明该骨骼关键点的坐标位置偏差可能较大,不能用于后续处理。当出现从动作图片中提取的骨骼关键点的识别准确度很低的情况时,可通过分别对与该动作图片的采集时间相邻的多帧动作图片进行骨骼关键点坐标提取,并获取所提取的每个骨骼关键点坐标的识别准确度数据,然后根据识别准确度数据确定该骨骼关键点的更准确的位置坐标。在根据识别准确度数据确定骨骼关键点的坐标时,一种具体实现例如是:将这些识别准确度数据中,识别准确度最高的骨骼关键点坐标作为该骨骼关键点的坐标。
根据本发明的一个实施例,经过tf_pose获取到对应的骨骼关键点的坐标位置及识别准确度数据例如如下:
BodyPart:0-(0.55,0.40),score=0.70;
BodyPart:1-(0.49,0.48),score=0.69;
BodyPart:2-(0.50,0.48),score=0.42;
BodyPart:3-(0.56,0.46),score=0.32;
BodyPart:4-(0.56,0.43),score=0.13;
BodyPart:5-(0.47,0.47),score=0.34;
BodyPart:8-(0.43,0.71),score=0.64;
BodyPart:9-(0.56,0.73),score=0.69;
BodyPart:10-(0.47,0.84),score=0.60;
BodyPart:11-(0.44,0.71),score=0.27;
BodyPart:12-(0.56,0.71),score=0.17;
BodyPart:13-(0.48,0.83),score=0.12;
BodyPart:14-(0.54,0.39),score=0.68;
BodyPart:16-(0.50,0.41),score=0.76。
在上面的数据中,包含了身体的骨骼关键点及其对应在图片上的x和y坐标,同时还获取了对应的识别准确度数据。以数据“BodyPart:0-(0.55,0.40),score=0.70”为例,其中:“BodyPart:0”即对应表1中的“鼻子”,“0.55”为横坐标值,“0.40”为纵坐标值,“score=0.70”代表识别准确度。
步骤S103:将骨骼关键点坐标输入预先训练的评估模型中以对目标主体的动作进行评估,其中,评估模型是基于由骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。
评估模型是基于动作测评标准数据训练得到的,在本发明的实施例中,以FMS(Functional Movement Screen)系统的评估标准作为动作测评标准数据。功能性运动测试系统FMS作为一个完整的筛查和评估体系,是目前在运动竞技及健康领域范围内被广泛传播和应用的一套较为简易的筛查和评估工具。FMS是以动作发育学为基础,结合了临床、日常基础活动、高级动作技能衍生而来的。
根据本发明的实施例,该评估模型的训练过程例如可以包括:
对动作测评标准数据进行语义分析以获取关键词;
根据关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;
将评估要素及对应的评估值作为训练得到的评估模型。
在本发明的一个实施例中,根据关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值例如可以是:
将动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成评估要素;
将得分对应的关键词转换为评估值。
其中,在对动作测评标准数据进行语义分析时,可采用常用的语义分析算法,例如:NLP(Natural Language Processing,自然语言处理)算法、NLPIR(Natural LanguageProcessing&Information Retrieva,自然语言处理与信息检索)算法,等来实现。
在获取到关键词之后,还需要根据动作测评标准数据的语义来将动作测评标准数据转换为基于骨骼关键点的人体姿态方位角的评估要素和对应的评估值。根据本发明的实施例,人体姿态方位角是通过建立平面直角坐标系,并在平面直角坐标系中计算人体姿态与坐标轴之间的夹角得到的。在建立平面直角坐标系时,可结合在进行骨骼关键点提取时所建立的坐标系来建立。一般情况下,是结合采集的动作图片,以水平方向为横轴X轴,竖直方向为纵轴Y轴建立坐标系的。
应当注意的是,在设置评估值时,由于人体姿态并不能完全使用直线来计算其方位角,因此可以根据需要设定一定的偏差量,在偏差量范围内的角度值均认为是符合标准的。
下面结合图2的一个具体实施例来介绍本发明的评估模型的训练过程。图2是本发明一个实施例的侧身位下蹲测试的标准动作示意图。FMS系统中的动作测评标准数据包括得分及动作描述。如图2所示,对于该侧身位下蹲测试,FMS系统的动作测评标准数据例如是:
3分:躯干与胫骨平行或趋于垂直地面、股骨低于膝关节、双膝正对脚尖方向、长杆在双脚前脚掌正上方;
2分:躯干与胫骨基本平行或趋于垂直地面、股骨低于膝关节、双膝正对脚尖方向、长杆不能在双脚前脚掌正上方;
1分:躯干与胫骨不能保持平行、股骨没有在膝关节以下、双膝不能与脚尖方向保持一致、长杆不能在双脚正上方。
通过对上述的动作测评标准数据进行语义分析以提取关键词,并转换得到基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值。以动作测评标准数据中的动作描述“躯干与胫骨平行”为例,对其进行语义分析提取的关键词例如是:躯干、胫骨、平行。然后根据这些关键词,转换为人体姿态方位角的描述,躯干的方位角例如是以臀部为起点,颈部为终点,形成一条直线,然后求出这个直线与一坐标轴(例如:X轴)的夹角(位于0-360度之间)即作为躯干的方位角;胫骨的方位角例如是以脚踝为起点,膝盖为终点,形成一条直线,然后求出这个直线与同一坐标轴的夹角即作为胫骨的方位角;平行即两者的方位角相等,或者两者的方位角的偏差在设定的范围内(例如:5度,也可以设定为5%等,根据数据处理的精度可灵活调整)。那么,得到的基于骨骼关键点的人体姿态方位角的评估要素即为:躯干的方位角与胫骨的方位角之间的偏差为0~5度。按照同样的方法,可将动作测评标准数据中的动作描述都转换为基于骨骼关键点的人体姿态方位角的评估要素。相应地,动作测评标准数据中的得分即转换为对应的评估值。
按照上述的例子中所描述的方法,即可将FMS系统的动作测评标准数据都转换为基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值,从而得到了评估模型。
根据本发明的另一个方面,还提供了一种基于骨骼关键点进行人体动作评估的装置。图3是根据本发明实施例的基于骨骼关键点进行人体动作评估的装置的主要模块示意图。如图3所示,本发明实施例的基于骨骼关键点进行人体动作评估的装置300主要包括图片采集模块301、坐标提取模块302和动作评估模块303。
图片采集模块301,用于采集人体运动过程中目标主体的动作图片;
坐标提取模块302,用于根据所述动作图片提取目标主体的动作的骨骼关键点坐标;
动作评估模块303,用于将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。
根据本发明的一个实施例,该评估模型是基于动作测评标准数据训练得到的,并且,评估模型的训练过程包括:
对所述动作测评标准数据进行语义分析以获取关键词;
根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;
将所述评估要素及对应的评估值作为训练得到的评估模型。
根据本发明的另一个实施例,动作测评标准数据包括动作描述及得分;并且,根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值包括:将所述动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成所述评估要素;将所述得分对应的关键词转换为所述评估值。
根据本发明的另一个实施例,所述人体姿态方位角是通过建立平面直角坐标系,并在所述平面直角坐标系中计算人体姿态与坐标轴之间的夹角得到的。
根据本发明的又一个实施例,坐标提取模块302还可以用于:
将所述动作图片输入至骨骼关键点框架以提取目标主体的动作的骨骼关键点坐标;
并且,在提取目标主体的动作的骨骼关键点坐标时,获取所述骨骼关键点坐标的识别准确度数据。
根据本发明的又一个实施例,基于骨骼关键点进行人体动作评估的装置300还可以包括坐标判定模块(图中未示出),用于:
在获取所述骨骼关键点坐标的识别准确度数据之后,根据所述识别准确度是否超过预设的准确度阈值来判断所述骨骼关键点坐标的可用性;
若所述骨骼关键点坐标不可用,则分别对与所述动作图片的采集时间相邻的多帧动作图片进行骨骼关键点坐标提取,并获取所提取的每个骨骼关键点坐标的识别准确度数据,然后根据所述识别准确度数据确定所述骨骼关键点的坐标。
根据本发明的再一个实施例,图片采集模块301还可以用于:
拍摄人体运动过程中所述目标主体的动作视频,然后从所述动作视频中截取多帧、连续的图片以作为所述目标主体的动作图片;
或者,根据设置的拍照频率来进行连续拍照以得到人体运动过程中所述目标主体的动作图片。
根据本发明实施例的技术方案,通过采集人体运动过程中目标主体的动作图片,并根据动作图片提取目标主体的动作的骨骼关键点坐标,然后将骨骼关键点坐标输入预先训练的评估模型中以对目标主体的动作进行评估,其中,评估模型是基于由骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的,可以实现基于骨骼关键点及人体姿态方位角来进行人体动作评估,评估方法简单、效率高且准确度高,用户体验好;同时解决了由评估者人为主观判断而带来的评估结果不够客观、准确的问题。
图4示出了可以应用本发明实施例的基于骨骼关键点进行人体动作评估的方法或基于骨骼关键点进行人体动作评估的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的基于骨骼关键点进行人体动作评估的方法一般由服务器405执行,相应地,基于骨骼关键点进行人体动作评估的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备或服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括图片采集模块、坐标提取模块和动作评估模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,图片采集模块还可以被描述为“用于采集人体运动过程中目标主体的动作图片的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:采集人体运动过程中目标主体的动作图片;根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标;将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的。
根据本发明实施例的技术方案,通过采集人体运动过程中目标主体的动作图片,并根据动作图片提取目标主体的动作的骨骼关键点坐标,然后将骨骼关键点坐标输入预先训练的评估模型中以对目标主体的动作进行评估,其中,评估模型是基于由骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的,可以实现基于骨骼关键点及人体姿态方位角来进行人体动作评估,评估方法简单、效率高且准确度高,用户体验好;同时解决了由评估者人为主观判断而带来的评估结果不够客观、准确的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (8)

1.一种基于骨骼关键点进行人体动作评估的方法,其特征在于,包括:
采集人体运动过程中目标主体的动作图片;
根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标;
将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的;
其中,所述评估模型是基于动作测评标准数据训练得到的,并且,所述评估模型的训练过程包括:对所述动作测评标准数据进行语义分析以获取关键词;根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;将所述评估要素及对应的评估值作为训练得到的评估模型;
其中,所述动作测评标准数据包括动作描述及得分;并且,根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值包括:将所述动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成所述评估要素;将所述得分对应的关键词转换为所述评估值。
2.根据权利要求1所述的方法,其特征在于,所述人体姿态方位角是通过建立平面直角坐标系,并在所述平面直角坐标系中计算人体姿态与坐标轴之间的夹角得到的。
3.根据权利要求1所述的方法,其特征在于,根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标包括:
将所述动作图片输入至骨骼关键点识别框架以提取所述目标主体的动作的骨骼关键点坐标;
并且,所述方法还包括:
在提取所述目标主体的动作的骨骼关键点坐标时,获取所述骨骼关键点坐标的识别准确度数据。
4.根据权利要求3所述的方法,其特征在于,获取所述骨骼关键点坐标的识别准确度数据之后,还包括:
根据所述识别准确度是否超过预设的准确度阈值来判断所述骨骼关键点坐标的可用性;
若所述骨骼关键点坐标不可用,则分别对与所述动作图片的采集时间相邻的多帧动作图片进行骨骼关键点坐标提取,并获取所提取的每个骨骼关键点坐标的识别准确度数据,然后根据所述识别准确度数据确定所述骨骼关键点的坐标。
5.根据权利要求1所述的方法,其特征在于,采集人体运动过程中目标主体的动作图片包括:
拍摄人体运动过程中所述目标主体的动作视频,然后从所述动作视频中截取多帧、连续的图片以作为所述目标主体的动作图片;
或者,根据设置的拍照频率来进行连续拍照以得到人体运动过程中所述目标主体的动作图片。
6.一种基于骨骼关键点进行人体动作评估的装置,其特征在于,包括:
图片采集模块,用于采集人体运动过程中目标主体的动作图片;
坐标提取模块,用于根据所述动作图片提取所述目标主体的动作的骨骼关键点坐标;
动作评估模块,用于将所述骨骼关键点坐标输入预先训练的评估模型中以对所述目标主体的动作进行评估,其中,所述评估模型是基于由所述骨骼关键点坐标计算得到的人体姿态方位角来进行人体动作评估的;
其中,所述评估模型是基于动作测评标准数据训练得到的,并且,所述评估模型的训练过程包括:对所述动作测评标准数据进行语义分析以获取关键词;根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值;将所述评估要素及对应的评估值作为训练得到的评估模型;
其中,所述动作测评标准数据包括动作描述及得分;并且,根据所述关键词确定基于骨骼关键点的人体姿态方位角的评估要素及对应的评估值包括:将所述动作描述对应的关键词转换为基于骨骼关键点的人体姿态方位角的计算方法,以生成所述评估要素;将所述得分对应的关键词转换为所述评估值。
7.一种基于骨骼关键点进行人体动作评估的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201911007347.8A 2019-10-22 2019-10-22 基于骨骼关键点进行人体动作评估的方法和装置 Active CN110941990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007347.8A CN110941990B (zh) 2019-10-22 2019-10-22 基于骨骼关键点进行人体动作评估的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007347.8A CN110941990B (zh) 2019-10-22 2019-10-22 基于骨骼关键点进行人体动作评估的方法和装置

Publications (2)

Publication Number Publication Date
CN110941990A CN110941990A (zh) 2020-03-31
CN110941990B true CN110941990B (zh) 2023-06-16

Family

ID=69906322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007347.8A Active CN110941990B (zh) 2019-10-22 2019-10-22 基于骨骼关键点进行人体动作评估的方法和装置

Country Status (1)

Country Link
CN (1) CN110941990B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275031B (zh) * 2020-05-07 2020-09-08 西南交通大学 基于人体关键点的平板支撑检测方法、装置、设备及介质
CN111680562A (zh) * 2020-05-09 2020-09-18 北京中广上洋科技股份有限公司 一种基于骨骼关键点的人体姿态识别方法、装置、存储介质及终端
CN111597975B (zh) * 2020-05-14 2024-04-19 北京万觉科技有限公司 人员动作检测方法、装置及电子设备
CN111368810B (zh) * 2020-05-26 2020-08-25 西南交通大学 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法
CN111860312A (zh) * 2020-07-20 2020-10-30 上海汽车集团股份有限公司 一种驾乘环境调节方法和装置
CN111898514B (zh) * 2020-07-24 2022-10-18 燕山大学 一种基于目标检测与动作识别的多目标视觉监管方法
CN112288266A (zh) * 2020-10-27 2021-01-29 郑州捷安高科股份有限公司 调车手信号的处理、模型获取方法、装置、设备及介质
CN112288766B (zh) * 2020-10-28 2024-05-28 中国科学院深圳先进技术研究院 运动评估方法、装置、系统及存储介质
CN112641441B (zh) * 2020-12-18 2024-01-02 河南翔宇医疗设备股份有限公司 一种体态评估方法、系统、装置及计算机可读存储介质
CN115188062B (zh) * 2021-04-06 2024-02-27 广州视源电子科技股份有限公司 一种用户跑步姿态分析方法、装置、跑步机及存储介质
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
CN113392746A (zh) * 2021-06-04 2021-09-14 北京格灵深瞳信息技术股份有限公司 动作标准挖掘方法、装置、电子设备和计算机存储介质
CN113397530B (zh) * 2021-06-16 2022-03-18 国家体育总局体育科学研究所 一种可进行膝关节功能评估的智能矫正系统和方法
CN113470150A (zh) * 2021-07-12 2021-10-01 北京顺天立安科技有限公司 一种基于骨骼驱动还原口型的方法和系统
CN113743292B (zh) * 2021-09-02 2023-06-13 泰康保险集团股份有限公司 基于视频序列的活动能力评估方法、装置、介质及设备
CN114267086A (zh) * 2021-12-30 2022-04-01 西南石油大学 一种运动中复杂连续动作的执行品质评估方法
CN114581953B (zh) * 2022-03-14 2022-09-30 北京科技大学 一种基于关节点难例挖掘的人体姿态估计方法
CN114931743A (zh) * 2022-06-15 2022-08-23 康键信息技术(深圳)有限公司 运动评估方法、运动评估装置、电子设备和可读存储介质
CN116894511A (zh) * 2023-07-06 2023-10-17 厦门农芯数字科技有限公司 一种评估人员行为对母猪产仔影响的方法及系统
CN117095152B (zh) * 2023-10-17 2024-01-26 南京佳普科技有限公司 一种用于体育训练测评的骨骼识别摄像机及训练测评方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014044661A (ja) * 2012-08-28 2014-03-13 Nippon Telegr & Teleph Corp <Ntt> キーワード出力装置、キーワード出力方法及びプログラム
CN104524742A (zh) * 2015-01-05 2015-04-22 河海大学常州校区 一种基于Kinect传感器的脑瘫儿童康复训练方法
CN105469679A (zh) * 2015-11-14 2016-04-06 辽宁大学 基于Kinect的心肺复苏辅助训练系统及方法
JP2016062528A (ja) * 2014-09-22 2016-04-25 日本放送協会 多関節骨格モデル処理装置及びプログラム
CN106021926A (zh) * 2016-05-20 2016-10-12 北京九艺同兴科技有限公司 一种人体动作序列的实时评价方法
CN106485055A (zh) * 2016-09-22 2017-03-08 吉林大学 一种基于Kinect传感器的老年II型糖尿病患者运动训练系统
WO2018049979A1 (zh) * 2016-09-14 2018-03-22 厦门幻世网络科技有限公司 一种动画合成的方法及装置
WO2018093158A1 (ko) * 2016-11-16 2018-05-24 한국과학기술원 딥 러닝 기반 교육용 비디오 학습 및 평가 시스템
CN108537175A (zh) * 2018-04-08 2018-09-14 武汉灏存科技有限公司 基于姿态传感的肢体语言语义识别方法、装置及存储介质
CN109766917A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 面试视频数据处理方法、装置、计算机设备和存储介质
CN109858390A (zh) * 2019-01-10 2019-06-07 浙江大学 基于端到端时空图学习神经网络的人体骨架的行为识别方法
CN109902659A (zh) * 2019-03-15 2019-06-18 北京字节跳动网络技术有限公司 用于处理人体图像的方法和装置
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
CN109977791A (zh) * 2019-03-04 2019-07-05 山东海博科技信息系统股份有限公司 一种手部生理信息检测方法
CN110045823A (zh) * 2019-03-12 2019-07-23 北京邮电大学 一种基于动作捕捉的动作指导方法和装置
CN110188728A (zh) * 2019-06-06 2019-08-30 四川长虹电器股份有限公司 一种头部姿态估计的方法及系统
CN110197501A (zh) * 2019-05-29 2019-09-03 海信集团有限公司 图像处理方法和设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010082827A2 (en) * 2009-01-16 2010-07-22 Inertia Technology B.V. Wireless motion sensor network for monitoring motion in a process, wireless sensor node, reasoning node, and feedback and/or actuation node for such wireless motion sensor network
CN108229332B (zh) * 2017-12-08 2020-02-14 华为技术有限公司 骨骼姿态确定方法、装置及计算机可读存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014044661A (ja) * 2012-08-28 2014-03-13 Nippon Telegr & Teleph Corp <Ntt> キーワード出力装置、キーワード出力方法及びプログラム
JP2016062528A (ja) * 2014-09-22 2016-04-25 日本放送協会 多関節骨格モデル処理装置及びプログラム
CN104524742A (zh) * 2015-01-05 2015-04-22 河海大学常州校区 一种基于Kinect传感器的脑瘫儿童康复训练方法
CN105469679A (zh) * 2015-11-14 2016-04-06 辽宁大学 基于Kinect的心肺复苏辅助训练系统及方法
CN106021926A (zh) * 2016-05-20 2016-10-12 北京九艺同兴科技有限公司 一种人体动作序列的实时评价方法
WO2018049979A1 (zh) * 2016-09-14 2018-03-22 厦门幻世网络科技有限公司 一种动画合成的方法及装置
CN106485055A (zh) * 2016-09-22 2017-03-08 吉林大学 一种基于Kinect传感器的老年II型糖尿病患者运动训练系统
WO2018093158A1 (ko) * 2016-11-16 2018-05-24 한국과학기술원 딥 러닝 기반 교육용 비디오 학습 및 평가 시스템
CN108537175A (zh) * 2018-04-08 2018-09-14 武汉灏存科技有限公司 基于姿态传感的肢体语言语义识别方法、装置及存储介质
CN109766917A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 面试视频数据处理方法、装置、计算机设备和存储介质
CN109858390A (zh) * 2019-01-10 2019-06-07 浙江大学 基于端到端时空图学习神经网络的人体骨架的行为识别方法
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
CN109977791A (zh) * 2019-03-04 2019-07-05 山东海博科技信息系统股份有限公司 一种手部生理信息检测方法
CN110045823A (zh) * 2019-03-12 2019-07-23 北京邮电大学 一种基于动作捕捉的动作指导方法和装置
CN109902659A (zh) * 2019-03-15 2019-06-18 北京字节跳动网络技术有限公司 用于处理人体图像的方法和装置
CN110197501A (zh) * 2019-05-29 2019-09-03 海信集团有限公司 图像处理方法和设备
CN110188728A (zh) * 2019-06-06 2019-08-30 四川长虹电器股份有限公司 一种头部姿态估计的方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Generation of Original Text with Text Mining and Deep Learning Methods for Turkish and Other Languages;Buket KAYA et al;《2018 International Conference on Artificial Intelligence and Data Processing (IDAP)》;20190124;第1-9页 *
Human Behavior Analysis for Highlight Ranking in Broadcast Racket Sports Video;Guangyu Zhu et al;《IEEE Transactions on Multimedia 》;20070917;第9卷(第6期);第1167-1182页 *
SFMA在河北省优秀男子排球运动员中的应用研究;胡振宇等;《当代体育科技》;20181105;第8卷(第31期);第225-226页 *
Trends Supporting the In-Field Use of Wearable Inertial Sensors for Sport Performance Evaluation: A Systematic Review;Camomilla, Valentina et al;《Sensors》;20180316;第18卷(第3期);第1-30页 *
人体动作数据分析算法;李可利;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115;第2019年卷(第1期);第12-22页 *
基于上肢运动评分的动作检测与动作识别的方法研究;陈少发等;《中国康复医学杂志》;20190711;第34卷(第6期);第707-710页 *

Also Published As

Publication number Publication date
CN110941990A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110941990B (zh) 基于骨骼关键点进行人体动作评估的方法和装置
CN110532996B (zh) 视频分类的方法、信息处理的方法以及服务器
CN108985259B (zh) 人体动作识别方法和装置
WO2018228218A1 (zh) 身份识别方法、计算设备及存储介质
US11763603B2 (en) Physical activity quantification and monitoring
CN108197592B (zh) 信息获取方法和装置
CN108288051B (zh) 行人再识别模型训练方法及装置、电子设备和存储介质
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
US11403882B2 (en) Scoring metric for physical activity performance and tracking
CN103824053A (zh) 一种人脸图像的性别标注方法及人脸性别检测方法
WO2020238353A1 (zh) 数据处理方法和装置、存储介质及电子装置
CN110648289B (zh) 图像的加噪处理方法及装置
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN108229375B (zh) 用于检测人脸图像的方法和装置
CN113229807A (zh) 人体康复评估装置、方法、电子设备及存储介质
CN112820071A (zh) 一种行为识别方法和装置
McCullough et al. Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip
CN112529149A (zh) 一种数据处理方法及相关装置
CN108460364B (zh) 用于生成信息的方法和装置
CN110545386B (zh) 用于拍摄图像的方法和设备
Pham et al. A study on skeleton-based action recognition and its application to physical exercise recognition
CN111291640B (zh) 用于识别步态的方法和装置
CN112132026A (zh) 动物识别方法及装置
Du et al. Efficient feature recognition and matching technology for IoT‐enabled sports training
CN112529895B (zh) 用于处理图像的方法、装置、设备以及存储介质

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