CN111563443A - 一种连续运动动作准确度评价方法 - Google Patents

一种连续运动动作准确度评价方法 Download PDF

Info

Publication number
CN111563443A
CN111563443A CN202010358370.8A CN202010358370A CN111563443A CN 111563443 A CN111563443 A CN 111563443A CN 202010358370 A CN202010358370 A CN 202010358370A CN 111563443 A CN111563443 A CN 111563443A
Authority
CN
China
Prior art keywords
skeleton
accuracy
standard
joint
motion
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
Application number
CN202010358370.8A
Other languages
English (en)
Inventor
姚远
郑志浩
张学睿
张帆
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.)
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing Institute of Green and Intelligent Technology of CAS
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 Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing Institute of Green and Intelligent Technology of CAS
Priority to CN202010358370.8A priority Critical patent/CN111563443A/zh
Publication of CN111563443A publication Critical patent/CN111563443A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

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

Abstract

本发明涉及一种连续运动动作准确度评价方法，属于人工智能和图像识别技领域。该方法包括：S1：识别骨架，提取人体躯干和关节所在位置；S2：获取关键信息：包括实时动作骨架、关节；S3：多维度对比：计算实时动作关节与标准关节的位置对比结果，以及实时动作骨架与标准动作骨架的移动速度对比结果；S4：计算动作准确度。本发明通过配置视频摄像头拍摄运动视频片段，经过对连续动作的识别，解析和比较，为练习者提供与标准动作之间的差异评价报告和针对性的指导。

Description

一种连续运动动作准确度评价方法
技术领域
本发明属于人工智能和图像识别技领域，涉及一种连续运动动作准确度评价方法。
背景技术
伴随着社会经济的发展和人民生活水平的提高，人民群众对各类体育运动的需求日益旺盛，对运动的追求也不再限制于单纯的运动量，而是更在意动作的准确度，达到健身效果，这需要专业人士的指导下才能完成。但对于初学者来说，由于时间和场地的限制，难以获得教练随时的动作指导。另一方面即使通过观看教学视频学习，也会因为理解能力的差异和针对性的教学的欠缺，在动作练习时感到无所适从和茫然困惑。
目前，常见的判断动作准确度的方法是通过对图像的识别分析，然后利用神经网络训练得出相应结果，但是这类方法往往需要采集大量的动作样本然后对样本进行学习，导致计算量很大，必然需要依托专业的设备才能实现。
结合实际应用，目前亟需一种计算量小且能够依托简单的测量设备就能判断出连续运动动作是否准确到位的方法。
发明内容
有鉴于此，本发明的目的在于提供一种连续运动动作准确度评价方法，通过配置视频摄像头拍摄运动视频片段，经过对连续动作的识别，解析和比较，为练习者提供与标准动作之间的差异评价报告和针对性的指导。
为达到上述目的，本发明提供如下技术方案：
一种连续运动动作准确度评价方法，具体包括以下步骤：
S1：识别骨架，提取人体躯干和关节所在位置；
S2：获取关键信息：包括实时动作骨架、关节；
S3：多维度对比：计算实时动作关节与标准关节的位置对比结果，以及实时动作骨架与标准动作骨架的移动速度对比结果；
S4：计算动作准确度。
进一步，步骤S1中，所述识别骨架具体包括：采用骨架识别算法，如openpose等，提取人体躯干和关节所在位置，对连续动作的切帧保证每秒不小于20帧，整个动作覆盖不少于100帧图像。
进一步，步骤S2中，所述获取关键信息具体包括：对实时视频的运动动作的骨架和关节信息分别与标准动作提取的骨架和关节信息一一对应，成对组合。
进一步，步骤S3中，所述多维度对比具体包括：对第i个关节(Xi,Yi)对应的标准关节位置为
Figure BDA0002474209780000021
则总共n个关节的移动速度对比结果是：
Figure BDA0002474209780000022
其中
Figure BDA0002474209780000023
对第j个骨架
Figure BDA0002474209780000024
对应的标准骨架位置为
Figure BDA0002474209780000025
则总共m个骨架的位置对比结果是：
Figure BDA0002474209780000026
其中，
Figure BDA0002474209780000027
进一步，步骤S4中，动作准确度的计算公式为：
score＝α*ψa+β*ψb
其中，α、β分别表示权重，根据人为经验设定。
本发明的有益效果在于：本发明通过配置视频摄像头拍摄运动视频片段，经过对连续动作的识别，解析和比较，为练习者提供与标准动作之间的差异评价报告和针对性的指导。由于本发明不依托专业测量设备，可以在不同场景下配置视频摄像头来使用，具有广泛使用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明方法的系统框架图；
图2为本发明实施例中连续动作的示意图；
图3为图2的评价效果仿真图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图2，图1为一种连续运动动作准确度评价方法，具体包括以下步骤：
S1：识别骨架，提取人体躯干和关节所在位置。
采用骨架识别算法，如openpose等，提取人体躯干和关节所在位置，对连续动作的切帧保证每秒不小于20帧，整个动作覆盖不少于100帧图像。
S2：获取关键信息。
对实时视频的运动动作的骨架和关节信息分别与标准动作提取的骨架和关节信息一一对应，成对组合。
S3：多维度对比：计算实时动作关节与标准关节的位置对比结果，以及实时动作骨架与标准动作骨架的移动速度对比结果。
对第i个关节(Xi,Yi)对应的标准关节位置为
Figure BDA0002474209780000031
则总共n个关节的移动速度对比结果是：
Figure BDA0002474209780000032
其中
Figure BDA0002474209780000033
对第j个骨架
Figure BDA0002474209780000034
对应的标准骨架位置为
Figure BDA0002474209780000035
则总共m个骨架的位置对比结果是：
Figure BDA0002474209780000036
其中，
Figure BDA0002474209780000037
S4：计算动作准确度：
score＝α*ψa+β*ψb
其中，α、β分别表示权重，根据人为经验设定。
实施例1：
以高尔夫为例，对高尔夫练习者的挥杆连续动作准确度进行评价，具体包括以下步骤：
步骤一：录制挥杆视频片段。
将摄像头放置在练习者身体侧方，正对挥杆动作的平面，录制练习者的挥杆视频片段。摄像头为不特定摄像头，可拍摄全身视频即可。
步骤二：定位挥杆动作起点。
预先建立挥杆视频片段数据库，并标记每个视频片段的挥杆动作起点图像帧。建立VGG/Resnet/Alexnet等图像分类神经网络，将挥杆动作的起点图像帧和非起点图像帧循环输入此类神经网络，迭代训练，得到高尔夫挥杆起点识别模型。该模型能够判别输入图像是否为挥杆动作的起点图像。将录制的挥杆视频片段逐帧输入起点识别模型，定位挥杆动作起点。
步骤三：定位骨架关节特征点。
根据步骤二所确定的挥杆动作起点，从该起点开始，将视频图像逐帧输入openpose模型，得到每帧图像中的练习者骨架关节特征点，并将特征点按照次序连接成线，得到骨架特征图。
步骤四：量化分析挥杆动作。
预先采集知名高尔夫运动员和教练员的挥杆动作视频，对挥杆的速度，角度，幅度及时间等指标进行计算和统计，并将结果存入标准挥杆指标数据库。通过滑动窗口对步骤三挥杆视频片段的骨架特征图进行分析，计算挥杆过程中骨架的速度，角度，幅度及时间等指标，并与标准指标数据库进行参照对比，得到练习者的的挥杆动作在相关指标上与标准挥杆动作的差异，差异效果对比如图2、3所示，图3中实线是标准参照动作，虚线是实际人的动作。根据每项指标的差异，针对性的为练习者提供评价报告和练习指导。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种连续运动动作准确度评价方法，其特征在于，该方法具体包括以下步骤：
S1：识别骨架，提取人体躯干和关节所在位置；
S2：获取关键信息：包括实时动作骨架、关节；
S3：多维度对比：计算实时动作关节与标准关节的位置对比结果，以及实时动作骨架与标准动作骨架的移动速度对比结果；
S4：计算动作准确度。
2.根据权利要求1所述的一种连续运动动作准确度评价方法，其特征在于，步骤S1中，所述识别骨架具体包括：采用骨架识别算法，提取人体躯干和关节所在位置，对连续动作的切帧保证每秒不小于20帧，整个动作覆盖不少于100帧图像。
3.根据权利要求1所述的一种连续运动动作准确度评价方法，其特征在于，步骤S2中，所述获取关键信息具体包括：对实时视频的运动动作的骨架和关节信息分别与标准动作提取的骨架和关节信息一一对应，成对组合。
4.根据权利要求1所述的一种连续运动动作准确度评价方法，其特征在于，步骤S3中，所述多维度对比具体包括：对第i个关节(Xi,Yi)对应的标准关节位置为
Figure FDA0002474209770000011
则总共n个关节的移动速度对比结果是：
Figure FDA0002474209770000012
其中
Figure FDA0002474209770000013
对第j个骨架
Figure FDA0002474209770000014
对应的标准骨架位置为
Figure FDA0002474209770000015
则总共m个骨架的位置对比结果是：
Figure FDA0002474209770000016
其中，
Figure FDA0002474209770000017
5.根据权利要求4所述的一种连续运动动作准确度评价方法，其特征在于，步骤S4中，动作准确度的计算公式为：
score＝α*ψa+β*ψb
其中，α、β分别表示权重，根据人为经验设定。
CN202010358370.8A 2020-04-29 2020-04-29 一种连续运动动作准确度评价方法 Pending CN111563443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010358370.8A CN111563443A (zh) 2020-04-29 2020-04-29 一种连续运动动作准确度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010358370.8A CN111563443A (zh) 2020-04-29 2020-04-29 一种连续运动动作准确度评价方法

Publications (1)

Publication Number Publication Date
CN111563443A true CN111563443A (zh) 2020-08-21

Family

ID=72070716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010358370.8A Pending CN111563443A (zh) 2020-04-29 2020-04-29 一种连续运动动作准确度评价方法

Country Status (1)

Country Link
CN (1) CN111563443A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112843647A (zh) * 2021-01-09 2021-05-28 吉首大学 一种啦啦操用拉伸训练控制系统及方法
CN116824706A (zh) * 2023-08-25 2023-09-29 华大天元(北京)科技股份有限公司 一种变电站人员行为检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107280773A (zh) * 2017-06-07 2017-10-24 福建中医药大学 一种基于膝骨关节炎功法锻炼的质量控制方法
CN108597578A (zh) * 2018-04-27 2018-09-28 广东省智能制造研究所 一种基于二维骨架序列的人体运动评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107280773A (zh) * 2017-06-07 2017-10-24 福建中医药大学 一种基于膝骨关节炎功法锻炼的质量控制方法
CN108597578A (zh) * 2018-04-27 2018-09-28 广东省智能制造研究所 一种基于二维骨架序列的人体运动评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112843647A (zh) * 2021-01-09 2021-05-28 吉首大学 一种啦啦操用拉伸训练控制系统及方法
CN116824706A (zh) * 2023-08-25 2023-09-29 华大天元(北京)科技股份有限公司 一种变电站人员行为检测方法及系统

Similar Documents

Publication Publication Date Title
CN108764120B (zh) 一种人体规范动作评价方法
CN113762133A (zh) 基于人体姿态识别的自重健身辅助教练系统、方法、终端
CN110945522B (zh) 一种学习状态的判断方法、装置及智能机器人
CN110674785A (zh) 一种基于人体关键点跟踪的多人姿态分析方法
CN110448870B (zh) 一种人体姿态训练方法
CN111563443A (zh) 一种连续运动动作准确度评价方法
CN114565976A (zh) 一种训练智能测试方法以及装置
Yang et al. Research on face recognition sports intelligence training platform based on artificial intelligence
Promrit et al. Model for practice badminton basic skills by using motion posture detection from video posture embedding and one-shot learning technique
CN116844084A (zh) 一种融合区块链的体育运动动作分析与纠正方法及系统
CN116109455A (zh) 一种基于人工智能的语言教学辅助系统
Tarek et al. Yoga Trainer for Beginners Via Machine Learning
CN117542121A (zh) 基于计算机视觉的智能化训练考核系统及方法
CN117292288A (zh) 体育测试方法、系统、电子设备、芯片及存储介质
CN117058758A (zh) 基于ai技术的智慧体育考试方法及相关装置
Karunaratne et al. Objectively measure player performance on Olympic weightlifting
CN115731608A (zh) 基于人体姿态估计的体育运动训练方法与系统
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
Chen et al. Research on Table Tennis Swing Recognition Based on Lightweight OpenPose
Sharma et al. Rgb-d dataset: The impact of yoga and gym exercise for human activity recognition
CN112700494A (zh) 定位方法、装置、电子设备及计算机可读存储介质
TWI837038B (zh) 創客教育學習辨識個體行為的方法
Shen Learn from teachers: A teacher learner yoga pose classification and scoring network
Liu Research on Intelligent and Innovative Teaching Mode of Dance Discipline in Colleges and Universities under the Background of Informatization
CN117423166B (zh) 一种根据人体姿态图像数据的动作识别方法及系统

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

Application publication date: 20200821

RJ01 Rejection of invention patent application after publication