CN111597975B - 人员动作检测方法、装置及电子设备 - Google Patents
人员动作检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111597975B CN111597975B CN202010408069.3A CN202010408069A CN111597975B CN 111597975 B CN111597975 B CN 111597975B CN 202010408069 A CN202010408069 A CN 202010408069A CN 111597975 B CN111597975 B CN 111597975B
- Authority
- CN
- China
- Prior art keywords
- motion
- target
- action
- combination
- preset
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 298
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000007665 sagging Methods 0.000 claims description 43
- 230000001174 ascending effect Effects 0.000 claims description 25
- 210000001503 joint Anatomy 0.000 claims description 14
- 238000005452 bending Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002478 hand joint Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000003857 wrist joint Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 210000002310 elbow joint Anatomy 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开实施例提供了一种人员动作检测方法、装置及电子设备，属于图像处理技术领域。该方法包括：采集目标人员执行预设体育项目时的至少一帧图像；从全部所述图像内提取所述目标人员的骨骼特征数据集合；根据所述骨骼特征数据集合得出至少两个连续估计动作；从预设动作库内选择与所述预设体育项目对应的目标动作组合；判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；若不匹配，则判定所述目标人员执行所述预设体育项目不合格。通过本公开的处理方案，提高了人员动作检测的效率和精准度。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种人员动作检测方法、装置及电子设备。
背景技术
目前，随着社会的发展，教育事业也在不断建设，科技的更新使得教育变得越来越方便快捷，例如在运动场景中，在人员运动或者进行其他动作时，需要人工逐个确认动作是否规范，导致人力成本过大，检测的效率低下，且检测的结果误差较大。
可见，亟需一种高效精准的人员动作检测方法。
发明内容
有鉴于此，本公开实施例提供一种人员动作检测方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种人员动作检测方法，包括：
采集目标人员执行预设体育项目时的至少一帧图像；
从全部所述图像内提取所述目标人员的骨骼特征数据集合；
根据所述骨骼特征数据集合得出至少两个连续估计动作；
从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；
判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；
若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；
若连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。
根据本公开实施例的一种具体实现方式，所述从全部所述图像内提取所述目标人员的骨骼特征数据集合的步骤之前，所述方法还包括：
采集预设数量的样本特征数据，其中，所述样本特征数据为测试人员对应的骨骼特征数据；
利用全部所述样本特征数据训练卷积神经网络，得到检测模型；
所述从全部所述图像内提取所述目标人员的骨骼特征数据集合的步骤，包括：
将全部所述图像输入所述检测模型，得到所述目标人员对应的全部骨骼关节点；
计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度；
将包含全部所述骨骼关节点之间的距离和全部所述骨骼关节点连线之间的角度的集合定义为所述骨骼特征数据集合。
根据本公开实施例的一种具体实现方式，所述计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度的步骤，包括：
计算两个相邻的所述骨骼关节点对应的平面坐标；
利用欧氏距离公式计算两个相邻的所述骨骼关节点的距离；
计算所述目标骨骼关节点分别与相邻的所述骨骼关节点的距离以及两个相邻的所述骨骼关节点之间的距离；
利用余弦公式计算所述目标骨骼关节点处对应的角度。
根据本公开实施例的一种具体实现方式，若所述目标动作组合为引体向上动作组合，所述参考动作包括连续的上升动作、曲臂悬垂动作和下垂动作，每个动作的达标参数对应一个预设数值区间；
所述判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配的步骤，包括：
选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；
将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对；
若所述目标骨骼特征数据在所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；
若所述目标骨骼特征数据不在所述上升动作、所述曲臂悬垂动作或所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配。
根据本公开实施例的一种具体实现方式，若所述目标动作组合为仰卧起坐动作组合，所述参考动作包括连续的平身动作、屈身动作和上抬动作，每个动作的达标参数对应一个预设数值区间；
判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配的步骤，包括：
选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；
将所述目标骨骼特征数据与所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间进行比对；
若所述目标骨骼特征数据在所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；
若所述目标骨骼特征数据不在所述平身动作、所述屈身动作或所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配。
根据本公开实施例的一种具体实现方式，所述若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格的步骤之后，所述方法还包括：
在预设时段的初始时刻，记录所述目标人员执行所述预设体育项目的数量为0；
当每次检测到所述目标人员执行完所述预设体育项目的最后一个动作时，将所述目标人员执行所述预设体育项目的数量加1，再次采集所述目标人员执行所述预设体育项目时的图像并进行行为分析；
在所述预设时段的终止时刻，统计所述目标人员在所述预设时段内执行完所述预设体育项目的总次数。
根据本公开实施例的一种具体实现方式，所述确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配的步骤之后，所述方法还包括：
计算所述估计动作的持续时间。
根据本公开实施例的一种具体实现方式，当所述参考动作为下垂动作时，所述将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对的步骤，包括：
选择所述骨骼特征数据集合内与所述下垂动作对应的所述目标人员的目标骨骼特征数据，其中，所述目标骨骼特征数据包括所述目标人员的手部关节点角度、腕部关节点角度和腿部关节点角度；
将所述目标骨骼特征数据与所述下垂动作的达标参数对应的预设数值区间进行比对。
第二方面，本公开实施例提供了一种人员动作检测装置，包括：
采集模块，用于采集目标人员执行预设体育项目时的至少一帧图像；
提取模块，用于从全部所述图像内提取所述目标人员的骨骼特征数据集合；
估计模块，用于根据骨骼特征数据集合得出至少两个估计动作；
选择模块，用于从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；
判断模块，用于判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；
若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；
若连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的人员动作检测方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的人员动作检测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的人员动作检测方法。
本公开实施例中的人员动作检测方案，包括：采集目标人员执行预设体育项目时的至少一帧图像；从全部所述图像内提取所述目标人员的骨骼特征数据集合；根据所述骨骼特征数据集合得出至少两个连续估计动作；从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；若连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。通过本公开的方案，根据实时采集的目标人员执行预设体育项目时的图像，然后从图像内提取骨骼特征数据，根据骨骼特征数据得出连续的估计动作，通过连续的估计动作与目标动作组合中连续的参考动作比对判断目标人员执行的预设体育项目是否合格，提高了人员动作检测的效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种人员动作检测方法的流程示意图；
图2为本公开实施例提供的一种人员执行目标动作组合时的骨骼关节点示意图；
图3为本公开实施例提供的一种目标动作组合的流程示意图；
图4为本公开实施例提供的另一种目标动作组合的流程示意图；
图5为本公开实施例提供的一种人员动作检测装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，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公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开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，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，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。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
参见图1，本公开实施例提供的一种人员动作检测方法，包括：
S101，采集目标人员执行预设体育项目时的至少一帧图像；
本公开实施例提供的人员动作检测方法，可以应用于体育课或者其他体能考核的场景中的人员动作检测过程。
电子设备可以内置有图像采集模块，或者外接有图像采集设备，用于采集所述目标人员执行预设体育项目时图像，图像采集模块或者图像采集设备在采集到所述预设区域内目标人员执行预设体育项目时的2帧以上图像之后，可以直接发送给处理器进行后续的分析处理操作，也可以将采集到的所述目标人员执行预设体育项目时的图像存储到预定的存储空间内，在需要分析所述目标人员特定时刻时，可以从预定的存储空间内获取对应的图像进行分析处理。
例如，设定待检测人员动作的场景为体育课，则可以在所述目标人员作出所述预设体育项目的准备动作的时刻开始采集图像，图像采集模块或者图像采集设备采集所述目标人员执行预设体育项目时的至少2帧以上的图像。
S102，从全部所述图像内提取所述目标人员的骨骼特征数据集合；
利用预设算法，例如，可以利用人体姿态识别项目(Open Pose)从采集的全部所述目标人员执行预设体育项目时的所述图像内提取出所述目标人员的特征图，然后将特征图分成两个支路，分别使用卷积神经网络提取置信图(Part Confidence Maps)和部分关联场图(Part Affinity Fields，简称PAF)；得到这两个信息后，我们使用图论中的偶匹配(Bipartite Matching)求出部分相联点(Part Association)，将所述目标人员的关节点连接起来,由于PAF自身的矢量性，使得生成的偶匹配很正确，最终合并为所述目标人员的骨骼特征数据集合，当然，也可以采用其他算法计算所述目标人员的骨骼特征数据集合。
S103，根据所述骨骼特征数据集合得出至少两个连续估计动作；
可以在所述骨骼特征数据集合内选取所述目标人员连续多帧图像对应的所述骨骼特征数据，并进行计算得到至少两个连续所述估计动作。
S104，从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；
电子设备内可以设置有预设动作库，所述预设动作库内可以包括所述预设体育项目对应的目标动作组合。
例如，当确定所述预设体育项目为体能测试时，所述预设体育项目对应的所述目标动作组合可以为为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，当然，得到预设体育项目对应的目标动作组合也可以包括更多的动作组合，同时，所述目标动作组合中包含多个参考动作。
S105，判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；
考虑到所述目标人员执行预设体育项目时可能会动作不到位，可以先得出多个所述估计动作，将多个所述估计动作与所述目标动作组合中的参考动作进行比对，从而确定下一步操作流程。
若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则执行步骤S106，判定所述目标人员执行所述预设体育项目合格；
例如，电子设备若判定得出的三个连续的所述估计动作与所述目标动作组合中的三个连续的所述参考动作均匹配，则确定所述目标人员执行所述预设体育项目合格。
若连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配，则执行步骤S107，判定所述目标人员执行所述预设体育项目不合格。
例如，电子设备若判定得出的三个连续的所述估计动作与所述目标动作组合中的三个所述参考动作均不匹配，或者，三个连续的所述估计动作中有一个估计动作与三个所述参考动作不匹配，则确定所述目标人员执行所述预设体育项目合格。
上述本公开实施例提供的人员动作检测方法，针对于目标人员执行特定体育项目时的实时检测，通过采集目标人员的骨骼特征数据集合得出估计动作，并根据估计动作与参考动作的比对来确定目标人员执行体育项目是否合格。本实施例提供的方法，通过实时采集的目标人员执行预设体育项目时的图像，然后从图像内提取骨骼特征数据，根据骨骼特征数据去进行判断目标人员执行的预设体育项目是否合格，提高了人员动作检测的效率和精准度。
在上述实施例的基础上，步骤S102所述的，从全部所述图像内提取所述目标人员的骨骼特征数据集合之前，所述方法还包括：
采集预设数量的样本特征数据，其中，所述样本特征数据为测试人员对应的骨骼特征数据；
具体实施时，采集预设数量N的样本特征数据，存入数据库，其中，所述样本特征数据为测试人员在执行所述预设体育项目合格时采集的图像，且从图像内提取的对应的样本特征数据。
利用全部所述样本特征数据训练卷积神经网络，得到检测模型；
可以将全部所述样本特征数据训练卷积神经网络，从而得到针对于所述预设体育项目的检测模型，当然，为了提高检测精度，可以将所述样本特征数据的预设数量设置更多。
步骤S102所述的，从全部所述图像内提取所述目标人员的骨骼特征数据集合，包括：
将全部所述图像输入所述检测模型，得到所述目标人员对应的全部骨骼关节点；
将全部所述图像输入至所述检测模型内，通过所述检测模型内的预设算法计算每张所述图像内包含的所述骨骼关节点。
计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度；
可选的，所述计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度的步骤，包括：
计算两个相邻的所述骨骼关节点对应的平面坐标；
为了方便计算所述骨骼关节点之间的距离，可以利用OpenPose，可获取所述骨骼关节点的二维坐标值，OpenPose是基于卷积神经网络和监督学习并以caffe为框架携程的开源库,可以实现人的面部表情、躯干和四肢甚至手指的跟踪，不仅适用于单人也适用于多人，同时具有较好的鲁棒性。
例如，输入一张图片，经过一个神经网络模型(Backbone)，再经过6个步骤(Stage)，每个Stage有两个支路(Branch)，一个用来检测热图(Heatmap)，一个用来检测向量图(Vectmap)。有了Heatmap和Vectmap就可以知道图片中所有关键点，再通过PAF把点对应到所述目标人员身上。
利用欧氏距离公式计算两个相邻的所述骨骼关节点的距离；
如图2所示，为所述目标人员执行预设体育项目时的全部所述骨骼关节点，例如，在获取到所述目标人员的所述骨骼关节点坐标A(x1,y1)、B(x2,y2)，然后可以根据欧式距离公式
两个相邻的所述骨骼关节点的距离为D(A，B)。
计算所述目标骨骼关节点分别与相邻的所述骨骼关节点的距离以及两个相邻的所述骨骼关节点之间的距离；
利用余弦公式计算所述目标骨骼关节点处对应的角度。
同时，还可以利用欧式距离公式继续计算所述目标骨骼关节点分别与相邻的所述骨骼关节点的距离，以及，计算两个相邻的所述骨骼关节点之间的距离，在得到所述目标骨骼关节点分别与相邻的所述骨骼关节点的距离以及两个相邻的所述骨骼关节点之间的距离后，再根据余弦定理计算所述目标骨骼关节点处对应的角度。
例如，所述目标骨骼关节点为B，则计算所述目标骨骼关节点B的坐标以及相邻的所述骨骼关节点A和C的坐标为
在得到所述目标骨骼关节点分别与相邻的所述骨骼关节点的距离以及两个相邻的所述骨骼关节点之间的距离后，再根据余弦定理得到所述目标骨骼关节点处对应的角度为
将包含全部所述骨骼关节点之间的距离和全部所述骨骼关节点连线之间的角度的集合定义为所述骨骼特征数据集合。
在计算得到全部所述骨骼关节点之间的距离和全部所述骨骼关节点连线之间的角度后，将包含全部所述骨骼关节点之间的距离和全部所述骨骼关节点连线之间的角度的集合定义为所述骨骼特征数据集合，可以直接发送给处理器进行后续的分析处理操作，也可以将采集到的所述目标人员执行预设体育项目时的图像存储到预定的存储空间内，在需要分析所述目标人员特定时刻时，可以从预定的存储空间内获取对应的图像进行分析处理。
在上述实施例的基础上，若所述目标动作组合为引体向上动作组合，所述参考动作包括连续的上升动作、曲臂悬垂动作和下垂动作，每个动作的达标参数对应一个预设数值区间；
步骤S105所述的，判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配，包括：
选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；
当需要与不同的参考动作进行比对时，根据不同的参考动作，选取对应的连续的所述估计动作，然后在计算得出的所述骨骼特征数据集合内选取与所述估计动作对应的目标特征数据。
将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对；
在选取与所述估计动作对应的目标特征数据后，将所述目标骨骼特征数据与对应的所述上升动作、所述曲臂悬垂动作和所述下垂动作对应的预设数值区间进行比对，从而确定下一步操作流程。
可选的，当所述参考动作为下垂动作时，所述将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对的步骤，包括：
选择所述骨骼特征数据集合内与所述下垂动作对应的所述目标人员的目标骨骼特征数据，其中，所述目标骨骼特征数据包括所述目标人员的手部关节点角度、腕部关节点角度和腿部关节点角度；
将所述目标骨骼特征数据与所述下垂动作的达标参数对应的预设数值区间进行比对。
具体实施时，如图3所示，若所述目标动作组合为引体向上动作组合，则所述引体向上动作组合包括连续的上升动作、曲臂悬垂动作和下垂动作，所述下垂动作的达标参数对应的预设数值区间如表1所示：
| 参数 | 标准值 | 容差 |
| θ1、θ2 | 180 | 10％ |
| θ3、θ4 | 100 | 10％ |
| θ5、θ6 | 45 | 30％ |
| θ7、θ8 | 180 | 10％ |
表1
所述上升动作的达标参数对应的预设数值区间如表2所示：
| 参数 | 标准值 | 容差 |
| L19 | 0 | 10％ |
| L910、L1213 | 0 | 10％ |
| L1011、L1314 | 0 | 10％ |
表2
所述曲臂悬垂动作的达标参数对应的预设数值区间如表3所示：
| 参数 | 标准值 | 容差 |
| HE-HA | >0 | 10％ |
| θ5、θ6 | 45 | 30％ |
| θ7、θ8 | 180 | 10％ |
表3
若所述目标骨骼特征数据在所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；
例如，若将所述估计动作与所述下垂动作进行比对，则选取与所述估计动作对应的目标特征数据与所述下垂动作对应的预设数值区间进行比对，若所述目标特征数据均在所述下垂动作对应的预设数值区间内，则确定所述估计动作与所述下垂动作匹配，再选择下一个所述估计动作与所述上升动作和所述曲臂悬垂动作对应的预设数值区间进行比对，当所述目标骨骼特征数据在所述上升动作、所述曲臂悬垂动作和所述下垂动作对应的预设数值区间内，则确定所述估计动作与所述目标动作组合中的参考动作匹配，当然，可以根据需求设定多个所述参考动作的判断顺序。
考虑到不同的参考动作需要比对的参数不同，为了提高准确度，我们可以假定检测到下垂状态后，身体就处于上升状态，上升状态主要关注身体是否出现剧烈摆动。身体是否出现摆动可通过以下方式进行检测：
通过两关节点的欧式距离是否发送变化进行判断，这是基于当身体出现摆动时，肢体的长度其在图像采集模块里的二维投影就会发生变化。可用单位时间内两关节点欧式距离的变化比来定，即
w＝|Lt1-Lt2|/max(Lt1,Lt2)
其中Lt1、Lt2是指t1、t2两个时刻同一骨骼(两关节间)的长度。
悬垂状态重点关注下颚是否过杠，以及身体各关节角度是否合规。下颚是否过杠，只靠目标人员的身体的多个关键点是不能精确判断的，可以结合所述目标人员的脸部关键点进行判断。但脸部关键点识别会耗费大量的算力，可能导致检测的实时性下降太多，可以采用以下策略：
可先检测面部关键点，找到面部最低点记为E，计算此点与关键点1(鼻尖)的距离记为D，在测试阶段，关掉人脸检测，通过关键点1的高度H1减去D作为下颚的高度HE，记手部位置为HA，若HE>HA则认为所述目标人员下颚已过单杠，所述曲臂悬垂动作匹配成功。
若所述目标骨骼特征数据不在所述上升动作、所述曲臂悬垂动作或所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配。
例如，若将所述估计动作与所述下垂动作进行比对，则选取与所述估计动作对应的目标特征数据与所述下垂动作对应的预设数值区间进行比对，若所述目标特征数据均在所述下垂动作对应的预设数值区间内，则确定所述估计动作与所述下垂动作匹配，再选择下一个所述估计动作与所述上升动作和所述曲臂悬垂动作对应的预设数值区间进行比对，当所述目标骨骼特征数据不在所述上升动作、所述曲臂悬垂动作或所述下垂动作对应的预设数值区间内，则确定所述估计动作与所述目标动作组合中的参考动作不匹配。
在上述实施例的基础上，若所述目标动作组合为仰卧起坐动作组合，所述参考动作包括连续的平身动作、屈身动作和上抬动作，每个动作的达标参数对应一个预设数值区间；
步骤S105所述的，判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配，包括：
选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；
当需要与不同的参考动作进行比对时，根据不同的参考动作，选取对应的所述估计动作，然后在计算得出的所述骨骼特征数据集合内选取与所述估计动作对应的目标特征数据。
将所述目标骨骼特征数据与所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间进行比对；
在选取与所述估计动作对应的目标特征数据后，将所述目标骨骼特征数据与对应的所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间进行比对，从而确定下一步操作流程。
具体实施时，如图4所示，若所述目标动作组合为仰卧起坐动作组合，则所述仰卧起坐动作组合包括连续的平身动作、屈身动作和上抬动作，所述平身动作的达标参数对应的预设数值区间如表4所示：
| 参数 | 标准值 | 容差 |
| α | 0 | 10％ |
| θ7 | 45 | 10％ |
| θ8 | 45 | 50％ |
表4
所述屈身动作的达标参数对应的预设数值区间如表5所示：
| 参数 | 标准值 | 容差 |
| d | 0 | 10％ |
| θ7 | 45 | 10％ |
| θ8 | 45 | 50％ |
表5
若所述目标骨骼特征数据在所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；
例如，若将所述估计动作与所述屈身动作进行比对，则选取与所述估计动作对应的目标特征数据与所述屈身动作的达标参数对应的预设数值区间进行比对，若所述目标特征数据均在所述屈身动作对应的预设数值区间内，则确定所述估计动作与所述屈身动作匹配，再选择下一个所述估计动作与所述平身动作和所述上抬动作对应的预设数值区间进行比对，当所述目标骨骼特征数据在所述屈身动作、所述平身动作和所述上抬动作对应的预设数值区间内，则确定所述估计动作与所述目标动作组合中的参考动作匹配，当然，可以根据需求设定多个所述参考动作的判断顺序。
考虑到屈身状态主要关注膝关节角度、肘关节是否碰触到大腿以及双手是否交叉放置在肩部三个参数。可以以肘关节做同侧大腿的法线，计算此法线的长度，若长度大于某一值则判定匹配，否则判定不匹配。
平身状态终点关注膝关节角度、肩部是否触地、两手是否触肩三个参数。肩部是否触肩要考察的实际内容为上身是否完全躺下，可以从躯干与水平面的角度来判定。系统可以根据相机摆放情况虚拟一个水平面，而后计算髋关节与颈部构成的躯干与此水平线的角度记为α。
若所述目标骨骼特征数据不在所述平身动作、所述屈身动作或所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配。
例如，若将所述估计动作与所述屈身动作进行比对，则选取与所述估计动作对应的目标特征数据与所述屈身动作的达标参数对应的预设数值区间进行比对，若所述目标特征数据均在所述屈身动作对应的预设数值区间内，则确定所述估计动作与所述屈身动作匹配，再选择下一个所述估计动作与所述平身动作和所述上抬动作对应的预设数值区间进行比对，当所述目标骨骼特征数据不在所述屈身动作、所述平身动作或所述上抬动作对应的预设数值区间内，则确定所述估计动作与所述目标动作组合中的参考动作不匹配，当然，还可以设置更多的预设数值区间，例如平身动作持续时间过长也可以判断为所述估计动作与所述平身动作不匹配。
在上述实施例的基础上，所述若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格的步骤之后，所述方法还包括：
在预设时段的初始时刻，记录所述目标人员执行所述预设体育项目的数量为0；
可以先预设一个检测时段，在预设时段的初始时刻，标记所述目标人员执行所述预设体育项目的数量为0。
当每次检测到所述目标人员执行完所述预设体育项目的最后一个动作时，将所述目标人员执行所述预设体育项目的数量加1，再次采集所述目标人员执行所述预设体育项目时的图像并进行行为分析；
例如，确定所述目标人员执行的预设体育项目对应的目标动作组合为引体向上动作组合，当所述目标人员执行完所述引体向上动作组合的下垂动作时，所述目标人员执行完成所述预设体育项目数量加一，电子设备的图像采集模块再次采集所述目标人员执行下一个所述引体向上动作组合的图像。
在所述预设时段的终止时刻，统计所述目标人员在所述预设时段内执行完所述预设体育项目的总次数。
具体实施时，考虑到在体能测试能场景内，需要设置考核时间，例如，可以设置3分钟内图像采集模块采集所述目标人员执行所述预设体育项目的图像，同时由处理器进行判断在3分钟内所述目标人员执行完所述预设体育项目的次数。
可选的，所述确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配的步骤，所述方法还包括：
计算所述估计动作的持续时间。
具体实施时，考虑到对于特定动作还需要记录其他数据，例如，当检测到所述估计动作为所述曲臂悬垂动作时，还可以记录所述估计动作的持续时间，当所述估计动作对应的骨骼特征数据在所述曲臂悬垂动作对应的预设数值区间内时刻，开始计算所述估计动作的持续时间，当所述估计动作对应的骨骼特征数据不在所述曲臂悬垂动作对应的预设数值区间内时刻，停止计算所述估计动作的持续时间。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种人员动作检测装置50，包括：
采集模块501，用于采集目标人员执行预设体育项目时的至少一帧图像；
提取模块502，用于从全部所述图像内提取所述目标人员的骨骼特征数据集合；
估计模块503，用于根据所述骨骼特征数据集合得出至少两个估计动作；
选择模块504，用于从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；
判断模块505，用于判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；
若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；
若连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的人员动作检测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的人员动作检测方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的人员动作检测方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，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该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种人员动作检测方法，其特征在于，包括：
采集目标人员执行预设体育项目时的至少2帧图像；
从全部所述图像内提取所述目标人员的骨骼特征数据集合；
根据所述骨骼特征数据集合得出至少两个连续估计动作；
从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；其中，若所述目标动作组合为引体向上动作组合，所述参考动作包括连续的上升动作、曲臂悬垂动作和下垂动作，每个动作的达标参数对应一个预设数值区间；若所述目标动作组合为仰卧起坐动作组合，所述参考动作包括连续的平身动作、屈身动作和上抬动作，每个动作的达标参数对应一个预设数值区间；
判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；
所述目标动作组合为引体向上动作组合时，选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对；若所述目标骨骼特征数据在所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；若所述目标骨骼特征数据不在所述上升动作、所述曲臂悬垂动作或所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配；
所述目标动作组合为仰卧起坐动作组合时，选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；将所述目标骨骼特征数据与所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间进行比对；若所述目标骨骼特征数据在所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；若所述目标骨骼特征数据不在所述平身动作、所述屈身动作或所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配；
若至少两个连续的所述估计动作中每一个所述估计动作均与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；
若至少两个连续的所述估计动作中有任意一个所述估计动作与所述目标动作组合中连续的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。
2.根据权利要求1所述的方法，其特征在于，所述从全部所述图像内提取所述目标人员的骨骼特征数据集合的步骤之前，所述方法还包括：
采集预设数量的样本特征数据，其中，所述样本特征数据为测试人员对应的骨骼特征数据；
利用全部所述样本特征数据训练卷积神经网络，得到检测模型；
所述从全部所述图像内提取所述目标人员的骨骼特征数据集合的步骤，包括：
将全部所述图像输入所述检测模型，得到所述目标人员对应的全部骨骼关节点；
计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度；
将包含全部所述骨骼关节点之间的距离和全部所述骨骼关节点连线之间的角度的集合定义为所述骨骼特征数据集合。
3.根据权利要求2所述的方法，其特征在于，所述计算所述骨骼关节点之间的距离，并根据所述骨骼关节点之间的距离得到所述骨骼关节点连线之间的角度的步骤，包括：
计算两个相邻的所述骨骼关节点对应的平面坐标；
利用欧氏距离公式计算两个相邻的所述骨骼关节点的距离；
计算目标骨骼关节点分别与相邻的所述骨骼关节点的距离以及两个相邻的所述骨骼关节点之间的距离；
利用余弦公式计算所述目标骨骼关节点处对应的角度。
4.根据权利要求1至3中任一项所述的方法，其特征在于，若连续的所述估计动作与所述目标动作组合中连续的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格的步骤之后，所述方法还包括：
在预设时段的初始时刻，记录所述目标人员执行所述预设体育项目的数量为0；
当每次检测到所述目标人员执行完所述预设体育项目的最后一个动作时，将所述目标人员执行所述预设体育项目的数量加1，再次采集所述目标人员执行所述预设体育项目时的图像并进行行为分析；
在所述预设时段的终止时刻，统计所述目标人员在所述预设时段内执行完所述预设体育项目的总次数。
5.根据权利要求4所述的方法，其特征在于，所述确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配的步骤之后，所述方法还包括：
计算所述估计动作的持续时间。
6.根据权利要求3所述的方法，其特征在于，当所述参考动作为下垂动作时，所述将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对的步骤，包括：
选择所述骨骼特征数据集合内与所述下垂动作对应的所述目标人员的目标骨骼特征数据，其中，所述目标骨骼特征数据包括所述目标人员的手部关节点角度、腕部关节点角度和腿部关节点角度；
将所述目标骨骼特征数据与所述下垂动作的达标参数对应的预设数值区间进行比对。
7.一种人员动作检测装置，其特征在于，包括：
采集模块，用于采集目标人员执行预设体育项目时的至少2帧图像；
提取模块，用于从全部所述图像内提取所述目标人员的骨骼特征数据集合；
估计模块，用于根据所述骨骼特征数据集合得出至少两个估计动作；
选择模块，用于从预设动作库内选择与所述预设体育项目对应的目标动作组合，其中，所述目标动作组合为引体向上动作组合、俯卧撑动作组合和仰卧起坐动作组合中的任一个，所述目标动作组合中包含多个参考动作；其中，若所述目标动作组合为引体向上动作组合，所述参考动作包括连续的上升动作、曲臂悬垂动作和下垂动作，每个动作的达标参数对应一个预设数值区间；若所述目标动作组合为仰卧起坐动作组合，所述参考动作包括连续的平身动作、屈身动作和上抬动作，每个动作的达标参数对应一个预设数值区间；
判断模块，用于判断连续的所述估计动作与所述目标动作组合中连续的参考动作是否匹配；所述目标动作组合为引体向上动作组合时，选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；将所述目标骨骼特征数据与所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间进行比对；若所述目标骨骼特征数据在所述上升动作、所述曲臂悬垂动作和所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；若所述目标骨骼特征数据不在所述上升动作、所述曲臂悬垂动作或所述下垂动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配；
所述目标动作组合为仰卧起坐动作组合时，选择所述骨骼特征数据集合内与连续的所述估计动作对应的目标骨骼特征数据；将所述目标骨骼特征数据与所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间进行比对；若所述目标骨骼特征数据在所述平身动作、所述屈身动作和所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作匹配；若所述目标骨骼特征数据不在所述平身动作、所述屈身动作或所述上抬动作的达标参数对应的预设数值区间内，则确定连续的所述估计动作与所述目标动作组合中连续的参考动作不匹配；
若至少两个连续的所述估计动作中每一个所述估计动作均与所述目标动作组合中的参考动作匹配，则判定所述目标人员执行所述预设体育项目合格；
若至少两个连续的所述估计动作中有任意一个所述估计动作与所述目标动作组合中的参考动作不匹配，则判定所述目标人员执行所述预设体育项目不合格。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的人员动作检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010408069.3A CN111597975B (zh) | 2020-05-14 | 2020-05-14 | 人员动作检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010408069.3A CN111597975B (zh) | 2020-05-14 | 2020-05-14 | 人员动作检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597975A CN111597975A (zh) | 2020-08-28 |
| CN111597975B true CN111597975B (zh) | 2024-04-19 |
Family
ID=72182240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010408069.3A Active CN111597975B (zh) | 2020-05-14 | 2020-05-14 | 人员动作检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597975B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464915B (zh) * | 2020-12-30 | 2024-03-26 | 南京积图网络科技有限公司 | 一种基于人体骨骼点检测的俯卧撑计数方法 |
| CN113158729A (zh) * | 2020-12-31 | 2021-07-23 | 杭州拓深科技有限公司 | 一种引体向上计数方法、装置、电子装置和存储介质 |
| CN113011344B (zh) * | 2021-03-23 | 2022-07-12 | 安徽一视科技有限公司 | 一种基于机器视觉的引体向上数量计算方法 |
| CN115249364A (zh) * | 2021-04-08 | 2022-10-28 | 华为技术有限公司 | 一种目标用户确定方法、电子设备和计算机可读存储介质 |
| CN113326772A (zh) * | 2021-05-28 | 2021-08-31 | 青岛海尔工业智能研究院有限公司 | 作业分析方法、装置、电子设备、及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298220A (zh) * | 2018-03-23 | 2019-10-01 | 上海形趣信息科技有限公司 | 动作视频直播方法、系统、电子设备、存储介质 |
| CN110941990A (zh) * | 2019-10-22 | 2020-03-31 | 泰康保险集团股份有限公司 | 基于骨骼关键点进行人体动作评估的方法和装置 |
| CN110969114A (zh) * | 2019-11-28 | 2020-04-07 | 四川省骨科医院 | 一种人体动作功能检测系统、检测方法及检测仪 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9589203B2 (en) * | 2014-03-24 | 2017-03-07 | Tata Consultancy Services Limited | Action based activity determination system and method |
-
2020
- 2020-05-14 CN CN202010408069.3A patent/CN111597975B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298220A (zh) * | 2018-03-23 | 2019-10-01 | 上海形趣信息科技有限公司 | 动作视频直播方法、系统、电子设备、存储介质 |
| CN110941990A (zh) * | 2019-10-22 | 2020-03-31 | 泰康保险集团股份有限公司 | 基于骨骼关键点进行人体动作评估的方法和装置 |
| CN110969114A (zh) * | 2019-11-28 | 2020-04-07 | 四川省骨科医院 | 一种人体动作功能检测系统、检测方法及检测仪 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Kinect的体育运动自训练系统;李鑫;陈建新;陈克坚;周旭东;;计算机技术与发展(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597975A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111597975B (zh) | 人员动作检测方法、装置及电子设备 | |
| Chaudhari et al. | Yog-guru: Real-time yoga pose correction system using deep learning methods | |
| WO2018228218A1 (zh) | 身份识别方法、计算设备及存储介质 | |
| CN109308437B (zh) | 动作识别纠错方法、电子设备、存储介质 | |
| US9183431B2 (en) | Apparatus and method for providing activity recognition based application service | |
| CN110688929B (zh) | 一种人体骨架关节点定位方法及装置 | |
| WO2021098616A1 (zh) | 运动姿态识别方法、运动姿态识别装置、终端设备及介质 | |
| CN110298220B (zh) | 动作视频直播方法、系统、电子设备、存储介质 | |
| CN113569753B (zh) | 视频中的动作比对方法、装置、存储介质与电子设备 | |
| CN112528957A (zh) | 人体运动基础信息检测方法、系统及电子设备 | |
| CN113409651B (zh) | 直播健身方法、系统、电子设备、存储介质 | |
| CN113743362A (zh) | 基于深度学习的实时矫正训练动作的方法及其相关设备 | |
| CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
| CN113229807A (zh) | 人体康复评估装置、方法、电子设备及存储介质 | |
| CN114049683A (zh) | 基于三维人体骨架模型的愈后康复辅助检测系统、方法、介质 | |
| CN115439927A (zh) | 基于机器人的步态监测方法、装置、设备及存储介质 | |
| CN114708660A (zh) | 基于平均序列求法的网球动作评分方法、系统及设备 | |
| CN108460364B (zh) | 用于生成信息的方法和装置 | |
| CN112270242B (zh) | 轨迹的显示方法、装置、可读介质和电子设备 | |
| CN114332927A (zh) | 课堂举手行为检测方法、系统、计算机设备和存储介质 | |
| CN111353347B (zh) | 动作识别纠错方法、电子设备、存储介质 | |
| CN111353345B (zh) | 提供训练反馈的方法、装置、系统、电子设备、存储介质 | |
| CN115346640B (zh) | 一种功能性康复训练闭环反馈的智能监测方法及系统 | |
| CN116740618A (zh) | 一种运动视频动作评估方法、系统、计算机设备及介质 | |
| CN116704603A (zh) | 一种基于肢体关键点分析的动作评估纠正方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |