CN111603750A - 基于边缘计算的动作捕捉识别评估系统及方法 - Google Patents

Abstract

本发明涉及动作捕捉技术领域，公开了一种基于边缘计算的动作捕捉识别评估装置与方法，包括可穿戴传感器，可穿戴传感器内设有惯性测量芯片和蓝牙芯片，惯性测量芯片用于采集运动员肢体中的一个或多个运动动作的运动数据；数据处理系统，可穿戴传感器通过蓝牙芯片与数据处理系统数据连接，数据处理系统用于获取可穿戴传感器的运动数据，识别和/或评估正在进行的一个或多个运动动作。本发明的技术方案能够可分析一个或多个肢体运动的运动动作捕捉识别与实时分析，通过智能惯性测量传感器和智能终端设备App及个人计算机、云服务器配合使用，十分方便，易于推广。

Description

基于边缘计算的动作捕捉识别评估系统及方法

技术领域

本发明涉及动作捕捉技术领域，特别涉及一种基于边缘计算的动作捕捉识别评估系统及方法。

背景技术

边缘计算起源于传媒领域，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。动作捕捉，又称运动捕捉，技术涉及尺寸测量、物理空间里物体的定位及方位测定等方面可以由计算机直接理解处理的数据。运动员可以通过智能可穿戴装置捕捉分析他们在运动中使用的一种或多种运动动作(例如，关键，基本和/或经常重复的运动动作)的表现，来寻求改善他们对所选运动的表现。

然而，目前传统的体育运动训练中大多采用的是高速摄像机进行动作捕捉，通常设备的价格较高，且无法实时为运动员的动作进行评估分析和建议。

发明内容

本发明的主要目的是提出一种基于边缘计算的动作捕捉识别评估系统，旨在解决现有的体育运动中采用高速摄像机进行动作识别捕捉，价格高，且无法实时为运动员的动作进行评估分析和建议的技术问题。

为实现上述目的，本发明提出的基于边缘计算的动作捕捉识别评估系统，包括可穿戴传感器，所述可穿戴传感器内设有惯性测量芯片和蓝牙芯片，所述惯性测量芯片用于采集运动员肢体中的一个或多个运动动作的运动数据；以及

数据处理系统，所述可穿戴传感器通过所述蓝牙芯片与所述数据处理系统数据连接，所述数据处理系统用于获取所述可穿戴传感器的运动数据，识别和/或评估正在进行的一个或多个运动动作。

进一步地，所述可穿戴传感器为智能手环，所述智能手环的两端分别设有第一表带和第二表带，所述第一表带的端部设有一通槽，所述第二表带的端部可活动的穿设于所述通槽内设置，所述第一表带沿长度方向间隔的设有多个卡扣孔，所述第二表带的端部的内侧壁凸设有一第二卡扣凸起，所述第二卡扣凸起可拆卸的嵌设于所述卡扣孔内设置。

进一步地，所述惯性测量芯片采用Bosch的BMI160芯片。

进一步地，所述蓝牙芯片采用DA14583蓝牙芯片。

进一步地，所述数据处理系统包括智能移动终端设备、个人计算机以及云服务器，所述智能移动终端设备和个人计算机分别通过所述蓝牙芯片与所述可穿戴传感器无线通信连接，所述云服务器通过网络分别与所述智能移动终端设备和个人计算机通信连接。

本发明还提供一种基于边缘计算的动作捕捉识别评估方法，采用上述系统进行，包括以下步骤：

智能手环传感器采集样本数据；

PC端根据样本数据进行样本特征提取、特征学习与模型训练，生成标准数据库模型；

将PC端生成的数据模型导入智能手环传感器；

智能手环传感器中的惯性测量芯片采集用户数据，获取用户的协调、速度、平衡、力量、敏捷训练数据，并对用户数据清洗去噪处理，统一数据形式，提取特征值；

智能手环传感器中的微处理器将惯性测量芯片提取的用户数据的特征值与标准数据库模型中的特征值进行对比，对用户运动水平分类；以及

将评估结果显示在智能移动终端设备上，对用户现有运动成绩打分，并提出相应运动建议。

进一步地，所述的智能手环传感器采集样本数据还包括，将采集的样本数据加上序号和数据生成时的时间戳，所述样本数据包括运动的三轴加速度数据与三轴角速度数据，利用线性数值插值对采样率较低的所述三轴角速度数据进行重建，以使其与所述三轴加速度数据同步。

进一步地，所述的PC端根据样本数据进行特征提取、特征学习与模型训练，生成标准数据库模型，所述的样本特征提取提取以下特征中的一种或多种：

绝对值均值、绝对值均值比、方差、峰度、偏度、均方根、平均绝对偏差、过零率、能量、相关系数、模型系数、四分位差、小波能量、分形维数、小波峰；利用模式分类算法进行计算，基于提取的一种或多种所述特征而获得模型参数，以得到标准数据库模型。

进一步地，所述模式分类算法选自由决策树、贝叶斯网络、人工神经网络、K－近邻、支持向量机、Boosting等算法组成的组。

采用本发明的技术方案，具有以下有益效果：本发明的技术方案，通过可穿戴传感器随手部或脚部一起运动，传感器本体内设有的惯性测量芯片可实现无感应的手部或手部动作捕捉识别，并将数据通过无线通信模块提供给后台云服务器，后台云服务器软件通过三维成像原理和图像识别算法，完美捕捉到手部或脚部的动作，为运动员提供实时运动分析，与后台标准动作数据库进行对比，评估出动作的规范性，并通过移动智能终端或个人计算机呈现，用户可随时随地记录自己的动作并观看，有助于提高运动员训练水平，本发明可用于分析一个或多个肢体运动的运动动作捕捉识别与实时分析，低成本，易于使用，通过智能惯性测量传感器和智能终端设备App及个人计算机、云服务器配合使用，十分方便，易于推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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示出的结构获得其他的附图。

图1为本发明一实施例的一种基于边缘计算的动作捕捉识别评估系统的框架结构示意图；

图2为本发明一实施例的一种基于边缘计算的动作捕捉识别评估系统的可穿戴传感器的结构示意图；

图3为本发明一实施例的一种基于边缘计算的动作捕捉识别评估方法的框架流程结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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的一部分实施例，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，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明提出一种基于边缘计算的动作捕捉识别评估系统。

如图1至图3所示，在本发明一实施例中，该基于边缘计算的动作捕捉识别评估系统，包括可穿戴传感器100，所述可穿戴传感器内设有惯性测量芯片110和蓝牙芯片120，所述惯性测量芯片110用于采集运动员肢体中的一个或多个运动动作的运动数据；以及

数据处理系统200，所述可穿戴传感器100通过所述蓝牙芯片与所述数据处理系统数据连接，所述数据处理系统200用于获取所述可穿戴传感器的运动数据，识别和/或评估正在进行的一个或多个运动动作。

可选地，所述可穿戴传感器100为智能手环，所述智能手环的两端分别设有第一表带101和第二表带102，所述第一表带101的端部设有一通槽1011，所述第二表带102的端部可活动的穿设于所述通槽1011内设置，所述第一表带101沿长度方向间隔的设有多个卡扣孔1012，所述第二表带102的端部的内侧壁凸设有一第二卡扣凸起1021，所述第二卡扣凸起1021可拆卸的嵌设于所述卡扣孔1012内设置。

可选地，所述惯性测量芯片110采用Bosch的BMI160芯片。

可选地，所述蓝牙芯片120采用DA14583蓝牙芯片。

可选地，所述数据处理系统200包括智能移动终端设备201、个人计算机202以及云服务器203，所述智能移动终端设备201和个人计算机分202别通过所述蓝牙芯片120与所述可穿戴传感器100无线通信连接，所述云服务器203通过网络分别与所述智能移动终端设备201和个人计算机202通信连接。

本发明还提供一种基于边缘计算的动作捕捉识别评估方法，采用上述系统进行，包括以下步骤：

S100：智能手环传感器采集样本数据；

本环节分为三个步骤，基本任务是从含有数据测量装置的手环设备中读取惯性测量传感器的原始测量数据，之后把数据通过蓝牙传输到终端设备(手机、平板电脑或PC)，并由后者进行必要的传感器信号重建和同步。具体步骤如下：

(a)动作数据采集

手环设备里面设置有加速度计和陀螺仪，分别提供三轴的加速度测量值和角速度测量值。然后以符合蓝牙通信协议(例如BLE4.0蓝牙传输协议)的合适的数据组织格式把这些测量值打包。

(b)通过蓝牙传输数据

采用BLE4.0的蓝牙传输协议传输上述测量值的数据包，每次传送若干组这样的数据包。这种蓝牙传输协议为当前大多数设备所支持，而且也是一种低功耗的蓝牙传输协议，可用于延长设备的续航时间和减少电池的容量。数据接收端将可解析的指令发送给手环，手环接收到该数据就会开启本地传感器的数据测量，手环将不停更新的数据通过蓝牙传输协议发送给数据接收端，具体步骤如下：

(1)客户端初始化配置：

安装在诸如手机、平板电脑、电脑等的计算设备上的客户端初始化并开启蓝牙，向手环蓝牙层发送控制指令，开启蓝牙监听，准备好接收手环的传感器数据。

(2)发送端组织数据：每10ms手环上的两个传感器会上报本地实时数据到手环控制系统层。

手环控制系统层会将当前获取的传感器数据加上序号和数据生成的时间戳，调用蓝牙传输层，发送给客户端。

(3)客户端收到数据后，根据收到的数据包序号和时间戳，通过线性插值计算，进行信号重建，将数据处理成平滑的数据，以减少数据序号不连续和时间戳不均匀造成的信号失真的影响。下面的(c)步具体说明了如何进行该信号重建。

(c)传感器信号重建和同步

因为加速度计和陀螺仪数据的采样时刻和采样率很难达到同步，所以对往往采样率较低的陀螺仪数据采用数据插值的方法重建，以便与加速度计的时刻进行同步。

S200：PC端根据样本数据进行样本特征提取、特征学习与模型训练，生成标准数据库模型；

S300：将PC端生成的数据模型导入智能手环传感器；

S400：智能手环传感器中的惯性测量芯片采集用户数据，获取用户的协调、速度、平衡、力量、敏捷训练数据，并对用户数据清洗去噪处理，统一数据形式，提取特征值；

S500：智能手环传感器中的微处理器将惯性测量芯片提取的用户数据的特征值与标准数据库模型中的特征值进行对比，对用户运动水平分类；以及

S600：将评估结果显示在智能移动终端设备上，对用户现有运动成绩打分，并提出相应运动建议。

可选地，所述的智能手环传感器采集样本数据还包括，将采集的样本数据加上序号和数据生成时的时间戳，所述样本数据包括运动的三轴加速度数据与三轴角速度数据，利用线性数值插值对采样率较低的所述三轴角速度数据进行重建，以使其与所述三轴加速度数据同步。

可选地，所述的PC端根据样本数据进行特征提取、特征学习与模型训练，生成标准数据库模型，所述的样本特征提取提取以下特征中的一种或多种：

绝对值均值、绝对值均值比、方差、峰度、偏度、均方根、平均绝对偏差、过零率、能量、相关系数、模型系数、四分位差、小波能量、分形维数、小波峰；利用模式分类算法进行计算，基于提取的一种或多种所述特征而获得模型参数，以得到标准数据库模型。

可选地，所述模式分类算法选自由决策树、贝叶斯网络、人工神经网络、K－近邻、支持向量机、Boosting等算法组成的组。

具体地，本发明巧妙地应用模式识别算法，提取动作信息的特征，对动作进行分类，其运算速度快，分类准确，能够将硬件与软件技术很好地统一起来。本发明具体具有如下优点：

1.硬件设计简单。

纯软件处理算法，除了采集数据所需传感器，不需要任何额外的硬件设计配合。

2.检测算法简单。

其利用成熟的模式识别算法，包括且不限于诸如决策树、贝叶斯网络、人工神经网络、K－近邻、支持向量机、Boosting等。

3.计算速度快

每次分类检测耗时在150ms左右。

4.检测性能稳定

具体地，本发明的技术方案，通过可穿戴传感器随手部或脚部一起运动，传感器本体内设有的惯性测量芯片可实现无感应的手部或手部动作捕捉识别，并将数据通过无线通信模块提供给后台云服务器，后台云服务器软件通过三维成像原理和图像识别算法，完美捕捉到手部或脚部的动作，为运动员提供实时运动分析，与后台标准动作数据库进行对比，评估出动作的规范性，并通过移动智能终端或个人计算机呈现，用户可随时随地记录自己的动作并观看，有助于提高运动员训练水平，本发明可用于分析一个或多个肢体运动的运动动作捕捉识别与实时分析，低成本，易于使用，通过智能惯性测量传感器和智能终端设备App及个人计算机、云服务器配合使用，十分方便，易于推广。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (9)

1.一种基于边缘计算的动作捕捉识别评估系统，其特征在于，包括可穿戴传感器，所述可穿戴传感器内设有惯性测量芯片和蓝牙芯片，所述惯性测量芯片用于采集运动员肢体中的一个或多个运动动作的运动数据；以及

数据处理系统，所述可穿戴传感器通过所述蓝牙芯片与所述数据处理系统数据连接，所述数据处理系统用于获取所述可穿戴传感器的运动数据，识别和/或评估正在进行的一个或多个运动动作。

2.根据权利要求1所述的基于边缘计算的动作捕捉识别评估系统，其特征在于，所述可穿戴传感器为智能手环，所述智能手环的两端分别设有第一表带和第二表带，所述第一表带的端部设有一通槽，所述第二表带的端部可活动的穿设于所述通槽内设置，所述第一表带沿长度方向间隔的设有多个卡扣孔，所述第二表带的端部的内侧壁凸设有一第二卡扣凸起，所述第二卡扣凸起可拆卸的嵌设于所述卡扣孔内设置。

3.根据权利要求1所述的基于边缘计算的动作捕捉识别评估系统，其特征在于，所述惯性测量芯片采用Bosch的BMI160芯片。

4.根据权利要求1所述的基于边缘计算的动作捕捉识别评估系统，其特征在于，所述蓝牙芯片采用DA14583蓝牙芯片。

5.根据权利要求1所述的基于边缘计算的动作捕捉识别评估系统，其特征在于，所述数据处理系统包括智能移动终端设备、个人计算机以及云服务器，所述智能移动终端设备和个人计算机分别通过所述蓝牙芯片与所述可穿戴传感器无线通信连接，所述云服务器通过网络分别与所述智能移动终端设备和个人计算机通信连接。

6.根据权利要求1所述的基于边缘计算的动作捕捉识别评估方法，其特征在于，采用如权利1－5中任一项所述系统进行，包括以下步骤：

智能手环传感器采集样本数据；

PC端根据样本数据进行样本特征提取、特征学习与模型训练，生成标准数据库模型；

将PC端生成的数据模型导入智能手环传感器；

智能手环传感器中的惯性测量芯片采集用户数据，获取用户的协调、速度、平衡、力量、敏捷训练数据，并对用户数据清洗去噪处理，统一数据形式，提取特征值；

智能手环传感器中的微处理器将惯性测量芯片提取的用户数据的特征值与标准数据库模型中的特征值进行对比，对用户运动水平分类；以及

将评估结果显示在智能移动终端设备上，对用户现有运动成绩打分，并提出相应运动建议。

7.根据权利要求1所述的基于边缘计算的动作捕捉识别评估方法，其特征在于，所述的智能手环传感器采集样本数据还包括，将采集的样本数据加上序号和数据生成时的时间戳，所述样本数据包括运动的三轴加速度数据与三轴角速度数据，利用线性数值插值对采样率较低的所述三轴角速度数据进行重建，以使其与所述三轴加速度数据同步。

8.根据权利要求1所述的基于边缘计算的动作捕捉识别评估方法，其特征在于，所述的PC端根据样本数据进行特征提取、特征学习与模型训练，生成标准数据库模型，所述的样本特征提取提取以下特征中的一种或多种：

绝对值均值、绝对值均值比、方差、峰度、偏度、均方根、平均绝对偏差、过零率、能量、相关系数、模型系数、四分位差、小波能量、分形维数、小波峰；利用模式分类算法进行计算，基于提取的一种或多种所述特征而获得模型参数，以得到标准数据库模型。

9.根据权利要求1所述的基于边缘计算的动作捕捉识别评估方法，其特征在于，所述模式分类算法选自由决策树、贝叶斯网络、人工神经网络、K－近邻、支持向量机、Boosting等算法组成的组。

Images