CN112418046B - 一种基于云机器人的健身指导方法、存储介质及系统 - Google Patents

一种基于云机器人的健身指导方法、存储介质及系统 Download PDF

Info

Publication number
CN112418046B
CN112418046B CN202011284605.XA CN202011284605A CN112418046B CN 112418046 B CN112418046 B CN 112418046B CN 202011284605 A CN202011284605 A CN 202011284605A CN 112418046 B CN112418046 B CN 112418046B
Authority
CN
China
Prior art keywords
user
images
motion
building
cloud robot
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
CN202011284605.XA
Other languages
English (en)
Other versions
CN112418046A (zh
Inventor
李志豪
何炳锐
赵一亭
温韵生
张嘉翊
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.)
Wuhan Yunji Intelligent Technology Co ltd
Original Assignee
Wuhan Yunji Intelligent Technology 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 Wuhan Yunji Intelligent Technology Co ltd filed Critical Wuhan Yunji Intelligent Technology Co ltd
Priority to CN202011284605.XA priority Critical patent/CN112418046B/zh
Publication of CN112418046A publication Critical patent/CN112418046A/zh
Application granted granted Critical
Publication of CN112418046B publication Critical patent/CN112418046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Processing Or Creating Images (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种基于云机器人的健身指导方法，其包括步骤，获取用户的健身动作并进行存储；采集运动环境的图像，构建环境地图；使用DCPLSTM算法，建立一种双级联金字塔网络，将采集到的用户运动动作影像与标准动作影输入双级联金字塔网络中，并提取出两种影像的骨骼点；根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正。本发明还提供一种存储介质及基于云机器人的健身指导系统，本发明提供的基于云机器人的健身指导方法、存储介质及系统可纠正用户健身时的错误动作。

Description

一种基于云机器人的健身指导方法、存储介质及系统
技术领域
本发明涉及智能机器人领域，尤其涉及一种基于云机器人的健身指导方法、存储介质及系统。
背景技术
健身是一种体育项目，可以增强力量、柔韧性，增加耐力，提高协调性，控制身体各个部分的能力，从而使身体强健，塑造形体。
然而，现有的健身设备多为机械式设备，并未引入物联网及智能技术，用户只能凭借自己的理解对健身设备进行使用，但是由于没有进行系统的训练，因此可能健身效果不佳，甚至可能导致自己肌肉拉伤，另一方面，现有的智能机器人技术只是简单的进行卡路里的统计，并不能做出一个系统的健身方案，无法进行精确性的指导，是定性的对用户进行直觉性的指导，无法根据用户信息，用户数据，提出最优锻炼方案。
所以，为了使健身的效果达到最佳，需要提供一种。
发明内容
有鉴于此，本发明提供一种基于云机器人的健身指导方法、存储介质及系统解决现有健身单纯依赖器械而无正确指导的问题。
为了达到上述目的，本发明解决技术问题的技术方案是提供一种基于云机器人的健身指导方法，其包括步骤：获取用户的健身动作并进行存储；采集运动环境的图像，构建环境地图；使用DCPLSTM算法，建立一种双级联金字塔网络，将采集到的用户运动动作影像与标准动作影输入双级联金字塔网络中，并提取出两种影像的骨骼点；根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正。
进一步，所述获取用户的健身动作并进行存储包括步骤：对用户健身的运动动作进行拍摄；将拍摄的影像进行储存。
进一步，所述采集运动环境的图像，构建环境地图包括步骤：对用户健身的周边环境进行拍摄；根据拍摄的影像资料生成地图。
进一步，所述使用DCPLSTM算法，建立一种双级联金字塔网络，将采集到的用户运动动作影像与标准动作影输入双级联金字塔网络中，并提取出两种影像的骨骼点包括步骤：建立一种双级联金字塔网络；将采集到的用户健身的运动动作影像与标准动作影像输入双级联金字塔网络中；提取出两种影像的骨骼点。
进一步，其特征在于，所述根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正包括步骤：将两种骨骼点进行比对；判断两种骨骼点是否一致；在两种骨骼点不一致时，对用户的健身时的运动动作进行纠正。
进一步，所述获取用户的健身动作的方式为通过深度摄像头进行拍摄。
进一步，所述深度摄像头底部设有用于支撑所述深度摄像头且保证其进行上下左右360°旋转调节的支撑件。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行基于云机器人的健身指导方法。
本发明还提供一种基于云机器人的健身指导系统，其包括处理器和存储器,所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现基于云机器人的健身指导方法。
与现有技术相比，本发明所提供的基于云机器人的健身指导方法、存储介质及系统具有以下有益效果：
通过提出一种DCPLSTM算法，提出一种双级联金字塔网络(DCP)，使用共享网络参数同时处理示范运动图像与用户运动图像，输出两幅图像的骨骼点，并以骨骼点的每个最小分辨点作为节点，有连接的位置作为边，形成图数据结构，以图神经网络提取两图像的骨骼点特征，最后将两特征输入LSTM中，输出对应的指导性语言，用于给用户指导。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。
附图说明
图1为本发明第一实施例提供的一种基于云机器人的健身指导方法的流程示意图；
图2为图1中基于云机器人的健身指导方法的原理示意图；
图3为图1中步骤S1的子步骤流程图；
图4为图1中步骤S2的子步骤流程图；
图5为图1中步骤S3的子步骤流程图；
图6为图1中步骤S4的子步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-2，本发明提供的一种基于云机器人的健身指导方法，其包括步骤：
S1，获取用户的健身动作并进行存储；
具体的，利用云机器人系统对用户健身时的影像进行拍摄，以记录用户健身时的动作。
在本实施例中，云机器人系统包括主显示屏、主控制器及深度摄像头，主控制器通过无线通信技术连接到边缘节点，主显示屏和深度摄像头分别连接到主控制器，深度摄像头底部设有用于支撑摄像头且保证该摄像头进行上下左右360°旋转调节的摄像头支撑件。边缘节点包括依次连接的健身数据存储模块、边缘计算模块和信息传输模块，边缘节点还包括还包括用户数据存储模块，用户数据存储模块连接到健身数据存储模块。深度摄像头拍摄用户健身的动作后，通过主控制器利用边缘节点存入用户数据存储模块内。
可以理解，在拍摄用户健身动作并将其进行存储的过程中，还可以通过主显示屏对拍摄的健身动作进行观看。
可以理解，边缘节点是对边缘网关、边缘控制器、边缘服务器等边缘侧多种产品形态的基础共性能力的逻辑抽象，这些产品形态具备边缘侧实时数据分析、本地数据存储、实时网络联接等共性能力。
可以理解，健身存储模块为储存深度摄像头拍摄到的用户健身动作的存储单元，边缘计算模块为对储存在健身存储模块中数据进行处理并计算的单元，信息传输模块为实现信息传输的模块，用户数据模块用于存储多张健身标准动作图像数据。在本实施例中，深度摄像头拍摄到用户的健身动作后，存储于健身存储模块中，并由边缘计算模块进行处理，即将该健身动作信息与用户数据模块中的健身标准动作进行比对，以确定用户的健身动作是否标准。
可以理解，在本实施例中，
S2，采集运动环境的图像，构建环境地图；
具体的，利用深度摄像头采集用户运动的周边环境，并构建出用户运动时周边环境的地图。
可以理解，在本实施例中，采集运动环境的图像为通过机器人对运动周边环境进行拍摄，地图构建使用激光雷达及摄像头，通过s l am技术进行语义地图构建与机器人定位。
可以理解，步骤S1中采集用户运动动作为实时进行，即通过机器人实时调整位置去拍摄用户的运动动作，建立地图的目的为确定机器人在运动环境内的运动范围，且可根据地图设定机器人的运动轨迹，从而避免机器人移动至运动环境之外，以更好的对用户动作进行实时采集。
S3，使用DCPLSTM算法，建立一种双级联金字塔网络，将采集到的用户运动动作影像与标准动作影输入双级联金字塔网络中，并提取出两种影像的骨骼点；
具体的，双级联金字塔网络(DCP)对两幅图像进行下采样操作，生成特征金字塔，能够实现多颗粒度的特征提取，通过多特征的提取输出两幅图像的骨骼点。双级联金字塔网络(DCP)，以Resnet为骨骼框架，由自上向下支路、自下向上支路、横向连接组成，其中自下向上支路即为提取特征的过程，本实施例中，将特征提取的过程分成五个阶段，将最后一个阶段的输出C4作为自上向下支路的输入，自上向下支路对C4进行了上采样，生成与C1-C4对应大小的特征，其中C1-C4是Resnet101后四个阶段的输出。横向连接融合了自上向下支路与自下向上支路的特征图，其将特征提取得到的特征图与上采样得到的特征图相加，得到下一级特征图。同时使用双头输入双头输出的结构，两个输入分别为示范运动图像与用户运动图像。在得到多级金字塔特征后，将特征经过上采样，得到与原图相同大小的骨骼点图。以原图骨骼点真实位置与上述网络预测位置之间的位置的交叉熵作为损失函数，训练上述网络，直到网络能够得到真实的骨骼点位置。
然后以骨骼点的每个最小分辨点作为节点，以骨骼点的位置作为骨骼点特征，相邻骨骼点之间形成边，形成图数据结构，以图神经网络提取两图像的骨骼点特征，图卷积神经网络为对骨骼点的特征聚合，其公式为：
Figure BDA0002781923470000051
其中D为度矩阵，A为邻接矩阵，最后将经过图卷积网络提取到的特征输入LSTM中，输出对应的指导性语言。
S4，根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正；
具体的，在得到两种图像的骨骼点对比结果后，以标准动作图像的骨骼点为基准，对用户运动图像的骨骼点进行比对，当两种骨骼点完全重合时，则判定用户运动的作用是标准动作，反之则判定用户运动的作用不标准。当用户运动的动作不标准时，利用语音或其他方式对运动中的用户进行提醒，以使用户的对其健身时的动作进行调整，避免使用不标准的健身方式对身体造成损害。
请参阅图3，步骤S1还包括子步骤：
S11，对用户健身的运动动作进行拍摄；
具体的，使用深度摄像头对用户健身的运动动作进行拍摄，以形成影像。
S12，将拍摄的影像进行储存；
具体的，将拍摄到的影像进行存储，以为后续的工作做准备。
请参阅图4，步骤S2还包括子步骤：
S21，对用户健身的周边环境进行拍摄；
具体的，使用深度摄像头对用户健身的周边环境进行拍摄，并形成影像。
S22，根据拍摄的影像资料生成地图；
具体的，根据拍摄的影像，基于视觉SLAM技术生成地图。
请参阅图5，步骤S3还包括子步骤：
S31，建立一种双级联金字塔网络；
具体的，使用DCPLSTM算法，建立一种双级联金字塔网络。
S32，将采集到的用户健身的运动动作影像与标准动作影像输入双级联金字塔网络中；
具体的，将步骤S1中拍摄得到的用户健身的运动动作影像及已经预先储存的标准动作影像输入双级联金字塔网络中。
S33，提取出两种影像的骨骼点；
具体的，利用双级联金字塔网络提取出两种影像中用户的骨骼点。
请参阅图6，步骤S4还包括子步骤：
S41，将两种骨骼点进行比对；
具体的，将两种影像的骨骼点进行比对。
S42，判断两种骨骼点是否一致；
具体的，判断比对后的两种骨骼点是否一致，从而判断用户健身时的运动动作是否标准。
S43，在两种骨骼点不一致时，对用户的健身时的运动动作进行纠正；
具体的，当两种骨骼点不一致时，也即用户健身时的运动动作不标准，此时，对用户健身时的运动动作进行纠正。
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒(Memory Stick)、XD卡等。
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种基于云机器人的健身指导系统，该基于云机器人的健身指导系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现基于云机器人的健身指导方法。
与现有技术相比，本发明所提供的基于云机器人的健身指导方法、存储介质及系统具有以下有益效果：
通过提出一种DCPLSTM算法，提出一种双级联金字塔网络(DCP)，使用共享网络参数同时处理示范运动图像与用户运动图像，输出两幅图像的骨骼点，并以骨骼点的每个最小分辨点作为节点，有连接的位置作为边，形成图数据结构，以图神经网络提取两图像的骨骼点特征，最后将两特征输入LSTM中，输出对应的指导性语言，用于给用户指导。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。

Claims (8)

1.一种基于云机器人的健身指导方法，其特征在于，包括步骤：
获取用户的健身动作并进行存储；
采集运动环境的图像，构建环境地图；
使用DCPLSTM算法，建立一种双级联金字塔网络，将采集到的用户运动动作影像与标准动作影输入双级联金字塔网络中，并提取出两种影像的骨骼点；
根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正；
其中，所述双级联金字塔网络，以Resnet为骨骼框架，由自上向下支路、自下向上支路、横向连接组成；其中自下向上支路即为提取特征的过程，将特征提取的过程分成五个阶段，将最后一个阶段的输出C4作为自上向下支路的输入，自上向下支路对C4进行了上采样，生成与C1-C4对应大小的特征，其中C1-C4是Resnet101后四个阶段的输出；横向连接融合了自上向下支路与自下向上支路的特征图，其将特征提取得到的特征图与上采样得到的特征图相加，得到下一级特征图；同时使用双头输入双头输出的结构，两个输入分别为示范运动图像与用户运动图像；在得到多级金字塔特征后，将特征经过上采样，得到与原图相同大小的骨骼点图；以原图骨骼点真实位置与上述网络预测位置之间的位置的交叉熵作为损失函数，训练上述网络，直到网络能够得到真实的骨骼点位置；
然后以骨骼点的每个最小分辨点作为节点，以骨骼点的位置作为骨骼点特征，相邻骨骼点之间形成边，形成图数据结构，以图神经网络提取两图像的骨骼点特征，图卷积神经网络为对骨骼点的特征聚合，其公式为：
Figure 164868DEST_PATH_IMAGE001
；
其中，D为度矩阵，A为邻接矩阵，最后将经过图卷积网络提取到的特征输入LSTM中，输出对应的指导性语言。
2.如权利要求1所述的一种基于云机器人的健身指导方法，其特征在于，所述获取用户的健身动作并进行存储包括步骤：
对用户健身的运动动作进行拍摄；
将拍摄的影像进行储存。
3.如权利要求1所述的一种基于云机器人的健身指导方法，其特征在于，所述采集运动环境的图像，构建环境地图包括步骤：
对用户健身的周边环境进行拍摄；
根据拍摄的影像资料生成地图。
4.如权利要求1所述的一种基于云机器人的健身指导方法，其特征在于，所述根据两种图像的骨骼点对比的结果，判断用户运动动作是否标准，并在不标准时进行纠正包括步骤：
将两种骨骼点进行比对；
判断两种骨骼点是否一致；
在两种骨骼点不一致时，对用户的健身时的运动动作进行纠正。
5.如权利要求1所述的一种基于云机器人的健身指导方法，其特征在于：
所述获取用户的健身动作的方式为通过深度摄像头进行拍摄。
6.如权利要求5所述的一种基于云机器人的健身指导方法，其特征在于：
所述深度摄像头底部设有用于支撑所述深度摄像头且保证其进行上下左右360°旋转调节的支撑件。
7.一种存储介质，其特征在于：
所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-6中任一项中所述的基于云机器人的健身指导方法。
8.一种基于云机器人的健身指导系统，其特征在于：
所述基于云机器人的健身指导系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现如权利要求1-6任一项所述的基于云机器人的健身指导方法。
CN202011284605.XA 2020-11-17 2020-11-17 一种基于云机器人的健身指导方法、存储介质及系统 Active CN112418046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011284605.XA CN112418046B (zh) 2020-11-17 2020-11-17 一种基于云机器人的健身指导方法、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011284605.XA CN112418046B (zh) 2020-11-17 2020-11-17 一种基于云机器人的健身指导方法、存储介质及系统

Publications (2)

Publication Number Publication Date
CN112418046A CN112418046A (zh) 2021-02-26
CN112418046B true CN112418046B (zh) 2023-06-23

Family

ID=74832338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011284605.XA Active CN112418046B (zh) 2020-11-17 2020-11-17 一种基于云机器人的健身指导方法、存储介质及系统

Country Status (1)

Country Link
CN (1) CN112418046B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485560B (zh) * 2021-08-05 2024-07-09 上饶市纯白数字科技有限公司 显示信息的方法和装置
CN114745576A (zh) * 2022-03-25 2022-07-12 上海合志信息技术有限公司 一种家庭健身互动方法、装置、电子设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229445A (zh) * 2018-02-09 2018-06-29 深圳市唯特视科技有限公司 一种基于级联金字塔网络的多人姿态估计方法
CN109784350A (zh) * 2018-12-29 2019-05-21 天津大学 结合空洞卷积与级联金字塔网络的服饰关键点定位方法
CN110276316A (zh) * 2019-06-26 2019-09-24 电子科技大学 一种基于深度学习的人体关键点检测方法
CN110443144A (zh) * 2019-07-09 2019-11-12 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107116564A (zh) * 2017-07-05 2017-09-01 深圳市亿联智能有限公司 一种可交互的智能健身机器人
EP3711021A4 (en) * 2017-11-13 2021-07-21 Carmel-Haifa University Economic Corporation Ltd. MOTION TRACKING WITH MULTIPLE 3D CAMERAS
CN110298218B (zh) * 2018-03-23 2022-03-04 上海史贝斯健身管理有限公司 交互式健身装置和交互式健身系统
CN110428486B (zh) * 2018-04-28 2022-09-27 上海史贝斯健身管理有限公司 虚拟互动的健身方法、电子设备及存储介质
CN108764133B (zh) * 2018-05-25 2020-10-20 北京旷视科技有限公司 图像识别方法、装置及系统
CN109389054A (zh) * 2018-09-21 2019-02-26 北京邮电大学 基于自动图像识别和动作模型对比的智能镜子设计方法
CN109543549B (zh) * 2018-10-26 2021-09-07 北京陌上花科技有限公司 用于多人姿态估计的图像数据处理方法及装置、移动端设备、服务器
CN109431381B (zh) * 2018-10-29 2022-06-07 北京石头创新科技有限公司 机器人的定位方法及装置、电子设备、存储介质
CN109685797B (zh) * 2018-12-25 2021-08-10 北京旷视科技有限公司 骨骼点检测方法、装置、处理设备及存储介质
CN109859324A (zh) * 2018-12-29 2019-06-07 北京光年无限科技有限公司 一种基于虚拟人的动作教学方法及装置
CN110478862A (zh) * 2019-05-07 2019-11-22 深圳市云康创新网络科技有限公司 一种健身指导系统及其指导方法
CN111144341A (zh) * 2019-12-30 2020-05-12 淮北幻境智能科技有限公司 一种基于移动平台的健身动作纠错方法及系统
CN111339883A (zh) * 2020-02-19 2020-06-26 国网浙江省电力有限公司 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN111402336B (zh) * 2020-03-23 2024-03-12 中国科学院自动化研究所 基于语义slam的动态环境相机位姿估计及语义地图构建方法
CN111832383B (zh) * 2020-05-08 2023-12-08 北京嘀嘀无限科技发展有限公司 姿态关键点识别模型的训练方法、姿态识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229445A (zh) * 2018-02-09 2018-06-29 深圳市唯特视科技有限公司 一种基于级联金字塔网络的多人姿态估计方法
CN109784350A (zh) * 2018-12-29 2019-05-21 天津大学 结合空洞卷积与级联金字塔网络的服饰关键点定位方法
CN110276316A (zh) * 2019-06-26 2019-09-24 电子科技大学 一种基于深度学习的人体关键点检测方法
CN110443144A (zh) * 2019-07-09 2019-11-12 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法

Also Published As

Publication number Publication date
CN112418046A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN111476709B (zh) 人脸图像处理方法、装置及电子设备
US20220012533A1 (en) Object Recognition Method and Apparatus
CN111476097A (zh) 人体姿态评估方法、装置、计算机设备及存储介质
US9773192B2 (en) Fast template-based tracking
CN110544301A (zh) 一种三维人体动作重建系统、方法和动作训练系统
CN112418046B (zh) 一种基于云机器人的健身指导方法、存储介质及系统
CN109472274B (zh) 深度学习分类模型的训练装置和方法
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
WO2019041660A1 (zh) 人脸去模糊方法及装置
CN109325440A (zh) 人体动作识别方法及系统
WO2016165614A1 (zh) 一种即时视频中的表情识别方法和电子设备
CN112164091A (zh) 基于三维骨架提取的移动设备人体位姿估计方法
CN113255479A (zh) 轻量化人体姿态识别模型训练方法、动作切分方法及装置
WO2022052782A1 (zh) 图像的处理方法及相关设备
CN108229432A (zh) 人脸标定方法及装置
CN111126254A (zh) 图像识别方法、装置、设备及存储介质
WO2024188171A1 (zh) 一种图像处理方法及其相关设备
CN111814534A (zh) 视觉任务的处理方法、装置和电子系统
CN112528978B (zh) 人脸关键点的检测方法、装置、电子设备及存储介质
WO2024104365A1 (zh) 一种设备测温方法及其相关设备
WO2024140973A1 (zh) 一种动作计数方法及其相关设备
CN109407826A (zh) 球类运动模拟方法、装置、存储介质及电子设备
US20230110393A1 (en) System and method for image transformation
Gao et al. Study of improved Yolov5 algorithms for gesture recognition
US20230060988A1 (en) Image processing device and method

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