CN112932470B - 俯卧撑训练的评估方法及装置、设备、存储介质 - Google Patents
俯卧撑训练的评估方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN112932470B CN112932470B CN202110109003.9A CN202110109003A CN112932470B CN 112932470 B CN112932470 B CN 112932470B CN 202110109003 A CN202110109003 A CN 202110109003A CN 112932470 B CN112932470 B CN 112932470B
- Authority
- CN
- China
- Prior art keywords
- push
- vector
- examinee
- training
- image sequence
- 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
- 238000012549 training Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 173
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 136
- 230000009471 action Effects 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 239000002131 composite material Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000031872 Body Remains Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physical Education & Sports Medicine (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种俯卧撑训练的评估方法及装置、设备、存储介质。本申请一实施例中,俯卧撑训练的评估方法包括:获取考生进行俯卧撑训练的图像序列;提取图像序列中关键帧图像的第一向量,第一向量包含相应帧图像中的骨节点对信息;利用第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;根据图像序列的所有第二向量,确定考生的俯卧撑完成频率;通过第二向量确定考生完成每个俯卧撑的动作分值,并基于动作分值和俯卧撑完成频率对考生的俯卧撑训练进行评分。本申请实施例能够针对考生俯卧撑训练的动作准确度和完成频率进行综合智能地评估。
Description
技术领域
本申请涉及人体姿态识别技术领域,尤其涉及一种俯卧撑训练的评估方法及装置、设备、存储介质。
背景技术
人体姿态识别技术已被广泛应用于生活和工作中的各个领域。在体育运动、舞蹈训练等一些运动训练中,通过人体姿态识别技术能够分析运动员的关节运动参数,用于改进运动员的训练方式。
尽管目前利用人体姿态识别技术已可用于俯卧撑日常训练考核中,但仍存在计算复杂度高、稳定性差、考核单一等各种亟待改进的问题。
发明内容
为了部分地或全部地解决上述技术问题,本申请期望提供一种新的俯卧撑训练的评估方法及装置、设备、存储介质。
本申请的一个方面,提供了一种俯卧撑训练的评估方法,包括:
获取考生进行俯卧撑训练的图像序列;
提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
一些示例中,提取所述图像序列中关键帧图像的第一向量,包括:
通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
一些示例中,所述骨节点对信息包括骨节点对的骨节点间距和骨节点角度信息,所述骨节点对中的两个骨节点为所述人体骨架中的相邻骨节点。
一些示例中,所述俯卧撑训练的评估方法还包括:在利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
一些示例中,所述图像序列的时间维度矩阵包括多个,每个所述时间维度矩阵的时间维度长度等于预先设定的观测姿态距离的时间窗口,其信息维度长度等于所述第一向量的列数。
一些示例中,所述第二向量为二维向量,其具有第一维度和第二维度,所述第一维度用于指示所述运动状态,所述第二维度用于指示所述运动状态对应的姿态分值,一运动状态对应的姿态分值用于指示考生在该运动状态下的姿态标准程度。
一些示例中,所述运动状态是根据单个俯卧撑的动作要领而预先设定的。
一些示例中,所述运动状态包括静止状态、俯卧撑起始状态、俯卧撑运动状态、俯卧撑完成状态和其他状态。
一些示例中,根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率,包括:记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长,并利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量,由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率。
一些示例中,基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分,包括:
通过下式计算考生完成单个俯卧撑的综合分值:
S=α*Spose+β*Sfreq
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
一些示例中,所述俯卧撑训练的评估方法还包括:控制显示装置显示所述评分的结果。
本申请的一个方面,提供了一种俯卧撑训练的评估装置,包括:
图像序列获取单元,配置为获取考生进行俯卧撑训练的图像序列;
第一向量提取单元,配置为提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
姿态评分单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
频率评分单元,配置为根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
综合评分单元,配置为通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
一些示例中,所述第一向量提取单元,包括:
人体姿态识别模块,配置为通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
第一向量生成模块,配置为利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
一些示例中,所述俯卧撑训练的评估装置还包括:矩阵构造单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
一些示例中,所述频率评分单元,包括:时长确定模块,配置为记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长;数量确定模块,配置为利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量;频率确定模块,配置为由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率。
一些示例中,所述综合评分单元,包括:单个俯卧撑评分模块,所述单个俯卧撑评分模块,配置为通过下式计算考生完成单个俯卧撑的综合分值:S=α*Spose+β*Sfreq;其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
一些示例中,所述俯卧撑训练的评估装置还包括:提示单元,配置为控制显示装置显示所述评分的结果。
本申请的一个方面,提供了一种计算设备,所述计算设备包括:
一个或多个处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于读取所述存储器中存储的可执行指令以执行上述俯卧撑训练的评估方法。
本申请的一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序在被处理器执行时能够实现上述俯卧撑训练的评估方法。
本申请实施例能够针对考生俯卧撑训练的动作准确度和完成频率进行综合智能地评估。
附图说明
在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
图1为本申请一实施例提供的俯卧撑训练的评估方法的流程示意图。
图2为本申请一实施例中人体骨节点的示例图。
图3为本申请一实施例提供的俯卧撑训练的评估装置的结构示意图。
图4为本申请一实施例提供的计算设备的结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请,而并非以任何方式限制本申请的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了本申请实施例中俯卧撑训练的评估方法的示例性流程。参见图1所示,本申请实施例中俯卧撑训练的评估方法可以包括如下步骤:
步骤S110,获取考生进行俯卧撑训练的图像序列;
步骤S120,提取图像序列中关键帧图像的第一向量,第一向量包含相应帧图像中的骨节点对信息;
步骤S130,利用第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
步骤S140,根据图像序列的所有第二向量,确定考生的俯卧撑完成频率;
步骤S150,通过第二向量确定考生完成每个俯卧撑的动作分值,并基于动作分值和俯卧撑完成频率对考生的俯卧撑训练进行评分。
本申请实施例能够针对考生俯卧撑训练的动作准确度和完成频率进行综合智能地评估,稳定性佳、可靠性好,并且评估结果能够全面准确地描述考生俯卧撑训练的情况。
步骤S110中,可以由外部的图像采集装置(例如,录像机、摄像机、相机等)实时摄录考生进行俯卧撑训练的图像,生成相应的图像序列。计算设备主动或被动地获取这些图像序列的相关数据并预先存储在其存储器中,以便通过读取这些图像序列的相关数据来执行步骤S120~步骤S150。
为更准确地从图像序列中提取空间维度和时间维度的骨节点特征,至少一些实施例中,步骤S120中可以包括:步骤h1,通过预先构建的人体姿态识别模型提取图像序列中关键帧图像的人体骨架,以得到图像序列中关键帧图像的骨节点坐标;步骤h2,利用图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量。其中,第一向量可以为一维向量,其列数可以由骨节点数量和骨节点对数量决定。由此,通过提取图像序列中关键帧图像的第一向量,可以获得图像序列中关键帧图像在空间上的人体骨骼特征,同时通过图像序列的所有第一向量可以获得时间维度上的人体骨骼特征。
步骤S120中,步骤h1可以通过预先构建的人体姿态识别模型来实现。一些实施例中,该人体姿态识别模型可以是但不限于HRNet(High-Resoultion Net)或其他类似的模型。由于HRNet并行连接高分辨率与低分辨率网络,而不是像之前方法那样串行连接,其方法能够保持高分辨率,而不是通过一个低到高的过程恢复分辨率,因此其预测结果(也即提取到的人体骨架)在空间上更精确,由此可以确保提取到的人体骨架能够更准确地反映俯卧撑训练过程中考生骨架在空间上的特征。
这里,骨节点对信息可以包括骨节点对的骨节点间距和骨节点角度信息,该骨节点对中的两个骨节点为人体骨架中的相邻骨节点。
至少一些实施例中,步骤S120中步骤h2的示例性实现过程可以包括如下步骤a1~步骤a3:
步骤a1,预先创建骨节点对列表。
图2示出了人体骨架及其骨节点的示例图。至少一些实施例中,以图2所示的人体骨架为例,可以创建如下的骨节点对列表list(k):
List(k)=[(0,14),(0,15),(14,16),(15,17),(0,1),(1,2),(1,5),(2,3),(3,4),(5,6),(6,7),(1,8),
(8,9),(9,10),(1,11),(11,12),(12,13)]
该骨节点对列表中包含17个骨节点对,每个骨节点对中包含两个位置相邻的骨节点,这里“位置相邻”是指人体骨架上的位置相邻。
步骤a2,计算骨节点对列表中每一骨节点对的骨节点对信息,即该骨节点对的骨节点间距和骨节点角度信息。
一些实施例中,骨节点间距可以是但不限于骨节点之间的欧式距离。
一些示例中,骨节点间距可以通过下式(1)计算。
其中,li,j表示骨节点i和骨节点j之间的欧式距离,xi表示骨节点i的x轴坐标,xj表示骨节点j的x轴坐标,yi表示骨节点i的y轴坐标,yj表示骨节点j的y轴坐标,骨节点i和骨节点j是列表list(k)中一骨节点对中的两个骨节点。
一些实施例中,骨节点角度信息可以通过如下式(2)来计算。
其中,θi,j表示骨节点i和骨节点j之间角度反正切函数值,骨节点i和骨节点j是列表list(k)中一骨节点对中的两个骨节点,即i,j∈list(k)。
步骤a3,将骨节点间距和骨节点角度信息整合为第一向量,该第一向量为一维向量,该第一向量中每行包含一个元素,该元素中包含一个骨节点对的骨节点对信息,即该骨节点对的骨节点间距和其骨节点角度信息,例如骨节点间距在前、骨节点角度在后形成所述元素的一个数据。这里,第一向量的列数由骨节点数量、骨节点对的数量决定。
例如,t时刻的一维向量at可以表示为下式(3)。i和j表示骨节点标识,i,j∈list(k)。
at={li,j|i=0,1...17,j=0,1...i-1,θi,j} (3)
其中i和j表示骨节点标识,i,j∈list(k)。以图2为例,骨节点数量为18,骨节点对的数量为17,骨节点角度信息为17条。相应地,第一向量的列数为18*17/2+17=170,“18*17/2”表示所有骨节点之间距离,“17”表示骨节点角度信息,该第一向量的维度值为170。
可以理解的是,式(1)~(3)均为示例,并非用于限制本申请。
为更高效准确地执行姿态评分的计算(也即步骤S130),至少一些实施例中,在步骤S120之后、步骤S130之前或者步骤S120的最后,还可以包括:利用图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。这里,利用图像序列中关键帧图像的第一向量构造该图像序列的时间维度矩阵是为了进入步骤S130的处理,同时提升计算效率、降低计算复杂度。
这里,所述图像序列的时间维度矩阵包括多个,每个时间维度矩阵具有两个维度,即对应骨节点对信息的信息维度和对应图像帧的时间维度,每个所述时间维度矩阵的时间维度长度等于预先设定的观测姿态距离的时间窗口,其信息维度长度等于第一向量的列数。这样,时间维度矩阵能够更好地满足回归模型的处理需求,有利于降低计算复杂度,同时可以确保回归模型的输入数据能够涵盖俯卧撑训练过程中考生的每一个俯卧撑的各种运动状态的信息。当然,时间维度矩阵的时间维度长度也可以设置为预先选定的固定值,其具体值可以视具体应用需求灵活配置。
例如,假设观测姿态距离的时间窗口为T,那么一个时间维度矩阵A可以表示为下式(4)。
其中,at-T表示第t-T时刻或第t-T帧图像的一维向量,at表示t时刻或第t帧图像的一维向量。由此可见,时间维度矩阵A包含了时段T内各帧图像的一维向量。
假设取T为1秒,图像序列的每秒传输帧数(Frames Per Second,FPS)为20,那么A为20*170的矩阵,行数为20、列数为170。
步骤S130中的回归模型可以通过诸如支持向量回归(SVR,support vectorregression)等深度学习模型来实现。
步骤S130中,回归模型以图像序列的时间维度矩阵为输入,经过处理输出二维向量,该二维向量具有第一维度和第二维度,第一维度用于指示所述运动状态,第二维度用于指示所述运动状态对应的姿态分值,一运动状态对应的姿态分值用于指示考生在该运动状态下的姿态标准程度。
这里,运动状态是根据单个俯卧撑的动作要领而预先设定的。通常,俯卧撑动作准确度的考核主要通过如下几个方面来考察:1)开始做俯卧撑时,身体必须保持从肩膀到脚裸成一条直线,双臂应该放在胸部位置,两手相距略宽于肩膀,确保每个动作都能有效锻炼肱三头肌;2)做俯卧撑时,应该用2-3s时间充分下降身体,最终胸部距离地面应该是2-3cm左右;3)俯卧撑完成时,马上用力撑起,回到起始位置。除以上三种状态之外,还需要考虑到“静止状态”、“不在俯卧撑运动中的其他状态”这两种常规状态。因此,至少一些实施例中,可以预先配置五个运动状态,分别为表示静止状态的“0”、表示俯卧撑起始状态的“1”、表示俯卧撑运动状态的“2”,表示俯卧撑完成状态的“3”和表示其他状态的“4”。
回归模型可以通过识别考生的姿态是否符合俯卧撑中相应运动状态的标准姿态来得到考生的姿态分值。具体地,俯卧撑起始状态即状态类别为“1”时,通过判断“身体保持从肩膀到脚裸成一条直线、双臂放在胸部位置、两手相距略宽于肩膀”来确定相应的姿态分值。俯卧撑运动状态即状态类别为“2”时,可以通过判断“用2-3s时间充分下降身体,最终胸部距离地面2-3cm左右”来确定相应的姿态分值。俯卧撑完成状态即状态类别为“3”时,可以通过判断“马上用力撑起并回到起始位置”来确定相应的姿态分值。状态“0”和状态“4”的姿态分值可以取及预定值,或者通过判断考生的姿态是否符合“静止状态”和“不在俯卧撑中的其他状态”来进行姿态评分。
姿态分值可用于指示相应运动状态下考生的运动姿态的标准程度,也即相应运动状态下考生的运动姿态与规范性的运动姿态之间的差异程度。本申请实施例中,姿态分值可以取[0,1]之间的数值,分值越高,说明考生的运动姿态越标准,也即其动作准确度越高,分值越低,说明考生的运动姿态越不标准,也即其动作准确度越低。
例如,假设运动状态为state,运动状态下的姿态分值为score,那么二维向量B可以表示为B=[state,score]。针对一图像序列,经过步骤S120~步骤130的处理可以得到一组二维向量B。
步骤S140中,俯卧撑完成频率可以通过二维向量来确定。具体地,步骤S140可以包括:记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻,并利用步骤S130中获得的所有二维向量确定考生完成的俯卧撑数量。
例如,步骤S140的示例性计算过程如下:当state为3时,次数加1;当上一时刻state为3且当前时刻state为4时,输出一次俯卧撑次数统计值(也即,俯卧撑数量)。
由俯卧撑数量和俯卧撑的运动时长来计算考生的俯卧撑完成频率。例如,取俯卧撑数量与俯卧撑运动时长的比值作为考生的俯卧撑完成频率。这里,考生每次俯卧撑的开始时刻和结束时刻可以从上述的时间维度矩阵中提取到。
例如,俯卧撑完成频率的示例性计算过程如下:当state从0变为1时,记录俯卧撑开始时刻tstart;当state为3时,记录俯卧撑开始时刻tend。
步骤S150中,可以通过计算俯卧撑训练过程中一定数量的俯卧撑的综合评分来确定考生的评分结果。例如,可以先计算考生完成单个俯卧撑的综合分值,再利用一组俯卧撑的综合分值来估算考生该次俯卧撑训练的综合评分。
一些实施例中,考生完成单个俯卧撑的综合分值可以通过预定的函数关系式来计算,该函数关系式的函数值为考生的综合得分,变量包括考生进行俯卧撑训练时的动作分值和频率分值。
例如,上述函数关系式可以定义为下式(5),α表示动作分值的权重,β表示频率分值的权重,α、β均为预定值,其可以取预先设定的固定值、经验值等。为降低计算复杂度,α、β可以取[0,1]之间的数值,并且两者之和等于1。
S=α*Spose+β*Sfreq (5)
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值。
动作分值可通过回归模型输出的二维向量计算得到。例如,动作分值Spose可以通过式(6)计算得到:
其中,第i次SVR模型的的输出为Bi=[3,scorei],其中3表示完成俯卧撑状态,count表示上文所述运动状态的数量。
例如,可以通过将考生完成一个俯卧撑对应的所有二维向量中的姿态分值来确定该俯卧撑的动作分值。比如,取这些二维向量中姿态分值之和作为考生完成该俯卧撑的动作分值。再例如,通过一预定的函数关系式以这些二维向量中的姿态分值为变量计算考生完成该俯卧撑的动作分值。当然,还可采用其他方式,对此本申请不作限制。
频率分值可以根据俯卧撑训练的一般考核规范来确定。例如,俯卧撑训练的考核规范要求考生的俯卧撑完成频率必须达到某个预先设置的规定频率(也可以成为频率阈值)。因此,至少一些实施例中,俯卧撑完成频率对应的分值可以通过如下方式确定:如果考生的俯卧撑完成频率等于或高于上述规定频率,则其频率分值记为1,如果考生的俯卧撑完成频率低于上述规定频率,则其频率分值记为0。也即,俯卧撑完成频率在规定频率之内的考生得1分,否则不得分。
需要说明的是,式(5)仅为示例。具体应用中,利用单个俯卧撑的动作分值和频率分值计算单个俯卧撑的综合分值的具体计算方式可以视情况而定,不限于式(5)所限定的方式。例如,也可以通过预先构建一神经网络来计算综合分值。
通常,考生完成一次俯卧撑训练的考核规范要求考生在一组俯卧撑中得分符合要求。因此,为更准确地评估考生完成一次俯卧撑训练的情况,至少一些实施例中,考生进行俯卧撑训练的综合评分可以基于考生完成一组俯卧撑的综合分值来确定。例如,以m个俯卧撑为一组,考生完成一次俯卧撑训练的综合评分可以取这m个俯卧撑的综合分值S之和。假设m=10,单个俯卧撑的综合得分S满分为1、最低为0分,那么考生完成一次俯卧撑训练的满分为10分,最低得分为0分。
为便于考核人员和考生查看自己的俯卧撑训练评分情况,在步骤S150之后,还可以包括:控制显示装置显示所述评分的结果,也即控制显示装置显示考生进行俯卧撑训练的综合评分。由此,本申请实施例不仅可以实时并智能化地对摄录的被考核者视频中的动作和频率进行评分,而且可以通过显示装置显示评分结果。更进一步地,还可以同时控制显示装置向考生播放俯卧撑标准动作的视频,以便对考生的俯卧撑动作进行纠偏提醒。
由上文可见,本申请实施例通过人体姿态模型和回归模型即可智能评估训练者俯卧撑动作和频率是否符合考核标准从而完成考生俯卧撑训练的综合评分,计算复杂度较低、稳定性佳、可靠性好。
图3示出了本申请实施例中俯卧撑训练的评估装置的结构示意图。参见图3所示,本申请实施例中俯卧撑训练的评估装置可以包括:
图像序列获取单元31,配置为获取考生进行俯卧撑训练的图像序列;
第一向量提取单元32,配置为提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
姿态评分单元33,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
频率评分单元34,配置为根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
综合评分单元35,配置为通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
一些实施例中,第一向量提取单元32可以包括:人体姿态识别模块321,配置为通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;第一向量生成模块322,配置为利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;其中,第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
一些实施例中,上述俯卧撑训练的评估装置还可以包括:矩阵构造单元36,配置为利用第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
一些实施例中,频率评分单元34可以包括:
时长确定模块341,配置为记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长;
数量确定模块342,配置为利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量;
频率确定模块343,配置为由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率。
一些实施例中,综合评分单元35可以包括:单个俯卧撑评分模块351,该单个俯卧撑评分模块可以配置为通过上文式(5)计算考生完成单个俯卧撑的综合分值。
一些实施例中,上述俯卧撑训练的评估装置还可以包括:提示单元37,配置为控制显示装置显示评分的结果。
上述俯卧撑训练的评估装置可以通过软件、硬件或两者的结合来实现。上述俯卧撑训练的评估装置的其他技术细节参见上文方法的相关描述,不再赘述。
图4示出了本申请实施例中计算设备的示例性结构。实际应用中,该计算设备可以是具有高性能处理能力的计算机、服务器或其集群。需要说明的是,图4显示的计算设备仅作为示例,本申请实施例的计算设备的具体结构不限于此。
参见图4所示,计算设备可以包括:一个或者多个处理器或者处理单元401,存储器402,连接不同系统组件(包括存储器402和处理单元401)的总线403,存储器402可用于存储所述处理器可执行指令,一个或多个处理器或处理单元401可用于读取存储器402中存储的可执行指令以执行上俯卧撑训练的评估方法。
上述计算设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)4021和/或高速缓存存储器4022。计算设备70可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,ROM4023可以用于读写不可移动的、非易失性磁介质(图4中未显示,通常称为“硬盘驱动器”)。尽管未在图4中示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402中可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例中俯卧撑训练的评估方法的步骤。
具有一组(至少一个)程序模块4024的程序/实用工具4025,可以存储在例如存储器402中,且这样的程序模块4024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块4024通常执行本申请所描述的实施例中的功能和/或方法。
上述计算设备也可以与一个或多个外部设备404(如图像采集装置、指向设备、显示装置、视频采集卡等)通信。这种通信可以通过输入/输出(I/O)接口405进行。并且,计算设备还可以通过网络适配器406与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器406通过总线403与计算设备的其它模块(如处理单元401等)通信。应当理解,尽管图4中未示出,可以结合计算设备使用其它硬件和/或软件模块。
外部设备404中的显示装置(例如,显示屏、触控显示屏等)可以在处理器或处理单元401的控制下向考生或考核人员显示考生进行俯卧撑训练的综合评分。
外部设备404还可以包括诸如摄像头或照相机等图像采集装置,该图像采集装置可以实时采集考生进行俯卧撑训练的图像序列。
外部设备404中的视频采集卡可用于将图像采集装置实时采集的图像序列转换为处理器或处理单元401可识别的数据并传送至处理器或处理单元401或者存储器402中。
本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序在被处理器执行时能够实现上述的俯卧撑训练的评估方法。这里,计算机可读存储介质的例子可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、设备和计算机可读存储介质的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。
由以上内容可知,本申请至少公开了以下技术方案:
1.一种俯卧撑训练的评估方法,包括:
获取考生进行俯卧撑训练的图像序列;
提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
2.根据方案1所述俯卧撑训练的评估方法,其中,提取所述图像序列中关键帧图像的第一向量,包括:
通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
3.根据方案2所述俯卧撑训练的评估方法,其中,所述骨节点对信息包括骨节点对的骨节点间距和骨节点角度信息,所述骨节点对中的两个骨节点为所述人体骨架中的相邻骨节点。
4.根据方案1或2所述俯卧撑训练的评估方法,还包括:
在利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
5.根据方案4所述俯卧撑训练的评估方法,其中,所述图像序列的时间维度矩阵包括多个,每个所述时间维度矩阵的时间维度长度等于预先设定的观测姿态距离的时间窗口,其信息维度长度等于所述第一向量的列数。
6.根据方案1所述俯卧撑训练的评估方法,其中,所述第二向量为二维向量,其具有第一维度和第二维度,所述第一维度用于指示所述运动状态,所述第二维度用于指示所述运动状态对应的姿态分值,一运动状态对应的姿态分值用于指示考生在该运动状态下的姿态标准程度。
7.根据方案1或6所述俯卧撑训练的评估方法,其中,所述运动状态是根据单个俯卧撑的动作要领而预先设定的。
8.根据方案7所述俯卧撑训练的评估方法,其中,所述运动状态包括静止状态、俯卧撑起始状态、俯卧撑运动状态、俯卧撑完成状态和其他状态。
9.根据方案1所述俯卧撑训练的评估方法,其中,根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率,包括:
记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长,并利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量,由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率。
10.根据方案1所述俯卧撑训练的评估方法,其中,基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分,包括:
通过下式计算考生完成单个俯卧撑的综合分值:
S=α*Spose+β*Sfreq
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
11.根据方案1所述俯卧撑训练的评估方法,还包括:控制显示装置显示所述评分的结果。
12.一种俯卧撑训练的评估装置,包括:
图像序列获取单元,配置为获取考生进行俯卧撑训练的图像序列;
第一向量提取单元,配置为提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
姿态评分单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
频率评分单元,配置为根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
综合评分单元,配置为通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
13.根据方案12所述俯卧撑训练的评估装置,其中,所述第一向量提取单元,包括:
人体姿态识别模块,配置为通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
第一向量生成模块,配置为利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
14.根据方案12所述俯卧撑训练的评估装置,还包括:
矩阵构造单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
15.根据方案12所述俯卧撑训练的评估装置,其中,所述频率评分单元,包括:
时长确定模块,配置为记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长;
数量确定模块,配置为利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量;
频率确定模块,配置为由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率。
16.根据方案12所述俯卧撑训练的评估装置,其中,所述综合评分单元,包括:单个俯卧撑评分模块,所述单个俯卧撑评分模块,配置为通过下式计算考生完成单个俯卧撑的综合分值:
S=α*Spose+β*Sfreq
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
17.根据方案12所述俯卧撑训练的评估装置,还包括:
提示单元,配置为控制显示装置显示所述评分的结果。
18.一种计算设备,所述计算设备包括:
一个或多个处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于读取所述存储器中存储的可执行指令以执行上述方案1-11中任一项所述俯卧撑训练的评估方法。
19.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序在被处理器执行时能够实现上述方案1-11中任一项所述俯卧撑训练的评估方法。
Claims (16)
1.一种俯卧撑训练的评估方法,包括:
获取考生进行俯卧撑训练的图像序列;
提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量为二维向量,其具有第一维度和第二维度,所述第一维度用于指示运动状态,所述第二维度用于指示所述运动状态对应的姿态分值,一运动状态对应的姿态分值用于指示考生在该运动状态下的姿态标准程度,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率;
通过所述第二向量确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分;
其中,所述根据所述图像序列的所有第二向量,确定考生的俯卧撑完成频率,包括:
记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长,并利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量,由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率;
通过所述第二向量确定考生完成每个俯卧撑的动作分值,包括:通过每个俯卧撑对应的所有二维向量的姿态分值来确定每个俯卧撑的动作分值。
2.根据权利要求1所述俯卧撑训练的评估方法,其中,提取所述图像序列中关键帧图像的第一向量,包括:
通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
3.根据权利要求2所述俯卧撑训练的评估方法,其中,所述骨节点对信息包括骨节点对的骨节点间距和骨节点角度信息,所述骨节点对中的两个骨节点为所述人体骨架中的相邻骨节点。
4.根据权利要求1或2所述俯卧撑训练的评估方法,还包括:
在利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
5.根据权利要求4所述俯卧撑训练的评估方法,其中,所述图像序列的时间维度矩阵包括多个,每个所述时间维度矩阵的时间维度长度等于预先设定的观测姿态距离的时间窗口,其信息维度长度等于所述第一向量的列数。
6.根据权利要求1所述俯卧撑训练的评估方法,其中,所述运动状态是根据单个俯卧撑的动作要领而预先设定的。
7.根据权利要求1所述俯卧撑训练的评估方法,其中,所述运动状态包括静止状态、俯卧撑起始状态、俯卧撑运动状态、俯卧撑完成状态和其他状态。
8.根据权利要求1所述俯卧撑训练的评估方法,其中,基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分,包括:
通过下式计算考生完成单个俯卧撑的综合分值:
S=α*Spose+β*Sfreq
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
9.根据权利要求1所述俯卧撑训练的评估方法,还包括:控制显示装置显示所述评分的结果。
10.一种俯卧撑训练的评估装置,包括:
图像序列获取单元,配置为获取考生进行俯卧撑训练的图像序列;
第一向量提取单元,配置为提取所述图像序列中关键帧图像的第一向量,所述第一向量包含相应帧图像中的骨节点对信息;
姿态评分单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量,所述第二向量为二维向量,其具有第一维度和第二维度,所述第一维度用于指示运动状态,所述第二维度用于指示所述运动状态对应的姿态分值,一运动状态对应的姿态分值用于指示考生在该运动状态下的姿态标准程度,所述第二向量包括单个俯卧撑的各个预定运动状态下的姿态分值;
频率评分单元,包括:
时长确定模块,配置为记录考生进行俯卧撑训练的过程中每次俯卧撑的开始时刻和结束时刻以确定每次俯卧撑的运动时长;
数量确定模块,配置为利用所述图像序列的所有二维向量确定考生完成的俯卧撑数量;
频率确定模块,配置为由所述俯卧撑数量和所述运动时长计算考生的俯卧撑完成频率;
综合评分单元,配置为通过每个俯卧撑对应的所有二维向量的姿态分值来确定考生完成每个俯卧撑的动作分值,并基于所述动作分值和所述俯卧撑完成频率对考生的俯卧撑训练进行评分。
11.根据权利要求10所述俯卧撑训练的评估装置,其中,所述第一向量提取单元,包括:
人体姿态识别模块,配置为通过预先构建的人体姿态识别模型提取所述图像序列中关键帧图像的人体骨架,以得到所述图像序列中关键帧图像的骨节点坐标;
第一向量生成模块,配置为利用所述图像序列中关键帧图像的骨节点坐标确定其骨节点对信息,并生成其对应的第一向量;
其中,所述第一向量为一维向量,其列数由骨节点数量和骨节点对数量决定。
12.根据权利要求10所述俯卧撑训练的评估装置,还包括:
矩阵构造单元,配置为利用所述第一向量形成的时间维度矩阵通过预先构建的回归模型得到第二向量之前,利用所述图像序列中关键帧图像的第一向量构造所述图像序列的时间维度矩阵,所述时间维度矩阵包含预定时段或预定帧数内关键帧图像的骨节点对信息。
13.根据权利要求10所述俯卧撑训练的评估装置,其中,所述综合评分单元,包括:单个俯卧撑评分模块,所述单个俯卧撑评分模块,配置为通过下式计算考生完成单个俯卧撑的综合分值:
S=α*Spose+β*Sfreq
其中,S表示考生完成单个俯卧撑的综合分值,Spose表示考生一个俯卧撑的动作分值,Sfreq表示考生的频率分值,α表示动作分值的权重,β表示频率分值的权重。
14.根据权利要求10所述俯卧撑训练的评估装置,还包括:
提示单元,配置为控制显示装置显示所述评分的结果。
15.一种计算设备,所述计算设备包括:
一个或多个处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于读取所述存储器中存储的可执行指令以执行上述权利要求1-9中任一项所述俯卧撑训练的评估方法。
16.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序在被处理器执行时能够实现上述权利要求1-9中任一项所述俯卧撑训练的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109003.9A CN112932470B (zh) | 2021-01-27 | 2021-01-27 | 俯卧撑训练的评估方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109003.9A CN112932470B (zh) | 2021-01-27 | 2021-01-27 | 俯卧撑训练的评估方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112932470A CN112932470A (zh) | 2021-06-11 |
CN112932470B true CN112932470B (zh) | 2023-12-29 |
Family
ID=76237574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110109003.9A Active CN112932470B (zh) | 2021-01-27 | 2021-01-27 | 俯卧撑训练的评估方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112932470B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113398556B (zh) * | 2021-06-28 | 2022-03-01 | 浙江大学 | 俯卧撑识别方法及系统 |
CN113255623B (zh) * | 2021-07-14 | 2021-09-24 | 北京壹体科技有限公司 | 一种智能识别俯卧撑动作姿态完成状况的系统和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172200A (zh) * | 2006-07-18 | 2008-05-07 | 孙学川 | 俯卧撑智能测试系统 |
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
CN104667510A (zh) * | 2015-02-09 | 2015-06-03 | 深圳泰山在线科技有限公司 | 一种人体动作测试系统 |
CN106693345A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 俯卧撑标准计数管理系统 |
CN107050830A (zh) * | 2017-06-26 | 2017-08-18 | 南京佳普科技有限公司 | 一种智能仰卧起坐和俯卧撑计数系统 |
CN109308437A (zh) * | 2017-07-28 | 2019-02-05 | 上海形趣信息科技有限公司 | 动作识别纠错方法、电子设备、存储介质 |
CN110298218A (zh) * | 2018-03-23 | 2019-10-01 | 上海形趣信息科技有限公司 | 交互式健身装置和交互式健身系统 |
KR102040414B1 (ko) * | 2018-10-17 | 2019-11-04 | 순천향대학교 산학협력단 | 팔굽혀 펴기 측정 장치 및 방법 |
WO2021000401A1 (zh) * | 2019-07-04 | 2021-01-07 | 平安科技(深圳)有限公司 | 体态评估方法、电子装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670380B (zh) * | 2017-10-13 | 2022-12-27 | 华为技术有限公司 | 动作识别、姿势估计的方法及装置 |
US11351419B2 (en) * | 2019-12-19 | 2022-06-07 | Intel Corporation | Smart gym |
-
2021
- 2021-01-27 CN CN202110109003.9A patent/CN112932470B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172200A (zh) * | 2006-07-18 | 2008-05-07 | 孙学川 | 俯卧撑智能测试系统 |
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
CN104667510A (zh) * | 2015-02-09 | 2015-06-03 | 深圳泰山在线科技有限公司 | 一种人体动作测试系统 |
CN106693345A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 俯卧撑标准计数管理系统 |
CN107050830A (zh) * | 2017-06-26 | 2017-08-18 | 南京佳普科技有限公司 | 一种智能仰卧起坐和俯卧撑计数系统 |
CN109308437A (zh) * | 2017-07-28 | 2019-02-05 | 上海形趣信息科技有限公司 | 动作识别纠错方法、电子设备、存储介质 |
CN110298218A (zh) * | 2018-03-23 | 2019-10-01 | 上海形趣信息科技有限公司 | 交互式健身装置和交互式健身系统 |
KR102040414B1 (ko) * | 2018-10-17 | 2019-11-04 | 순천향대학교 산학협력단 | 팔굽혀 펴기 측정 장치 및 방법 |
WO2021000401A1 (zh) * | 2019-07-04 | 2021-01-07 | 平安科技(深圳)有限公司 | 体态评估方法、电子装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112932470A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112932470B (zh) | 俯卧撑训练的评估方法及装置、设备、存储介质 | |
US11281896B2 (en) | Physical activity quantification and monitoring | |
US11403882B2 (en) | Scoring metric for physical activity performance and tracking | |
CN113850248B (zh) | 运动姿态评估方法、装置、边缘计算服务器及存储介质 | |
Leightley et al. | Benchmarking human motion analysis using kinect one: An open source dataset | |
Loureiro et al. | Using a skeleton gait energy image for pathological gait classification | |
CN112749684A (zh) | 心肺复苏术训练和评估的方法及装置、设备、存储介质 | |
CN115331314A (zh) | 一种基于app筛查功能的运动效果评估方法和系统 | |
Tang et al. | Flag3d: A 3d fitness activity dataset with language instruction | |
CN114782497A (zh) | 运动功能分析方法和电子设备 | |
Guo et al. | PhyCoVIS: A visual analytic tool of physical coordination for cheer and dance training | |
CN112741620A (zh) | 基于肢体动作的颈椎病评估装置 | |
Masullo et al. | CaloriNet: From silhouettes to calorie estimation in private environments | |
CN116152924A (zh) | 一种运动姿势评估方法、装置、系统及计算机存储介质 | |
CN113724878A (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
Wang et al. | Calorific expenditure estimation using deep convolutional network features | |
CN115512017B (zh) | 一种基于人物特征的动漫形象生成系统及方法 | |
CN116110584B (zh) | 一种人体健康风险评估预警系统 | |
WO2024079782A1 (ja) | 人物識別装置、方法およびプログラム | |
JP6984866B2 (ja) | 単語概念可視化装置と単語概念可視化方法 | |
CN116978110A (zh) | 一种舞姿动作评价方法、装置、电子设备及存储介质 | |
Ruan et al. | Design and Implementation of Fitness Dance Scoring System Based on Human Posture Recognition | |
Lease et al. | Enhancing Sports Analytics through Web-Based Application: A Workflow Perspective | |
Hua et al. | Continuous‐dilated temporal and inter‐frame motion excitation feature learning for gait recognition | |
CN115063712A (zh) | 基于眼动信号纠正的视频对运动员检测的方法及装置 |
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 |