CN113011242A - 一种仰卧起坐计数方法、装置、电子装置和存储介质 - Google Patents
一种仰卧起坐计数方法、装置、电子装置和存储介质 Download PDFInfo
- Publication number
- CN113011242A CN113011242A CN202011620072.8A CN202011620072A CN113011242A CN 113011242 A CN113011242 A CN 113011242A CN 202011620072 A CN202011620072 A CN 202011620072A CN 113011242 A CN113011242 A CN 113011242A
- Authority
- CN
- China
- Prior art keywords
- sit
- human
- angle
- counting
- calculating
- 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
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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]
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Abstract
本申请涉及一种仰卧起坐计数方法,其中,该仰卧起坐计数方法包括:步骤1:通过摄像头划定识别区域,利用人形目标检测算法找到识别区域内的人形;步骤2:对人形进行预处理;步骤3:计算人形头部H与脚部F的距离HF、人形头部H与股部O的距离OH和人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值,其中,运动过程中脚部F和股部O的位置不变,头部H的位置时刻变化,同时OH和OF的值不变,HF的大小时刻变化;步骤4:根据角度A的余弦值CosA计算角度A,A=ArcCosA;步骤5:判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。通过本申请,解决了相关技术中仰卧起坐计数依赖人工的问题,实现了仰卧起坐计数。
Description
技术领域
本申请涉及计算机视觉领域,特别是涉及一种仰卧起坐计数方法、装置、电子装置和存储介质。
背景技术
仰卧起坐,一种锻炼身体的方式。仰卧,两腿并拢,两手上举,利用腹肌收缩,两臂向前摆动,迅速成坐姿,上体继续前屈,两手触脚面,低头;然后还原成坐姿。训练仰卧起坐是提高人民群众身体素质的有效方式。现有的仰卧起坐技术方法基本是依靠人工判断仰卧起坐姿势是否标准并进行计数,浪费了人力资源且人工可能出现判断标准不一致导致计数误差较大。
目前针对相关技术中仰卧起坐计数依赖人工的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种仰卧起坐计数方法、装置、电子装置和存储介质,以至少解决相关技术中仰卧起坐计数依赖人工的问题。
第一方面,本申请实施例提供了一种仰卧起坐计数方法,包括:
步骤1:通过摄像头划定识别区域,利用人形目标检测算法找到所述识别区域内的人形;
步骤2:对所述人形进行预处理;
步骤3:计算所述人形头部H与脚部F的距离HF、所述人形头部H与股部O的距离OH和所述人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值,其中,运动过程中脚部F和股部O的位置不变,头部H的位置时刻变化,同时OH和OF的值不变,HF的大小时刻变化;
步骤4:根据角度A的正弦值CosA计算角度A,A=ArcCosA;
步骤5:判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
在其中一个实施例中,所述步骤1中人形目标检测算法包括基于SSD的人形目标检测算法,所述基于SSD的人形目标检测算法通过将所述人形转换成Pascal VOC数据集格式来实现对人形目标的检测。
在其中一个实施例中,所述步骤2中对所述人形进行预处理包括:
对所述人形进行分割后进行二值化处理,提取人形关键点特征后输入人形坐标矩形框。
在其中一个实施例中,所述人形关键点特征包括所述人形的头部H和脚部F的坐标,其中,脚部F的坐标F(x1,y1)和股部O的坐标F(x2,y2)定位在底部位置不变,头部H的坐标H(x3,y3)在仰卧起坐过程中处于运动状态。
第二方面,本申请实施例提供了一种仰卧起坐计数装置,包括:
识别模块,用于通过摄像头划定识别区域,利用人形目标检测算法找到所述识别区域内的人形;
预处理模块,用于对人形进行预处理;
计算模块,用于计算所述人形头部H与脚部F的距离HF、所述人形头部H与股部O的距离OH和所述人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值
根据角度A的余弦值CosA计算角度A;
判断模块,判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的仰卧起坐计数方法。
第四方面,本申请实施例提供了一种存储介质,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如上述第一方面所述的仰卧起坐计数方法。
相比于相关技术,本申请实施例提供的仰卧起坐计数方法,通过识别获取人形进行仰卧起坐运动时的各点位置参数坐标,计算相应角度,解决了相关技术中仰卧起坐计数依赖人工的问题,实现了通过计算机智能识别仰卧起坐的运动标准程度并计数。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的仰卧起坐计数方法流程图;
图2是根据本申请实施例的仰卧起坐计数方法原理示意图;
图3是根据本申请实施例的仰卧起坐计数装置结构图;
图4为根据本申请实施例的仰卧起坐计数设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种仰卧起坐计数方法。图1是根据本申请实施例的一种仰卧起坐计数方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,通过摄像头划定识别区域,利用人形目标检测算法找到识别区域内的人形。
步骤S102,对人形进行预处理。
在本实施例中,运动过程中脚部F和股部O的位置不变,头部H的位置时刻变化,同时OH和OF的值不变,HF的大小时刻变化,因此能够记录得到角度A的最小值。
步骤S104,根据角度A的正弦值CosA计算角度A,A=ArcCosA。
步骤S105,判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
在其中一个实施例中,步骤1中人形目标检测算法包括基于SSD的人形目标检测算法,基于SSD的人形目标检测算法通过将人形转换成Pascal VOC数据集格式来实现对人形目标的检测。在本实施例中,基于SSD的人形目标检测算法的具体流程为:接收摄像头的输入数据,使输入数据经过卷积神经网络(CNN)提取特征,并生成feature map文件,抽取其中六层的feature map文件,然后再feature map文件的每个点上生成default box(各层的个数不同,但每个点都有),将生成的所有default box都集合起来,全部丢到极大值抑制NMS中,输出筛选后的default box,并输出。通过上述的SSD的人形目标检测算法,优点在于生成的default box是多尺度的,这是因为SSD生成default box的feature map不仅仅是CNN输出的最后一层,还有利用比较浅层的feature map生成的default box。所以SSD对于小目标的检测一定会优于YOLO v1(小目标经过高层卷积后特征几乎都消失了)。同时,又因为SSD生成的多尺度default box一定有更高概率找到更加贴近于Ground Truth的候选框,所以模型的稳定性更强,能够在更稳定的状态下对运动员的仰卧起坐动作进行识别。
在其中一个实施例中,步骤S102中对人形进行预处理包括:对人形进行分割后进行二值化处理,提取人形关键点特征后输入人形坐标矩形框。其中,人形关键点特征包括人形的头部H和脚部F的坐标,其中,脚部F的坐标F(x1,y1)和股部O的坐标F(x2,y2)定位在底部位置不变,头部H的坐标H(x3,y3)在仰卧起坐过程中处于运动状态。在本实施例中,人体进行分割是指根据神经网络的训练结果对人体的上下两部分进行分割,将人形分为上半身和下半身,便于后续对人形头部H和脚部F的确定。
上述人形关键点包括分割后的下半身脚部F和上半身头部H,之后建立平面坐标系,以横坐标和纵坐标的形式对头部H和脚部F进行标记,以便于后续步骤中对两个点之间的距离和角度等数据进行计算。
在本实施例中,通过一种人形识别仰卧起坐智能计数算法,建立标准的仰卧起坐考核标准,还可以节省人为因数导致的评估主观性,实现了利用计算机智能算法的方式对运动员的仰卧起坐姿势标准情况和锻炼个数进行计数,解决了相关技术中仰卧起坐计数依赖人工的问题。
如图2所示,该流程包括如下步骤:
下面通过优选实施例对本申请实施例进行描述和说明。
本实施例还提供了一种仰卧起坐计数装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本申请实施例的仰卧起坐计数方法原理示意图,如图2所示,在人体做仰卧起坐的过程中,H点的位置以O点为中心点进行圆周运动,形成一系列的坐标点,H1,H2,...,Hn;由OHn与OF形成的夹角A计算公式如下:
定义FH1的长度为人形离地面最低的时候脚和头部的距离,这个值根据人形在位置的变动取最小值,HnH1为Hn点与H1点的距离。
由此可以得出角度A的值,其中A值正常范围在90~180度之间,这个值在算法中可以配置,在不同的考核场景下可以设置目标角度T,T值在合理的范围内越高要求月严格。判断依据是:A>T,完成计数加一,否则不计数。
图3是根据本申请实施例的仰卧起坐计数装置的结构框图,如图3所示,该装置包括:识别模块,用于通过摄像头划定识别区域,利用人形目标检测算法找到识别区域内的人形;预处理模块,用于对人形进行预处理;计算模块,用于计算人形头部H与脚部F的距离HF、人形头部H与股部O的距离OH和人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值根据角度A的余弦值CosA计算角度A;判断模块,判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例仰卧起坐计数方法可以由仰卧起坐计数设备来实现。图4为根据本申请实施例的仰卧起坐计数设备的硬件结构示意图。
仰卧起坐计数设备可以包括处理器41以及存储有计算机程序指令的存储器42。
具体地,上述处理器41可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器44可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器44可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器44可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器44可在数据处理装置的内部或外部。在特定实施例中,存储器44是非易失性(Non-Volatile)存储器。在特定实施例中,存储器44包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器44可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器42所执行的可能的计算机程序指令。
处理器41通过读取并执行存储器42中存储的计算机程序指令,以实现上述实施例中的任意一种仰卧起坐计数方法。
在其中一些实施例中,仰卧起坐计数设备包括通信接口43和总线40。其中,如图4所示,处理器41、存储器42、通信接口43通过总线40连接并完成相互间的通信。
通信接口43用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口43还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线40包括硬件、软件或两者,将仰卧起坐计数设备的部件彼此耦接在一起。总线40包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线40可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线40可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该仰卧起坐计数设备可以基于获取到的仰卧起坐计数,执行本申请实施例中的仰卧起坐计数方法,从而实现结合图1描述的仰卧起坐计数方法。
另外,结合上述实施例中的仰卧起坐计数方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种仰卧起坐计数方法。
相比于现有技术,本申请具有以下优点:
1.本申请利用计算机智能算法,通过识别人体进行仰卧起坐运动时头部和脚部的运动位置变化,实现了对仰卧起坐的自动计数。
2.本申请在不同的考核场景下时,可以自主设置不同的考核标准T值,具备对不同使用场景下的的广泛适用性。
3.本申请通过测量自动判断计数的方法,无需人工进行计数和监控,节约人力资源成本。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种仰卧起坐计数方法,其特征在于,所述方法包括:
步骤1:通过摄像头划定识别区域,利用人形目标检测算法找到所述识别区域内的人形;
步骤2:对所述人形进行预处理;
步骤3:计算所述人形头部H与脚部F的距离HF、所述人形头部H与股部O的距离OH和所述人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值,其中,运动过程中脚部F和股部O的位置不变,头部H的位置时刻变化,同时OH和OF的值不变,HF的大小时刻变化;
步骤4:根据角度A的余弦值CosA计算角度A,A=ArcCosA;
步骤5:判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
2.根据权利要求1所述的一种仰卧起坐计数方法,其特征在于,所述步骤1中人形目标检测算法包括基于SSD的人形目标检测算法,所述基于SSD的人形目标检测算法通过将所述人形转换成PascalVOC数据集格式来实现对人形目标的检测。
3.根据权利要求1所述的一种仰卧起坐计数方法,其特征在于,所述步骤2中对所述人形进行预处理包括:
对所述人形进行分割后进行二值化处理,提取人形关键点特征后输入人形坐标矩形框。
4.根据权利要求3所述的一种仰卧起坐计数方法,其特征在于,所述人形关键点特征包括所述人形的头部H、股部O和脚部F的坐标,其中,脚部F的坐标F(x1,y1)和股部O的坐标F(x2,y2)定位在底部位置不变,头部H的坐标H(x3,y3)在仰卧起坐过程中处于运动状态。
5.一种仰卧起坐计数装置,其特征在于,包括:
识别模块,用于通过摄像头划定识别区域,利用人形目标检测算法找到所述识别区域内的人形;
预处理模块,用于对人形进行预处理;
计算模块,用于计算所述人形头部H与脚部F的距离HF、所述人形头部H与股部O的距离OH和所述人形脚部F与股部O的距离OF,根据HF、OH和OF计算角度A的余弦值
根据角度A的余弦值CosA计算角度A;
判断模块,判断运动过程中角度A的最小值与预设值T的大小关系,若角度A的最小值小于预设值T,则进行一次仰卧起坐计数,若角度A的最小值大于预设值T,则不进行仰卧起坐计数。
6.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至4中任一项所述的仰卧起坐计数方法。
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权利要求1至4中任一项所述的仰卧起坐计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011620072.8A CN113011242A (zh) | 2020-12-31 | 2020-12-31 | 一种仰卧起坐计数方法、装置、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011620072.8A CN113011242A (zh) | 2020-12-31 | 2020-12-31 | 一种仰卧起坐计数方法、装置、电子装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011242A true CN113011242A (zh) | 2021-06-22 |
Family
ID=76384176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011620072.8A Pending CN113011242A (zh) | 2020-12-31 | 2020-12-31 | 一种仰卧起坐计数方法、装置、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011242A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172199A (zh) * | 2006-07-18 | 2008-05-07 | 孙学川 | 仰卧起坐智能测试系统 |
WO2017193590A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳泰山体育科技股份有限公司 | 仰卧起坐测试的计数方法及系统 |
CN109815907A (zh) * | 2019-01-25 | 2019-05-28 | 深圳市象形字科技股份有限公司 | 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法 |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110732119A (zh) * | 2019-10-15 | 2020-01-31 | 上海淡竹体育科技有限公司 | 仰卧起坐测试的方法及装置 |
CN111368810A (zh) * | 2020-05-26 | 2020-07-03 | 西南交通大学 | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 |
CN111401260A (zh) * | 2020-03-18 | 2020-07-10 | 南通大学 | 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统 |
-
2020
- 2020-12-31 CN CN202011620072.8A patent/CN113011242A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101172199A (zh) * | 2006-07-18 | 2008-05-07 | 孙学川 | 仰卧起坐智能测试系统 |
WO2017193590A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳泰山体育科技股份有限公司 | 仰卧起坐测试的计数方法及系统 |
CN109815907A (zh) * | 2019-01-25 | 2019-05-28 | 深圳市象形字科技股份有限公司 | 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法 |
CN110046600A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 用于人体检测的方法和装置 |
CN110732119A (zh) * | 2019-10-15 | 2020-01-31 | 上海淡竹体育科技有限公司 | 仰卧起坐测试的方法及装置 |
CN111401260A (zh) * | 2020-03-18 | 2020-07-10 | 南通大学 | 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统 |
CN111368810A (zh) * | 2020-05-26 | 2020-07-03 | 西南交通大学 | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
CN104700099B (zh) | 识别交通标志的方法和装置 | |
WO2019192121A1 (zh) | 双通道神经网络模型训练及人脸比对方法、终端及介质 | |
CN108875537B (zh) | 对象检测方法、装置和系统及存储介质 | |
CN103295022B (zh) | 图像相似度计算系统及方法 | |
CN108875534B (zh) | 人脸识别的方法、装置、系统及计算机存储介质 | |
CN106295526B (zh) | 车辆图像匹配的方法及装置 | |
CN108009466B (zh) | 行人检测方法和装置 | |
CN111553406A (zh) | 基于改进yolo-v3的目标检测系统、方法及终端 | |
CN110096964A (zh) | 一种生成图像识别模型的方法 | |
CN108875907B (zh) | 一种基于深度学习的指纹识别方法和装置 | |
WO2019200702A1 (zh) | 去网纹系统训练方法、去网纹方法、装置、设备及介质 | |
WO2021051868A1 (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
CN110287857B (zh) | 一种特征点检测模型的训练方法 | |
CN110598715A (zh) | 图像识别方法、装置、计算机设备及可读存储介质 | |
CN107704813A (zh) | 一种人脸活体识别方法及系统 | |
CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
JP6381368B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN105045841B (zh) | 结合重力传感器与图像特征点角度的图像特征查询方法 | |
Shen et al. | Stable pore detection for high-resolution fingerprint based on a CNN detector | |
CN110020598A (zh) | 一种基于深度学习检测电线杆上异物的方法及装置 | |
CN113011242A (zh) | 一种仰卧起坐计数方法、装置、电子装置和存储介质 | |
CN113158729A (zh) | 一种引体向上计数方法、装置、电子装置和存储介质 |
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 |