CN113011343B - 一种基于人工智能的跑步智能计时方法 - Google Patents

一种基于人工智能的跑步智能计时方法 Download PDF

Info

Publication number
CN113011343B
CN113011343B CN202110304604.5A CN202110304604A CN113011343B CN 113011343 B CN113011343 B CN 113011343B CN 202110304604 A CN202110304604 A CN 202110304604A CN 113011343 B CN113011343 B CN 113011343B
Authority
CN
China
Prior art keywords
runner
jth
iris
fingerprint
running
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
CN202110304604.5A
Other languages
English (en)
Other versions
CN113011343A (zh
Inventor
唐义平
汪斌
祖慈
杨盛世
李帷韬
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.)
Anhui Yishi Technology Co ltd
Original Assignee
Anhui Yishi 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 Anhui Yishi Technology Co ltd filed Critical Anhui Yishi Technology Co ltd
Priority to CN202110304604.5A priority Critical patent/CN113011343B/zh
Publication of CN113011343A publication Critical patent/CN113011343A/zh
Application granted granted Critical
Publication of CN113011343B publication Critical patent/CN113011343B/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
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Abstract

本发明公开了一种基于人工智能的跑步智能计时方法，其步骤包括：1摄像机采集跑步者的跑步视频并统计跑步人数；2起点摄像头对起点处的跑步者进行起跑检测并判断有无抢跑行为；3跑步者跑步过程中，摄像机对进入自身有效区域视野范围内的所有跑步者进行人体追踪和人体检测；4跑步者跑步结束后，通过多种身份认证方式，包括：人脸识别、指纹识别、虹膜识别，支持现场灵活使用。本发明能利用人工智能实现对跑步时间的智能计时，省时省力，从而能保证成绩公平的同时提高计时准确性。

Description

一种基于人工智能的跑步智能计时方法
技术领域
本发明属于人工智能领域，具体的说是一种基于人工智能的跑步智能计时方法。
背景技术
近年来，随着经济取得的巨大发展，我国综合国力有了极大的提高，人民的生活水平发生了翻天覆地的变化，同样给人民的生活方式带来了冲击，人们在享受经济带来的现代化生活之外，也给人们的健康带来了新的威胁，由于精神紧张、营养过剩、运动不足，人们身体健康情况越来越差。心肺耐力是指机体维持长时间运动或工作而不过早出现疲劳的能力，它是衡量人的体质健康状况和劳动工作能力的基本生理指标之一，其表现为机体摄取、转运、利用氧的能力，是反映个体心肺能力的重要指标。心肺耐力是学校体质监测的重要组成部分。目前，我国采用男子1000米跑，女子800米跑来监测学生心肺耐力水平。因此，一种针对跑步计时的方法就十分有意义。然而目前大多数针对跑步者成绩测试都是采用人工计时，既费时间，也没有更多的裁判。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于人工智能的跑步智能计时方法，以期实现快速、省时、省力、又准确还能防止学生作弊的跑步智能计时，从而能在保证成绩公平的同时提高计时准确性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于人工智能的跑步智能计时方法的特点是应用于在跑道上依次均匀布置有M个摄像头，且在跑道外侧设置有身份认证机器的场景中，并按如下步骤进行：
步骤1：跑步准备；
步骤1.1：计时开始，获取起点处的摄像头的第一帧图片，并检测第一帧图片中n个跑步者脚的位置，以判断是否超出起点直线，若超出直线，则判断为抢跑并终止计时，发出抢跑警告，返回步骤1，否则，继续计时，并记录起点处的第一帧时间戳t0；
步骤2：跑步过程；
步骤2.1：定义N表示所有摄像头中跑步者的人数，并初始化人数N＝n；
步骤2.2：跑道中的M个摄像头对进入自身有效区域视野范围内的跑步者进行人体检测，相应得到跑步者的人数为p1，p2，…，pm，…，pM，其中，pm表示第m个摄像头统计到的跑步者人数；同时M个摄像头对进入自身有效区域视野范围内的所有跑步者进行人体追踪，相应得到在一段时间内的跑步图像并存储，当任意一个跑步者离开自身有效区域视野范围后，相应摄像头在所存储的跑步图像中选取时间序列的中位数图像及其时间点进行保存；
步骤3：终点检测；
步骤3.1：当终点处的摄像头检测到第j个跑步者经过终点处时，对第j个跑步者进行人体轨迹跟踪；若第j个跑步者的轨迹在跑道内消失，且消失超过时间阈值时，则对所跟踪的轨迹图像丢弃，并返回步骤2.2；若第j个跑步者的轨迹为走出跑道，且走向所述身份认证机器时，则记录第j个跑步者从过终点时到所述身份认证机器前的人体移动轨迹；
步骤3.2：统计所有摄像头所拍摄到的跑步人数为N＝p1+p2+…+pm+…+pM；
步骤4：身份认证；
步骤4.1：采集第j个跑步者的人脸图像并进行人脸识别；
步骤4.1.1：使用面部特征点估计算法找出第j个跑步者的一张人脸图像中的特征点，再将人脸图像进行旋转、缩放和错切，得到对齐的人脸图像；
步骤4.1.2：对齐的人脸图像输入到神经网络中，得到z个测量值并保存为第j个跑步者的人脸特征向量；
所述神经网络包括：输入模块、特征提取模块，输出模块；
所述特征提取模块包括：三个子网络，且每个子网络均包括c1个卷积层和c2个池化层，卷积核大小均为k1×s1，步长均为s1；且所述池化层均采用最大值采样，采样大小为s2×s2；
所述输出模块包含一个全连接层，输出1×z；
步骤4.1.3：利用式(1)得到第j个跑步者的人脸特征向量与人脸数据库中第k个数据的人脸特征向量的相似度
Figure GDA0003723813980000021
Figure GDA0003723813980000022
式(1)中，
Figure GDA0003723813980000023
表示第j个跑步者的人脸特征向量的第i个测量值，j∈[1,n]，
Figure GDA0003723813980000024
表示第k个数据的人脸特征向量的第i个测量值；i∈[1,z]；
步骤4.1.4：将所述相似度
Figure GDA0003723813980000025
与所设定的人脸阈值进行比较，从而判断两者是否是同一个人；通过人脸阈值得到符合第j个跑步者的身份信息m1；
步骤4.2：采集第j个跑步者的指纹信息并进行指纹识别；
步骤4.2.1：对第j个跑步者的指纹图像进行预处理，包括中值滤波、归一化、分割、二值化与细化，得到增强后的特征点图像；
步骤4.2.2：采用Pointcare指数法检测增强后的特征点图像中的指纹特征点，从而得到奇异点和细节点并作为指纹特征信息进行分类和存储；
步骤4.2.3：利用式(2)计算采集到第j个跑步者的指纹特征信息与指纹库中索引到的同一类的第f个指纹特征信息的相似度df j：
Figure GDA0003723813980000032
式(2)中，zj表示第j个跑步者的指纹特征信息中细节点对应基准点的欧氏距离，zf表示第f个指纹特征信息中细节点对应基准点的欧氏距离；θj表示第j个跑步者的指纹特征信息中细节点对应基准点的方向差；θf表示第f个指纹特征信息中细节点对应基准点的方向差；oj表示oj表示细节点对应基准点的连线方向与细节点方向的角度差值；of表示第f个指纹特征信息中细节点对应基准点的连线方向与细节点方向的角度差值；
步骤4.2.4：将所述相似度df j与所设定的指纹阈值进行比较，从而判断两者是否是同一个人；通过指纹阈值得到符合第j个跑步者的身份信息m2；
步骤4.2.5：判断m1与m2是否相等，若相等，则继续执行步骤4.3；否则身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.3：采集第j个跑步者的虹膜图像并进行虹膜识别；
步骤4.3.1：采用Hough圆检测的方法对第j个跑步者的虹膜图像的虹膜区域进行定位；
步骤4.3.2：采用归一化虹膜区域图像的方法将虹膜区域内的每个像素点变换到极坐标系；
步骤4.3.3：通过2D-Gabor小波方法提取极坐标系下的虹膜区域的虹膜特征；利用S个滤波器对所述虹膜特征进行二值编码处理，得到2×Sbit的虹膜特征二值编码；
步骤4.3.4：利用式(3)计算第j个跑步者的虹膜特征二值编码aj和数据库中第l个虹膜特征二值编码bl之间的海明距离HD(aj,bl)：
Figure GDA0003723813980000031
式(3)中，xor指异或操作，S是虹膜特征编码的长度；ajs表示aj中第s位的编码值，bls表示bl中第s位的编码值；
步骤4.3.5：将所述海明距离HD(aj,bl)与所设定的虹膜阈值进行比较，从而判断两者是否是同一个人；通过虹膜阈值得到符合第j个跑步者的身份信息m3；
步骤4.3.6：判断m3与m2是否相等，若相等，则表示成绩有效，确认是第j个跑步者，继续执行步骤4.4；否则，身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.4：根据第j个跑步者从过终点时到所述身份认证机器前的人体移动轨迹追溯回经过终点处的时间戳tj，并与起始计时时间戳t0相减，得到第j个跑步者的跑步成绩为tj-t0；
步骤5：若有跑步者尚未认证，返回步骤4继续认证；否则，当所有跑步者进行成绩认定之后，对于800米跑道若统计数量N为9n或对于1000米跑道若统计数量N为11n，则该次测试无抄近道犯规，成绩正常有效；否则，提示存在抄近道犯规的嫌疑警告，请求介入处理，并由人工查看步骤2中每个摄像头处经过的人员记录图像来进行犯规人员的确定。
与现有技术相比，本发明的有益效果在于：
1、本发明通过人工智能使用摄像头对跑步者进行人体检测和人体追踪，实现了对跑步者的智能计时，从而使得时跑步成绩更加准确，并减轻了人工的现场参与度。
2、本发明通过身份认证机器采用人脸、指纹、虹膜多种人体生物信息进行综合认证识别，解决了学生之间相互作弊的问题，从而使跑步测试成绩更加公平公正。
3、本发明通过摄像头对进入自身有效区域视野范围内的所有跑步者进行人体追踪，相应得到在一段时间内的跑步图像并存储，从而对现场违规情况及时反馈且证据可查。
附图说明
图1为本发明跑步智能计时流程图；
图2为本发明人脸识别流程图；
图3为本发明指纹识别流程图；
图4为本发明虹膜识别流程图。
具体实施方式
本实施例中，参照图1，一种基于人工智能的跑步智能计时方法是应用于在跑道上依次均匀布置有M个摄像头，且在跑道外侧设置有身份认证机器的场景中，并按如下步骤进行：
步骤1：跑步准备；
步骤1.1：计时开始，获取起点处的摄像头的第一帧图片，并检测第一帧图片中n个跑步者脚的位置，以判断是否超出起点直线，若超出直线，则判断为抢跑并终止计时，发出抢跑警告，返回步骤1，否则，继续计时，并记录起点处的第一帧时间戳t0；
步骤2：跑步过程；
步骤2.1：定义N表示所有摄像头中跑步者的人数，并初始化人数N＝n；
步骤2.2：跑道中的M个摄像头对进入自身有效区域视野范围内的跑步者进行人体检测，相应得到跑步者的人数为p1，p2，…，pm，…，pM，其中，pm表示第m个摄像头统计到的跑步者人数；同时M个摄像头对进入自身有效区域视野范围内的所有跑步者进行人体追踪，相应得到在一段时间内的跑步图像并存储，当任意一个跑步者离开自身有效区域视野范围后，相应摄像头在所存储的跑步图像中选取时间序列的中位数图像及其时间点进行保存；
步骤3：终点检测；
步骤3.1：当终点处的摄像头检测到第j个跑步者经过终点处时，对第j个跑步者进行人体轨迹跟踪；若第j个跑步者的轨迹在跑道内消失，且消失超过时间阈值时，则对所跟踪的轨迹图像丢弃，并返回步骤2.2；若第j个跑步者的轨迹为走出跑道，且走向身份认证机器时，则记录第j个跑步者从过终点时到身份认证机器前的人体移动轨迹；
步骤3.2：统计所有摄像头所拍摄到的跑步人数为N＝p1+p2+…+pm+…+pM；
步骤4：身份认证；
步骤4.1：采集第j个跑步者的人脸图像并参照图2进行人脸识别；
步骤4.1.1：使用面部特征点估计算法找出第j个跑步者的一张人脸图像中的特征点，再将人脸图像进行旋转、缩放和错切，得到对齐的人脸图像；
步骤4.1.2：对齐的人脸图像输入到神经网络中，得到z个测量值并保存为第j个跑步者的人脸特征向量；
神经网络包括：输入模块、特征提取模块，输出模块；
特征提取模块包括：三个子网络，且每个子网络均包括c1个卷积层和c2个池化层，卷积核大小均为k1×s1，步长均为s1；且池化层均采用最大值采样，采样大小为s2×s2；
输出模块包含一个全连接层，输出1×z；
步骤4.1.3：利用式(1)得到第j个跑步者的人脸特征向量与人脸数据库中第k个数据的人脸特征向量的相似度
Figure GDA0003723813980000051
Figure GDA0003723813980000052
式(1)中，
Figure GDA0003723813980000053
表示第j个跑步者的人脸特征向量的第i个测量值，j∈[1,n]，
Figure GDA0003723813980000054
表示第k个数据的人脸特征向量的第i个测量值；i∈[1,z]；
步骤4.1.4：将相似度
Figure GDA0003723813980000055
与所设定的人脸阈值进行比较，从而判断两者是否是同一个人；通过人脸阈值得到符合第j个跑步者的身份信息m1；
步骤4.2：采集第j个跑步者的指纹信息并参照图3进行指纹识别；
步骤4.2.1：对第j个跑步者的指纹图像进行预处理，包括中值滤波、归一化、分割、二值化与细化，得到增强后的特征点图像；
步骤4.2.2：采用Pointcare指数法检测增强后的特征点图像中的指纹特征点，利用奇异点周围的方向信息与细节点方向信息的不同提取奇异点，利用8领域图中像素点的灰度变化提取端点与分叉点，从而得到奇异点和细节点并作为指纹特征信息进行分类和存储；
步骤4.2.3：利用式(2)计算采集到第j个跑步者的指纹特征信息与指纹库中索引到的同一类的第f个指纹特征信息的相似度df j：
Figure GDA0003723813980000062
式(2)中，zj表示第j个跑步者的指纹特征信息中细节点对应基准点的欧氏距离，zf表示第f个指纹特征信息中细节点对应基准点的欧氏距离；θj表示第j个跑步者的指纹特征信息中细节点对应基准点的方向差；θf表示第f个指纹特征信息中细节点对应基准点的方向差；oj表示oj表示细节点对应基准点的连线方向与细节点方向的角度差值；of表示第f个指纹特征信息中细节点对应基准点的连线方向与细节点方向的角度差值；
步骤4.2.4：将相似度df j与所设定的指纹阈值进行比较，从而判断两者是否是同一个人；通过指纹阈值得到符合第j个跑步者的身份信息m2；
步骤4.2.5：判断m1与m2是否相等，若相等，则继续执行步骤4.3；否则身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.3：采集第j个跑步者的虹膜图像并参照图4进行虹膜识别；
步骤4.3.1：采用Hough圆检测的方法对第j个跑步者的虹膜图像的虹膜区域进行定位；
步骤4.3.2：采用归一化虹膜区域图像的方法将虹膜区域内的每个像素点变换到极坐标系；
步骤4.3.3：通过2D-Gabor小波方法提取极坐标系下的虹膜区域的虹膜特征；利用S个滤波器对虹膜特征进行二值编码处理，编码使用两个位进行表示，滤波器实部按照符号产生一个0位或1位，虚部按照符号产生一个0位或1位，得到2×Sbit的虹膜特征二值编码；
步骤4.3.4：利用式(3)计算第j个跑步者的虹膜特征二值编码aj和数据库中第l个虹膜特征二值编码bl之间的海明距离HD(aj,bl)：
Figure GDA0003723813980000061
式(3)中，xor指异或操作，S是虹膜特征编码的长度；ajs表示aj中第s位的编码值，bls表示bl中第s位的编码值；
步骤4.3.5：将海明距离HD(aj,bl)与所设定的虹膜阈值进行比较，从而判断两者是否是同一个人；通过虹膜阈值得到符合第j个跑步者的身份信息m3；
步骤4.3.6：判断m3与m2是否相等，若相等，则表示成绩有效，确认是第j个跑步者，继续执行步骤4.4；否则，身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.4：根据第j个跑步者从过终点时到身份认证机器前的人体移动轨迹追溯回经过终点处的时间戳tj，并与起始计时时间戳t0相减，得到第j个跑步者的跑步成绩为tj-t0；
步骤5：若有跑步者尚未认证，返回步骤4继续认证；否则当所有跑步者进行成绩认定之后，若统计数量N为9n(800米)或11n(1000米)，则该次测试无抄近道犯规，成绩正常有效；否则提示存在抄近道犯规的嫌疑警告，请求介入处理，并由人工查看步骤2中每个摄像头处经过的人员记录图像来进行犯规人员的确定。

Claims (1)

1.一种基于人工智能的跑步智能计时方法，其特征是应用于在跑道上依次均匀布置有M个摄像头，且在跑道外侧设置有身份认证机器的场景中，并按如下步骤进行：
步骤1：跑步准备；
步骤1.1：计时开始，获取起点处的摄像头的第一帧图片，并检测第一帧图片中n个跑步者脚的位置，以判断是否超出起点直线，若超出直线，则判断为抢跑并终止计时，发出抢跑警告，返回步骤1，否则，继续计时，并记录起点处的第一帧时间戳t0；
步骤2：跑步过程；
步骤2.1：定义N表示所有摄像头中跑步者的人数，并初始化人数N＝n；
步骤2.2：跑道中的M个摄像头对进入自身有效区域视野范围内的跑步者进行人体检测，相应得到跑步者的人数为p1，p2，…，pm，…，pM，其中，pm表示第m个摄像头统计到的跑步者人数；同时M个摄像头对进入自身有效区域视野范围内的所有跑步者进行人体追踪，相应得到在一段时间内的跑步图像并存储，当任意一个跑步者离开自身有效区域视野范围后，相应摄像头在所存储的跑步图像中选取时间序列的中位数图像及其时间点进行保存；
步骤3：终点检测；
步骤3.1：当终点处的摄像头检测到第j个跑步者经过终点处时，对第j个跑步者进行人体轨迹跟踪；若第j个跑步者的轨迹在跑道内消失，且消失超过时间阈值时，则对所跟踪的轨迹图像丢弃，并返回步骤2.2；若第j个跑步者的轨迹为走出跑道，且走向所述身份认证机器时，则记录第j个跑步者从过终点时到所述身份认证机器前的人体移动轨迹；
步骤3.2：统计所有摄像头所拍摄到的跑步人数为N＝p1+p2+…+pm+…+pM；
步骤4：身份认证；
步骤4.1：采集第j个跑步者的人脸图像并进行人脸识别；
步骤4.1.1：使用面部特征点估计算法找出第j个跑步者的一张人脸图像中的特征点，再将人脸图像进行旋转、缩放和错切，得到对齐的人脸图像；
步骤4.1.2：对齐的人脸图像输入到神经网络中，得到z个测量值并保存为第j个跑步者的人脸特征向量；
所述神经网络包括：输入模块、特征提取模块，输出模块；
所述特征提取模块包括：三个子网络，且每个子网络均包括c1个卷积层和c2个池化层，卷积核大小均为k1×s1，步长均为s1；且所述池化层均采用最大值采样，采样大小为s2×s2；
所述输出模块包含一个全连接层，输出1×z；
步骤4.1.3：利用式(1)得到第j个跑步者的人脸特征向量与人脸数据库中第k个数据的人脸特征向量的相似度cosθj k：
Figure FDA0003723813970000021
式(1)中，Ai j表示第j个跑步者的人脸特征向量的第i个测量值，j∈[1,n]，Bi k表示第k个数据的人脸特征向量的第i个测量值；i∈[1,z]；
步骤4.1.4：将所述相似度cosθj k与所设定的人脸阈值进行比较，从而判断两者是否是同一个人；通过人脸阈值得到符合第j个跑步者的身份信息m1；
步骤4.2：采集第j个跑步者的指纹信息并进行指纹识别；
步骤4.2.1：对第j个跑步者的指纹图像进行预处理，包括中值滤波、归一化、分割、二值化与细化，得到增强后的特征点图像；
步骤4.2.2：采用Point care指数法检测增强后的特征点图像中的指纹特征点，从而得到奇异点和细节点并作为指纹特征信息进行分类和存储；
步骤4.2.3：利用式(2)计算采集到第j个跑步者的指纹特征信息与指纹库中索引到的同一类的第f个指纹特征信息的相似度df j：
Figure FDA0003723813970000022
式(2)中，zj表示第j个跑步者的指纹特征信息中细节点对应基准点的欧氏距离，zf表示第f个指纹特征信息中细节点对应基准点的欧氏距离；θj表示第j个跑步者的指纹特征信息中细节点对应基准点的方向差；θf表示第f个指纹特征信息中细节点对应基准点的方向差；oj表示细节点对应基准点的连线方向与细节点方向的角度差值；of表示第f个指纹特征信息中细节点对应基准点的连线方向与细节点方向的角度差值；
步骤4.2.4：将所述相似度df j与所设定的指纹阈值进行比较，从而判断两者是否是同一个人；通过指纹阈值得到符合第j个跑步者的身份信息m2；
步骤4.2.5：判断m1与m2是否相等，若相等，则继续执行步骤4.3；否则身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.3：采集第j个跑步者的虹膜图像并进行虹膜识别；
步骤4.3.1：采用Hough圆检测的方法对第j个跑步者的虹膜图像的虹膜区域进行定位；
步骤4.3.2：采用归一化虹膜区域图像的方法将虹膜区域内的每个像素点变换到极坐标系；
步骤4.3.3：通过2D-Gabor小波方法提取极坐标系下的虹膜区域的虹膜特征；利用S个滤波器对所述虹膜特征进行二值编码处理，得到2×S bit的虹膜特征二值编码；
步骤4.3.4：利用式(3)计算第j个跑步者的虹膜特征二值编码aj和数据库中第l个虹膜特征二值编码bl之间的海明距离HD(aj,bl)：
Figure FDA0003723813970000031
式(3)中，xor指异或操作，S是虹膜特征编码的长度；ajs表示aj中第s位的编码值，bls表示bl中第s位的编码值；
步骤4.3.5：将所述海明距离HD(aj,bl)与所设定的虹膜阈值进行比较，从而判断两者是否是同一个人；通过虹膜阈值得到符合第j个跑步者的身份信息m3；
步骤4.3.6：判断m3与m2是否相等，若相等，则表示成绩有效，确认是第j个跑步者，继续执行步骤4.4；否则，身份认证失败，判定成绩无效，返回步骤4等待下一位跑步者进行认证；
步骤4.4：根据第j个跑步者从过终点时到所述身份认证机器前的人体移动轨迹追溯回经过终点处的时间戳tj，并与起始计时时间戳t0相减，得到第j个跑步者的跑步成绩为tj-t0；
步骤5：若有跑步者尚未认证，返回步骤4继续认证；否则当所有跑步者进行成绩认定之后，对于800米跑道若统计数量N为9n或对于1000米跑道若统计数量N为11n，则该次测试无抄近道犯规，成绩正常有效；否则提示存在抄近道犯规的嫌疑警告，请求介入处理，并由人工查看步骤2中每个摄像头处经过的人员记录图像来进行犯规人员的确定。
CN202110304604.5A 2021-03-23 2021-03-23 一种基于人工智能的跑步智能计时方法 Active CN113011343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110304604.5A CN113011343B (zh) 2021-03-23 2021-03-23 一种基于人工智能的跑步智能计时方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110304604.5A CN113011343B (zh) 2021-03-23 2021-03-23 一种基于人工智能的跑步智能计时方法

Publications (2)

Publication Number Publication Date
CN113011343A CN113011343A (zh) 2021-06-22
CN113011343B true CN113011343B (zh) 2022-09-06

Family

ID=76404684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110304604.5A Active CN113011343B (zh) 2021-03-23 2021-03-23 一种基于人工智能的跑步智能计时方法

Country Status (1)

Country Link
CN (1) CN113011343B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435336B (zh) * 2021-06-28 2022-10-04 安徽一视科技有限公司 一种基于人工智能的跑步智能计时系统及方法
CN113486757B (zh) * 2021-06-29 2022-04-05 北京科技大学 基于人体骨骼关键点检测的多人直线跑步测试计时方法
CN113627372B (zh) * 2021-08-17 2024-01-05 北京伟景智能科技有限公司 跑步测试方法、系统及计算机可读存储介质
CN116453067B (zh) * 2023-06-20 2023-09-08 广州思林杰科技股份有限公司 基于动态视觉识别的短跑计时方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144275A (zh) * 2019-12-24 2020-05-12 中石化第十建设有限公司 一种基于人脸识别的跑步智能测试系统及方法
CN111310601A (zh) * 2020-01-20 2020-06-19 北京正和恒基滨水生态环境治理股份有限公司 基于人脸识别的智能跑道系统、测速方法及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933344B (zh) * 2015-07-06 2019-01-04 北京中科虹霸科技有限公司 基于多生物特征模态的移动终端用户身份认证装置及方法
US9824287B2 (en) * 2015-09-29 2017-11-21 Huami Inc. Method, apparatus and system for biometric identification
CN108734835B (zh) * 2018-05-15 2020-09-11 温州伊诺韦特科技有限公司 一种门禁验证方法及其系统
US10885173B2 (en) * 2019-06-04 2021-01-05 Nant Holdings Ip, Llc Content authentication and validation via multi-factor digital tokens, systems, and methods
CN110991413B (zh) * 2019-12-20 2020-12-15 西南交通大学 一种基于ReID的跑步检测方法
CN111275030A (zh) * 2020-05-06 2020-06-12 西南交通大学 基于人脸与人体识别的直道跑步检测与计时系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144275A (zh) * 2019-12-24 2020-05-12 中石化第十建设有限公司 一种基于人脸识别的跑步智能测试系统及方法
CN111310601A (zh) * 2020-01-20 2020-06-19 北京正和恒基滨水生态环境治理股份有限公司 基于人脸识别的智能跑道系统、测速方法及电子设备

Also Published As

Publication number Publication date
CN113011343A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN113011343B (zh) 一种基于人工智能的跑步智能计时方法
Jain et al. Facial marks: Soft biometric for face recognition
Kataria et al. A survey of automated biometric authentication techniques
WO2019127273A1 (zh) 一种多人脸检测方法、装置、服务器、系统及存储介质
US20060228005A1 (en) Information processing apparatus and information processing method
CN111462379A (zh) 一种含掌静脉和人脸识别的门禁管理方法、系统及介质
WO2017206914A1 (zh) 指纹识别方法、指纹识别系统、及电子设备
Protik et al. Real-time Personal Protective Equipment (PPE) detection using Yolov4 and tensorflow
CN113469143A (zh) 一种基于神经网络学习的手指静脉图像识别方法
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
CN112528706A (zh) 人员识别系统及其方法
CN112132157A (zh) 一种基于树莓派的步态人脸融合识别方法
CN116977937A (zh) 一种行人重识别的方法及系统
Cao et al. Automatic latent value determination
Kwaśniewska et al. Real-time facial feature tracking in poor quality thermal imagery
CN111371951B (zh) 基于肌电信号和孪生神经网络的智能手机用户认证方法和系统
Bouchrika Parametric elliptic fourier descriptors for automated extraction of gait features for people identification
CN112990090A (zh) 一种人脸活体检测方法及装置
Zhang et al. Sweat gland extraction from optical coherence tomography using convolutional neural network
CN115203663A (zh) 小视角远距离视频步态精准识别身份认证系统
Zhang et al. Textured detailed graph model for dorsal hand vein recognition: a holistic approach
de Santos-Sierra et al. Hand biometrics in mobile devices
Saponaro et al. Estimating Physical Activity Intensity And Energy Expenditure Using Computer Vision On Videos
KR20140020440A (ko) 활동 진단 장치 및 방법
Zheng et al. Joint Multiple-type Features Encoding for Palmprint Recognition

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