CN113469081A - 一种运动状态识别方法 - Google Patents
一种运动状态识别方法 Download PDFInfo
- Publication number
- CN113469081A CN113469081A CN202110774324.0A CN202110774324A CN113469081A CN 113469081 A CN113469081 A CN 113469081A CN 202110774324 A CN202110774324 A CN 202110774324A CN 113469081 A CN113469081 A CN 113469081A
- Authority
- CN
- China
- Prior art keywords
- key point
- motion
- motion state
- shape
- straight line
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种运动状态识别方法，识别方法步骤包括：获取运动人员第一视频图像，并基于第一视频图像，识别运动人员手臂上的关键点组，所述第一视频图像为运动人员运动时的实时视频图像；判断识别的关键点组组成的形状以及组成形状后的停留时间来判断该运动人员所处的运动状态，所述运动状态包括暂停运动状态、暂停后重新开始运动状态以及结束运动状态；本发明的有益效果为实现了对运动人员在运动过程中的运动状态进行实时精准判别；通过对手臂关键点位选择并进行识别，增加了对手臂识别的精度。
Description
技术领域
本发明涉及图像识别技术领域，具体而言，涉及一种运动状态识别方法。
背景技术
动作识别是人工智能技术中重要的一部分，通过动作识别可以快速准确的获取动态图像中运动的人或物，进而分析运动的轨迹及相关属性。动作识别能够帮助研究人员掌握运动过程中人体各部位的运动情况，促使运动更高效智能。
目前动作识别的方法主要有：利用视觉传感器实现图像的实时跟踪，如CN201921631587.0-动作识别跟踪平台。利用LSTM对图像进行分析和动作的提取，如CN201811091488.8-人体动作识别方法及系统，CN202010319002.-基于三维骨骼与LSTM的工人动作识别方法及装置。利用3D摄像头对图像进行采集和特征提取，如CN202020771758.6-一种基于视频的动作识别检测设备。
但是在现有技术进行动作识别的方法中，大多为具体的动作识别方法，没办法对运动人员现在所处的状态进行判断，如何时为停止运动，何时为结束运动。
有鉴于此，特提出本申请。
发明内容
本发明所要解决的技术问题是如何通过系统判定运动人员正处于运动中的什么状态，目的在于提供一种运动状态识别方法，能够实现通过系统判断运动人员目前是处于运动下具体的暂停或结束状态。
本发明通过下述技术方案实现：
一种运动状态识别方法，识别方法步骤包括：
获取运动人员第一视频图像，并基于第一视频图像，识别运动人员手臂上的关键点组，所述第一视频图像为运动人员运动时的实时视频图像；
判断识别的关键点组组成的形状以及组成形状后的停留时间来判断该运动人员所处的运动状态，所述运动状态包括暂停运动状态、暂停后重新开始运动状态以及结束运动状态。
传统地在对运动人员的动作识别过程中，均是通过系统是被该运动员现在所处于什么动作，但是基于运动人员在处于暂停运动、结束运动等状态的时候，无法进行一个判别；本发明提供一种运动状态识别方法，通过对运动员的手臂上的关键点的识别，通过关键点形成的形状以及停留的时间的识别，实现对运动人员具体的运动状态进行识别的过程。
优选地，所述识别方法还包括：
在第t秒的时候，基于第一视频图像识别关键点组中的任一一个关键点的位置为X1；
在第t+1秒的时候，基于第一视屏图像识别该关键点的位置为X2；
将X1与X2做差值运算，获得第一距离；
判断第一距离是否小于2cm，若是，则该关键点停止运动，否则，关键点正在运动。
增加对同一个关键点在不同时间帧之间的距离判定，提高了对运动人员运动状态识别的精确性。
优选地，所述关键点位组包括第一关键点G1、第二关键点G2、第三关键点G3、第四关键点G4、第五关键点G5以及第六关键点G6；述第一关键点G1为运动人员左手手腕，所述第二关键点G2为运动人员左手手指与手掌之间的关节点，所述第三关键点G3为左手手指尖，所述第四关键点G4为运动人员右手手腕，所述第五关键点G5为运动人员右手手指与手掌之间的关节点，所述第六关键点G6为运动人员右手手指尖。
优选地，所述暂停运动状态为：所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“T”字型，且停留时间为两秒；
或所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“X”字型，且停留时间为两秒。
优选地，当连接形状为“T”字型时，所述第四关键点G4分别与所述第一关键点G1、所述第二关键点G2以及所述第三关键点G3之间的距离小于等于1cm，且G1G2与x轴形成的夹角等于30°，G4G5与y轴形成的夹角小于等于30°。
优选地，当连接形状为“X”字型时，所述第三关键点G3与所述第二关键点G2连接的直线与y轴形成的夹角∠β1范围为：20°<＝∠β1<＝80°。
优选地，所述暂停后重新开始运动状态为：当系统检测到运动员的所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线平行，且G1G4、G2G6、G3G5在垂直方向上的间距均小于1cm，并在识别到的停留时间为两秒。
优选地，所述结束运动状态为：当系统识别到所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3、所述第四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6形成“V”型，且停留时间为两秒。
优选地，所述第一关键点G1与所述第三关键点G3连接的直线与y轴形成的夹角∠γ1范围为：10°<＝∠γ1<＝60°。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明实施例提供的一种运动状态识别方法，实现了对运动人员在运动过程中的运动状态进行实时精准判别；
2、本发明实施例提供的一种运动状态识别方法，通过对手臂关键点位选择并进行识别，增加了对手臂识别的精度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1为关键点组为“T”字型示意图
图2为关键点组为“X”字型示意图
图3为关键点组为平行示意图
图4为关键点组为“V”字型示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本本发明。在其他实施例中，为了避免混淆本本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例一
本实施例公开了一种运动状态识别方法，识别方法步骤包括：
获取运动人员第一视频图像，并基于第一视频图像，识别运动人员手臂上的关键点组，所述第一视频图像为运动人员运动时的实时视频图像；本实施例中，获取的第一视频图像是基于现有技术中的视频图像进行获取的，且本实施例的发明点不在于对图像获取的方法上，而是对运动人员关键点位获取以及判别的过程中。
本实施例是基于人体的手臂进行说明的，所述关键点位组包括第一关键点G1、第二关键点G2、第三关键点G3、第四关键点G4、第五关键点G5以及第六关键点G6；述第一关键点G1为运动人员左手手腕，所述第二关键点G2为运动人员左手手指与手掌之间的关节点，所述第三关键点G3为左手手指尖，所述第四关键点G4为运动人员右手手腕，所述第五关键点G5为运动人员右手手指与手掌之间的关节点，所述第六关键点G6为运动人员右手手指尖。
判断识别的关键点组组成的形状以及组成形状后的停留时间来判断该运动人员所处的运动状态，所述运动状态包括暂停运动状态、暂停后重新开始运动状态以及结束运动状态。
如图1所示，所述暂停运动状态为：所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“T”字型，且停留时间为两秒；
当连接形状为“T”字型时，所述第四关键点G4分别与所述第一关键点G1、所述第二关键点G2以及所述第三关键点G3之间的距离小于等于1cm，且G1G2与x轴形成的夹角等于30°，G4G5与y轴形成的夹角小于等于30°。
当运动人员双手形成“T”字形，且关键点G4与G1、G2和G3之间的任意一点间距小于等于1cm并保持2秒钟以上即视为暂停运动，为了使该动作识别具备一定的鲁棒性，允许手部存在适当的弯曲，弯曲角度应小于等于30°，即图1中∠α小于等于30°时，可视为动作有效，当∠α大于30°时，动作无效。
如图2所示，或所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“X”字型，且停留时间为两秒。
当连接形状为“X”字型时，所述第三关键点G3与所述第二关键点G2连接的直线与y轴形成的夹角∠β1范围为：20°<＝∠β1<＝80°。
当运动人员双手形成“X”字形，且保持时间在2秒钟以上即为暂停运动。为了使该动作具备一定的鲁棒性，允许手部存在适当的位置偏差，偏差角度为20°至70°之间，即图3中∠β1大于等于20°且∠β2小于等于70°时动作有效，∠β1小于20°或∠β2大于70°时动作无效。此外，双手交叉点距离所有关键点的间距应控制为手长度的20％-80％，即图中G1G5、G3G5和G6G5、G4G5的长度应分别控制为G1G3和G6G4长度的20％-80％。双手均需满足以上条件才可正确识别。
如图3所示，所述暂停后重新开始运动状态为：当系统检测到运动员的所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线平行，且G1G4、G2G6、G3G5在垂直方向上的间距均小于1cm，并在识别到的停留时间为两秒。
练人员双手重叠，且保持时间在2秒钟以上即为暂停后重新开始运动。该动作只有在暂停运动生效后方可使用。
为了使该动作具备一定鲁棒性，允许手部存在适当的位置偏差。两手重叠时垂直方向的间距小于等于1cm即视为重叠，即图3中G1G4、G2G6、G3G5在垂直方向上的间距均需要小于1cm。此外，在水平方向，两手重叠率应保持在60％以上，即G4’G5的距离应大于等于G1G3距离的60％以上。双手均需满足以上条件才可正确识别。
所述结束运动状态为：当系统识别到所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3、所述第四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6形成“V”型，且停留时间为两秒。所述第一关键点G1与所述第三关键点G3连接的直线与y轴形成的夹角∠γ1范围为：10°<＝∠γ1<＝60°。
如图4所示，训练人员双手形成“V”字型，且保持时间在2秒钟以上即为结束运动。为了使该动作具备一定鲁棒性，允许手部存在适当的位置偏差，偏差角度应控制在10°至60°之间，即图2中∠γ1大于等于10°且∠γ2小于等于60°时动作有效，∠γ1小于10°或∠γ2大于60°时动作无效，双手均需满足以上条件才可正确识别。
因此，本实施例所提供的一种运动状态识别方法，通过对多个关键点组组成的形状以及停留的时间进行识别，并基于形状和时间来判断该运动人员所处的运动状态，能够准备识别出运动人员在运动过程中的运动状态。
实施例二
本实施例公开了一种运动状态识别方法，本实施例优化了实施例一中的运动状态识别方法的方法，优化方案为：所述识别方法还包括：
在第t秒的时候，基于第一视频图像识别关键点组中的任一一个关键点的位置为X1；
在第t+1秒的时候，基于第一视屏图像识别该关键点的位置为X2；
将X1与X2做差值运算，获得第一距离；
判断第一距离是否小于2cm，若是，则该关键点停止运动，否则，关键点正在运动。
基于已有的图像识别技术可以得到所有关键点，系统通过对各关键点的运动进行实时追踪检测，可以得出图像不同帧的所有关键点位置。当同一关键点的后一帧与前一帧的间距低于2cm时，可认定为关键点停止运动；当后一帧与前一帧的间距大于等于2cm时，认定为关键点正在运动。基于此，当手部三个关键点均保持停止运动时，即视为手部停止运动。
当检测到所有关键点均为停止运动时，系统开始计时，当检测到任一关键点开始运动时，系统结束计时。记录的时间即为保持时间。
本实施例提供的运动状态识别方法，通过对同一个关键点在前后时间帧之间的距离差值进行判断，提高了对运动状态识别的精准度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种运动状态识别方法，其特征在于，识别方法步骤包括：
获取运动人员第一视频图像，并基于第一视频图像，识别运动人员手臂上的关键点组，所述第一视频图像为运动人员运动时的实时视频图像；
判断识别的关键点组组成的形状以及组成形状后的停留时间来判断该运动人员所处的运动状态，所述运动状态包括暂停运动状态、暂停后重新开始运动状态以及结束运动状态。
2.根据权利要求1所述的一种运动状态识别方法，其特征在于，所述识别方法还包括：
在第t秒的时候，基于第一视频图像识别关键点组中的任一一个关键点的位置为X1；
在第t+1秒的时候，基于第一视屏图像识别该关键点的位置为X2；
将X1与X2做差值运算，获得第一距离；
判断第一距离是否小于2cm，若是，则该关键点停止运动，否则，关键点正在运动。
3.根据权利要求1或2所述的一种运动状态识别方法，其特征在于，所述关键点位组包括第一关键点G1、第二关键点G2、第三关键点G3、第四关键点G4、第五关键点G5以及第六关键点G6；述第一关键点G1为运动人员左手手腕，所述第二关键点G2为运动人员左手手指与手掌之间的关节点，所述第三关键点G3为左手手指尖，所述第四关键点G4为运动人员右手手腕，所述第五关键点G5为运动人员右手手指与手掌之间的关节点，所述第六关键点G6为运动人员右手手指尖。
4.根据权利要求3所述的一种运动状态识别方法，其特征在于，所述暂停运动状态为：所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“T”字型，且停留时间为两秒；
或所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线成“X”字型，且停留时间为两秒。
5.根据权利要求4所述的一种运动状态识别方法，其特征在于，当连接形状为“T”字型时，所述第四关键点G4分别与所述第一关键点G1、所述第二关键点G2以及所述第三关键点G3之间的距离小于等于1cm，且G1G2与x轴形成的夹角等于30°，G4G5与y轴形成的夹角小于等于30°。
6.根据权利要求4所述的一种运动状态识别方法，其特征在于，当连接形状为“X”字型时，所述第三关键点G3与所述第二关键点G2连接的直线与y轴形成的夹角∠β1范围为：20°<＝∠β1<＝80°。
7.根据权利要求3所述的一种运动状态识别方法，其特征在于，所述暂停后重新开始运动状态为：当系统检测到运动员的所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3连成的一条直线与所述四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6连成的直线平行，且G1G4、G2G6、G3G5在垂直方向上的间距均小于1cm，并在识别到的停留时间为两秒。
8.根据权利要求3所述的一种运动状态识别方法，其特征在于，所述结束运动状态为：当系统识别到所述第一关键点位G1、所述第二关键点位G2、所述第三关键点位G3、所述第四关键点位G4、所述第五关键点位G5以及所述第六关键点位G6形成“V”型，且停留时间为两秒。
9.根据权利要求8所述的一种运动状态识别方法，其特征在于，所述第一关键点G1与所述第三关键点G3连接的直线与y轴形成的夹角∠γ1范围为：10°<＝∠γ1<＝60°。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110774324.0A CN113469081B (zh) | 2021-07-08 | 2021-07-08 | 一种运动状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110774324.0A CN113469081B (zh) | 2021-07-08 | 2021-07-08 | 一种运动状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469081A true CN113469081A (zh) | 2021-10-01 |
| CN113469081B CN113469081B (zh) | 2023-06-06 |
Family
ID=77879434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110774324.0A Active CN113469081B (zh) | 2021-07-08 | 2021-07-08 | 一种运动状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469081B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100040292A1 (en) * | 2008-07-25 | 2010-02-18 | Gesturetek, Inc. | Enhanced detection of waving engagement gesture |
| US20120148097A1 (en) * | 2010-12-14 | 2012-06-14 | Electronics And Telecommunications Research Institute | 3d motion recognition method and apparatus |
| CN104463842A (zh) * | 2014-10-23 | 2015-03-25 | 燕山大学 | 一种基于运动视觉的车祸过程重现方法 |
| CN108446586A (zh) * | 2018-01-31 | 2018-08-24 | 上海数迹智能科技有限公司 | 一种列车驾驶员特定动作检测方法 |
| CN110059661A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技（深圳）有限公司 | 动作识别方法、人机交互方法、装置及存储介质 |
| CN110555422A (zh) * | 2019-09-09 | 2019-12-10 | 郑州天迈科技股份有限公司 | 驾驶行为检测算法优化方法 |
| CN110765814A (zh) * | 2018-07-26 | 2020-02-07 | 杭州海康威视数字技术股份有限公司 | 一种黑板书写行为识别方法、装置及摄像机 |
| CN111282248A (zh) * | 2020-05-12 | 2020-06-16 | 西南交通大学 | 一种基于骨骼和人脸关键点的引体向上检测系统及方法 |
| CN111382624A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 动作识别方法、装置、设备及可读存储介质 |
| CN111883229A (zh) * | 2020-07-31 | 2020-11-03 | 焦点科技股份有限公司 | 一种基于视觉ai的智能运动指导方法及系统 |
| CN112507955A (zh) * | 2020-12-21 | 2021-03-16 | 西南交通大学 | 一种婴儿手部精细动作识别方法及系统 |
| CN112766021A (zh) * | 2019-11-04 | 2021-05-07 | 广东毓秀科技有限公司 | 一种基于行人的关键点信息与语义分割信息进行行人重识别的方法 |
| CN113065474A (zh) * | 2021-04-07 | 2021-07-02 | 泰豪软件股份有限公司 | 行为识别方法、装置及计算机设备 |
-
2021
- 2021-07-08 CN CN202110774324.0A patent/CN113469081B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100040292A1 (en) * | 2008-07-25 | 2010-02-18 | Gesturetek, Inc. | Enhanced detection of waving engagement gesture |
| US20120148097A1 (en) * | 2010-12-14 | 2012-06-14 | Electronics And Telecommunications Research Institute | 3d motion recognition method and apparatus |
| CN104463842A (zh) * | 2014-10-23 | 2015-03-25 | 燕山大学 | 一种基于运动视觉的车祸过程重现方法 |
| CN108446586A (zh) * | 2018-01-31 | 2018-08-24 | 上海数迹智能科技有限公司 | 一种列车驾驶员特定动作检测方法 |
| CN110765814A (zh) * | 2018-07-26 | 2020-02-07 | 杭州海康威视数字技术股份有限公司 | 一种黑板书写行为识别方法、装置及摄像机 |
| CN111382624A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 动作识别方法、装置、设备及可读存储介质 |
| CN110059661A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技（深圳）有限公司 | 动作识别方法、人机交互方法、装置及存储介质 |
| CN110555422A (zh) * | 2019-09-09 | 2019-12-10 | 郑州天迈科技股份有限公司 | 驾驶行为检测算法优化方法 |
| CN112766021A (zh) * | 2019-11-04 | 2021-05-07 | 广东毓秀科技有限公司 | 一种基于行人的关键点信息与语义分割信息进行行人重识别的方法 |
| CN111282248A (zh) * | 2020-05-12 | 2020-06-16 | 西南交通大学 | 一种基于骨骼和人脸关键点的引体向上检测系统及方法 |
| CN111883229A (zh) * | 2020-07-31 | 2020-11-03 | 焦点科技股份有限公司 | 一种基于视觉ai的智能运动指导方法及系统 |
| CN112507955A (zh) * | 2020-12-21 | 2021-03-16 | 西南交通大学 | 一种婴儿手部精细动作识别方法及系统 |
| CN113065474A (zh) * | 2021-04-07 | 2021-07-02 | 泰豪软件股份有限公司 | 行为识别方法、装置及计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| KHAIRUL IKRAM等: "Building Attribute Domain of Arm Motions for the Representation of Gestural Information" * |
| 章东平等: "融合手部骨架灰度图的深度神经网络静态手势识别" * |
| 韦洪雷等: "基于"互联网+"的高校体育场馆服务管理平台构建研究" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469081B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564596B (zh) | 一种高尔夫挥杆视频的智能比对分析系统及方法 | |
| CN106650687B (zh) | 一种基于深度信息和骨骼信息的姿势矫正方法 | |
| CN108197589B (zh) | 动态人体姿态的语义理解方法、装置、设备和存储介质 | |
| CN102243687A (zh) | 一种基于动作识别技术的体育教学辅助系统及其实现方法 | |
| CN110176062A (zh) | 一种基于运动捕捉数据的虚拟人体的控制方法 | |
| CN102800126A (zh) | 基于多模态融合的实时人体三维姿态恢复的方法 | |
| CN101996311A (zh) | 一种瑜珈动作识别方法及系统 | |
| Kim et al. | Real-time dance evaluation by markerless human pose estimation | |
| CN108829233B (zh) | 一种交互方法及装置 | |
| CN107357426A (zh) | 一种用于虚拟现实设备的体感控制方法 | |
| Yang et al. | Human exercise posture analysis based on pose estimation | |
| Woinoski et al. | Towards automated swimming analytics using deep neural networks | |
| Ning et al. | Articulated model based people tracking using motion models | |
| CN111539294B (zh) | 投篮检测方法、装置、电子设备及计算机可读存储介质 | |
| CN113469081A (zh) | 一种运动状态识别方法 | |
| CN105975989A (zh) | 一种基于九轴运动传感器的肘部运动状态识别方法 | |
| CN117109567A (zh) | 用于动感单车运动的骑行姿态监测方法、系统以及穿戴式骑行姿态监测设备 | |
| CN112036324A (zh) | 一种用于复杂多人场景的人体姿态判定方法及系统 | |
| Fan et al. | Pose estimation of human body based on silhouette images | |
| CN115068919B (zh) | 一种单杠项目的考核方法及其实现装置 | |
| CN106096554A (zh) | 一种停车位遮挡判定方法和系统 | |
| CN114550071B (zh) | 田径视频动作关键帧自动识别和抓取方法、装置及介质 | |
| CN109200562A (zh) | 体感瑜珈实现方法及系统 | |
| Siddiqui et al. | Robust real-time upper body limb detection and tracking | |
| KR101394279B1 (ko) | 뎁스 영상 분석을 통한 사용자 동작 인식 방법 및 이를 이용한 사용자 동작 분석 장치 |
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 |