CN113487635B - 一种基于图像差分的仰卧起坐计数方法 - Google Patents
一种基于图像差分的仰卧起坐计数方法 Download PDFInfo
- Publication number
- CN113487635B CN113487635B CN202110740437.9A CN202110740437A CN113487635B CN 113487635 B CN113487635 B CN 113487635B CN 202110740437 A CN202110740437 A CN 202110740437A CN 113487635 B CN113487635 B CN 113487635B
- Authority
- CN
- China
- Prior art keywords
- image
- sit
- state
- threshold
- difference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了一种基于图像差分的仰卧起坐计数方法，包括步骤：图像采集；图像预处理；背景图像提取与实时更新，将所述灰度图像作为基准背景图像，先计算当前帧的图像与基准背景图像的差分，以获得差分图像，再根据所述差分图像的均值获得方差特征；平躺和起坐目标提取，对所述差分图像通过边缘检测提取所有轮廓，利用矩形框确定长度最大的轮廓的范围；自适应阈值估计仰卧起坐人体位姿；仰卧起坐计数；本申请的基于图像差分的仰卧起坐计数方法通过采用帧间差分图像处理技术，检测仰卧起坐时人体的上半部身躯，定位简单且能够实时检测,有效减小误差；在监测仰卧起坐时，仅跟踪人体上半部身躯的位姿变化，跟踪目标准确，具有较强的鲁棒性。
Description
技术领域
本申请属于体育测试技术领域，更具体地说，是涉及一种基于图像差分的仰卧起坐计数方法。
背景技术
仰卧起坐是一种常见的锻炼身体的方式。仰卧起坐时，身体平躺仰卧于垫上，双肩胛骨着垫平躺，两腿屈膝，腹部与大腿呈90度，大腿与小腿呈90度，两手指交叉贴于脑后，臀部不能离垫面，可有同伴压住脚面。用收腹屈背，双臂屈肘前摆内收，低头、含胸的力量起坐，动作协调一致，双肘触及两膝，然后后仰还原成预备姿势。概括起来仰卧起坐分三个阶段：仰卧平躺、起坐、下躺。
《深圳市2021年初中毕业生升学体育考试方案》包含一分钟仰卧起坐(女)。目前在体育考试中，通过人工计数的方式进行，每个动作的标准程度都是通过监考老师的肉眼判别，一方面进行动作位置的判断，从而确定动作是否标准，另一方面用于计数。但是由于考生数量众多，长时间的监考，会引起监考老师的疲倦，注意力不集中。人工判断，无论是动作的合规性还是完成仰卧起坐的计数都会引起争议。
为解决仰卧起坐自动计数研究问题，国内外的相关研究者提出了许多解决方案。
发明专利(申请号：CN 111467782 A，名称：一种智能仰卧起坐考核系统)提供了一种智能仰卧起坐考核系统，利用坐垫上的压力传感器控制PLC控制模块启动，利用激光检测模块和光敏电阻结合模式判断人体动作是否到位，整个过程无需监考人员参与，提升了考核效率。
发明专利(申请号：CN 112827124 A，名称：一种具有计数功能的仰卧起坐健身板)公开了一种具有计数功能的仰卧起坐健身板，使用者将小腿卡在第一横杆和第二横杆之间，躺在皮垫上的防护条中间，将头枕在垫头枕上，然后开始做仰卧起坐，当坐起时接触开关开始产生一次信号，此信号传输到计数器上计数次，然后重复起坐接触开关重复产生信号，计数器上数字依次增加。
发明专利(申请号：CN 112464715 A，名称：一种基于人体骨骼点检测的仰卧起坐计数)公开了本发明公开了一种基于人体骨骼点检测的仰卧起坐计数方法，获取被测试者仰卧起坐时的实时视频流；将预处理后的图像送入人体骨骼点检测网络中进行人体骨骼点检测，通过人体后骨骼点判断是否完成一个完整的仰卧起坐，当完成一个完整的仰卧起坐。
从上述专利可以看到现有技术在进行仰卧起坐判断时要么是接触式，要么是非接触式。接触式需要硬件配合，一套设备针对大多数的考试人群，适应性不会很高,鲁棒性不足。人体骨骼点检测在使用前首先要进行训练样本的采集，并且仰卧起坐时人体的动作是蜷曲的，因此骨骼点的检测容易出现误差。
发明内容
本申请实施例的目的在于提供一种基于图像差分的仰卧起坐计数方法，以解决现有技术对仰卧起坐计数过程中存在的鲁棒性差以及误差大的技术问题。
为实现上述目的，本申请采用的技术方案是：提供一种基于图像差分的仰卧起坐计数方法，包括以下步骤：
图像采集，通过摄像头实时采集运动员仰卧起做的原始图像；
图像预处理，将所述原始图像转为灰度图像；
背景图像提取与实时更新，将所述灰度图像作为基准背景图像，先计算当前帧的图像与基准背景图像的差分，以获得差分图像，再根据所述差分图像的均值获得方差特征；若所述方差特征超过第一限定阈值，判断运动员开始仰卧起坐；
平躺和起坐目标提取，对所述差分图像通过边缘检测提取所有轮廓，利用矩形框确定长度最大的轮廓的范围，若所述矩形框的面积超过第二限定阈值，则满足人的上半部躯体的面积条件，判断人正在进行仰卧起坐；
自适应阈值估计仰卧起坐人体位姿，实时提取人体矩形框并计算所述矩形框的长宽比ratio，设定自适应平躺阈值t1以及自适应起做阈值t2，
若ratio＜t1，则判断人体位姿属于平躺状态，
若ratio＞t2，则判断人体位姿属于起做状态，
若t1＜ratio＜t2，则判断人体位姿属于半躺半起的中间状态；
仰卧起坐计数，连续估计人体位姿的变化，每一个动作循环记为一次仰卧起坐。
优选地，在图像预处理过程中，将所述原始图像转为灰度图像后，所述灰度图像还经过平滑滤波处理，所述平滑滤波处理包括以下步骤：
对待处理的当前像素点(x，y)选择一个模板，所述模板由当前像素点(x，y)近邻的m个像素组成；
求取所述模板中所有像素的均值，再把所述均值赋予当前像素点(x，y)，作为处理后图像在当前像素点(x，y)上的灰度g(x，y)，公式为：
优选地，在背景图像提取与实时更新的步骤中，若所述方差特征未超过第一限定阈值，则以当前帧灰度图像作为新的基准背景图像。
优选地，边缘检测的高低阈值为(30，90)。
优选地，若所述矩形框的面积未超过第二限定阈值，则重新进行背景图像提取与实时更新，等待运动员进入画面内。
优选地，所述自适应平躺阈值t1的获取方法为：
获取开始第一个仰卧起坐时所述矩形框的长宽比ratiomin；
自定义设置阈值m1，计算：t1＝ratiomin+m1。
优选地，所述自适应起做阈值t2的获取方法为：
获取第一个仰卧起坐过程中连续状态下采集到的最大长宽比ratiomax；
自定义设置阈值m2，计算：t2＝ratiomax+m2。
优选地，若判断t1＞t2，则更换阈值为：
优选地，在仰卧起坐计数过程中，第一个仰卧起坐的动作状态变化依次为：平躺状态、中间状态以及起做状态，之后的每一个仰卧起坐动作循环的动作状态变化依次为：起做状态、中间状态、平躺状态、中间状态以及起做状态。
优选地，若在限定时间内，仰卧起坐计数未增加，则判定仰卧起坐计数结束，输出最终的仰卧起坐数量。
本申请提供的基于图像差分的仰卧起坐计数方法的有益效果在于：与现有技术相比，通过采用帧间差分图像处理技术，检测仰卧起坐时人体的上半部身躯，定位简单且能够实时检测,有效减小误差；在监测仰卧起坐时，仅跟踪人体上半部身躯的位姿变化，跟踪目标准确，受环境影响小，具有较强的鲁棒性；属于非接触测量，提高了用户体验，仅需一个摄像头作为传感器即可完成全部算法，具有较强的实用性和可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于图像差分的仰卧起坐计数方法的流程示意图；
图2为本申请实施例提供的运动员仰卧起坐运动过程分解的示意图；
图3为图2中的运动员仰卧起坐运动过程中处于平躺状态的示意图；
图4为图2中的运动员仰卧起坐运动过程中处于起做状态的示意图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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申请和简化描述，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申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请一并参阅图1至图4，现对本申请实施例提供的基于图像差分的仰卧起坐计数方法进行说明。所述基于图像差分的仰卧起坐计数方法，包括以下步骤：
S1、图像采集，通过摄像头实时采集运动员仰卧起做的原始图像；
S2、图像预处理，将所述原始图像转为灰度图像；
S3、背景图像提取与实时更新，将所述灰度图像作为基准背景图像，先计算当前帧的图像与基准背景图像的差分，以获得差分图像，再根据所述差分图像的均值获得方差特征；若所述方差特征超过第一限定阈值，判断运动员开始仰卧起坐；
S4、平躺和起坐目标提取，对所述差分图像通过边缘检测提取所有轮廓，利用矩形框确定长度最大的轮廓的范围，若所述矩形框的面积超过第二限定阈值，则满足人的上半部躯体的面积条件，判断人正在进行仰卧起坐；
S5、自适应阈值估计仰卧起坐人体位姿，实时提取人体矩形框并计算所述矩形框的长宽比ratio，设定自适应平躺阈值t1以及自适应起做阈值t2，
若ratio＜t1，则判断人体位姿属于平躺状态，
若ratio＞t2，则判断人体位姿属于起做状态，
若t1＜ratio＜t2，则判断人体位姿属于半躺半起的中间状态；
S6、仰卧起坐计数，连续估计人体位姿的变化，每一个动作循环记为一次仰卧起坐。
值得补充说明的是，在步骤S1中，摄像头放置于垫子侧面的正前方，运动员躺在垫子上，调节摄像头，置人体于图像正中。所述摄像头应当采用高分辨率摄像头，例如分辨率为为1080p的logitech摄像头，为保证算法实时运行，应当设置大小合理的窗口，例如设置采集窗口为640*480。
在步骤S2中，图像采集在生成和传输过程中受到多种因素(光学系统失真、系统噪声、曝光不足或过量等)的影响，使图像处理结果变差。因此，抑制或消除这些噪声从而改善图像质量，在图像处理过程中是一个重要步骤。
其中，在彩色转为灰度图的方法中，若彩色图的三分量为RGB，则可利用公式：GRAY＝0.3*R+0.59*G+0.11*B，将摄像头拍摄的彩色图转换为灰度图GRAY。
在步骤S3中，因为摄像头采集的视频序列具有连续性的特点，如果场景内没有运动目标，则连续帧的变化很微弱，如果存在运动目标，则连续的帧和帧之间会有明显地变化。因此，通过背景图像提取与实时更新，可以判断运动员是否开始仰卧起坐。
在步骤S4中，如图2发明实施例仰卧起坐运动过程分解图像所示，仰卧起坐是一个连续过程，身体的动作主要分两个过程，仰卧和起坐上升过程，再从起坐到平躺下降过程。因此在连续视频中只需要判断平躺和起坐两个状态即可。
在步骤S5中，仰卧起坐连续图像可以看出，主要包含平躺、起坐以及上半部躯干升起下降的过程图像。不同过程的人体形态有明显差异，长宽比有明显不同。起坐状态如图4所示，在经过图像处理后该运动员的长宽比163pixel:240pixel，人体的长宽比接近1：1.5，平躺状态如图3所示，长宽比83pixel:440pixel，人体的长宽比接近于1:5；升起下降过程的人体状态的长宽比在两者之间，但是考核涉及到人数较多，男女生的身材较为多样化，采用固定阈值确定运动状态容易存在较大偏差。通过运动员的体型自适应阈值界定这三种状态可以减小误差。
在步骤S6中，仰卧起坐计数。仰卧起坐是一个连续过程，每一个仰卧起坐的身体动作分两个过程，仰卧和起坐上升过程，再从起坐到平躺下降过程。但是第一个仰卧起坐不同，只包含一个过程，平躺到起立状态。
本申请提供的基于图像差分的仰卧起坐计数方法，与现有技术相比，通过采用帧间差分图像处理技术，检测仰卧起坐时人体的上半部身躯，定位简单且能够实时检测,有效减小误差；在监测仰卧起坐时，仅跟踪人体上半部身躯的位姿变化，跟踪目标准确，受环境影响小，具有较强的鲁棒性；属于非接触测量，提高了用户体验，仅需一个摄像头作为传感器即可完成全部算法，具有较强的实用性和可靠性。
在本申请另一个实施例中，在图像预处理过程中，将所述原始图像转为灰度图像后，所述灰度图像还经过平滑滤波处理，所述平滑滤波处理包括以下步骤：
对待处理的当前像素点(x，y)选择一个模板，所述模板由当前像素点(x，y)近邻的m个像素组成；
求取所述模板中所有像素的均值，再把所述均值赋予当前像素点(x，y)，作为处理后图像在当前像素点(x，y)上的灰度g(x，y)，公式为：
优选地，滤波器的模板窗口大小根据摄像头与人体的距离调整设置为[3,3]，也即m＝9。
在本申请另一个实施例中，在背景图像提取与实时更新的步骤中，若所述方差特征未超过第一限定阈值，则以当前帧灰度图像作为新的基准背景图像。
可以理解的是，通过实时更新背景图像，以感知连续的帧和帧之间会有明显地变化，进而准确的判断运动员开始仰卧起坐，减少误差。
在本申请另一个实施例中，边缘检测的高低阈值为(30，90)。
阈值越低，能够检测出的边线越多，结果也就越容易受到图片噪声的影响，并且越容易从图像中挑出不相关的特性。与此相反，一个高的阈值将会遗失细或短的线段。试验表明，边缘检测的高低阈值为(30，90)成功率最佳。
在本申请另一个实施例中，若所述矩形框的面积未超过第二限定阈值，则重新进行背景图像提取与实时更新，等待运动员进入画面内。
可以理解的是，若所述矩形框的面积未超过第二限定阈值，则重新进行背景图像提取与实时更新，可以避免由环境因素引起的干扰，影响系统判断。
在本申请另一个实施例中，所述自适应平躺阈值t1的获取方法为：
获取开始第一个仰卧起坐时所述矩形框的长宽比ratiomin；
自定义设置阈值m1，计算：t1＝ratiomin+m1。
在本申请另一个实施例中，所述自适应起做阈值t2的获取方法为：
获取第一个仰卧起坐过程中连续状态下采集到的最大长宽比ratiomax；
自定义设置阈值m2，计算：t2＝ratiomax+m2。
可以理解的是，鉴于该运动员的每一次仰卧起坐的身体位姿有可能不同，为保证一定的容错性必须设置容错阈值。优选的，自定义设置阈值m1＝m2＝0.1。
进一步地，若判断t1＞t2，则更换阈值为：
可以理解的是，特殊情况下，如运动员的体型偏胖，且身高较矮的情况下，可能会出现t1＞t2的特殊情况，通过更换阈值可以适应此种特殊情况，使得仰卧起做计算正常运行。
在本申请另一个实施例中，在仰卧起坐计数过程中，第一个仰卧起坐的动作状态变化依次为：平躺状态、中间状态以及起做状态，之后的每一个仰卧起坐动作循环的动作状态变化依次为：起做状态、中间状态、平躺状态、中间状态以及起做状态。
可以理解的是，第一个仰卧起坐的计数，开始是人体平躺，记录此时人体平躺状态的长宽比，确定阈值t1。运动开始，仰卧起坐属于上升阶段，到达最高点，此时属于起坐状态，确定阈值t2，计数器增加一次有效次数。
第i个仰卧起坐计数(i＝1,2，……)。完成第一个仰卧起坐后，人体姿态属于起坐状态，继续做下一个仰卧起坐，身体动作分两个过程，起坐到平躺下降过程，再从仰卧到起坐上升过程。此时计数方法为，第一阶段起坐到平躺下降过程，忽略起坐状态的判断，如果人体长宽比在运动过程中ratio<t1并且同时到达最小值,此时人体处于平躺状态，这意味着下一阶段进入上升过程，继续进行状态判断，如果人体长宽比达到最大值且ratio>t2,此时为起立状态，计数器增加一次有效次数。
在本申请另一个实施例中，若在限定时间内，仰卧起坐计数未增加，则判定仰卧起坐计数结束，输出最终的仰卧起坐数量。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于图像差分的仰卧起坐计数方法，其特征在于，包括以下步骤：
图像采集，通过摄像头实时采集运动员仰卧起做的原始图像；
图像预处理，将所述原始图像转为灰度图像；
背景图像提取与实时更新，将所述灰度图像作为基准背景图像，先计算当前帧的图像与基准背景图像的差分，以获得差分图像，再根据所述差分图像的均值获得方差特征；若所述方差特征超过第一限定阈值，判断运动员开始仰卧起坐；
平躺和起坐目标提取，对所述差分图像通过边缘检测提取所有轮廓，利用矩形框确定长度最大的轮廓的范围，若所述矩形框的面积超过第二限定阈值，则满足人的上半部躯体的面积条件，判断人正在进行仰卧起坐；若所述矩形框的面积未超过第二限定阈值，则重新进行背景图像提取与实时更新，等待运动员进入画面内；
自适应阈值估计仰卧起坐人体位姿，实时提取矩形框并计算所述矩形框的长宽比ratio，设定自适应平躺阈值t1以及自适应起做阈值t2，
所述自适应平躺阈值t1的获取方法为：
获取开始第一个仰卧起坐时所述矩形框的长宽比ratiomin；
自定义设置阈值m1，计算：t1=ratiomin+m1；
所述自适应起做阈值t2的获取方法为：
获取第一个仰卧起坐过程中连续状态下采集到的最大长宽比ratiomax；
自定义设置阈值m2，计算：t2=ratiomax+m2；
若ratio＜t1，则判断人体位姿属于平躺状态，
若ratio＞t2，则判断人体位姿属于起做状态，
若t1＜ratio＜t2，则判断人体位姿属于半躺半起的中间状态；
仰卧起坐计数，连续估计人体位姿的变化，每一个动作循环记为一次仰卧起坐,在仰卧起坐计数过程中，第一个仰卧起坐的动作状态变化依次为：平躺状态、中间状态以及起做状态，之后的每一个仰卧起坐动作循环的动作状态变化依次为：起做状态、中间状态、平躺状态、中间状态以及起做状态。
2.如权利要求1所述的基于图像差分的仰卧起坐计数方法，其特征在于，在图像预处理过程中，将所述原始图像转为灰度图像后，所述灰度图像还经过平滑滤波处理，所述平滑滤波处理包括以下步骤：
对待处理的当前像素点(x，y)选择一个模板，所述模板由当前像素点(x，y)近邻的m个像素组成；
求取所述模板中所有像素的均值，再把所述均值赋予当前像素点(x，y)，作为处理后图像在当前像素点(x，y)上的灰度g(x，y)，公式为：。
3.如权利要求1所述的基于图像差分的仰卧起坐计数方法，其特征在于，在背景图像提取与实时更新的步骤中，若所述方差特征未超过第一限定阈值，则以当前帧灰度图像作为新的基准背景图像。
4.如权利要求1所述的基于图像差分的仰卧起坐计数方法，其特征在于，所述边缘检测的高低阈值为（30，90）。
5.如权利要求1所述的基于图像差分的仰卧起坐计数方法，其特征在于，若判断t1＞t2，则更换阈值为：。
6.如权利要求1所述的基于图像差分的仰卧起坐计数方法，其特征在于，若在限定时间内，仰卧起坐计数未增加，则判定仰卧起坐计数结束，输出最终的仰卧起坐数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740437.9A CN113487635B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像差分的仰卧起坐计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740437.9A CN113487635B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像差分的仰卧起坐计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113487635A CN113487635A (zh) | 2021-10-08 |
| CN113487635B true CN113487635B (zh) | 2024-05-28 |
Family
ID=77937269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110740437.9A Active CN113487635B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像差分的仰卧起坐计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487635B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387671A (zh) * | 2022-01-13 | 2022-04-22 | 平安科技（深圳）有限公司 | 步数统计方法、装置、移动终端及计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
| CN105999655A (zh) * | 2016-05-09 | 2016-10-12 | 深圳泰山体育科技股份有限公司 | 俯卧撑测试的计数方法及系统 |
| CN106650590A (zh) * | 2016-09-30 | 2017-05-10 | 上海斐讯数据通信技术有限公司 | 一种仰卧起坐计数方法及装置及智能终端 |
| CN106934830A (zh) * | 2017-03-14 | 2017-07-07 | 北京林业大学 | 一种基于深度图像的非接触式体能测试系统及测试方法 |
| CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
| CN111027517A (zh) * | 2019-12-26 | 2020-04-17 | 陈欣然 | 一种基于视觉的坐姿矫正提醒系统及方法、应用 |
| 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 |
| CN112464715A (zh) * | 2020-10-22 | 2021-03-09 | 南京理工大学 | 一种基于人体骨骼点检测的仰卧起坐计数方法 |
-
2021
- 2021-07-01 CN CN202110740437.9A patent/CN113487635B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
| CN105999655A (zh) * | 2016-05-09 | 2016-10-12 | 深圳泰山体育科技股份有限公司 | 俯卧撑测试的计数方法及系统 |
| CN106650590A (zh) * | 2016-09-30 | 2017-05-10 | 上海斐讯数据通信技术有限公司 | 一种仰卧起坐计数方法及装置及智能终端 |
| CN106934830A (zh) * | 2017-03-14 | 2017-07-07 | 北京林业大学 | 一种基于深度图像的非接触式体能测试系统及测试方法 |
| CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
| CN111027517A (zh) * | 2019-12-26 | 2020-04-17 | 陈欣然 | 一种基于视觉的坐姿矫正提醒系统及方法、应用 |
| 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 |
| CN112464715A (zh) * | 2020-10-22 | 2021-03-09 | 南京理工大学 | 一种基于人体骨骼点检测的仰卧起坐计数方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于视频流的运动人体检测方法研究;连晓峰;张弢;戴军;刘载文;王小艺;;北京工商大学学报(自然科学版)(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113487635A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368810B (zh) | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 | |
| US20190362139A1 (en) | Monitoring the performance of physical exercises | |
| CN113487635B (zh) | 一种基于图像差分的仰卧起坐计数方法 | |
| CN107169456A (zh) | 一种基于坐姿深度图像的坐姿检测方法 | |
| CN104524742A (zh) | 一种基于Kinect传感器的脑瘫儿童康复训练方法 | |
| CN106901741A (zh) | 一种适用于昼夜环境的呼吸率检测方法 | |
| CN111401260B (zh) | 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统 | |
| CN114307117B (zh) | 基于视频的立定跳远成绩测量方法和装置 | |
| JP5303712B2 (ja) | 下肢協調性評価システム | |
| CN105999655B (zh) | 俯卧撑测试的计数方法及系统 | |
| CN105913045A (zh) | 仰卧起坐测试的计数方法及系统 | |
| CN110934591A (zh) | 一种坐姿检测方法及装置 | |
| CN115115751A (zh) | 运动数据展示方法和系统 | |
| CN113255622B (zh) | 一种智能识别仰卧起坐动作姿态完成状况的系统和方法 | |
| CN105243671A (zh) | 一种服装穿着平整度的测试及评价方法 | |
| KR102369359B1 (ko) | 영상기반 지능형 푸시-업 판별 방법 및 푸시-업 판별 시스템 | |
| CN116805433B (zh) | 一种人体运动轨迹数据分析系统 | |
| CN114642867B (zh) | 一种具有划船运动姿态自动纠错功能的ai教练机系统 | |
| CN117333932A (zh) | 基于机器视觉识别肌少症的方法、装备、设备以及介质 | |
| KR20170119337A (ko) | 운동정보 처리 장치 및 방법 | |
| CN113657266B (zh) | 基于智能手环和人体三维重建的健身训练管理方法及系统 | |
| CN116152924A (zh) | 一种运动姿势评估方法、装置、系统及计算机存储介质 | |
| CN212630753U (zh) | 一种水下与陆地两用肩关节功能性本体感觉测量装置 | |
| CN211962969U (zh) | 一种健身实时监测系统 | |
| CN115006822A (zh) | 一种智能健身镜控制系统 |
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 |