CN113822202A - 一种基于OpenPose和PyQt的太极拳姿态检测系统 - Google Patents
一种基于OpenPose和PyQt的太极拳姿态检测系统 Download PDFInfo
- Publication number
- CN113822202A CN113822202A CN202111126450.1A CN202111126450A CN113822202A CN 113822202 A CN113822202 A CN 113822202A CN 202111126450 A CN202111126450 A CN 202111126450A CN 113822202 A CN113822202 A CN 113822202A
- Authority
- CN
- China
- Prior art keywords
- picture
- posture
- taijiquan
- module
- gesture
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 39
- 230000009471 action Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 210000003414 extremity Anatomy 0.000 description 28
- 238000011176 pooling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于OpenPose和PyQt的太极拳姿态检测系统包括:摄像机、PC端,摄像机将拍摄的图片上传至PC端,所述PC端包括图像预处理模块、特征提取模块、姿态检测模块、多人解析模块;预处理模块对获取的图片大小进行统一处理,所述特征提取模块采用卷积神经网络提取图像特征;所述姿态检测模块包括人体关键点检测,所述多人解析模块包括图片分割处理模块,通过现有的高性能的姿态识别算法来应用到太极拳招式识别中,提升检测的精确度,为太极拳的训练以及考核提供一个更加量化客观的评分体系,使前沿科技服务于传统文化具有深远的意义。
Description
技术领域
本发明属于人机交互技术领域,尤其涉及一种基于OpenPose和PyQt的太极拳姿态检测系统。
背景技术
在人机交互领域,可以利用姿态识别使机器人执行相同的操作,现在已经做到小型的机器人重复使用者的动作来进行一些复杂的操作,该技术可以应用在一些危险的需要人操作的工作上,如抗震救灾,灭火等。
在运动分析领域,当前的一个应用是在足球/棒球赛场上来分析球员的动作是否违规,可以做到深入的理解某项运动,甚至可以通过姿态数据让计算机解说比赛。
但是当前在传统运动上,姿态识别算法与其结合的应用还较少,因此无论是现在还是未来,姿态识别算法与传统运动的结合是有着极大的现实意义以及广阔的应用空间的。一个应用就是可以对太极拳学习者的姿态进行评估,矫正学习者的姿势,或者也可以应用到现在的太极拳考试评分中,使考核更加客观化,标准化。
发明内容
针对现有技术不足,本发明的目的在于提供了一种基于OpenPose和PyQt的太极拳姿态检测系统,通过现有的高性能的姿态识别算法来应用到太极拳招式识别中,提升检测的精确度,为太极拳的训练以及考核提供一个更加量化客观的评分体系,使前沿科技服务于传统文化具有深远的意义。
本发明提供如下技术方案:
一种基于OpenPose和PyQt的太极拳姿态检测系统,包括:摄像机、PC端,摄像机将拍摄的图片上传至PC端,所述PC端包括图像预处理模块、特征提取模块、姿态检测模块、多人解析模块;预处理模块对获取的图片大小进行统一处理,所述特征提取模块采用卷积神经网络提取图像特征;所述姿态检测模块包括人体关键点检测,所述多人解析模块包括图片分割处理模块。
优选的,一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法包括以下步骤:
S1,首先上传图片,系统会先判断当前上传的图片路径是否为空,防止用上传文件直接关闭文件选择窗口而造成系统卡死的情况;
S2,计算图片的大小,当图片过大时,系统难以处理,用户需要重新上传;
S3,图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
S4,将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
优选的,步骤S3中,得出图片中每个关键点的置信度,和关键点之间的关联程度,之后对图片进行分割,使得每部分都具有不同种类的关键点。
优选的,步骤S4中,角度误差计算中,肢体两端的坐标构成二维向量,二维向量满足:a={x1,y1}和b={x2,y2},则这两个向量的夹角的余弦值为:
输入图片中第k人的第i个肢体的向量为vk,i,设太极拳第p式中第i个肢体的向量为vstdp,i。则第k个人的姿势与太极拳第p式的误差满足:
优选的,一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法的检测程序,包括:图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
另外,特征提取模块采用卷积神经网络提取图像特征时,卷积神经网络总共包含7层。第一层为输入层,以单通道灰色图像为例,输入图像的尺寸为46*46。第二层为卷积层1,设置6个尺寸为3*3的卷积核,分别与输入图像卷积,最终形成6个44*44像素大小的特征图,卷积步长设为1,并且下层的所有步长都设置为1。第三层为池化层1,采用均匀池化的方式池化上一层所有特征图,此时所有的特征图的像素大小为22*22。第四层为卷积层2,设置12个尺寸为3*3的卷积核,按照卷积层1相同的处理方式,可得12个像素大小为20*20的特征图。第五层为池化层2,图像处理方式和池化层1相同,特征图的像素大小变为10*10。第六层为全连接层,全连接层的任务是将所有的特征图展开形成一维向量。第七层是Softmax层,其主要作用是训练特征,生成Softmax分类器,然后用训练好的Softmax分类器分类。通过卷积神经网络对图像进行特征提取和分类,增加提取图片中的姿态数据的精确性,增加后期姿势预判的精确性。
对于图片中的人在打太极时,对于图片中人体骨骼关键检测点计算方法:
若xj1,k,xj2,k表示第k个人的肢体j的端点的位置,如果p位于xj1,k,xj2,k之间的肢体上,则有:
其中:v=(xj2,k-xj1,k)/||xj2,k-xj1,k||2,也即单位向量,c是xj1,k,xj2,k之间的肢体编号。对于p是否在肢体c上,其判断方法是如果p满足:
0≤v·(p-xj1,k)≤||xj2,k-xj1,k||2
及
|v⊥·(p-xj1,k)|≤σl
则p在肢体c上。其中σl表示肢体c在图片中像素的长度。
最终得到每个肢体的关键点值:
其中nc(p)表示在p处的非0向量的个数。
在图片多人解析的过程中,此前得到了所有的关键点的数据,以及任意两个关键点直接的关联程度,直接在任意两个不同种类的点直接连接一条边,边的权值为两点之间的关联程度。得到人体不同种类的关键点j1,j2,j3三个点集,如j1可以被当作大腿根部的关键点,j2可以看作是腿部膝盖的关键点,j3可以作为脚上的关键点。若每种关键点都有3个点,也即意味着图片中应该有3个人,j1,j2,j3中的每个点都只能隶属于某一个人,我们把任意两个不在同一个类别中的点连接一条边来构成一个完全图,那么这个完全图包含9个点,27条边,每条边上的权值即为两端点的关联程度。由于人的肢体是一棵生成树,即不存在回路,对于一个有n个节点的生成树,实际上总共只由n-1条边,将每一种关键点的集合看作为一个大的节点,可以排除掉很多错误的连接方式。接下来需要对生成树的每两层之间的图使用二分图最大权匹配算法就可以得到最优的匹配。进一步提升姿势预测的准确性。
与现有技术相比,本发明具有以下有益效果:
(1)本发明一种基于OpenPose和PyQt的太极拳姿态检测系统,通过现有的高性能的姿态识别算法来应用到太极拳招式识别中,提升检测的精确度,为太极拳的训练以及考核提供一个更加量化客观的评分体系,使前沿科技服务于传统文化。
(2)本发明一种基于OpenPose和PyQt的太极拳姿态检测系统,通过卷积神经网络对图像进行特征提取和分类,增加提取图片中的姿态数据的精确性,增加后期姿势预判的精确性。
(3)本发明一种基于OpenPose和PyQt的太极拳姿态检测系统,通过设置的角度误差计算方法,将图片中的每个人的每一式进行计算,选取角度误差较小姿势作为最终的预判姿势,大大降低误差率。
(4)本发明一种基于OpenPose和PyQt的太极拳姿态检测系统,在图片多人解析的过程中,将每一种关键点的集合看作为一个大的节点,可以排除掉很多错误的连接方式。接下来需要对生成树的每两层之间的图使用二分图最大权匹配算法就可以得到最优的匹配。进一步提升姿势预测的准确性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式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是本发明的系统框图。
图2是本发明检测方法流程图。
图3是本发明人体关键节点示意图。
图4是本发明的人体关键节点生成树示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
实施例一:
如图1所示,一种基于OpenPose和PyQt的太极拳姿态检测系统,包括:摄像机、PC端,摄像机将拍摄的图片上传至PC端,所述PC端包括图像预处理模块、特征提取模块、姿态检测模块、多人解析模块;预处理模块对获取的图片大小进行统一处理,所述特征提取模块采用卷积神经网络提取图像特征;所述姿态检测模块包括人体关键点检测,所述多人解析模块包括图片分割处理模块。
实施例二:
如图2所示,在实施例一的基础上,一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法包括以下步骤:
S1,首先上传图片,系统会先判断当前上传的图片路径是否为空,防止用上传文件直接关闭文件选择窗口而造成系统卡死的情况;
S2,计算图片的大小,当图片过大时,系统难以处理,用户需要重新上传;
S3,图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
S4,将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
步骤S3中,得出图片中每个关键点的置信度,和关键点之间的关联程度,之后对图片进行分割,使得每部分都具有不同种类的关键点。
步骤S4中,角度误差计算中,肢体两端的坐标构成二维向量,二维向量满足:a={x1,y1}和b={x2,y2},则这两个向量的夹角的余弦值为:
输入图片中第k人的第i个肢体的向量为vk,i,设太极拳第p式中第i个肢体的向量为vstdp,i。则第k个人的姿势与太极拳第p式的误差满足:
实施例三:
对于图片中的人在打太极时,对于图片中人体骨骼关键检测点计算方法:
若xj,k,xj2,k表示第k个人的肢体j的端点的位置,如果p位于xj1,k,xj2,k之间的肢体上,则有:
其中:v=(xj2,k-xj1,k)/||xj2,k-xj1,k||2,也即单位向量,c是xj1,k,xj2,k之间的肢体编号。对于p是否在肢体c上,其判断方法是如果p满足:
0≤v·(p-xj1,k)≤||xj2,k-xj1,k||2
及
|v⊥·(p-xj1,k)|≤σl
则p在肢体c上。其中σl表示肢体c在图片中像素的长度。
最终得到每个肢体的关键点值:
其中nc(p)表示在p处的非0向量的个数。
在图片多人解析的过程中,此前得到了所有的关键点的数据,以及任意两个关键点直接的关联程度,直接在任意两个不同种类的点直接连接一条边,边的权值为两点之间的关联程度。得到人体不同种类的关键点j1,j2,j3三个点集,如j1可以被当作大腿根部的关键点,j2可以看作是腿部膝盖的关键点,j3可以作为脚上的关键点。若每种关键点都有3个点,也即意味着图片中应该有3个人,j1,j2,j3中的每个点都只能隶属于某一个人,我们把任意两个不在同一个类别中的点连接一条边来构成一个完全图,那么这个完全图包含9个点,27条边,每条边上的权值即为两端点的关联程度。由于人的肢体是一棵生成树,即不存在回路,对于一个有n个节点的生成树,实际上总共只由n-1条边,将每一种关键点的集合看作为一个大的节点,可以排除掉很多错误的连接方式。接下来需要对生成树的每两层之间的图使用二分图最大权匹配算法就可以得到最优的匹配。进一步提升姿势预测的准确性。
实施例四
一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法的检测程序,包括:图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
另外,特征提取模块采用卷积神经网络提取图像特征时,卷积神经网络总共包含7层。第一层为输入层,以单通道灰色图像为例,输入图像的尺寸为46*46。第二层为卷积层1,设置6个尺寸为3*3的卷积核,分别与输入图像卷积,最终形成6个44*44像素大小的特征图,卷积步长设为1,并且下层的所有步长都设置为1。第三层为池化层1,采用均匀池化的方式池化上一层所有特征图,此时所有的特征图的像素大小为22*22。第四层为卷积层2,设置12个尺寸为3*3的卷积核,按照卷积层1相同的处理方式,可得12个像素大小为20*20的特征图。第五层为池化层2,图像处理方式和池化层1相同,特征图的像素大小变为10*10。第六层为全连接层,全连接层的任务是将所有的特征图展开形成一维向量。第七层是Softmax层,其主要作用是训练特征,生成Softmax分类器,然后用训练好的Softmax分类器分类。通过卷积神经网络对图像进行特征提取和分类,增加提取图片中的姿态数据的精确性,增加后期姿势预判的精确性。
通过上述技术方案得到的装置是一种基于OpenPose和PyQt的太极拳姿态检测系统,通过现有的高性能的姿态识别算法来应用到太极拳招式识别中,提升检测的精确度,为太极拳的训练以及考核提供一个更加量化客观的评分体系,使前沿科技服务于传统文化。通过卷积神经网络对图像进行特征提取和分类,增加提取图片中的姿态数据的精确性,增加后期姿势预判的精确性。通过设置的角度误差计算方法,将图片中的每个人的每一式进行计算,选取角度误差较小姿势作为最终的预判姿势,大大降低误差率。在图片多人解析的过程中,将每一种关键点的集合看作为一个大的节点,可以排除掉很多错误的连接方式。接下来需要对生成树的每两层之间的图使用二分图最大权匹配算法就可以得到最优的匹配。进一步提升姿势预测的准确性。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化;凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于OpenPose和PyQt的太极拳姿态检测系统,其特征在于,包括:摄像机、PC端,摄像机将拍摄的图片上传至PC端,所述PC端包括图像预处理模块、特征提取模块、姿态检测模块、多人解析模块;预处理模块对获取的图片大小进行统一处理,所述特征提取模块采用卷积神经网络提取图像特征;所述姿态检测模块包括人体关键点检测,所述多人解析模块包括图片分割处理模块。
2.根据权利要求1所述一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法,其特征在于,包括以下步骤:
S1,首先上传图片,系统会先判断当前上传的图片路径是否为空,防止用上传文件直接关闭文件选择窗口而造成系统卡死的情况;
S2,计算图片的大小,当图片过大时,系统难以处理,用户需要重新上传;
S3,图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
S4,将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
3.根据权利要求2所述一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法,其特征在于,步骤S3中,得出图片中每个关键点的置信度,和关键点之间的关联程度,之后对图片进行分割,使得每部分都具有不同种类的关键点。
5.根据权利要求2-4任一项所述一种基于OpenPose和PyQt的太极拳姿态检测系统的检测方法的检测程序,其特征在于,包括:图片上传成功之后,通过OpenPose提取图片中的姿态数据,选取太极拳每一式的关键动作并获取到这些动作的姿态向量,对于每个姿态,姿态向量有17个,即肢体两端的坐标构成的向量;
将获取的姿态数据进行分类,对于图片中每个人的每一个动作,计算角度误差,选取角度误差较小姿势作为最终的预判姿势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126450.1A CN113822202A (zh) | 2021-09-24 | 2021-09-24 | 一种基于OpenPose和PyQt的太极拳姿态检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126450.1A CN113822202A (zh) | 2021-09-24 | 2021-09-24 | 一种基于OpenPose和PyQt的太极拳姿态检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822202A true CN113822202A (zh) | 2021-12-21 |
Family
ID=78915522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126450.1A Pending CN113822202A (zh) | 2021-09-24 | 2021-09-24 | 一种基于OpenPose和PyQt的太极拳姿态检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822202A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250939A (zh) * | 2016-07-30 | 2016-12-21 | 复旦大学 | 基于fpga+arm多层卷积神经网络的手写体字符识别方法 |
CN107886069A (zh) * | 2017-11-10 | 2018-04-06 | 东北大学 | 一种多目标人体2d姿态实时检测系统及检测方法 |
CN108564596A (zh) * | 2018-03-01 | 2018-09-21 | 南京邮电大学 | 一种高尔夫挥杆视频的智能比对分析系统及方法 |
CN108905136A (zh) * | 2018-07-25 | 2018-11-30 | 山东体育学院 | 一种太极拳学习智能动作诊断反馈系统 |
CN109409994A (zh) * | 2018-10-15 | 2019-03-01 | 北京京东金融科技控股有限公司 | 模拟用户穿戴服装饰品的方法、装置和系统 |
CN110674785A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于人体关键点跟踪的多人姿态分析方法 |
CN110929687A (zh) * | 2019-12-10 | 2020-03-27 | 山东大学 | 一种基于关键点检测的多人行为识别系统及工作方法 |
CN111310625A (zh) * | 2020-02-06 | 2020-06-19 | 上海智幻软件科技有限公司 | 一种基于openpose的多人姿势检测的方法及系统 |
CN112149494A (zh) * | 2020-08-06 | 2020-12-29 | 中国地质大学(武汉) | 一种多人姿态识别方法及系统 |
CN113368487A (zh) * | 2021-06-10 | 2021-09-10 | 福州大学 | 基于OpenPose的3D私人健身系统及其工作方法 |
-
2021
- 2021-09-24 CN CN202111126450.1A patent/CN113822202A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250939A (zh) * | 2016-07-30 | 2016-12-21 | 复旦大学 | 基于fpga+arm多层卷积神经网络的手写体字符识别方法 |
CN107886069A (zh) * | 2017-11-10 | 2018-04-06 | 东北大学 | 一种多目标人体2d姿态实时检测系统及检测方法 |
CN108564596A (zh) * | 2018-03-01 | 2018-09-21 | 南京邮电大学 | 一种高尔夫挥杆视频的智能比对分析系统及方法 |
CN108905136A (zh) * | 2018-07-25 | 2018-11-30 | 山东体育学院 | 一种太极拳学习智能动作诊断反馈系统 |
CN109409994A (zh) * | 2018-10-15 | 2019-03-01 | 北京京东金融科技控股有限公司 | 模拟用户穿戴服装饰品的方法、装置和系统 |
CN110674785A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于人体关键点跟踪的多人姿态分析方法 |
CN110929687A (zh) * | 2019-12-10 | 2020-03-27 | 山东大学 | 一种基于关键点检测的多人行为识别系统及工作方法 |
CN111310625A (zh) * | 2020-02-06 | 2020-06-19 | 上海智幻软件科技有限公司 | 一种基于openpose的多人姿势检测的方法及系统 |
CN112149494A (zh) * | 2020-08-06 | 2020-12-29 | 中国地质大学(武汉) | 一种多人姿态识别方法及系统 |
CN113368487A (zh) * | 2021-06-10 | 2021-09-10 | 福州大学 | 基于OpenPose的3D私人健身系统及其工作方法 |
Non-Patent Citations (5)
Title |
---|
刘雨聪 等: "基于OpenPose的传统武术动作识别与比对", 电子元器件与信息技术, vol. 5, no. 3, 31 March 2021 (2021-03-31), pages 126 - 128 * |
叶松涛 等: "基于关节角度和DTW的太极拳视频配准方法", 计算技术与自动化, vol. 39, no. 01, 31 March 2020 (2020-03-31), pages 117 - 122 * |
杨君 等: "基于OpenPose的人体动作识别对比研究", 传感器与微系统, vol. 40, no. 1, 20 January 2021 (2021-01-20), pages 5 - 8 * |
陈永康: "基于机器视觉的运动姿态分析系统研究", 中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑, no. 02, 15 February 2020 (2020-02-15), pages 134 - 354 * |
陈永康: "基于机器视觉的运动姿态分析系统研究", 中国优秀硕士学位论文全文数据库社会科学Ⅱ辑, no. 02, 15 February 2020 (2020-02-15), pages 134 - 354 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052896B (zh) | 基于卷积神经网络与支持向量机的人体行为识别方法 | |
CN106682598B (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
CN109949368B (zh) | 一种基于图像检索的人体三维姿态估计方法 | |
Wysoski et al. | A rotation invariant approach on static-gesture recognition using boundary histograms and neural networks | |
US9020250B2 (en) | Methods and systems for building a universal dress style learner | |
WO2020107847A1 (zh) | 基于骨骼点的跌倒检测方法及其跌倒检测装置 | |
CN110490080B (zh) | 一种基于图像的人体跌倒判别方法 | |
WO2020103417A1 (zh) | 一种bmi评测方法、装置及计算机可读存储介质 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN108875586B (zh) | 一种基于深度图像与骨骼数据多特征融合的功能性肢体康复训练检测方法 | |
CN112395977A (zh) | 基于身体轮廓和腿部关节骨架的哺乳动物姿态识别方法 | |
Yasir et al. | Two-handed hand gesture recognition for Bangla sign language using LDA and ANN | |
CN110738650B (zh) | 一种传染病感染识别方法、终端设备及存储介质 | |
CN110991274A (zh) | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 | |
JP6381368B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
Chan et al. | A 3-D-point-cloud system for human-pose estimation | |
Arif et al. | Human pose estimation and object interaction for sports behaviour | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
Mali et al. | Indian sign language recognition using SVM classifier | |
Ansar et al. | Robust hand gesture tracking and recognition for healthcare via Recurent neural network | |
CN109993116B (zh) | 一种基于人体骨骼相互学习的行人再识别方法 | |
CN111507184A (zh) | 基于并联空洞卷积和身体结构约束的人体姿态检测方法 | |
CN112990154B (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
CN107122780B (zh) | 基于时空特征点的互信息与时空分布熵的行为识别方法 | |
Semwal et al. | Automated pain severity detection using convolutional neural network |
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 |