CN114237397A - 一种拳击动作识别方法、系统及电子设备 - Google Patents
一种拳击动作识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN114237397A CN114237397A CN202111543074.6A CN202111543074A CN114237397A CN 114237397 A CN114237397 A CN 114237397A CN 202111543074 A CN202111543074 A CN 202111543074A CN 114237397 A CN114237397 A CN 114237397A
- Authority
- CN
- China
- Prior art keywords
- action
- data
- boxing
- segment
- standardization
- 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
- 230000009471 action Effects 0.000 title claims abstract description 328
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 210000000707 wrist Anatomy 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 210000004247 hand Anatomy 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 230000008447 perception Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/014—Hand-worn input/output arrangements, e.g. data gloves
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/20—Input arrangements for video game devices
- A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
- A63F13/211—Input arrangements for video game devices characterised by their sensors, purposes or types using inertial sensors, e.g. accelerometers or gyroscopes
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/20—Input arrangements for video game devices
- A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
- A63F13/212—Input arrangements for video game devices characterised by their sensors, purposes or types using sensors worn by the player, e.g. for measuring heart beat or leg activity
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
- A63F13/833—Hand-to-hand fighting, e.g. martial arts competition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种拳击动作识别方法，包括如下步骤：利用设置在手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；对预处理后的动作数据采用动作段提取算法提取单次动作段；对提取出的单次动作段进行横向标准化和纵向标准化；实现单次动作段的识别、评价；本发明提供的方法能够解决拳击动作识别中的因类‑类相似性与类内差异性引起的识别率偏低、动作重复次数难记录、复杂的动作识别困难、任意动作之间切换的识别较困难的问题，能够实现对拳击动作的准确识别。
Description
技术领域
本发明涉及可穿戴设备领域，特别是指一种拳击动作识别方法、系统及电子设备。
背景技术
可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能，可穿戴设备将会对我们的生活、感知带来很大的转变。
可穿戴设备多以具备部分计算功能、可连接手机及各类终端的便携式配件形式存在，主流的产品形态包括以手腕为支撑的watch类(包括手表和腕带等产品)，以脚为支撑的shoes类(包括鞋、袜子或者将来的其他腿上佩戴产品)，以头部为支撑的Glass类(包括眼镜、头盔、头带等)，以及智能服装、书包、拐杖、配饰等各类非主流产品形态。
复杂人体动作识别是可穿戴设备、智慧医疗领域、体育运动中技术发展的瓶颈之一，是当前国内外研究重点。特别地，在拳击运动领域的训练过程中，需要教练不断地对学员、运动员进行指导，记录训练过程、纠正错误动作。这对于教练来说，会加大授课的难度；对学员、运动员来说，也不能及时有效地得到训练的反馈，也不能在无教练指导的情况下有效地学习。
发明内容
本发明为解决拳击动作识别中的因类-类相似性与类内差异性引起的识别率偏低、动作重复次数难记录、复杂的动作识别困难、任意动作之间切换的识别较困难等问题，提出一种拳击动作识别方法，实现对拳击动作的准确识别。
本发明采用如下技术方案：
一种拳击动作识别方法，包括如下步骤：
利用设置在手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价。
具体地，所述利用设置在左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，其中数据预处理包括N次加权移动平滑、巴特沃斯滤波器或均值滤波算法。
具体地，所述对预处理后的动作数据采用动作段提取算法提取单次动作段，其中动作段提取算法包括隐马尔可夫模型(HMM)无监督概率分割算法、滑动窗口方差或矢量和阈值法/角速度阈值法。
具体地，所述对提取出的单次动作段进行横向标准化和纵向标准化，具体包括：
横向标准化包括插值和运动周期横向标准化算法；对于动作段数据段长度小于设定值的动作段进行插值，使其扩展到设定值长度；对于动作段数据段长度大于设定值的动作段进行运动周期横向标准化算法进行处理，使其缩减到设定值长度；
纵向标准化为使用最小-最大定标器将数据缩放到[-1,1]中。
具体地，所述实现单次动作段的识别、评价，具体包括：
采用皮尔逊相关系数、动态时间规整的模板匹配算法进行模板匹配，得到各动作匹配度，确定动作类别及匹配度输出，并以匹配度作为动作标准性的评价指标。
具体地，所述实现单次动作段的识别，具体包括：
采用训练好的隐马尔科夫模型进行单次动作段的识别、评价。
本发明实施例另一方面提供一种拳击动作识别系统，包括：
动作采集单元：利用设置在左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
单次动作提取单元：对预处理后的动作数据采用动作段提取算法提取单次动作段；
单次动作标准化单元：对提取出的单次动作段进行横向标准化和纵向标准化；
动作识别单元：实现单次动作段的识别、评价。
本发明实施例再一方面提供一种拳击动作识别的电子设备，包括：
数据采集模块，可穿戴拳击手套，左右拳击手套均装有无线蓝牙六轴传感器；
拳击动作识别APP模块，与数据采集模块通过蓝牙进行通信，执行：
采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价，并显示结果。
本发明实施例又一方面提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述一种拳击动作识别的方法步骤。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明提供的方法，利用设置在左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；对预处理后的动作数据采用动作段提取算法提取单次动作段；对提取出的单次动作段进行横向标准化和纵向标准化；实现单次动作段的识别、评价；本发明提供的方法能够有效识别动作，同时有效克服动作识别过程中由于因类-类相似性与类内差异性引起的识别率偏低、动作重复次数难记录、复杂的动作识别困难、任意动作之间切换的识别较困难等问题。
(2)本发明中，为解决人体单次动作识别的问题，本发明创新性应用了相关提取动作段算法，实现了单个动作段的自动分割提取，并且数据的分割点具有明确的动作语义，即动作开始与结束，提高了动作的识别率与数据处理的效率，也极大地方便了模板库的构建，并且使动作识别的思路更加简单明了。
(3)本发明中，在动作段的层面进行数据标准化，有效克服了由于每个动作段的数据长度均可能是不同的，另外，与动作段横向的情况类似，动作力度、速度等的大小也可能影响到数据幅值上的多样性而导致动作识别、评价不准确的问题。
附图说明
图1为本发明实施例提供的一种拳击动作识别方法流程图；
图2为本发明实施例提供的一种拳击动作识别方法详细流程图；
图3为本发明一种拳击动作识别系统架构图；
图4为本发明一种拳击动作识别电子设备示意图；
图5为本发明一种计算机可读存储介质的实施例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明提供的方法能够有效识别动作，同时有效克服动作识别过程中由于因类-类相似性与类内差异性引起的识别率偏低、动作重复次数难记录、复杂的动作识别困难、任意动作之间切换的识别较困难等问题。
如图1，为本发明提供的一种拳击动作识别方法流程图，具体包括如下步骤：
S101：利用设置在手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
安转在左右拳击手套手腕处的无线蓝牙六轴传感器采用BWT901BLE5.0CL，BWT901BLE5.0CL是九轴姿态传感器，本发明实施例中，使用其中的三轴加速度、三轴角速度这六轴的数据，这实际上相当于使用的是六轴传感器。
具体地，所述利用拳击手套设置的无线蓝牙六轴传感器的采集拳击动作的数据后，还包括：数据滤波，具体为：
所述数据滤波为N次加权移动平滑或巴特沃斯滤波器、均值滤波等滤波算法；在本发明实施例中，将三轴加速度、三轴角速度的原始数据进行N次加权移动平滑处理后，得到去噪声、更光滑的波形，但不限于N次加权移动平滑。
S102：对预处理后的动作数据采用动作段提取算法提取单次动作段；
其中动作段提取算法包括隐马尔可夫模型无监督概率分割算法、滑动窗口方差或矢量和阈值法/角速度阈值法；
所述动作段提取实现有效动作的提取，即将数据区分为有动作、无动作数据段，每完成一个动作，就将动作对应的数据段提取出来，而剔除其余非动作的数据段。可以使用包括HMM无监督概率分割、滑动窗口方差法、矢量和阈值法等动作段提取算法。以滑动窗口方差法为例，当处于静止状态时，惯性传感器中加速度/角速度计或三轴加速度、三轴角速度的平方和的输出值的方差应该近似于0，设置一定大小的滑动窗口，通过加速度/角速度或三轴加速度、三轴角速度的平方和的方差阈值对数据进行零速状态检测，并对动作段的索引进行一定的修正，最后实现动作段的提取。所述动作段提取实现了单个动作段的自动分割提取，并且数据的分割点具有明确的动作语义，即动作开始与结束，提高了动作的识别率；
滑动窗口方差法具体为：
当处于静止状态时，惯性传感器中加速度/角速度计或三轴加速度、三轴角速度的平方和的输出值的方差应该近似于0，设置一定大小的滑动窗口，通过加速度/角速度或三轴加速度、三轴角速度的平方和的方差阈值对数据进行零速状态检测。
三轴加速度平方和具体为：
其中，
分别为三轴加速度的值。
S103：对提取出的单次动作段进行横向标准化和纵向标准化；
横向标准化包括插值和运动周期横向标准化算法；对于动作段数据段长度小于设定值的动作段进行插值，使其扩展到设定值长度；对于动作段数据段长度大于设定值的动作段进行运动周期横向标准化算法进行处理，使其缩减到设定值长度；
纵向标准化为使用最小-最大定标器将数据缩放到[-1,1]中；
最小-最大定标器(Min-Max scaler)具体为：
其中，X分别为六轴的数据，即三轴加速度、三轴角速度数据。
不同的动作之间，甚至是相同的动作之间，每个动作的完成时间可能是不一样的，这主要取决于动作的种类、动作完成的快慢等。完成时间的不同，体现在数据上就是每个动作段数据不等长，这时，需要进行横向标准化。本发明实施例这里采用插值，插值到160，为实验值，在经过插值之后，考虑少部分极端的情况，有些动作段的数据长度超过160，针对这种情况，使用横向标准化算法将超过160的数据横向缩减到160。
S104：实现单次动作段的识别、评价。
作为一种实施例，采用皮尔逊相关系数、动态时间规整的模板匹配算法进行模板匹配，得到各动作匹配度，确定动作类别及匹配度输出，并以匹配度作为动作标准性的评价指标。
在该实施例中，需要预先采集拳击教练动作数据，构建拳击动作数据集，并制作动作模板库；
为使动作模板最具代表性，取教练的每种动作种类的训练集所有动作段的各轴数据进行累加和，然后再进行平均，获得动作模板。
所述模板匹配的过程如下：将新获得动作段与动作模板库中的动作一一比对，所对应匹配度最高的模板库中的动作即为新获得的动作段的类别。可使用的匹配度算法有皮尔逊(Pearson)相关系数、动态时间规整算法(DTW)；
本发明实施例中，基于DTW的动作匹配具体过程为：将新获得动作段与动作模板库中的动作一一比对，所对应DTW计算出来的距离值最低的模板库中的动作即为新获得的动作段的类别。
所述动作评价的过程即为根据新获得的动作段与预先构建的模板库中的动作段比对而获得的匹配度值对动作进行评价。
由动作匹配算法获得的匹配值即可完成动作类别的确定，匹配值可作为动作标准性的评价指标，动作识别完成后就可以进行相应的计数。
作为另一实施例，可采用训练好的隐马尔科夫模型进行单次动作段的识别，并以模型的输出值作为动作标准性的评价指标；
机器学习算法基本上都是通过提取统计特征来训练模型，得到相关参数。但对于本问题来说，传感器采样率只有50Hz，每个动作经过插值处理之后，也就只有160个点，加上不同动作间极其相似、同种动作间可能出现错位等等不可控因素，所以，很难提取到有效的特征，或者说可靠的统计特征很少，这给模型的使用带来困难。这也是动作识别的一个难点，特别对于实现单次动作识别来说。
鉴于HMM模型的特性，加上每个动作段的数据点也相对较少，那就直接将动作段的所有数据作为特征去训练模型，即对于每个动作段有一个160*6的特征矩阵。本发明实施例使用到的是GaussianHMM，另外，隐藏状态参数、训练次数等参数的具体研究这里不做探讨。
如图2为本发明实施例提供的一种拳击动作识别方法详细流程图。
如图3，本发明实施例另一方面提供一种拳击动作识别系统，包括：
动作采集单元301：利用设置在手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
安转在左右拳击手套手腕处的无线蓝牙六轴传感器采用BWT901BLE5.0CL，BWT901BLE5.0CL是九轴姿态传感器，本发明实施例中，使用其中的三轴加速度、三轴角速度这六轴的数据，这实际上相当于使用的是六轴传感器。
具体地，所述利用拳击手套设置的无线蓝牙六轴传感器的采集拳击动作的数据后，还包括：数据滤波，具体为：
所述数据滤波为N次加权移动平滑或巴特沃斯滤波器、均值滤波等滤波算法；在本发明实施例中，将三轴加速度、三轴角速度的原始数据进行N次加权移动平滑处理后，得到去噪声、更光滑的波形，但不限于N次加权移动平滑。
单次动作提取单元302：对预处理后的动作数据采用动作段提取算法提取单次动作段；
其中动作段提取算法包括隐马尔可夫模型无监督概率分割算法、滑动窗口方差或矢量和阈值法/角速度阈值法；
所述动作段提取实现有效动作的提取，即将数据区分为有动作、无动作数据段，每完成一个动作，就将动作对应的数据段提取出来，而剔除其余非动作的数据段。可以使用包括HMM无监督概率分割、滑动窗口方差法、矢量和阈值法等动作段提取算法。以滑动窗口方差法为例，当处于静止状态时，惯性传感器中加速度/角速度计或三轴加速度、三轴角速度的平方和的输出值的方差应该近似于0，设置一定大小的滑动窗口，通过加速度/角速度或三轴加速度、三轴角速度的平方和的方差阈值对数据进行零速状态检测，并对动作段的索引进行一定的修正，最后实现动作段的提取。所述动作段提取实现了单个动作段的自动分割提取，并且数据的分割点具有明确的动作语义，即动作开始与结束，提高了动作的识别率；
滑动窗口方差法具体为：
当处于静止状态时，惯性传感器中加速度/角速度计或三轴加速度、三轴角速度的平方和的输出值的方差应该近似于0，设置一定大小的滑动窗口，通过加速度/角速度或三轴加速度、三轴角速度的平方和的方差阈值对数据进行零速状态检测。
三轴加速度平方和具体为：
其中，
分别为三轴加速度的值。
单次动作标准化单元303：对提取出的单次动作段进行横向标准化和纵向标准化；
横向标准化包括插值和运动周期横向标准化算法；对于动作段数据段长度小于设定值的动作段进行插值，使其扩展到设定值长度；对于动作段数据段长度大于设定值的动作段进行运动周期横向标准化算法进行处理，使其缩减到设定值长度；
纵向标准化为使用最小-最大定标器将数据缩放到[-1,1]中；
最小-最大定标器(Min-Max scaler)具体为：
其中，X分别为六轴的数据，即三轴加速度、三轴角速度数据。
不同的动作之间，甚至是相同的动作之间，每个动作的完成时间可能是不一样的，这主要取决于动作的种类、动作完成的快慢等。完成时间的不同，体现在数据上就是每个动作段数据不等长，这时，需要进行横向标准化。本发明实施例这里采用插值、运动周期横向标准化算法，横向标准化到160，为实验值。
动作识别单元304：实现单次动作段的识别、评价。
作为一种实施例，采用皮尔逊相关系数、动态时间规整的模板匹配算法进行模板匹配，得到各动作匹配度，确定动作类别及匹配度输出，并以匹配度作为动作标准性的评价指标；
在该实施例中，需要预先采集拳击教练动作数据，构建拳击动作数据集，并制作动作模板库；
为使动作模板最具代表性，取教练的每种动作种类的训练集所有动作段的各轴数据进行累加和，然后再进行平均，获得动作模板。
所述模板匹配的过程如下：将新获得动作段与动作模板库中的动作一一比对，所对应匹配度最高的模板库中的动作即为新获得的动作段的类别。可使用的匹配度算法有皮尔逊(Pearson)相关系数、动态时间规整算法(DTW)；
本发明实施例中，基于DTW的动作匹配具体过程为：将新获得动作段与动作模板库中的动作一一比对，所对应DTW计算出来的距离值最低的模板库中的动作即为新获得的动作段的类别。
所述动作评价的过程即为根据新获得的动作段与预先构建的模板库中的动作段比对而获得的匹配度值对动作进行评价。
由动作匹配算法获得的匹配值即可完成动作类别的确定，匹配值可作为动作标准性的评价指标，动作识别完成后就可以进行相应的计数。
作为另一实施例，可采用训练好的隐马尔科夫模型进行单次动作段的识别、评价；
机器学习算法基本上都是通过提取统计特征来训练模型，得到相关参数。但对于本问题来说，传感器采样率只有50Hz，每个动作经过插值处理之后，也就只有160个点，加上不同动作间极其相似、同种动作间可能出现错位等等不可控因素，所以，很难提取到有效的特征，或者说可靠的统计特征很少，这给模型的使用带来困难。这也是动作识别的一个难点，特别对于实现单次动作识别来说。
鉴于HMM模型的特性，加上每个动作段的数据点也相对较少，那就直接将动作段的所有数据作为特征去训练模型，即对于每个动作段有一个160*6的特征矩阵。本发明实施例使用到的是GaussianHMM，另外，隐藏状态参数、训练次数等参数的具体研究这里不做探讨。
如图4，本发明实施例再以方面提供一种拳击动作识别电子设备，包括：
数据采集模块，可穿戴拳击手套，左右拳击手套均装有无线蓝牙六轴传感器；
拳击动作识别APP模块，与数据采集模块通过蓝牙进行通信，执行：
采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价，并显示结果。
请参阅图5，图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现本发明实施例提供的一种拳击识别的方法；
在具体实施过程中，该计算机程序511被处理器执行时可以实现：
一种拳击识别的方法，包括：
采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提供的方法，利用设置在左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；对预处理后的动作数据采用动作段提取算法提取单次动作段；对提取出的单次动作段进行横向标准化和纵向标准化；实现单次动作段的识别、评价；本发明提供的方法能够有效识别动作，同时有效克服动作识别过程中由于因类-类相似性与类内差异性引起的识别率偏低、动作重复次数难记录、复杂的动作识别困难、任意动作之间切换的识别较困难等问题。
本发明中，为解决人体单次动作识别的问题，本发明创新性应用了相关提取动作段算法，实现了单个动作段的自动分割提取，并且数据的分割点具有明确的动作语义，即动作开始与结束，提高了动作的识别率与数据处理的效率，也极大地方便了模板库的构建，并且使动作识别的思路更加简单明了。
本发明中，在动作段的层面进行数据标准化，有效克服了由于每个动作段的数据长度均可能是不同的，另外，与动作段横向的情况类似，动作力度、速度等的大小也可能影响到数据幅值上的多样性而导致动作识别、评价不准确的问题。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种拳击动作识别方法，其特征在于，包括如下步骤：
利用设置在手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价。
2.根据权利要求1所述的一种拳击动作识别方法，其特征在于，所述利用设置左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，其中数据预处理包括N次加权移动平滑、巴特沃斯滤波器或均值滤波算法。
3.根据权利要求1所述的一种拳击动作识别方法，其特征在于，对预处理后的动作数据采用动作段提取算法提取单次动作段，其中动作段提取算法包括隐马尔可夫模型无监督概率分割算法、滑动窗口方差或矢量和阈值法/角速度阈值法。
4.根据权利要求1所述的一种拳击动作识别方法，其特征在于，所述对提取出的单次动作段进行横向标准化和纵向标准化，具体包括：
横向标准化包括插值和运动周期横向标准化算法；对于动作段数据段长度小于设定值的动作段进行插值，使其扩展到设定值长度；对于动作段数据段长度大于设定值的动作段进行运动周期横向标准化算法进行处理，使其缩减到设定值长度；
纵向标准化为使用最小-最大定标器将数据缩放到[-1,1]中。
5.根据权利要求1所述的一种拳击动作识别方法，其特征在于，所述实现单次动作段的识别、评价，具体包括：
采用皮尔逊相关系数、动态时间规整的模板匹配算法进行模板匹配，得到各动作匹配度，确定动作类别及匹配度输出，并以匹配度作为动作标准性的评价指标。
6.根据权利要求1所述的一种拳击动作识别方法，其特征在于，所述实现单次动作段的识别、评价，具体包括：
采用训练好的隐马尔科夫模型进行单次动作段的识别，并以训练好的隐马尔科夫模型的输出值作为动作标准性的评价指标。
7.一种拳击动作识别系统，其特征在于，包括：
动作采集单元：利用设置在左右手手腕处的传感器采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
单次动作提取单元：对预处理后的动作数据采用动作段提取算法提取单次动作段；
单次动作标准化单元：对提取出的单次动作段进行横向标准化和纵向标准化；
动作识别单元：实现单次动作段的识别、评价。
8.一种拳击动作识别的电子设备，其特征在于，包括：
数据采集模块，可穿戴拳击手套，左右拳击手套均装有无线蓝牙六轴传感器；
拳击动作识别APP模块，与数据采集模块通过蓝牙进行通信，执行：
采集拳击动作数据，并进行数据预处理，得到预处理后的动作数据；
对预处理后的动作数据采用动作段提取算法提取单次动作段；
对提取出的单次动作段进行横向标准化和纵向标准化；
实现单次动作段的识别、评价，并显示结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543074.6A CN114237397A (zh) | 2021-12-16 | 2021-12-16 | 一种拳击动作识别方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543074.6A CN114237397A (zh) | 2021-12-16 | 2021-12-16 | 一种拳击动作识别方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114237397A true CN114237397A (zh) | 2022-03-25 |
Family
ID=80757306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111543074.6A Pending CN114237397A (zh) | 2021-12-16 | 2021-12-16 | 一种拳击动作识别方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237397A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017107494A1 (zh) * | 2015-12-25 | 2017-06-29 | 深圳市酷浪云计算有限公司 | 羽毛球挥拍动作识别方法和装置 |
| CN108898195A (zh) * | 2018-06-13 | 2018-11-27 | 西北大学 | 一种基于商用rfid的非接触式徒手健身活动识别方法 |
| US20190209050A1 (en) * | 2016-08-31 | 2019-07-11 | Goertek Inc. | Wearable device and method of using same to monitor motion state |
| CN113255554A (zh) * | 2021-06-04 | 2021-08-13 | 福州大学 | 一种射击训练瞬时击发动作识别及标准性辅助评价方法 |
-
2021
- 2021-12-16 CN CN202111543074.6A patent/CN114237397A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017107494A1 (zh) * | 2015-12-25 | 2017-06-29 | 深圳市酷浪云计算有限公司 | 羽毛球挥拍动作识别方法和装置 |
| US20190209050A1 (en) * | 2016-08-31 | 2019-07-11 | Goertek Inc. | Wearable device and method of using same to monitor motion state |
| CN108898195A (zh) * | 2018-06-13 | 2018-11-27 | 西北大学 | 一种基于商用rfid的非接触式徒手健身活动识别方法 |
| CN113255554A (zh) * | 2021-06-04 | 2021-08-13 | 福州大学 | 一种射击训练瞬时击发动作识别及标准性辅助评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘蓉;刘明;: "实时手势加速度动作分割与识别研究", 小型微型计算机系统, vol. 33, no. 07, pages 1 - 3 * |
| 单巍;方振国;王江涛;崔少华;: "基于Arduino和神经网络的智能拳击手套设计方法", 阜阳师范学院学报(自然科学版), no. 03 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
| WO2018040757A1 (zh) | 可穿戴设备及利用其监测运动状态的方法 | |
| Tong et al. | HMM-based human fall detection and prediction method using tri-axial accelerometer | |
| CN104200234B (zh) | 人体动作建模和识别方法 | |
| CN103970271B (zh) | 融合运动和生理传感数据的日常活动识别方法 | |
| Feng et al. | Investigating mobile device picking-up motion as a novel biometric modality | |
| CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
| Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
| CN110113116B (zh) | 基于wifi信道信息的人体行为识别方法 | |
| CN111401435B (zh) | 一种基于运动手环的人体运动模式识别方法 | |
| CN103908259B (zh) | 一种智能穿戴设备及人体运动的监测与识别方法 | |
| CN105989694A (zh) | 一种基于三轴加速度传感器的人体跌倒检测方法 | |
| CN107092882B (zh) | 一种基于子动作感知的行为识别系统及其工作方法 | |
| CN110163264B (zh) | 一种基于机器学习的行走模式识别方法 | |
| Shin et al. | Korean sign language recognition using EMG and IMU sensors based on group-dependent NN models | |
| CN109840480B (zh) | 一种智能手表的交互方法及交互系统 | |
| Cao et al. | A fall detection method based on acceleration data and hidden Markov model | |
| CN113663312A (zh) | 一种基于微惯性的无器械健身动作质量评估方法 | |
| Zheng et al. | L-sign: Large-vocabulary sign gestures recognition system | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| CN107247974B (zh) | 基于多源数据融合的健身运动识别方法及系统 | |
| CN109758154B (zh) | 一种运动状态确定方法、装置、设备及存储介质 | |
| Bi et al. | Smartge: identifying pen-holding gesture with smartwatch | |
| CN113975775B (zh) | 可穿戴式惯性体感乒乓运动训练系统及其工作方法 | |
| CN106570479B (zh) | 一种面向嵌入式平台的宠物运动识别方法 |
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 |