CN114581990A - 一种跑步智能测试方法以及装置 - Google Patents

Abstract

本发明提供了一种跑步智能测试方法以及装置，本发明的跑步智能测试方法包括：采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；当运动员通过终点线也采用图像处理技术对是否触线进行判断；采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。本发明的跑步智能测试方法通过将机器视觉技术成功的应用在训练测试过程中，能够降低人工投入量，提高了成绩的准确性，也避免了人为舞弊替考，不公平的情况发生。

Description

一种跑步智能测试方法以及装置

技术领域

本发明涉及运动训练领域，具体而言，涉及一种跑步智能测试方法以及装置。

背景技术

现有中长跑、短跑等等均采用无线射频技术(RFID)，实现过程记圈记时，终点研判计算成绩，无线射频是一种非接触式的自动识别技术,无线射频技术在阅读器和射频卡之间进行非接触双向数据传输，以达到目标识别和数据交换的目的；RFID技术的基本工作原理：标签进入磁场后，接收解读器发出的射频信号，凭借感应电流所获得的能量发送出存储在芯片中的产品信息，或者主动发送某一频率的信号，解读器读取信息并解码后，送至中央信息系统进行有关数据处理。

但是上述方式均需要采用人工录入名单，存在舞弊替考情况，识别不精准，存在漏读，受环境影响削弱信号识别率降低，配套硬件设备多，且设备充电麻烦，带来诸多不便。

有鉴于此，特提出本发明。

发明内容

有鉴于此，本发明公开了一种跑步智能测试方法以及装置，通过采用人脸检入身份验证，避免舞弊替考，通过机器视觉技术提高识别率和成绩精准度，设备投入少，更加便捷和智能化，实现公平化、科学化测试和考核，方便高效。

具体地，本发明是通过以下技术方案实现的：

第一方面，本发明公开了一种跑步智能测试方法，包括如下步骤：

采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

当运动员通过终点线也采用图像处理技术对是否触线进行判断；

采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

第二方面，本发明公开了一种跑步智能测试装置，包括：

起跑测试模块：采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

终点测试模块：当运动员通过终点线也采用图像处理技术对是否触线进行判断；

指导模块：采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

第三方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述跑步智能测试方法的步骤。

第四方面，本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述跑步智能测试方法的步骤。

总之，本发明提出的跑步智能测试方法以及跑步智能测试装置，具体操作时，只需要操作员在平板上选定该科目语音播报提示人员核验检录，跑步人员通过平板刷人脸核验身份，根据平板提示入列指定赛道准备起跑，检录结束，操作员在平板上点击“发令”，语音播报倒计时发令，发令期间如果有人抢跑，语音播报报警提醒，运动员重新回到起跑线，操作员重新发令，跑步过程中，通过高空点位摄像机全程检测串道行为，如出现串道，则语音播报提醒，串道运动员取消成绩，运动员冲过终点线，终点布设的触线摄像机检测每个赛道运动员触线瞬间，抓拍触线照片、触线时间戳，数据上报软件系统，系统根据触线照片、触线时间戳统计成绩和排名，并将结果传回平板端展示，同时通过该模型的建立可给出针对性的训练提升指导建议，操作方便，准确性高。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的跑步智能测试方法的流程示意图；

图2为本发明实施例提供的评估和识别人体姿势的原理示意图；

图3为本发明实施例提供的评估和识别人体姿势的网络结构图；

图4-5为本发明实施例提供的跑步智能测试方法的效果图；

图6为本发明实施例提供的肢干关节点的坐标图；

图7为本发明实施例提供的训练智能系统的结构图；

图8为本发明实施例提供的一种计算机设备的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

参照图1所示，本发明公开了一种跑步智能测试方法，包括如下步骤：

S1、采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

S2、当运动员通过终点线也采用图像处理技术对是否触线进行判断；

S3、采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

其中，所述S1步骤中，进行人员核验时，采用人脸识别技术，所述人员检验的方法包括：

先采集运动员人脸特征信息，进行人脸建模，构建统一人脸信息库，移动终端刷人脸，提取人脸特征数据传入统一人脸信息库进行人脸特征比对，反馈比对结果和人员信息，完成人员身份核验。

进行了人员核验之后，在运动员进行起跑时的抢跑情况进行研判，比如利用平板前置摄像头在起跑线前方绘线，采用机器视觉视频分析技术获取实时视频流，对视频进行骤帧分解并生成图片进行临时存储，利用图像处理技术，在发令期间生成的图片进行分析标定位置是否抢跑触线，有则向软件平台发出告警指令。

另外，在运动员进行跑步过程中，可以进行串道进行判断，还可记录圈数以及耗时。

其中，串道的研判方法包括：

高空摄像机对每个赛道运动员进行标记和跟踪，人员特征与赛道关联绑定，同时在赛双侧进行绘线，采用视频分析技术获取实时视频流，对视频进行骤帧分解并生成图片进行临时存储，利用图像处理技术，通过分析图片判断标记的人员是否越线，有则向软件平台发出告警指令。

其中，记录圈数以及耗时的方法的包括：

根据抓拍记录触线时间戳，追踪人脸进行抓拍，通过提取人脸特征在人脸模型库进行比对，提取相似度最高的一张并获取该人员身份信息，自动累计计算圈数，记录每圈耗时。

本发明在进行是否触线检测过程中，对采集到的帧图像进行预处理，边缘检测，分割前景物和背景物，提取运动物体的轮廓，检测出运动物体的状态，进行精准的跟踪和触线检测。

上述是否触线的检测方法的原理是利用混合高斯背景建模，混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，可以对复杂动态背景进行建模，计算量较大。

在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律单模态(单峰)、多模态(多峰)。

对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。

具体分割前景物以及背景物的方法包括：

当在处理彩色图像时，假定图像的像素点R、G、B三色通道相互独立并具有相同的方差；对于随机变量X的观测数据集{x1,x2,…,xN}，xt＝(rt,gt,bt)为t时刻像素的样本，则单个采样点xt其服从的混合高斯分布概率密度函数：

将每个新像素值Xt同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型：

|X_t-μ_i，t-1|≤2.5σ_i，t-1；

如果所匹配的模式符合背景要求，则该像素属于背景物，否则属于前景物；

各个模式权值按如下方式进行更新，其中a是学习速率，对于匹配的模式Mk，t＝1，否则Mk，t＝0，然后各模式的权重进行归一化：

w_k，t＝(1-α)*w_k，t-1+α*M_k，t；

未匹配模式的均值μ和标准差σ不变，匹配模式的参数按照如下更新：

ρ＝α*η(X_t|μ_k，σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

如果没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

各模式根据w/a^2按降序排列，权重大、标准差小的模式排列在前；

选前B个模式作为背景，B满足下式，参数T表示背景所占的比例：

对于上述方法所涉及到的各个具体公式中，无论是Xt还是xt均是表示的相同的含义。

另外，对于跑步的运动员的训练姿势也可以进行相应的人体姿势检测，通过在视频上对人体关节点位进行定位、标注、链线，利用图像处理技术，将视频骤帧分解生成图片，通过图片分析和识别运动过程姿势和关节运动幅度，并采集和记录每一次完整动作的关节运动幅度数据，通过幅度数据和动作标准规则进行比对判断。

具体地，所述人体姿势的识别方法包括：

将训练视频的原始位图对象缩放，从PoseNet库中调用函数来获取Person对象，将位图缩放回屏幕大小；

在Canvas对象上绘制新的位图，从Person对象中获取的关键点位置在画布上绘制骨架，显示置信度超过特定阈值的关键点，用单个SurfaceView来显示输出；

SurfaceView通过获取、锁定和在View画布上绘图，显示在屏幕上。

深入到具体的原理上是通过一系列卷积神经网络后，得到关节点的置信图以及肢干的矢量图，将所述置信图以及矢量图结合得到新的绘制骨架，具体进行卷积神经网络的原理图可见图2所示：

1.图a为输入数据，是一张RGB图像。通过一系列卷基神经网络后，同时得到b和c。

2.b图表示关节点置信图，需要检测多少个关节点，就有多少张相应的置信图，一张图像中有可能有多个人的同一个关节点。

如上图b左侧的置信图就同时检测出两个人的左肘，右侧的置信图检测出两个人的左肩。

3.c图表示肢干的矢量图，每个关节对应两个矢量图。

4.b和c结合起来就得到d，即某个肢干的关节点的连接。

5.所有的d组合起来就得到e，即所有我们要检测的肢干的连接结果。

具体卷积过程中的网络结构图如图3所示。从图3中可以知晓，F是原始图像经过VGG19的前10层网络后得到的特征图。经过Branch1的网络得到的是关节点的置信图S，经过Branch2的网络得到的是肢干的矢量图L，F经过Stage1得到S1和L1，从Stage2开始，Stage t网络的输入由前一个网络Stage t-1得到的置信图S和矢量图L加上特征图F组成，表达式如下：

VGG19的前10层网络如下表1圈出来的部分：

表1网格结果

每个Stage网络都可以得到两个损失，Staget网络的损失函数如下：

其中，

和

为通过数据集数据标注的准确的置信图和矢量图，w(p)是一个二元掩码，在训练模型时，当数据集未标注某个关节点或关节点无法组成一个肢干时，令W(p)＝0，从而避免本次损失“错误”的增大。总损失函数如下：

模型训练中，计算损失用的置信图

是根据COCO数据集的数据生成的，

代表某个关节点j的置信图，因为我们要检测19个关节点，所以，每张图片要生成19个置信图。通过训练之后的效果图如图4所示，图4中的左图是原始图像，右图是生成的所有的关节点的置信图，为了方便比较才将原始图像的缩放图作为背景，真正的关节点(所有的关节点)置信图如图5的右图所示。

假设关节点(x，y)为人物k的关节点j的坐标，则以A(x0，y0)为左上角坐标，以B(x1，y1)为右下角坐标，由A、B组成一个矩形Z，而关节点坐标为矩形Z的中心。令width和height为图片的宽和高，则x0，y0，x1，y1的定义如下，

x0＝int(max(0，x-β))

y0＝int(max(0，y-β))

x1＝int(min(width，x+β))

y1＝int(min(height，y+β))

然后，在去遍历矩形Z中的每一个坐标点p，求点p和x_j，k的高斯核函数，得到置信图中该坐标点p的值

公式如下：

所有人物k的关节点j组成的

就组成了该关节点的置信图

模型训练中，损失函数中矢量图

也是根据COCO数据集生成。

如图6所示，假设

和

表示数据集图片中人物k的肢干c的关节点j1和j2的坐标，如果点p在肢干上，则

为j1到j2方向的单位向量，否则，

为0，公式如下：

P点满足条件，

其中，l_c，k是肢干的长度，σ_l是肢干的宽度，v_⊥是单位向量v的垂直向量。

实际计算时，需要添加一个具体的阈值，所以先设置一个常量th：

实际计算中，假设肢干两端的关节点坐标分别为(x1，y1)和(x2，y2)，分别肢干两端的关节点坐标减去或加上一个阈值th，得到两个新的坐标点(x1-th，y1-th)和(x2+th，y2+th)，以这两个坐标点为左上角和右下角得到一个矩阵Z，遍历该矩阵的每一个像素点p，求点p到肢干的距离dist，如果dist＜th，则认为点p在属于肢干的上，点p则保存肢干c的方向余弦和方向正弦。每一个关节点对应的有一个关节点置信图，而每一个肢干则对应有两个矢量图，分别对应于肢干的方向余弦和方向正弦。公式如下：

假设

和

是检测到的两个候选连接关节点，这两个关节点连接成肢干c，现在我们在这两个关节点中间取样，然后用矢量图L_c沿着线段去衡量它们连接的可能性，计算公式如下：

其中，p(u)是在

和

之间插入的坐标点，一般是通过等距离抽样来近似求积分：

求得的E越大，则这两个关节点应该连接的可能性就越大。

通过采用该智能方法不仅能实现智能的触线检测还是实现智能的姿势检测。

本发明的方案在实际应用时所需要的软件程序只需要一个智慧训练平台、AI算法，具体针对不用的移动端应用的方式略有差别，具体如下：

1.手机端APP：结合智慧训练管理平台，利用智能感知现代化科技手段开展训练考评、成绩记录、数据分析，通过移动APP实现日常训练计划查看、移动训练、运动圈、成绩查询、排名查询、评估指导、数据分析等场景快速支撑。

2.平板端APP：训练现场使用，提供人脸识别身份认证、发令、计时、计成绩、录像，提供日常训练报告和考核报告成绩查询、成绩排名查看，可以查看训练详情、回放视频、诊断和指导建议。

3.智慧训练管理平台：对接前端硬件设备和算法系统，统一采集和记录相关训练数据，提供基础训练的软件管理和数据分析功能，包括：训练计划、训练档案、训练考核、训练成绩、评估指导、系统管理等功能。

4.AI算法：利用机器视觉，机器学习技术，对不同训练场景进行算法定制和训练迭代，提供人体姿势识别、大数据评估模型、人员标记、人员跟踪、触线识别，规则研判，数据采集等能力。

具体软件操作时的流程可按照以下步骤：

1.运动员刷人脸进行人员核验检录，如检验失败，则语音提示，否则平板展示人员信息，并且语音提示运动员进入指定赛道。

2.操作员发令，语音播报发令信息，发令倒计时期间，如果有人抢跑，则语音播报提示，运动员重新会跑起跑线，操作员重新发令，每人允许抢跑一次，超出一次，则语音播报提示，并且该运动员取消比赛资格。

3.发令发出后，跑步过程中如出现运动员串道，则语音播报提醒，该人员成绩取消，比赛继续进行。

4.运动员冲过终点，自动识别记录触线时间戳，比赛结束，同时软件根据每个运动员的触线时间戳换算最终成绩和排名。

总之，本发明的跑步智能测试方法通过采用机器学习智能识别的方式，代替人工考核，减少舞弊，提高效率和公平性，减少大量人力组织，训练考核数据有沉淀，通过数据便于辅助和指导更科学训练。

除此之外，本发明还提供了一种跑步智能测试装置，如图7所示，具体包括：

起跑测试模块101：用于采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

终点测试模块102：用于当运动员通过终点线也采用图像处理技术对是否触线进行判断；

指导模块103：用于采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

该系统主要由上述三个模块构成，通过该装置的搭建很好的实现采用机器学习的方式对整个训练过程进行评估并给予指导建议，方便且准确率高。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

图8为本发明公开的一种计算机设备的结构示意图。参考图8所示，该计算机设备400，至少包括存储器402和处理器401；所述存储器402通过通信总线403和处理器连接，用于存储所述处理器401可执行的计算机指令，所述处理器401用于从所述存储器402读取计算机指令以实现上述任一实施例所述的跑步智能测试方法的步骤。

对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。

最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。

由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (8)

1.一种跑步智能测试方法，其特征在于，包括如下步骤：

采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

当运动员通过终点线也采用图像处理技术对是否触线进行判断；

采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

2.根据权利要求1所述的跑步智能测试方法，其特征在于，所述人员检验的方法包括：

先采集运动员人脸特征信息，进行人脸建模，构建统一人脸信息库，移动终端刷人脸，提取人脸特征数据传入统一人脸信息库进行人脸特征比对，反馈比对结果和人员信息，完成人员身份核验。

3.根据权利要求2所述的跑步智能测试方法，其特征在于，当运动员进行跑步过程中，根据抓拍记录触线时间戳，追踪人脸进行抓拍，通过提取人脸特征在人脸模型库进行比对，提取相似度最高的一张并获取该人员身份信息，自动累计计算圈数，记录每圈耗时。

4.根据权利要求3所述的跑步智能测试方法，其特征在于，是否触线判断的方法包括：

对采集到的帧图像进行预处理，边缘检测，分割前景物和背景物，提取运动物体的轮廓，检测出运动物体的状态，进行精准的跟踪和触线检测。

5.根据权利要求4所述的跑步智能测试方法，其特征在于，分割前景物和背景物的方法包括：

假定图像的像素点R、G、B三色通道相互独立并具有相同的方差；对于随机变量X的观测数据集{x1，x2，…，xN}，xt＝(rt，gt，bt)为t时刻像素的样本，则单个采样点xt其服从的混合高斯分布概率密度函数：

将每个新像素值Xt同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型：

|X_t-μ_i，t-1|≤2.5σ_i，t-1；

如果所匹配的模式符合背景要求，则该像素属于背景物，否则属于前景物；

各个模式权值按如下方式进行更新，其中a是学习速率，对于匹配的模式Mk，t＝1，否则Mk，t＝0，然后各模式的权重进行归一化：

w_k，t＝(1-α)*w_k，t-1+α*M_k，t；

未匹配模式的均值μ和标准差σ不变，匹配模式的参数按照如下更新：

ρ＝α*η(X_t|μ_k，σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

如果没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

各模式根据w/a^2按降序排列，权重大、标准差小的模式排列在前；

选前B个模式作为背景，B满足下式，参数T表示背景所占的比例：

6.采用权利要求1-5任一项所述的跑步智能测试方法的智能测试装置，其特征在于，包括：

起跑测试模块：采用人脸识别技术进行人员核验，然后在运动员起跑时利用图像处理技术对是否触线进行判断；

终点测试模块：当运动员通过终点线也采用图像处理技术对是否触线进行判断；

指导模块：采用大数据技术针对所述判断结果建立训练数据模型，以用于训练指导。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序执行时实现权利要求1-5任一项所述跑步智能测试方法的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述跑步智能测试方法的步骤。

Images