CN114639168B - 一种用于跑步姿态识别的方法和系统 - Google Patents

一种用于跑步姿态识别的方法和系统 Download PDF

Info

Publication number
CN114639168B
CN114639168B CN202210300103.4A CN202210300103A CN114639168B CN 114639168 B CN114639168 B CN 114639168B CN 202210300103 A CN202210300103 A CN 202210300103A CN 114639168 B CN114639168 B CN 114639168B
Authority
CN
China
Prior art keywords
joint
running
runner
data
posture
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
Application number
CN202210300103.4A
Other languages
English (en)
Other versions
CN114639168A (zh
Inventor
孙国庆
林忠伟
王成
郑超
安蓓
兰志林
刘阔
张前
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210300103.4A priority Critical patent/CN114639168B/zh
Publication of CN114639168A publication Critical patent/CN114639168A/zh
Application granted granted Critical
Publication of CN114639168B publication Critical patent/CN114639168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种用于跑步姿态识别的方法和系统。包括：由位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角；通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。

Description

一种用于跑步姿态识别的方法和系统
技术领域
本发明属于姿态识别领域，尤其涉及一种用于跑步姿态识别的方法和系统。
背景技术
跑步运动是备受喜爱体育运动项目之一，特别是长跑运动项目，如5000米跑、马拉松运动等。跑步也是高、中、小各级学校的必修课程，但在跑步训练过程中，由于学员人数多、学员的错误动作各不相同，给教员指导教学带来的很大难度，传统的教学方法主要靠教员的观察和经验对学员进行指导，很难做到精准纠错，教学效果大大折扣。现有的技术主要通过视频采集学员的动作，反复观看视频，来判断动作是否正确，结果还是要依靠教员的经验来判断，还是不能做到精准纠错。同时在跑步教学中，如果出现错误动作不及时精准纠错，不仅影响训练效果，而且产生运动损伤。在长跑项目运动中，由于人员较多，不容易快速发现学员身体状态出现的安全问题。现有的技术只有通过穿戴手环，检测极限心率来判断，如果穿戴不规范，可能检测不准确，再说出现极限心跳，不能代表他不能继续跑。
此外，目前对姿态识别的技术包括传感器获取动作的光流图，此类方法虽然精确，但是传感器的携带，对游泳者来说会产生障碍，降低动作的准确性，同时由于动作的复杂性，会使得部分传感器的数据由于脱而丢失，造成识别数据的不完整性。另一种方法是利用深度学习网络，当目前训练的网路较为简单，并且是二维的学习网络，只对空间信息产生学习效果，而没有顾及到时间上的信息。传统的RGB图像的动作识别方法容易受到光照、遮挡以及视角变化等因素的影响，识别度不够高。
发明内容
本发明提出了一种用于跑步姿态识别的方案，以解决上述技术问题。
本发明第一方面公开了一种用于跑步姿态识别的方法。所述方法包括：
步骤S1、由位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；
步骤S2、对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；
步骤S3、利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；
步骤S4、根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；
步骤S5、通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。
根据本发明第一方面的方法，所述多个数据采集装置安装于跑道边的支架上，所述支架与所述跑道边的滑道连接，当所述跑步者处于跑动状态时，所述支架跟踪采集所述包含跑步者的跑步姿态的视频数据，所述支架包含位于不同高度上的支架结构，各个支架结构上安装有若干个从不同角度采集所述视频数据的数据采集装置。
根据本发明第一方面的方法，所述步骤S2具体包括：以固定采样的方式对所述待识别数据进行采样处理，以获取采样帧集合；从所述采样帧集合中提取包含至少一个完整跑步动作的若干连续帧；对所述若干连续帧中的每一帧进行傅里叶变换和高斯滤波，并利用统计平均的方法对所述每一帧进行归一化处理。
根据本发明第一方面的方法，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，所述步骤S3具体包括：利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；利用损失函数提取所述各个关节的坐标值作为所述关节特征信息。
根据本发明第一方面的方法，在所述二次升维处理中：获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
根据本发明第一方面的方法，在所述步骤S4中，利用如下公式计算所述有效夹角：
Figure GDA0004152729980000031
其中，(x1，y1)为所述第一关节的坐标，(x2，y2)为所述第二关节的坐标，(x3，y3)为所述第三关节的坐标。
根据本发明第一方面的方法，在所述步骤S5中，当所述相似度大于第二阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述相似度不大于所述第二阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
根据本发明第一方面的方法，述方法还包括步骤S6，利用修正相似度来对所述跑步者的关节运动进行评估，所述修正相似度s由以下公式来描述：
Figure GDA0004152729980000041
其中，
Figure GDA0004152729980000042
表示所述经有序连接的关节线图中的有效夹角的集合，l表示所述有效夹角的个数，
Figure GDA0004152729980000043
表示所述经有序连接的关节线图中的各个有效夹角的平均有效夹角，
Figure GDA0004152729980000044
表示与所述经有序连接的关节线图对应的标准关节线图中的所述标准姿态夹角的集合，
Figure GDA0004152729980000045
表示各个标准有效夹角的平均有效夹角；当所述修正相似度大于第三阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述修正相似度不大于所述第三阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
本发明第二方面公开了一种用于跑步姿态识别的系统。所述系统包括：
第一处理单元，被配置为，调用位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；
第二处理单元，被配置为，对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；
第三处理单元，被配置为，利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；
第四处理单元，被配置为，根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；
第五处理单元，被配置为，通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。
根据本发明第二方面的系统，所述多个数据采集装置安装于跑道边的支架上，所述支架与所述跑道边的滑道连接，当所述跑步者处于跑动状态时，所述支架跟踪采集所述包含跑步者的跑步姿态的视频数据，所述支架包含位于不同高度上的支架结构，各个支架结构上安装有若干个从不同角度采集所述视频数据的数据采集装置。
根据本发明第二方面的系统，第二处理单元具体被配置为：以固定采样的方式对所述待识别数据进行采样处理，以获取采样帧集合；从所述采样帧集合中提取包含至少一个完整跑步动作的若干连续帧；对所述若干连续帧中的每一帧进行傅里叶变换和高斯滤波，并利用统计平均的方法对所述每一帧进行归一化处理。
根据本发明第二方面的系统，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，第三处理单元具体被配置为：利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；利用损失函数提取所述各个关节的坐标值作为所述关节特征信息。
根据本发明第二方面的系统，第三处理单元具体被配置为：在所述二次升维处理中，获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
根据本发明第二方面的系统，第四处理单元具体被配置为：利用如下公式计算所述有效夹角：
Figure GDA0004152729980000061
其中，(x1，y1)为所述第一关节的坐标，(x2，y2)为所述第二关节的坐标，(x3，y3)为所述第三关节的坐标。
根据本发明第二方面的系统，第五处理单元具体被配置为，当所述相似度大于第二阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述相似度不大于所述第二阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
根据本发明第二方面的系统，所述系统还包括第六处理单元，被配置为，利用修正相似度来对所述跑步者的关节运动进行评估，所述修正相似度s由以下公式来描述：
Figure GDA0004152729980000071
其中，
Figure GDA0004152729980000072
表示所述经有序连接的关节线图中的有效夹角的集合，l表示所述有效夹角的个数，
Figure GDA0004152729980000073
表示所述经有序连接的关节线图中的各个有效夹角的平均有效夹角，
Figure GDA0004152729980000074
表示与所述经有序连接的关节线图对应的标准关节线图中的所述标准姿态夹角的集合，
Figure GDA0004152729980000075
表示各个标准有效夹角的平均有效夹角；当所述修正相似度大于第三阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述修正相似度不大于所述第三阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本公开第一方面中任一项所述的一种用于跑步姿态识别的方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本公开第一方面中任一项所述的一种用于跑步姿态识别的方法中的步骤。
综上，本发明的技术方案利用卷积神经网络来替代现有的传感器动作识别方法，使得从深度图像提取的位置信息不易受到光照，视角变化的影响，并能简化人物与背景的分离提取操作。利用该卷积神经网络，可以提取图像的深度信息。同时，改进神经网络的输入，使得神经网络的训练速度和训练效果得到提升。对关键动作的每一个关节处进行全面的评估，能使得教练员和跑步者可以得到更加详细的动作错误点，为后续制定更加详细的训练方案。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为根据本发明实施例的一种用于跑步姿态识别的方法的流程图；
图2a为根据本发明实施例的数据采集装置的第一示意图；
图2b为根据本发明实施例的数据采集装置的第二示意图；
图2c为根据本发明实施例的数据采集装置的第三示意图；
图2d为根据本发明实施例的二次升维处理的示意图；
图2e为根据本发明实施例的有效夹角的示意图；
图3为根据本发明实施例的一种用于跑步姿态识别的系统的结构图；
图4为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种用于跑步姿态识别的方法。图1为根据本发明实施例的一种用于跑步姿态识别的方法的流程图，如图1所示，所述方法包括：步骤S1、由位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；步骤S2、对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；步骤S3、利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；步骤S4、根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；步骤S5、通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。
在步骤S1，由位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据。
在一些实施例中，所述多个数据采集装置安装于跑道边的支架上，所述支架与所述跑道边的滑道连接，当所述跑步者处于跑动状态时，所述支架跟踪采集所述包含跑步者的跑步姿态的视频数据，所述支架包含位于不同高度上的支架结构，各个支架结构上安装有若干个从不同角度采集所述视频数据的数据采集装置。
在另一些实施例中(如图2a所示)，所述图像采集装置为摄像机，所述支架为伸缩杆，所述滑道为移动底座，移动底座上方的摄像机采集跑步者上半身的视频数据，移动底座下方的摄像机采集跑步者下半身的视频数据，可选地，摄像机具有遮蔽罩。
在另一些实施例中(如图2b所示)，图2a中的结构被应用于操场场景中，并搭配有计算机系统(和音响)来辅助完成整体的图像跟踪/采集过程。具体地，以上场景至少包括：计算机系统(软硬件)、高清摄像机、传输线缆、音响设备、打印设备；通过各个摄影机对跑动姿态进行识别，两组(或多组)摄像机安装在一个支架上，可以移动，一个俯拍、一个仰拍，同时可以进行位置和方向调节。跑道可以设置长度为50米或100米，并安装摄像机进行拍摄纠错；计算机系统收到视频，执行上述跑步姿态识别的方法中的步骤，以获取识别结果/纠正建议。
其中，系统组成应该是一个边缘计算设备，连接多个网络相机成为计算机硬件系统，网络相机无需传输线缆，通过网卡或串口即可连接，作为展示的软件系统应该提供音响设备实时告警，或者通过web页面，安卓或ios端app应用实时操控相机抓拍和查看告警信息。系统收到相机实时抓拍信息，会跟踪监测人体和人体关键点在过去一段时间内的多维度变化来综合判断，并直接利用训练好的算法模型来检测。
在另一些实施例中(如图2c所示)，所述场景可以包括计算机、高清摄像机、起点计时设备、传输线缆、音响设备、打印设备；通过摄影机对人体动作姿态不同角度进行拍摄，长跑训练在弯道和直道分别放置若干台摄像机(数据采集装置)进行工作。短跑训练则可以在直道放置4个摄像机。如考核，在起点放置起跑计时装置，在终点安装一台摄像机，进行计时、考核；计算机系统收到视频，把跑步动作分解很多重要环节，对每个环节进行拍照，并根据数据库预先录入好的标准动作进行数据对比和快速诊断，形成纸质报告。计算机系统收到网络相机实时传送的视频帧，对每一帧图片进行姿态检测，同时可以结合过去一段时间序列内的每一帧姿态检测结果做基于时间序列的统计分析。
在步骤S2，对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据。
在一些实施例中，所述步骤S2具体包括：以固定采样的方式对所述待识别数据进行采样处理，以获取采样帧集合；从所述采样帧集合中提取包含至少一个完整跑步动作的若干连续帧；对所述若干连续帧中的每一帧进行傅里叶变换和高斯滤波，并利用统计平均的方法对所述每一帧进行归一化处理。
具体地，对收集上来的运动视频进行预处理。(1)视频连续帧的选取：对输入的视频，先采用固定采样的方法对视频进行提取帧集合A，设置每秒钟提取的帧数为a。考虑到存在不同的跑步动作序列，选取a2帧作为一个关键动作序列集合。从帧集合A中选定关键帧的起点帧，从该起点帧开始向后选取连续的a2帧作为输入集合。(2)每个关键帧的处理：将每一个关键帧进行傅里叶变换，然后进行高斯滤波操作。并将滤波后的图像统一缩放为128*128*3的图像，其中3为图像的RGB通道数,128*128表示图像的水平像素和垂直像素。由于自然图像的每个色彩通道都具有相同的统计分布规律，所以可以利用统计平均的方法归一化移除图像的平均亮度值。具体操作为：关键帧图像在某色彩通道的数值大小为k，该色彩通道的统计平均值在公开的数据集中的大小为
Figure GDA0004152729980000111
得到该关键帧图像在某色彩通道的归一化值表示为
Figure GDA0004152729980000112
需要对红，绿，蓝三个色彩通道分别归一化。完成上述数据预处理的部分，最终可以得到关键帧图像输入序列，该序列包含a2张可以表示为128*128*3的图像。
在步骤S3，利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息。
在一些实施例中，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，所述步骤S3具体包括：利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；利用损失函数提取所述各个关节的坐标值作为所述关节特征信息。其中第一阈值可以通过预先设定目标阈值或者通过优化调整来确定，确定阈值的方式可以采用本领域技术中心常用的方式。
具体地，人体关节的特征学习是通过3D卷积神经网络从大量的样本中学习得到的。神经网络从输入图像中提出关节特征。3D卷积神经网络的好处是可以在时间维度和空间维度对图像序列做出特征训练。具体包括四个卷积层、两个池化层以及一个全连接层。具体网络结构为：模型的初始输入数据为上述关键帧输入序列，维度大小为128*128*3*a2；第一卷积层是卷积核为3*3*3的卷积核，对于时域信息的卷积步长设置为2，空间信息的卷积步长设置为1.输出的通道数为64，此时RGB图片被转化为灰度图。后面紧接着是第一池化层，卷积核为3*3*1，步长为2。通过第一池化层之后可以保留图像特征中权重较大的信息，抛弃权重较小的特征信息。输出的通道数为32。后面是第二三四卷积层，卷积核均为1*1*1，此类层对输出通道进行了一次升维，输出通道数分别为64，128和256。接下来是第二池化层，又可以称为平均池化层，卷积核为1*1*1，步长为1；利用该层的学习，在整个卷积输出的特征图上求的平均值，加快的训练速度，同时也确保图中的信息不会发生丢失。输出维度为1024。最后是全连接层(输出层)，将经过第二池化层的特征图向量进行权重乘法重置，设定降低的特征图向量的维度为2m,其中m为需要考察的人体的关节数量。
最后经过损失函数softmax来指导模型的学习。损失函数softmax应该包含两个部分：第一部分连接到输出层的前m个神经元，输出的神经元值代表图像坐标系中下一关节点的x坐标值；第二部分连接到输出层的后m个神经元，输出的神经元值代表图像坐标系中下一关节点的y坐标值。通过x和y的值，可以唯一的确定关节点的空间位置信息。其中根据需要判定的人体关节数m的不同，损失函数随之变化。
在一些实施例中(如图2d所示)，在所述二次升维处理中：获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
在步骤S4，根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角。
在一些实施例中，如图2e所示，有效夹角用于描述人体姿态，按照关节点顺序，每三个关节点(关节点i，i+1，i+2)之间，确定一个有效夹角。在所述步骤S4中，利用如下公式计算所述有效夹角：
Figure GDA0004152729980000131
其中，(x1，y1)为所述第一关节(关节点i)的坐标，(x2，y2)为所述第二关节的坐标(关节点i+1)，(x3，y3)为所述第三关节的坐标(关节点i+2)。
在步骤S5，通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。
在一些实施例中，在所述步骤S5中，当所述相似度大于第二阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述相似度不大于所述第二阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。其中第二阈值可以通过预先设定目标阈值或者通过优化调整来确定，确定阈值的方式可以采用本领域技术中心常用的方式。
在一些实施例中，所述方法还包括步骤S6，利用修正相似度来对所述跑步者的关节运动进行评估，所述修正相似度s由以下公式来描述：
Figure GDA0004152729980000141
其中，
Figure GDA0004152729980000142
表示所述经有序连接的关节线图中的有效夹角的集合，l表示所述有效夹角的个数，
Figure GDA0004152729980000143
表示所述经有序连接的关节线图中的各个有效夹角的平均有效夹角，
Figure GDA0004152729980000144
表示与所述经有序连接的关节线图对应的标准关节线图中的所述标准姿态夹角的集合，
Figure GDA0004152729980000145
表示各个标准有效夹角的平均有效夹角。
在一些实施例中，当所述修正相似度大于第三阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述修正相似度不大于所述第三阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。其中第三阈值可以通过预先设定目标阈值或者通过优化调整来确定，确定阈值的方式可以采用本领域技术中心常用的方式。
具体地，用两个l维的向量的方向夹角的修正余弦值作为相似性的评价标准。修正性体现在引入了夹角在一套评估系统的平均值，使得评判结果消除了数据膨胀的影响，提供了更为客观的相似度结果。并且修正的余弦相似度的计算在高维度向量空间中的计算速度更占优势。
剩下的部分可以都一样。
本发明第二方面公开了一种用于跑步姿态识别的系统。图3为根据本发明实施例的一种用于跑步姿态识别的系统的结构图，如图3所示，所述系统300包括：
第一处理单元301，被配置为，调用位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；
第二处理单元302，被配置为，对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；
第三处理单元303，被配置为，利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；
第四处理单元304，被配置为，根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；
第五处理单元305，被配置为，通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态。
根据本发明第二方面的系统，所述多个数据采集装置安装于跑道边的支架上，所述支架与所述跑道边的滑道连接，当所述跑步者处于跑动状态时，所述支架跟踪采集所述包含跑步者的跑步姿态的视频数据，所述支架包含位于不同高度上的支架结构，各个支架结构上安装有若干个从不同角度采集所述视频数据的数据采集装置。
根据本发明第二方面的系统，第二处理单元302具体被配置为：以固定采样的方式对所述待识别数据进行采样处理，以获取采样帧集合；从所述采样帧集合中提取包含至少一个完整跑步动作的若干连续帧；对所述若干连续帧中的每一帧进行傅里叶变换和高斯滤波，并利用统计平均的方法对所述每一帧进行归一化处理。
根据本发明第二方面的系统，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，第三处理单元具体被配置为：利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；利用损失函数提取所述各个关节的坐标值作为所述关节特征信息。
根据本发明第二方面的系统，第三处理单元具体被配置为：在所述二次升维处理中，获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
根据本发明第二方面的系统，第四处理单元304具体被配置为：利用如下公式计算所述有效夹角：
Figure GDA0004152729980000161
其中，(x1，y1)为所述第一关节的坐标，(x2，y2)为所述第二关节的坐标，(x3，y3)为所述第三关节的坐标。
根据本发明第二方面的系统，第五处理单元305具体被配置为，当所述相似度大于第二阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述相似度不大于所述第二阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
根据本发明第二方面的系统，所述系统还包括第六处理单元306，被配置为，利用修正相似度来对所述跑步者的关节运动进行评估，所述修正相似度s由以下公式来描述：
Figure GDA0004152729980000171
其中，
Figure GDA0004152729980000172
表示所述经有序连接的关节线图中的有效夹角的集合，l表示所述有效夹角的个数，
Figure GDA0004152729980000173
表示所述经有序连接的关节线图中的各个有效夹角的平均有效夹角，
Figure GDA0004152729980000174
表示与所述经有序连接的关节线图对应的标准关节线图中的所述标准姿态夹角的集合，
Figure GDA0004152729980000175
表示各个标准有效夹角的平均有效夹角；当所述修正相似度大于第三阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述修正相似度不大于所述第三阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
在一些实施例中，系统300的基本工作流程可以包括：
(1)前期硬件设备的铺设，软件系统的开发与部署(系统系统具备从图片中识别目标并提取其动作状态并存储为内部格式的功能)
(2)利用软件系统录入(提前由真人在田径场示范)上述长跑中的错误动作和规范运作，作为检测错误动作、危险预警和动作修正的比照样本。本系统主要集成两种算法，目标跟踪算法也即目标实时检测，姿态检测也即人体关键点检测算法，通过分析错误动作和规范动作的既有特征，进而利用两种算法实现规范动作的逻辑判断来检测动作是否规范。
(3)系统开始运作，由前端摄像头将田径场内情况拍摄成图片传回后端计算机系统处理，并根据情况做出反应。例如，检测到错误和危险动作时通过声音和图像进行警报。再如，智能系统在收到实时帧的时候，提取出人体关键点，比如当人体重心的位置相对于目标检测框偏后，可认为是身体后仰，当人体重心相对于目标检测框偏前，可认为身体前倾，当重心在过去一段时间内摆动方差超过一定的阈值，可认为是前后左右晃动等等，针对出现的这些情况进行告警。
(3.1)软件首先利用多个摄像头的图片进行目标对准，田径场的直道和弯道分为不同区域，标示某区域内的单个目标，主要根据摄像头的位置和图片中人的位置，标的同一个目标。
(3.2)对同一个目标进行姿态识别，与错误姿态和危险姿态进行对比，如果相近则标的为候选对象.
(3.3)持续对候选对象进行跟踪(达到一定时限)，达到判定条件也可警报。
(4)对于动作修正而言，捕捉并记录跑步人错误运作，与规范运作进行比对，并根据动作和后台揭示数据库给出修正建议。
在一些实施例中，系统300和数据采集装置兼顾安全监控与位置预警，直道和弯道固定摄像机进行数据采集，对四种疑似身体出现状况的动作进行识别，一种是身体重心出现后仰姿态，特别是头部后仰姿态明显；一种身体重心明显前倾，速度明显下降，技术动作出现明显变形；一种重心前后左右晃动，动作节奏明显混乱；一种是突然停止运动、行走或倒地。如发现疑似身体姿态出现上述四种动作姿态和心率超过最大心率者，两者出现情况之一，系统自动识别位置并通过音频报警。
本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本公开第一方面中任一项所述的一种用于跑步姿态识别的方法中的步骤。
图4为根据本发明实施例的一种电子设备的结构图，如图4所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本公开第一方面中任一项所述的一种用于跑步姿态识别的方法中的步骤。
综上，本发明的技术方案利用卷积神经网络来替代现有的传感器动作识别方法，使得从深度图像提取的位置信息不易受到光照，视角变化的影响，并能简化人物与背景的分离提取操作。利用该卷积神经网络，可以提取图像的深度信息。同时，改进神经网络的输入，使得神经网络的训练速度和训练效果得到提升。对关键动作的每一个关节处进行全面的评估，能使得教练员和游泳者可以得到更加详细的动作错误点，为后续制定更加详细的训练方案。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种用于跑步姿态识别的方法，其特征在于，所述方法包括：
步骤S1、由位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；
步骤S2、对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；
步骤S3、利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；
步骤S4、根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：
第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；
步骤S5、通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态；
其中，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，所述步骤S3具体包括：
利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；
利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；
利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；
利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；
利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；
利用损失函数提取所述各个关节的坐标值作为所述关节特征信息；
其中，在所述二次升维处理中：
获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；
在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
2.根据权利要求1所述的一种用于跑步姿态识别的方法，其特征在于，其中：
所述多个数据采集装置安装于跑道边的支架上，所述支架与所述跑道边的滑道连接，当所述跑步者处于跑动状态时，所述支架跟踪采集所述包含跑步者的跑步姿态的视频数据，所述支架包含位于不同高度上的支架结构，各个支架结构上安装有若干个从不同角度采集所述视频数据的数据采集装置。
3.根据权利要求2所述的一种用于跑步姿态识别的方法，其特征在于，所述步骤S2具体包括：
以固定采样的方式对所述待识别数据进行采样处理，以获取采样帧集合；
从所述采样帧集合中提取包含至少一个完整跑步动作的若干连续帧；
对所述若干连续帧中的每一帧进行傅里叶变换和高斯滤波，并利用统计平均的方法对所述每一帧进行归一化处理。
4.根据权利要求3所述的一种用于跑步姿态识别的方法，其特征在于，在所述步骤S4中，利用如下公式计算所述有效夹角：
Figure FDA0004152729970000031
其中，(x1，y1)为所述第一关节的坐标，(x2，y2)为所述第二关节的坐标，(x3，y3)为所述第三关节的坐标。
5.根据权利要求4所述的一种用于跑步姿态识别的方法，其特征在于，在所述步骤S5中，当所述相似度大于第二阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述相似度不大于所述第二阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
6.根据权利要求5所述的一种用于跑步姿态识别的方法，其特征在于，所述方法还包括步骤S6，利用修正相似度来对所述跑步者的关节运动进行评估，所述修正相似度s由以下公式来描述：
Figure FDA0004152729970000032
其中，
Figure FDA0004152729970000033
表示所述经有序连接的关节线图中的有效夹角的集合，l表示所述有效夹角的个数，
Figure FDA0004152729970000034
表示所述经有序连接的关节线图中的各个有效夹角的平均有效夹角，
Figure FDA0004152729970000035
表示与所述经有序连接的关节线图对应的标准关节线图中的所述标准姿态夹角的集合，
Figure FDA0004152729970000036
表示各个标准有效夹角的平均有效夹角；
当所述修正相似度大于第三阈值时，判定所述跑步者的跑步姿态为标准姿态；当所述修正相似度不大于所述第三阈值时，判定所述跑步者的跑步姿态为非标准姿态，并生成纠正提示信息。
7.一种用于跑步姿态识别的系统，其特征在于，所述系统包括：
第一处理单元，被配置为，调用位于不同位置上的多个数据采集装置，采集多组包含跑步者的跑步姿态的视频数据，作为待识别数据；
第二处理单元，被配置为，对所述待识别数据进行预处理，以从所述待识别数据中获取经归一化的关键帧数据；
第三处理单元，被配置为，利用卷积神经网络，从所述经归一化的关键帧数据中确定所述跑步者的关节特征信息，所述关节特征信息为所述经归一化的关键帧数据中的所述跑步者的各个关节的位置信息；
第四处理单元，被配置为，根据所述各个关节的位置信息，有序连接所述各个关节，以从经有序连接的关节线图中确定有效夹角，所述有效夹角通过以下方式描述：
第一关节与第二关节通过第一线段连接，所述第二关节与第三关节通过第二线段连接，所述第一线段与所述第二线段构成的小于180度的角被确定为所述有效夹角；
第五处理单元，被配置为，通过计算所述有效夹角与标准姿态夹角之间的差值，确定所述跑步者的跑步姿态与标准跑步姿态之间的相似度，所述相似度用于纠正所述跑步者的跑步姿态；
其中，所述卷积神经网络包括四个卷积层、两个池化层、一个全连接层，所述第三处理单元具体被配置为：
利用第一卷积层，通过设置时域信息卷积步长和空间信息卷积步长，将所述经归一化的关键帧数据转换为灰度图；
利用第一池化层从所述灰度图中提取权重大于第一阈值的图像特征；
利用第二、三、四卷积层对所述权重大于第一阈值的图像特征进行升维处理；
利用第二池化层对经升维处理的图像特征进行二次升维处理，以输出经二次升维处理的图像特征；
利用全连接层对所述经二次升维处理的图像特征中确定所述经归一化的关键帧数据中的各个关节；
利用损失函数提取所述各个关节的坐标值作为所述关节特征信息；
其中，在所述二次升维处理中：
获取所述经升维处理的图像特征在分辨率上的多尺度表示的子网，对于所述多尺度表示的子网中的每个子网，依次串行连接所述子网中的特征；
在多尺度表示的深度进程上从高分辨率到低分辨率依次并行连接各个尺度表示子网；具体包括：第i层子网中的第j个特征与第i+1层子网中的第j+1个和第j+2个特征融合后被馈送至所述第i层子网中的第j+4个特征，1≤i≤M，M表示从所述高分辨率到所述低分辨率依次排列的所述多尺度表示的子网的层数，1≤j≤N，N表示所述每层子网中的特征数。
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至6中任一项所述的一种用于跑步姿态识别的方法中的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至6中任一项所述的一种用于跑步姿态识别的方法中的步骤。
CN202210300103.4A 2022-03-25 2022-03-25 一种用于跑步姿态识别的方法和系统 Active CN114639168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300103.4A CN114639168B (zh) 2022-03-25 2022-03-25 一种用于跑步姿态识别的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300103.4A CN114639168B (zh) 2022-03-25 2022-03-25 一种用于跑步姿态识别的方法和系统

Publications (2)

Publication Number Publication Date
CN114639168A CN114639168A (zh) 2022-06-17
CN114639168B true CN114639168B (zh) 2023-06-13

Family

ID=81949121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300103.4A Active CN114639168B (zh) 2022-03-25 2022-03-25 一种用于跑步姿态识别的方法和系统

Country Status (1)

Country Link
CN (1) CN114639168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131879B (zh) * 2022-08-31 2023-01-06 飞狐信息技术（天津）有限公司 一种动作评价方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090394A (zh) * 2016-11-21 2018-05-29 风跑体育发展（深圳）有限公司 一种跑步动作自动跟踪方法及其系统
US11638854B2 (en) * 2018-06-01 2023-05-02 NEX Team, Inc. Methods and systems for generating sports analytics with a mobile device
CN110633608A (zh) * 2019-03-21 2019-12-31 广州中科凯泽科技有限公司 一种姿态图像的人体肢体相似度评估方法
CN110765946B (zh) * 2019-10-23 2022-07-29 北京卡路里信息技术有限公司 一种跑姿评估方法、装置、设备和存储介质
CN112998694B (zh) * 2021-02-03 2022-12-09 上海橙捷健康科技有限公司 一种人体下肢关节角度的测量方法及系统
CN113505822B (zh) * 2021-06-30 2022-02-15 中国矿业大学 基于表面肌电信号的多尺度信息融合上肢动作分类方法
CN113850248B (zh) * 2021-12-01 2022-02-22 中科海微(北京)科技有限公司 运动姿态评估方法、装置、边缘计算服务器及存储介质

Also Published As

Publication number Publication date
CN114639168A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113762133B (zh) 基于人体姿态识别的自重健身辅助教练系统、方法、终端
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
CN111291718B (zh) 行为预测方法及装置、步态识别方法及装置
CN111104816A (zh) 一种目标物的姿态识别方法、装置及摄像机
Chaudhari et al. Yog-guru: Real-time yoga pose correction system using deep learning methods
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
CN109145696B (zh) 一种基于深度学习的老人跌倒检测方法及系统
CN109508656A (zh) 一种舞蹈评级自动判别方法、系统及计算机可读存储介质
CN110147738B (zh) 一种驾驶员疲劳监测预警方法及系统
CN105426827A (zh) 活体验证方法、装置和系统
CN113516005B (zh) 一种基于深度学习和姿态估计的舞蹈动作评价系统
CN110991340A (zh) 一种基于图像压缩的人体动作分析方法
US20220366570A1 (en) Object tracking device and object tracking method
CN114550027A (zh) 基于视觉的运动视频精细分析方法和装置
CN112749684A (zh) 心肺复苏术训练和评估的方法及装置、设备、存储介质
CN113378649A (zh) 身份、位置和动作识别方法、系统、电子设备及存储介质
CN114639168B (zh) 一种用于跑步姿态识别的方法和系统
CN109993116B (zh) 一种基于人体骨骼相互学习的行人再识别方法
CN113408435B (zh) 一种安全监控方法、装置、设备和存储介质
CN111144260A (zh) 一种翻越闸机的检测方法、装置及系统
CN110555394A (zh) 基于人体形体特征的跌倒风险评估方法
CN115909400A (zh) 一种用于低分辨率监控场景中使用手机行为的识别方法
CN114863237B (zh) 一种用于游泳姿态识别的方法和系统
CN114187663A (zh) 基于雷达探测灰度图与神经网络的体态控制无人机的方法
JP7211495B2 (ja) 教師データ生成装置

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