CN115024715A - 一种人体运动智能测量与数字训练系统 - Google Patents

一种人体运动智能测量与数字训练系统 Download PDF

Info

Publication number
CN115024715A
CN115024715A CN202210555949.2A CN202210555949A CN115024715A CN 115024715 A CN115024715 A CN 115024715A CN 202210555949 A CN202210555949 A CN 202210555949A CN 115024715 A CN115024715 A CN 115024715A
Authority
CN
China
Prior art keywords
athlete
coordinate system
limbs
navigation
speed
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.)
Granted
Application number
CN202210555949.2A
Other languages
English (en)
Other versions
CN115024715B (zh
Inventor
孟祥涛
向政
王继林
葛宏升
单联洁
朱艳芸
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.)
Beijing Aerospace Times Optical Electronic Technology Co Ltd
Original Assignee
Beijing Aerospace Times Optical Electronic Technology Co Ltd
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 Beijing Aerospace Times Optical Electronic Technology Co Ltd filed Critical Beijing Aerospace Times Optical Electronic Technology Co Ltd
Priority to CN202210555949.2A priority Critical patent/CN115024715B/zh
Publication of CN115024715A publication Critical patent/CN115024715A/zh
Priority to JP2023571673A priority patent/JP2024527456A/ja
Priority to US18/578,620 priority patent/US20240306943A1/en
Priority to PCT/CN2022/143225 priority patent/WO2023221524A1/zh
Application granted granted Critical
Publication of CN115024715B publication Critical patent/CN115024715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/09—Rehabilitation or training
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人体运动智能测量与数字训练系统，该系统包括N个惯导穿戴装置、M个相机、数据综合分析装置、终端；M个相机的总视场覆盖运动员的整个运动场景；惯导穿戴装置，以穿戴的方式固定在运动员肢体上，测量得到运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度；数据综合分析装置，分析各运动员在运动场景世界坐标系下的位置和速度、各运动员的肢体在运动员本体坐标系中的相对位置、姿态，确定各运动员的运动参数；终端，建立运动场景以及运动员的三维模型，将运动员在运动场景坐标系下速度和位置、运动员肢体在运动员本体坐标系中的相对位置、姿态与三维模型关联起来，用可视化的方式将运动员的运动过程和运动参数显示。

Description

一种人体运动智能测量与数字训练系统
技术领域
本发明涉及一种人体运动智能测量与数字训练系统，属于电子行业智能测量领域，提供了运动参数，改进训练方法。
背景技术
随着我国体育事业不断发展和科技不断进步，运动员训练模式创新越来越成为提高运动员竞技水平的主要手段，如何借助科技力量进行训练模式创新已经成为解决训练中诸多难题的主要手段。
运动员运动参数的监测是改进运动方法、提高运动成绩的必要手段，传统的运动参数监测方法是采用影像等技术手段，该方法只能通过粗略地观察和判断运动过程，更多地依赖于专业教练员的经验，无法实现精准的定量分析。当前大部分运动的幅度较大、速度较快、全身肢体协调性要求较高，运动员关节间角度的变化同最终的运动效果具有较强的关联性。为测量运动员的运动参数，为技术改进和成绩提升提供量化的技术支撑，需要采用可穿戴产品实现运动参数的精准测量，同时实现数据处理与分析的智能化，便于运动员与教练员使用。为方便运动员和教练员的使用，运动员只需要佩戴惯导系统，教练员只需要操作手机或PC机便可以对运动员的运动参数进行监测，后台有数据综合分析系统的支持，这样使用非常方便，为科技助力体育提供了关键的技术支撑。
发明内容
本发明所解决的技术问题是：克服现有技术的不足，提出一种人体运动智能测量与数字训练系统，实现对运动过程中的参数测量，完成对训练过程中的定量分析。
本发明的技术方案是：一种人体运动智能测量与数字训练系统，该系统包括N个惯导穿戴装置、M个相机、数据综合分析装置、终端；N、M均大于等于1；
M个相机的总视场覆盖运动员的整个运动场景,拍摄视场内的图像，形成图像数据帧发送给数据综合分析装置；
惯导穿戴装置，以穿戴的方式固定在运动员肢体上，以运动员肢体为载体，测量得到运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，并发送给数据综合分析模块；
数据综合分析装置，存储运动员基本信息，建立并维护运动员与其佩戴的惯导穿戴装置关联关系；根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算、坐标转换，得到运动员肢体在运动员本体坐标系中的相对位置、姿态并存储；采集各相机拍摄的图像并存储，对各相机拍摄的图像目标识别、跟踪和坐标转换，得到运动员在运动场景世界坐标系下的位置和速度并存储；分析各运动员在运动场景世界坐标系下的位置和速度、各运动员的肢体在运动员本体坐标系中的相对位置、姿态，确定各运动员的运动参数并存储。
所述数据综合分析装置包括惯导解算模块、运动目标检测跟踪模块和运动目标速度识别模块、运动参数解析模块；
惯导解算模块，根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息；对运动员肢体的运动进行零速检测，当运动员肢体处于零速区间之内时，对运动员肢体在导航坐标系下姿态、速度和位置信息进行零速误差修正；定义运动员本体坐标系，将运动员肢体在导航坐标系下姿态、速度和位置信息，转换到运动员本体坐标系下；
运动目标检测跟踪模块，采集各相机拍摄的图像，并记录图像采集时间，对各相机拍摄的图像进行畸变校正，采用YOLO模型对同一时刻拍摄的每一张校正后的图像进行目标检测，得到图像中所有运动员在像素坐标系下的粗略边界框，再基于边缘检测方法，得到各运动员在像素坐标系下的精确位置和精准边界框，之后，对同一运动员不同时刻的精准边界框进行匹配，实现不同时刻各运动员的精准边界框的跟踪；通过透视投影矩阵将每个运动员在像素坐标系下的坐标转换为对应相机视场覆盖区域世界坐标系下的坐标，根据各相机视场覆盖区域间的位置关系，计算出各运动员不同时刻在运动场景全局世界坐标系下的坐标，并发送给运动目标速度识别模块；
运动目标速度识别模块，将各运动员不同时刻在运动场景全局世界坐标系下的坐标序列滤波去噪后进行差分处理，得到运动员在运动场景世界坐标系下的速度；
运动参数解析模块，分析运动员肢体在运动员本体坐标系中的相对位置、姿态，得到运动参数；比较各运动员在运动场景世界坐标系下的位置和速度，对这些数据进行分析和排序，按照一定的规则进行运动员的排名；根据运动员的运动参数与标准参数进行对照比对。
上述人体运动智能测量与数字训练系统还包括终端，建立运动场景以及运动员的三维模型，将运动员在运动场景坐标系下速度和位置、运动员肢体在运动员本体坐标系中的相对位置、姿态与相应的三维模型关联起来，用可视化的方式将运动员的运动过程和运动参数显示出来。
所述终端支持四类身份用户使用，四类身份用户分别为运动员、教练员，专家、管理员；设置运动员权限的终端包括“自主训练”模块、查看“历史数据”模块、第一“群组交流”模块；其中，“自主训练”模块，从数据综合分析装置中获取实时运动参数，并进行记录；查看“历史数据”模块，根据运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数及其对应的训练评价；第一“群组交流”模块，接收运动员留言，用于运动员与教练员、专家相互交流；
设置教练员权限的终端包括“运动员管理”模块、“比赛管理”模块、第二“群组交流”模块，其中，“运动员管理”模块，增减运动员，将运动员基本信息更新在数据综合分析装置中；查看“历史数据”模块，根据外部输入的运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数，提出训练评价，并发送给数据综合分析装置存储；“比赛管理”模块，新建队内竞赛，将队内竞赛分组、竞赛规则发送至数据综合分析装置存储；第二“群组交流”模块，接收教练员留言，用于教练员与运动员、专家相互交流；
设置专家权限的终端包括“训练管理”模块、第三“群组交流”模块；其中，“训练管理”模块，用于查看训练排名，对比同一场次运动员的运动参数，对运动员、和该场训练进行评价建议，形成数据分析报告并发送至数据综合分析装置存储；第三“群组交流”模块，接收专家留言，用于专家与教练员、运动员相互交流。
设置管理员身份的终端，用于设置用户信息、设置用户身份。
本发明与现有技术相比具有如下有益效果：
(1)、本发明采用可穿戴式的惯导装置实现人体运动过程的参数测量，惯导系统体积小、重量轻、功耗低、便于穿戴，不拘泥于运动员的运动场景，可以随时进行运动参数的测量；
(2)、本发明通过绑带将惯导装置捆绑在人体的不同部位，采集陀螺仪的角速度信息和加速度计的测量信息，经过惯性导航算法和误差修正算法得到运动过程中的姿态信息；
(3)、本发明的惯导系统内部采用ESP8266作为中央处理器，集成了无线通信模块，能够实现远程控制和数据采集；
(4)、本发明通过无人机悬挂云台相机，覆盖运动员的整个运动场景，采用YOLO、DeepSORT等深度学习实现运动员的动态跟踪进而完成相对位置和速度的计算；
(6)、本发明采用三维模型实现运动员和模型之间的互动，可以实时跟踪运动员的运动过程，也可以采取事后反演形式将运动以可视化的形式展示出来；
(7)、本发明惯导穿戴装置在对各部位零速区间实现精准检测的基础上，本发明通过基于卡尔曼滤波器的零速误差修正算法及姿态误差修正算法，实现对人体不同被测部位导航误差进行定期估计与修正，解决了MEMS传感器在长时间使用情况下误差发散的问题，提高了系统测量精度；
(8)、本发明惯导穿戴装置基于人体在步行过程中除了足部之外，大腿、小腿等不同部位同样存在不同的零速区间，对不同的运动员肢体均进行零速检测和修正算法，进一步进行导航误差估计与修正，解决了除足部之外其它部位的导航误差无法定期修正的难题；
(9)、本发明惯导穿戴装置根据人体不同部位的运动数据特征，采取了不同的零速检测算法，并针对性设定不同的能量阈值，以实现对包含足部、大腿、小腿在内的所有被测部位零速区间的精准检测，为各部位导航误差定期修正提供了条件。
(10)、本发明数据综合分析装置在YOLO模型目标识别和DeepSORT跟踪之间增加了基于边缘检测将粗略边界框进一步识别，得到目标的精准位置和精准边界框，再采用DeepSORT对精准边界框进行跟踪，提高目标检测定位精度，适用于高精度定位场合。
(11)、本发明数据综合分析装置提出了“扩展的九点标定法”不必使用大标定板，实现了大范围较高精度的标定。
(12)、本发明数据综合分析装置求解透视投影矩阵时，为了准确得到标志点的像素坐标，设置标志点形状为菱形，则无论拍摄距离远近，在拍摄的图像中，都能得到菱形的较为准确的角位置，从而对其中心进行准确定位。
附图说明
图1为本发明实施例人体智能测量与数字训练系统布置示意图；
图2为本发明实施例运动员髋部安装惯导系统示意图；
图3为本发明实施例人体运动姿态测量系统示意图；
图4为本发明实施例张正友标定法棋盘格；
图5为本发明实施例相机外参标定场地布置示意图；
图6为本发明实施例边缘检测流程。
图7为本发明实施例目标检测和跟踪算法流程图。
具体实施方式
下面结合附图和具体实例对本发明作进一步的详细描述：
如图1所示，本发明的一种人体运动智能测量与数字训练系统，包括N个惯导穿戴装置、M个相机、数据综合分析装置、终端；N、M均大于等于1，M个相机的总视场覆盖运动目标的整个运动场景；其中：
M惯导穿戴装置，以穿戴的方式固定在运动员肢体上，以运动员肢体为载体，测量得到运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，并发送给数据综合分析模块；接收数据综合分析装置发送过来的工作模式指令，使其工作在不同的模式下，包括数据采集模式，数据存储模式，实时上传模式和离线上传模式等。
数据综合分析装置，存储运动员基本信息，建立并维护运动员与其佩戴的惯导穿戴装置关联关系；根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算、坐标转换，得到运动员肢体在运动员本体坐标系中的相对位置、姿态；采集各相机拍摄的图像，对各相机拍摄的图像目标识别、跟踪和坐标转换，得到运动员在运动场景世界坐标系下的位置和速度；分析各运动员在运动场景世界坐标系下的位置和速度、各运动员的肢体在运动员本体坐标系中的相对位置、姿态，确定各运动员的运动参数；接收终端发送过来的训练指令，通过解析训练指令，得到训练模式，向运动员发送不同训练模式的指令，指导其开展合理的训练。
终端，建立运动场景以及运动员的三维模型，将运动员在运动场景坐标系下速度和位置、运动员肢体在运动员本体坐标系中的相对位置、姿态与相应的三维模型关联起来，用可视化的方式将运动员的运动过程和运动参数显示出来；将教练员输入的训练指令发送至数据综合分析装置。
如图2所示，惯导穿戴装置可以通过绑带或者粘贴的方式在运动员身体的髋部、胳膊、大腿、小腿、足部等部位。所述运动员本体坐标系的原点与人体的重心重合，X轴垂直于矢状面，X轴垂直于冠状面，Z轴垂直于横断面；
冠状面将人体分为前后两个完整切面；矢状面平行于人的正视的方向，将人体分为左右对称的两部分；横断面又称水平面，是指地面水平将人体分为上下两部分。
所述数据综合分析装置与惯导穿戴装置和终端之间的数据传输采用无线方式。
数据综合分析装置与相机之间的数据传输采用有线方式。
在运动员开始运动前，教练员通过终端控制佩戴在运动员身体上的惯导系统处于工作模式，此时运动员可以按照要求进行运动，教练员可以通过手机或PC数据终端实时看到运动过程的参数。
当结束训练时，教练员通过终端控制惯导系统处于休眠状态或者停止工作。
以下对本发明的技术要点进行详细说明：
1、惯导穿戴装置
惯导穿戴装置穿戴于运动员身上，用于测量运动员训练全过程的姿态信息，所述惯导穿戴装置包括MEMS传感器，信号处理模块、通信模块和锂电池；
MEMS传感器，内部集成了MEMS陀螺仪、MEMS加速度计，MEMS陀螺仪输出惯性坐标系下的三轴角速度，MEMS加速度计输出运动员肢体的三轴线加速度，将测量结果输出给信号处理模块；
信号处理模块，将MEMS传感器输出的测量结果组帧打包之后发送给通信模块；
通信模块，采用无线通信的方式将打包之后的测量数据帧发送出去；
锂电池，用于为MEMS传感器、信号处理模块、通信模块供电。
本发明某一具体实施例中，惯导穿戴装置由MTI-3姿态传感器、ESP8266为中心的处理电路和锂电池等组成，用于运动员的姿态测量。MTI-3姿态传感器采用高度集成的MTI-3微型惯性传感单元，它集成了三轴陀螺仪、三轴加速度计等信息，并具有体积小、重量轻等特点。
所述惯导穿戴装置佩戴在1位或多位运动员的不同肢体部位，且N个惯导穿戴装置输出数据同步，可同时对N个运动员进行运动智能测量与数字训练。
如果运动员进行游泳运动，则惯导穿戴装置应具有防水功能，可通过硅橡胶密封惯导装置的上、下壳体结构，以实现IP68防水等级。
2、相机
本发明某一具体实施例通过在运动场景上空架设摄像头，配合运动员身体特征，在运动员训练这一复杂的环境下，利用摄像头拍摄运动员训练的视频，通过对视频进行一系列的图像分析、处理与跟踪，最终实现对运动员的目标识别、定位和测速功能。
3、数据综合分析装置
数据综合分析装置主要包括惯导解算模块、运动目标检测跟踪模块和运动目标速度识别模块、运动参数解析模块；
惯导解算模块，根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息；对运动员肢体的运动进行零速检测，当运动员肢体处于零速区间之内时，对运动员肢体在导航坐标系下姿态、速度和位置信息进行零速误差修正；定义运动员本体坐标系，将运动员肢体在导航坐标系下姿态、速度和位置信息，转换到运动员本体坐标系下；
运动目标检测跟踪模块，采集各相机拍摄的图像，并记录图像采集时间，对各相机拍摄的图像进行畸变校正，采用YOLO模型对同一时刻拍摄的每一张校正后的图像进行目标检测，得到图像中所有运动员在像素坐标系下的粗略边界框，再基于边缘检测方法，得到各运动员在像素坐标系下的精确位置和精准边界框，之后，对同一运动员不同时刻的精准边界框进行匹配，实现不同时刻各运动员的精准边界框的跟踪；通过透视投影矩阵将每个运动员在像素坐标系下的坐标转换为对应相机视场覆盖区域世界坐标系下的坐标，根据各相机视场覆盖区域间的位置关系，计算出各运动员不同时刻在运动场景全局世界坐标系下的坐标，并发送给运动目标速度识别模块；
运动目标速度识别模块，将各运动员不同时刻在运动场景全局世界坐标系下的坐标序列滤波去噪后进行差分处理，得到运动员在运动场景世界坐标系下的速度；
运动参数解析模块，分析运动员肢体在运动员本体坐标系中的相对位置、姿态，得到运动参数；比较各运动员在运动场景世界坐标系下的位置和速度，对这些数据进行分析和排序，按照一定的规则进行运动员的排名等；同时分析每个运动员与标准动作参数的对比，便于教练员分析运动员过程中的不足，改进训练过程。
3.1、惯导解算模块
本发明选“东–北–天”地理坐标系作为导航坐标系，采用递推更新算法进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息。惯导更新算法划分为姿态、速度和位置更新三部分，姿态更新算法是核心。
如图3所示，惯导解算模块的具体实现如下：
S1、选“东–北–天”地理坐标系作为导航坐标系，获取运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息；
S1.1、获取运动员肢体在惯性坐标系下的三轴角速度
Figure BDA0003654978210000071
S1.2、根据运动员肢体在惯性坐标系下的三轴角速度
Figure BDA0003654978210000072
计算得到运动员肢体在导航坐标系下三轴角速度
Figure BDA0003654978210000073
由角速度方程得：
Figure BDA0003654978210000074
其中：
Figure BDA0003654978210000075
为载体坐标系相对于导航坐标系的角速度在载体坐标系的投影，
Figure BDA0003654978210000076
为载体坐标系相对于惯性坐标系的角速度在载体坐标系的投影，
Figure BDA0003654978210000077
为地球坐标系相对于惯性坐标系的角速度在载体坐标系的投影，
Figure BDA0003654978210000078
为导航坐标系相对于地球坐标系的角速度在载体坐标系的投影。
由于MEMS传感器精度较低，不能敏感到地球自转角速度，所以可以忽略
Figure BDA0003654978210000079
一般运动场景或者步行场景下人的速度小于10m/s，地球半径R＝6371393m，而
Figure BDA00036549782100000710
所以
Figure BDA00036549782100000711
为10-7～10-6量级，同样可以忽略不计。因此，对于MEMS传感器，上式可等效为：
Figure BDA00036549782100000712
S1.3、计算当前采样时刻运动员肢体的姿态四元数Qk，Qk＝[q1 q2 q3 q4]：
Figure BDA0003654978210000081
其中，Δt为惯性坐标系下的三轴角速度
Figure BDA0003654978210000082
的采样间隔，即MEMS传感器的输出间隔，Qk-1为上次采样时刻运动员肢体的姿态四元数。
Qk的初值由初始对准得到的运动员肢体在导航坐标系下的初始姿态角θ0,γ0,ψ0计算得到，之后由不断更新的四元数计算得到。
S1.4、根据当前采样时刻运动员肢体的姿态四元数Qk，计算运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure BDA0003654978210000083
S1.5、根据运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure BDA0003654978210000084
计算运动员肢体在导航坐标系下的姿态，所述运动员肢体在导航坐标系下的姿态包括运动员肢体的俯仰角θ、横滚角γ和偏航角ψ；
具体的计算方法为：由
Figure BDA0003654978210000085
得到：
θ＝arcsin(T32)
Figure BDA0003654978210000086
Figure BDA0003654978210000087
S1.6、将运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure BDA0003654978210000088
代入比力方程，得到导航坐标系相对于地球坐标系的加速度在导航坐标系下的投影
Figure BDA0003654978210000089
所述比力方程如下：
Figure BDA00036549782100000810
其中，fb为运动员肢体在惯性坐标系下的三轴线加速度，
Figure BDA00036549782100000811
为地球坐标系相对于惯性坐标系的角速度在导航坐标系的投影，
Figure BDA00036549782100000812
为导航坐标系相对于地球坐标系的角速度在导航坐标系的投影，gn为重力加速度在导航坐标系的投影；
由于一般场景下人的运动速度小于10m/s，地球坐标系相对于惯性坐标系的角速度在导航坐标系的投影
Figure BDA0003654978210000091
导航坐标系相对于地球坐标系的速度在导航坐标系的投影
Figure BDA0003654978210000092
和导航坐标系相对于地球坐标系的角速度在导航坐标系的投影
Figure BDA0003654978210000093
均可忽略，gn为重力加速度在导航坐标系的投影，因此可以计算得到
Figure BDA0003654978210000094
即人体相对地球的加速度在导航坐标系的投影。
S1.7、由公式
Figure BDA0003654978210000095
更新导航坐标系相对于地球坐标系的速度在导航坐标系的投影，即为运动员肢体在导航坐标系下速度，
Figure BDA0003654978210000096
为上一采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影，
Figure BDA0003654978210000097
为当前采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影。
S1.7、运动员肢体在导航坐标系下位置通过如下方程更新：
Figure BDA0003654978210000098
其中，Δt为MEMS传感器的采样间隔，Pk-1为上一采样时刻的位置，Pk为当前采样时刻的位置，
Figure BDA0003654978210000099
为上一采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影。
S2、将运动员肢体在导航坐标系下的姿态角误差、速度误差、位置误差、MEMS传感器中的陀螺零偏和加速度计零偏作为状态量，运动员肢体在零速区间内的速度误差、姿态误差作为量测量，建立卡尔曼滤波器；
卡尔曼滤波方法中状态量X为：
Figure BDA00036549782100000910
其中：
Figure BDA00036549782100000911
为运动员肢体在导航坐标系下的姿态角误差，δvxδvyδvz为运动员肢体在导航坐标系下的速度误差，δxδyδz为运动员肢体在导航坐标系下的位置误差，εbxεbyεbz为陀螺仪零偏，
Figure BDA00036549782100000912
为加速度计零偏；
状态方程为：
Xk＝Φk/k-1Xk-1+Γk-1Wk-1
其中X为状态量，Φ为一步转移矩阵，Γ为过程噪声分配矩阵，W为过程噪声矩阵，k-1、k分别表示第k-1个采样时刻和第k个采样时刻，k/k-1表示从第k-1个采样时刻到第k个采样时刻的一步预测；
Figure BDA0003654978210000101
W＝[wgx wgy wgz wax way waz]T
其中，W为过程噪声矩阵，wgx、wgy、wgz分别为三轴陀螺仪的噪声，wax、way、waz为三轴加速度计的噪声，，
Figure BDA0003654978210000102
是由
Figure BDA0003654978210000103
构成的反对称阵；
Figure BDA0003654978210000104
为载体在导航坐标系下三轴加速度。过程噪声分配矩阵Γ为
Figure BDA0003654978210000105
量测量为：
Figure BDA0003654978210000106
Vx、Vy、Vz分别为运动员肢体在导航坐标系下速度的三轴分量；
Figure BDA0003654978210000107
分别为前一采样时刻和当前采样时刻运动员肢体的姿态角数据；
量测方程为：
Zk＝HkXk+Uk
Figure BDA0003654978210000108
H21＝[0 0 -ωietanγcosψcosLΔt]
H24＝[0 secγsinθΔt secγcosθΔt]
Figure BDA0003654978210000109
其中，ωie为地球自转角速度，L为载体所处地球纬度，U为量测噪声矩阵；
Figure BDA00036549782100001010
分别为三轴速度误差噪声，
Figure BDA00036549782100001011
为姿态角误差噪声；θ、γ和ψ分别为运动员肢体的俯仰角、横滚角和偏航角；Δt为MEMS传感器的采样间隔。
S3、在MEMS传感器的每个采样时刻，进行卡尔曼滤波器状态量的一步预测，并计算状态一步预测均方误差阵，进入步骤S4；
S4、判断运动员肢体是否处于零速区间内，如果处于零速区间内，则进入步骤S5，否则，进入步骤S6；
MEMS惯性传感器的精度较低，是影响系统导航精度的主要误差因素，在长时间使用时，导航误差会随着时间不断累积严重影响最终测量结果的准确性。通过不同的零速检测算法检测到人体在运动时的静止区间，进而在零速区间内进行参数修正，可有效地消除速度误差并约束位置与航向误差。
人在步行过程中，随着脚部抬起、迈步、落地、静止，穿戴在人体不同部位的IMU传感器在也能够敏感到相应部位呈现出的周期性变化。通过分析，人体在步行过程中除了足部之外，大腿、小腿等部位同样存在周期性的零速区间，可以通过不同检测算法以及有针对性设定不同的能量阈值，检测出人体不同部位的周期性零速区间。
本发明判断运动员肢体的速度是否处于零速区间内的方法为：
将MEMS陀螺仪、MEMS加速度计输出的原始数据送入到零速检测器，由零速检测器计算得到运动员肢体运动能量的统计量，并设置相应的零速检测器的阈值，当零速检测器的统计量低于预设的零速检测器的阈值时，认为运动员肢体处于零速区间之内，否则，认为运动员肢体处于零速区间之外。
运动员肢体的不同，零速检测器采用不同的算法计算运动员肢体运动的能量统计值，具体为：如果运动员肢体为人体脚部，零速检测器采用GLRT或者ARE算法计算能量统计值；如果运动员肢体为人体的大腿或者小腿，零速检测器采用MAG或者MV算法计算能量统计值。
在本发明某一具体实施例中，根据人体在运动过程中不同部位的运动数据特征，脚部零速检测算法可采用GLRT，能量检测阈值可设置为25000；小腿零速检测算法可采用MAG算法，能量检测阈值可设置为1000；大腿零速检测算法可采用MAG算法，能量检测阈值可设置为750。通过不同的零速检测算法并合理设置能量检测阈值，可有效检测出相应部位的零速区间，即运动员肢体运动的能量统计值小于检测门限的区间。
S5、更新卡尔曼滤波器的量测量和量测矩阵，根据量测量、状态一步预测均方误差阵、状态估计均方误差阵、量测噪声协方差矩阵，计算滤波增益并更新状态估计均方误差阵，由滤波增益和量测矩阵进行状态估计，得到运动员肢体在导航坐标系下的速度误差、位置误差以及姿态角误差，之后，根据估计到的这些误差，修正运动员肢体在导航坐标系下姿态、速度和位置信息；
S6、输出运动员肢体在导航坐标系下的姿态、速度和位置信息。
本发明卡尔曼滤波与零速误差修正算法详细内容如下：
卡尔曼滤波的原理为利用零速区间内速度误差和姿态角误差作量观测量，建立卡尔曼滤波器，来估计运动员肢体的速度误差、位置误差以及姿态角误差，然后将估计到的各项误差补偿到相应的变量中，得到接近于状态变量真值的估计。
卡尔曼滤波器的状态变量包含速度误差、位置误差以及姿态误差，因此，需要根据惯性导航的误差方程、MEMS传感器特性以及人体运动特征建立合适的状态方程。
3.1误差方程
(a)姿态误差方程
MEMS姿态误差方程为：
Figure BDA0003654978210000121
其中：φ为姿态角误差，εb为陀螺零偏。
(b)速度误差方程
MEMS速度误差方程如下：
Figure BDA0003654978210000122
其中：δV为速度误差，fn为加速度在导航坐标系下投影，
Figure BDA0003654978210000123
为加速度计零偏。
(c)位置误差方程
MEMS位置误差方程如下：
Figure BDA0003654978210000124
其中：δP为位置误差，δV为速度误差。
3.2修正算法与量测方程
(a)零速误差修正
当检测出运动处于静止阶段时，其真实速度理论上应该为零。然而，由于MEMS传感器存在较大的测量误差，这使得MEMS惯导解算出的速度实际上并不为零。零速误差修正方法就是将MEMS惯导在静止阶段时解算出的速度当作速度误差，并将此速度误差作为量测量进行卡尔曼滤波估计，以达到抑制导航参数误差的目的。
因此，基于零速误差修正算法的速度误差为ΔV，且
Figure BDA0003654978210000131
其中，Vx、Vy、Vz分别为导航解算得到的运动员肢体的速度值的三轴分量。
(b)姿态误差修正
在静止阶段，理论上在前后两个时刻的姿态角不会发生改变。同样由于MEMS传感器存在较大的测量误差，会导致前后两个时刻求解出的姿态角差值并不为零。因此，可将零速区间内前后两个时刻的姿态角差值作为量测量，对姿态角误差进行抑制。
因此，基于姿态误差修正算法的量测量为
Figure BDA0003654978210000132
且
Figure BDA0003654978210000133
其中：ωie为地球自转角速度，L为被测人体所处地球纬度。
3.3卡尔曼滤波
(a)状态方程
综合姿态误差方程、速度误差方程以及位置误差方程，可以得到状态方程表达式为：
Xk＝Φk/k-1Xk-1+Γk-1Wk-1
X为状态量，Φ为一步转移矩阵，Γ为过程噪声分配矩阵，W为过程噪声矩阵，k-1、k分别表示第k-1个采样时刻和第k个采样时刻，k/k-1表示从第k-1个采样时刻到第k个采样时刻的一步预测。
其中：
Figure BDA0003654978210000134
其中：
Figure BDA0003654978210000135
为运动员肢体在导航坐标系下的姿态角误差，δvxδvyδvz为运动员肢体在导航坐标系下的速度误差，δxδyδz为运动员肢体在导航坐标系下的位置误差，εbxεbyεbz为陀螺仪零偏，
Figure BDA0003654978210000136
为加速度计零偏；
一步转移矩阵为
Figure BDA0003654978210000137
过程噪声矩阵为
W＝[wgx wgy wgz wax way waz]T
其中，W为过程噪声，wgx、wgy、wgz分别为三轴陀螺仪的噪声，wax、way、waz为三轴加速度计的噪声，
Figure BDA0003654978210000141
是由
Figure BDA0003654978210000142
构成的反对称阵；
Figure BDA0003654978210000143
为载体在导航坐标系下三轴加速度；
过程噪声分配矩阵为
Figure BDA0003654978210000144
(b)量测方程
综合零速误差修正及姿态误差修正，可以得到量测方程表达式为
Zk＝HkXk+Uk
其中，量测量为
Figure BDA0003654978210000145
Vx、Vy、Vz分别为运动员肢体在导航坐标系下速度的三轴分量；
Figure BDA0003654978210000146
分别为前一采样时刻和当前采样时刻运动员肢体的姿态角数据；
量测矩阵为
Figure BDA0003654978210000147
H21＝[0 0 -ωietanγcosψcosLΔt]
H24＝[0 secγsinθΔt secγcosθΔt]
其中，ωie为地球自转角速度，L为载体所处地球纬度，；θ、γ和ψ分别为运动员肢体的俯仰角、横滚角和偏航角；Δt为MEMS传感器的采样间隔。
量测噪声矩阵U为
Figure BDA0003654978210000151
其中，
Figure BDA0003654978210000152
分别为三轴速度误差噪声，
Figure BDA0003654978210000153
为姿态角误差噪声。
(c)滤波算法
根据Kalman滤波算法，将连续方程离散化后并带入如下公式：
状态一步预测
Figure BDA0003654978210000154
其中，
Figure BDA0003654978210000155
为前一采样时刻状态最优估计，
Figure BDA0003654978210000156
为由前一采样时刻至当前采样时刻的状态估计，Φk/k-1为前一采样时刻至当前采样时刻的一步转移矩阵。
状态一步预测均方误差阵
Figure BDA0003654978210000157
其中，Pk/k-1为由前一采样时刻至当前时刻的均方误差阵，Pk-1为前一采样时刻均方误差阵，Γk-1为前一采样时刻过程噪声分配矩阵，Qk-1为前一采样时刻过程噪声协方差矩阵。
滤波增益
Figure BDA0003654978210000158
其中，Kk为当前采样时刻滤波增益，Pk/k-1为当前采样时刻均方误差阵，Hk为当前采样时刻量测矩阵，Rk为当前采样时刻量测噪声协方差矩阵。
状态估计
Figure BDA0003654978210000159
其中，
Figure BDA00036549782100001510
为当前采样时刻状态最优估计，
Figure BDA00036549782100001511
为由前一采样时刻至当前采样时刻的状态估计，Kk为当前采样时刻滤波增益，Zk为当前采样时刻量测量，Hk为当前采样时刻量测矩阵。
状态估计均方误差阵
Pk＝(I-KkHk)Pk/k-1
其中，Pk为当前采样时刻均方误差阵，Pk/k-1为由前一采样时刻至当前采样时刻的均方误差阵，I为单位阵，Kk为当前采样时刻滤波增益，Hk为当前采样时刻量测矩阵。
由于只有在零速区间才有零速量测量，因此在零速区间内,卡尔曼滤波器只进行时间更新，不进行量测更新；当检测到零速区间后，滤波器进行时间更新与量测更新。
3.2、运动目标检测跟踪模块
相机成像原理由如下公式表示：
Figure BDA0003654978210000161
其中，(u,v)为像素坐标，(XW,YW,ZW)为世界坐标。
M1为内参矩阵，其中，fx＝f/dx称为相机x轴方向上的归一化焦距，fy＝f/dy称为相机y轴方向上的归一化焦距，单位为像素；f为相机的焦距，dx、dy分别为像素在相机x、y轴方向上的物理尺寸；(u0,v0)为图像中心在像素坐标系坐标，单位为像素。
M2为外参矩阵。
径向畸变公式如下：
Figure BDA0003654978210000162
Figure BDA0003654978210000163
k1为径向畸变二次项系数、k2为径向畸变四次项系数、k3为径向畸变六次项系数；
切向畸变公式如下：
Figure BDA0003654978210000164
Figure BDA0003654978210000165
p1为第一切向畸变系数、p2为第二切向畸变系数；式中，(x,y)为理想无畸变的图像坐标，
Figure BDA0003654978210000166
为畸变后的图像坐标，r为图像中某点到图像中心点的距离，即r2＝x2+y2。
运动目标检测跟踪模块采用计算机视觉库opencv中的undistort函数对各相机拍摄的图像进行畸变校正，所述undistort函数如下：
void undistort(InputArray src,OutputArray dst,InputArraycameraMatrix,InputArray distCoeffs,InputArray newCameraMatrix)
src为原始图像的像素矩阵，dst为校正后的图像的像素矩阵；
cameraMatrix为相机内参：
Figure BDA0003654978210000167
其中，fx＝f/dx称为相机x轴方向上的归一化焦距，fy＝f/dy称为相机y轴方向上的归一化焦距，单位为像素；f为相机的焦距，dx、dy分别为像素在相机x、y轴方向上的物理尺寸；(u0,v0)为图像中心在像素坐标系坐标，单位为像素；
distCoeffs为畸变参数：
distCoeffs＝[k1,k2,p1,p2,k3]
其中，k1为径向畸变二次项系数、k2为径向畸变四次项系数、k3为径向畸变六次项系数；p1、p2分别为第一切向畸变参数、第二切向畸变参数，InputArray newCameraMatrix为全0矩阵。
所述相机内参cameraMatrix和畸变参数distCoeffs的标定过程如下：
准备一个张正友标定法棋盘格作为标定板，用相机对标定板进行不同角度的拍摄，得到一组W张棋盘格图像，15≤W≤30；如图4所示。
采用matlab工具箱中的相机标定工具Camera Calibration，加载W张棋盘格图像，对棋盘格中的角点进行自动检测，获得角点在像素坐标系下的坐标；
将棋盘格的单元格实际尺寸输入至标定工具Camera Calibration，由标定工具Camera Calibration计算得到角点的世界坐标；
标定工具Camera Calibration根据W张图像中的角点在像素坐标系下的坐标与在世界坐标系下的坐标，进行参数解算，得到相机内参IntrinsicMatrix、畸变参数distCoeffs。
运动目标检测跟踪模块调用计算机视觉库opencv中的perspectiveTransform函数将运动员在像素坐标系下的坐标转换为相机视场覆盖区域世界坐标系下的坐标。
所述透视投影矩阵的获取过程如下：
S2.1、在运动员的运动场景布置好相机并固定，使得M个相机的总视场覆盖运动员的整个运动场景，且相邻相机画面有重叠区域；
S2.2、定义运动场景的场地平面为全局世界坐标系的XOY平面，在场地平面布置R行C列标志点，标志点的行与全局世界坐标系的X轴平行，标志点的列与全局世界坐标系的Y轴平行，每个标志点上设有菱形图案，菱形图案相对的顶点连线与全局世界坐标系的X轴、Y轴平行，菱形中心点位置作为标志点的位置；每个相机视场内包含a2个标志点，标志点以a*a矩阵形式均匀分布，位于周边的各标志点靠近相机视场边缘，相邻相机视场重叠区域包含a个公共标志点；如图5所示。本发明某一实施例中，a取值为3。
S2.3、对于每个相机，选定相机视场内左上角的标志点作为原点，即坐标为(0,0)，建立相机视场区域世界坐标系，测量各个标志点相对于原点的位置，得到9个标志点在相机视场区域世界坐标系下的坐标；
S2.4、通过相机拍摄，每个相机得到包含a2个标志点的一张图像；
S2.5、将相机拍摄的图像进行畸变校正；
S2.6、确定每个相机拍摄的畸变校正后图像中的a2个标志点在像素坐标系下的坐标；
通过matlab显示畸变校正后图像，使用impixelinfo命令显示鼠标指向的点在图像中的位置，将鼠标指向到菱形标志的中心，得到a2个标志在图像中的位置，将图像中左上角的菱形标志的中心定义为像素坐标系原点，坐标记为(0,0)，将其余a2-1个非原点标志点与原点的相对位置，记为其像素坐标系下的坐标。
S2.7、对于每个相机，将每个标志点在像素坐标系下的坐标和对应相机视场区域世界坐标系下的坐标，记为一组坐标，a2组坐标传入计算机视觉库opencv中的findHomography函数，计算出相机的透视投影矩阵。
3.3运动目标检测跟踪模块
3.1YOLO模型
YOLO模型是一种基于深度神经网络的对象识别和定位算法，算法如下：
(1)、将相机采集的图像分辨率转换为416*416，并分成SxS个网格(grid cell)。本发明某一具体实施例中，S通常取值为7。
(2)、每个网格会预测B个边界框(Bbox，bounding box)以及边界框的置信度(confidence score)。本发明某一具体实施例中，B为2。
(3)、边界框信息用4个值表示(x,y,w,h)，其中(x,y)是边界框的中心坐标，而w和h是边界框的宽与高。
(4)、置信度包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为Pr(object)，当边界框包含目标时，Pr(object)＝1，否则Pr(object)＝0(仅包含背景)。后者用预测框与实际框(ground truth)的IOU(intersectionover union，交并比)来表征，记为
Figure BDA0003654978210000181
则置信度定义为
Figure BDA0003654978210000182
(5)、除了边界框，每个网格还要预测C个类别概率值，其表征的是由该单元格负责预测的边界框其目标属于各个类别的概率，记为Pr(classi|object)。
综上，每个网格需要预测(B*5+C)个值。取B＝2，C＝20，则每个网格包含的数值如图2所示。
如果将输入图片划分为S*S网格，那么最终预测值为S*S*(B*5+C)个。
实际测试时，还要计算出各个边界框类别置信度(class-specific confidencescores):
Figure BDA0003654978210000183
对于C个类别，i＝1,2,...,C。
得到每个边界框类别置信度以后，设置阈值(本实施例中阈值为0.5)，滤掉得分低的边界框，对保留的边界框进行NMS(非最大抑制算法)处理，就得到最终的检测结果。对于每个被检测到的目标，最终输出包含7个值：4个位置值(x,y,w,h)(即最终的边界框)、1个边界框置信度、1个类别置信度和1个类别代码。
边缘检测对图像进行像素级处理，因此可以对目标进行像素级精确定位，处理流程如图6所示。运动目标检测跟踪模块对由YOLO检测得到对边界框标示区域(下称ROI，Region Of Interest)进行边缘检测等处理，得到各运动员在像素坐标系下的精确位置和精准边界框：
S3.1、对由YOLO检测得到的运动员的粗略边界框标示区域进行灰度化和高斯滤波处理；
S3.2、采用Canny-Devernay算法对运动员的粗略边界框标示区域进行边缘检测，得到运动员的精确轮廓，获得运动员轮廓点坐标集合；
S3.3、根据运动员轮廓点坐标，计算轮廓的特征矩；
S3.4、用轮廓的特征矩计算运动员的质心
Figure BDA0003654978210000191
即运动员在像素坐标系下的精确位置；
具体为使用opencv函数cv::moments获取对象cv::Moments，从中得到零阶矩m00和一阶矩m10、m01，有：
Figure BDA0003654978210000192
Figure BDA0003654978210000193
S3.5、取目标轮廓的最小外接矩形作为运动员精准边界框。
运动目标检测跟踪模块采用DeepSORT方法对不同时刻各运动员的精准边界框进行跟踪。
DeepSORT算法是对SORT算法的扩展。SORT算法是一种实现多目标跟踪的算法，它的计算过程为：
跟踪以前，已由目标检测算法对全部运动员完成检测。
第一帧图像进来时，以检测到的目标Bbox进行初始化并建立新的跟踪器，标注id；
后面帧进来时，先到卡尔曼跟踪器(Kalman Filter)中获得由前面帧Bbox产生的状态预测和协方差预测。之后，求跟踪器全部目标状态与本帧检测的Bbox的IOU，经过匈牙利算法(Hungarian Algorithm)，获得IOU最大的惟一匹配(数据关联部分)，去掉匹配值小于iou_threshold(一般取0.3)的匹配对。
用本帧中匹配到的目标检测Bbox去更新卡尔曼跟踪器，进行状态更新和协方差更新。并将状态更新值输出，做为本帧的跟踪Bbox。对于本帧中没有匹配到的目标重新初始化跟踪器。之后，卡尔曼跟踪器进行下一轮预测。
DeepSORT算法对SORT整体框架没有大改，增加了级联匹配和目标的确认，从而增强了跟踪的有效性。
对于运动员在全局世界坐标系下的位置序列，采取分组求均值的方法进行滤波，然后对均值通过差分运算得到目标的运动速度。
图7为本发明某一具体实施例中进行目标识别和跟踪的总流程。
如果用于游泳运动领域，可以将识别泳帽上的颜色标识作为目标对游泳运动员进行速度和位置跟踪。
本发明可以同时对多个运动员进行识别进而完成速度和位置的计算。
3.4、运动参数解析模块
分析运动员肢体在运动员本体坐标系中的相对位置、姿态，得到运动关节角度、运动员的步长、步频；比较各运动员在运动场景世界坐标系下的位置和速度，得到运动员之间的排名；分析比较运动员运动参数与标准运动参数的差距，给出改进的训练方法，指导运动员实现训练水平的提升。
针对游泳运动还可以进一步通过换算，得到不同泳姿的呼吸次数、划频、划幅、划次、转身时间等运动参数。
由于数据综合分析装置的运算量非常大，本发明某一具体实施例中，数据综合分析装置架设高性能服务器实现，具体包括云计算服务器、云存储服务器以及业务管理服务器。
云计算服务器支持第二代智能英特尔至强可扩展处理器，2U空间内支持8片TeslaGPU加速卡，是目前单位空间内GPU密度最高的服务器。支持SXM2和PCIe两种接口的GPU卡，支持
Figure BDA0003654978210000201
NVLink2.0高速互联技术，实现GPU之间300GB/s的聚合带宽，HybridCubeMesh互联改善了多GPU数据共享的延迟情况，为计算提供更优秀的加速比，降低系统延迟，整体性能强劲。非常适合深度学习模型训练、线下推理、科学计算及工程计算与研究等领域的应用。云计算服务器用于实现数据综合分析装置主要包括惯导解算模块、运动目标检测跟踪模块和运动目标速度识别模块、运动参数解析模块的所有功能。
存储服务器是面向数据存储需求的网络存储产品。提供统一的IP SAN和NAS特性，实现灵活部署系统架构；在iSCSI配置下提供Snapshot Copy(数据快照拷贝)功能；单机最大支持36块3.5寸大容量硬盘，系统支持SAS JBOD的扩展功能，支持SAS和SATA盘混插，支持10TB大容量硬盘；支持电源自动故障切换和故障电源在线更换，能够保护设备缓存数据；存储系统与数据相互独立，不占用数据存储空间；采用专用存储操作系统，保证系统存取的性能和可靠性；可视化的中文管理界面更加方便易用，用户可在GUI管理界面上即所得地对磁盘、Raid组等进行配置操作和状态监控。存储服务器用于存储数据综合分析装置所有采集的惯导穿戴装置和相机发送的原始数据、自身解算出来的各运动员在运动场景世界坐标系下的位置和速度、各运动员的肢体在运动员本体坐标系中的相对位置、姿态，确定各运动员的运动参数等。根据运动员信息和时间将这些信息存储下来，以备查看和分析。
业务管理服务器主要完成与终端和惯导穿戴装置的交互功能，实现惯导系统、相机之间的数据同步，也用于实现不同惯导穿戴装置之间的数据同步；
业务管理服务器支持全新一代英特尔至强系列处理器和多达24个DIMM，显著提升应用性能，计算性能最高可提升70％。
4、终端
本发明某一具体实施例中，终端可以为PC机、平板电脑、或者手机。
终端除了完成上述显示功能外，还根据用户需求，支持三类身份用户使用，四三身份用户分别为运动员、教练员、专家、管理员。所述终端支持四类身份用户使用，四类身份用户分别为运动员、教练员、专家、管理员；
设置运动员权限的终端包括“自主训练”模块、查看“历史数据”模块、第一“群组交流”模块；运动员身份登录应用后，可进行“训练模式”、查看“历史数据”、“群组”交流、“我的”应用基本设置。“自主训练”模块，从数据综合分析装置中获取实时运动参数，并进行记录；查看“历史数据”模块，根据运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数及其对应的训练评价，客观认识到个人训练中的不足，在专家和教练员的帮助下，有针对性的做出训练调整，实现提升；第一“群组交流”模块，接收运动员留言，用于运动员与教练员、专家相互交流，分享相关数据，进一步提升。
设置教练员权限的终端包括“运动员管理”模块、“比赛管理”模块、第二“群组交流”模块，教练员身份登录应用后，可进行“运动员管理”、“比赛管理”、“群组”交流、“我的”应用基本设置。“运动员管理”模块，增减运动员，将运动员基本信息更新在数据综合分析装置中；查看“历史数据”模块，根据外部输入的运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数，提出训练评价，并发送给数据综合分析装置存储；“比赛管理”模块，新建队内竞赛，将队内竞赛分组、竞赛规则发送至数据综合分析装置存储，邀请教练员、运动员、专家等人员共同参与；第二“群组交流”模块，接收教练员留言，用于教练员与运动员、专家相互交流；
设置专家权限的终端包括“训练管理”模块、第三“群组交流”模块；专家人员身份登录后，可进行“训练管理”、“群组”交流、“我的”应用基本设置。“训练管理”模块，用于查看训练排名，对比同一场次运动员的运动参数，对运动员、和该场训练进行评价建议，形成数据分析报告并发送至数据综合分析装置存储；第三“群组交流”模块，接收专家留言，用于专家与教练员、运动员相互交流，查看运动员分享的数据，进行一对一精准分析，提供个性化帮助。
设置管理员身份的终端，管理员登录后，可在移动端进行简单的工作处理，例如用户信息重置、用户身份授权、训练数据管理、咨询消息回复等。
本发明某一具体实施中通过终端设置的所有数据都存储在数据数据综合分析装置中。
综上所述，本发明通过惯导穿戴装置、数据综合分析装置等实现了对运动员各项运动参数的量化分析及控制，通过实时数据实现了运动员和教练员的互动交流，为更好实现训练参数标准化和个性化的融合提供了支撑手段。
以上仅为发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (20)

1.一种人体运动智能测量与数字训练系统，其特征在于包括N个惯导穿戴装置、M个相机、数据综合分析装置、终端；N、M均大于等于1；
M个相机的总视场覆盖运动员的整个运动场景,拍摄视场内的图像，形成图像数据帧发送给数据综合分析装置；
惯导穿戴装置，以穿戴的方式固定在运动员肢体上，以运动员肢体为载体，测量得到运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，并发送给数据综合分析模块；
数据综合分析装置，存储运动员基本信息，建立并维护运动员与其佩戴的惯导穿戴装置关联关系；根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算、坐标转换，得到运动员肢体在运动员本体坐标系中的相对位置、姿态并存储；采集各相机拍摄的图像并存储，对各相机拍摄的图像目标识别、跟踪和坐标转换，得到运动员在运动场景世界坐标系下的位置和速度并存储；分析各运动员在运动场景世界坐标系下的位置和速度、各运动员的肢体在运动员本体坐标系中的相对位置、姿态，确定各运动员的运动参数并存储。
2.根据权利要求1所述的一种人体运动智能测量与数字训练系统，其特征在于所述数据综合分析装置包括惯导解算模块、运动目标检测跟踪模块和运动目标速度识别模块、运动参数解析模块；
惯导解算模块，根据运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息；对运动员肢体的运动进行零速检测，当运动员肢体处于零速区间之内时，对运动员肢体在导航坐标系下姿态、速度和位置信息进行零速误差修正；定义运动员本体坐标系，将运动员肢体在导航坐标系下姿态、速度和位置信息，转换到运动员本体坐标系下；
运动目标检测跟踪模块，采集各相机拍摄的图像，并记录图像采集时间，对各相机拍摄的图像进行畸变校正，采用YOLO模型对同一时刻拍摄的每一张校正后的图像进行目标检测，得到图像中所有运动员在像素坐标系下的粗略边界框，再基于边缘检测方法，得到各运动员在像素坐标系下的精确位置和精准边界框，之后，对同一运动员不同时刻的精准边界框进行匹配，实现不同时刻各运动员的精准边界框的跟踪；通过透视投影矩阵将每个运动员在像素坐标系下的坐标转换为对应相机视场覆盖区域世界坐标系下的坐标，根据各相机视场覆盖区域间的位置关系，计算出各运动员不同时刻在运动场景全局世界坐标系下的坐标，并发送给运动目标速度识别模块；
运动目标速度识别模块，将各运动员不同时刻在运动场景全局世界坐标系下的坐标序列滤波去噪后进行差分处理，得到运动员在运动场景世界坐标系下的速度；
运动参数解析模块，分析运动员肢体在运动员本体坐标系中的相对位置、姿态，得到运动参数；比较各运动员在运动场景世界坐标系下的位置和速度，对这些数据进行分析和排序，按照一定的规则进行运动员的排名；根据运动员的运动参数与标准参数进行对照比对。
3.根据权利要求1所述的一种人体运动智能测量与数字训练系统，其特征在于所述惯导穿戴装置佩戴在至少1位运动员的不同肢体部位，且N个惯导穿戴装置输出数据同步。
4.根据权利要求1所述的一种人体运动智能测量与数字训练系统，其特征在于还包括终端，建立运动场景以及运动员的三维模型，将运动员在运动场景坐标系下速度和位置、运动员肢体在运动员本体坐标系中的相对位置、姿态与相应的三维模型关联起来，用可视化的方式将运动员的运动过程和运动参数显示出来。
5.根据权利要求1所述的一种人体运动智能测量与数字训练系统，其特征在于所述终端支持四类身份用户使用，四类身份用户分别为运动员、教练员，专家、管理员；设置运动员权限的终端包括“自主训练”模块、查看“历史数据”模块、第一“群组交流”模块；其中，“自主训练”模块，从数据综合分析装置中获取实时运动参数，并进行记录；查看“历史数据”模块，根据运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数及其对应的训练评价；第一“群组交流”模块，接收运动员留言，用于运动员与教练员、专家相互交流；
设置教练员权限的终端包括“运动员管理”模块、“比赛管理”模块、第二“群组交流”模块，其中，“运动员管理”模块，增减运动员，将运动员基本信息更新在数据综合分析装置中；查看“历史数据”模块，根据外部输入的运动时段、运动员基本信息，从数据综合分析装置中检索相应时段的原始图像、运动参数，提出训练评价，并发送给数据综合分析装置存储；“比赛管理”模块，新建队内竞赛，将队内竞赛分组、竞赛规则发送至数据综合分析装置存储；第二“群组交流”模块，接收教练员留言，用于教练员与运动员、专家相互交流；
设置专家权限的终端包括“训练管理”模块、第三“群组交流”模块；其中，“训练管理”模块，用于查看训练排名，对比同一场次运动员的运动参数，对运动员、和该场训练进行评价建议，形成数据分析报告并发送至数据综合分析装置存储；第三“群组交流”模块，接收专家留言，用于专家与教练员、运动员相互交流。
设置管理员身份的终端，用于设置用户信息、设置用户身份。
6.根据权利要求1所述的一种人体运动智能测量系统，其特征在于所述惯导穿戴装置包括MEMS传感器，信号处理模块、通信模块和锂电池；
MEMS传感器，内部集成了MEMS陀螺仪、MEMS加速度计，MEMS陀螺仪输出惯性坐标系下的三轴角速度，MEMS加速度计输出运动员肢体的三轴线加速度，将测量结果输出给信号处理模块；
信号处理模块，将MEMS传感器输出的测量结果组帧打包之后发送给通信模块；
通信模块，采用无线通信的方式将打包之后的测量数据帧发送出去；
锂电池，用于为MEMS传感器、信号处理模块、通信模块供电。
7.根据权利要求2所述的一种人体运动智能测量与数字训练系统，其特征在于所述惯导解算模块的具体实现如下：
S1、选“东–北–天”地理坐标系作为导航坐标系，获取运动员肢体的三轴线加速度和惯性坐标系下的三轴角速度，进行导航解算，得到运动员肢体在导航坐标系下姿态、速度和位置信息；
S2、将运动员肢体在导航坐标系下的姿态角误差、速度误差、位置误差、MEMS传感器中的陀螺零偏和加速度计零偏作为状态量，运动员肢体在零速区间内的速度误差、姿态误差作为量测量，建立卡尔曼滤波器；
S3、在MEMS传感器的每个采样时刻，进行卡尔曼滤波器状态量的一步预测，并计算状态一步预测均方误差阵，进入步骤S4；
S4、判断运动员肢体是否处于零速区间内，如果处于零速区间内，则进入步骤S5，否则，进入步骤S6；
S5、更新卡尔曼滤波器的量测量和量测矩阵，根据量测量、状态一步预测均方误差阵、状态估计均方误差阵、量测噪声协方差矩阵，计算滤波增益并更新状态估计均方误差阵，由滤波增益和量测矩阵进行状态估计，得到运动员肢体在导航坐标系下的速度误差、位置误差以及姿态角误差，之后，根据估计到的这些误差，修正运动员肢体在导航坐标系下姿态、速度和位置信息；
S6、输出运动员肢体在导航坐标系下的姿态、速度和位置信息。
8.根据权利要求6所述的一种人体运动智能测量与数字训练系统，其特征在于所述步骤S1中，运动员肢体在导航坐标系下姿态通过如下步骤计算得到：
S1.1、获取运动员肢体在惯性坐标系下的三轴角速度
Figure FDA0003654978200000031
S1.2、根据运动员肢体在惯性坐标系下的三轴角速度
Figure FDA0003654978200000032
计算得到运动员肢体在导航坐标系下三轴角速度
Figure FDA0003654978200000033
S1.3、计算当前采样时刻运动员肢体的姿态四元数Qk：
Figure FDA0003654978200000041
其中，Δt为MEMS传感器的采样间隔，Qk-1为上次采样时刻运动员肢体的姿态四元数；
S1.4、根据当前采样时刻运动员肢体的姿态四元数Qk，计算运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure FDA0003654978200000042
S1.5、根据运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure FDA0003654978200000043
计算运动员肢体在导航坐标系下的姿态，所述运动员肢体在导航坐标系下的姿态包括运动员肢体的俯仰角θ、横滚角γ和偏航角ψ；
具体的计算方法为：由
Figure FDA0003654978200000044
得到：
θ＝arcsin(T32)
Figure FDA0003654978200000045
Figure FDA0003654978200000046
9.根据权利要求7所述的一种人体运动智能测量与数字训练系统，其特征在于所述步骤S1中，运动员肢体在导航坐标系下速度通过如下步骤计算得到：
S1.6、将运动员肢体本体坐标系至导航坐标系的坐标转换矩阵
Figure FDA0003654978200000047
代入比力方程，得到导航坐标系相对于地球坐标系的加速度在导航坐标系下的投影
Figure FDA0003654978200000048
所述比力方程如下：
Figure FDA0003654978200000049
其中，fb为运动员肢体在惯性坐标系下的三轴线加速度，
Figure FDA00036549782000000410
为地球坐标系相对于惯性坐标系的角速度在导航坐标系的投影，
Figure FDA00036549782000000411
为导航坐标系相对于地球坐标系的角速度在导航坐标系的投影，gn为重力加速度在导航坐标系的投影；
S1.7、由公式
Figure FDA0003654978200000051
更新导航坐标系相对于地球坐标系的速度在导航坐标系的投影，即为运动员肢体在导航坐标系下速度，
Figure FDA0003654978200000052
为上一采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影，
Figure FDA0003654978200000053
为当前采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影。
10.根据权利要求7所述的一种人体运动智能测量与数字训练系统，其特征在于所述步骤S1中运动员肢体在导航坐标系下位置通过如下方程更新：
Figure FDA0003654978200000054
其中，Δt为MEMS传感器的采样间隔，Pk-1为上一采样时刻的位置，Pk为当前采样时刻的位置，
Figure FDA0003654978200000055
为上一采样时刻导航坐标系相对于地球坐标系的速度在导航坐标系的投影。
11.根据权利要求7所述的一种人体运动智能测量与数字训练系统，其特征在于判断运动员肢体的速度是否处于零速区间内的方法为：
将MEMS陀螺仪、MEMS加速度计输出的原始数据送入到零速检测器，由零速检测器计算得到运动员肢体运动能量的统计量，并设置相应的零速检测器的阈值，当零速检测器的统计量低于预设的零速检测器的阈值时，认为运动员肢体处于零速区间之内，否则，认为运动员肢体处于零速区间之外。
12.根据权利要求11所述的一种人体运动智能测量与数字训练系统，其特征在于运动员肢体的不同，零速检测器采用不同的算法计算运动员肢体运动的能量统计值，具体为：如果运动员肢体为人体脚部，零速检测器采用GLRT或者ARE算法计算能量统计值；如果运动员肢体为人体的大腿或者小腿，零速检测器采用MAG或者MV算法计算能量统计值。
13.根据权利要求7所述的一种人体运动智能测量与数字训练系统，其特征在于所述步骤S2中卡尔曼滤波方法中状态量X为：
Figure FDA0003654978200000056
其中：
Figure FDA0003654978200000057
为运动员肢体在导航坐标系下的姿态角误差，δvx δvy δvz为运动员肢体在导航坐标系下的速度误差，δx δy δz为运动员肢体在导航坐标系下的位置误差，εbx εby εbz为陀螺仪零偏，
Figure FDA0003654978200000058
为加速度计零偏；
状态方程为：
Xk＝Φk/k-1Xk-1+Γk-1Wk-1
其中X为状态量，Φ为一步转移矩阵，Γ为过程噪声分配矩阵，W为过程噪声矩阵，k-1、k分别表示第k-1个采样时刻和第k个采样时刻，k/k-1表示从第k-1个采样时刻到第k个采样时刻的一步预测；
Figure FDA0003654978200000061
W＝[wgx wgy wgz wax way waz]T
其中，W为过程噪声矩阵，wgx、wgy、wgz分别为三轴陀螺仪的噪声，wax、way、waz为三轴加速度计的噪声，
Figure FDA0003654978200000062
是由
Figure FDA0003654978200000063
构成的反对称阵；
Figure FDA0003654978200000064
为载体在导航坐标系下三轴加速度。
过程噪声分配矩阵Γ为
Figure FDA0003654978200000065
量测量为：
Figure FDA0003654978200000066
Vx、Vy、Vz分别为运动员肢体在导航坐标系下速度的三轴分量；
ψZk、ψZk-1分别为前一采样时刻和当前采样时刻运动员肢体的姿态角数据；
量测方程为：
Zk＝HkXk+Uk
Figure FDA0003654978200000071
H21＝[0 0 -ωietanγcosψcosLΔt]
H24＝[0 secγsinθΔt secγcosθΔt]
Figure FDA0003654978200000072
其中，ωie为地球自转角速度，L为载体所处地球纬度，U为量测噪声矩阵；
Figure FDA0003654978200000073
分别为三轴速度误差噪声，
Figure FDA0003654978200000074
为姿态角误差噪声；θ、γ和ψ分别为运动员肢体的俯仰角、横滚角和偏航角；Δt为MEMS传感器的采样间隔。
14.根据权利要求3所述的一种人体运动智能测量与数字训练系统，其特征在于所述运动目标检测跟踪模块采用计算机视觉库opencv中的undistort函数对各相机拍摄的图像进行畸变校正，所述undistort函数形式如下：
void undistort(InputArray src,OutputArray dst,InputArray cameraMatrix,InputArray distCoeffs,InputArray newCameraMatrix)
src为原始图像的像素矩阵，dst为校正后的图像的像素矩阵；
cameraMatrix为相机内参：
Figure FDA0003654978200000075
其中，fx＝f/dx称为相机x轴方向上的归一化焦距，fy＝f/dy称为相机y轴方向上的归一化焦距，单位为像素；f为相机的焦距，dx、dy分别为像素在相机x、y轴方向上的物理尺寸；(u0,v0)为图像中心在像素坐标系坐标，单位为像素；
distCoeffs为畸变参数：
distCoeffs＝[k1,k2,p1,p2,k3]
其中，k1为径向畸变二次项系数、k2为径向畸变四次项系数、k3为径向畸变六次项系数；p1、p2分别为第一切向畸变参数、第二切向畸变参数，InputArray newCameraMatrix为全0矩阵。
15.根据权利要求14所述的一种人体运动智能测量与数字训练系统，其特征在于所述相机内参cameraMatrix和畸变参数distCoeffs的标定过程如下：
准备一个张正友标定法棋盘格作为标定板，用相机对标定板进行不同角度的拍摄，得到一组W张棋盘格图像，15≤N≤30；
采用matlab工具箱中的相机标定工具Camera Calibration，加载W张棋盘格图像，对棋盘格中的角点进行自动检测，获得角点在像素坐标系下的坐标；
将棋盘格的单元格实际尺寸输入至标定工具Camera Calibration，由标定工具CameraCalibration计算得到角点的世界坐标；
标定工具Camera Calibration根据W张图像中的角点在像素坐标系下的坐标与在世界坐标系下的坐标，进行参数解算，得到相机内参IntrinsicMatrix、畸变参数distCoeffs。
16.根据权利要求3所述的一种人体运动智能测量与数字训练系统，其特征在于运动目标检测跟踪模块调用计算机视觉库opencv中的perspectiveTransform函数将运动员在像素坐标系下的坐标转换为相机视场覆盖区域世界坐标系下的坐标。
17.根据权利要求3所述的一种人体运动智能测量与数字训练系统，其特征在于所述透视投影矩阵的获取过程如下：
S2.1、在运动员的运动场景布置好相机并固定，使得M个相机的总视场覆盖运动员的整个运动场景，且相邻相机画面有重叠区域；
S2.2、定义运动场景的场地平面为全局世界坐标系的XOY平面，在场地平面布置R行C列标志点，标志点的行与全局世界坐标系的X轴平行，标志点的列与全局世界坐标系的Y轴平行，每个标志点上设有菱形图案，菱形图案相对的顶点连线与全局世界坐标系的X轴、Y轴平行，菱形中心点位置作为标志点的位置；每个相机视场内包含a2个标志点，标志点以a*a矩阵形式均匀分布，位于周边的各标志点靠近相机视场边缘，相邻相机视场重叠区域包含a个公共标志点；
S2.3、对于每个相机，选定相机视场内左上角的标志点作为原点，即坐标为(0,0)，建立相机视场区域世界坐标系，测量各个标志点相对于原点的位置，得到9个标志点在相机视场区域世界坐标系下的坐标；
S2.4、通过相机拍摄，每个相机得到包含a2个标志点的一张图像；
S2.5、将相机拍摄的图像进行畸变校正；
S2.6、确定每个相机拍摄的畸变校正后图像中的a2个标志点在像素坐标系下的坐标；
S2.7、对于每个相机，将每个标志点在像素坐标系下的坐标和对应相机视场区域世界坐标系下的坐标，记为一组坐标，a2组坐标传入计算机视觉库opencv中的findHomography函数，计算出相机的透视投影矩阵。
18.根据权利要求17所述的一种人体运动智能测量与数字训练系统，其特征在于确定畸变校正后图像中a2个标志点在像素坐标系下的坐标的具体方法为：
通过matlab显示畸变校正后图像，使用impixelinfo命令显示鼠标指向的点在图像中的位置，将鼠标指向到菱形标志的中心，得到a2个标志在图像中的位置，将图像中左上角的菱形标志的中心定义为像素坐标系原点，坐标记为(0,0)，将其余a2-1个非原点标志点与原点的相对位置，记为其像素坐标系下的坐标。
19.根据权利要求3所述的一种人体运动智能测量与数字训练系统，其特征在于运动目标检测跟踪模块通过如下方法得到各运动员在像素坐标系下的精确位置和精准边界框：
S3.1、对由YOLO检测得到的运动员的粗略边界框标示区域进行灰度化和高斯滤波处理；
S3.2、采用Canny-Devernay算法对运动员的粗略边界框标示区域进行边缘检测，得到运动员的精确轮廓，获得运动员轮廓点坐标集合；
S3.3、根据运动员轮廓点坐标，计算轮廓的特征矩；
S3.4、用轮廓的特征矩计算运动员的质心
Figure FDA0003654978200000091
即运动员在像素坐标系下的精确位置；
S3.5、取目标轮廓的最小外接矩形作为运动员精准边界框。
20.根据权利要求3所述的一种人体运动智能测量与数字训练系统，其特征在于运动目标检测跟踪模块采用DeepSORT方法对不同时刻各运动目标的精准边界框进行跟踪。
CN202210555949.2A 2022-05-20 2022-05-20 一种人体运动智能测量与数字训练系统 Active CN115024715B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210555949.2A CN115024715B (zh) 2022-05-20 2022-05-20 一种人体运动智能测量与数字训练系统
JP2023571673A JP2024527456A (ja) 2022-05-20 2022-12-29 人体運動インテリジェント測定及びデジタル訓練システム
US18/578,620 US20240306943A1 (en) 2022-05-20 2022-12-29 Human movement intelligent measurement and digital training system
PCT/CN2022/143225 WO2023221524A1 (zh) 2022-05-20 2022-12-29 一种人体运动智能测量与数字训练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210555949.2A CN115024715B (zh) 2022-05-20 2022-05-20 一种人体运动智能测量与数字训练系统

Publications (2)

Publication Number Publication Date
CN115024715A true CN115024715A (zh) 2022-09-09
CN115024715B CN115024715B (zh) 2023-06-06

Family

ID=83120885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210555949.2A Active CN115024715B (zh) 2022-05-20 2022-05-20 一种人体运动智能测量与数字训练系统

Country Status (4)

Country Link
US (1) US20240306943A1 (zh)
JP (1) JP2024527456A (zh)
CN (1) CN115024715B (zh)
WO (1) WO2023221524A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115655271A (zh) * 2022-12-22 2023-01-31 中国船舶集团有限公司第七〇七研究所 一种动态条件下的大范围姿态角提取方法
CN116012422A (zh) * 2023-03-23 2023-04-25 西湖大学 基于单目视觉的无人机6d位姿估计跟踪方法及其应用
CN116309686A (zh) * 2023-05-19 2023-06-23 北京航天时代光电科技有限公司 游泳运动员视频定位测速方法、装置、设备及存储介质
CN116309685A (zh) * 2023-05-19 2023-06-23 北京航天时代光电科技有限公司 基于视频拼接的多摄像机协同游泳运动测速方法及系统
CN116385496A (zh) * 2023-05-19 2023-07-04 北京航天时代光电科技有限公司 一种基于图像处理的游泳运动实时测速方法及系统
WO2023221524A1 (zh) * 2022-05-20 2023-11-23 北京航天时代光电科技有限公司 一种人体运动智能测量与数字训练系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118247315B (zh) * 2024-05-29 2024-08-16 深圳天海宸光科技有限公司 一种全景目标跟踪方法、装置、电子设备及存储介质
CN118323395B (zh) * 2024-06-13 2024-08-30 中国科学院合肥物质科学研究院 一种防溺水智能监控与救援方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060161363A1 (en) * 2003-02-14 2006-07-20 Ryosuke Shibasaki Difference correcting method for posture determining instrument and motion measuring instrument
CN110095116A (zh) * 2019-04-29 2019-08-06 桂林电子科技大学 一种基于lift的视觉定位和惯性导航组合的定位方法
CN110393533A (zh) * 2019-07-25 2019-11-01 森博迪(深圳)科技有限公司 一种结合惯性和红外的穿戴式动作捕捉系统及其方法
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN112706158A (zh) * 2019-10-25 2021-04-27 中国科学院沈阳自动化研究所 基于视觉和惯导定位的工业人机交互系统及方法
CN113793360A (zh) * 2021-08-31 2021-12-14 大连理工大学 基于惯性传感技术的三维人体重构方法
CN114191797A (zh) * 2021-11-27 2022-03-18 北京理工大学 一种自由式滑雪智能训练系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6710713B1 (en) * 2002-05-17 2004-03-23 Tom Russo Method and apparatus for evaluating athletes in competition
CN102323854B (zh) * 2011-03-11 2013-10-16 中国科学院研究生院 人体运动捕获装置
US20170136296A1 (en) * 2015-11-18 2017-05-18 Osvaldo Andres Barrera System and method for physical rehabilitation and motion training
CN108939512B (zh) * 2018-07-23 2020-05-19 大连理工大学 一种基于穿戴式传感器的游泳姿态测量方法
CN109284006B (zh) * 2018-11-09 2024-01-16 中科数字健康科学研究院（南京）有限公司 一种人体运动捕获装置和方法
CN111693024A (zh) * 2020-06-11 2020-09-22 秦奕天 一种基于九轴惯性测量单元可穿戴人体传感监测设备
CN115024715B (zh) * 2022-05-20 2023-06-06 北京航天时代光电科技有限公司 一种人体运动智能测量与数字训练系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060161363A1 (en) * 2003-02-14 2006-07-20 Ryosuke Shibasaki Difference correcting method for posture determining instrument and motion measuring instrument
WO2020087846A1 (zh) * 2018-10-31 2020-05-07 东南大学 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN110095116A (zh) * 2019-04-29 2019-08-06 桂林电子科技大学 一种基于lift的视觉定位和惯性导航组合的定位方法
CN110393533A (zh) * 2019-07-25 2019-11-01 森博迪(深圳)科技有限公司 一种结合惯性和红外的穿戴式动作捕捉系统及其方法
CN112706158A (zh) * 2019-10-25 2021-04-27 中国科学院沈阳自动化研究所 基于视觉和惯导定位的工业人机交互系统及方法
CN113793360A (zh) * 2021-08-31 2021-12-14 大连理工大学 基于惯性传感技术的三维人体重构方法
CN114191797A (zh) * 2021-11-27 2022-03-18 北京理工大学 一种自由式滑雪智能训练系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于向怀，向政，孟祥涛: "基于Mahony 算法的游泳运动姿态测量快速对准算法" *
于向怀，向政，孟祥涛: "室内定位技术应用于游泳运动测量的可行性分析" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221524A1 (zh) * 2022-05-20 2023-11-23 北京航天时代光电科技有限公司 一种人体运动智能测量与数字训练系统
CN115655271A (zh) * 2022-12-22 2023-01-31 中国船舶集团有限公司第七〇七研究所 一种动态条件下的大范围姿态角提取方法
CN115655271B (zh) * 2022-12-22 2023-03-10 中国船舶集团有限公司第七〇七研究所 一种动态条件下的大范围姿态角提取方法
CN116012422A (zh) * 2023-03-23 2023-04-25 西湖大学 基于单目视觉的无人机6d位姿估计跟踪方法及其应用
CN116309686A (zh) * 2023-05-19 2023-06-23 北京航天时代光电科技有限公司 游泳运动员视频定位测速方法、装置、设备及存储介质
CN116309685A (zh) * 2023-05-19 2023-06-23 北京航天时代光电科技有限公司 基于视频拼接的多摄像机协同游泳运动测速方法及系统
CN116385496A (zh) * 2023-05-19 2023-07-04 北京航天时代光电科技有限公司 一种基于图像处理的游泳运动实时测速方法及系统

Also Published As

Publication number Publication date
US20240306943A1 (en) 2024-09-19
WO2023221524A1 (zh) 2023-11-23
JP2024527456A (ja) 2024-07-25
CN115024715B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN115024715B (zh) 一种人体运动智能测量与数字训练系统
US20210280083A1 (en) Identification and analysis of movement using sensor devices
CN104504694B (zh) 一种获取运动球体三维信息的方法
Oskiper et al. Multi-sensor navigation algorithm using monocular camera, IMU and GPS for large scale augmented reality
CN106339006A (zh) 一种飞行器的目标跟踪方法和装置
US20100194879A1 (en) Object motion capturing system and method
CN109284006B (zh) 一种人体运动捕获装置和方法
CN112833892B (zh) 一种基于轨迹对齐的语义建图方法
CN104848861B (zh) 一种基于图像消失点识别技术的移动设备姿态测量方法
CN109242887A (zh) 一种基于多摄像机和imu的实时人体上肢动作捕捉方法
CN109448105A (zh) 基于多深度图像传感器的三维人体骨架生成方法及系统
CN111209882A (zh) 一种全向运动装置的步态信息获取方法、系统及可读存储介质
CN111330214B (zh) 一种vr跑步机的安全防护方法、系统及可读存储介质
CN113058246A (zh) 一种轮椅冰壶轨迹识别定位跟踪与运动状态检测系统
CN111595332A (zh) 一种融合惯性技术与视觉建模的全环境定位方法
CN113350771B (zh) 一种运动员动态姿态识别方法、装置、系统及存储介质
Hao et al. Cromosim: A deep learning-based cross-modality inertial measurement simulator
CN109084763A (zh) 基于姿态角度测量的穿戴式三维室内定位装置及方法
CN116206358A (zh) 一种基于vio系统的下肢外骨骼运动模式预测方法及系统
CN114241602B (zh) 一种基于深度学习的多目转动惯量测量和计算方法
Liu et al. Integrated velocity measurement algorithm based on optical flow and scale-invariant feature transform
CN115790601A (zh) 一种融合定位与感知方法及系统
CN211878611U (zh) 基于多特征值融合的滑雪运动员姿态识别系统
Zhang et al. A Low-Cost Skiing Motion Capture System Based on Monocular RGB Camera and MINS Fusion
CN111197983B (zh) 基于人体分布惯性节点矢量测距的三维位姿测量方法

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
GR01 Patent grant
GR01 Patent grant