CN115116125A - 一种俯卧撑的考核方法及其实现装置 - Google Patents
一种俯卧撑的考核方法及其实现装置 Download PDFInfo
- Publication number
- CN115116125A CN115116125A CN202210535543.8A CN202210535543A CN115116125A CN 115116125 A CN115116125 A CN 115116125A CN 202210535543 A CN202210535543 A CN 202210535543A CN 115116125 A CN115116125 A CN 115116125A
- Authority
- CN
- China
- Prior art keywords
- tester
- posture
- action
- joint
- judging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 52
- 230000003213 activating effect Effects 0.000 claims abstract description 8
- 210000004394 hip joint Anatomy 0.000 claims description 50
- 210000000629 knee joint Anatomy 0.000 claims description 50
- 210000000988 bone and bone Anatomy 0.000 claims description 44
- 210000000323 shoulder joint Anatomy 0.000 claims description 30
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 28
- 210000002414 leg Anatomy 0.000 claims description 28
- 210000002310 elbow joint Anatomy 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 17
- 210000003857 wrist joint Anatomy 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 113
- 238000012360 testing method Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种俯卧撑的考核方法,包括:实时采集包括测试者进行俯卧撑的连续的帧图像;将帧图像输入至AI识别模型,逐帧识别帧图像中的测试者的骨骼姿态,骨骼姿态包括多个关节点以及关节点之间的连线;预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有分解动作在连续的帧图像中贯穿划分出相应的主姿态判定区域;实时检测骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各主姿态判定区域,当骨骼姿态与当前激活的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格。本发明还对应提供一种考核装置。本发明减少了人工考核时误差较大的问题。
Description
技术领域
本发明涉及机器视觉技术领域,特别是涉及一种俯卧撑的考核方法及其实现装置。
背景技术
随着社会的发展,人们对健康的生活越来越重视。而现在,无论是中学生、军队都有大量的体育项目考核。其中俯卧撑是一个较为常规的考核项目。传统的考核方法是监考人员人工观察的方式进行考核,一般配备在身体的两侧设置有红外感应器,当测试者的身体到达感应器后数量即可加1。这种考核方式并不严谨,无法准确识别测试者动作是否准确,也就导致测试的结果有较大的误差,无法真实反映测试者的真实水平。如无法判定测试者的挺身时手臂是否伸直、伏地时身体是否下探到位等。
基于此,本领域亟需一种新的俯卧撑的考核方法及其实现装置来解决背景技术存在的技术问题。
发明内容
为解决上述技术问题,本发明采用的一个技术方案是:
一种俯卧撑的考核方法,包括:
实时采集包括测试者进行俯卧撑的连续的帧图像;
将所述帧图像输入至AI识别模型,逐帧识别所述帧图像中的测试者的骨骼姿态,所述骨骼姿态包括多个关节点以及所述关节点之间的连线;
预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有所述分解动作在连续的所述帧图像中贯穿划分出相应的主姿态判定区域;
实时检测所述骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各所述主姿态判定区域,当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格;
若合格,则标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果;
若不合格,则生成包括有当前所述骨骼姿态与对应的所述分解动作之间的差异计算结果的交互信息。
优选地,所述当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤包括:
当所述骨骼姿态与当前激活的与挺身动作相对应的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断测试者的挺身动作是否合格;
其中,与挺身动作对应的所述骨骼姿态包括腕关节、肘关节、肩关节以及连接所述腕关节和所述肘关节的第一连线、连接所述肘关节和所述肩关节的第二连线;判断所述第一连线与所述第二连线的夹角是否为180°±5°;若是,则判定测试者的挺身动作合格,若否,则判定测试者的挺身动作不合格。
优选地,所述当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤包括:
当所述骨骼姿态与当前激活的与伏地动作相对应的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断测试者的伏地动作是否合格;
其中,与伏地动作对应的所述骨骼姿态包括腕关节、肘关节、肩关节以及连接所述腕关节和所述肘关节的第一连线、连接所述肘关节和所述肩关节的第二连线;判断所述第一连线与所述第二连线的夹角是否为90°±5°;若是,则判定测试者的伏地动作合格,若否,则判定测试者的伏地动作不合格。
优选地,在所述预分解俯卧撑的预设规定动作之前还包括:
确定所述骨骼姿态中的肩关节、髋关节和膝关节,根据由连接所述肩关节与所述髋关节的第三连线以及连接所述髋关节与所述膝关节的第四连线所组成的测试者躯干部位在连续的所述帧图像中贯穿划分出第一辅助姿态判定区域;所述第一辅助姿态判定区域用于在连续的所述帧图像中跟踪所述躯干部位;
所述调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,还包括:
实时检测所述躯干部位,调用在所述第一辅助姿态判定区域中与所述躯干部位对应的预设禁止动作,判断所述第三连线与所述第四连线之间的夹角是否为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第三连线与所述第四连线之间的夹角。
优选地,在所述预分解俯卧撑的预设规定动作之前还包括:
确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,根据由连接所述髋关节与所述膝关节的第四连线以及连接所述膝关节与所述脚踝关节的第五连线所组成的测试者腿部部位在连续的所述帧图像中贯穿划分出第二辅助姿态判定区域;所述第二辅助姿态判定区域用于在连续的所述帧图像中跟踪所述腿部部位;
所述调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,还包括:
实时检测所述腿部部位,调用在所述第二辅助姿态判定区域中与所述腿部部位对应的预设禁止动作,判断所述第四连线与所述第五连线之间的夹角是否为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第四连线与所述第五连线之间的夹角。
优选地,自测试者开始挺身时起,确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,当所述髋关节和/或所述膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。
优选地,所述标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果的步骤包括:
至测量结束前,每当检测到先标记与挺身动作相对应的主姿态判定区域,接续标记与伏地动作相对应的主姿态判定区域,再标记与挺身动作相对应的主姿态判定区域时,则判定测试者完成一次俯卧撑并累计测量次数一次。
本发明还提供一种俯卧撑的考核装置,包括:
视频处理模块,用于实时采集包括测试者进行俯卧撑的连续的帧图像;
骨骼识别模块,用于将所述帧图像输入至AI识别模型,逐帧识别所述帧图像中的测试者的骨骼姿态,所述骨骼姿态包括多个关节点以及所述关节点之间的连线;
第一划分模块,用于预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有所述分解动作在连续的所述帧图像中贯穿划分出相应的主姿态判定区域;
第一判断模块,用于实时检测所述骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各所述主姿态判定区域,当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格;若合格,则标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果;若不合格,则生成包括有当前所述骨骼姿态与对应的所述分解动作之间的差异计算结果的交互信息。
优选地,所述考核装置还包括:
第二划分模块,用于在所述第一划分模块预分解俯卧撑的预设规定动作之前,确定所述骨骼姿态中的肩关节、髋关节和膝关节,根据由连接所述肩关节与所述髋关节的第三连线以及连接所述髋关节与所述膝关节的第四连线所组成的测试者躯干部位在连续的所述帧图像中贯穿划分出第一辅助姿态判定区域,所述第二划分模块还用于确定所述骨骼姿态中髋关节、膝关节和脚踝关节,根据由连接所述髋关节与所述膝关节的第四连线以及连接所述膝关节与所述脚踝关节的第五连线所组成的测试者腿部部位在连续的所述帧图像中贯穿划分出第二辅助姿态判定区域;所述第一辅助姿态判定区域用于在连续的所述帧图像中跟踪所述躯干部位,所述第二辅助姿态判定区域用于在连续的所述帧图像中跟踪所述腿部部位;
第二判断模块,用于在所述第一判断模块调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格之前,实时检测所述躯干部位和所述腿部部位,调用在所述第一辅助姿态判定区域中与所述躯干部位和在第二辅助姿态判定区域中与所述腿部部位分别对应的预设禁止动作,判断所述第三连线与所述第四连线之间的夹角和所述第四连线与所述第五连线之间的夹角是否均为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步指令所述第一判断模块判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第三连线与所述第四连线之间的夹角和所述第四连线与所述第五连线之间的夹角。
优选地,所述考核装置还包括:
终止考核模块,用于自测试者开始挺身时起,确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,当所述髋关节和/或所述膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。
本发明的有益效果是:本发明的俯卧撑的考核方法,通过实时采集包括测试者的连续的帧图像,再通过AI识别模型逐帧识别帧图像中测试者的骨骼姿态;进一步对连续的帧图像贯穿划分出与预设规定动作的分解动作分别对应的主姿态判定区域;再实时检测所述骨骼姿态,自测试者开始挺身时起,利用当前测试者的骨骼姿态与当前用于判定的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格并记录其判断结果;最后根据记录的判断结果,获取对应的测量结果。通过上述的步骤能智能识别测试者在进行俯卧撑时相应姿态是否符合预设标准,减少了人工考核时误差较大的问题,精度也更高,而且节约了人力。此外,当测试者的俯卧撑动作不合格时,本发明还可提供交互信息,帮助测试者矫正动作。
附图说明
图1是本发明实施例的俯卧撑的考核方法的流程示意图;
图2是本发明实施例的俯卧撑的考核方法的AI识别模型的流程示意图;
图3是本发明另一实施例的俯卧撑的考核方法的流程示意图;
图4是本发明又一实施例的俯卧撑的考核方法的流程示意图;
图5是本发明一个实施例的俯卧撑的考核装置的结构示意图;
图6是本发明另一个实施例的俯卧撑的考核装置的结构示意图。
具体实施方式
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,所描述的实施例仅是本发明的一部分实施例,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。
本发明中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例的俯卧撑的考核方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S101:实时采集包括测试者进行俯卧撑的连续的帧图像。
在步骤S101中,需要在运动场地布置好考核设备,该考核设备具有视频采集功能,考核设备的摄像头朝向考试场地。进行俯卧撑考核时,测试者按照提示到达考试场地,并根据提示音进行俯卧撑运动。在此过程中,通过摄像头侧面(不限于是完全对正,也可以有一定的斜向角度)采集测试者进行俯卧撑的连续帧的图像。在一个实施例中,为了降低数据处理量,在此步骤中,可以对图像进行进一步的抽帧处理。由于在进行的俯卧撑是一个较为连续的过程,其中存在相邻的几帧图像较为接近,可对图像进行识别,设定间隔几帧选取一帧作为帧图像,将选取的若干的帧图像作为处理对象进行下一步识别处理。
进一步,对人体图像的准确识别,可保障后续对骨骼姿态的提取。在实际操作中,摄像头是基于特定算法来实现对人体的识别,目前现有算法也难以保证对人体的精准识别。例如,如果识别背景颜色与人体衣着相近,或者识别背景中有类似人体部位的物件误入,则提取目标人体部位时容易出现识别跳动的情况,例如从某帧图像中获取到的目标人体部位的位置是异常的,与人体实际位置不符,或者是从某帧图像中获取到的目标人体部位所在区域与相似背景发生粘连。显然,前述异常改变的帧图像是不利于对人体骨骼数据的提取的。对此,在一种可实现的实施例中,在从视频流中提取连续的帧图像过程中,可按预设数量缓存摄像单元获取的连续的原始帧图像,在缓存中对原始帧图像中的用户数据做统计处理,可剔除掉用户数据存有异常的帧图像,以此保障后续的人体骨骼数据提取环节的准确度。
步骤S102:将帧图像输入至AI识别模型,逐帧识别帧图像中的测试者的骨骼姿态,骨骼姿态包括多个关节点以及关节点之间的连线。
具体地,在步骤S102中,将步骤S101中获取到的帧图像输入至AI识别模型中,AI识别模型用于识别帧图像中测试者的骨骼姿态。其中AI识别模型基于卷积神经网络通过大量的训练样本获得。AI识别模型在进行步骤S101前已预设好在系统中。具体地,请参见图2,AI识别模型通过以下步骤获得:
步骤S201:获取多个测试者各自进行俯卧撑的样本测试图像。
在步骤S201中,在进行训练前,需要先获取大量俯卧撑项目的测试的样本测试图像。
步骤S202:逐帧标注样本测试图像中测试者的关节点,生成训练样本。
在步骤S202中,逐帧标注样本测试视频中测试者的关节点,以生成训练样本。其中,关节点为人体各个部位的关节点、以及具有代表性的参照点如头部位点等。在本实施例中,关节点至少包括:测试者的腕关节、肘关节、肩关节、髋关节、膝关节以及脚踝关节;关节点之间的连线至少包括连接腕关节和肘关节的第一连线、连接肘关节和肩关节的第二连线、连接肩关节与髋关节的第三连线、连接髋关节与膝关节的第四连线、连接膝关节与脚踝关节的第五连线。也可以根据实际需要对其他关节点或其他部位进行标注,在此不作限定。通过在选取的测试图像中进行标注,得到训练样本。
步骤S203:利用训练样本进行卷积神经网络训练,得到AI识别模型。
在步骤S203中,将上述步骤得到的训练样本进行卷积神经网络训练。为了提高识别精度可以使用更多数量的训练样本进行训练。得到的AI识别模型可以智能识别测试者的运动动作,并能识别测试者进行俯卧撑的帧图像中各个关节点,再按照预设的连接方式连接各个关节点即可获得图像中测试者的骨骼姿态,即骨骼姿态包括关节点以及关节点之间的连接线。
步骤S103:预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有分解动作在连续的帧图像中贯穿划分出相应的主姿态判定区域。
具体地,进行俯卧撑主要有3个非常重要的过程:挺身动作-伏地动作-挺身动作。需说明的是,分解动作是指测试者进行俯卧撑的连续过程中可用于判定其动作到位与否的代表姿态,是代表测试者运动过程所处阶段的主要姿态,该代表姿势的空间位置往往是固定的。因此在步骤S103中,预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作。测试者在考核过程中,必须按顺序依次完成挺身动作-伏地动作-挺身动作。挺身动作即为测试者身体挺直、双臂伸直、靠双手和脚作为支点俯卧在地面,伏地动作即为测试者身体挺直、双臂弯曲至肘与肩平齐、靠双手和脚作为支点俯卧在地面。
接着,为从摄像头获取的帧图像中实时监测测试者的分解动作是否合格,本发明根据分解动作贯穿对连续的帧图像划分出相应的主姿态判定区域,具体分别为对应挺身动作与伏地动作的主姿态判定区域。
步骤S104:实时检测骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各主姿态判定区域,当骨骼姿态与当前激活的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格。合格则执行步骤S105,不合格则执行步骤S106。
在步骤S104中,判断测试者的动作是否合格主要包括测试者的挺身动作和伏地动作是否合格两种判断情况。
具体地,前述划分出的各主姿态判定区域之间进行如下设定:自测试者开始运动起,根据测试者的位置交替激活对应挺身动作的主姿态判定区域与对应伏地动作的主姿态判定区域,用以分别判定测试者的骨骼姿态。进一步地,各主姿态判定区域可根据识别出的测试者当前实际正处于的空间位置(在最开始的测试者挺身时,自动激活与挺身动作对应的主姿态判定区域,此时也能够确定测试者从肘关节至肩关节之间连线的最长长度值。除此之外,通过大致判断该连线的长度变化来分别激活对应主姿态判定区域。当该连线长度变化至低于其最长长度值的一半时,激活的是与伏地动作对应的主姿态判定区域,当该连线长度变化至不低于其最长长度值的一半时,激活的是与挺身动作对应的主姿态判定区域),即分解动作阶段,自动对应激活。在一种可实现的实施例中,以对应挺身动作的主姿态判定区域为首个激活的主姿态判定区域,该主姿态判定区域在完成测试者挺身动作时的骨骼姿态判定后关闭判定功能,接着激活下一个对应伏地动作的主姿态判定区域以备判断用户伏地动作是否合格,以此类推。
具体地,判断挺身动作是否合格的步骤为:当骨骼姿态与当前激活的与挺身动作相对应的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断测试者的挺身动作是否合格。
其中,与挺身动作对应的骨骼姿态包括腕关节、肘关节、肩关节以及连接腕关节和肘关节的第一连线、连接肘关节和肩关节的第二连线;判断第一连线与第二连线的夹角是否为180°±5°;若是,则判定测试者的挺身动作合格,若否,则判定测试者的挺身动作不合格。在预设规定动作中,测试者处于挺身动作时,双臂伸直,即第一连线与第二连线的夹角为180°。实际考核过程中,设置一个可接受的误差范围,第一连线与第二连线的夹角为180°±5°均为合格。180°±5°仅是本实施采取的一个判断基准,也可以采用其他范围如180°±10°等。
判断伏地动作是否合格的步骤为:当骨骼姿态与当前激活的与伏地动作相对应的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断测试者的伏地动作是否合格。
其中,与伏地动作对应的骨骼姿态包括腕关节、肘关节、肩关节以及连接腕关节和肘关节的第一连线、连接肘关节和肩关节的第二连线;判断第一连线与第二连线的夹角是否为90°±5°;若是,则判定测试者的伏地动作合格,若否,则判定测试者的伏地动作不合格。在预设规定动作中,测试者处于伏地动作时,双臂弯曲呈90°,即第一连线与第二连线的夹角为90°。实际考核过程中,设置一个可接受的误差范围,第一连线与第二连线的夹角为90°±5°均为合格。90°±5°仅是本实施采取的一个判断基准,也可以采用其他范围如90°±10°等。
步骤S105:若合格,则标记对应的主姿态判定区域,并根据各主姿态判定区域之间的标记结果获取测量结果。
每当测试者在对应的主姿态判定区域的动作合格,则进行标记。至测量结束前,每当检测到先标记与挺身动作相对应的主姿态判定区域,接续标记与伏地动作相对应的主姿态判定区域,再标记与挺身动作相对应的主姿态判定区域时,则判定测试者完成一次俯卧撑并累计测量次数一次。也就是说,每当测试者完成一次俯卧撑,则测试成绩加1。
步骤S106:若不合格,则生成包括有当前骨骼姿态与对应的分解动作之间的差异计算结果的交互信息。
在步骤S106中,可通过语音和显示的方式对测试者和监考人员进行交互信息的提示,例如不合格时则根据不符合标准的类型,发出对应的提示,如“下探未到位”、“手臂未伸直”等。
本发明的有益效果是:本发明的俯卧撑的考核方法,通过实时采集包括测试者的连续的帧图像,再通过AI识别模型逐帧识别帧图像中测试者的骨骼姿态;进一步对连续的帧图像贯穿划分出与预设规定动作的分解动作分别对应的主姿态判定区域;再实时检测所述骨骼姿态,自测试者开始挺身时起,利用当前测试者的骨骼姿态与当前用于判定的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格并记录其判断结果;最后根据记录的判断结果,获取对应的测量结果。通过上述的步骤能智能识别测试者在进行俯卧撑时相应姿态是否符合预设标准,减少了人工考核时误差较大的问题,精度也更高,而且节约了人力。此外,当测试者的俯卧撑动作不合格时,本发明还可提供交互信息,帮助测试者矫正动作。
在另一个实施例中,请参见图3,在上述实施例的基础上,该考核方法在预分解俯卧撑的预设规定动作之前还包括以下步骤:
步骤S301:确定骨骼姿态中的肩关节、髋关节和膝关节,根据由连接肩关节与髋关节的第三连线以及连接髋关节与膝关节的第四连线所组成的测试者躯干部位在连续的帧图像中贯穿划分出第一辅助姿态判定区域;第一辅助姿态判定区域用于在连续的帧图像中跟踪躯干部位。
步骤S302:在调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,实时检测躯干部位,调用在第一辅助姿态判定区域中与躯干部位对应的预设禁止动作,判断第三连线与第四连线之间的夹角是否在180°±5°。
步骤S303:若是,则判定当前骨骼姿态有效,并进一步判定当前测试者的动作是否合格。
步骤S304:若否,则判定当前骨骼姿态无效,并自测试者恢复挺身动作后继续判定第三连线与第四连线之间的夹角。
在上述可实现的实施例中,预设禁止动作可为:测试的整个过程中测试者的躯干是弯曲的,因此,加入对测试者骨骼姿态中的肩关节、髋关节和膝关节的检测。第一辅助姿态判定区域用于在连续的帧图像中跟踪由连接肩关节与髋关节的第三连线以及连接髋关节与膝关节的第四连线所组成的测试者躯干部位,用于直接判定当前测试者的躯干动作是否犯规,即判断对应的骨骼姿态有效与否。
由于在进行俯卧撑的过程中,要求测试者的躯干挺直,即要求第三连线与第四连线之间的夹角是否为180°,在实际考核过程中,设置一个可接受的误差范围,180°±5°均为合格。180°±5°仅是本实施采取的一个判断基准,也可以采用其他范围如180°±10°等,可根据实际进行设置,在此不作限定。
需要说明的是,预设禁止动作的判断不能直接反映测试者当前所处的运动阶段,但用于在俯卧撑的全过程中持续检测测试者犯规与否,因此这是一个动态的检测过程,在整个测试过程中进行实时的检测。本实施例在第一个实施例的基础上增加了辅助姿态判定区域的动态判断,进一步提高了测试的准确性的规范性,防止在无人值守下的项目测量过程中发生作弊行为。
在另一个实施例中,请参见图4,在上述实施例的基础上,该考核方法在预分解俯卧撑的预设规定动作之前还包括以下步骤:
步骤S401:确定骨骼姿态中的髋关节、膝关节和脚踝关节,根据由连接髋关节与膝关节的第四连线以及连接膝关节与脚踝关节的第五连线所组成的测试者腿部部位在连续的帧图像中贯穿划分出第二辅助姿态判定区域;第二辅助姿态判定区域用于在连续的帧图像中跟踪腿部部位。
步骤S402:在调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,实时检测腿部部位,调用在第二辅助姿态判定区域中与腿部部位对应的预设禁止动作,判断第四连线与第五连线之间的夹角是否在180°±5°。
步骤S403:若是,则判定当前骨骼姿态有效,并进一步判定当前测试者的动作是否合格。
步骤S404:若否,则判定当前骨骼姿态无效,并自测试者恢复挺身动作后继续判定第四连线与第五连线之间的夹角。
在上述可实现的实施例中,预设禁止动作也可为:测试的整个过程中测试者的腿部是弯曲的,因此,加入对测试者骨骼姿态中的髋关节、膝关节和脚踝关节的检测。第二辅助姿态判定区域用于在连续的帧图像中跟踪由连接髋关节与膝关节的第四连线以及连接膝关节与脚踝关节的第五连线所组成的测试者腿部部位,直接判定当前测试者的腿部动作是否犯规,即判断对应的骨骼姿态有效与否。
由于在进行俯卧撑的过程中,要求测试者的腿部挺直,即要求第四连线与第五连线之间的夹角是否为180°,在实际考核的实际考核过程中,设置一个可接受的误差范围,180°±5°均为合格。180°±5°仅是本实施采取的一个判断基准,也可以采用其他范围如180°±10°等,可根据实际进行设置,在此不作限定。
需要说明的是,在一个可选实施例中,测试者需要同时满足第三连线与第四连线之间的夹角、第四连线与第五连线之间的夹角是否均为180°才判定当前骨骼姿态有效。
在其他实施例中,在上述实施例的基础上,该考核方法还包括以下步骤:自测试者开始挺身时起,确定骨骼姿态中的髋关节、膝关节和脚踝关节,当髋关节和/或膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。并进行测试成绩的结算。
图5是本发明实施例的俯卧撑的考核装置50的结构示意图。如图5所示,该装置50包括视频处理模块51、骨骼识别模块52、第一划分模块53、第一判断模块54。
视频处理模块51用于实时采集包括测试者进行俯卧撑的连续的帧图像;
骨骼识别模块52用于将帧图像输入至AI识别模型,逐帧识别帧图像中的测试者的骨骼姿态,骨骼姿态包括多个关节点以及关节点之间的连线;
第一划分模块53用于预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有分解动作在连续的帧图像中贯穿划分出相应的主姿态判定区域;
第一判断模块54用于实时检测骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各主姿态判定区域,当骨骼姿态与当前激活的主姿态判定区域交叠时,调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格;若合格,则标记对应的主姿态判定区域,并根据各主姿态判定区域之间的标记结果获取测量结果;若不合格,则生成包括有当前骨骼姿态与对应的分解动作之间的差异计算结果的交互信息。
在一个可选实施例中,请参见图6,该装置50还包括第二划分模块55、第二判断模块56。
第二划分模块55用于在第一划分模块53预分解俯卧撑的预设规定动作之前,确定骨骼姿态中的肩关节、髋关节和膝关节,根据由连接肩关节与髋关节的第三连线以及连接髋关节与膝关节的第四连线所组成的测试者躯干部位在连续的帧图像中贯穿划分出第一辅助姿态判定区域,第二划分模块还用于确定骨骼姿态中髋关节、膝关节和脚踝关节,根据由连接髋关节与膝关节的第四连线以及连接膝关节与脚踝关节的第五连线所组成的测试者腿部部位在连续的帧图像中贯穿划分出第二辅助姿态判定区域;第一辅助姿态判定区域用于在连续的帧图像中跟踪躯干部位,第二辅助姿态判定区域用于在连续的帧图像中跟踪腿部部位;
第二判断模块56用于在第一判断模块53调用与当前的主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格之前,实时检测躯干部位和腿部部位,调用在第一辅助姿态判定区域中与躯干部位和在第二辅助姿态判定区域中与腿部部位分别对应的预设禁止动作,判断第三连线与第四连线之间的夹角和第四连线与第五连线之间的夹角是否均为180°±5°;若是,则判定当前骨骼姿态有效,并进一步指令第一判断模块53判定当前测试者的动作是否合格;若否,则判定当前骨骼姿态无效,并自测试者恢复挺身动作后继续判定第三连线与第四连线之间的夹角和第四连线与第五连线之间的夹角。
在一个可选实施例中,该装置50还包括终止考核模块(未示出),用于自测试者开始挺身时起,确定骨骼姿态中的髋关节、膝关节和脚踝关节,当髋关节和/或膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。
关于俯卧撑的考核装置50具体限定可以参见上文中对于俯卧撑的考核方法的限定,在此不再赘述。上述俯卧撑的考核装置50中的各个模块可全部或部分通过软件、硬件及其组合来实现。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种俯卧撑的考核方法,其特征在于,包括:
实时采集包括测试者进行俯卧撑的连续的帧图像;
将所述帧图像输入至AI识别模型,逐帧识别所述帧图像中的测试者的骨骼姿态,所述骨骼姿态包括多个关节点以及所述关节点之间的连线;
预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有所述分解动作在连续的所述帧图像中贯穿划分出相应的主姿态判定区域;
实时检测所述骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各所述主姿态判定区域,当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格;
若合格,则标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果;
若不合格,则生成包括有当前所述骨骼姿态与对应的所述分解动作之间的差异计算结果的交互信息。
2.根据权利要求1所述的俯卧撑的考核方法,其特征在于,所述当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤包括:
当所述骨骼姿态与当前激活的与挺身动作相对应的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断测试者的挺身动作是否合格;
其中,与挺身动作对应的所述骨骼姿态包括腕关节、肘关节、肩关节以及连接所述腕关节和所述肘关节的第一连线、连接所述肘关节和所述肩关节的第二连线;判断所述第一连线与所述第二连线的夹角是否为180°±5°;若是,则判定测试者的挺身动作合格,若否,则判定测试者的挺身动作不合格。
3.根据权利要求1所述的俯卧撑的考核方法,其特征在于,所述当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤包括:
当所述骨骼姿态与当前激活的与伏地动作相对应的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断测试者的伏地动作是否合格;
其中,与伏地动作对应的所述骨骼姿态包括腕关节、肘关节、肩关节以及连接所述腕关节和所述肘关节的第一连线、连接所述肘关节和所述肩关节的第二连线;判断所述第一连线与所述第二连线的夹角是否为90°±5°;若是,则判定测试者的伏地动作合格,若否,则判定测试者的伏地动作不合格。
4.根据权利要求1所述的俯卧撑的考核方法,其特征在于,在所述预分解俯卧撑的预设规定动作之前还包括:
确定所述骨骼姿态中的肩关节、髋关节和膝关节,根据由连接所述肩关节与所述髋关节的第三连线以及连接所述髋关节与所述膝关节的第四连线所组成的测试者躯干部位在连续的所述帧图像中贯穿划分出第一辅助姿态判定区域;所述第一辅助姿态判定区域用于在连续的所述帧图像中跟踪所述躯干部位;
所述调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,还包括:
实时检测所述躯干部位,调用在所述第一辅助姿态判定区域中与所述躯干部位对应的预设禁止动作,判断所述第三连线与所述第四连线之间的夹角是否为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第三连线与所述第四连线之间的夹角。
5.根据权利要求1所述的俯卧撑的考核方法,其特征在于,在所述预分解俯卧撑的预设规定动作之前还包括:
确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,根据由连接所述髋关节与所述膝关节的第四连线以及连接所述膝关节与所述脚踝关节的第五连线所组成的测试者腿部部位在连续的所述帧图像中贯穿划分出第二辅助姿态判定区域;所述第二辅助姿态判定区域用于在连续的所述帧图像中跟踪所述腿部部位;
所述调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格的步骤之前,还包括:
实时检测所述腿部部位,调用在所述第二辅助姿态判定区域中与所述腿部部位对应的预设禁止动作,判断所述第四连线与所述第五连线之间的夹角是否为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第四连线与所述第五连线之间的夹角。
6.根据权利要求1所述的俯卧撑的考核方法,其特征在于,自测试者开始挺身时起,确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,当所述髋关节和/或所述膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。
7.根据权利要求1所述的俯卧撑的考核方法,其特征在于,所述标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果的步骤包括:
至测量结束前,每当检测到先标记与挺身动作相对应的主姿态判定区域,接续标记与伏地动作相对应的主姿态判定区域,再标记与挺身动作相对应的主姿态判定区域时,则判定测试者完成一次俯卧撑并累计测量次数一次。
8.一种俯卧撑的考核装置,其特征在于,包括:
视频处理模块,用于实时采集包括测试者进行俯卧撑的连续的帧图像;
骨骼识别模块,用于将所述帧图像输入至AI识别模型,逐帧识别所述帧图像中的测试者的骨骼姿态,所述骨骼姿态包括多个关节点以及所述关节点之间的连线;
第一划分模块,用于预分解俯卧撑的预设规定动作,获得包括挺身动作以及伏地动作的分解动作,根据所有所述分解动作在连续的所述帧图像中贯穿划分出相应的主姿态判定区域;
第一判断模块,用于实时检测所述骨骼姿态,自测试者开始挺身时起,根据测试者当前运动位置交替激活各所述主姿态判定区域,当所述骨骼姿态与当前激活的所述主姿态判定区域交叠时,调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格;若合格,则标记对应的所述主姿态判定区域,并根据各所述主姿态判定区域之间的标记结果获取测量结果;若不合格,则生成包括有当前所述骨骼姿态与对应的所述分解动作之间的差异计算结果的交互信息。
9.根据权利要求8所述的俯卧撑的考核装置,其特征在于,所述考核装置还包括:
第二划分模块,用于在所述第一划分模块预分解俯卧撑的预设规定动作之前,确定所述骨骼姿态中的肩关节、髋关节和膝关节,根据由连接所述肩关节与所述髋关节的第三连线以及连接所述髋关节与所述膝关节的第四连线所组成的测试者躯干部位在连续的所述帧图像中贯穿划分出第一辅助姿态判定区域,所述第二划分模块还用于确定所述骨骼姿态中髋关节、膝关节和脚踝关节,根据由连接所述髋关节与所述膝关节的第四连线以及连接所述膝关节与所述脚踝关节的第五连线所组成的测试者腿部部位在连续的所述帧图像中贯穿划分出第二辅助姿态判定区域;所述第一辅助姿态判定区域用于在连续的所述帧图像中跟踪所述躯干部位,所述第二辅助姿态判定区域用于在连续的所述帧图像中跟踪所述腿部部位;
第二判断模块,用于在所述第一判断模块调用与当前的所述主姿态判定区域相对应的分解动作判断当前测试者的动作是否合格之前,实时检测所述躯干部位和所述腿部部位,调用在所述第一辅助姿态判定区域中与所述躯干部位和在第二辅助姿态判定区域中与所述腿部部位分别对应的预设禁止动作,判断所述第三连线与所述第四连线之间的夹角和所述第四连线与所述第五连线之间的夹角是否均为180°±5°;若是,则判定当前所述骨骼姿态有效,并进一步指令所述第一判断模块判定当前测试者的动作是否合格;若否,则判定当前所述骨骼姿态无效,并自测试者恢复挺身动作后继续判定所述第三连线与所述第四连线之间的夹角和所述第四连线与所述第五连线之间的夹角。
10.根据权利要求8所述的俯卧撑的考核装置,其特征在于,所述考核装置还包括:
终止考核模块,用于自测试者开始挺身时起,确定所述骨骼姿态中的髋关节、膝关节和脚踝关节,当所述髋关节和/或所述膝关节的离地高度低于脚踝关节的离地高度时,则终止考核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535543.8A CN115116125A (zh) | 2022-05-17 | 2022-05-17 | 一种俯卧撑的考核方法及其实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535543.8A CN115116125A (zh) | 2022-05-17 | 2022-05-17 | 一种俯卧撑的考核方法及其实现装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116125A true CN115116125A (zh) | 2022-09-27 |
Family
ID=83326393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535543.8A Pending CN115116125A (zh) | 2022-05-17 | 2022-05-17 | 一种俯卧撑的考核方法及其实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116125A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861381A (zh) * | 2023-02-28 | 2023-03-28 | 中国民用航空飞行学院 | 球体协同运动中鱼跃救球动作标准性的检测方法及系统 |
-
2022
- 2022-05-17 CN CN202210535543.8A patent/CN115116125A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861381A (zh) * | 2023-02-28 | 2023-03-28 | 中国民用航空飞行学院 | 球体协同运动中鱼跃救球动作标准性的检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368810B (zh) | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 | |
CN111437583B (zh) | 一种基于Kinect的羽毛球基本动作辅助训练系统 | |
CN107115102A (zh) | 一种骨关节功能评估方法与装置 | |
CN104598867A (zh) | 一种人体动作自动评估方法及舞蹈评分系统 | |
CN113255622B (zh) | 一种智能识别仰卧起坐动作姿态完成状况的系统和方法 | |
CN114307117B (zh) | 基于视频的立定跳远成绩测量方法和装置 | |
CN104537670B (zh) | 一种柔韧性测试方法及系统 | |
CN107373892B (zh) | 一种三维脚型扫描仪的准确站位自动监测提示系统、方法 | |
CN113139962A (zh) | 用于脊柱侧凸概率评估的系统和方法 | |
CN105999655A (zh) | 俯卧撑测试的计数方法及系统 | |
CN115116125A (zh) | 一种俯卧撑的考核方法及其实现装置 | |
CN111883229A (zh) | 一种基于视觉ai的智能运动指导方法及系统 | |
CN115240247A (zh) | 一种用于进行动作和姿态检测的识别方法及系统 | |
CN115568823A (zh) | 一种人体平衡能力评估的方法、系统和装置 | |
CN115068919B (zh) | 一种单杠项目的考核方法及其实现装置 | |
CN116740618A (zh) | 一种运动视频动作评估方法、系统、计算机设备及介质 | |
CN117339184A (zh) | 一种智能化易操作的健身体育器材 | |
CN117333932A (zh) | 基于机器视觉识别肌少症的方法、装备、设备以及介质 | |
CN115761873A (zh) | 手势和姿态综合视觉识别的肩部康复运动时长评估方法 | |
CN115937969A (zh) | 仰卧起坐考核中目标人物的确定方法、装置、设备及介质 | |
CN115970252A (zh) | 一种折返跑的测量方法及测量装置 | |
CN115116126A (zh) | 仰卧起坐的考核方法及其实现装置 | |
CN115690895A (zh) | 基于人体骨骼点检测的多人运动检测方法及装置 | |
CN114176532A (zh) | 一种测定cfPWV参数的临床验证方法及其应用系统 | |
CN115177927B (zh) | 一种仰卧起坐测试装置与检测方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Zhen Inventor after: Wu Jun Inventor before: Liu Zhen |