CN115138059A - 一种引体向上的规范计数方法、系统及其存储介质 - Google Patents

一种引体向上的规范计数方法、系统及其存储介质 Download PDF

Info

Publication number
CN115138059A
CN115138059A CN202211081432.0A CN202211081432A CN115138059A CN 115138059 A CN115138059 A CN 115138059A CN 202211081432 A CN202211081432 A CN 202211081432A CN 115138059 A CN115138059 A CN 115138059A
Authority
CN
China
Prior art keywords
detection point
detection
nose
pull
shoulder
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
CN202211081432.0A
Other languages
English (en)
Other versions
CN115138059B (zh
Inventor
陈念东
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.)
Nanjing Awakening Intelligent Equipment Co ltd
Original Assignee
Nanjing Awakening Intelligent Equipment 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 Nanjing Awakening Intelligent Equipment Co ltd filed Critical Nanjing Awakening Intelligent Equipment Co ltd
Priority to CN202211081432.0A priority Critical patent/CN115138059B/zh
Publication of CN115138059A publication Critical patent/CN115138059A/zh
Application granted granted Critical
Publication of CN115138059B publication Critical patent/CN115138059B/zh
Priority to PCT/CN2023/116512 priority patent/WO2024051597A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0605—Decision makers and devices using detection means facilitating arbitration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B21/00—Exercising apparatus for developing or strengthening the muscles or joints of the body by working against a counterforce, with or without measuring devices
    • A63B21/06—User-manipulated weights
    • A63B21/068—User-manipulated weights using user's body weight
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A63B23/035—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously
    • A63B23/12—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously for upper limbs or related muscles, e.g. chest, upper back or shoulder muscles
    • A63B23/1209—Involving a bending of elbow and shoulder joints simultaneously
    • A63B23/1218—Chinning, pull-up, i.e. concentric movement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A63B71/0669—Score-keepers or score display devices
    • 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
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/17—Counting, e.g. counting periodical movements, revolutions or cycles, or including further data processing to determine distances or speed

Abstract

本发明公开了一种引体向上的规范计数方法、系统及其存储介质，具体通过摄像头采集受试者引体向上区域的图像，通过则开启引体向上的规范计数服务，基于计算机视觉目标检测确定头部轮廓中鼻子、肩部、肘部和腕部检测点，进行引体向上规范计数的分析判断，以此更新受试者的规范引体向上数量，并进行更新受试者的规范引体向上数量。本发明可基于计算机视觉目标检测来设置多个相应的检测点再进行运动物体检测和目标跟踪，得到相应的变化值，并根据被测者相应的体态比例，进行相应的阈值比对后可输出判断结果，避免了人工和现有的图像识别计算的缺点，使得引体向上计算达到了精准化、正规化、标准化和高效化。

Description

一种引体向上的规范计数方法、系统及其存储介质
技术领域
本发明涉及引体向上技术领域，特别是一种防作弊的引体向上的规范计数方法、系统及其存储介质。
背景技术
引体向上，有时候简称引体，指依靠自身力量克服自身体重向上做功的垂吊练习，是最基本的锻炼背部的方法，是中考和高中体育会考的考试选择项目之一，是衡量学生体质的重要参考标准和项目之一。引体向上正确规范的计数标准是以人体的下颌部过单杠高度，计数一个。
现阶段往往通过人工或机器视觉处理识别的方案进行引体向上的计数，其中，人工计数存在引体向上的计数标准难以判定，因为人眼在不同的角度或位置看到的图像不同，且人具有很大的主观判断的影响，进而影响实际的判断效果；现有的通过机器视觉处理识别引体向上的行为，再通过分析、计算和判断的方法，通过人像上某个身体部位的位移比进行分析判断，这种方法存在着很大弊端，由于引体向上正确且规范的计数是以人体的下颌部过单杠高度为一个的计数，若采用某个身体部位的位移比进行分析判断，学生则会利用这一判断规则进行作弊，具体地如蜷缩某个身体部位，以达到较大的与初始距离的比值，进而进行作弊式、不标准和错误的计算方式；同时规范的引体向上动作，被测者的手部为正手抓杆后进行上下引体运动，然而现有的引体向上的规范计数方法通过图像识别技术在计数时，没有正手抓杆判断过程；进一步说明的，现阶段也有以采集图像中形成的头部轮廓，判断头部是否高过横杠，根据头部轮廓的判断存在误差较大，不够精确，被测者也可伸长头部使头部过横杠即可，然而整个身体没有向上运动，所以使得引体向上的动作不标准，在引体向上考试中也会造成作弊现象的发生。为此我们提出一种防作弊的引体向上的规范计数方法、系统、装置及其存储介质。
发明内容
鉴于上述现有的引体向上考试中存在的计数不准确和易作弊的问题，提出了本发明。
因此，本发明其中的一个目的是提供一种引体向上的规范计数方法、系统及其存储介质，其利用图像识别技术，分帧人体上半身视频数据，设置多个相应的特征检测点再进行运动物体检测和目标跟踪，得到相应的变化值，并根据被测者相应的体态比例以及手抓方向，精准判断引体向上操作是否规范，进行相应的阈值比对后可输出判断结果，使得引体向上定位快速识别、计数准确，避免人工作弊现象的发生，使其计算达到了精准化、正规化、标准化和高效化。为解决上述技术问题，本发明提供如下技术方案：
第一方面，提供了一种引体向上的规范计数方法，应用于电子设备，该方法包括：通过摄像头采集受试者引体向上区域的图像，利用人形目标检测算法找到在所述引体向上区域的图像中所识别的受试者的人形，判断在受试者的人形图像中受试者是否已直臂悬垂处在初始位置，以及进行引体向上正反手判断，通过则完成引体向上准备；通过则开启引体向上的规范计数服务，具体地，根据采集受试者的人形图像，基于计算机视觉目标检测确定头部轮廓中鼻子检测点，以及上身轮廓中肩部、肘部和腕部检测点，并进行上述鼻子、肩部、肘部和腕部检测点的目标跟踪，得到鼻子、肩部、肘部和腕部检测点的初始位置与运动后位置，进行引体向上规范计数的分析判断，具体判断方法如下：
当头部轮廓中鼻子检测点的运动位置高度低于横杆时，得到当前所述肩部、肘部 和腕部检测点中，腕部检测点与肩部检测点之间的距离值
Figure 774794DEST_PATH_IMAGE001
；
当头部轮廓中鼻子检测点的运动位置高度高于横杆时，得到鼻子检测点最高点与 横杆的距离值
Figure 752108DEST_PATH_IMAGE002
，并判断鼻子检测点最高点与横杆的距离值
Figure 259313DEST_PATH_IMAGE002
是否满足鼻子 检测点与横杆之间距离的规范阈值；同时得到腕部检测点与肩部检测点之间变化的最近距 离值
Figure 331174DEST_PATH_IMAGE003
，并判断腕部检测点与肩部检测点之间变化的最近距离值
Figure 256536DEST_PATH_IMAGE003
是否满足腕 部检测点与肩部检测点之间距离的规范阈值；
腕部检测点与肩部检测点之间变化的最近距离值
Figure 122861DEST_PATH_IMAGE003
满足腕部检测点与肩部 检测点之间距离的规范阈值，同时鼻子检测点最高点与横杆的距离值
Figure 382941DEST_PATH_IMAGE002
满足鼻子检 测点与横杆之间距离的规范阈值，则判定为规范的引体向上行为，并更新引体向上的计数 值，待鼻子、肩部、肘部和腕部检测点位置回到初始位置，根据上述引体向上规范计数的分 析判断，以此更新受试者的规范引体向上数量，并进行更新受试者的规范引体向上数量的 显示或/和语音播报，直至受试者引体向上测试结束。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，在判定为规范的 引体向上行为，并更新引体向上的计数值中，具体地，腕部检测点与肩部检测点之间变化的 最近距离值
Figure 992913DEST_PATH_IMAGE003
满足腕部检测点与肩部检测点之间距离的规范阈值，同时鼻子检测点最 高点与横杆的距离值
Figure 772782DEST_PATH_IMAGE004
满足鼻子检测点与横杆之间距离的规范阈值，所述更新引体 向上的计数值的变量值增加0.5；
再确定受试者是否回归初始位置，具体地，当头部轮廓中鼻子检测点的运动位置 高度低于横杆时，得到鼻子检测点最低点与横杆的距离值
Figure 810008DEST_PATH_IMAGE005
，所述头部轮廓中鼻子检 测点的初始位置包括鼻子检测点高度与横杆高度之间的距离值
Figure 557384DEST_PATH_IMAGE006
，判断鼻子检测点最低 点与横杆的距离值
Figure 236627DEST_PATH_IMAGE005
是否满足初始位置鼻子检测点高度与横杆高度之间的距离值
Figure 871002DEST_PATH_IMAGE007
的变化阈值范围；
若满足则判定受试者的头部回归初始位置，并判断当前受试者的头部回归初始位置与上一受试者的头部回归初始位置的时间，是否超过预设规定的时间，如果没超过预设规定的时间，所述更新引体向上的计数值的变量值增加0.5，形成一个完整的引体向上规范计数行为的判定。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，判断鼻子检测点 最低点与横杆的距离值
Figure 344709DEST_PATH_IMAGE005
是否满足初始位置鼻子检测点高度与横杆高度之间的距离 值
Figure 313802DEST_PATH_IMAGE006
的变化阈值范围，具体地，计算鼻子检测点最低点的位移比例
Figure 265577DEST_PATH_IMAGE008
，
Figure 8319DEST_PATH_IMAGE009
；
所述变化阈值设为
Figure 387348DEST_PATH_IMAGE010
，若位移比例
Figure 843737DEST_PATH_IMAGE011
小于变化阈值
Figure 599203DEST_PATH_IMAGE010
，则判定受试者的头部回 归初始位置。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，所述人形目标检测算法包括基于OpenCV开源库的人形目标检测算法，所述基于OpenCV开源库的人形目标检测算法通过卷积网络提取特征，得到一组特征图，使用CNN网络提取关节点置信图和关节亲和场。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，基于计算机视觉目标检测，鼻子、肩部、肘部和腕部检测点的域检测模型训练算法的实现方法，具体包括：
步骤S201，收集引体向上的训练视频，提取视频帧得到训练图片集X；
步骤S202，使用LabelMe标注平台对训练图片集X进行标注，标注出受试者的鼻子、肩部、肘部和腕部的区域，获得鼻子、肩部、肘部和腕部区域的类别标签，分别为Y1、Y2、Y3和Y4，以及鼻子、肩部、肘部和腕部区域的边框标签B1、B2、B3和B4；
步骤S203，使用大规模目标检测数据集COCO上训练好的YOLOv5深度神经网络模型作为鼻子、肩部、肘部和腕部区域的检测模型，以引体向上的训练图片集X作为输入，鼻子、肩部、肘部和腕部区域的类别标签，即Y1，Y2 ,Y3和Y4，鼻子、肩部、肘部和腕部区域的边框标签，即B1，B2 ,B3和B4，作为预测目标；
步骤S204，构建目标检测损失函数，具体如下：
Figure 208170DEST_PATH_IMAGE012
；
其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示目标检测模型，x i 表示第i个训练图像，y i 表示第i个图像的目标类别，b i 表示第i个图像的目标框，N表示图像数量；
步骤S205，基于随机梯度下降，对鼻子、肩部、肘部和腕部区域检测模型的参数迭代式更新，得到训练好的鼻子、肩部、肘部和腕部区域检测模型。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，在获得鼻子、肩 部、肘部和腕部检测点的初始位置时，分析受试者的体态大小，即对受试者进行分级处理， 不同等级的受试者所匹配的引体向上规范阈值不同，具体地，通过受试者两肩的宽度或腕 部检测点与肩部检测点之间的距离值
Figure 23679DEST_PATH_IMAGE013
进行分级处理，至少分为5个等级，相应的匹配至少5 个引体向上规范阈值。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，还包括引体向上正反手判断，具体地根据受试者的人形图像，分割出手部抓杠区域图像，通过CNN网络和相似度图像识别，得到当前手部抓杠区域的状态，分为正手抓杠和反手抓杠；根据受试者的人形图像，分割出手部抓杠区域图像，通过CNN网络和相似度图像识别，得到当前手部抓杠区域的状态，分为正手抓杠和反手抓杠；向CNN网络中输入彩色及对应的深度图像，并同时分别从基于彩色网络通道和深度网络通道的六个不同尺度的特征图上提取特征来进行检测，并将彩色网络通道和深度网络通道的检测结果同时进行非极大值抑制后输出，具体如下：
Figure 967365DEST_PATH_IMAGE014
其中，
Figure 260943DEST_PATH_IMAGE015
为卷积网络的第l层的第j个神经元输出，
Figure 724416DEST_PATH_IMAGE016
为上层输出，
Figure 710827DEST_PATH_IMAGE017
为卷 积层的激活函数，M为选择的输入特征图的集合，w l 为卷积网络第l层的权重，b l 为网络层第l 层的偏置，
Figure 141808DEST_PATH_IMAGE018
表示第l层的第i个通道的第j个神经元输出；
经过若干次提取特征值后，将所有的特征值放入检测层进行融合，再进行非极大值抑制操作，还包括引入比例惩罚系数的非极大值抑制算法，
根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数并经过多轮迭代去除置信分数偏低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值时，惩罚系数为1；比例惩罚系数是通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：
Figure 255389DEST_PATH_IMAGE019
；
Figure 822636DEST_PATH_IMAGE020
；
其中，
Figure 979948DEST_PATH_IMAGE021
是检测框预置信度得分最高框的IoU值，引入惩罚系数后， 当
Figure 898226DEST_PATH_IMAGE022
，惩罚系数为1，此时置信度与初始NMS对应检测框的置信度相同；
Figure 284339DEST_PATH_IMAGE023
，此时引入惩罚系数的NMS的对应检测框置信度由变为
Figure 971672DEST_PATH_IMAGE024
，G为对应检测框原有置信分数。
基于上述，当受试者正手抓杠时，正常开启引体向上的规范计数服务并完成引体向上规范计数的分析判断，当受试者反手抓杠时，通过显示或/和语音播报提醒受试者当前手部抓杠区域的状态为反手，不符合引体向上的规范，并需要进行调整至正手抓杠后开启引体向上的规范计数服务并完成引体向上规范计数的分析判断。
结合第一方面和上述实现方式，在第一方面的某些实现方式中，在进行引体向上 规范计数的分析判断中，根据手肘部的变化夹角
Figure 299885DEST_PATH_IMAGE025
，进行判断引体向上的行为是否规 范，具体地，连接腕部检测点与肘部检测点形成线段，以及连接肘部检测点与肩部检测点形 成线段，两个线段相交形成手肘部的变化夹角
Figure 439879DEST_PATH_IMAGE025
，再确定所述腕部检测点与肘部检测点 之间的距离值
Figure 895263DEST_PATH_IMAGE026
，肩部检测点与肘部检测点之间的距离值
Figure 437102DEST_PATH_IMAGE027
，并通过余弦定理得到手肘 部的变化夹角
Figure 936217DEST_PATH_IMAGE025
的当前角度值，与预设标准手肘部角度阈值比对，进而判断是否为规范 的引体向上行为。
第二方面，本申请提供了一种引体向上的规范计数方法的系统，包括：
检测模块，用于获取摄像头采集受试者引体向上区域的图像；
测试开始判断模块，用于判断在受试者的人形图像中，受试者是否已直臂悬垂处在初始位置做好了引体向上准备；
处理模块，用于在引体向上过程中，规范引体向上的计数分析判断；
输出模块，用于输出受试者引体向上的测试结果；
还包括一个或多个处理器；一个或多个存储器；以及一个或多个程序，其中该一个或多个程序被存储在该存储器中，当该一个或者多个程序被该处理器执行时，使得该电子设备执行以上引体向上的规范计数方法。
第三方面，本申请还提供了一种装置，该装置包含应用上述第二方面系统的电子设备，该电子设备具有实现上述方面及上述方面的可能实现方式中引体向上的规范计数方法行为的功能。功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。例如，显示模块或单元、摄像模块或单元、音频模块或单元等；还包括单杠、垫子、外置喇叭和支架等，该电子设备可通过支架对单杠进行使用。
第四方面，本申请提供了一种计算机存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述任一方面任一项可能的引体向上的规范计数方法。
第五方面，本申请提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述任一方面任一项可能的引体向上的规范计数方法。
本发明的有益效果：本发明通过分帧人体上半身视频数据，可基于计算机视觉目标检测来设置多个相应的特征检测点再进行运动物体检测和目标跟踪，得到相应的变化值，并根据被测者相应的体态比例以及手抓方向，精准判断引体向上操作是否规范，进行相应的阈值比对后可输出判断结果，使得引体向上定位快速识别、计数准确，避免人工作弊现象的发生，使其计算达到了精准化、正规化、标准化和高效化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明实施例1和实施例2中引体向上的规范计数方法的流程图；
图2为本发明实施例1和实施例2中域检测模型训练算法的实现方法的流程图；
图3为本发明实施例1中引体向上的规范计数示意图；
图4为本发明实施例2中引体向上的规范计数示意图；
图5为本发明实施例1和实施例2中引体向上的规范计数系统的模块化结构示意图；
图6为本发明实施例1和实施例2中引体向上的规范计数硬件的结构示意图。
图中标号：201、检测模块；202、测试开始判断模块；203、处理模块；204、输出模块；40、总线；41、处理器；42、存储器；43、通信接口。
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的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
由于在现有的引体向上考试中存在的计数不准确和易作弊的问题，现阶段的根据头部轮廓判断存在误差较大，不够精确，被测者也可伸长头部使头部过横杠即可，然而整个身体没有向上运动，所以使得引体向上的动作不标准，在引体向上考试中也会造成作弊现象的发生；
基于此，本发明提出了一种引体向上的规范计数方法、系统及其存储介质，本发明通过分帧人体上半身视频数据，可基于计算机视觉目标检测来设置多个相应的检测点再进行运动物体检测和目标跟踪，得到相应的变化值，并根据被测者相应的体态比例，进行相应的阈值比对后可输出判断结果，避免了人工和现有的图像识别计算的缺点，使得引体向上计算达到了精准化、正规化、标准化和高效化。
参照图1、图2和图3，为本发明的一个实施例，该实施例提供了一种引体向上的规范计数方法，应用于电子设备，该方法包括：
步骤S1：通过摄像头采集受试者引体向上区域的图像，利用人形目标检测算法找到在引体向上区域的图像中所识别的受试者的人形，判断在受试者的人形图像中受试者是否已直臂悬垂处在初始位置，以及进行引体向上正反手判断，通过则完成引体向上准备；
步骤S2：开启引体向上的规范计数服务，具体地，根据采集受试者的人形图像，基于计算机视觉目标检测确定头部轮廓中鼻子检测点，以及上身轮廓中肩部、肘部和腕部检测点，并进行上述鼻子、肩部、肘部和腕部检测点的目标跟踪，得到鼻子、肩部、肘部和腕部检测点的初始位置与运动后位置，进行引体向上规范计数的分析判断，具体判断方法如下：
当头部轮廓中鼻子检测点的运动位置高度低于横杆时，得到当前肩部、肘部和腕 部检测点中，腕部检测点与肩部检测点之间的距离值
Figure 563507DEST_PATH_IMAGE001
。如图3中a1表示受试者处于引体向 上最底点，a2表示受试者处于引体向上过程中，a3表示受试者处于引体向上最高点。结合图 3中a2所示；当头部轮廓中鼻子检测点的运动位置高度高于横杆时，得到鼻子检测点最高点 与横杆的距离值
Figure 291423DEST_PATH_IMAGE028
，并判断鼻子检测点最高点与横杆的距离值
Figure 953349DEST_PATH_IMAGE028
是否满足鼻 子检测点与横杆之间距离的规范阈值，结合图3中a3所示；同时得到腕部检测点与肩部检测 点之间变化的最近距离值
Figure 623364DEST_PATH_IMAGE003
，并判断腕部检测点与肩部检测点之间变化的最近距离值
Figure 737951DEST_PATH_IMAGE003
是否满足腕部检测点与肩部检测点之间距离的规范阈值；
腕部检测点与肩部检测点之间变化的最近距离值
Figure 269557DEST_PATH_IMAGE003
满足腕部检测点与肩部 检测点之间距离的规范阈值，同时鼻子检测点最高点与横杆的距离值
Figure 785989DEST_PATH_IMAGE028
满足鼻子检 测点与横杆之间距离的规范阈值，则判定为规范的引体向上行为，并更新引体向上的计数 值，待鼻子、肩部、肘部和腕部检测点位置回到初始位置；
步骤S3：根据上述引体向上规范计数的分析判断，以此更新受试者的规范引体向上数量，并进行更新受试者的规范引体向上数量的显示或/和语音播报，直至受试者引体向上测试结束。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，本实施例进 一步地在判定为规范的引体向上行为，并更新引体向上的计数值中，具体地，腕部检测点与 肩部检测点之间变化的最近距离值
Figure 626907DEST_PATH_IMAGE003
满足腕部检测点与肩部检测点之间距离的规范 阈值，同时鼻子检测点最高点与横杆的距离值
Figure 228789DEST_PATH_IMAGE028
满足鼻子检测点与横杆之间距离的 规范阈值，结合图3中a3所示，更新引体向上的计数值的变量值增加0.5；再确定受试者是否 回归初始位置，具体地，当头部轮廓中鼻子检测点的运动位置高度低于横杆时，得到鼻子检 测点最低点与横杆的距离值
Figure 829666DEST_PATH_IMAGE005
，头部轮廓中鼻子检测点的初始位置包括鼻子检测点 高度与横杆高度之间的距离值
Figure 200604DEST_PATH_IMAGE029
，判断鼻子检测点最低点与横杆的距离值
Figure 212423DEST_PATH_IMAGE005
是否满 足初始位置鼻子检测点高度与横杆高度之间的距离值
Figure 36022DEST_PATH_IMAGE029
的变化阈值范围，结合图3中a1所 示；
若满足则判定受试者的头部回归初始位置，并判断当前受试者的头部回归初始位置与上一受试者的头部回归初始位置的时间，是否超过预设规定的时间，如果没超过预设规定的时间，更新引体向上的计数值的变量值增加0.5，形成一个完整的引体向上规范计数行为的判定。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，本实施例进 一步地在判断鼻子检测点最低点与横杆的距离值
Figure 175011DEST_PATH_IMAGE005
是否满足初始位置鼻子检测点高 度与横杆高度之间的距离值
Figure 400456DEST_PATH_IMAGE029
的变化阈值范围，具体地，计算鼻子检测点最低点的位移比 例
Figure 583175DEST_PATH_IMAGE030
，
Figure 159650DEST_PATH_IMAGE031
；
变化阈值设为
Figure 836750DEST_PATH_IMAGE032
，若位移比例
Figure 916702DEST_PATH_IMAGE011
小于变化阈值
Figure 535902DEST_PATH_IMAGE032
，则判定受试者的头部回归初 始位置。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，本实施例具体地，人形目标检测算法包括基于OpenCV开源库的人形目标检测算法，基于OpenCV开源库的人形目标检测算法通过卷积网络提取特征，得到一组特征图，使用CNN网络提取关节点置信图和关节亲和场。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，本实施例具体地，基于计算机视觉目标检测，鼻子、肩部、肘部和腕部检测点的域检测模型训练算法具体实现方法，如图2所示，具体如下：
步骤S201，收集引体向上的训练视频，提取视频帧得到训练图片集X；
步骤S202，使用LabelMe标注平台对训练图片集X进行标注，标注出受试者的鼻子、肩部、肘部和腕部的区域，获得鼻子、肩部、肘部和腕部区域的类别标签，分别为Y1、Y2、Y3和Y4，以及鼻子、肩部、肘部和腕部区域的边框标签B1、B2、B3和B4；
步骤S203，使用大规模目标检测数据集COCO上训练好的YOLOv5深度神经网络模型作为鼻子、肩部、肘部和腕部区域的检测模型，以引体向上的训练图片集X作为输入，鼻子、肩部、肘部和腕部区域的类别标签，即Y1，Y2 ,Y3和Y4，鼻子、肩部、肘部和腕部区域的边框标签，即B1，B2 ,B3和B4，以此作为预测目标；
步骤S204，构建目标检测损失函数，具体如下：
Figure 334094DEST_PATH_IMAGE033
；
其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示目标检测模型，x i 表示第i个训练图像，y i 表示第i个图像的目标类别，b i 表示第i个图像的目标框，N表示图像数量；
步骤S205，基于随机梯度下降，对鼻子、肩部、肘部和腕部区域检测模型的参数迭代式更新，得到训练好的鼻子、肩部、肘部和腕部区域检测模型。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，在获得鼻子、 肩部、肘部和腕部检测点的初始位置时，分析受试者的体态大小，即对受试者进行分级处 理，不同等级的受试者所匹配的引体向上规范阈值不同，具体地，通过受试者两肩的宽度或 腕部检测点与肩部检测点之间的距离值
Figure 549305DEST_PATH_IMAGE001
进行分级处理，至少分为5个等级，相应的匹配至 少5个引体向上规范阈值。
结合第一实施例和上述实现方式，在第一实施例的某些实现方式中，还包括引体向上正反手判断，具体地根据受试者的人形图像，分割出手部抓杠区域图像，通过CNN网络和相似度图像识别，得到当前手部抓杠区域的状态，分为正手抓杠和反手抓杠；根据受试者的人形图像，分割出手部抓杠区域图像，通过CNN网络和相似度图像识别，得到当前手部抓杠区域的状态，分为正手抓杠和反手抓杠；具体地基于SSD_MobileNet双流网络框架的融合模型，同时向两个具有相同结构的SSD_MobileNet网络中输入彩色及对应的深度图像，将前端网络设为MobileNet，后端算法为SSD，进行目标检测，其中SSD算法和FC算法不同的是，SSD算法在多个尺度的特征图上分别执行目标检测工作，这样可以使得各个尺度的目标都能被兼顾，小尺度特征图预测大目标，大尺度特征图预测相对较小的目标。并同时分别从基于彩色网络通道和深度网络通道的六个不同尺度的特征图上提取特征来进行检测，并将彩色网络通道和深度网络通道的检测结果同时进行非极大值抑制后输出；
Figure 749343DEST_PATH_IMAGE014
；
其中，
Figure 539444DEST_PATH_IMAGE015
为卷积网络的第l层的第j个神经元输出，
Figure 559353DEST_PATH_IMAGE016
为上层输出，
Figure 843835DEST_PATH_IMAGE034
为卷 积层的激活函数，M为选择的输入特征图的集合，w l 为卷积网络第l层的权重，b l 为网络层第l 层的偏置，
Figure 898378DEST_PATH_IMAGE035
表示第l层的第i个通道的第j个神经元输出；
经过若干次提取特征值后，将所有的特征值放入检测层进行融合，再进行非极大值抑制操作，还包括引入比例惩罚系数的非极大值抑制算法，
根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数并经过多轮迭代去除置信分数偏低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：
Figure 593802DEST_PATH_IMAGE036
；
Figure 366586DEST_PATH_IMAGE020
；
其中，
Figure 189179DEST_PATH_IMAGE021
是检测框预置信度得分最高框的IoU值，引入惩罚系数后， 当
Figure 98230DEST_PATH_IMAGE022
，惩罚系数为1，此时置信度与初始NMS对应检测框的置信度相同；
Figure 230134DEST_PATH_IMAGE023
，此时引入惩罚系数的NMS的对应检测框置信度由变为
Figure 224634DEST_PATH_IMAGE024
，G为对应检测框原有置信分数。
基于上述，可知当受试者正手抓杠时，正常开启引体向上的规范计数服务并完成引体向上规范计数的分析判断，当受试者反手抓杠时，通过显示或/和语音播报提醒受试者当前手部抓杠区域的状态为反手，不符合引体向上的规范，并需要进行调整至正手抓杠后开启引体向上的规范计数服务，并完成引体向上规范计数的分析判断。
实施例2，参照图4中b1表示受试者处于引体向上最底点，b2表示受试者处于引体 向上过程中，b3表示受试者处于引体向上最高点，该实施例结合第一实施例和上述实现方 式，在第一实施例的某些实现方式中，在进行引体向上规范计数的分析判断中，根据手肘部 的变化夹角
Figure 850919DEST_PATH_IMAGE025
，进行判断引体向上的行为是否规范，具体地，连接腕部检测点与肘部检 测点形成线段，以及连接肘部检测点与肩部检测点形成线段，两个线段相交形成手肘部的 变化夹角
Figure 880055DEST_PATH_IMAGE025
，结合图4中b1、b2和b3所示；再确定腕部检测点与肘部检测点之间的距离值
Figure 917281DEST_PATH_IMAGE026
，肩部检测点与肘部检测点之间的距离值
Figure 664657DEST_PATH_IMAGE037
，并通过余弦定理得到手肘部的变化夹角
Figure 94633DEST_PATH_IMAGE025
的当前角度值，与预设标准手肘部角度阈值比对，进而判断是否为规范的引体向上行 为。
请参考图5，本申请提供了一种引体向上的规范计数方法的系统，包括：
检测模块201，用于获取摄像头采集受试者引体向上区域的图像；
测试开始判断模块202，用于判断在受试者的人形图像中，受试者是否已直臂悬垂处在初始位置做好了引体向上准备；
处理模块203，用于在引体向上过程中，规范引体向上的计数分析判断；
输出模块204，用于输出受试者引体向上的测试结果。
同时本申请还提供了一种装置，该装置包含应用上述第二方面系统的电子设备，该电子设备具有实现上述方面及上述方面的可能实现方式中引体向上的规范计数方法行为的功能。功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。例如，显示模块或单元、摄像模块或单元、音频模块或单元等；还包括单杠、垫子、外置喇叭和支架等，该电子设备可通过支架对单杠进行使用。
图6为根据本申请实施例电子设备应用的引体向上规范计数程序所要用到的硬件结构示意图。
电子设备可以包括处理器41以及存储有计算机程序指令的存储器42。可以理解的是，本申请实施例示意的结构并不构成对电子设备的具体限定。在本申请另一些实施例中，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
具体地，上述处理器41可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器42可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器42可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为OPENCV)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器42可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器42可在数据处理装置的内部或外部。在特定实施例中，存储器42是非易失性(Non-Volatile)存储器。在特定实施例中，存储器42包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器42可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器41所执行的可能的计算机程序指令；处理器41通过读取并执行存储器42中存储的计算机程序指令，以实现上述实施例中的电子设备引体向上规范计数分析处理方法。
在其中一些实施例中，电子设备还可包括通信接口43和总线40。其中，如图4所示，处理器41、存储器42、通信接口43通过总线40连接并完成相互间的通信。
通信接口43用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口43还可以实现与其他部件，例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线40包括硬件、软件或两者，将引体向上计数设备的部件彼此耦接在一起。总线40包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线40可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(Infini Band)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线40可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
以上，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种引体向上的规范计数方法，其特征在于，包括：
步骤S1：通过摄像头采集受试者引体向上区域的图像，利用人形目标检测算法找到在所述引体向上区域的图像中所识别的受试者的人形，判断在受试者的人形图像中受试者是否已直臂悬垂处在初始位置，以及进行引体向上正反手判断，通过则完成引体向上准备；
步骤S2：开启引体向上的规范计数服务，具体地，根据采集受试者的人形图像，基于计算机视觉目标检测确定头部轮廓中鼻子检测点，以及上身轮廓中肩部、肘部和腕部检测点，并进行上述头部轮廓中鼻子检测点、肩部、肘部和腕部检测点的目标跟踪，得到头部轮廓中鼻子检测点、肩部、肘部和腕部检测点的初始位置与运动后位置，进行引体向上规范计数的分析判断，具体判断方法如下：
当头部轮廓中鼻子检测点的运动位置高度低于横杆时，得到当前所述肩部、肘部和腕 部检测点中，腕部检测点与肩部检测点之间的距离值
Figure 879856DEST_PATH_IMAGE001
；
当头部轮廓中鼻子检测点的运动位置高度高于横杆时，得到鼻子检测点最高点与横杆 的距离值
Figure 87983DEST_PATH_IMAGE002
，并判断鼻子检测点最高点与横杆的距离值
Figure 57076DEST_PATH_IMAGE002
是否满足鼻子检测 点与横杆之间距离的规范阈值；同时得到腕部检测点与肩部检测点之间变化的最近距离值
Figure 25163DEST_PATH_IMAGE003
，并判断腕部检测点与肩部检测点之间变化的最近距离值
Figure 763312DEST_PATH_IMAGE003
是否满足腕部检 测点与肩部检测点之间距离的规范阈值；
腕部检测点与肩部检测点之间变化的最近距离值
Figure 407920DEST_PATH_IMAGE003
满足腕部检测点与肩部检测 点之间距离的规范阈值，同时鼻子检测点最高点与横杆的距离值
Figure 864309DEST_PATH_IMAGE002
满足鼻子检测点 与横杆之间距离的规范阈值，则判定为规范的引体向上行为，并更新引体向上的计数值，待 鼻子、肩部、肘部和腕部检测点位置回到初始位置；
步骤S3：根据上述引体向上规范计数的分析判断，以此更新受试者的规范引体向上数量，并进行更新受试者的规范引体向上数量的显示或/和语音播报，直至受试者引体向上测试结束。
2.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，在判定为规范的引 体向上行为，并更新引体向上的计数值中，具体地，腕部检测点与肩部检测点之间变化的最 近距离值
Figure 370508DEST_PATH_IMAGE003
满足腕部检测点与肩部检测点之间距离的规范阈值，同时鼻子检测点最高 点与横杆的距离值
Figure 494322DEST_PATH_IMAGE002
满足鼻子检测点与横杆之间距离的规范阈值，所述更新引体向 上的计数值的变量值增加0.5；
再确定受试者是否回归初始位置，具体地，当头部轮廓中鼻子检测点的运动位置高度 低于横杆时，得到鼻子检测点最低点与横杆的距离值
Figure 309831DEST_PATH_IMAGE004
，所述头部轮廓中鼻子检测点 的初始位置包括鼻子检测点高度与横杆高度之间的距离值
Figure 987937DEST_PATH_IMAGE005
，判断鼻子检测点最低点与 横杆的距离值
Figure 297827DEST_PATH_IMAGE004
是否满足初始位置鼻子检测点高度与横杆高度之间的距离值
Figure 10568DEST_PATH_IMAGE005
的 变化阈值范围；
若满足则判定受试者的头部回归初始位置，并判断当前受试者的头部回归初始位置与上一受试者的头部回归初始位置的时间，是否超过预设规定的时间，如果没超过预设规定的时间，所述更新引体向上的计数值的变量值增加0.5，形成一个完整的引体向上规范计数行为的判定。
3.如权利要求2所述的一种引体向上的规范计数方法，其特征在于，判断鼻子检测点最 低点与横杆的距离值
Figure 996979DEST_PATH_IMAGE004
是否满足初始位置鼻子检测点高度与横杆高度之间的距离值
Figure 427960DEST_PATH_IMAGE005
的变化阈值范围，具体地，计算鼻子检测点最低点的位移比例
Figure 275961DEST_PATH_IMAGE006
，
Figure 843209DEST_PATH_IMAGE007
；
所述变化阈值设为
Figure 521DEST_PATH_IMAGE008
，若位移比例
Figure 653219DEST_PATH_IMAGE009
小于变化阈值
Figure 304911DEST_PATH_IMAGE008
，则判定受试者的头部回归初 始位置。
4.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，所述人形目标检测算法包括基于OpenCV开源库的人形目标检测算法，所述基于OpenCV开源库的人形目标检测算法通过卷积网络提取特征，得到一组特征图，使用CNN网络提取关节点置信图和关节亲和场。
5.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，基于计算机视觉目标检测，鼻子、肩部、肘部和腕部检测点的域检测模型训练算法的实现方法，具体包括：
步骤S201，收集引体向上的训练视频，提取视频帧得到训练图片集X；
步骤S202，使用LabelMe标注平台对训练图片集X进行标注，标注出受试者的鼻子、肩部、肘部和腕部的区域，获得鼻子、肩部、肘部和腕部区域的类别标签，分别为Y1、Y2、Y3和Y4，以及鼻子、肩部、肘部和腕部区域的边框标签B1、B2、B3和B4；
步骤S203，使用大规模目标检测数据集COCO上训练好的YOLOv5深度神经网络模型作为鼻子、肩部、肘部和腕部区域的检测模型，以引体向上的训练图片集X作为输入，鼻子、肩部、肘部和腕部区域的类别标签Y1，Y2 ,Y3和Y4，鼻子、肩部、肘部和腕部区域的边框标签B1，B2,B3和B4，作为预测目标；
步骤S204，构建目标检测损失函数，具体如下：
Figure 992245DEST_PATH_IMAGE010
；
其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示目标检测模型，x i 表示第i个训练图像，y i 表示第i个图像的目标类别，b i 表示第i个图像的目标框，N表示图像数量；
步骤S205，基于随机梯度下降，对鼻子、肩部、肘部和腕部区域检测模型的参数迭代式更新，得到训练好的鼻子、肩部、肘部和腕部区域检测模型。
6.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，在获得鼻子、肩部、 肘部和腕部检测点的初始位置时，分析受试者的体态大小，即对受试者进行分级处理，不同 等级的受试者所匹配的引体向上规范阈值不同，具体地，通过受试者两肩的宽度或腕部检 测点与肩部检测点之间的距离值
Figure 320458DEST_PATH_IMAGE001
进行分级处理，至少分为5个等级，相应的匹配至少5个 引体向上规范阈值。
7.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，所述引体向上正反手判断，根据受试者的人形图像，分割出手部抓杠区域图像，通过CNN网络和相似度图像识别，得到当前手部抓杠区域的状态，分为正手抓杠和反手抓杠；向CNN网络中输入彩色和对应的深度图像，并同时分别从基于彩色网络通道和深度网络通道的六个不同尺度的特征图上提取特征来进行检测，并将彩色网络通道和深度网络通道的检测结果同时进行非极大值抑制后输出，具体如下：
Figure 460452DEST_PATH_IMAGE011
；
其中，
Figure 915835DEST_PATH_IMAGE012
为卷积网络的第l层的第j个神经元输出，
Figure 457675DEST_PATH_IMAGE013
为上层输出，
Figure 956790DEST_PATH_IMAGE014
为卷积层的 激活函数，M为选择的输入特征图的集合，w l 为卷积网络第l层的权重，b l 为网络层第l层的偏 置，
Figure 334812DEST_PATH_IMAGE015
表示第l层的第i个通道的第j个神经元输出；
经过若干次提取特征值后，将所有的特征值放入检测层进行融合，再进行非极大值抑制操作，还包括引入比例惩罚系数的非极大值抑制算法，根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：
Figure 577575DEST_PATH_IMAGE016
；
Figure 239500DEST_PATH_IMAGE017
；
其中，
Figure 909516DEST_PATH_IMAGE018
是检测框预置信度得分最高框的IoU值，引入惩罚系数后，当
Figure 509256DEST_PATH_IMAGE019
，惩罚系数为1，此时置信度与初始NMS对应检测框的置信度相同；
Figure 555709DEST_PATH_IMAGE020
，此时引入惩罚系数的NMS的对应检测框置信度由变为
Figure 72141DEST_PATH_IMAGE021
，G为对应检测框原有置信分数。
8.如权利要求1所述的一种引体向上的规范计数方法，其特征在于，在进行引体向上规 范计数的分析判断中，根据手肘部的变化夹角
Figure 913058DEST_PATH_IMAGE022
，进行判断引体向上的行为是否规范， 具体地，连接腕部检测点与肘部检测点形成线段，以及连接肘部检测点与肩部检测点形成 线段，两个线段相交形成手肘部的变化夹角
Figure 265673DEST_PATH_IMAGE022
，再确定所述腕部检测点与肘部检测点之 间的距离值
Figure 850239DEST_PATH_IMAGE023
，肩部检测点与肘部检测点之间的距离值
Figure 221177DEST_PATH_IMAGE024
，并通过余弦定理得到手肘部 的变化夹角
Figure 232995DEST_PATH_IMAGE022
的当前角度值，与预设标准手肘部角度阈值比对，进而判断是否为规范的 引体向上行为。
9.基于权利要求1所述的一种引体向上的规范计数方法的系统，其特征在于，包括：
检测模块（201），用于获取摄像头采集受试者引体向上区域的图像；
测试开始判断模块（202），用于判断在受试者的人形图像中，受试者是否已直臂悬垂处在初始位置做好了引体向上准备；
处理模块（203），用于在引体向上过程中，规范引体向上的计数分析判断；
输出模块（204），用于输出受试者引体向上的测试结果。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有引体向上的规范计数方法的程序，被至少一个处理器（41）执行时实现如权利要求 1 至8中任意一项所述的一种引体向上的规范计数方法的步骤。
CN202211081432.0A 2022-09-06 2022-09-06 一种引体向上的规范计数方法、系统及其存储介质 Active CN115138059B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211081432.0A CN115138059B (zh) 2022-09-06 2022-09-06 一种引体向上的规范计数方法、系统及其存储介质
PCT/CN2023/116512 WO2024051597A1 (zh) 2022-09-06 2023-09-01 一种引体向上的规范计数方法、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081432.0A CN115138059B (zh) 2022-09-06 2022-09-06 一种引体向上的规范计数方法、系统及其存储介质

Publications (2)

Publication Number Publication Date
CN115138059A true CN115138059A (zh) 2022-10-04
CN115138059B CN115138059B (zh) 2022-12-02

Family

ID=83415879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081432.0A Active CN115138059B (zh) 2022-09-06 2022-09-06 一种引体向上的规范计数方法、系统及其存储介质

Country Status (2)

Country Link
CN (1) CN115138059B (zh)
WO (1) WO2024051597A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115337607A (zh) * 2022-10-14 2022-11-15 佛山科学技术学院 一种基于计算机视觉的上肢运动康复训练方法
CN115738219A (zh) * 2022-11-02 2023-03-07 科大讯飞股份有限公司 引体向上测评方法、装置、电子设备及存储介质
CN116306766A (zh) * 2023-03-23 2023-06-23 北京奥康达体育产业股份有限公司 一种基于骨骼识别技术的智慧单杠引体向上考核训练系统
WO2024051597A1 (zh) * 2022-09-06 2024-03-14 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、系统及其存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6422982B1 (en) * 1999-05-26 2002-07-23 Anthony F. Retel Chiropractic exerciser
GB2415918A (en) * 2003-12-15 2006-01-11 Gregory Mccabe Finn Portable device for assisting body weight exercises
CN105608467A (zh) * 2015-12-16 2016-05-25 西北工业大学 基于Kinect的无接触式学生体质测评方法
CN110796018A (zh) * 2019-09-30 2020-02-14 武汉科技大学 一种基于深度图像和彩色图像的手部运动识别方法
CN111368791A (zh) * 2020-03-18 2020-07-03 南通大学 基于Quick-OpenPose模型的引体向上测试计数方法及系统
CN112800905A (zh) * 2021-01-19 2021-05-14 浙江光珀智能科技有限公司 一种基于rgbd相机姿态估计的引体向上计数方法
CN113011344A (zh) * 2021-03-23 2021-06-22 安徽一视科技有限公司 一种基于机器视觉的引体向上数量计算方法
CN113128336A (zh) * 2021-03-10 2021-07-16 恒鸿达科技有限公司 一种引体向上测试计数方法、装置、设备和介质
CN113158729A (zh) * 2020-12-31 2021-07-23 杭州拓深科技有限公司 一种引体向上计数方法、装置、电子装置和存储介质
CN113255624A (zh) * 2021-07-14 2021-08-13 北京壹体科技有限公司 一种智能识别引体向上动作姿态完成状况的系统和方法
CN113856186A (zh) * 2021-09-02 2021-12-31 中国人民解放军陆军工程大学 一种引体向上动作判定与计数的方法、系统及装置
CN114038054A (zh) * 2021-10-26 2022-02-11 江苏凤凰智慧教育研究院有限公司 引体向上检测装置与方式
CN114067354A (zh) * 2021-10-13 2022-02-18 恒鸿达科技有限公司 一种基于视觉技术的引体向上测试计数方法、装置和介质
CN114582020A (zh) * 2022-03-09 2022-06-03 苏州清研军正电子科技有限公司 一种基于图像视觉技术的引体向上计数方法
CN114998986A (zh) * 2022-05-18 2022-09-02 延边大学 基于计算机视觉的引体向上动作规范智能识别方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110787424A (zh) * 2019-11-22 2020-02-14 西南财经大学天府学院 一种防作弊的引体向上智能测试系统及方法
CN111167107B (zh) * 2020-03-19 2023-04-18 中国人民解放军国防科技大学 基于人脸识别和人体姿态估计的引体向上测试系统
CN111282248A (zh) * 2020-05-12 2020-06-16 西南交通大学 一种基于骨骼和人脸关键点的引体向上检测系统及方法
US11819734B2 (en) * 2020-12-29 2023-11-21 NEX Team Inc. Video-based motion counting and analysis systems and methods for virtual fitness application
CN115138059B (zh) * 2022-09-06 2022-12-02 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、系统及其存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6422982B1 (en) * 1999-05-26 2002-07-23 Anthony F. Retel Chiropractic exerciser
GB2415918A (en) * 2003-12-15 2006-01-11 Gregory Mccabe Finn Portable device for assisting body weight exercises
CN105608467A (zh) * 2015-12-16 2016-05-25 西北工业大学 基于Kinect的无接触式学生体质测评方法
CN110796018A (zh) * 2019-09-30 2020-02-14 武汉科技大学 一种基于深度图像和彩色图像的手部运动识别方法
CN111368791A (zh) * 2020-03-18 2020-07-03 南通大学 基于Quick-OpenPose模型的引体向上测试计数方法及系统
CN113158729A (zh) * 2020-12-31 2021-07-23 杭州拓深科技有限公司 一种引体向上计数方法、装置、电子装置和存储介质
CN112800905A (zh) * 2021-01-19 2021-05-14 浙江光珀智能科技有限公司 一种基于rgbd相机姿态估计的引体向上计数方法
CN113128336A (zh) * 2021-03-10 2021-07-16 恒鸿达科技有限公司 一种引体向上测试计数方法、装置、设备和介质
CN113011344A (zh) * 2021-03-23 2021-06-22 安徽一视科技有限公司 一种基于机器视觉的引体向上数量计算方法
CN113255624A (zh) * 2021-07-14 2021-08-13 北京壹体科技有限公司 一种智能识别引体向上动作姿态完成状况的系统和方法
CN113856186A (zh) * 2021-09-02 2021-12-31 中国人民解放军陆军工程大学 一种引体向上动作判定与计数的方法、系统及装置
CN114067354A (zh) * 2021-10-13 2022-02-18 恒鸿达科技有限公司 一种基于视觉技术的引体向上测试计数方法、装置和介质
CN114038054A (zh) * 2021-10-26 2022-02-11 江苏凤凰智慧教育研究院有限公司 引体向上检测装置与方式
CN114582020A (zh) * 2022-03-09 2022-06-03 苏州清研军正电子科技有限公司 一种基于图像视觉技术的引体向上计数方法
CN114998986A (zh) * 2022-05-18 2022-09-02 延边大学 基于计算机视觉的引体向上动作规范智能识别方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024051597A1 (zh) * 2022-09-06 2024-03-14 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、系统及其存储介质
CN115337607A (zh) * 2022-10-14 2022-11-15 佛山科学技术学院 一种基于计算机视觉的上肢运动康复训练方法
CN115738219A (zh) * 2022-11-02 2023-03-07 科大讯飞股份有限公司 引体向上测评方法、装置、电子设备及存储介质
CN116306766A (zh) * 2023-03-23 2023-06-23 北京奥康达体育产业股份有限公司 一种基于骨骼识别技术的智慧单杠引体向上考核训练系统
CN116306766B (zh) * 2023-03-23 2023-09-22 北京奥康达体育产业股份有限公司 一种基于骨骼识别技术的智慧单杠引体向上考核训练系统

Also Published As

Publication number Publication date
CN115138059B (zh) 2022-12-02
WO2024051597A1 (zh) 2024-03-14

Similar Documents

Publication Publication Date Title
CN115138059B (zh) 一种引体向上的规范计数方法、系统及其存储介质
CN111259982B (zh) 一种基于注意力机制的早产儿视网膜图像分类方法和装置
WO2021184619A1 (zh) 一种人体运动姿态识别评价方法及其系统
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN110378232B (zh) 改进的ssd双网络的考场考生位置快速检测方法
CN109522855A (zh) 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质
CN112949408B (zh) 一种过鱼通道目标鱼类实时识别方法和系统
CN113920107A (zh) 一种基于改进yolov5算法的绝缘子破损检测方法
CN111008974A (zh) 多模型融合的股骨颈骨折区域定位和分割方法及系统
CN106611160A (zh) 一种基于卷积神经网络的图像头发识别方法及其装置
CN108052909B (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN111080624B (zh) 精子运动状态的分类方法、装置、介质及电子设备
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN111428655A (zh) 一种基于深度学习的头皮检测方法
CN109584206B (zh) 零件表面瑕疵检测中神经网络的训练样本的合成方法
CN107993228A (zh) 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN109919036A (zh) 基于时域分析深度网络的工人作业姿势分类方法
CN111126143A (zh) 一种基于深度学习的运动评判指导方法及系统
CN112507904A (zh) 一种基于多尺度特征的教室人体姿态实时检测方法
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN114693790A (zh) 基于混合注意力机制的自动图像描述方法与系统
CN111724356B (zh) 一种用于ct影像肺炎识别的图像处理方法和系统
CN113177476A (zh) 一种立定跳远脚后跟关键点的识别方法、系统及测试方法
CN112861881A (zh) 一种基于改进MobileNet模型的蜂窝肺识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant