CN115223240A - 基于动态时间规整算法的运动实时计数方法和系统 - Google Patents

基于动态时间规整算法的运动实时计数方法和系统 Download PDF

Info

Publication number
CN115223240A
CN115223240A CN202210784205.8A CN202210784205A CN115223240A CN 115223240 A CN115223240 A CN 115223240A CN 202210784205 A CN202210784205 A CN 202210784205A CN 115223240 A CN115223240 A CN 115223240A
Authority
CN
China
Prior art keywords
motion
target
sporter
video
attitude
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
CN202210784205.8A
Other languages
English (en)
Other versions
CN115223240B (zh
Inventor
李长霖
李海洋
侯永弟
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 Deck Intelligent Technology Co ltd
Original Assignee
Beijing Deck Intelligent 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 Deck Intelligent Technology Co ltd filed Critical Beijing Deck Intelligent Technology Co ltd
Priority to CN202210784205.8A priority Critical patent/CN115223240B/zh
Publication of CN115223240A publication Critical patent/CN115223240A/zh
Application granted granted Critical
Publication of CN115223240B publication Critical patent/CN115223240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于动态时间规整算法的运动实时计数方法和系统，方法包括：通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算目标运动者在运动视频的各帧图像中的运动姿态向量；进而将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果。这样，该运动实时计数方法将视频帧序列作为输入，通过实时动作分析，并结合预先创建的标准动作的动作规则库，实现对各种体育动作的计数，解决了动作识别和计数准确性较差的技术问题。

Description

基于动态时间规整算法的运动实时计数方法和系统
技术领域
本发明涉及运动监测技术领域，具体涉及一种基于动态时间规整算法的运动实时计数方法和系统。
背景技术
随着智能健身、云赛事、虚拟运动等新兴运动的兴起，AI健身得到了广泛推广，为了保证远程健身效果，AI健身软件中多嵌入运动计数模块。在现有技术中，在进行运动计数时，多通过摄像头捕捉人体姿态，再结合AI识别算法进行动作识别及计数。但是，现有方法对于动作速度较快或者较慢的运动，其动作识别和计数的准确性较差。
发明内容
为此，本发明实施例提供一种基于动态时间规整算法的运动实时计数方法和系统，以至少部分解决现有技术中运动动作识别和计数准确性较差的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于动态时间规整算法的运动实时计数方法，所述方法包括：
通过摄像设备实时采集人体运动视频数据；
通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；
将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；
基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；
其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
进一步地，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量，具体包括：
检测所述运动视频中每一帧图像中所述目标运动者的骨骼关键点的三维坐标，以得到每一帧图像中所述目标运动者的姿态图；
基于所述姿态图，获取多个目标骨骼关键点，并以任意三个所述目标骨骼关键点作为一个骨骼关键点序列，以得到多个骨骼关键点序列；
计算各所述骨骼关键点序列之间的夹角，得到序列夹角，并将所有序列夹角构成运动姿态向量。
进一步地，计算各所述骨骼关键点序列之间的夹角，得到序列夹角，并将所有序列夹角构成运动姿态向量，具体包括：
设定骨骼关键点n通过三维坐标(xn，yn，zn)描述，假设有[w，p，q]三个骨骼关键点序列，关键点的坐标为：(xw，yw，zw)，(xp，yp，zp)，(xq，yq，zq)，其中，w点和p点可以形成线段l1，q和p可以构成线段l2；
计算l1和l2之间的夹角即为w，p，q三个骨骼关键点形成的序列夹角；
计算其他骨骼关键点序列的序列夹角，并得到所有的序列夹角；
所有序列夹角的值构成运动姿态向量：[θ1，θ2，…，θn]。
进一步地，基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果，具体包括：
通过动态时间规整算法计算Ts与To的相似度pv，其中，Ts为所述动作规则库中目标动作的关节角度序列，To为所述运动视频中目标动作的关节角度序列；
判定pv的值大于第一相似度阈值，则当前窗口w向右滑动q帧，并通过动态时间规整算法计算标准动作视频Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm；
判定相似度pm大于第二相似度阈值，则动作计数加1。
进一步地，通过动态时间规整算法计算Ts与To的相似度pv，之后还包括：
判定pv的值小于所述第一相似度阈值，则窗口w向右滑动1帧，并重复计算Ts与To的相似度pv
进一步地，计算标准动作视频Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm，之后还包括：
判定pm小于所述第二相似度阈值，则保持当前动作计数不变。
本发明还提供一种基于动态时间规整算法的运动实时计数系统，所述系统包括：
数据获取单元，用于通过摄像设备实时采集人体运动视频数据；
姿态向量计算单元，用于通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；
姿态矩阵生成单元，用于将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；
计数结果输出单元，用于基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；
其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明所提供的基于动态时间规整算法的运动实时计数方法，通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；进而将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果。这样，该运动实时计数方法将视频帧序列作为输入，通过实时动作分析，并结合预先创建的标准动作的动作规则库，实现对各种体育动作的计数，可方便应用于各类体育项目，具有较好的动作识别性和技术准确性，解决了现有技术中存在的动作识别和计数准确性较差的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的基于动态时间规整算法的运动实时计数方法一种具体实施方式的流程图之一；
图2为本发明所提供的基于动态时间规整算法的运动实时计数方法一种具体实施方式的流程图之二；
图3为本发明所提供的基于动态时间规整算法的运动实时计数方法一种具体实施方式的流程图之三；
图4为本发明所提供的基于动态时间规整算法的运动实时计数方法一种具体实施方式的流程图之四；
图5为本发明所提供的基于动态时间规整算法的运动实时计数系统一种具体实施方式的结构框图；
图6为本发明所提供的电子设备的实体结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
对于同一种体育动作而言，当不同的人做的动作速度过快或者过慢时，都会影响算法的计数效果。为了解决这一问题，本发明提供了一种基于动态时间规整算法的运动实时计数方法，利用以时间顺序排列的运动姿势矩阵和预先创建的标准动作的动作规则库，得到目标时段内较为准确的运动计数结果。
请参考图1，图1为本发明所提供的基于动态时间规整算法的运动实时计数方法一种具体实施方式的流程图之一。
在一种具体实施方式中，本发明所提供的基于动态时间规整算法的运动实时计数方法包括以下步骤：
S101：通过摄像设备实时采集人体运动视频数据。
S102：通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量。运动视频会包括很多帧图像，每一帧图像都会得到一个运动姿态向量，则运动视频会得到多个运动姿态向量。
S103：将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵。以1分钟的运动视频为例，在该运动视频中，得到了多个运动姿态向量，这些运动姿态向量分别对应运动视频中的每一帧图像，这些帧图像在运动视频中是具有时间顺序的，则每帧图像在运动视频中的时间顺序将运动姿态向量进行排列，即可得到运动姿态矩阵。
S104：基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。动态时间规整(DTW)算法是把时间规整和距离测度计算结合起来算法。
在一些实施例中，如图2所示，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量，具体包括以下步骤：
S201：检测所述运动视频中每一帧图像中所述目标运动者的骨骼关键点的三维坐标，以得到每一帧图像中所述目标运动者的姿态图。在实际使用场景中，通常拍摄的运动视频都是2D的视频帧图，通过3D人体骨骼关键点检测算法分析后，可以检测出每一帧图中人体的骨骼关键点的三维坐标，运动视频经过分析后，每一帧都变成了由3D人体的骨骼关键点构成的姿态图。
S202：基于所述姿态图，获取多个目标骨骼关键点，并以任意三个所述目标骨骼关键点作为一个骨骼关键点序列，以得到多个骨骼关键点序列。
人体的运动姿态可以通过不同骨骼关节点之间形成的角度来描述。一个骨骼关键点n可以通过三维坐标(xn，yn，zn)来描述。假设有[w，p，q]三个骨骼关键点序列，关键点的坐标为：(xw，yw，zw)，(xp，yp，zp)，(xq，yq，zq)，其中，w点和p点可以形成线段l1，q和p可以构成线段l2。l1和l2之间的夹角即为w，p，q三个骨骼关键点形成的夹角。在该实施例中，定义了用于描述人体运动姿态的骨骼关键点序列有18个：[左踝关节，左膝关节，左髋关节]，[右踝关节，右膝关节，右髋关节]，[左膝关节，左髋关节，骨盆]，[右膝关节，右髋关节，骨盆]，[左手腕，左肘关节，左肩关节]，[右手腕，右肘关节，右肩关节]，[右肘关节，右肩关节，左肩关节]，[左肘关节，左肩关节，右肩关节]，[头顶、脖子、盆骨]，[右手腕，头顶，脖子]，[左手腕，头顶，脖子]，[左肘关节，头顶，脖子]，[右肘关节，头顶，脖子]，[头顶，左耳，脖子]，[头顶，右耳，脖子]，[左耳，脖子，右肩关节]，[右耳，脖子，左肩关节]，[左髋关节，骨盆，右髋关节]。
S203：计算各所述骨骼关键点序列之间的夹角，得到序列夹角，并将所有序列夹角构成运动姿态向量。
具体地，已知设定了骨骼关键点n通过三维坐标(xn，yn，zn)描述，假设有[w，p，q]三个骨骼关键点序列，关键点的坐标为：(xw，yw，zw)，(xp，yp，zp)，(xq，yq，zq)，其中，w点和p点可以形成线段l1，q和p可以构成线段l2；计算l1和l2之间的夹角即为w，p，q三个骨骼关键点形成的序列夹角；计算其他骨骼关键点序列的序列夹角，并得到所有的序列夹角；所有序列夹角的值构成运动姿态向量：[θ1，θ2，…，θn]。
也就是说，所有序列夹角的值可以构成一个向量，该向量可以用于描述运动姿态，称为运动姿态向量：[θ1，θ2，…，θn]。运动视频中的每一帧都对应了一个运动姿态向量，视频中全部帧的运动姿态向量按照时间顺序排列后，构成运动姿态矩阵。
在一些实施例中，如图3所示，基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果，具体包括以下步骤：
S301：通过动态时间规整算法计算Ts与To的相似度pv，其中，Ts为所述动作规则库中目标动作的关节角度序列，To为所述运动视频中目标动作的关节角度序列；
S302：判定pv的值大于第一相似度阈值，则当前窗口w向右滑动q帧，并通过动态时间规整算法计算标准动作视频Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm；
S303：判定相似度pm大于第二相似度阈值，则动作计数加1；
S304：判定pm小于所述第二相似度阈值，则保持当前动作计数不变。
在一些实施例中，如图4所示，通过动态时间规整算法计算Ts与To的相似度pv，之后还包括：
S305：判定pv的值小于所述第一相似度阈值，则窗口w向右滑动1帧，并重复计算Ts与To的相似度pv。也就是说，当pv的值小于所述第一相似度阈值，则说明是当前窗口内未包括完整的动作，则将窗口增加一帧后，在重新计算相似度，直到相似度达到第一相似度阈值为止。
在一个具体使用场景中，基于动态时间规整(DTW)算法的动作计数时，通过动态时间规整算法分析运动姿态矩阵，从而实现精准的动作计数。动作规则库里记录了人为定义的可以标识某一种动作从开始到结束的关节角度。例如，针对俯卧撑动作而言，通过肘关节的角度(即腕关节、肘关节、肩关节之间形成的夹角)从弯曲到笔直的变化，可以标识一次完整的俯卧撑动作。该动作库覆盖大众运动的所有体育项目。
对于一个体育项目S，提前录制了一段项目S的标准动作的视频Vs，并计算出Vs对应的运动姿态矩阵Ms。当用户做项目S的动作时，摄像头会实时录制用户的动作视频。与此同时，人体3D骨骼关键点识别算法会实时提取每帧视频中的人体骨骼关键点，并且构造出对应的运动姿态向量。
假设项目S在动作规则库中记录的标识S动作从开始到结束的关节角度是θl。则Vs中每一帧的θl会构成一个序列Ts：
Figure BDA0003731260310000091
其中，
Figure BDA0003731260310000092
标识Vs中第i帧中关节角度θl的值，q表示Vs视频的总帧数。
对于实时录制的用户动作视频，算法会以窗口w从左向右滑动，每次滑动1帧，w的长度可以选取[0.5q，1.5q]中的一个值，本提案选取窗口长度为q。窗口w内的视频段中的每一帧的θl也会构成一个序列To：
Figure BDA0003731260310000101
具体的动作计数算法如下：
第一步：通过动态时间规整(DTW)算法计算Ts与To的相似度pv；
第二步：如果pv的值小于阈值，则说明当前窗口w中没有包含一个完整的动作，则窗口w向右滑动1帧，重复步骤一；如果p的值大于阈值，则说明当前窗口w中包含一个完整的动作，则当前窗口w向右滑动q帧，进入第三步；
第三步：通过DTW算法计算Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm；
第四步：如果相似度pm大于阈值，则动作计数加1；如果pm小于阈值，则说明用户当前动作非目标动作S，则动作计数不变。
在上述具体实施方式中，本发明所提供的基于动态时间规整算法的运动实时计数方法，通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；进而将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果。这样，该运动实时计数方法将视频帧序列作为输入，通过实时动作分析，并结合预先创建的标准动作的动作规则库，实现对各种体育动作的计数，可方便应用于各类体育项目，具有较好的动作识别性和技术准确性，解决了现有技术中存在的动作识别和计数准确性较差的技术问题。
除了上述方法，本发明还提供一种基于动态时间规整算法的运动实时计数系统，如图5所示，所述系统包括：
数据获取单元501，用于通过摄像设备实时采集人体运动视频数据；
姿态向量计算单元502，用于通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；
姿态矩阵生成单元503，用于将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；
计数结果输出单元504，用于基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；
其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
在上述具体实施方式中，本发明所提供的基于动态时间规整算法的运动实时计数系统，通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；进而将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果。这样，该运动实时计数方法将视频帧序列作为输入，通过实时动作分析，并结合预先创建的标准动作的动作规则库，实现对各种体育动作的计数，可方便应用于各类体育项目，具有较好的动作识别性和技术准确性，解决了现有技术中存在的动作识别和计数准确性较差的技术问题。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行交易请求处理方法，该方法包括：通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的电子设备中的处理器610可以调用存储器630中的逻辑指令，其实施方式与本申请提供的交易请求处理方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的交易请求处理方法，该方法包括：通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
本申请实施例提供的计算机程序产品被执行时，实现上述交易请求处理方法，其具体的实施方式与前述方法的实施例中记载的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的交易请求处理方法，该方法包括：通过摄像设备实时采集人体运动视频数据；通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
本申请实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述交易请求处理方法，其具体的实施方式与前述方法的实施例中记载的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种基于动态时间规整算法的运动实时计数方法，其特征在于，所述方法包括：
通过摄像设备实时采集人体运动视频数据；
通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；
将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；
基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；
其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
2.根据权利要求1所述的运动实时计数方法，其特征在于，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量，具体包括：
检测所述运动视频中每一帧图像中所述目标运动者的骨骼关键点的三维坐标，以得到每一帧图像中所述目标运动者的姿态图；
基于所述姿态图，获取多个目标骨骼关键点，并以任意三个所述目标骨骼关键点作为一个骨骼关键点序列，以得到多个骨骼关键点序列；
计算各所述骨骼关键点序列之间的夹角，得到序列夹角，并将所有序列夹角构成运动姿态向量。
3.根据权利要求2所述的运动实时计数方法，其特征在于，计算各所述骨骼关键点序列之间的夹角，得到序列夹角，并将所有序列夹角构成运动姿态向量，具体包括：
设定骨骼关键点n通过三维坐标(xn，yn，zn)描述，假设有[w，p，q]三个骨骼关键点序列，关键点的坐标为：(xw，yw，zw)，(xp，yp，zp)，(xq，yq，zq)，其中，w点和p点可以形成线段l1，q和p可以构成线段l2；
计算l1和l2之间的夹角即为w，p，q三个骨骼关键点形成的序列夹角；
计算其他骨骼关键点序列的序列夹角，并得到所有的序列夹角；
所有序列夹角的值构成运动姿态向量：[θ1，θ2，…，θn]。
4.根据权利要求1所述的运动实时计数方法，其特征在于，基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果，具体包括：
通过动态时间规整算法计算Ts与To的相似度pv，其中，Ts为所述动作规则库中目标动作的关节角度序列，To为所述运动视频中目标动作的关节角度序列；
判定pv的值大于第一相似度阈值，则当前窗口w向右滑动q帧，并通过动态时间规整算法计算标准动作视频Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm；
判定相似度pm大于第二相似度阈值，则动作计数加1。
5.根据权利要求4所述的运动实时计数方法，其特征在于，通过动态时间规整算法计算Ts与To的相似度pv，之后还包括：
判定pv的值小于所述第一相似度阈值，则窗口w向右滑动1帧，并重复计算Ts与To的相似度pv。
6.根据权利要求4所述的运动实时计数方法，其特征在于，计算标准动作视频Vs对应的姿态向量矩阵Ms与当前窗口w中视频对应的姿态向量矩阵Mo的相似度pm，之后还包括：
判定pm小于所述第二相似度阈值，则保持当前动作计数不变。
7.一种基于动态时间规整算法的运动实时计数系统，其特征在于，所述系统包括：
数据获取单元，用于通过摄像设备实时采集人体运动视频数据；
姿态向量计算单元，用于通过人体检测算法检测出位于视频图像中心位置的运动者，以该运动者作为目标运动者，计算所述目标运动者在所述运动视频的各帧图像中的运动姿态向量；
姿态矩阵生成单元，用于将各帧图像得到运动姿态向量以时间顺序进行排列，得到运动姿态矩阵；
计数结果输出单元，用于基于动态时间规整算法和预先创建的动作规则库对所述运动姿态矩阵进行分析，以得到目标动作的计数结果；
其中，所述动作规则库中存储有预先定义的标识有所述目标动作从开始到结束的所有关节角度。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202210784205.8A 2022-07-05 2022-07-05 基于动态时间规整算法的运动实时计数方法和系统 Active CN115223240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210784205.8A CN115223240B (zh) 2022-07-05 2022-07-05 基于动态时间规整算法的运动实时计数方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210784205.8A CN115223240B (zh) 2022-07-05 2022-07-05 基于动态时间规整算法的运动实时计数方法和系统

Publications (2)

Publication Number Publication Date
CN115223240A true CN115223240A (zh) 2022-10-21
CN115223240B CN115223240B (zh) 2023-07-07

Family

ID=83610221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210784205.8A Active CN115223240B (zh) 2022-07-05 2022-07-05 基于动态时间规整算法的运动实时计数方法和系统

Country Status (1)

Country Link
CN (1) CN115223240B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168350A (zh) * 2023-04-26 2023-05-26 四川路桥华东建设有限责任公司 基于物联网实现施工人员违规行为的智能监测方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106778477A (zh) * 2016-11-21 2017-05-31 深圳市酷浪云计算有限公司 网球拍动作识别方法及装置
CN108256394A (zh) * 2016-12-28 2018-07-06 中林信达（北京）科技信息有限责任公司 一种基于轮廓梯度的目标跟踪方法
CN110458235A (zh) * 2019-08-14 2019-11-15 广州大学 一种视频中运动姿势相似度比对方法
WO2020216116A1 (zh) * 2019-04-26 2020-10-29 腾讯科技（深圳）有限公司 动作识别方法和装置、人机交互方法和装置
CN112464847A (zh) * 2020-12-07 2021-03-09 北京邮电大学 视频中人体动作切分方法及装置
CN112753007A (zh) * 2018-07-27 2021-05-04 奇跃公司 虚拟角色的姿势空间变形的姿势空间维度减小
CN112800990A (zh) * 2021-02-02 2021-05-14 南威软件股份有限公司 一种实时人体动作识别和计数方法
CN112966597A (zh) * 2021-03-04 2021-06-15 山东云缦智能科技有限公司 一种基于骨骼关键点的人体运动动作计数方法
CN113065505A (zh) * 2021-04-15 2021-07-02 中国标准化研究院 身体动作快速识别方法及系统
CN113705540A (zh) * 2021-10-09 2021-11-26 长三角信息智能创新研究院 一种无器械训练动作识别与计数方法及系统
US20220076003A1 (en) * 2020-09-04 2022-03-10 Hitachi, Ltd. Action recognition apparatus, learning apparatus, and action recognition method
CN114550299A (zh) * 2022-02-25 2022-05-27 北京科技大学 基于视频的老年人日常生活活动能力评估系统和方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106778477A (zh) * 2016-11-21 2017-05-31 深圳市酷浪云计算有限公司 网球拍动作识别方法及装置
CN108256394A (zh) * 2016-12-28 2018-07-06 中林信达（北京）科技信息有限责任公司 一种基于轮廓梯度的目标跟踪方法
CN112753007A (zh) * 2018-07-27 2021-05-04 奇跃公司 虚拟角色的姿势空间变形的姿势空间维度减小
WO2020216116A1 (zh) * 2019-04-26 2020-10-29 腾讯科技（深圳）有限公司 动作识别方法和装置、人机交互方法和装置
CN110458235A (zh) * 2019-08-14 2019-11-15 广州大学 一种视频中运动姿势相似度比对方法
US20220076003A1 (en) * 2020-09-04 2022-03-10 Hitachi, Ltd. Action recognition apparatus, learning apparatus, and action recognition method
CN112464847A (zh) * 2020-12-07 2021-03-09 北京邮电大学 视频中人体动作切分方法及装置
CN112800990A (zh) * 2021-02-02 2021-05-14 南威软件股份有限公司 一种实时人体动作识别和计数方法
CN112966597A (zh) * 2021-03-04 2021-06-15 山东云缦智能科技有限公司 一种基于骨骼关键点的人体运动动作计数方法
CN113065505A (zh) * 2021-04-15 2021-07-02 中国标准化研究院 身体动作快速识别方法及系统
CN113705540A (zh) * 2021-10-09 2021-11-26 长三角信息智能创新研究院 一种无器械训练动作识别与计数方法及系统
CN114550299A (zh) * 2022-02-25 2022-05-27 北京科技大学 基于视频的老年人日常生活活动能力评估系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168350A (zh) * 2023-04-26 2023-05-26 四川路桥华东建设有限责任公司 基于物联网实现施工人员违规行为的智能监测方法及装置
CN116168350B (zh) * 2023-04-26 2023-06-27 四川路桥华东建设有限责任公司 基于物联网实现施工人员违规行为的智能监测方法及装置

Also Published As

Publication number Publication date
CN115223240B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Memo et al. Head-mounted gesture controlled interface for human-computer interaction
CN111402290B (zh) 一种基于骨骼关键点的动作还原方法以及装置
JP7015152B2 (ja) キーポイントデータに関する加工装置、方法及びプログラム
CN113362452B (zh) 一种手部姿态三维重建方法、装置及存储介质
Ding et al. STFC: Spatio-temporal feature chain for skeleton-based human action recognition
CN111596767B (zh) 一种基于虚拟现实的姿态捕获方法和装置
KR102371127B1 (ko) 골격의 길이 정보를 이용한 제스쳐 인식 방법 및 처리 시스템
CN104821010A (zh) 基于双目视觉的人手三维信息实时提取方法及系统
WO2022174594A1 (zh) 基于多相机的裸手追踪显示方法、装置及系统
CN111433783B (zh) 手部模型生成方法、装置、终端设备及手部动作捕捉方法
CN115546365A (zh) 一种虚拟人驱动方法及系统
JP4938748B2 (ja) 画像認識装置及びプログラム
KR20140019950A (ko) 단말기의 모노 카메라에 입력된 손가락 영상을 이용한 3차원 좌표 생성 방법 및 모노 카메라에 입력된 손가락 영상을 이용하여 3차원 좌표를 생성하는 이동 단말기
Kowalski et al. Holoface: Augmenting human-to-human interactions on hololens
CN115223240A (zh) 基于动态时间规整算法的运动实时计数方法和系统
CN111354029A (zh) 手势深度确定方法、装置、设备及存储介质
CN110910426A (zh) 动作过程和动作趋势识别方法、存储介质和电子装置
CN115205737B (zh) 基于Transformer模型的运动实时计数方法和系统
CN111274854A (zh) 一种人体动作识别方法和视觉增强处理系统
CN115205750B (zh) 基于深度学习模型的运动实时计数方法和系统
CN115100745B (zh) 基于Swin Transformer模型的运动实时计数方法和系统
WO2023185241A1 (zh) 数据处理方法、装置、设备以及介质
US20210158565A1 (en) Pose selection and animation of characters using video data and training techniques
CN110175629B (zh) 一种人体动作相似度计算方法及装置
Cordea et al. 3-D head pose recovery for interactive virtual reality avatars

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