CN115311543A - 一种基于图像数据的健身房设施布局优化方法及系统 - Google Patents

一种基于图像数据的健身房设施布局优化方法及系统 Download PDF

Info

Publication number
CN115311543A
CN115311543A CN202211244838.6A CN202211244838A CN115311543A CN 115311543 A CN115311543 A CN 115311543A CN 202211244838 A CN202211244838 A CN 202211244838A CN 115311543 A CN115311543 A CN 115311543A
Authority
CN
China
Prior art keywords
image
loss function
gymnasium
fitness
equipment
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
CN202211244838.6A
Other languages
English (en)
Other versions
CN115311543B (zh
Inventor
王泽萍
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.)
Nantong Pengbao Sporting Goods Co ltd
Original Assignee
Nantong Pengbao Sporting Goods 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 Nantong Pengbao Sporting Goods Co ltd filed Critical Nantong Pengbao Sporting Goods Co ltd
Priority to CN202211244838.6A priority Critical patent/CN115311543B/zh
Publication of CN115311543A publication Critical patent/CN115311543A/zh
Application granted granted Critical
Publication of CN115311543B publication Critical patent/CN115311543B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及健身房设施布局优化技术领域，具体涉及一种基于图像数据的健身房设施布局优化方法及系统。该方法包括：获取健身房的全景图像，对全景图像进行语义分割得到包括过道类别和健身设备类别的语义分割图像；获取用户健身方向信息，以及配置健身房健身设备的设备描述矩阵；将语义分割图像、用户健身方向信息以及设备描述矩阵作为第一目标神经网络的输入，输出为优化后的优化图像；根据优化图像进行健身房布局调整。利用本发明，可以对健身房区域的最优布局策略，以此重新规划健身房区域健身设备的分布，使得整体布局更为合理，更好的引导人员充分利用健身设备。

Description

一种基于图像数据的健身房设施布局优化方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于图像数据的健身房设施布局优化方法及系统。
背景技术
随着生活质量的提高，越来越多的人会到专业的健身场所进行健身运动，由于人的需求不断变大，健身房的数量不断增加，面积也不断扩大。
随着健身房的面积越来越大，健身器材的种类以及数量也不断增多，如果对健身房的布局不够熟悉，那么在健身时对健身器材的分布会较为迷茫，健身人员会存在找不到健身位置的现象，或者因为某种健身设备更受欢迎，该健身区域的健身人员密集而其他健身设备使用率低下，为了更好的引导健身人员更充分的利用健身器材，需要对健身房的进行更高效的管理和规划。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像数据的健身房设施布局优化方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于图像数据的健身房设施布局优化方法，该方法包括以下步骤：
获取健身房的全景图像，对所述全景图像进行语义分割得到包括过道类别和健身设备类别的语义分割图像；
获取用户健身方向信息，以及配置健身房健身设备的设备描述矩阵；将所述语义分割图像、所述用户健身方向信息以及所述设备描述矩阵作为第一目标神经网络的输入，输出为优化后的优化图像；
其中，所述第一目标神经网络的损失函数为设备分布损失函数；
获取用户信息，所述用户信息包括所述用户健身方向信息以及日均用户数量；将所述优化图像、所述用户信息以及所述设施描述矩阵作为第二目标神经网络的输入，输出预测热力叠加图像；第二目标神经网络的损失函数为均方误差损失；
采用热力分布损失函数对所述第一目标神经网络与所述第二目标神经网络的神经元权重和偏置进行调整，根据调整后的第一目标神经网输出的优化后的优化图像进行健身房布局调整；
所述热力分布损失函数包括第五损失函数和第六损失函数；所述第五损失函数是所述预测热力叠加图与真实热力叠加图之间的均方差；所述第六损失函数包括健身设备区域热力值的方差以及所有热力值像素点的占比。
优选的，所述设备分布损失函数包括第一损失函数、第二损失函数、第三损失函数以及第四损失函数；所述第一损失函数是优化前后所述健身设备的面积损失的函数；所述第二损失函数是与所述优化图像中所述健身设备的质心之间的距离损失负相关的函数；所述第三损失函数是优化前后所述健身设备之间的尺寸和形状损失的函数；所述第四损失函数是所述优化图像中所述健身设备连通域之间的重合度损失的函数。
优选的，所述优化前后所述健身设备的面积损失的获取步骤，包括：
获取优化前后每个所述健身设备的最小外接矩形，将所述语义分割图像中每个健身设备的最小外接矩形面积之和，与优化图像中所有健身设备的最小外接矩形面积之和的差值，作为第一差值；将所述语义分割图像中每个健身设备的最小外接矩形面积之和，与所述语义分割图像的面积的差值，作为第二差值；
将所述第一差值与所述第二差值的比值作为第一损失函数。
优选的，所述与所述优化图像中所述健身设备的质心之间的距离的获取步骤，包括：
获取任意两个健身设备的质心，所述两个健身设备属于不同的类别；计算所述两个健身设备质心之间的欧式距离，进一步获取所有所述健身设备质心之间的欧式距离之和。
优选的，所述优化前后所述健身设备之间的尺寸和形状损失的获取步骤，包括：
分别获取语义分割图像与所述优化图像中每个健身设备的Hu矩序列；
计算所述健身设备在所述语义分割图像中的Hu序列与所述优化图像中的Hu矩序列之间的欧式距离，所述欧式距离为所述尺寸和形状损失。
优选的，所述优化图像中所述健身设备连通域之间的重合度损失的获取步骤，包括：
获取每个所述健身设备在所述优化图像中的像素点的连通域，获取每个所述健身设备的连通域之间的交并比，所有所述健身设备连通域之间的交并比之和为所述重合度损失。
优选的，所述预测热力叠加图与真实热力叠加图之间的均方差的获取步骤，包括：
获取一定时间段内的预测热力叠加图以及真实热力叠加图，进一步获取所述真实热力叠加图以及所述预测热力叠加图之间的均方差。
优选的，所述第六损失函数是健身设备区域热力值的方差以及所有热力值像素点占比之和。
第二方面，本发明另一个实施例提供了一种基于图像数据的健身房设施布局优化系统，该系统包括存储器、处理器以及存储在所述存储器中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计算机程序时实现上述方法的步骤。
本发明实施例的有益效果在于：通过健身房区域的语义分割网络、用户健身方向信息以及设备描述矩阵作为第一目标神经网络的输入，通过优化前后的健身设备的最小外接矩形的面积损失、优化图像中健身设备的质心之间的欧式距离损失、优化前后的健身设备之间尺寸和形状的损失以及优化图像中健身设备连通域之间的重合度损失构成设备分布损失函数，最终输出优化图像对健身房区域的布局进行规划和调整，有效解决因为健身房区域健身设备的不合理放置而引起的健身设备闲置以及健身人员密集的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像数据的健身房设施布局优化方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像数据的健身房设施布局优化方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例具体应用场所为大型健身房，为了解决健身房内健身设备布局不合理，导致健身设备闲置或者部分健身设备区域人员密集的情况，通过对设备之间的分布距离以及人员轨迹的预测，得到对健身房区域最优化的布局策略，以此重新规划健身房区域健身设备的分布，使得健身设备的分布更为合理，解决健身设备闲置的问题。
下面结合附图具体的说明本发明所提供的一种基于图像数据的健身房设施布局优化方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像数据的健身房设施布局优化的方法流程图，该方法包括以下步骤：
步骤S100，获取健身房的全景图像，对全景图像进行语义分割得到包括过道类别和健身设备类别的语义分割图像。
具体的，为了完整获取健身房区域的全景图像，在健身房天花板上部署多个相机，相机的位置固定已知，即默认实施者在部署相机时均已进行过标定操作。本发明实施例中以俯视视角采集健身房区域的图像，在其他实施例中，可以利用斜视视角或者其他特定角度进行采集。
由于多个相机之间采集的图像可能存在重合区域，所以基于重合区域特征描述点计算相机之间的单应性矩阵，进而将所有相机采集到的图像通过投影变换映射到地面平面上，进行图像拼接操作，将拼接变成后的图像作为俯视视角下的健身房的全景图像。
进一步的，利用语义分割网络将健身房区域的健身设备的类别以及过道类别进行识别，语义分割网络的结构为编码器-解码器结构，从而获取语义分割图像。其中，语义分割网络的训练过程具体为：
（1）网络的输入为全景图像；
（2）对全景图像中像素点的类别进行标注，过道类的像素点标注为0，跑步机类的像素点标注为1，哑铃类的像素点标注为2等，根据实际情况中不同的健身设备进行标注；
需要说明的是，在两个同类标签之间的空隙像素点也默认标注为过道像素点，标记为0，以便于后续准确的获取健身设备的数量；
（3）损失函数为交叉熵损失函数；
（4）网络的输出为包括过道类别以及各个健身设备类别的语义分割图像。
步骤S200，获取用户健身方向信息，以及配置健身房健身设备的设备描述矩阵；将语义分割图像、用户健身方向信息以及设备描述矩阵作为第一目标神经网络的输入，输出为优化后的优化图像。
由于各个健身人员的需求不同，为了更合理的规划健身设备布局，所以在每个健身人员进入健身房之前统计该健身人员的意向健身方向，例如减脂、增肌等信息，将该信息作为用户健身方向信息。
进一步的，健身设备基于不同的分类标准也具有不同的运动类型，基于其运动类型进行分类，可以分为有氧运动类型和无氧运动类型；基于其设备大小进行分类，可以分为大型设备类型和小型设备类型；构建设备描述矩阵，该设备描述矩阵用于表示配置健身房健身设备的主要信息，矩阵的列由健身设备类别构成，矩阵的行由健身房健身设备的运动类型、设备数量、占地面积以及使用次数构成。
将用户健身方向信息、设备描述矩阵以及语义分割图像作为第一目标神经网络的输入，第一目标神经网络为多输入单输出（MISO）网络，输出优化后的优化图像，具体训练过程如下：
（1）网络的输入为：用户健身方向信息、设备描述矩阵以及语义分割图像；
（2）网络的三个输入分别对应特定的编码器，编码器输出的特征向量经Concat操作后送入单个解码器中；
（3）损失函数采用设备分布损失函数；
（4）网络的输出为优化后的优化图像。
其中，第一目标神经网络所采用的设备分布损失函数包括第一损失函数、第二损失函数、第三损失函数以及第四损失函数；第一损失函数是优化前后健身设备的面积损失的函数；第二损失函数是与优化图像中健身设备的质心之间的距离损失负相关的函数；第三损失函数是优化前后健身设备之间的尺寸和形状损失的函数；第四损失函数是优化图像中健身设备连通域之间的重合度损失的函数。具体的：
（1）获取优化前后每个健身设备的最小外接矩形，将语义分割图像中每个健身设备的最小外接矩形面积之和，与优化图像中所有健身设备的最小外接矩形面积之和的差值，作为第一差值；将语义分割图像中每个健身设备的最小外接矩形面积之和，与语义分割图像的面积的差值，作为第二差值，将第一差值与第二差值的比值作为第一损失函数，则有：
Figure 942213DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第一损失函数；
Figure 171069DEST_PATH_IMAGE004
表示任意一个健身设备类别；
Figure DEST_PATH_IMAGE005
表示所有健身设备类别的数量；
Figure 123981DEST_PATH_IMAGE006
表示某个健身设备类别中第
Figure 186615DEST_PATH_IMAGE006
个设施；
Figure DEST_PATH_IMAGE007
表示第
Figure 866557DEST_PATH_IMAGE004
个健身设备类别的健身设备数量；
Figure 571208DEST_PATH_IMAGE008
表示第
Figure 378627DEST_PATH_IMAGE004
个健身设备类别的第
Figure 877741DEST_PATH_IMAGE006
个健身设备对应的最小外接矩形的宽；
Figure DEST_PATH_IMAGE009
表示第
Figure 770611DEST_PATH_IMAGE004
个健身设备类别的第
Figure 810111DEST_PATH_IMAGE006
个健身设备对应的最小外接矩形的高；
Figure 206458DEST_PATH_IMAGE010
表示优化图像中所有健身设备像素点的最小外接矩形的宽；
Figure DEST_PATH_IMAGE011
表示优化图像中所有健身设备像素点的最小外接矩形的高，
Figure 142053DEST_PATH_IMAGE012
表示语义分割图像的宽；
Figure DEST_PATH_IMAGE013
表示语义分割图像的高。
需要说明的是，本发明实施例中语义分割图像与优化图像尺寸大小一致，第一损失函数的好处是能够约束各个健身设备之间尽可能的紧凑，减少健身设备在健身房的占地面积。
（2）获取任意两个健身设备的质心，该两个健身设备属于不同的健身设备类别；计算两个健身设备质心之间的欧式距离，进一步获取所有健身设备质心之间的欧式距离之和，从而构建第二损失函数：
Figure DEST_PATH_IMAGE015
其中，
Figure 646852DEST_PATH_IMAGE016
表示第二损失函数；
Figure 165077DEST_PATH_IMAGE004
表示任意一个健身设备类别；
Figure DEST_PATH_IMAGE017
表示另一个健身设备类别；
Figure 212667DEST_PATH_IMAGE005
表示所有健身设备类别的数量；
Figure 850322DEST_PATH_IMAGE007
表示第
Figure 452205DEST_PATH_IMAGE004
个健身设备类别的健身设备数量；
Figure 36770DEST_PATH_IMAGE018
表示第
Figure 407708DEST_PATH_IMAGE017
个健身设备类别的健身设备数量；
Figure DEST_PATH_IMAGE019
表示第
Figure 950685DEST_PATH_IMAGE004
个健身设备类别的第
Figure 774284DEST_PATH_IMAGE006
个健身设备质心点与第
Figure 162540DEST_PATH_IMAGE017
个健身设备类别的第
Figure 387985DEST_PATH_IMAGE020
个健身设备质心点的欧式距离。
需要说明的是，第一损失函数与第二损失函数为对抗损失，分别赋予权值
Figure DEST_PATH_IMAGE021
和
Figure 101864DEST_PATH_IMAGE022
，且
Figure DEST_PATH_IMAGE023
，将
Figure 940988DEST_PATH_IMAGE024
的初始值均设置为0.5，后续根据健身房实际面积情况进行调整，当健身房的面积越大时，
Figure 664093DEST_PATH_IMAGE021
的取值越小。
（3）为保证健身设备在语义分割图像与优化图像中的形状和尺寸不变，分别获取语义分割图像与优化图像中每个健身设备的Hu矩序列；计算健身设备在语义分割图像中的Hu序列，与优化图像中的Hu矩序列之间的欧式距离，欧式距离为尺寸和形状损失，根据欧式距离获取第三损失函数：
Figure 744045DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示第三损失函数；
Figure 894403DEST_PATH_IMAGE004
表示任意一个健身设备类别；
Figure 692595DEST_PATH_IMAGE005
表示所有健身设备类别的数量；
Figure 157074DEST_PATH_IMAGE007
表示第
Figure 91532DEST_PATH_IMAGE004
个健身设备类别的健身设备数量；
Figure 881634DEST_PATH_IMAGE028
表示第
Figure 167122DEST_PATH_IMAGE004
个健身设备类别的第
Figure 435292DEST_PATH_IMAGE006
个健身设备在语义分割图像中的Hu矩序列；
Figure DEST_PATH_IMAGE029
表示第
Figure 817732DEST_PATH_IMAGE004
个健身设备类别的第
Figure 778735DEST_PATH_IMAGE006
个健身设备在优化图像中的Hu矩序列；
Figure 288869DEST_PATH_IMAGE030
表示两者的欧式距离。
（4）根据优化图像中各个健身设备所占区域对各个健身设备之间的重合情况进行分析，通过获取每个健身设备在优化图像中的像素点的连通域，进一步获取每个健身设备的连通域之间的交并比，所有健身设备连通域之间的交并比之和为重合度损失，则第四损失函数为：
Figure 360730DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
表示第四损失函数；
Figure 800939DEST_PATH_IMAGE004
表示任意一个健身设备类别；
Figure 667264DEST_PATH_IMAGE017
表示另一个健身设备类别；
Figure 724081DEST_PATH_IMAGE005
表示所有健身设备类别的数量；
Figure 334054DEST_PATH_IMAGE007
表示第
Figure 363190DEST_PATH_IMAGE004
个健身设备类别的健身设备数量；
Figure 400416DEST_PATH_IMAGE018
表示第
Figure 147792DEST_PATH_IMAGE017
个健身设备类别的健身设备数量；
Figure 295877DEST_PATH_IMAGE034
表示第
Figure 179519DEST_PATH_IMAGE004
个健身设备类别的第
Figure 449964DEST_PATH_IMAGE006
个健身设备连通域与第
Figure 419057DEST_PATH_IMAGE017
个健身设备类别的第
Figure 379621DEST_PATH_IMAGE020
个健身设备连通域的交并比。
所以设备分布损失函数为上述损失函数的和：
Figure 383349DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示设备分布损失函数；
Figure 824695DEST_PATH_IMAGE003
表示第一损失函数；
Figure 281084DEST_PATH_IMAGE021
表示第一损失函数的权值；
Figure 770971DEST_PATH_IMAGE016
表示第二损失函数；
Figure 629206DEST_PATH_IMAGE022
表示第二损失函数的权值；
Figure 444715DEST_PATH_IMAGE027
表示第三损失函数；
Figure 388400DEST_PATH_IMAGE033
表示第四损失函数。
步骤S300，根据优化图像进行健身房布局调整。
根据步骤S200获取优化后的优化图像作为健身房布局调整的参考图像，为进一步提高布局的合理性，结合健身人员的运动路线对优化图像进行优化调整。
将人员位置的关键点映射到语义分割图像中，方法为：利用关键点检测网络对不同时刻下健身房全景图像进行关键点检测，获取包含人员位置的关键点热力图，从多帧关键点热力图中任选一帧关键点热力图，将该图中各个关键点的中心坐标投影映射到健身房语义分割图像中，在第一目标神经网络输出的优化图像中，相对应的存在各个关键点的位置。
具体的，获取用户信息，用户信息包括用户健身方向信息以及日均用户数量，将优化图像、用户信息以及设施描述矩阵作为第二目标神经网络的输入，损失函数为均方误差损失，输出预测热力叠加图像，第二目标神经网络为多输入单输出（MISO）网络，具体的训练过程为：
（1）网络的输入为用户信息、设施描述矩阵以及优化图像；
需要说明的是，该优化图像由教练或者专业人员手动为每个用户规划运动路线，进而生成多帧标签热力图，将多帧标签热力图进行叠加，获取标签热力叠加图。
（2）网络的三个输入分别对应特定的编码器，编码器输出的特征向量经过Concat操作后送入单个解码器中；
（3）损失函数采用均方误差损失函数；
（4）网络的输出为预测热力叠加图像。
由于健身房的健身人员的流动性较大，在一段时间之后，根据第一目标神经网络以及第二目标神经网络对健身房区域健身设备进行规划的误差也会不断增加，因此需要对第一目标神经网络以及第二目标神经网络进行不断的学习调整。
采用热力分布损失函数对第一目标神经网络与第二目标神经网络的神经元权重和偏置进行调整。其中，热力分布损失函数包括第五损失函数和第六损失函数；第五损失函数是预测热力叠加图与真实热力叠加图之间的均方差；第六损失函数包括健身设备区域热力值的方差以及所有热力值像素点的占比。
具体的，获取一定时间段内的预测热力叠加图以及真实热力叠加图，进一步获取预测热力叠加图以及真实热力叠加图之间的均方差，以此作为第五损失函数：
Figure DEST_PATH_IMAGE039
其中，
Figure 9875DEST_PATH_IMAGE040
表示第五损失函数；
Figure DEST_PATH_IMAGE041
表示预测热力叠加图；
Figure 988195DEST_PATH_IMAGE042
表示真实热力叠加图。
作为优选，本发明实施例中选取一天内的数据进行分析。
获取预测热力叠加图中健身设备区域像素点的热力值的方差，以及所有热力值像素点的占比，健身设备区域热力值的方差以及所有热力值像素点占比之和即为第六损失函数：
Figure 974605DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
表示第六损失函数；
Figure 736413DEST_PATH_IMAGE046
表示健身设备区域像素点热力值的方差；
Figure DEST_PATH_IMAGE047
表示存在热力值的像素点数量；
Figure 99261DEST_PATH_IMAGE048
表示优化图像的宽；
Figure DEST_PATH_IMAGE049
表示优化图像的高。
将第五损失函数与第六损失函数进行相加获取热力分布损失函数：
Figure DEST_PATH_IMAGE051
其中，
Figure 259984DEST_PATH_IMAGE052
为热力分布损失函数；
Figure 417296DEST_PATH_IMAGE040
为第五损失函数；
Figure 132311DEST_PATH_IMAGE045
为第六损失函数。
采用在线学习的方式对第一目标神经网络以及第二目标神经网络进行调整，学习阶段只改变第二目标神经网络的神经元权重和偏置，将第一目标神经网络中的神经元权重和偏置进行固定，当热力分布损失不再下降时，固定第二目标神经网络的神经元权重和偏置，改变第一目标神经网络的神经元权重和偏置进行训练。
作为优选，本发明实施例中以半年时间作为布局调整周期，利用半年时间内的数据对第一目标神经网络以及第二目标神经网络进行更新训练，以优化后的优化图像作为健身房布局调整的策略图像。
综上所述，本发明实施例中通过第一目标神经网络获取优化图像对健身房区域进行初步的规划和布局，将健身房区域的语义分割图像、用户健身方向信息以及设备描述矩阵作为输入，通过优化前后的健身设备的最小外接矩形的面积损失、优化图像中健身设备的质心之间的欧式距离损失、优化前后的健身设备之间尺寸和形状的损失以及优化图像中健身设备连通域之间的重合度损失构成设备分布损失函数，最终输出优化图像对健身房的布局进行调整，合理规划了健身房健身设备的布局，有效解决健身设备闲置或者健身人员密集的问题。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于图像数据的健身房设施布局优化系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于图像数据的健身房设施布局优化方法实施例中的步骤，例如图1所示的步骤。该一种基于图像数据的健身房设施布局优化方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像数据的健身房设施布局优化方法，其特征在于，该方法包括以下步骤：
获取健身房的全景图像，对所述全景图像进行语义分割得到包括过道类别和健身设备类别的语义分割图像；
获取用户健身方向信息，以及配置健身房健身设备的设备描述矩阵；将所述语义分割图像、所述用户健身方向信息以及所述设备描述矩阵作为第一目标神经网络的输入，输出为优化后的优化图像；
其中，所述第一目标神经网络的损失函数为设备分布损失函数；
获取用户信息，所述用户信息包括所述用户健身方向信息以及日均用户数量；将所述优化图像、所述用户信息以及所述设施描述矩阵作为第二目标神经网络的输入，输出预测热力叠加图像；第二目标神经网络的损失函数为均方误差损失；
采用热力分布损失函数对所述第一目标神经网络与所述第二目标神经网络的神经元权重和偏置进行调整，根据调整后的第一目标神经网输出的优化后的优化图像进行健身房布局调整；
所述热力分布损失函数包括第五损失函数和第六损失函数；所述第五损失函数是所述预测热力叠加图与真实热力叠加图之间的均方差；所述第六损失函数包括健身设备区域热力值的方差以及所有热力值像素点的占比。
2.根据权利要求1所述的方法，其特征在于，所述设备分布损失函数包括第一损失函数、第二损失函数、第三损失函数以及第四损失函数；所述第一损失函数是优化前后所述健身设备的面积损失的函数；所述第二损失函数是与所述优化图像中所述健身设备的质心之间的距离损失负相关的函数；所述第三损失函数是优化前后所述健身设备之间的尺寸和形状损失的函数；所述第四损失函数是所述优化图像中所述健身设备连通域之间的重合度损失的函数。
3.根据权利要求2所述的方法，其特征在于，所述优化前后所述健身设备的面积损失的获取步骤，包括：
获取优化前后每个所述健身设备的最小外接矩形，将所述语义分割图像中每个健身设备的最小外接矩形面积之和，与优化图像中所有健身设备的最小外接矩形面积之和的差值，作为第一差值；将所述语义分割图像中每个健身设备的最小外接矩形面积之和，与所述语义分割图像的面积的差值，作为第二差值；
将所述第一差值与所述第二差值的比值作为第一损失函数。
4.根据权利要求2所述的方法，其特征在于，所述与所述优化图像中所述健身设备的质心之间的距离的获取步骤，包括：
获取任意两个健身设备的质心，所述两个健身设备属于不同的类别；计算所述两个健身设备质心之间的欧式距离，进一步获取所有所述健身设备质心之间的欧式距离之和。
5.根据权利要求2所述的方法，其特征在于，所述优化前后所述健身设备之间的尺寸和形状损失的获取步骤，包括：
分别获取语义分割图像与所述优化图像中每个健身设备的Hu矩序列；
计算所述健身设备在所述语义分割图像中的Hu序列与所述优化图像中的Hu矩序列之间的欧式距离，所述欧式距离为所述尺寸和形状损失。
6.根据权利要求2所述的方法，其特征在于，所述优化图像中所述健身设备连通域之间的重合度损失的获取步骤，包括：
获取每个所述健身设备在所述优化图像中的像素点的连通域，获取每个所述健身设备的连通域之间的交并比，所有所述健身设备连通域之间的交并比之和为所述重合度损失。
7.根据权利要求1所述的方法，其特征在于，所述预测热力叠加图与真实热力叠加图之间的均方差的获取步骤，包括：
获取一定时间段内的预测热力叠加图以及真实热力叠加图，进一步获取所述真实热力叠加图以及所述预测热力叠加图之间的均方差。
8.根据权利要求1所述的方法，其特征在于，所述第六损失函数是健身设备区域热力值的方差以及所有热力值像素点占比之和。
9.一种基于图像数据的健身房设施布局优化系统，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1
Figure 324591DEST_PATH_IMAGE001
8任意一项所述方法的步骤。
CN202211244838.6A 2022-10-12 2022-10-12 一种基于图像数据的健身房设施布局优化方法及系统 Active CN115311543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211244838.6A CN115311543B (zh) 2022-10-12 2022-10-12 一种基于图像数据的健身房设施布局优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211244838.6A CN115311543B (zh) 2022-10-12 2022-10-12 一种基于图像数据的健身房设施布局优化方法及系统

Publications (2)

Publication Number Publication Date
CN115311543A true CN115311543A (zh) 2022-11-08
CN115311543B CN115311543B (zh) 2023-12-19

Family

ID=83867775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211244838.6A Active CN115311543B (zh) 2022-10-12 2022-10-12 一种基于图像数据的健身房设施布局优化方法及系统

Country Status (1)

Country Link
CN (1) CN115311543B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705574A (zh) * 2021-10-27 2021-11-26 海门市三德体育用品有限公司 基于图像处理的健身房设施布局优化方法及系统
CN114882228A (zh) * 2022-07-08 2022-08-09 海门市三德体育用品有限公司 基于知识蒸馏的健身场所布局优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705574A (zh) * 2021-10-27 2021-11-26 海门市三德体育用品有限公司 基于图像处理的健身房设施布局优化方法及系统
CN114882228A (zh) * 2022-07-08 2022-08-09 海门市三德体育用品有限公司 基于知识蒸馏的健身场所布局优化方法

Also Published As

Publication number Publication date
CN115311543B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN108734104B (zh) 基于深度学习图像识别的健身动作纠错方法及系统
CN113705574B (zh) 基于图像处理的健身房设施布局优化方法及系统
Garg et al. Yoga pose classification: a CNN and MediaPipe inspired deep learning approach for real-world application
Cai et al. Deep historical long short-term memory network for action recognition
CN109886225A (zh) 一种基于深度学习的图像手势动作在线检测与识别方法
CN112949622B (zh) 融合文本与图像的双模态性格分类方法及装置
CN113408343B (zh) 基于双尺度时空分块互注意力的课堂动作识别方法
CN110478883A (zh) 一种健身动作教学及矫正系统及方法
Liu Objects detection toward complicated high remote basketball sports by leveraging deep CNN architecture
Yang et al. Knowledge distillation via adaptive instance normalization
CN115294407A (zh) 基于预习机制知识蒸馏的模型压缩方法及系统
CN114049056B (zh) 基于消防风险评估的健身房管理方法及系统
Liang et al. Improvement of residual attention network for image classification
CN109978074A (zh) 基于深度多任务学习的图像美感和情感联合分类方法及系统
CN114187664B (zh) 一种基于人工智能的跳绳计数系统
Liu et al. An improved method of identifying learner's behaviors based on deep learning
Wang et al. Assessing action quality via attentive spatio-temporal convolutional networks
CN115311543A (zh) 一种基于图像数据的健身房设施布局优化方法及系统
Jiang et al. Human-centered artificial intelligence-based ice hockey sports classification system with web 4.0
CN110378880A (zh) 基于视觉的火化机燃烧时间计算方法
CN115578364A (zh) 基于混合注意力与调和因子的微弱目标检测方法及系统
CN115731608A (zh) 基于人体姿态估计的体育运动训练方法与系统
CN109643390A (zh) 使用尖峰神经网络在数字图像和视频中进行对象检测的方法
Wang et al. [Retracted] Design of Sports Training Simulation System for Children Based on Improved Deep Neural Network
Shi et al. Design of optical sensors based on computer vision in basketball visual simulation system

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