CN115497596A - 一种基于物联网的人体运动过程姿态纠正方法及系统 - Google Patents
一种基于物联网的人体运动过程姿态纠正方法及系统 Download PDFInfo
- Publication number
- CN115497596A CN115497596A CN202211444408.9A CN202211444408A CN115497596A CN 115497596 A CN115497596 A CN 115497596A CN 202211444408 A CN202211444408 A CN 202211444408A CN 115497596 A CN115497596 A CN 115497596A
- Authority
- CN
- China
- Prior art keywords
- information
- target user
- posture
- action
- joint point
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 title claims abstract description 53
- 238000012937 correction Methods 0.000 title claims abstract description 43
- 230000009471 action Effects 0.000 claims abstract description 151
- 238000005452 bending Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 71
- 230000006978 adaptation Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 12
- 210000003205 muscle Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 208000025978 Athletic injury Diseases 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 97
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 210000001364 upper extremity Anatomy 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010017367 Frequent bowel movements Diseases 0.000 description 1
- 206010041738 Sports injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Dentistry (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Social Psychology (AREA)
- Physical Education & Sports Medicine (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开的一种基于物联网的人体运动过程姿态纠正方法及系统,包括:通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息,根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议。本发明通过分析用户运动过程中的不规范动作生成纠正建议,能够帮助用户减少运动损伤。
Description
技术领域
本发明涉及运动训练技术邻域,更具体的,涉及一种基于物联网的人体运动过程姿态纠正方法及系统。
背景技术
随着社会的发展及人民生活质量水平的提高,越来越多的人开始积极参与健身锻炼,而由于场地及时间的限制,大部分健身爱好者会选择线上观看运动健身课程,在观看教练的运动视频的同时,同步跟随运动练习,而由于没有现场健身运动老师的面对面辅导,所以人们在跟随视频练习运动的时候,经常出现运动练习过程的人体姿态不够规范和正确,人体用劲的方式不够协调,造成运动某些部位过度劳累,造成运动效果大打折扣。现有的健身运动监测系统通常是通过单一的视频监控方式进行姿势识别以判断是否贴近标准运动姿势,而传统的运动姿势识别方法容易受光照、遮挡等外界因素的影响,使得识别精度下降,无法进行及时纠正。
由于人体具有相当的柔性,会出现各种姿态和形状,人体任何一个部位的微小变化都会产生一种新的姿态,同时其关键点的可见性受穿着、姿态、视角等影响非常大,而且还面临着遮挡、光照、雾等环境的影响,为了能够精确的对人体运动过程姿态进行监测纠正,需要开发一款系统与之配合进行实现,该系统在用户运动的时候能及时发现自己的姿态的不规范,进而智能系统可以实时指导正确的运动姿态。
发明内容
为了解决上述技术问题,本发明提出了一种基于物联网的人体运动过程姿态纠正方法及系统。
本发明第一方面提供了一种基于物联网的人体运动过程姿态纠正方法,包括:
通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
本方案中,所述的获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息,具体为:
获取用户跟随动作练习过程中四个方向的视频流信息及雷达信息,通过布置在目标用户身上十个部位的弯曲、压力与应力传感器及陀螺仪与距离传感器获取传感器信息;
将所述视频流信息、雷达信息及传感器信息进行预处理,根据视频流信息获取帧图像数据,提取帧图像数据中的感兴趣区域,提取雷达信息中的回波数据,根据回波数据获取距离多普勒谱,提取目标用户运动轨迹;
将各关节点位上的传感器信息进行数据融合实现频域上的精度互补,根据传感器信息获取目标用户的各个关节点位的受力状态。
本方案中,生成精确定位的关节点信息,具体为:
通过视频流信息获取帧图像数据,对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测,并获取各含有目标用户动作信息的帧图像数据的时间戳信息;
从目标用户骨骼关键点中获取布置在目标用户十个关节点部位的传感器在四个不同视角下的位置信息,将所述位置信息进行坐标变化生成关节点的三维坐标信息及关节点间的立体角度信息;
根据雷达信息获取目标用户运动轨迹及回波能量信息,根据目标用户的运动轨迹提取运动帧,根据所述运动帧的回波能量变化生成目标用户姿态特征;
通过所述时间戳信息将关节点的三维坐标信息及关节点间的立体角度信息与目标用户的姿态特征进行匹配生成匹配度,当所述匹配度满足预设匹配度阈值范围时,则完成关节点的粗定位;
根据所述雷达信息获取关节点的实时位置信息,通过所述实时位置信息及传感数据进行关节点位置信息的校正,生成精确的关节点定位信息;
同时,根据传感数据分析关节点的用力及受力状态,结合关节点定位信息生成带有受力信息和空间位置的关节点信息。
本方案中,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,具体为:
根据关节点信息获取带有受力信息的关节点坐标生成数据集,基于深度学习构建人体姿态识别模型,通过所述数据集对人体姿态识别模型进行初始化训练;
根据目标用户当前时间所对应的关节点信息生成带有受力信息的关节点坐标集合,输入到人体姿态识别模型进行特征提取,将提取的动作特征与预设动作进行相似度计算,进行目标用户当前动作的识别;
确定目标用户的动作信息后,计算关节点与标准姿态关节点的相似度,并将目标用户各关节点之间的欧式距离及关节点的受力信息与标准姿态进行对比,生成偏差信息;
根据关节点的相似度及偏差信息得到目标用户动作姿态的规范程度。
本方案中,根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案,具体为:
根据训练动作所锻炼的肌肉部位将当前运动训练计划中的动作进行分类,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息;
根据目标用户当前运动极限信息确定当前运动训练计划中各动作的完成度情况,根据所述完成度情况评估当前运动训练计划与目标用户的适配度;
预设适配度阈值,将所述适配度与适配度阈值进行对比判断,若所述适配度大于适配度阈值,则根据当前运动训练计划中各动作的完成度生成动作替换建议,根据动作替换建议进行调整;
若所述适配度小于适配度阈值,则根据目标用户当前运动极限信息及身体基础信息建立数据索引,通过大数据检索获取与所述数据索引相似度符合预设阈值标准的相似用户信息对应的运动训练计划;
获取目标用户对所述相似用户信息对应的运动训练计划的反馈信息,根据反馈信息重新制定运动训练计划。
本方案中,还包括:
根据目标用户的关节点信息及关节点之间的连接关系生成无向关节点拓扑图,根据动作的分类信息结合关节点之间的约束关系判断各个动作在无向关节点拓扑图中的初始节点;
通过图卷积神经网络根据所述初始节点的邻接矩阵计算与邻接节点的潜在关系,判断邻接节点的重要程度;
根据邻接节点的重要程度进行关节点的筛选,选取重要程度高的邻接节点进行动作姿态规范程度的评估。
本发明第二方面还提供了一种基于物联网的人体运动过程姿态纠正系统,该系统包括:存储器、处理器,所述存储器中包括一种基于物联网的人体运动过程姿态纠正方法程序,所述一种基于物联网的人体运动过程姿态纠正方法程序被所述处理器执行时实现如下步骤:
通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
本发明公开的一种基于物联网的人体运动过程姿态纠正方法及系统,包括:通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息,根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议。本发明通过分析用户运动过程中的不规范动作生成纠正建议,能够帮助用户减少运动损伤。
附图说明
图1示出了本发明一种基于物联网的人体运动过程姿态纠正方法流程图;
图2示出了本发明获取目标用户动作姿态的规范程度的方法流程图;
图3示出了本发明根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案方法流程图;
图4示出了本发明一种基于物联网的人体运动过程姿态纠正系统框图;
图5示出了本发明中目标用户十个部位的传感器的位置分布图;
图6示出了本发明一种基于物联网的人体运动过程姿态纠正系统简图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的人体运动过程姿态纠正方法流程图。
如图1所示,本发明第一方面提供了一种基于物联网的人体运动过程姿态纠正方法,包括:
S102,通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
S104,将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
S106,根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
S108,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
需要说明的是,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息,具体为:获取用户跟随动作练习过程中四个方向的视频流信息及雷达信息,通过布置在目标用户身上十个部位的弯曲、压力与应力传感器及陀螺仪与距离传感器获取传感器信息;将所述视频流信息、雷达信息及传感器信息进行预处理,所述预处理包括滤波去噪,剔除异常值及空白帧,静止杂波等操作,根据视频流信息获取帧图像数据,提取帧图像数据中的感兴趣区域,在感兴趣区域中进行目标用的识别及框选;提取雷达信息中的回波数据,根据回波数据获取距离多普勒谱,通过距离多普勒谱提取特征信息,特征信息包括距离、速度、能量变化等,提取目标用户运动轨迹;将各关节点位上的各个传感器信息进行数据融合实现频域上的精度互补,根据传感器信息获取目标用户的各个关节点位的受力状态。
需要说明的是,生成精确定位的关节点信息,具体为:通过视频流信息获取帧图像数据,对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测,所述OpenPose算法通过卷积神经网络提取图像特征,预测身体部位检测的置信度和用于部位关联的部分亲和域,检测出骨骼点之后,再基于亲和度对其进行高准确性聚类。
获取各含有目标用户动作信息的帧图像数据的时间戳信息;从目标用户骨骼关键点中获取布置在目标用户十个关节点部位的传感器在四个不同视角下的位置信息,避免关节点因视角因素导致重合,将摄像头进行标定,将所述位置信息进行坐标变化,由相机坐标系变换至世界坐标系生成关节点的三维坐标信息及关节点间的立体角度信息;当用户发生动作变化时,回波能量会根据不同动作的动作幅度大小进行变化,根据雷达信息获取目标用户运动轨迹及回波能量信息,根据目标用户的运动轨迹提取运动帧,根据所述运动帧的回波能量变化与预设的回波能量数据库进行对比分析,提取相似的回波能量变化对应的动作变化生成目标用户姿态特征;通过所述时间戳信息将关节点的三维坐标信息及关节点间的立体角度信息与目标用户的姿态特征进行匹配生成匹配度,当所述匹配度满足预设匹配度阈值范围时,说明目标用户当前的动作姿态与关节点的位置信息相对应,则完成关节点的粗定位;同时,根据所述雷达信息获取超宽度信息进行超宽带定位获取关节点的实时位置信息,通过所述实时位置信息及传感数据进行关节点位置信息的校正,生成精确的关节点定位信息;根据传感数据分析关节点的用力及受力状态,结合关节点定位信息生成带有受力信息和空间位置的关节点信息。
图2示出了本发明获取目标用户动作姿态的规范程度的方法流程图。
根据本发明实施例,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,具体为:
S202,根据关节点信息获取带有受力信息的关节点坐标生成数据集,基于深度学习构建人体姿态识别模型,通过所述数据集对人体姿态识别模型进行初始化训练;
S204,根据目标用户当前时间所对应的关节点信息生成带有受力信息的关节点坐标集合,输入到人体姿态识别模型进行特征提取,将提取的动作特征与预设动作进行相似度计算,进行目标用户当前动作的识别;
S206,确定目标用户的动作信息后,计算关节点与标准姿态关节点的相似度,并将目标用户各关节点之间的欧式距离及关节点的受力信息与标准姿态进行对比,生成偏差信息;
S208,根据关节点的相似度及偏差信息得到目标用户动作姿态的规范程度。
需要说明的是,基于深度学习构建人体姿态识别模型,在人体姿态识别模型中,通过在输入层后设置全连接层,更好地提取特征从而提高识别精度;然后,全连接层后使用ReLU作为激活函数,激活层后设置批量归一化层降低网络对初始化权重的不敏感性,加快网络训练速度,使其快速收敛,使用softmax作为分类器。
图3示出了本发明根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案方法流程图。
根据本发明实施例,根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案,具体为:
S302,根据训练动作所锻炼的肌肉部位将当前运动训练计划中的动作进行分类,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息;
S304,根据目标用户当前运动极限信息确定当前运动训练计划中各动作的完成度情况,根据所述完成度情况评估当前运动训练计划与目标用户的适配度;
S306,预设适配度阈值,将所述适配度与适配度阈值进行对比判断,若所述适配度大于适配度阈值,则根据当前运动训练计划中各动作的完成度生成动作替换建议,根据动作替换建议进行调整;
S308,若所述适配度小于适配度阈值,则根据目标用户当前运动极限信息及身体基础信息建立数据索引,通过大数据检索获取与所述数据索引相似度符合预设阈值标准的相似用户信息对应的运动训练计划;
S310,获取目标用户对所述相似用户信息对应的运动训练计划的反馈信息,根据反馈信息重新制定运动训练计划。
需要说明的是,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息,例如用户在进行俯卧撑动作训练时,获取用户胳膊当前极限弯曲程度及一次性做标准俯卧撑个数作为该动作的运动极限信息,当用户俯卧撑手臂弯曲度不够时,则证明用户上肢力量有待强化,则设置难度较低的上肢力量训练动作替换原运动训练计划中的俯卧撑动作,并持续关注新替换动作的完成度情况,根据持续更新的完成度情况进行动作难度及训练强度的升级。
根据目标用户的关节点信息及关节点之间的连接关系生成无向关节点拓扑图,通
过动作的分类信息提取该动作所锻炼的身体部位及肌肉群,获取所锻炼的身体部位及肌肉
群的关节点,并根据关节点之间的联动机制及约束关系选取相关关节点,将获取的关节点
设为无向关节点拓扑图中的初始节点;利用传感器或者姿态估计算法获取到的关节点特征
也是以坐标向量的形式表示,通过图卷积神经网络对无向关节点拓扑图进行训练学习,令为在t时刻帧的人体骨架信息,为关节点的坐标特征集合,为按照人体
自然结构关节点连接起来的骨骼边集合;通过图卷积神经网络根据所述初始节点的邻接矩
阵的邻居聚合机制计算与邻接节点的潜在关系,判断邻接节点的重要程度;其中,关节点
及邻域中其他关节点的聚合计算方式为:
其中,表示特征映射,表示关节点,表示的卷积的采样区域,为目
标关节点的1阶距离相邻关节,表示卷积运算的参数矩阵,表示邻域映射
函数,将目标对象的关节点邻域分为3个子集,根节点、向心节点、离心节点,通过为不同
的邻域分配不同参数,表示所属子集中关节点的数量;
根据邻居聚合判断邻接节点对初始节点的贡献度表征邻接节点的重要程度,根据邻接节点的重要程度进行关节点的筛选,选取重要程度高的邻接节点进行动作姿态规范程度的评估,通过优化各动作中检测关节点的数量信息,减少对与该动作无关的关节点的考虑,提高了各动作规范评估的效率。
根据本发明实施例,通过不断学习目标用户的关节点信息,生成目标用户的个性化数据,具体为:
预设运动训练计划中各动作的标准姿态对应的关节点信息,获取目标用户预设时间内动作姿态的规范程度,进行目标用户针对性运动姿态模式设置;
根据目标用户预设时间内动作姿态的规范程度进行姿态数据分解,随机选取运动训练计划中动作,获取同种类动作中目标用户的预设数量的动作对应姿态数据,提取所述姿态数据中与预设标准姿态偏差小于预设阈值的姿态数据;
预设动作姿态顺序及周期信息,将提取的姿态数据按照动作按照所述预设动作姿态顺序及周期信息进行数据填充;
当周期内单个数据点的姿态数据数量小于数量阈值时,则通过数据检索增加该数据点对应的姿态数据进行数据数据扩充;
通过数据填充生成动作姿态序列提取周期中各时间戳的关节点信息,替换随机选取的动作对应的标准姿态对应的关节点信息,作为目标用户的个性化标准姿态数据。
根据本发明实施例,通过对目标用户运动器械的专属识别,修正传感器点位的位置信息,具体为:
在人体姿态识别模型中串联RCNN模型进行运动器械的识别,选取运动器械图片相关数据库对RCNN模型进行训练;
通过RCNN模型对感兴趣区域进行特征识别生成特征图,选取区域生成网络对特征图进行锚框回归,通过全连接层及Softmax分类器判断目标对象是否使用运动器械;
若目标用户手部区域含有运动器械,则将运动器械进行锚框位置信息标注,在进行关节点位粗定位时,忽略锚框区域进行骨骼点的确定。
对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测时,由于目标用户使用运动器械,运动器械所在点频繁运动导致置信度升高,容易误判为骨骼关键点,所以提前将运动器械锚框区域进行识别后忽略,防止将运动器械误判为骨骼点,提高了关节点定位的精准度。
图4示出了本发明一种基于物联网的人体运动过程姿态纠正系统框图。
本发明第二方面还提供了一种基于物联网的人体运动过程姿态纠正系统4,该系统包括:存储器41、处理器42,所述存储器中包括一种基于物联网的人体运动过程姿态纠正方法程序,所述一种基于物联网的人体运动过程姿态纠正方法程序被所述处理器执行时实现如下步骤:
通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
需要说明的是,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息,具体为:获取用户跟随动作练习过程中四个方向的视频流信息及雷达信息,通过布置在目标用户身上十个部位的弯曲、压力与应力传感器及陀螺仪与距离传感器获取传感器信息;将所述视频流信息、雷达信息及传感器信息进行预处理,所述预处理包括滤波去噪,剔除异常值及空白帧,静止杂波等操作,根据视频流信息获取帧图像数据,提取帧图像数据中的感兴趣区域,在感兴趣区域中进行目标用的识别及框选;提取雷达信息中的回波数据,根据回波数据获取距离多普勒谱,通过距离多普勒谱提取特征信息,特征信息包括距离、速度、能量变化等,提取目标用户运动轨迹;将各关节点位上的各个传感器信息进行数据融合实现频域上的精度互补,根据传感器信息获取目标用户的各个关节点位的受力状态。
需要说明的是,生成精确定位的关节点信息,具体为:通过视频流信息获取帧图像数据,对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测,所述OpenPose算法通过卷积神经网络提取图像特征,预测身体部位检测的置信度和用于部位关联的部分亲和域,检测出骨骼点之后,再基于亲和度对其进行高准确性聚类。
获取各含有目标用户动作信息的帧图像数据的时间戳信息;从目标用户骨骼关键点中获取布置在目标用户十个关节点部位的传感器在四个不同视角下的位置信息,避免关节点因视角因素导致重合,将摄像头进行标定,将所述位置信息进行坐标变化,由相机坐标系变换至世界坐标系生成关节点的三维坐标信息及关节点间的立体角度信息;当用户发生动作变化时,回波能量会根据不同动作的动作幅度大小进行变化,根据雷达信息获取目标用户运动轨迹及回波能量信息,根据目标用户的运动轨迹提取运动帧,根据所述运动帧的回波能量变化与预设的回波能量数据库进行对比分析,提取相似的回波能量变化对应的动作变化生成目标用户姿态特征;通过所述时间戳信息将关节点的三维坐标信息及关节点间的立体角度信息与目标用户的姿态特征进行匹配生成匹配度,当所述匹配度满足预设匹配度阈值范围时,说明目标用户当前的动作姿态与关节点的位置信息相对应,则完成关节点的粗定位;同时,根据所述雷达信息获取超宽度信息进行超宽带定位获取关节点的实时位置信息,通过所述实时位置信息及传感数据进行关节点位置信息的校正,生成精确的关节点定位信息;根据传感数据分析关节点的用力及受力状态,结合关节点定位信息生成带有受力信息和空间位置的关节点信息。
根据本发明实施例,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,具体为:
根据关节点信息获取带有受力信息的关节点坐标生成数据集,基于深度学习构建人体姿态识别模型,通过所述数据集对人体姿态识别模型进行初始化训练;
根据目标用户当前时间所对应的关节点信息生成带有受力信息的关节点坐标集合,输入到人体姿态识别模型进行特征提取,将提取的动作特征与预设动作进行相似度计算,进行目标用户当前动作的识别;
确定目标用户的动作信息后,计算关节点与标准姿态关节点的相似度,并将目标用户各关节点之间的欧式距离及关节点的受力信息与标准姿态进行对比,生成偏差信息;
根据关节点的相似度及偏差信息得到目标用户动作姿态的规范程度。
需要说明的是,基于深度学习构建人体姿态识别模型,在人体姿态识别模型中,通过在输入层后设置全连接层,更好地提取特征从而提高识别精度;然后,全连接层后使用ReLU作为激活函数,激活层后设置批量归一化层降低网络对初始化权重的不敏感性,加快网络训练速度,使其快速收敛,使用softmax作为分类器。
根据本发明实施例,根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案,具体为:
根据训练动作所锻炼的肌肉部位将当前运动训练计划中的动作进行分类,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息;
根据目标用户当前运动极限信息确定当前运动训练计划中各动作的完成度情况,根据所述完成度情况评估当前运动训练计划与目标用户的适配度;
预设适配度阈值,将所述适配度与适配度阈值进行对比判断,若所述适配度大于适配度阈值,则根据当前运动训练计划中各动作的完成度生成动作替换建议,根据动作替换建议进行调整;
若所述适配度小于适配度阈值,则根据目标用户当前运动极限信息及身体基础信息建立数据索引,通过大数据检索获取与所述数据索引相似度符合预设阈值标准的相似用户信息对应的运动训练计划;
获取目标用户对所述相似用户信息对应的运动训练计划的反馈信息,根据反馈信息重新制定运动训练计划。
需要说明的是,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息,例如用户在进行俯卧撑动作训练时,获取用户胳膊当前极限弯曲程度及一次性做标准俯卧撑个数作为该动作的运动极限信息,当用户俯卧撑手臂弯曲度不够时,则证明用户上肢力量有待强化,则设置难度较低的上肢力量训练动作替换原运动训练计划中的俯卧撑动作,并持续关注新替换动作的完成度情况,根据持续更新的完成度情况进行动作难度及训练强度的升级。
根据目标用户的关节点信息及关节点之间的连接关系生成无向关节点拓扑图,通
过动作的分类信息提取该动作所锻炼的身体部位及肌肉群,获取所锻炼的身体部位及肌肉
群的关节点,并根据关节点之间的联动机制及约束关系选取相关关节点,将获取的关节点
设为无向关节点拓扑图中的初始节点;利用传感器或者姿态估计算法获取到的关节点特征
也是以坐标向量的形式表示,通过图卷积神经网络对无向关节点拓扑图进行训练学习,令为在t时刻帧的人体骨架信息,为关节点的坐标特征集合,为按照人体
自然结构关节点连接起来的骨骼边集合;通过图卷积神经网络根据所述初始节点的邻接矩
阵的邻居聚合机制计算与邻接节点的潜在关系,判断邻接节点的重要程度;其中,关节点
及邻域中其他关节点的聚合计算方式为:
其中,表示特征映射,表示关节点,表示的卷积的采样区域,为目
标关节点的1阶距离相邻关节,表示卷积运算的参数矩阵,表示邻域映射
函数,将目标对象的关节点邻域分为3个子集,根节点、向心节点、离心节点,通过为不同
的邻域分配不同参数,表示所属子集中关节点的数量;
根据邻居聚合判断邻接节点对初始节点的贡献度表征邻接节点的重要程度,根据邻接节点的重要程度进行关节点的筛选,选取重要程度高的邻接节点进行动作姿态规范程度的评估,通过优化各动作中检测关节点的数量信息,减少对与该动作无关的关节点的考虑,提高了各动作规范评估的效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于物联网的人体运动过程姿态纠正方法,其特征在于,包括以下步骤:
通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
2.根据权利要求1所述的一种基于物联网的人体运动过程姿态纠正方法,其特征在于,所述的获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息,具体为:
获取用户跟随动作练习过程中四个方向的视频流信息及雷达信息,通过布置在目标用户身上十个部位的弯曲、压力与应力传感器及陀螺仪与距离传感器获取传感器信息;
将所述视频流信息、雷达信息及传感器信息进行预处理,根据视频流信息获取帧图像数据,提取帧图像数据中的感兴趣区域,提取雷达信息中的回波数据,根据回波数据获取距离多普勒谱,提取目标用户运动轨迹;
将各关节点位上的传感器信息进行数据融合实现频域上的精度互补,根据传感器信息获取目标用户的各个关节点位的受力状态。
3.根据权利要求1所述的一种基于物联网的人体运动过程姿态纠正方法,其特征在于,生成精确定位的关节点信息,具体为:
通过视频流信息获取帧图像数据,对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测,并获取各含有目标用户动作信息的帧图像数据的时间戳信息;
从目标用户骨骼关键点中获取布置在目标用户十个关节点部位的传感器在四个不同视角下的位置信息,将所述位置信息进行坐标变化生成关节点的三维坐标信息及关节点间的立体角度信息;
根据雷达信息获取目标用户运动轨迹及回波能量信息,根据目标用户的运动轨迹提取运动帧,根据所述运动帧的回波能量变化生成目标用户姿态特征;
通过所述时间戳信息将关节点的三维坐标信息及关节点间的立体角度信息与目标用户的姿态特征进行匹配生成匹配度,当所述匹配度满足预设匹配度阈值范围时,则完成关节点的粗定位;
根据所述雷达信息获取关节点的实时位置信息,通过所述实时位置信息及传感数据进行关节点位置信息的校正,生成精确的关节点定位信息;
同时,根据传感数据分析关节点的用力及受力状态,结合关节点定位信息生成带有受力信息和空间位置的关节点信息。
4.根据权利要求1所述的一种基于物联网的人体运动过程姿态纠正方法,其特征在于,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,具体为:
根据关节点信息获取带有受力信息的关节点坐标生成数据集,基于深度学习构建人体姿态识别模型,通过所述数据集对人体姿态识别模型进行初始化训练;
根据目标用户当前时间所对应的关节点信息生成带有受力信息的关节点坐标集合,输入到人体姿态识别模型进行特征提取,将提取的动作特征与预设动作进行相似度计算,进行目标用户当前动作的识别;
确定目标用户的动作信息后,计算关节点与标准姿态关节点的相似度,并将目标用户各关节点之间的欧式距离及关节点的受力信息与标准姿态进行对比,生成偏差信息;
根据关节点的相似度及偏差信息得到目标用户动作姿态的规范程度。
5.根据权利要求1所述的一种基于物联网的人体运动过程姿态纠正方法,其特征在于,根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案,具体为:
根据训练动作所锻炼的肌肉部位将当前运动训练计划中的动作进行分类,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息;
根据目标用户当前运动极限信息确定当前运动训练计划中各动作的完成度情况,根据所述完成度情况评估当前运动训练计划与目标用户的适配度;
预设适配度阈值,将所述适配度与适配度阈值进行对比判断,若所述适配度大于适配度阈值,则根据当前运动训练计划中各动作的完成度生成动作替换建议,根据动作替换建议进行调整;
若所述适配度小于适配度阈值,则根据目标用户当前运动极限信息及身体基础信息建立数据索引,通过大数据检索获取与所述数据索引相似度符合预设阈值标准的相似用户信息对应的运动训练计划;
获取目标用户对所述相似用户信息对应的运动训练计划的反馈信息,根据反馈信息重新制定运动训练计划。
6.根据权利要求1所述的一种基于物联网的人体运动过程姿态纠正方法,其特征在于,还包括:
根据目标用户的关节点信息及关节点之间的连接关系生成无向关节点拓扑图,根据动作的分类信息结合关节点之间的约束关系判断各个动作在无向关节点拓扑图中的初始节点;
通过图卷积神经网络根据所述初始节点的邻接矩阵计算与邻接节点的潜在关系,判断邻接节点的重要程度;
根据邻接节点的重要程度进行关节点的筛选,选取重要程度高的邻接节点进行动作姿态规范程度的评估。
7.一种基于物联网的人体运动过程姿态纠正系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于物联网的人体运动过程姿态纠正方法程序,所述一种基于物联网的人体运动过程姿态纠正方法程序被所述处理器执行时实现如下步骤:
通过智能终端设备向目标用户提供动作提示信息,获取目标用户跟随动作练习过程中视频流信息、雷达信息及传感器信息;
将各个方向的视频流信息进行目标对象人体骨架姿态节点提取,进行粗定位的关节点信息;
根据所述传感器信息获取目标用户十个部位的传感数据得到目标用户关节点信息的弯曲及受力状态,进结合雷达数据进行关节点信息的位置校准,生成精确定位的关节点信息;
构建人体姿态识别模型,得到目标用户动作姿态的规范程度,根据所述动作姿态的规范程度生成纠正姿态的建议及运动训练方案。
8.根据权利要求7所述的一种基于物联网的人体运动过程姿态纠正系统,其特征在于,生成精确定位的关节点信息,具体为:
通过视频流信息获取帧图像数据,对目标用户进行目标识别并根据OpenPose算法进行目标用户骨骼关键点检测,并获取各含有目标用户动作信息的帧图像数据的时间戳信息;
从目标用户骨骼关键点中获取布置在目标用户十个关节点部位的传感器在四个不同视角下的位置信息,将所述位置信息进行坐标变化生成关节点的三维坐标信息及关节点间的立体角度信息;
根据雷达信息获取目标用户运动轨迹及回波能量信息,根据目标用户的运动轨迹提取运动帧,根据所述运动帧的回波能量变化生成目标用户姿态特征;
通过所述时间戳信息将关节点的三维坐标信息及关节点间的立体角度信息与目标用户的姿态特征进行匹配生成匹配度,当所述匹配度满足预设匹配度阈值范围时,则完成关节点的粗定位;
根据所述雷达信息获取关节点的实时位置信息,通过所述实时位置信息及传感数据进行关节点位置信息的校正,生成精确的关节点定位信息;
同时,根据传感数据分析关节点的用力及受力状态,结合关节点定位信息生成带有受力信息和空间位置的关节点信息。
9.根据权利要求7所述的一种基于物联网的人体运动过程姿态纠正系统,其特征在于,构建人体姿态识别模型,得到目标用户动作姿态的规范程度,具体为:
根据关节点信息获取带有受力信息的关节点坐标生成数据集,基于深度学习构建人体姿态识别模型,通过所述数据集对人体姿态识别模型进行初始化训练;
根据目标用户当前时间所对应的关节点信息生成带有受力信息的关节点坐标集合,输入到人体姿态识别模型进行特征提取,将提取的动作特征与预设动作进行相似度计算,进行目标用户当前动作的识别;
确定目标用户的动作信息后,计算关节点与标准姿态关节点的相似度,并将目标用户各关节点之间的欧式距离及关节点的受力信息与标准姿态进行对比,生成偏差信息;
根据关节点的相似度及偏差信息得到目标用户动作姿态的规范程度。
10.根据权利要求7所述的一种基于物联网的人体运动过程姿态纠正系统,其特征在于,根据动作姿态的规范程度生成纠正姿态的建议及运动训练方案,具体为:
根据训练动作所锻炼的肌肉部位将当前运动训练计划中的动作进行分类,根据目标用户各个动作姿态的规范程度获取目标用户当前运动极限信息;
根据目标用户当前运动极限信息确定当前运动训练计划中各动作的完成度情况,根据所述完成度情况评估当前运动训练计划与目标用户的适配度;
预设适配度阈值,将所述适配度与适配度阈值进行对比判断,若所述适配度大于适配度阈值,则根据当前运动训练计划中各动作的完成度生成动作替换建议,根据动作替换建议进行调整;
若所述适配度小于适配度阈值,则根据目标用户当前运动极限信息及身体基础信息建立数据索引,通过大数据检索获取与所述数据索引相似度符合预设阈值标准的相似用户信息对应的运动训练计划;
获取目标用户对所述相似用户信息对应的运动训练计划的反馈信息,根据反馈信息重新制定运动训练计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444408.9A CN115497596B (zh) | 2022-11-18 | 2022-11-18 | 一种基于物联网的人体运动过程姿态纠正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444408.9A CN115497596B (zh) | 2022-11-18 | 2022-11-18 | 一种基于物联网的人体运动过程姿态纠正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497596A true CN115497596A (zh) | 2022-12-20 |
CN115497596B CN115497596B (zh) | 2023-04-07 |
Family
ID=85116214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211444408.9A Active CN115497596B (zh) | 2022-11-18 | 2022-11-18 | 一种基于物联网的人体运动过程姿态纠正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497596B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115813377A (zh) * | 2023-01-05 | 2023-03-21 | 北京蓝田医疗设备有限公司 | 一种智能姿势评估方法及系统 |
CN116186561A (zh) * | 2023-04-27 | 2023-05-30 | 华南师范大学 | 基于高维时序图网络的跑步姿势识别纠正方法及系统 |
CN116525061A (zh) * | 2023-03-09 | 2023-08-01 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN117558457A (zh) * | 2024-01-11 | 2024-02-13 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理系统中客户画像分析方法 |
CN117994819A (zh) * | 2024-04-01 | 2024-05-07 | 南昌市小核桃科技有限公司 | 基于图像数据分析的人体姿态监测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025419A1 (en) * | 2013-07-18 | 2015-01-22 | Everett Aaberg | Integrated triad system for providing advanced assessment methods, corrective and performance exercise training, and integrating specialized manual therapies |
CN107754225A (zh) * | 2017-11-01 | 2018-03-06 | 河海大学常州校区 | 一种智能健身教练系统 |
WO2018120964A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
WO2019175425A1 (en) * | 2018-03-15 | 2019-09-19 | Pixformance Sports Gmbh | Use of a human pose estimation model for generating and/or refining a movement model |
CN111881887A (zh) * | 2020-08-21 | 2020-11-03 | 董秀园 | 基于多摄像头的运动姿态监测和指导方法及装置 |
WO2021068470A1 (zh) * | 2020-04-09 | 2021-04-15 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
CN113920578A (zh) * | 2021-09-08 | 2022-01-11 | 哈尔滨工业大学(威海) | 一种智能居家瑜伽教练信息处理系统、方法、终端、介质 |
CN114067358A (zh) * | 2021-11-02 | 2022-02-18 | 南京熊猫电子股份有限公司 | 一种基于关键点检测技术的人体姿态识别方法及系统 |
CN114140721A (zh) * | 2021-12-01 | 2022-03-04 | 中科海微(北京)科技有限公司 | 射箭姿态评估方法、装置、边缘计算服务器及存储介质 |
CN114333063A (zh) * | 2021-12-31 | 2022-04-12 | 上海师范大学 | 一种基于人体姿态估计的武术动作纠正方法及装置 |
CN115116132A (zh) * | 2022-06-13 | 2022-09-27 | 南京邮电大学 | 一种物联网边缘服务环境下深度感知的人体行为分析方法 |
-
2022
- 2022-11-18 CN CN202211444408.9A patent/CN115497596B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025419A1 (en) * | 2013-07-18 | 2015-01-22 | Everett Aaberg | Integrated triad system for providing advanced assessment methods, corrective and performance exercise training, and integrating specialized manual therapies |
WO2018120964A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN107754225A (zh) * | 2017-11-01 | 2018-03-06 | 河海大学常州校区 | 一种智能健身教练系统 |
WO2019175425A1 (en) * | 2018-03-15 | 2019-09-19 | Pixformance Sports Gmbh | Use of a human pose estimation model for generating and/or refining a movement model |
WO2021068470A1 (zh) * | 2020-04-09 | 2021-04-15 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
CN111881887A (zh) * | 2020-08-21 | 2020-11-03 | 董秀园 | 基于多摄像头的运动姿态监测和指导方法及装置 |
CN113920578A (zh) * | 2021-09-08 | 2022-01-11 | 哈尔滨工业大学(威海) | 一种智能居家瑜伽教练信息处理系统、方法、终端、介质 |
CN114067358A (zh) * | 2021-11-02 | 2022-02-18 | 南京熊猫电子股份有限公司 | 一种基于关键点检测技术的人体姿态识别方法及系统 |
CN114140721A (zh) * | 2021-12-01 | 2022-03-04 | 中科海微(北京)科技有限公司 | 射箭姿态评估方法、装置、边缘计算服务器及存储介质 |
CN114333063A (zh) * | 2021-12-31 | 2022-04-12 | 上海师范大学 | 一种基于人体姿态估计的武术动作纠正方法及装置 |
CN115116132A (zh) * | 2022-06-13 | 2022-09-27 | 南京邮电大学 | 一种物联网边缘服务环境下深度感知的人体行为分析方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115813377A (zh) * | 2023-01-05 | 2023-03-21 | 北京蓝田医疗设备有限公司 | 一种智能姿势评估方法及系统 |
CN116525061A (zh) * | 2023-03-09 | 2023-08-01 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN116525061B (zh) * | 2023-03-09 | 2024-04-02 | 北京体育大学 | 一种基于远程人体姿态评估的训练监控方法及系统 |
CN116186561A (zh) * | 2023-04-27 | 2023-05-30 | 华南师范大学 | 基于高维时序图网络的跑步姿势识别纠正方法及系统 |
CN117558457A (zh) * | 2024-01-11 | 2024-02-13 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理系统中客户画像分析方法 |
CN117558457B (zh) * | 2024-01-11 | 2024-03-26 | 合肥特斯塔信息科技有限公司 | 一种客户关系管理系统中客户画像分析方法 |
CN117994819A (zh) * | 2024-04-01 | 2024-05-07 | 南昌市小核桃科技有限公司 | 基于图像数据分析的人体姿态监测系统 |
CN117994819B (zh) * | 2024-04-01 | 2024-06-07 | 南昌市小核桃科技有限公司 | 基于图像数据分析的人体姿态监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115497596B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115497596B (zh) | 一种基于物联网的人体运动过程姿态纠正方法及系统 | |
CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
CN109863535B (zh) | 运动识别装置、存储介质以及运动识别方法 | |
CN110705390A (zh) | 基于lstm的形体姿态识别方法、装置及存储介质 | |
CN110674785A (zh) | 一种基于人体关键点跟踪的多人姿态分析方法 | |
CN112464808B (zh) | 一种基于计算机视觉的跳绳姿态及个数识别方法 | |
CN102184541B (zh) | 多目标优化人体运动跟踪方法 | |
CN110490080B (zh) | 一种基于图像的人体跌倒判别方法 | |
KR102377561B1 (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
CN106384093A (zh) | 一种基于降噪自动编码器和粒子滤波的人体动作识别方法 | |
CN102622766A (zh) | 多目标优化的多镜头人体运动跟踪方法 | |
CN102682452A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
Monir et al. | Rotation and scale invariant posture recognition using Microsoft Kinect skeletal tracking feature | |
US11869200B2 (en) | ML model arrangement and method for evaluating motion patterns | |
CN108875586A (zh) | 一种基于深度图像与骨骼数据多特征融合的功能性肢体康复训练检测方法 | |
JP6381368B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US20210245005A1 (en) | Implementation of machine learning for skill-improvement through cloud computing and method therefor | |
CN113408435B (zh) | 一种安全监控方法、装置、设备和存储介质 | |
Hachaj et al. | Human actions recognition on multimedia hardware using angle-based and coordinate-based features and multivariate continuous hidden Markov model classifier | |
US11854306B1 (en) | Fitness action recognition model, method of training model, and method of recognizing fitness action | |
Shahjalal et al. | An approach to automate the scorecard in cricket with computer vision and machine learning | |
Chariar et al. | AI trainer: Autoencoder based approach for squat analysis and correction | |
CN114639168B (zh) | 一种用于跑步姿态识别的方法和系统 | |
CN115527265A (zh) | 一种基于体育训练的动作捕捉方法及系统 | |
CN114998803A (zh) | 一种基于视频的健身运动分类与计数方法 |
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 |