CN115527265A - 一种基于体育训练的动作捕捉方法及系统 - Google Patents
一种基于体育训练的动作捕捉方法及系统 Download PDFInfo
- Publication number
- CN115527265A CN115527265A CN202210998475.9A CN202210998475A CN115527265A CN 115527265 A CN115527265 A CN 115527265A CN 202210998475 A CN202210998475 A CN 202210998475A CN 115527265 A CN115527265 A CN 115527265A
- Authority
- CN
- China
- Prior art keywords
- human body
- motion
- posture
- information
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于体育训练的动作捕捉方法,包括以下步骤:基于人体骨骼模型采用三维片面建模构建人体三维模型;实时获取体育训练的人体运动视频数据;对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。本发明还公开了一种基于体育训练的动作捕捉系统。本发明涉及动作捕捉技术领域。本发明可进行精准的动作姿态捕捉,构建精准合理的三维模型。
Description
技术领域
本发明涉及动作捕捉技术领域,具体而言,涉及一种基于体育训练的动作捕捉方法及系统。
背景技术
在体育教学中,如武术舞蹈教学,尤其像抛铁球、立定跳远这种固定位置且非常强调姿势正确的运动,很适合用姿态检测技术来辅助训练和错误姿势矫正。对于初学者,如果没有经过系统的学习,往往会由于动作、姿态不标准导致技术水平无法提高,甚至会造成运动损伤。因此需要经常对自己的动作进行回顾分析并进行改进。传统的训练方法需要专业体育教练进行一对一教学,存在人工成本高和灵活性较低等问题,如何通过更加简单有效的方式进行教学与训练是目前亟需解决的问题。
为了解决上述问题,越来越多的职业体育训练队或者国家训练队开始将动作捕捉应用于体育训练中,可以对运动员训练的工作进行具体分析,找到动作中存在瑕疵的连接点,然后通过后期实际训练来不断改善、提升。但是现有技术中一般采用基于姿态传感器的肢体动作捕捉方案,需用户穿戴一整套动作捕捉服等设备,用户的穿戴体验效果不好,且受到设备的限制导致后续的分析精准度不高,使运动动作错误纠正显得困难。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种基于体育训练的动作捕捉方法及系统,可进行精准的动作姿态捕捉,构建精准合理的三维模型。
本发明的实施例是这样实现的:
第一方面,本发明实施例提供一种基于体育训练的动作捕捉方法,包括以下步骤:
基于人体骨骼模型采用三维片面建模构建人体三维模型;
实时获取体育训练的人体运动视频数据;
对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;
根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
为了解决现有技术中无法简单方便精准的采集体育训练中各个人员的人体全身动作捕捉的技术问题,本发明结合智能评估功能,不需要配备多个传感器,而是通过运动过程监控视频采集和视频序列智能处理,对运动动作进行识别、回顾和技术数据分析,以得到精准的动作捕捉。并基于人体骨骼模型建立直观的人体三维模型,然后结合基于视频数据识别到的动作信息对人体三维模型进行实时的调整,实时动态重构人体三维骨骼模型,为体育训练教学指导提供精准的参考,以便直观的找出用户的动作姿态的错误,进而及时进行调整。
本方法通过对用户的运动动作进行视频监控,根据视频数据进行动作识别分析,无需冗余的传感检测设备,减轻用户的穿戴负担,减轻了穿戴重量,用户也可更加精准的进行体育训练,进而获取到更为精准的数据,然后基于约束的层次和刚体力学的人体骨骼模型,使用动作捕捉系统采集人体姿态数据,采用三维面片模型构建人体三维模型,实时动态重构人体三维骨骼模型,为后续体育教学提供精准的参考指导。
基于第一方面,在本发明的一些实施例中,该基于体育训练的动作捕捉方法还包括以下步骤:
获取目标体育训练项目信息;
根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
基于第一方面,在本发明的一些实施例中,上述根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息的方法包括以下步骤:
根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
基于第一方面,在本发明的一些实施例中,该基于体育训练的动作捕捉方法还包括以下步骤:
根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
第二方面,本发明实施例提供一种基于体育训练的动作捕捉系统,包括初始模型模块、视频数据获取模块、动作捕捉识别模块以及三维模型构建模块,其中:
初始模型模块,用于基于人体骨骼模型采用三维片面建模构建人体三维模型;
视频数据获取模块,用于实时获取体育训练的人体运动视频数据;
动作捕捉识别模块,用于对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;
三维模型构建模块,用于根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
为了解决现有技术中无法简单方便精准的采集体育训练中各个人员的人体全身动作捕捉的技术问题,本发明结合智能评估功能,不需要配备多个传感器,而是视频数据获取模块和动作捕捉识别模块通过运动过程监控视频采集和视频序列智能处理,对运动动作进行识别、回顾和技术数据分析,以得到精准的动作捕捉。并通过初始模型模块基于人体骨骼模型建立直观的人体三维模型,然后三维模型构建模块结合基于视频数据识别到的动作信息对人体三维模型进行实时的调整,实时动态重构人体三维骨骼模型,为体育训练教学指导提供精准的参考,以便直观的找出用户的动作姿态的错误,进而及时进行调整。
本系统通过对用户的运动动作进行视频监控,根据视频数据进行动作识别分析,无需冗余的传感检测设备,减轻用户的穿戴负担,减轻了穿戴重量,用户也可更加精准的进行体育训练,进而获取到更为精准的数据,然后基于约束的层次和刚体力学的人体骨骼模型,使用动作捕捉系统采集人体姿态数据,采用三维面片模型构建人体三维模型,实时动态重构人体三维骨骼模型,为后续体育教学提供精准的参考指导。
基于第二方面,在本发明的一些实施例中,该基于体育训练的动作捕捉系统还包括目标项目模块、姿态识别模块以及姿态评估模块,其中:
目标项目模块,用于获取目标体育训练项目信息;
姿态识别模块,用于根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
姿态评估模块,用于根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
基于第二方面,在本发明的一些实施例中,上述姿态评估模块包括关节子模块,用于根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
基于第二方面,在本发明的一些实施例中,该基于体育训练的动作捕捉系统还包括局部向量模块和动作预测模块,其中:
局部向量模块,用于根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
动作预测模块,用于采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种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如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果:
本发明实施例提供一种基于体育训练的动作捕捉方法及系统,通过对用户的运动动作进行视频监控,根据视频数据进行动作识别分析,无需冗余的传感检测设备,减轻用户的穿戴负担,减轻了穿戴重量,用户也可更加精准的进行体育训练,进而获取到更为精准的数据,然后基于约束的层次和刚体力学的人体骨骼模型,使用动作捕捉系统采集人体姿态数据,采用三维面片模型构建人体三维模型,实时动态重构人体三维骨骼模型,为后续体育教学提供精准的参考指导。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例一种基于体育训练的动作捕捉方法的流程图;
图2为本发明实施例一种基于体育训练的动作捕捉系统的原理框图;
图3为本发明实施例提供的一种电子设备的结构框图。
图标:100、初始模型模块;200、视频数据获取模块;300、动作捕捉识别模块;400、三维模型构建模块;500、目标项目模块;600、姿态识别模块;700、姿态评估模块;710、关节子模块;800、局部向量模块;900、动作预测模块;101、存储器;102、处理器;103、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中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
如图1所示,第一方面,本发明实施例提供一种基于体育训练的动作捕捉方法,包括以下步骤:
S1、基于人体骨骼模型采用三维片面建模构建人体三维模型;
S2、实时获取体育训练的人体运动视频数据;该人体运动视频数据可以通过设置在运动场所的摄像头采集体育训练中的人员的实时的运动过程数据,进行及时的记录。上述人体运动视频数据包括人体身形信息、动态动作数据、关节活动信息等,为后续提供精准的数据参考。
S3、对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;该动作捕捉识别信息包括目标用户的各个姿态分解动作信息、各个姿态的关节活动信息以及各个关节空间位置信息等。
S4、根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
为了解决现有技术中无法简单方便精准的采集体育训练中各个人员的人体全身动作捕捉的技术问题,本发明结合智能评估功能,不需要配备多个传感器,而是通过运动过程监控视频采集和视频序列智能处理,对运动动作进行识别、回顾和技术数据分析,以得到精准的动作捕捉。并基于人体骨骼模型建立直观的人体三维模型,然后结合基于视频数据识别到的动作信息对人体三维模型进行实时的调整,实时动态重构人体三维骨骼模型,为体育训练教学指导提供精准的参考,以便直观的找出用户的动作姿态的错误,进而及时进行调整。
本方法通过对用户的运动动作进行视频监控,根据视频数据进行动作识别分析,无需冗余的传感检测设备,减轻用户的穿戴负担,减轻了穿戴重量,用户也可更加精准的进行体育训练,进而获取到更为精准的数据,然后基于约束的层次和刚体力学的人体骨骼模型,使用动作捕捉系统采集人体姿态数据,采用三维面片模型构建人体三维模型,实时动态重构人体三维骨骼模型,为后续体育教学提供精准的参考指导。
基于第一方面,在本发明的一些实施例中,该基于体育训练的动作捕捉方法还包括以下步骤:
获取目标体育训练项目信息;
根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
为了进一步提高对运动教学的指导效率,通过实时的人体三维骨骼模型了解到用户的姿态情况,然后根据具体的体育训练项目的各个姿态动作提取到目标姿态信息,该目标姿态信息包括各个姿态动作、动作顺序等,然后根据项目中的姿态要求结合提取的目标姿态信息对人体动作姿态正确标准与否进行评估,生成姿态评估信息,为后续纠错提供更为精准的参考。上述姿态评估信息包括各个姿态动作是否标准正确、误差数据等等。
例如,若训练的项目为太极拳,则针对太极拳手势识别的问题,分析太极拳中常见手势,用动作捕捉采集大量的太极拳手势数据,建立基于PSO改进的BP网络模型,提出太极拳中拳法手势的识别算法,然后通过该识别算法对人体三维骨骼模型中的手势姿态进行提取识别,进而进行分析评估。
基于第一方面,在本发明的一些实施例中,上述根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息的方法包括以下步骤:
根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
为了进一步提高评估的效果,结合目标姿态信息中的各个关节数据进行动作的整体精准的评估。以太极拳训练项目为例,首先分析太极拳招式特点,然后提取太极拳动作中各主要关节的活跃情况和空间特性,进而构建太极拳动作原语库,分析人体动作和人体关节点的分布特点,进而建立太极拳动作相似度金字塔模型。然后基于构建的太极拳动作相似度金字塔模型对人体动作姿态进行评估,判断出姿态是否相似或相同,进而得到一个精准的评估结果。
基于第一方面,在本发明的一些实施例中,该基于体育训练的动作捕捉方法还包括以下步骤:
根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
为了进一步对体育教学进行动作指导,对动作进行预测,提高教学指导效果。首先分析全身位姿数据,基于SVM(支持向量机)的整体动作识别,分析人体局部关节传感器数据,构成局部关节向量,然后基于CCA典型关联分析方法对局部关节向量进行度量分析,对关节运动趋势进行预测,从而对体育训练项目的动作给出合理化指导建议。
如图2所示,第二方面,本发明实施例提供一种基于体育训练的动作捕捉系统,包括初始模型模块100、视频数据获取模块200、动作捕捉识别模块300以及三维模型构建模块400,其中:
初始模型模块100,用于基于人体骨骼模型采用三维片面建模构建人体三维模型;
视频数据获取模块200,用于实时获取体育训练的人体运动视频数据;该人体运动视频数据可以通过设置在运动场所的摄像头采集体育训练中的人员的实时的运动过程数据,进行及时的记录。上述人体运动视频数据包括人体身形信息、动态动作数据、关节活动信息等,为后续提供精准的数据参考。
动作捕捉识别模块300,用于对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;该动作捕捉识别信息包括目标用户的各个姿态分解动作信息、各个姿态的关节活动信息以及各个关节空间位置信息等。
三维模型构建模块400,用于根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
为了解决现有技术中无法简单方便精准的采集体育训练中各个人员的人体全身动作捕捉的技术问题,本发明结合智能评估功能,不需要配备多个传感器,而是视频数据获取模块200和动作捕捉识别模块300通过运动过程监控视频采集和视频序列智能处理,对运动动作进行识别、回顾和技术数据分析,以得到精准的动作捕捉。并通过初始模型模块100基于人体骨骼模型建立直观的人体三维模型,然后三维模型构建模块400结合基于视频数据识别到的动作信息对人体三维模型进行实时的调整,实时动态重构人体三维骨骼模型,为体育训练教学指导提供精准的参考,以便直观的找出用户的动作姿态的错误,进而及时进行调整。
本系统通过对用户的运动动作进行视频监控,根据视频数据进行动作识别分析,无需冗余的传感检测设备,减轻用户的穿戴负担,减轻了穿戴重量,用户也可更加精准的进行体育训练,进而获取到更为精准的数据,然后基于约束的层次和刚体力学的人体骨骼模型,使用动作捕捉系统采集人体姿态数据,采用三维面片模型构建人体三维模型,实时动态重构人体三维骨骼模型,为后续体育教学提供精准的参考指导。
如图2所示,基于第二方面,在本发明的一些实施例中,该基于体育训练的动作捕捉系统还包括目标项目模块500、姿态识别模块600以及姿态评估模块700,其中:
目标项目模块500,用于获取目标体育训练项目信息;
姿态识别模块600,用于根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
姿态评估模块700,用于根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
为了进一步提高对运动教学的指导效率,通过实时的人体三维骨骼模型了解到用户的姿态情况,然后姿态识别模块600根据具体的体育训练项目的各个姿态动作提取到目标姿态信息,该目标姿态信息包括各个姿态动作、动作顺序等,然后姿态评估模块700根据项目中的姿态要求结合提取的目标姿态信息对人体动作姿态正确标准与否进行评估,生成姿态评估信息,为后续纠错提供更为精准的参考。上述姿态评估信息包括各个姿态动作是否标准正确、误差数据等等。
如图2所示,基于第二方面,在本发明的一些实施例中,上述姿态评估模块700包括关节子模块710,用于根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
为了进一步提高评估的效果,关节子模块710结合目标姿态信息中的各个关节数据进行动作的整体精准的评估。以太极拳训练项目为例,首先分析太极拳招式特点,然后提取太极拳动作中各主要关节的活跃情况和空间特性,进而构建太极拳动作原语库,分析人体动作和人体关节点的分布特点,进而建立太极拳动作相似度金字塔模型。然后基于构建的太极拳动作相似度金字塔模型对人体动作姿态进行评估,判断出姿态是否相似或相同,进而得到一个精准的评估结果。
如图2所示,基于第二方面,在本发明的一些实施例中,该基于体育训练的动作捕捉系统还包括局部向量模块800和动作预测模块900,其中:
局部向量模块800,用于根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
动作预测模块900,用于采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
为了进一步对体育教学进行动作指导,对动作进行预测,提高教学指导效果。通过局部向量模块800分析全身位姿数据,基于SVM(支持向量机)的整体动作识别,分析人体局部关节传感器数据,构成局部关节向量,然后动作预测模块900基于CCA典型关联分析方法对局部关节向量进行度量分析,对关节运动趋势进行预测,从而对体育训练项目的动作给出合理化指导建议。
如图3所示,第三方面,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统和方法,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
第四方面,本申请实施例提供一种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102执行时实现如上述第一方面中任一项的方法。所述功能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,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,本申请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)执行本申请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101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于体育训练的动作捕捉方法,其特征在于,包括以下步骤:
基于人体骨骼模型采用三维片面建模构建人体三维模型;
实时获取体育训练的人体运动视频数据;
对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;
根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
2.根据权利要求1所述的一种基于体育训练的动作捕捉方法,其特征在于,还包括以下步骤:
获取目标体育训练项目信息;
根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
3.根据权利要求2所述的一种基于体育训练的动作捕捉方法,其特征在于,所述根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息的方法包括以下步骤:
根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
4.根据权利要求2所述的一种基于体育训练的动作捕捉方法,其特征在于,还包括以下步骤:
根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
5.一种基于体育训练的动作捕捉系统,其特征在于,包括初始模型模块、视频数据获取模块、动作捕捉识别模块以及三维模型构建模块,其中:
初始模型模块,用于基于人体骨骼模型采用三维片面建模构建人体三维模型;
视频数据获取模块,用于实时获取体育训练的人体运动视频数据;
动作捕捉识别模块,用于对人体运动视频数据进行视频序列处理,并根据处理后的人体运动视频数据对人体动作进行识别,生成动作捕捉识别信息;
三维模型构建模块,用于根据动作捕捉识别信息对人体三维模型进行实时调整,以构建实时的人体三维骨骼模型,完成动作捕捉。
6.根据权利要求5所述的一种基于体育训练的动作捕捉系统,其特征在于,还包括目标项目模块、姿态识别模块以及姿态评估模块,其中:
目标项目模块,用于获取目标体育训练项目信息;
姿态识别模块,用于根据人体三维骨骼模型和目标体育训练项目信息中的姿势数据对人体动作姿态进行识别,以得到目标姿态信息;
姿态评估模块,用于根据目标姿态信息和预置的姿态评估参数对人体动作姿态进行评估,生成姿态评估信息。
7.根据权利要求6所述的一种基于体育训练的动作捕捉系统,其特征在于,所述姿态评估模块包括关节子模块,用于根据目标姿态信息中的各个关节数据和预置的姿态评估参数中的关节活跃情况数据和空间特性数据对人体动作姿态进行评估,生成整体姿态评估信息。
8.根据权利要求6所述的一种基于体育训练的动作捕捉系统,其特征在于,还包括局部向量模块和动作预测模块,其中:
局部向量模块,用于根据目标姿态信息采用SVM分类器对人体动作姿态进行分析,以构建人体局部关节向量;
动作预测模块,用于采用CCA分析方法对人体局部关节向量进行度量分析,生成关节运动趋势预测信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998475.9A CN115527265A (zh) | 2022-08-19 | 2022-08-19 | 一种基于体育训练的动作捕捉方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998475.9A CN115527265A (zh) | 2022-08-19 | 2022-08-19 | 一种基于体育训练的动作捕捉方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115527265A true CN115527265A (zh) | 2022-12-27 |
Family
ID=84696249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210998475.9A Pending CN115527265A (zh) | 2022-08-19 | 2022-08-19 | 一种基于体育训练的动作捕捉方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527265A (zh) |
-
2022
- 2022-08-19 CN CN202210998475.9A patent/CN115527265A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Ergonomic posture recognition using 3D view-invariant features from single ordinary camera | |
US11763603B2 (en) | Physical activity quantification and monitoring | |
CN108205654B (zh) | 一种基于视频的动作检测方法及装置 | |
Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
Chaudhari et al. | Yog-guru: Real-time yoga pose correction system using deep learning methods | |
US11403882B2 (en) | Scoring metric for physical activity performance and tracking | |
Chen et al. | Vision-based skeleton motion phase to evaluate working behavior: case study of ladder climbing safety | |
CN110991292A (zh) | 动作识别比对方法、系统、计算机存储介质和电子装置 | |
CN113392743B (zh) | 异常动作检测方法、装置、电子设备和计算机存储介质 | |
Romeo et al. | Video based mobility monitoring of elderly people using deep learning models | |
CN117593792A (zh) | 一种基于视频帧的异常姿态检测方法和装置 | |
CN115527265A (zh) | 一种基于体育训练的动作捕捉方法及系统 | |
CN113408435B (zh) | 一种安全监控方法、装置、设备和存储介质 | |
CN112257642B (zh) | 人体连续动作相似性评价方法及评价装置 | |
JP2024508782A (ja) | マーカレス運動解析を改善するための方法 | |
KR20210129861A (ko) | 근골격 질환 판단 장치 및 방법 | |
Mendez et al. | The effects of using a noise filter and feature selection in action recognition: an empirical study | |
Hung et al. | A HRNet-based Rehabilitation Monitoring System | |
CN113408434B (zh) | 一种智能监控的表情识别方法、装置、设备和存储介质 | |
CN113408433B (zh) | 一种智能监控的手势识别方法、装置、设备和存储介质 | |
Maldonado et al. | Improving action recognition by selection of features | |
Saleh et al. | Understanding of gait classification using template-matching techniques | |
Rane et al. | Virtual Personal Trainer using Microsoft Kinect and Machine Learning | |
Kelkar et al. | Dynamic Pose Estimation for Drill Activites Using Deep Learning | |
Sitapara et al. | Novel Approach for Real-Time Exercise Posture Correction Using Computer Vision and Cnn |
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 |