CN115546688A - 跳远评测方法、装置、电子设备和存储介质 - Google Patents

跳远评测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115546688A
CN115546688A CN202211193359.6A CN202211193359A CN115546688A CN 115546688 A CN115546688 A CN 115546688A CN 202211193359 A CN202211193359 A CN 202211193359A CN 115546688 A CN115546688 A CN 115546688A
Authority
CN
China
Prior art keywords
frame
foot
coordinates
long jump
points
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
Application number
CN202211193359.6A
Other languages
English (en)
Inventor
罗鹏飞
常欢
殷保才
胡金水
殷兵
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.)
iFlytek Co Ltd
Original Assignee
iFlytek 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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202211193359.6A priority Critical patent/CN115546688A/zh
Publication of CN115546688A publication Critical patent/CN115546688A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

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

Abstract

本发明提供一种跳远评测方法、装置、电子设备和存储介质，其中方法包括：确定跳远评测区域下的待测视频和刻度线坐标；从所述待测视频中的各帧中，确定落地帧；基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定，克服了传统方案中跳远成绩测算不准确的缺陷，通过人体检测、姿态估计以及脚部分割分析测试人员所处的状态，以确定落地帧对应的落地帧，并据此进行成绩评定，提升了跳远成绩测算的准确性；此外，利用计算机视觉技术和循环状态机进行跳远评测，还提升了跳远评测效率和体育课堂的教学效率。

Description

跳远评测方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种跳远评测方法、装置、电子设备和存储介质。
背景技术
近年来，体育运动越来越为人们所重视，从中考中体育测试的测试分数在测试总分中的占比逐年提升的情况，即可看出体育在小、初、高等教育阶段中占据的比重越来越大。跳远项目作为一项经典的田径类体育测试项目，贯穿于义务教育阶段和高等教育阶段。
目前的跳远评测流程多依赖于人工或红外测量设备，即由测量人员测功测量或者借助红外测量设备进行测量，但是，人工测量具备较强的主观性，不同测量人员在面对同一测试人员时，因主观因素的差异可能产生不同的判罚结果；而借助红外测量设备的测量方式则需部署复杂笨重的测试设备，这使得测试过程十分不便，并且与体育课程教学需简单易用的原则相悖，此外，当下在进行成绩测算时，多是将落地画面中测试人员的脚部轮廓点与起跳线之间的最短距离作为最终成绩，但是如果摄像头存在畸变，则会导致跳远成绩测算不准确。
发明内容
本发明提供一种跳远评测方法、装置、电子设备和存储介质，用以解决现有技术中成绩测算不准确的缺陷。
本发明提供一种跳远评测方法，包括：
确定跳远评测区域下的待测视频和刻度线坐标；
从所述待测视频中的各帧中，确定落地帧；
基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；
基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
根据本发明提供的一种跳远评测方法，所述基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定，包括：
基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间；
基于所述刻度区间的区间上限或区间下限，以及所述多个脚部轮廓点与所述刻度区间的区间上限或区间下限之间的距离，确定所述人员的跳远成绩。
根据本发明提供的一种跳远评测方法，所述基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间，包括：
对所述落地帧中的多个脚部轮廓点进行曲线拟合，并基于曲线拟合所得的脚部轮廓曲线进行稀疏化；
基于稀疏化之后的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间。
根据本发明提供的一种跳远评测方法，所述脚部骨骼点的坐标基于如下步骤确定：
基于姿态估计模型，对所述落地帧中的人员进行姿态估计，得到所述落地帧中人员的脚部骨骼点的坐标；
所述姿态估计模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第一样本图像，以及所述第一样本图像中跳远评测区域的区域标签和人体骨骼点标签训练得到。
根据本发明提供的一种跳远评测方法，所述从所述待测视频中的各帧中，确定落地帧，包括：
基于所述待测视频中第一帧的人体检测结果，确定所述人员所处的状态，并在所述状态为准备状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第一移动速度；
在所述第一移动速度表征所述人员处于起跳状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度；
在所述第二移动速度小于预设落地速度阈值的情况下，确定所述人员处于落地状态，并从所述待测视频中的各帧中，确定所述落地状态对应的落地帧。
根据本发明提供的一种跳远评测方法，所述基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度，包括：
从所述待测视频中的各帧中，确定所述起跳状态对应的起跳帧；
基于所述起跳帧中所述人员的脚部骨骼点的坐标，以及所述待测视频中所述起跳帧之后的第二帧中所述人员的脚部骨骼点的坐标，确定所述人员的脚部骨骼点的位移；
基于所述第二帧中所述人员的脚部骨骼点的坐标，所述人员的脚部骨骼点的位移，以及所述跳远评测区域下的起跳线坐标，对所述起跳状态进行校验，并在校验通过的情况下，基于所述待测视频中所述第二帧之后的各帧获取所述人员的脚部骨骼点的第二移动速度。
根据本发明提供的一种跳远评测方法，所述起跳状态基于如下步骤确定：
基于所述第一移动速度，确定所述人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；
在所述水平方向上的移动分速度和所述竖直方向上的移动分速度均大于预设软速度阈值，且所述水平方向上的移动分速度或所述竖直方向上的移动分速度大于预设硬速度阈值的情况下，确定所述人员处于起跳状态；
所述预设软速度阈值小于所述预设硬速度阈值。
根据本发明提供的一种跳远评测方法，还包括：
在所述状态为准备状态的情况下，对所述第一帧进行姿态估计，得到所述第一帧中所述人员的脚部骨骼点的坐标；
基于所述第一帧中所述人员的脚部骨骼点的坐标，对所述第一帧进行脚部分割，得到所述第一帧中的多个脚部轮廓点的坐标；
基于所述第一帧中的多个脚部轮廓点的坐标，以及所述跳远评测区域下的起跳线坐标，进行跳远踩线违规评定。
根据本发明提供的一种跳远评测方法，还包括：
基于所述待测视频中的起跳帧，以及所述起跳帧之前的第三帧，获取所述人员的左右脚的脚部骨骼点的第三移动速度；
基于所述人员的左右脚的脚部骨骼点的第三移动速度，以及预设违规速度阈值，进行跳远起跳违规评定。
根据本发明提供的一种跳远评测方法，所述预设落地速度阈值、所述预设软速度阈值、所述预设硬速度阈值中的至少一种基于所述跳远评测区域下的刻度线坐标确定。
本发明还提供一种跳远评测装置，包括：
确定单元，用于确定跳远评测区域下的待测视频和刻度线坐标；
落地帧确定单元，用于从所述待测视频中的各帧中，确定落地帧；
轮廓点确定单元，用于基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；
成绩评定单元，用于基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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述任一种所述的跳远评测方法。
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如上述任一种所述的跳远评测方法。
本发明提供的跳远评测方法、装置、电子设备和存储介质，确定跳远评测区域下的待测视频和刻度线坐标，从待测视频中的各帧中，确定落地帧，并基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定，克服了传统方案中跳远成绩测算不准确的缺陷，通过人体检测、姿态估计以及脚部分割分析测试人员所处的状态，以确定落地帧对应的落地帧，并据此进行成绩评定，提升了跳远成绩测算的准确性；此外，利用计算机视觉技术和循环状态机进行跳远评测，还提升了跳远评测效率和体育课堂的教学效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明提供的跳远评测方法的流程示意图；
图2是本发明提供的跳远评测区域下的刻度分布的示意图；
图3是本发明提供的跳远评测方法中步骤140的流程示意图；
图4是本发明提供的跳远成绩的评定过程的示例图；
图5是本发明提供的跳远评测方法中步骤141的流程示意图；
图6是本发明提供的跳远评测方法中步骤130的流程示意图；
图7是本发明提供的跳远评测方法中步骤120的流程示意图；
图8是本发明提供的跳远评测方法中的循环状态机的示意图；
图9是本发明提供的跳远评测方法中步骤122的流程示意图；
图10是本发明提供的起跳状态的确定过程的示意图；
图11是本发明提供的跳远踩线违规评定过程的示意图；
图12是本发明提供的跳远起跳违规评定过程的示意图；
图13是本发明提供的跳远评测方法的总体框架图；
图14是本发明提供的跳远评测装置的结构示意图；
图15是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
近年来，体育运动越来越为人们所重视，从中考中体育测试的测试分数在测试总分中的占比逐年提升的情况，即可看出体育在小、初、高等教育阶段中占据的比重越来越大。跳远项目作为一项经典的田径类体育测试项目，贯穿于义务教育阶段和高等教育阶段。
目前的跳远评测流程较为传统，多是由人工测量或者借助红外测量设备进行测量，但是，人工测量方式由于测量人员的主观差异，极易产生不同的判罚结果；而基于红外测量设备的测量方式则需部署复杂笨重的测试设备，这又与体育课程教学需简单易用的原则相悖。
传统的跳远评测过程中，需要考量的有以下几点：
其一，成绩评定，即需给出测试人员的跳远成绩；
其二，违规检测，即需判定测试人员在测试过程中是否违规，并在违规的情况下给出违规类型；
其三、关键姿态，即需捕捉测试人员在测试过程中动作的关键帧，例如，准备、起跳、腾空、落地等；
其四，过程分析，即需给出测试人员在测试过程中的若干个指标项，例如，摆臂角度、屈膝角度、起跳角度、腾空高度、腾空轨迹等。
其中，在进行成绩评定时，大多依据的是落地帧，即将落地帧画面中测试人员的脚部轮廓点与起跳线之间的最短距离作为跳远成绩，而一旦摄像头存在畸变，即落地帧画面出现变形的情况下，据此进行成绩评定会使得跳远成绩出现较大误差，即跳远成绩测算不准确。
而随着深度学习和计算机视觉技术的快速发展，图像识别、目标检测、语义分割、姿态估计等机器视觉问题，在卷积神经网络时代已经有了较好的解决方法，其在ImageNet、MS COCO(Microsoft Common Objects in Context)等部分公开集合上的效果已令人震惊。在此基础上，GPU(Graphics Processing Unit，图像处理器)、NPU(Neural-networkProcessing Unit，网络处理器)等并行化计算设备算力的提高和成本的下降，均会使得各类模型在自动驾驶、行为分析、人脸识别等场景下的应用越来越广泛。
鉴于此，本发明提供一种跳远评测方法，旨在利用计算机视觉技术和循环状态机进行跳远评测，以提升跳远评测效率和体育课堂的教学效率；具体地，本发明提供的跳远评测方法是利用人体检测、姿态估计、脚部分割等深度学习算法分析测试人员的各个状态，以及依据跳远的各个阶段设计的循环状态机，据此进行跳远评测，图1是本发明提供的跳远评测方法的流程示意图，如图1所示，该方法的执行主体为跳远评测系统，该系统由在特定位置部署的网络摄像头、跳远评测区域中喷涂的刻度线、服务器等组成，具有较低的部署成本，并且部署成功后无需人工维护，可以应用于日常的跳远体育课堂中，极大程度上提升了体育课堂的教学效率，该方法包括：
步骤110，确定跳远评测区域下的待测视频和刻度线坐标；
具体地，在进行跳远评测之前，首先需要确定测试人员进行跳远评测的区域，即跳远评测区域，还需确定测试人员在该跳远评测区域中进行跳远评测的视频，以及该跳远评测区域中用于成绩评定的刻度线的坐标，即跳远评测区域下的待测视频和刻度线坐标。
图2是发明提供的跳远评测区域下的刻度分布的示意图，如图2所示，刻度分布中各个刻度线的坐标可以通过对跳远评测区域进行标定得到，即可以利用跳远刻度标定算法，在跳远评测区域内标定出刻度线，并确定出刻度线坐标，而考虑到传统方案中，在对跳远评测区域进行标定时，大多只标定了起跳线，这极易使得后续的起跳判定、人员追踪、成绩评定等过程出现较大的误差，得到的结果的精确度较低，因此，本发明实施例中在对跳远评测区域进行标定时，除刻度线和起跳线之外还标定了起跳区域、评测区域以及干扰区域，实现了跳远评测区域的精细划分，克服了传统方案中因划分简略导致的起跳判定不准确，以及成绩测算精确度低的缺陷。
进一步地，针对跳远评测区域的区域标定过程可以通过区域标定模型完成，而在这之前，还需预先训练得到区域标定模型，其训练过程包括如下步骤：首先，收集大量的用于训练的数据集，该数据集中的每幅图像需利用Labelme(图像标注工具)进行标注，即需使用矩形框将图像中的各个刻度点标记出来；随即，可基于标记后的数据集，对初始的区域标定模型进行训练，从而得到训练完成的区域标定模型；需要说明的是，此处的区域标定模型是在目标检测模型(如YOLOX目标检测模型)的基础上构建的。
上述过程在推理时，首先将初始区域标定模型的输出结果按照X轴和Y轴进行排序，找出距离突变处，从而进行上下两排框的划分，得到上排框和下排框；然后进行虚警滤除，即对于上排框和下排框，基于框与框之间的IOU(Intersection over Union，交并比)，将大于预设IOU阈值的两个框剔除；而后还可以进行漏检补全，即对于上排框和下排框，首先需确定各个框的宽度以及框与框之间的间距，并将其作为后续判定是否缺少标记框的依据，然后从左至右遍历所有框，并依据框与框之间的间距，以及各个框的宽度，判断框与框之间缺少的框的数量，此后依据左侧已缺失的两个框的信息，进行线性插值以补全缺失的框，最终检测补全的框的数量是否满足刻度点的设定，即是否是上下各61个框，总共122个框。
步骤120，从待测视频中的各帧中，确定落地帧；
具体地，在步骤110中，已经确定跳远评测区域下的待测视频的基础上，可以执行步骤120，从待测视频中的各帧中，确定落地帧，这一过程具体包括如下步骤：
首先，可以对待测视频中的第一帧进行人体检测，从而得到第一帧的人体检测结果，此处的第一帧可以理解为当前帧或者待测视频的初始帧，针对第一帧的人体检测实际上是对预先标定的跳远评测区域下的起跳区域的人体检测，以检测起跳区域是否有人；
随即，可以依据第一帧的人体检测结果，确定测试人员是否处于准备状态，具体可以是，在第一帧的人体检测结果表明有人处于起跳区域，且人员的数量为1的情况下，即第一帧的人体检测结果表征有且仅有一人处于起跳区域的情况下，可以确定测试人员已进入跳远评测过程的准备阶段，即测试人员处于准备状态；
随后，在测试人员处于准备状态的情况下，可以依据待测视频中的各帧，获取测试人员脚部的移动速度，具体可以是，可以根据待测视频中第一帧之后的若干个连续帧，确定测试人员的脚部骨骼点在二维图像上的移动速度，并可据此移动速度判定测试人员是否进入起跳阶段，即测试人员是否已起跳；
此后，在此移动速度指明测试人员已起跳的情况下，即测试人员处于起跳状态的情况下，可以根据待测视频中的各帧，再次获取测试人员脚部的移动速度，即可以依据待测视频中起跳状态对应的起跳帧之后的视频帧，确定测试人员的脚部骨骼点的移动速度，并据此移动速度判断测试人员是否处于落地状态，即测试人员是否落地；
最后，即可根据落地状态，从待测视频中的各帧中确定落地帧，即可以以落地状态为基准，从待测视频中确定落地状态对应的落地帧。
步骤130，基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；
具体地，在经过步骤120，从待测视频中的各帧中确定落地帧之后，即可执行步骤130，根据落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，以得到落地帧中的多个脚部轮廓点的坐标，具体过程可以包括如下步骤：
首先，需确定落地帧中人员的脚部骨骼点的坐标，即测试人员在落地帧中的脚部骨骼点的坐标，其可以以落地帧为基准，对测试人员进行姿态估计得到，换而言之，可以通过对落地帧中的人员进行姿态估计，以得到测试人员的脚部骨骼点的坐标；
随即，可以以落地帧中人员的脚部骨骼点的坐标为基准，对落地帧进行脚部分割，从而得到测试人员在落地帧中的脚部轮廓点的坐标，具体可以是，首先可以依据测试人员在落地帧中的脚部骨骼点的坐标，确定测试人员在落地帧中的脚部骨骼点的外包围框，然后，可以据此脚部骨骼点的外包围框进行脚部分割，从而得到测试人员在落地帧中的多个脚部轮廓点，以及各个脚部轮廓点的坐标。
步骤140，基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定。
具体地，在经过上述步骤得到落地帧中的多个脚部轮廓点的坐标后，即可执行步骤140，依据此多个脚部轮廓点的坐标，以及跳远评测区域下的刻度线坐标，进行跳远成绩评定，以确定测试人员的跳远成绩，具体过程包括如下步骤：
首先，可以依据落地帧中的多个脚部轮廓点的坐标，以及通过跳远刻度标定算法得到跳远评测区域下0-300厘米间距为5厘米的刻度分布中各个刻度线的坐标，确定各个脚部轮廓点在刻度分布中的刻度区间，如此即可得到跳远成绩中的区间外成绩；
随后，可以根据各个脚部轮廓点所处刻度区间的区间上限或区间下限，以及各个脚部轮廓点的坐标，确定区间内成绩，在此处上叠加区间外成绩，即可得到测试人员的跳远成绩，具体可以是，将刻度区间的区间上限对应的横坐标或纵坐标，减去对应脚部轮廓点的坐标中的横坐标或纵坐标，即可得到区间内成绩，然后在作为区间外成绩的区间上限的基础上，减去区间内成绩，即可得到跳远成绩；或者将脚部轮廓点的坐标中的横坐标或纵坐标，减去对应刻度区间的区间下限对应的横坐标或纵坐标，即可得到区间内成绩，然后在作为区间外成绩的区间下限的基础上，加上区间内成绩，即可得到跳远成绩。
另外，值得注意的是，考虑到落地状态对应的落地帧中，可能存在因脚部区域被遮挡，以致无法测算跳远成绩的情况，本发明实施例中设计了延迟成绩评定策略，即此种情况下停止使用落地帧进行成绩评定，而使用落地帧之后的脚部区域未被遮挡的视频帧，如此即可避免跳远成绩无法测算的情形，保证了测算的跳远成绩的准确性，同时，提升了成绩测算过程的灵活性。
本发明提供的跳远评测方法，确定跳远评测区域下的待测视频和刻度线坐标，从待测视频中的各帧中，确定落地帧，并基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定，克服了传统方案中跳远成绩测算不准确的缺陷，通过人体检测、姿态估计以及脚部分割分析测试人员所处的状态，以确定落地帧对应的落地帧，并据此进行成绩评定，提升了跳远成绩测算的准确性；此外，利用计算机视觉技术和循环状态机进行跳远评测，还提升了跳远评测效率和体育课堂的教学效率。
基于上述实施例，图3是本发明提供的跳远评测方法中步骤140的流程示意图，如图3所示，步骤140包括：
步骤141，基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间；
步骤142，基于刻度区间的区间上限或区间下限，以及多个脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，确定人员的跳远成绩。
具体地，步骤140中，依据落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定过程，可以包括如下步骤：
步骤141，首先，可以根据落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，确定各个脚部轮廓点落于跳远评测区域下的刻度分布中的刻度区间，即可以以落地帧中的多个脚部轮廓点的坐标，以及跳远评测区域下的刻度线坐标为基准，判断各个脚部轮廓点所处的刻度区间，具体可以是，在脚部轮廓点的坐标中的横坐标或纵坐标大于刻度分布中的某一刻度线的坐标中的横坐标或纵坐标，却小于等于该刻度线的相邻刻度线的坐标中的横坐标或纵坐标的情况下，可以确定该脚部轮廓点处于这两个刻度线构成的刻度区间；
步骤142，随即，可以依据刻度分布中各个刻度线之间的间距，刻度区间的区间上限或区间下限，以及各个脚部轮廓点的坐标，确定各个脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，此处的各个刻度线之间的间距在对跳远评测区域进行刻度标定时已确定，本发明实施例中的间距为5厘米，即可以按照等比例划分的策略，确定各个脚部轮廓点与刻度区间的区间上限或区间下限之间的距离；
在这之后，即可根据各个脚部轮廓点所处刻度区间的区间上限或区间下限，以及各个脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，确定测试人员的跳远成绩，具体可以是，在各个脚部轮廓点所处刻度区间的区间下限的基础上，叠加对应脚部轮廓点与刻度区间的区间下限之间的距离，或者在各个脚部轮廓点所处刻度区间的区间上限的基础上，减去对应脚部轮廓点与刻度区间的区间上限之间的距离，即可得到各个脚部轮廓点对应的跳远成绩，然后从各个脚部轮廓点对应的跳远成绩中选取出最小的跳远成绩，作为测试人员的跳远成绩。
本发明实施例中，通过等比例划分的策略，确定区间内成绩，在此基础上叠加区间外成绩，从而得到测试人员的跳远成绩，通过区间内外成绩叠加的方式，进行跳远成绩评定，保证了跳远成绩测算的精确度和准确性。
下面以具体示例为基准，对上述跳远成绩的评定过程进行说明：
图4是本发明提供的跳远成绩的评定过程的示例图，如图4所示，首先，根据脚部轮廓点的坐标，以及刻度线坐标，可以确定脚部轮廓点处于由2.3米等距线和2.25米等距线构成的刻度区间([x2,x1])，然后，可以利用等比例划分的策略，确定脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，此后，即可根据脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，以及刻度区间的区间上限或区间下限，确定测试人员的跳远成绩。
任一脚部轮廓点对应的跳远成绩的计算公式如下式所示：
Figure BDA0003869870770000091
其中，L为该脚部轮廓点对应的跳远成绩，x2为该脚部轮廓点所处的刻度区间的区间下限对应的横坐标，x1为该脚部轮廓点所处的刻度区间的区间上限对应的横坐标，x为该脚部轮廓点的横坐标，5表示刻度分布中各个刻度线之间的间距。
基于上述实施例，图5是本发明提供的跳远评测方法中步骤141的流程示意图，如图5所示，步骤141包括：
步骤141-1，对落地帧中的多个脚部轮廓点进行曲线拟合，并基于曲线拟合所得的脚部轮廓曲线进行稀疏化；
步骤141-2，基于稀疏化之后的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间。
具体地，步骤141中，根据落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间的过程，具体包括如下步骤：
首先，执行步骤141-1，在得到落地帧中的多个脚部轮廓点之后，即可对这多个脚部轮廓点进行曲线拟合，以将测试人员在落地帧中的多个脚部轮廓点拟合成曲线，从而得到落地帧中人员的脚部轮廓曲线，具体可以是，对落地帧中的多个脚部轮廓点进行多边型曲线拟合，从而得到测试人员在落地帧中的脚部轮廓曲线，然后，可以对此脚部轮廓曲线进行稀疏化，以得到精确的落地帧中人员的多个脚部轮廓点；
随即，执行步骤141-2，即可依据上一步得到的精确的多个脚部轮廓点的坐标，以及跳远评测区域下的刻度线坐标，确定此多个脚部轮廓点所处的刻度区间，具体过程上文已详细说明，此处不再赘述。
基于上述实施例，脚部骨骼点的坐标基于如下步骤确定：
基于姿态估计模型，对落地帧中的人员进行姿态估计，得到落地帧中人员的脚部骨骼点的坐标；
姿态估计模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第一样本图像，以及第一样本图像中跳远评测区域的区域标签和人体骨骼点标签训练得到。
具体地，步骤130中，落地帧中人员的脚部骨骼点的坐标，即测试人员在落地帧中的脚部骨骼点的坐标可以基于如下步骤确定：
首先，可以对落地帧中的人员进行姿态估计，以得到落地帧中人员的脚部骨骼点的坐标，而这一过程可以借助姿态估计模型实现，即可以将落地帧输入至姿态估计模型，由姿态估计模型对输入的落地帧中的人员进行姿态估计，最终得到姿态估计模型输出的落地帧中人员的脚部骨骼点的坐标，即试人员在落地帧中的脚部骨骼点的坐标。
而在将落地帧输入至姿态估计模型之前，还可以以人员处于对应场景下的跳远评测区域内进行跳远评测为约束条件，应用第一样本图像预先训练得到姿态估计模型。
姿态估计模型的训练过程包括：首先，收集大量的第一样本图像，以组建训练数据集，并标注训练数据集中各第一样本图像中的跳远评测区域和人体骨骼点，以形成跳远评测区域的区域标签和人体骨骼点标签，需要说明的是，此处的第一样本图像须是人员处于对应场景下的跳远评测区域内进行跳远评测的图像，其可以从MS COCO公开数据集中收集得到；随即，可以基于第一样本图像，以及第一样本图像中跳远评测区域的区域标签和人体骨骼点标签，对初始姿态估计模型进行训练，从而得到训练完成的姿态估计模型。
值得注意的是，此处的初始姿态估计模型是在基于一维热图范式的SimDR(SimpleDisentagled coordinate Representation)单人姿态估计框架的基础上构建的。
此外，本发明实施例中使用MS COCO公开数据集(17点)，以及标注的处于对应场景下的跳远评测区域内进行跳远评测的人员的人体骨骼点(30点)，训练初始姿态估计模型，能够得到可以输出30点的姿态估计模型。
基于上述实施例，图6是本发明提供的跳远评测方法中步骤130的流程示意图，如图6所示，步骤130包括：
步骤131，基于脚部骨骼点的坐标，确定脚部骨骼点的外包围框；
步骤132，基于脚部分割模型，对脚部骨骼点的外包围框进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；
脚部分割模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第二样本图像中脚部骨骼点的外包围框，以及第二样本图像中跳远评测区域的区域标签和脚部轮廓点标签训练得到。
具体地，步骤130中，根据落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，从而得到测试人员在落地帧中的多个脚部轮廓点的坐标的过程，具体包括如下步骤：
首先，执行步骤131，可以以落地帧中人员的脚部骨骼点的坐标，即测试人员在落地帧中的脚部骨骼点的坐标为基准，确定落地帧中人员的脚部骨骼点的外包围框；
随即，执行步骤132，可以利用脚部分割模型，对此脚部骨骼点的外包围框进行脚部分割，从而得到落地帧中的多个脚部轮廓点的坐标，这一过程具体可以是，首先将脚部骨骼点的外包围框输入至脚部分割模型，然后由脚部分割模型对输入的脚部骨骼点的外包围框进行脚部分割，最终可以得到脚部分割模型输出的测试人员在落地帧中的多个脚部轮廓点的坐标。
需要说明的是，在将脚部骨骼点的外包围框输入至脚部分割模型之前，还可以以人员处于对应场景下的跳远评测区域内进行跳远评测为约束条件，应用第二样本图像中脚部骨骼点的外包围框预先训练得到脚部分割模型。
脚部分割模型的训练过程包括：首先，收集大量的第二样本图像，以组建训练数据集，并标注训练数据集中各第二样本图像中的跳远评测区域和脚部轮廓点，以形成跳远评测区域的区域标签和脚部轮廓点标签，需要说明的是，此处的第二样本图像须是人员处于对应场景下的跳远评测区域内进行跳远评测的图像，其可以从LIP(Look into Person)人体解析数据集中收集得到；随即，可以基于第二样本图像中脚部骨骼点的外包围框，以及第二样本图像中跳远评测区域的区域标签和脚部轮廓点标签，对初始脚部分割模型进行训练，从而得到训练完成的脚部分割模型。
值得注意的是，此处的初始脚部分割模型是在基于HRNet(High-Resolution Net)的语义分割框架的基础上构建的。
需要说明的是，本发明实施例中使用LIP人体解析数据集，以及标注的处于对应场景下的跳远评测区域内进行跳远评测的人员的脚部轮廓点，训练初始脚部分割模型时，是将第二样本图像中脚部骨骼点的外包围框外扩一定比例后得到的外包围框，作为初始脚部分割模型的输入，以训练得到能够对脚部区域进行有效分割的模型。
此外，除上述应用脚部分割模型获取脚部轮廓点的坐标之外，本发明实施例中还可以在脚部骨骼点的基础上，通过其他方式脚部轮廓点的坐标，例如，可以从测试人员的脚部骨骼点中选取特定的骨骼点，即从落地帧中测试人员的脚部骨骼点中选取能够表征测试人员的脚部轮廓的骨骼点，此部分骨骼点即为测试人员的脚步轮廓点，其坐标即为测试人员在落地帧中的多个脚部轮廓点的坐标。
基于上述实施例，图7是本发明提供的跳远评测方法中步骤120的流程示意图，如图7所示，步骤120包括：
步骤121，基于待测视频中第一帧的人体检测结果，确定人员所处的状态，并在状态为准备状态的情况下，基于待测视频中的各帧获取人员的脚部骨骼点的第一移动速度；
步骤122，在第一移动速度表征人员处于起跳状态的情况下，基于待测视频中的各帧获取人员的脚部骨骼点的第二移动速度；
步骤123，在第二移动速度小于预设落地速度阈值的情况下，确定人员处于落地状态，并从待测视频中的各帧中，确定落地状态对应的落地帧。
具体地，步骤120中，从待测视频中的各帧中，确定落地帧的过程，具体包括如下步骤：
本发明实施例中是基于循环状态机进行状态跳转，以确定落地状态，并从待测视频中确定落地状态对应的落地帧，图8是本发明提供的跳远评测方法中的循环状态机的示意图，如图8所示，跳远评测系统在开始时处于等待就位状态，然后即可按照预设检测间隔，调用人体检测模型进行人体检测，即执行步骤121，可以利用人体检测模型，对待测视频中的第一帧进行人体检测，以检测跳远评测区域下的起跳区域是否有人，从而得到第一帧的人体检测结果，具体可以是，将第一帧输入至人体检测模型，由人体检测模型对输入的第一帧进行人体检测，最终得到人体检测模型输出的第一帧的人体检测结果；
而在将第一帧输入至人体检测模型之前，还可以以人员处于对应场景下的跳远评测区域为约束条件，应用第三样本图像预先训练得到人体检测模型。
人体检测模型的训练过程包括：首先，收集大量的第三样本图像，以组件训练数据集，并标注训练数据集中各第三样本图像中的跳远评测区域和人体区域，以形成跳远评测区域的区域标签和人体框标签；此处的第三样本图像可以与上文的第一样本图像相同，也可以不同，本发明实施例对此不做具体限定，但是第三样本图像必须是人员处于对应场景下的跳远评测区域的图像，其可以从MS COCO公开数据集中收集得到；随即，可以基于第三样本图像，以及第三样本图像中跳远评测区域的区域标签和人体框标签，对初始人体检测模型进行训练，从而得到训练完成的人体检测模型。值得注意的是，此处的初始脚部分割模型是在YOLOX目标检测框架的基础上构建的。
进一步地，在得到第一帧的人体检测结果后，即可据此人体检测结果，判断测试人员是否处于准备状态，具体可以是，在第一帧的人体检测结果表明有人处于跳远评测区域下的起跳区域，且处于起跳区域的人员数量为1的情况下，即有且仅有一人处于跳远评测区域下的起跳区域的情况下，可以初步确定测试人员进入准备状态，即可以确定测试人员预备进入准备状态，此时，为进一步确认测试人员的状态，可以继续进行人体检测，即可以在第一帧的基础上，间隔预设帧再次进行人体检测，即按照预设检测间隔，调用人体检测模型进行人体检测，以得到人体检测结果，并在连续预设次数的人体检测结果均表明有且仅有一人处于跳远评测区域下的起跳区域的情况下，确定测试人员进行准备状态，即测试人员处于准备状态。
需要说明的是，此处的预设检测间隔可以根据实际情况相应设置，例如，可以是20帧、25帧、30帧等，而作为优选，本发明实施例中将预设检测间隔选定为25帧，对应地，预设帧也为25帧；预设次数同样可以根据实际情况相应设置，可以是2次、3次、4次等，作为优选，本发明实施例中将预设次数确定为3次。
而在确定测试人员处于准备状态的情况下，可以依据待测视频中的各帧，获取测试人员的脚部骨骼点的移动速度，即第一移动速度，这一过程具体可以是，依据待测视频中第一帧之后的若干个连续帧，确定测试人员的脚部骨骼点在二维图像上的第一移动速度；
随即，执行步骤122，可以在第一移动速度表明测试人员已进入起跳阶段的情况下，即测试人员处于起跳状态的情况下，可以根据待测视频中的各帧，持续获取测试人员的脚部骨骼点的移动速度，即第二移动速度，具体可以是，依据待测视频中起跳状态对应的起跳帧之后的视频帧，确定测试人员的脚部骨骼点的第二移动速度；
此后，执行步骤123，即可据此第二移动速度，判定测试人员的落地状态，即在第二移动速度小于预设落地速度阈值的情况下，确定测试人员处于落地状态，并据此落地状态，从待测视频的各帧中，确定落地帧，即可以以落地状态为基准，从待测视频中确定落地状态对应的落地帧。
对应地，在第二移动速度大于等于预设落地速度阈值的情况下，可以确定测试人员暂未落地，即仍处于腾空状态，需持续获取第二移动速度，直至其小于预设速度阈值，则可以确定测试人员已落地。
本发明实施例中，通过起跳帧之后的视频帧，确定第二移动速度，并依据第二移动速度以及预设速度阈值判断测试人员是否处于落地状态，规避了传统方案中因落地状态判断依据(臀部、膝盖、脚踝等形成的角度)捕捉不易、测量不便，导致落地状态判断困难，判断误差大、精度低的缺陷，通过归一化的预设落地速度阈值进行落地状态判断，在简化判断过程的同时，提升了判断效率和判断精度。
此外，本发明实施例中的预设落地速度阈值与跳远评测区域的刻度分布绑定，换而言之，其可以根据跳远评测区域下的刻度线坐标确定，这使得落地状态的判断阈值能够脱离实际场景，即可以不依赖于跳远评测系统的部署场景，提高了整个系统的鲁棒性。
基于上述实施例，图9是本发明提供的跳远评测方法中步骤122的流程示意图，如图9所示，步骤122包括：
步骤122-1，从待测视频中的各帧中，确定起跳状态对应的起跳帧；
步骤122-2，基于起跳帧中人员的脚部骨骼点的坐标，以及待测视频中起跳帧之后的第二帧中人员的脚部骨骼点的坐标，确定人员的脚部骨骼点的位移；
步骤122-3，基于第二帧中人员的脚部骨骼点的坐标，人员的脚部骨骼点的位移，以及跳远评测区域下的起跳线坐标，对起跳状态进行校验，并在校验通过的情况下，基于待测视频中第二帧之后的各帧获取人员的脚部骨骼点的第二移动速度。
考虑到传统方案中，在进行跳远评测时大多设计的是串行式的评测机制，此种评测机制下，对于起跳这个对整个评测流程具有重要影响的状态跳转环节，一旦出现异常触发，则极有可能会使得整个评测流程提前结束，例如，在骨骼点抖动引起异常触发的情况下，会导致整个评测流程直接结束。
鉴于此，本发明实施例中设计了一种循环状态机，即在初次确定处于起跳状态后，引入二次确认机制，通过测试人员的脚部骨骼点的位移，以及脚部骨骼点和起跳线之间的位置关系，判定测试人员是否真正处于起跳状态，即是否真实起跳。
具体地，步骤122中，基于待测视频中的各帧获取人员的脚部骨骼点的第二移动速度的过程，具体可以包括如下步骤：
步骤122-1，在第一移送速度表征测试人员已进入起跳阶段的情况下，即初次确定测试人员处于起跳状态的情况下，可以从待测视频中的各帧中，确定起跳状态对应的起跳帧；
步骤122-2，可以以起跳帧中测试人员的脚部骨骼点的坐标为基准，结合待测视频中起跳帧之后的第二帧中测试人员的脚部骨骼点的坐标，确定测试人员的脚部骨骼点的位移，即可以通过两帧图像中测试人员的脚部骨骼点的坐标，计算测试人员的脚部骨骼点往某一方向移动的距离，此处的第二帧可以理解为第一帧间隔一定时间窗后的视频帧；
步骤122-3，首先需要确定第二帧中测试人员的脚部骨骼点的坐标，其可以调用姿态估计模型，对第二帧中的人员进行姿态估计得到，然后可以利用第二帧中测试人员的脚部骨骼点的坐标，步骤122-2中确定的测试人员的脚部骨骼点的位移，以及预先标定的跳远评测区域下的起跳线坐标，对初次确定的测试人员的起跳状态进行校验，以验证测试人员是否真正起跳；
进一步地，在校验通过的情况下，即验证测试人员确实起跳的情况下，可以确定测试人员处于腾空状态，此时，可以根据待测视频中第二帧之后的各帧，持续获取测试人员的脚部骨骼点的第二移动速度。
对应地，在校验未通过的情况下，即经过验证确定初次确定的起跳状态是因异常触发导致的情况下，此时的起跳并非真实起跳，因此需将测试人员的状态重置为准备状态。
本发明实施例中，通过测试人员的脚部骨骼点的位移，以及脚部骨骼点和起跳线之间的位置关系，对起跳状态进行校验，解决了传统方案中因人体骨骼点抖动引起异常触发，导致评测流程直接结束的问题，保证了基于循环状态机的状态跳转环节的缜密性。
基于上述实施例，步骤122-3中，基于第二帧中人员的脚部骨骼点的坐标，人员的脚部骨骼点的位移，以及跳远评测区域下的起跳线坐标，对起跳状态进行校验，包括：
在人员的脚部骨骼点的位移大于预设位移阈值，且第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点已越过跳远评测区域的起跳线的情况下，确定对于起跳状态的校验通过；
在人员的脚部骨骼点的位移小于等于预设位移阈值，或第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点未越过跳远评测区域的起跳线的情况下，确定对于起跳状态的校验未通过，并将起跳状态重置为准备状态。
具体地，步骤122-3中，根据第二帧中人员的脚部骨骼点的坐标，人员的脚部骨骼点的位移，以及跳远评测区域下的起跳线坐标，对起跳状态进行校验的过程，包括以下两种情况：
其一，在测试人员的脚部骨骼点的位移大于预设位移阈值，且第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点已越过跳远评测区域的起跳线的情况下，即测试人员的脚部骨骼点的位移大于预设位移阈值，且第二帧指明测试人员的脚部骨骼点已越过起跳线的情况下，可以确定对于测试人员的起跳状态的校验通过，即测试人员真正起跳，处于腾空状态。
其二，在人员的脚部骨骼点的位移小于等于预设位移阈值，或第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点未越过跳远评测区域的起跳线的情况下，即测试人员的脚部骨骼点小于等于预设位移阈值，或者第二帧指明测试人员的脚部骨骼点未越过起跳线的情况下，可以确定对于测试人员的起跳状态的校验未通过，即测试人员未起跳，此时需将测试人员的状态重置为准备状态。
基于上述实施例，图10是本发明提供的起跳状态的确定过程的示意图，如图10所示，起跳状态基于如下步骤确定：
步骤1010，基于第一移动速度，确定人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；
步骤1020，在水平方向上的移动分速度和竖直方向上的移动分速度均大于预设软速度阈值，且水平方向上的移动分速度或竖直方向上的移动分速度大于预设硬速度阈值的情况下，确定人员处于起跳状态；
预设软速度阈值小于预设硬速度阈值。
具体地，上述过程中，依据第一移动速度，判断测试人员是否处于起跳状态的过程，可以包括如下步骤：
步骤1010，首先，可以根据第一移动速度，确定测试人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度，即可以对第一移动速度进行分解，以将其分解为水平方向上的分速度和竖直方向上的分速度，从而得到测试人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；
步骤1020，即可基于此水平方向上的移动分速度，以及竖直方向上的移动分速度，进行起跳状态判定，具体可以是，在测试人员的脚部骨骼点在水平方向上的移动分速度和在竖直方向上的移动分速度均大于预设软速度阈值，且水平方向上的移动分速度或竖直方向上的移动分速度大于预设硬速度阈值的情况下，可以初步确定测试人员处于起跳状态。
值得注意的是，此处的预设软速度阈值和预设硬速度阈值均可以根据实际需求相应设定，但是预设软速度阈值需小于预设硬速度阈值。
对应地，在测试人员的脚部骨骼点在水平方向上的移动分速度和/或在竖直方向上的移动分速度小于等于预设软速度阈值，或水平方向上的移动分速度和竖直方向上的移动分速度均小于等于预设硬速度阈值的情况下，可以确定测试人员暂未进入起跳阶段，此时测试人员仍处于准备状态。
本发明实施例中，通过分解第一移动速度，借助其在两个方向上的移动分速度，以及预设软速度阈值和预设硬速度阈值进行起跳状态判定，规避了传统方案中因起跳状态判断依据(臀部、膝盖、脚踝等形成的角度)捕捉不易、测量不便，导致起跳状态判断困难，判断误差大、精度低的缺陷，通过软硬速度阈值进行起跳状态判断，在简化判断过程的同时，提升了判断效率和判断精度。此外，也解决了传统方案中由于起跳规则过于简单，导致在一些特殊的起跳姿态下，无法捕捉到起跳状态的问题，极大程度上提升了起跳状态的判断效率，推进了跳远评测流程。
此外，需要说明的是，本发明实施例中的预设软速度阈值和预设硬速度阈值均与跳远评测区域的刻度分布绑定，换而言之，其可以根据跳远评测区域下的刻度线坐标确定，这使得起跳状态的判断阈值能够脱离实际场景，即可以不依赖于跳远评测系统的部署场景，提高了整个系统的鲁棒性。
基于上述实施例，在测试人员处于准备状态的情况下，可以启动跳远追踪流程，以对测试人员进行追踪，具体过程可以是，在得到当前帧的姿态估计结果(当前帧中人员的脚部骨骼点的坐标)后，待测视频中当前帧的下一帧的人体检测框将使用当前帧的姿态估计结果确定的脚部骨骼点的外包围框并外扩一定比例代替，换而言之，在调用姿态估计模型，对当前帧中的人员进行姿态估计，以得到当前帧中人员的脚部骨骼点的坐标，并基于该脚部骨骼点的坐标，确定当前帧中人员的脚部骨骼点的外包围框之后，可以将此外包围框外扩一定比例作为当前帧的下一帧的人体检测框。
本发明实施例中，采用自上而下的追踪策略，进行人员追踪，克服了传统方案中采用基于自底向上的多人姿态估计结果进行人员追踪，以致需对各帧图像的整幅画面处理，以及需对画面中的所有人物进行姿态估计，不仅处理过程十分繁琐，还极有可能导致脚部骨骼点的估计不够精准，从而对跳远评测流程的状态跳转造成影响的缺陷，本发明实施例中，针对测试人员的追踪，采用自上而下的追踪策略，基于人体检测算法筛选出处于跳远评测区域下的起跳区域中的人员，并基于姿态估计算法逐帧进行人员追踪，保证了测试人员追踪的准确性，并且该追踪策略仅需对视频帧中的局部区域进行处理，简化了系统的复杂度，与此同时，能够更加精确的刻画出测试人员的脚部骨骼点，提高了系统的运行效率。
基于上述实施例，图11是本发明提供的跳远踩线违规评定过程的示意图，如图11所示，该方法还包括：
步骤1110，在状态为准备状态的情况下，对第一帧进行姿态估计，得到第一帧中人员的脚部骨骼点的坐标；
步骤1120，基于第一帧中人员的脚部骨骼点的坐标，对第一帧进行脚部分割，得到第一帧中的多个脚部轮廓点的坐标；
步骤1130，基于第一帧中的多个脚部轮廓点的坐标，以及跳远评测区域下的起跳线坐标，进行跳远踩线违规评定。
具体地，本发明实施例提供的方法，除了对进行跳远成绩评定之外，还可对测试人员在跳远评测过程的行为进行评定，参见图8可知，可以以评定测试人员是否踩线违规、中断违规、站立违规、起跳违规等，以及评定存在人员干扰，本发明实施例中对跳远评测过程中的踩线违规情况进行评定，具体过程包括如下步骤：
步骤1110，在状态为准备状态的情况下，可以对第一帧进行姿态估计，从而得到第一帧中人员的脚部骨骼点的坐标，具体可以是，在确定测试人员处于起跳状态的情况下，可以调用姿态估计模型，对待测视频中第一帧中的人员进行姿态估计，以得到测试人员在第一帧中的脚部轮廓点的坐标，姿态估计过程上文已详细说明，此处不再赘述；
步骤1120，可以以测试人员在第一帧中的脚部骨骼点的坐标为基准，对第一帧进行脚部分割，以得到测试人员在第一帧中的多个脚部轮廓点的坐标，具体可以是，首先可以依据测试人员在第一帧中的脚部骨骼点的坐标，确定测试人员在第一帧中的脚部骨骼点的外包围框，然后，可以调用脚部分割模型，对测试人员在第一帧中的脚部骨骼点的外包围框进行脚部分割，从而得到测试人员在第一帧中的多个脚部轮廓点，以及各个脚部轮廓点的坐标；脚部分割的过程上文同样已详细说明，此处不再赘述；
步骤1130，即可依据测试人员在第一帧中的多个脚部轮廓点的坐标，以及跳远评测区域下的起跳线坐标，判断测试人员是否踩线违规，具体可以是，利用测试人员在第一帧中的多个脚部轮廓点的坐标，以及跳远评测区域下的起跳线坐标，计算各个脚部轮廓点至跳远评测区域下的起跳线之间的距离，值得注意的是，此处的距离为带符号的距离值，距离值为负则表明对应脚部轮廓点在后(左)，起跳线在前(右)，即对应脚部轮廓点至跳远评测区域下的起跳线之间的距离表明测试人员未踩线，而需在所有脚部轮廓点至跳远评测区域下的起跳线之间的距离均表明测试人员未踩线的情况下，或者在距离起跳线最近的脚部轮廓点至起跳线之间的距离表明测试人员未踩线的情况下，才可判定测试人员未踩线违规。
对应地，在距离值为正，且大于预设违规距离阈值的情况下，即对应脚部轮廓点在前(右)，起跳线在后(左)的情况下，换而言之，对应脚部轮廓点至跳远评测区域下的起跳线之间的距离表明测试人员踩线的情况下，可以确定测试人员踩线违规。并且，在任一脚部轮廓点至跳远评测区域下的起跳线之间的距离表明测试人员踩线的情况下，即可判定测试人员未踩线违规。此处的预设违规距离阈值可以根据实际情况相应设定，例如，可以是0.5厘米、1厘米、1.5厘米等。
基于上述实施例，图12是本发明提供的跳远起跳违规评定过程的示意图，如图12所示，该方法还包括：
步骤1210，基于待测视频中的起跳帧，以及起跳帧之前的第三帧，获取人员的左右脚的脚部骨骼点的第三移动速度；
步骤1220，基于人员的左右脚的脚部骨骼点的第三移动速度，以及预设违规速度阈值，进行跳远起跳违规评定。
具体地，针对跳远评测过程中的起跳违规情况进行评定的过程，具体可以包括如下步骤：
步骤1210，可以在确定测试人员处于起跳状态的情况下，根据起跳状态，从在待测视频中的各帧中确定起跳帧，并以起跳帧为时间戳，按照一定时间间隔回溯待测视频中的视频帧，并根据回溯的视频帧，以及起跳帧，确定测试人员左右脚的脚部骨骼点的移动速度，具体可以是，以待测视频中的起跳帧为基准，结合起跳帧之前的第三针，确定测试人员起跳时左脚和右脚的脚部骨骼点的移动速度，即第三移送速度，此处的第三帧可以理解为以起跳帧为时间戳，按照一定时间间隔对待测视频进行回溯的视频帧；
步骤1220，即可据此第三移动速度，以及预设违规速度阈值，判断测试人员是否起跳违规，即判定测试人员是否是单脚起跳，具体可以是，在测试人员起跳时左脚的脚部骨骼点的第三移动速度，与右脚的脚部骨骼点的第三移动速度之间的差距大于等于预设违规速度阈值的情况下，即两只脚的起跳速度差距过大的情况下，可以确定测试人员单脚起跳，此时可以判定测试人员起跳违规；此处的预设违规速度阈值可以根据实际情况相应设定。
对应地，在测试人员起跳时左脚的脚部骨骼点的第三移动速度，与右脚的脚部骨骼点的第三移动速度之间的差距小于预设违规速度阈值的情况下，即两只脚的起跳速度差距在可容忍的范围内的情况下，可以确定测试人员起跳正常，即测试人员未单脚起跳，此时可以判定测试人员未起跳违规。
需要说明的是，在以起跳帧为时间戳，回溯待测视频中的视频帧的过程中，除了据回溯的视频帧进行起跳违规判定外，还可据此进行踩线违规判定，具体的判定过程上文已说明，此处不再赘述。
基于上述实施例，该方法还包括：
对第一帧之后的第四帧进行人体检测，得到第四帧的人体检测结果；
在第四帧的人体检测结果指示跳远评测区域下的起跳区域无人的情况下，确定人员跳远中断违规。
具体地，针对跳远评测过程中的中断违规情况进行评定的过程，具体可以包括如下步骤：
首先，可以以第一帧为基准，间隔预设帧从待测视频中确定第四帧，此处的预设帧可以根据实际情况相应设定，作为本发明实施例中将预设帧确定为25帧；
随后，可以调用人体检测模型，对第四帧进行人体检测，以检测第四帧中是否有人处于跳远评测区域下的起跳区域，从而得到第四帧的人体检测结果；
进一步地，在第四帧的人体检测结果表明跳远评测区域下的起跳区域无人的情况下，即基于第四帧的人体检测得知跳远评测区域下的起跳区域无人的情况下，可以确定测试人员离开，即跳远中断违规。
对应地，在第四帧的人体检测结果表明跳远评测区域下的起跳区域有人的情况下，可以确定测试人员未中断违规。
除上述踩线违规、起跳违规以及中断违规之外，还可对测试人员的站立方向进行违规判定，即评定测试人员是否是反向站立，其可以以测试人员的脚部骨骼点为参考进行评定，即在测试人员的脚部骨骼点反映测试人员的站立方向与跳远评测区域下的刻度线从小到大的方向相反时，可以确定测试人员反向站立，换而言之，脚部骨骼点中脚尖部位的骨骼点在后(左)，脚跟部位的骨骼点在前(右)时，可以确定测试人员站立违规。
对应地，在测试人员的脚部骨骼点反映测试人员的站立方向与跳远评测区域下的刻度线从小到大的方向相同时，可以确定测试人员未反向站立，换而言之，脚部骨骼点中脚尖部位的骨骼点在前(右)，脚跟部位的骨骼点在后(左)时，可以确定测试人员未站立违规。
基于上述实施例，预设落地速度阈值、预设软速度阈值、预设硬速度阈值中的至少一种基于跳远评测区域下的刻度线坐标确定。
具体地，本发明实施例提供的跳远评测方法中，进行落地状态判定的预设落地速度阈值，进行起跳状态判定的预设软速度阈值，以及预设硬速度阈值中的至少一种与跳远评测区域的刻度分布绑定，换而言之，此三者中的任意一种或两种可以根据跳远评测区域下的刻度线坐标确定，当然上述三者也可以均基于跳远评测区域下的刻度线坐标确定。
本发明实施例中，将预设落地速度阈值、预设软速度阈值、预设硬速度阈值中的至少一种与跳远评测区域下的刻度线坐标绑定，能够使得起跳状态和落地状态的判断阈值脱离实际场景，即可以不依赖于跳远评测系统的部署场景，克服了传统方案中阈值的设定需结合实际场景，且缺乏统一的阈值设定规则，以致不同场景需设定不同阈值，阈值设定十分繁琐的缺陷，在实现阈值设定的精简化的同时，提高了整个系统的鲁棒性。
基于上述实施例，图13是本发明提供的跳远评测方法的总体框架图，如图13所示，跳远评测系统开始时处于等待状态，此时系统语音播报“请准备”，进入就位状态，此时系统语音播报“开始”，然后即可进入跳远评测流程的下一环节；
首先，需要确定跳远评测区域下的待测视频和刻度线坐标；
随即，可以从待测视频中的各帧中，确定落地帧，具体可以是，基于待测视频中第一帧的人体检测结果，确定人员所处的状态，并在状态为准备状态的情况下，基于待测视频中的各帧获取人员的脚部骨骼点的第一移动速度；在第一移动速度表征人员处于起跳状态的情况下，基于待测视频中的各帧获取人员的脚部骨骼点的第二移动速度；在第二移动速度小于预设落地速度阈值的情况下，确定人员处于落地状态，并从待测视频中的各帧中，确定落地状态对应的落地帧；
此处的起跳状态可以基于如下步骤确定：基于第一移动速度，确定人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；在水平方向上的移动分速度和竖直方向上的移动分速度均大于预设软速度阈值，且水平方向上的移动分速度或竖直方向上的移动分速度大于预设硬速度阈值的情况下，确定人员处于起跳状态；此处的预设软速度阈值小于所述预设硬速度阈值。
需要说明的是，此处的预设落地速度阈值、预设软速度阈值、预设硬速度阈值中的至少一种基于跳远评测区域下的刻度线坐标确定。
其中，在第一移动速度表征人员处于起跳状态的情况下，基于待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度的过程，具体可以是，在第一移动速度表征人员处于起跳状态的情况下，从待测视频中的各帧中，确定起跳状态对应的起跳帧；基于起跳帧中人员的脚部骨骼点的坐标，以及待测视频中起跳帧之后的第二帧中人员的脚部骨骼点的坐标，确定人员的脚部骨骼点的位移；基于第二帧中人员的脚部骨骼点的坐标，人员的脚部骨骼点的位移，以及跳远评测区域下的起跳线坐标，对起跳状态进行校验，并在校验通过的情况下，基于待测视频中第二帧之后的各帧获取人员的脚部骨骼点的第二移动速度。
进一步地，基于第二帧中人员的脚部骨骼点的坐标，人员的脚部骨骼点的位移，以及跳远评测区域下的起跳线坐标，对起跳状态进行校验的过程，具体包括两种情况：其一，在人员的脚部骨骼点的位移大于预设位移阈值，且第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点已越过跳远评测区域的起跳线的情况下，确定对于起跳状态的校验通过；其二，在人员的脚部骨骼点的位移小于等于预设位移阈值，或第二帧中人员的脚部骨骼点的坐标和起跳线坐标反映人员的脚部骨骼点未越过跳远评测区域的起跳线的情况下，确定对于起跳状态的校验未通过，并将起跳状态重置为准备状态。
随后，可以基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；
此处，落地帧中人员的脚部骨骼点的坐标基于如下步骤确定：基于姿态估计模型，对落地帧中的人员进行姿态估计，得到落地帧中人员的脚部骨骼点的坐标；姿态估计模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第一样本图像，以及第一样本图像中跳远评测区域的区域标签和人体骨骼点标签训练得到。
其中，基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标的过程，具体可以包括：基于脚部骨骼点的坐标，确定脚部骨骼点的外包围框；基于脚部分割模型，对脚部骨骼点的外包围框进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；脚部分割模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第二样本图像中脚部骨骼点的外包围框，以及第二样本图像中跳远评测区域的区域标签和脚部轮廓点标签训练得到。
此后，即可基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定的过程，具体过程可以包括：基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间；基于刻度区间的区间上限或区间下限，以及多个脚部轮廓点与刻度区间的区间上限或区间下限之间的距离，确定人员的跳远成绩。
其中，基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间的过程，具体可以是，对落地帧中的多个脚部轮廓点进行曲线拟合，并基于曲线拟合所得的脚部轮廓曲线进行稀疏化；基于稀疏化之后的多个脚部轮廓点的坐标，以及刻度线坐标，确定多个脚部轮廓点所处的刻度区间。
需要说明的是，在进行成绩评定时，除了确定跳远成绩外，还需针对落地状态进行违规评定(评定是否落地超界、是否落地超时，以及是否落地转身)，评定是否落地超界是指判定落地帧中的多个脚部轮廓点是否处于预先标定的成绩测算的界限内，评定是否落地转身则是指判定落地时是否转身导致脚部轮廓点朝向起点，评定是否落地超时是指判定是否在规定时间内落地。
进一步地，在出现上述三者中至少一项的情况下，即出现落地超界、落地转身、落地超时中的至少一项的情况下，系统会直接判定此次跳远的成绩无效，在系统语音播报“成绩无效”后，结束此次跳远评测流程。
除此之外，本发明实施例提供的跳远评测方法，还可以对跳远过程中的行为进行违规评定，其中，针对跳远踩线违规的评定过程，可以包括：在状态为准备状态的情况下，对第一帧进行姿态估计，得到第一帧中所述人员的脚部骨骼点的坐标；基于第一帧中所述人员的脚部骨骼点的坐标，对第一帧进行脚部分割，得到第一帧中的多个脚部轮廓点的坐标；基于第一帧中的多个脚部轮廓点的坐标，以及跳远评测区域下的起跳线坐标，进行跳远踩线违规评定。
针对跳远起跳违规的评定过程，可以包括：基于待测视频中的起跳帧，以及起跳帧之前的第三帧，获取人员的左右脚的脚部骨骼点的第三移动速度；基于人员的左右脚的脚部骨骼点的第三移动速度，以及预设违规速度阈值，进行跳远起跳违规评定。
针对跳远中断违规的评定过程，可以包括：对第一帧之后的第四帧进行人体检测，得到第四帧的人体检测结果；在第四帧的人体检测结果指示跳远评测区域下的起跳区域无人的情况下，确定人员跳远中断违规。
除上述踩线违规、起跳违规以及中断违规之外，还可以进行站立违规评定和人员干扰评定，即可以判定人员是否反向站立，以及跳远过程是否有人干扰。
进一步地，在跳远过程中出现任意一项或多项违规，或有人干扰的情况下，系统会直接判定此处跳远的成绩无效，在系统语音播报“成绩无效”后，结束此次跳远评测流程。
本发明实施例提供的方法，确定跳远评测区域下的待测视频和刻度线坐标，从待测视频中的各帧中，确定落地帧，并基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定，克服了传统方案中跳远成绩测算不准确的缺陷，通过人体检测、姿态估计以及脚部分割分析测试人员所处的状态，以确定落地帧对应的落地帧，并据此进行成绩评定，提升了跳远成绩测算的准确性；此外，利用计算机视觉技术和循环状态机进行跳远评测，还提升了跳远评测效率和体育课堂的教学效率。
下面对本发明提供的跳远评测装置进行描述，下文描述的跳远评测装置与上文描述的跳远评测方法可相互对应参照。
图14是本发明提供的跳远评测装置的结构示意图，如图14所示，该装置包括：
确定单元1410，用于确定跳远评测区域下的待测视频和刻度线坐标；
落地帧确定单元1420，用于从所述待测视频中的各帧中，确定落地帧；
轮廓点确定单元1430，用于基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；
成绩评定单元1440，用于基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
本发明提供的跳远评测装置，确定跳远评测区域下的待测视频和刻度线坐标，从待测视频中的各帧中，确定落地帧，并基于落地帧中人员的脚部骨骼点的坐标，对落地帧进行脚部分割，得到落地帧中的多个脚部轮廓点的坐标；基于落地帧中的多个脚部轮廓点的坐标，以及刻度线坐标，进行跳远成绩评定，克服了传统方案中跳远成绩测算不准确的缺陷，通过人体检测、姿态估计以及脚部分割分析测试人员所处的状态，以确定落地帧对应的落地帧，并据此进行成绩评定，提升了跳远成绩测算的准确性；此外，利用计算机视觉技术和循环状态机进行跳远评测，还提升了跳远评测效率和体育课堂的教学效率。
基于上述实施例，成绩评定单元1440用于：
基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间；
基于所述刻度区间的区间上限或区间下限，以及所述多个脚部轮廓点与所述刻度区间的区间上限或区间下限之间的距离，确定所述人员的跳远成绩。
基于上述实施例，成绩评定单元1440用于：
对所述落地帧中的多个脚部轮廓点进行曲线拟合，并基于曲线拟合所得的脚部轮廓曲线进行稀疏化；
基于稀疏化之后的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间。
基于上述实施例，所述装置还包括姿态估计单元，用于：
基于姿态估计模型，对所述落地帧中的人员进行姿态估计，得到所述落地帧中人员的脚部骨骼点的坐标；
所述姿态估计模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第一样本图像，以及所述第一样本图像中跳远评测区域的区域标签和人体骨骼点标签训练得到。
基于上述实施例，落地帧确定单元1420用于：
基于所述待测视频中第一帧的人体检测结果，确定所述人员所处的状态，并在所述状态为准备状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第一移动速度；
在所述第一移动速度表征所述人员处于起跳状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度；
在所述第二移动速度小于预设落地速度阈值的情况下，确定所述人员处于落地状态，并从所述待测视频中的各帧中，确定所述落地状态对应的落地帧。
基于上述实施例，所述装置还包括起跳状态校验单元，用于：
从所述待测视频中的各帧中，确定所述起跳状态对应的起跳帧；
基于所述起跳帧中所述人员的脚部骨骼点的坐标，以及所述待测视频中所述起跳帧之后的第二帧中所述人员的脚部骨骼点的坐标，确定所述人员的脚部骨骼点的位移；
基于所述第二帧中所述人员的脚部骨骼点的坐标，所述人员的脚部骨骼点的位移，以及所述跳远评测区域下的起跳线坐标，对所述起跳状态进行校验，并在校验通过的情况下，基于所述待测视频中所述第二帧之后的各帧获取所述人员的脚部骨骼点的第二移动速度。
基于上述实施例，所述装置还包括起跳状态确定单元，用于：
基于所述第一移动速度，确定所述人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；
在所述水平方向上的移动分速度和所述竖直方向上的移动分速度均大于预设软速度阈值，且所述水平方向上的移动分速度或所述竖直方向上的移动分速度大于预设硬速度阈值的情况下，确定所述人员处于起跳状态；
所述预设软速度阈值小于所述预设硬速度阈值。
基于上述实施例，所述装置还包括违规评定单元，用于：
在所述状态为准备状态的情况下，对所述第一帧进行姿态估计，得到所述第一帧中所述人员的脚部骨骼点的坐标；
基于所述第一帧中所述人员的脚部骨骼点的坐标，对所述第一帧进行脚部分割，得到所述第一帧中的多个脚部轮廓点的坐标；
基于所述第一帧中的多个脚部轮廓点的坐标，以及所述跳远评测区域下的起跳线坐标，进行跳远踩线违规评定。
基于上述实施例，违规评定单元用于：
基于所述待测视频中的起跳帧，以及所述起跳帧之前的第三帧，获取所述人员的左右脚的脚部骨骼点的第三移动速度；
基于所述人员的左右脚的脚部骨骼点的第三移动速度，以及预设违规速度阈值，进行跳远起跳违规评定。
基于上述实施例，所述预设落地速度阈值、所述预设软速度阈值、所述预设硬速度阈值中的至少一种基于所述跳远评测区域下的刻度线坐标确定。
图15示例了一种电子设备的实体结构示意图，如图15所示，该电子设备可以包括：处理器(processor)1510、通信接口(Communications Interface)1520、存储器(memory)1530和通信总线1540，其中，处理器1510，通信接口1520，存储器1530通过通信总线1540完成相互间的通信。处理器1510可以调用存储器1530中的逻辑指令，以执行跳远评测方法，该方法包括：确定跳远评测区域下的待测视频和刻度线坐标；从所述待测视频中的各帧中，确定落地帧；基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
此外，上述的存储器1530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。
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跳远评测方法，该方法包括：确定跳远评测区域下的待测视频和刻度线坐标；从所述待测视频中的各帧中，确定落地帧；基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
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方法所提供的跳远评测方法，该方法包括：确定跳远评测区域下的待测视频和刻度线坐标；从所述待测视频中的各帧中，确定落地帧；基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (13)

1.一种跳远评测方法，其特征在于，包括：
确定跳远评测区域下的待测视频和刻度线坐标；
从所述待测视频中的各帧中，确定落地帧；
基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；
基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
2.根据权利要求1所述的跳远评测方法，其特征在于，所述基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定，包括：
基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间；
基于所述刻度区间的区间上限或区间下限，以及所述多个脚部轮廓点与所述刻度区间的区间上限或区间下限之间的距离，确定所述人员的跳远成绩。
3.根据权利要求2所述的跳远评测方法，其特征在于，所述基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间，包括：
对所述落地帧中的多个脚部轮廓点进行曲线拟合，并基于曲线拟合所得的脚部轮廓曲线进行稀疏化；
基于稀疏化之后的多个脚部轮廓点的坐标，以及所述刻度线坐标，确定所述多个脚部轮廓点所处的刻度区间。
4.根据权利要求1所述的跳远评测方法，其特征在于，所述脚部骨骼点的坐标基于如下步骤确定：
基于姿态估计模型，对所述落地帧中的人员进行姿态估计，得到所述落地帧中人员的脚部骨骼点的坐标；
所述姿态估计模型是以人员处于跳远评测区域内进行跳远评测为约束条件，基于第一样本图像，以及所述第一样本图像中跳远评测区域的区域标签和人体骨骼点标签训练得到。
5.根据权利要求1至4中任一项所述的跳远评测方法，其特征在于，所述从所述待测视频中的各帧中，确定落地帧，包括：
基于所述待测视频中第一帧的人体检测结果，确定所述人员所处的状态，并在所述状态为准备状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第一移动速度；
在所述第一移动速度表征所述人员处于起跳状态的情况下，基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度；
在所述第二移动速度小于预设落地速度阈值的情况下，确定所述人员处于落地状态，并从所述待测视频中的各帧中，确定所述落地状态对应的落地帧。
6.根据权利要求5所述的跳远评测方法，其特征在于，所述基于所述待测视频中的各帧获取所述人员的脚部骨骼点的第二移动速度，包括：
从所述待测视频中的各帧中，确定所述起跳状态对应的起跳帧；
基于所述起跳帧中所述人员的脚部骨骼点的坐标，以及所述待测视频中所述起跳帧之后的第二帧中所述人员的脚部骨骼点的坐标，确定所述人员的脚部骨骼点的位移；
基于所述第二帧中所述人员的脚部骨骼点的坐标，所述人员的脚部骨骼点的位移，以及所述跳远评测区域下的起跳线坐标，对所述起跳状态进行校验，并在校验通过的情况下，基于所述待测视频中所述第二帧之后的各帧获取所述人员的脚部骨骼点的第二移动速度。
7.根据权利要求5所述的跳远评测方法，其特征在于，所述起跳状态基于如下步骤确定：
基于所述第一移动速度，确定所述人员的脚部骨骼点在水平方向上的移动分速度，以及在竖直方向上的移动分速度；
在所述水平方向上的移动分速度和所述竖直方向上的移动分速度均大于预设软速度阈值，且所述水平方向上的移动分速度或所述竖直方向上的移动分速度大于预设硬速度阈值的情况下，确定所述人员处于起跳状态；
所述预设软速度阈值小于所述预设硬速度阈值。
8.根据权利要求5所述的跳远评测方法，其特征在于，还包括：
在所述状态为准备状态的情况下，对所述第一帧进行姿态估计，得到所述第一帧中所述人员的脚部骨骼点的坐标；
基于所述第一帧中所述人员的脚部骨骼点的坐标，对所述第一帧进行脚部分割，得到所述第一帧中的多个脚部轮廓点的坐标；
基于所述第一帧中的多个脚部轮廓点的坐标，以及所述跳远评测区域下的起跳线坐标，进行跳远踩线违规评定。
9.根据权利要求5所述的跳远评测方法，其特征在于，还包括：
基于所述待测视频中的起跳帧，以及所述起跳帧之前的第三帧，获取所述人员的左右脚的脚部骨骼点的第三移动速度；
基于所述人员的左右脚的脚部骨骼点的第三移动速度，以及预设违规速度阈值，进行跳远起跳违规评定。
10.根据权利要求7所述的跳远评测方法，其特征在于，所述预设落地速度阈值、所述预设软速度阈值、所述预设硬速度阈值中的至少一种基于所述跳远评测区域下的刻度线坐标确定。
11.一种跳远评测装置，其特征在于，包括：
确定单元，用于确定跳远评测区域下的待测视频和刻度线坐标；
落地帧确定单元，用于从所述待测视频中的各帧中，确定落地帧；
轮廓点确定单元，用于基于所述落地帧中人员的脚部骨骼点的坐标，对所述落地帧进行脚部分割，得到所述落地帧中的多个脚部轮廓点的坐标；
成绩评定单元，用于基于所述落地帧中的多个脚部轮廓点的坐标，以及所述刻度线坐标，进行跳远成绩评定。
12.一种电子设备，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10任一项所述的跳远评测方法。
13.一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10任一项所述的跳远评测方法。
CN202211193359.6A 2022-09-28 2022-09-28 跳远评测方法、装置、电子设备和存储介质 Pending CN115546688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211193359.6A CN115546688A (zh) 2022-09-28 2022-09-28 跳远评测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211193359.6A CN115546688A (zh) 2022-09-28 2022-09-28 跳远评测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN115546688A true CN115546688A (zh) 2022-12-30

Family

ID=84731095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211193359.6A Pending CN115546688A (zh) 2022-09-28 2022-09-28 跳远评测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115546688A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116492634A (zh) * 2023-06-26 2023-07-28 广州思林杰科技股份有限公司 基于图像视觉定位的立定跳远测试方法
CN116563950A (zh) * 2023-07-07 2023-08-08 东莞先知大数据有限公司 一种跳远距离确定方法、装置、电子设备和存储介质
CN117065310A (zh) * 2023-09-08 2023-11-17 北京智芯微电子科技有限公司 动作评测方法、装置、异构ai芯片、设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116492634A (zh) * 2023-06-26 2023-07-28 广州思林杰科技股份有限公司 基于图像视觉定位的立定跳远测试方法
CN116492634B (zh) * 2023-06-26 2023-09-26 广州思林杰科技股份有限公司 基于图像视觉定位的立定跳远测试方法
CN116563950A (zh) * 2023-07-07 2023-08-08 东莞先知大数据有限公司 一种跳远距离确定方法、装置、电子设备和存储介质
CN116563950B (zh) * 2023-07-07 2024-04-16 东莞先知大数据有限公司 一种跳远距离确定方法、装置、电子设备和存储介质
CN117065310A (zh) * 2023-09-08 2023-11-17 北京智芯微电子科技有限公司 动作评测方法、装置、异构ai芯片、设备及存储介质
CN117065310B (zh) * 2023-09-08 2024-05-14 北京智芯微电子科技有限公司 动作评测方法、装置、异构ai芯片、设备及存储介质

Similar Documents

Publication Publication Date Title
CN115546688A (zh) 跳远评测方法、装置、电子设备和存储介质
CN102799893B (zh) 考场监控视频处理方法
US9183431B2 (en) Apparatus and method for providing activity recognition based application service
CN110532850B (zh) 一种基于视频关节点和混合分类器的跌倒检测方法
CN111368791A (zh) 基于Quick-OpenPose模型的引体向上测试计数方法及系统
CN109999469A (zh) 一种足球绕杆考试智能裁判系统
WO2024051597A1 (zh) 一种引体向上的规范计数方法、系统及其存储介质
CN106874913A (zh) 一种菜品检测方法
CN115569344A (zh) 立定跳远成绩评测方法、装置、电子设备及存储介质
US11995845B2 (en) Evaluation method, storage medium, and information processing apparatus
CN112560584A (zh) 一种人脸检测方法及装置、存储介质、终端
CN115837155A (zh) 一种立定跳远测量方法及装置
CN114187664B (zh) 一种基于人工智能的跳绳计数系统
ITRM20010045A1 (it) Sistema e metodo per la rilevazione della posizione relativa di un oggetto rispetto ad un punto di riferimento.
CN109558797B (zh) 基于视觉刺激下的重心面积模型区分人体平衡障碍的方法
CN112633262B (zh) 通道监测方法、装置、电子设备及介质
CN109876417B (zh) 基于计算机视觉检测技术的羽毛球发球助理裁判系统
CN115841497B (zh) 分界线的检测方法、电动扶梯区域入侵检测方法和系统
CN112966547A (zh) 一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质
CN115713714A (zh) 运动测评方法、装置、系统、电子设备和存储介质
CN116645633A (zh) 一种基于计算机视觉的工人翻越围栏行为检测方法和系统
CN115970252A (zh) 一种折返跑的测量方法及测量装置
CN110051376A (zh) 一种骨龄智能检测方法
CN116152917A (zh) 一种绕杆测试方法、装置、可读存储介质及电子设备
CN110490049A (zh) 基于多特征和svm区分人体平衡障碍的方法

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