CN115713805A - 一种健身动作识别监控方法及系统 - Google Patents
一种健身动作识别监控方法及系统 Download PDFInfo
- Publication number
- CN115713805A CN115713805A CN202211355706.0A CN202211355706A CN115713805A CN 115713805 A CN115713805 A CN 115713805A CN 202211355706 A CN202211355706 A CN 202211355706A CN 115713805 A CN115713805 A CN 115713805A
- Authority
- CN
- China
- Prior art keywords
- muscle group
- target muscle
- image
- image data
- building
- 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.)
- Withdrawn
Links
- 230000009471 action Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 210000003205 muscle Anatomy 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 210000003127 knee Anatomy 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提出了一种健身动作识别监控方法及系统,涉及图像处理领域。一种健身动作识别监控方法包括:获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。能够提高健身识别监控系统的识别精度和判断柔软度,使识别监控系统能够更加动态化、合理化。此外本申请还提出了一种健身动作识别监控系统。
Description
技术领域
本申请涉及图像识别领域,具体而言,涉及一种健身动作识别监控方法及系统。
背景技术
随着社会的发展,人们的健康意识越来越强,而健身也成为了许多人锻炼身体的首选方式。健身是一项需要毅力坚持且需要一定的健身知识的活动,而绝大多数人并不懂得如何正确的健身,一般都会选择请专业健身教练为自己制定合适的健身方案,并依照健身方案进行健身锻炼。由于健身是一个长期坚持的过程,短期健身的效果会难以察觉,人们难以获知此次健身是否达到了自己想要的效果,也难以获得有针对性的健身指导。
而目前,对健身动作识别主要通过深度学习、机器学习和传感器来完成,相对与深度学习和机器学习两种技术来说,传感器识别速度快,但是识别精度较差,另外两种识别精度较好,但是需要一定的算法计算和图像处理完成。现有技术中,如:CN108734104B基于深度学习图像识别的健身动作纠错方法及系统,CN106422206B一种基于智能手环的运动规划性识别方法。
现有技术中,大多数仅考虑了实时采集的动作图像与标准动作进行对比,实现健身动作识别和监控纠正,未考虑实际健身人员的自身特征差异,例如,不同体型,且不同部位存在的差异,实现对健身动作的精准识别。专利事例二虽然提到了身材参数,但是未通过图像特征和数据参数相结合的方式,得到准确的不同的体型和部位与不同动作的影响关系。
发明内容
本申请的目的在于提供一种健身动作识别监控方法,其能够提高健身识别监控系统的识别精度和判断柔软度,使识别监控系统能够更加动态化、合理化。
本申请的另一目的在于提供一种健身动作识别监控系统,其能够运行一种健身动作识别监控方法。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供一种健身动作识别监控方法,其包括获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
在本申请的一些实施例中,上述获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库包括:通过关键点获取用户的健身项目对应健身动作图像中目标肌群,目标肌群包括头部、颈部、腹部双肩、双手、双肘,双髋,双膝,双脚15个关键点。
在本申请的一些实施例中,上述还包括:获取用户的实时健身动作视频图像数据,并通过解析健身动作视频图像数据,对用户进行健身动作图像中目标肌群识别。
在本申请的一些实施例中,上述对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理包括:对采集到的目标肌群的图像数据进行分割,得到目标肌群分割图像,建立目标肌群关键点与目标肌群的对应关系,基于对应关系对目标肌群的图像数据进行标注。
在本申请的一些实施例中,上述还包括:通过预置的方向梯度直方图算法,对标注后的目标肌群进行特征提取,得到各健身动作图像对应的初始方向梯度直方图特征,然后对进行降维处理,得到目标肌群对应的候选方向梯度直方图特征。
在本申请的一些实施例中,上述建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息包括:对特征处理后的目标肌群对应的每个关键点规范化坐标,根据该关键点的分布大小获取其邻域,代入一维高斯分布函数后求取出高斯分布概率值,再进行归一化,得到该关键点及相应分布大小的一维高斯分布概率值。
在本申请的一些实施例中,上述还包括:神经网络为时间卷积网络,包含时序编码器、全连接网络,时序编码器作用为时序姿态信息提取,其输入的目标肌群的图像数据的时序姿态信息,输出为特征向量,分析识别图像中用户的人体姿态信息。
第二方面,本申请实施例提供一种健身动作识别监控系统,其包括图像采集模块,用于获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;
标注处理模块,用于对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;
识别分析模块,用于建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
在本申请的一些实施例中,上述包括:用于存储计算机指令的至少一个存储器;与上述存储器通讯的至少一个处理器,其中当上述至少一个处理器执行上述计算机指令时,上述至少一个处理器使上述系统执行:图像采集模块、标注处理模块及识别分析模块。
第三方面,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一种健身动作识别监控方法中任一项的方法。
相对于现有技术,本申请的实施例至少具有如下优点或有益效果:
通过用户体型对健身动作造成的动作影响程度,对不同体型用户的标准动作库进行动态修正,相较于现有技术有益效果在于提高了识别监控系统的识别精度和判断柔软度,使识别监控系统能够更加动态化、合理化,对用户健身运动多种数据的自动获取识别,再基于计算出的肌肉运动参数和健身动作参数,对用户的健身运动进行多方面分析,并将最终得出的健身反馈数据反馈给用户,使得用户能根据健身反馈数据获知本次健身运动的详细情况,并对自身的健身运动进行调整,从而保证了用户健身运动的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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为本申请实施例提供的一种健身动作识别监控方法步骤示意图;
图2为本申请实施例提供的一种健身动作识别监控方法详细步骤示意图;
图3为本申请实施例提供的一种健身动作识别监控系统模块示意图;
图4为本申请实施例提供的一种电子设备。
图标:10-图像采集模块;20-标注处理模块;30-识别分析模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
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,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。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本申请实施例提供的一种健身动作识别监控方法步骤示意图,其如下所示:
步骤S100,获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;
在一些实施方式中,通过用户的健身动作,构建所有健身动作的标准图像库。能够带来的好处:通过标准图像库能够为健身动作识别提供参考和判断标准,实现快速识别。输入为:健身动作视频,进行视频帧分解处理,输出为:健身动作图像。通过设置的多个摄像头,采集用户的一套健身动作视频,默认用户都为标准身材,将健身动作视频进行健身动作分解,每个健身动作都保留正视和侧视两组连续帧图像。视频帧分解为常用视频图像处理技术,不再详述具体的分解参数和过程。
通过关键点检测网络获取用户的目标肌群关键点,目标肌群关键点应包括头部、颈部、腹部双肩、双手、双肘,双髋,双膝,双脚15个关键点。关键点检测网络采用OpenPose网络模型,识别到连续帧图像中用户的所有目标肌群关键点,然后,将每个动作对应的目标肌群关键点进行标记,识别在动作完成周期内(连续帧的总数代表一个周期),每个动作对应的目标肌群关键点的三个自由度(自由度包括左右方向x,前后方向y,上下方向z)的变化,本申请不研究旋转的三个自由度,只针对二维平面的平移自由度变化。通过自由度统计,得到每个动作对应的目标肌群关键点的自由度数量,例如:俯身摸脚尖动作,参与运动的关键点为部分关键点,其中,双脚、双膝、双髋、腹部7个关键点为0个自由度(静止),双手、双肘4个关键点为三个自由度x,y,z运动,头部、颈部、双肩4个关键点为两个自由度y,z运动。
步骤S110,对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;
在一些实施方式中,部署相机采集目标肌群的图像数据;对目标肌群的图像数据进行标注,得到人体关键点类别标注图像;将目标肌群的图像数据与人体关键点类别标注图像组成数据集;首先在监控区域部署监控相机,监控相机以普通相机,分辨率1080P即可,对区域进行实时的图像采集,采集的图像为RGB颜色空间的图像。然后对目标肌群的图像数据实时利用人体姿态估计技术检测人体的关键点信息。对于姿态估计技术首选深度学习方法,其精度高,然而基于深度学习的人体姿态估计技术中,二维热图表示由于其高性能,多年来一直主导着人体姿势估计。然而,基于热图的方法有一些缺点:存在量化误差,受到热图空间分辨率限制。较大热图需要额外的上采样操作和高分辨率的昂贵处理。
步骤S120,建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
在一些实施方式中,时间卷积网络包含时序编码器、全连接网络,时序编码器作用为时序姿态信息提取。其输入每个人的时序姿态信息,输出为特征向量。全连接网络起到拟合与特征映射作用,输入为特征向量,最终输出该人员的健身动作状态识别,分类函数采用。网络的标签数据通过人为标注,输入到网络要经过独热编码。采用交叉熵损失函数基于Adam算法对神经网络参数进行优化。
实施例2
请参阅图2,图2为本申请实施例提供的一种健身动作识别监控方法详细步骤示意图,其如下所示:
步骤S200,通过关键点获取用户的健身项目对应健身动作图像中目标肌群,目标肌群包括头部、颈部、腹部双肩、双手、双肘,双髋,双膝,双脚15个关键点。
步骤S210,获取用户的实时健身动作视频图像数据,并通过解析健身动作视频图像数据,对用户进行健身动作图像中目标肌群识别。
步骤S220,对采集到的目标肌群的图像数据进行分割,得到目标肌群分割图像,建立目标肌群关键点与目标肌群的对应关系,基于对应关系对目标肌群的图像数据进行标注。
步骤S230,通过预置的方向梯度直方图算法,对标注后的目标肌群进行特征提取,得到各健身动作图像对应的初始方向梯度直方图特征,然后对进行降维处理,得到目标肌群对应的候选方向梯度直方图特征。
步骤S240,对特征处理后的目标肌群对应的每个关键点规范化坐标,根据该关键点的分布大小获取其邻域,代入一维高斯分布函数后求取出高斯分布概率值,再进行归一化,得到该关键点及相应分布大小的一维高斯分布概率值。
步骤S250,神经网络为时间卷积网络,包含时序编码器、全连接网络,时序编码器作用为时序姿态信息提取,其输入的目标肌群的图像数据的时序姿态信息,输出为特征向量,分析识别图像中用户的人体姿态信息。
在一些实施方式中,过摄像机等图像采集器采集健身动作时的图像序列,也可通过摄像机等采集器采集健身动作时的视频,对视频进行图像转换,从而得到健身动作时的图像序列,其中,图像序列用于指示预设时段内时间序列的各帧图像,例如,10秒内拍摄的时间序列的健身动作的多帧图像,并对采集的图像序列进行图像增强、去噪处理等预处理,得到目标健身动作图像序列,目标健身动作图像序列为预处理后的健身动作图像序列。
服务器调用预置的方向梯度直方图算法,对目标健身动作图像序列中的各健身动作图像进行方向梯度直方图特征提取,得到各健身动作图像对应的目标方向梯度直方图(Histogramoforientedgradient,HOG)特征,方向梯度直方图特征用于描述图像局部区域梯度的方向及强度的分布情况,其中,具体的执行过程包括:服务器调用预置的方向梯度直方图算法,将目标健身动作图像序列中的各健身动作图像分成不同的子块,得到各健身动作图像对应的多个子块,将各健身动作图像对应的多个子块划分为连通区域(预设大小的或者面积比阈值小的)连通区域,得到各健身动作图像对应的细胞单元,将各健身动作图像对应的细胞单元中各像素点的梯度或者边缘方向直方图进行对比度归一化处理,得到各细胞单元对应归一化的方向直方图,将各细胞单元对应归一化的方向直方图进行组合,得到各健身动作图像对应的初始方向梯度直方图特征。
实施例3
请参阅图3,图3为本申请实施例提供的一种健身动作识别监控系统模块示意图,其如下所示:
图像采集模块10,用于获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;
标注处理模块20,用于对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;
识别分析模块30,用于建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
如图4所示,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,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。
另一方面,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。
综上所述,本申请实施例提供的一种健身动作识别监控方法及系统,通过用户体型对健身动作造成的动作影响程度,对不同体型用户的标准动作库进行动态修正,相较于现有技术有益效果在于提高了识别监控系统的识别精度和判断柔软度,使识别监控系统能够更加动态化、合理化,对用户健身运动多种数据的自动获取识别,再基于计算出的肌肉运动参数和健身动作参数,对用户的健身运动进行多方面分析,并将最终得出的健身反馈数据反馈给用户,使得用户能根据健身反馈数据获知本次健身运动的详细情况,并对自身的健身运动进行调整,从而保证了用户健身运动的效果。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
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)
1.一种健身动作识别监控方法,其特征在于,包括:
获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;
对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;
建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
2.如权利要求1所述的一种健身动作识别监控方法,其特征在于,所述获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库包括:
通过关键点获取用户的健身项目对应健身动作图像中目标肌群,目标肌群包括头部、颈部、腹部双肩、双手、双肘,双髋,双膝,双脚15个关键点。
3.如权利要求2所述的一种健身动作识别监控方法,其特征在于,还包括:
获取用户的实时健身动作视频图像数据,并通过解析健身动作视频图像数据,对用户进行健身动作图像中目标肌群识别。
4.如权利要求1所述的一种健身动作识别监控方法,其特征在于,所述对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理包括:
对采集到的目标肌群的图像数据进行分割,得到目标肌群分割图像,建立目标肌群关键点与目标肌群的对应关系,基于对应关系对目标肌群的图像数据进行标注。
5.如权利要求4所述的一种健身动作识别监控方法,其特征在于,还包括:
通过预置的方向梯度直方图算法,对标注后的目标肌群进行特征提取,得到各健身动作图像对应的初始方向梯度直方图特征,然后对进行降维处理,得到目标肌群对应的候选方向梯度直方图特征。
6.如权利要求1所述的一种健身动作识别监控方法,其特征在于,所述建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息包括:
对特征处理后的目标肌群对应的每个关键点规范化坐标,根据该关键点的分布大小获取其邻域,代入一维高斯分布函数后求取出高斯分布概率值,再进行归一化,得到该关键点及相应分布大小的一维高斯分布概率值。
7.如权利要求6所述的一种健身动作识别监控方法,其特征在于,还包括:
神经网络为时间卷积网络,包含时序编码器、全连接网络,时序编码器作用为时序姿态信息提取,其输入的目标肌群的图像数据的时序姿态信息,输出为特征向量,分析识别图像中用户的人体姿态信息。
8.一种健身动作识别监控系统,其特征在于,包括:
图像采集模块,用于获取用户的健身项目对应健身动作图像中目标肌群的图像数据,同时获取健身动作标准图像库;
标注处理模块,用于对采集到的目标肌群的图像数据进行标注,对标注后的目标肌群的图像数据进行方向梯度直方图特征提取并进行特征处理;
识别分析模块,用于建立神经网络模型,根据特征处理后的目标肌群的图像数据和健身动作标准图像库训练神经网络模型,利用训练好的神经网络模型分析识别图像中用户的人体姿态信息。
9.如权利要求8所述的一种健身动作识别监控系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:图像采集模块、标注处理模块及识别分析模块。
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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211355706.0A CN115713805A (zh) | 2022-11-01 | 2022-11-01 | 一种健身动作识别监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211355706.0A CN115713805A (zh) | 2022-11-01 | 2022-11-01 | 一种健身动作识别监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713805A true CN115713805A (zh) | 2023-02-24 |
Family
ID=85231894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211355706.0A Withdrawn CN115713805A (zh) | 2022-11-01 | 2022-11-01 | 一种健身动作识别监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117316396A (zh) * | 2023-09-13 | 2023-12-29 | 四川大学华西医院 | 基于dicom标准的医学影像多序列对比标注方法及系统 |
-
2022
- 2022-11-01 CN CN202211355706.0A patent/CN115713805A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117316396A (zh) * | 2023-09-13 | 2023-12-29 | 四川大学华西医院 | 基于dicom标准的医学影像多序列对比标注方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
CN107784282B (zh) | 对象属性的识别方法、装置及系统 | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
Santoni et al. | Cattle race classification using gray level co-occurrence matrix convolutional neural networks | |
US20130071816A1 (en) | Methods and systems for building a universal dress style learner | |
CN107666853A (zh) | 根据视频序列确定搏动信号 | |
CN113326835B (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
Zhuge et al. | Deep embedding features for salient object detection | |
CN112418135A (zh) | 人体行为识别方法、装置、计算机设备及可读存储介质 | |
CN115713805A (zh) | 一种健身动作识别监控方法及系统 | |
CN113392741A (zh) | 视频片段提取方法、装置、电子设备及存储介质 | |
CN109993116B (zh) | 一种基于人体骨骼相互学习的行人再识别方法 | |
CN113239849B (zh) | 健身动作质量评估方法、系统、终端设备及存储介质 | |
CN117423134A (zh) | 一种人体目标检测和解析的多任务协同网络及其训练方法 | |
CN112989958A (zh) | 基于YOLOv4与显著性检测的安全帽佩戴识别方法 | |
CN114743224B (zh) | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 | |
US11244206B2 (en) | Image normalization for facial analysis | |
AU2021464323A1 (en) | Electronic device and method for determining human height using neural networks | |
CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN114511877A (zh) | 一种行为识别方法、装置、存储介质及终端 | |
CN114038010A (zh) | 一种行人属性识别方法、设备和介质 | |
WO2021038840A1 (ja) | 物体数推定装置、制御方法、及びプログラム | |
CN109993191B (zh) | 信息处理方法及装置、电子设备及存储介质 | |
JP2021051376A (ja) | 画像処理装置、画像処理方法及びプログラム |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230224 |
|
WW01 | Invention patent application withdrawn after publication |