CN117095472A - 基于ai的泳姿犯规动作判断方法及系统 - Google Patents
基于ai的泳姿犯规动作判断方法及系统 Download PDFInfo
- Publication number
- CN117095472A CN117095472A CN202311344381.0A CN202311344381A CN117095472A CN 117095472 A CN117095472 A CN 117095472A CN 202311344381 A CN202311344381 A CN 202311344381A CN 117095472 A CN117095472 A CN 117095472A
- Authority
- CN
- China
- Prior art keywords
- data
- foul
- module
- time
- sub
- 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
- 230000009471 action Effects 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000009182 swimming Effects 0.000 title claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 230000000007 visual effect Effects 0.000 claims abstract description 52
- 230000002787 reinforcement Effects 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000005111 flow chemistry technique Methods 0.000 claims abstract 2
- 238000000605 extraction Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000007635 classification algorithm Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 238000013450 outlier detection Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及泳姿犯规动作判断方法技术领域，具体为基于AI的泳姿犯规动作判断方法及系统，包括以下步骤：利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据。本发明中，通过整合视觉、深度和惯性传感器数据，全面捕捉游泳者姿态和动作信息，支持复杂泳姿犯规识别，利用OpenPose三维姿态估计算法精确分析姿态，提升犯规判断准确性，深度学习和时间序列分析来分析即时动作和时空轨迹，提供丰富上下文信息，自监督和强化学习实时优化模型，持续提升判断能力，基于实时数据流处理技术，提供犯规提示和调整建议，提高游泳技巧。
Description
技术领域
本发明涉及泳姿犯规动作判断方法技术领域，尤其涉及基于AI的泳姿犯规动作判断方法及系统。
背景技术
泳姿犯规动作判断方法通过计算机视觉和图像处理技术来识别和分析游泳者的姿势和动作，判断是否存在犯规动作。这涉及姿势检测与跟踪、动作识别与分类、规则引擎和决策算法、数据分析与反馈等背景技术。计算机视觉技术可实时检测和跟踪游泳者的姿势，图像处理和机器学习算法用于识别和分类游泳动作。规则引擎和决策算法基于游泳规则进行判定。数据分析与反馈帮助游泳者了解自身表现，发现潜在问题。这些技术的应用提高了判断准确性，增强了泳姿犯规动作判断的公平性和规范性。
在泳姿犯规动作判断方法的实际使用过程中，多数现有方法主要依赖于二维图像数据，忽略了深度信息、生理数据和惯性数据，从而限制了对游泳者动作的全面了解。传统方法多数基于二维数据进行姿态估计，可能会导致三维空间中的动作误解或遗漏。大部分现有方法关注单一时间点的动作，而忽略了动作的时空连续性，从而可能遗漏某些短时或间歇性的犯规动作。许多传统方法使用静态的预训练模型进行动作判断，缺乏自我学习和优化的能力，难以应对新的或不常见的犯规动作。现有的大多数判定系统都需要在比赛结束后才能提供完整分析，缺乏实时反馈和指导，对游泳者的即时改正不足提供帮助。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的基于AI的泳姿犯规动作判断方法及系统。
为了实现上述目的，本发明采用了如下技术方案：基于AI的泳姿犯规动作判断方法，包括以下步骤：
利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据；
采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据；
采用OpenPose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据；
通过包括深度学习、时间序列分析的AI方法，从所述三维姿态数据中分析获取时空运动轨迹信息；
基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果；
利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型；
结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案。
作为本发明的进一步方案，利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据的步骤具体为：
使用高清摄像头和视觉传感器捕捉游泳者的实时动态，获取视觉原始图像数据；
利用Kinect深度传感器，获取游泳者与池边的相对距离数据，得到深度原始数据；
使用惯性测量单元，捕获游泳者包括加速度、角速度的物理参数，生成惯性原始数据；
部署心率传感器，收集游泳者的生理参数，得到生理原始数据；
整合所述视觉原始图像数据、深度原始数据、惯性原始数据、生理原始数据，作为多源原始数据。
作为本发明的进一步方案，所述采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据的步骤具体为：
通过IQR异常值检测算法，对所述多源原始数据进行过滤，去除噪声和异常值，得到视觉过滤数据、深度过滤数据、惯性过滤数据、生理过滤数据；
采用插值算法对数据缺失进行填补，确保数据完整性，生成视觉插值数据、深度插值数据、惯性插值数据、生理插值数据；
运用Z-score标准化方法对数据进行归一化处理，使其具有统一的尺度，生成视觉标准数据、深度标准数据、惯性标准数据、生理标准数据；
应用PCA特征抽取算法，从上述标准数据中抽取关键特征，得到包括视觉特征、深度特征、惯性特征、生理特征的特征数据。
作为本发明的进一步方案，采用OpenPose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据的步骤具体为：
将所述特征数据中的视觉特征和深度特征输入OpenPose算法中；
所述OpenPose算法基于视觉特征，生成游泳者的二维姿态，得到二维姿态数据；
结合所述深度特征对二维姿态数据进行深度恢复，实现三维姿态估计，得到三维姿态数据。
作为本发明的进一步方案，通过包括深度学习、时间序列分析的AI方法，从所述三维姿态数据中分析获取时空运动轨迹信息的步骤具体为：
基于所述三维姿态数据，利用CNN深度学习算法进行特征学习，得到时空特征；
基于所述时空特征，利用RNN对时空特征执行时间序列分析来分析游泳者的动态轨迹，得到时空运动轨迹信息。
作为本发明的进一步方案，基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果的步骤具体为：
基于时空运动轨迹和三维姿态数据，采用支持向量机分类算法进行初步的犯规动作分类，得到初步犯规判断；
利用Transformer深度学习模型，对动作进行识别和分类，得到犯规动作识别结果。
作为本发明的进一步方案，利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型的步骤具体为：
根据所述犯规动作识别结果，使用自监督学习方法对动作特征进行编码学习，得到编码特征；
将编码特征输入DQN强化学习模型，进行模型训练和优化，得到优化后的动作识别模型。
作为本发明的进一步方案，结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案的步骤具体为：
使用所述优化后的动作识别模型，实时分析游泳者的姿态和动作，得到实时犯规检测结果；
基于所述实时犯规检测结果，生成包括犯规动作的提示和泳姿调整的建议，形成实时反馈报告；
基于可视化工具或语言工具，向游泳者展示实时反馈报告。
基于AI的泳姿犯规动作判断系统是由多模态数据采集模块、数据预处理模块、姿态估计模块、时空特征提取模块、犯规动作识别模块、学习与优化模块、实时反馈模块组成；
所述多模态数据采集模块结合视觉传感器、深度传感器、惯性测量单元，输出多源原始数据；
所述数据预处理模块采用IQR异常值检测、线性插值算法、Z-score标准化以及主成分分析，基于所述多源原始数据生成特征数据；
所述姿态估计模块通过OpenPose三维姿态估计算法，利用视觉特征和深度特征计算游泳者的三维姿态数据；
所述时空特征提取模块基于三维姿态数据，经过深度学习和时间序列分析，提取游泳者的时空特征并分析其运动轨迹，输出时空运动轨迹信息；
所述犯规动作识别模块利用支持向量机分类算法和Transformer深度学习模型，结合所述时空运动轨迹信息和三维姿态数据进行犯规动作的识别，获取犯规动作识别结果；
所述学习与优化模块运用自监督学习和强化学习模型，根据犯规动作识别结果，对姿态和犯规特征进行学习，输出优化后的动作识别模型；
所述实时反馈模块通过实时数据流处理技术，结合所述优化后的动作识别模型，为游泳者提供包括犯规动作的提示、摆正泳姿的具体方案，形成实时反馈报告，并通过可视化技术传递给游泳者。
作为本发明的进一步方案，所述多模态数据采集模块包括视觉传感子模块、深度传感子模块、惯性测量子模块、生理数据采集子模块、数据整合子模块；
所述数据预处理模块包括异常值检测子模块、插值处理子模块、数据标准化子模块、特征抽取子模块；
所述姿态估计模块包括视觉特征输入子模块、二维姿态生成子模块、深度恢复子模块、三维姿态估计子模块；
所述时空特征提取模块包括深度学习特征学习子模块、时间序列分析子模块、动态轨迹生成子模块；
所述犯规动作识别模块包括初步犯规判断子模块、深度学习动作识别子模块、最终犯规动作识别子模块；
所述学习与优化模块包括自监督学习子模块、编码特征输入子模块、强化学习模型训练子模块、动作识别模型优化子模块；
所述实时反馈模块包括实时动作识别子模块、反馈生成子模块、反馈传递子模块。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过结合视觉传感器、深度传感器和惯性测量单元多种数据源，能够更全面地捕捉游泳者的姿态和动作信息。这种综合分析为识别更复杂的泳姿犯规提供了强有力的数据基础。利用OpenPose三维姿态估计算法，能够更为准确地识别和分析游泳者的三维姿态，从而增强了犯规动作的判断准确性。结合深度学习和时间序列分析的方法，不仅可以分析游泳者的即时动作，还可以跟踪其时空运动轨迹，从而为犯规动作判定提供更丰富的上下文信息。通过自监督学习和强化学习，系统能够实时更新和优化识别模型，确保随着时间推移和数据积累，其判断能力持续增强。基于实时数据流处理技术，能够为游泳者提供即时的犯规提示和泳姿调整建议，提高游泳技巧。
附图说明
图1为本发明提出基于AI的泳姿犯规动作判断方法及系统的工作流程示意图；
图2为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤1细化流程图；
图3为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤2细化流程图；
图4为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤3细化流程图；
图5为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤4细化流程图；
图6为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤5细化流程图；
图7为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤6细化流程图；
图8为本发明提出基于AI的泳姿犯规动作判断方法及系统的步骤7细化流程图；
图9为本发明提出基于AI的泳姿犯规动作判断方法及系统的系统流程图；
图10为本发明提出基于AI的泳姿犯规动作判断方法及系统的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：基于AI的泳姿犯规动作判断方法，包括以下步骤：
利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据；
采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对多源原始数据进行预处理，获取特征数据；
采用OpenPose三维姿态估计算法，从特征数据中进行三维姿态估计，获取三维姿态数据；
通过包括深度学习、时间序列分析的AI方法，从三维姿态数据中分析获取时空运动轨迹信息；
基于时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果；
利用自监督学习和强化学习模型，使系统自我学习和优化，结合犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型；
结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案。
通过采集多模态信息和运用深度学习等AI方法进行分析，系统可以更精确地获取游泳者的姿态、运动轨迹和生理数据，从而提高犯规动作判断的准确性。利用实时数据流处理技术，系统可以快速处理和分析游泳者的姿态和运动数据，并在比赛或训练中提供实时的反馈和调整建议。这有助于游泳者及时发现和纠正潜在的犯规动作，避免在比赛中受到处罚。基于AI的系统可以根据不同游泳者的特征和表现，提供个性化的指导和训练建议。通过学习和优化，系统能够逐渐理解游泳者的风格、优势和改进空间，并根据其需求提供相应的指导，提高训练效果。通过引入自监督学习和强化学习模型，系统可以不断学习和优化，从游泳者的实际表现和反馈中改进姿态和犯规特征的判断，从而提升系统的判断能力和准确性。基于AI的泳姿犯规动作判断方法可以为裁判员提供有价值的参考，辅助其决策过程。通过提供可视化的分析和判断结果，裁判员可以更准确地判定是否存在犯规动作，增强比赛的公平性和一致性。
请参阅图2，利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据的步骤具体为：
使用高清摄像头和视觉传感器捕捉游泳者的实时动态，获取视觉原始图像数据；
利用Kinect深度传感器，获取游泳者与池边的相对距离数据，得到深度原始数据；
使用惯性测量单元，捕获游泳者包括加速度、角速度的物理参数，生成惯性原始数据；
部署心率传感器，收集游泳者的生理参数，得到生理原始数据；
整合视觉原始图像数据、深度原始数据、惯性原始数据、生理原始数据，作为多源原始数据。
首先，通过多源数据的综合分析，可以获得更全面、准确和多维度的信息，提高泳姿犯规动作判断的准确性和可靠性。其次，这种多模态信息的收集能够提高姿态数据的准确性和全局感知能力，从而更精确地捕捉并分析游泳者的姿态和动作。此外，通过深度传感器和视觉传感器获取的数据，可以重构游泳者的运动轨迹，进一步分析和识别犯规动作，提供更精细的判断结果。生理数据的监测则能够了解游泳者的身体状况，辅助判断犯规动作是否受生理因素影响。而数据的交叉验证和一致性分析可以增加判断的可信度和一致性，提高系统的鲁棒性和可靠性。综上所述，利用视觉传感器、深度传感器和惯性测量单元收集游泳者的多模态信息为泳姿犯规动作判断方法的实施和效果提供重要支持，从而提升了判断准确性、动作分析和生理状态监测的能力，推动游泳技术的发展和提升。
请参阅图3，采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对多源原始数据进行预处理，获取特征数据的步骤具体为：
通过IQR异常值检测算法，对多源原始数据进行过滤，去除噪声和异常值，得到视觉过滤数据、深度过滤数据、惯性过滤数据、生理过滤数据；
采用插值算法对数据缺失进行填补，确保数据完整性，生成视觉插值数据、深度插值数据、惯性插值数据、生理插值数据；
运用Z-score标准化方法对数据进行归一化处理，使其具有统一的尺度，生成视觉标准数据、深度标准数据、惯性标准数据、生理标准数据；
应用PCA特征抽取算法，从上述标准数据中抽取关键特征，得到包括视觉特征、深度特征、惯性特征、生理特征的特征数据。
采用异常值检测、插值算法、Z-score标准化和特征抽取算法对多源原始数据进行预处理，可以获得多个有益效果。首先，通过IQR异常值检测算法，可以去除数据中的噪声和异常值，提高数据质量和可靠性。这对于犯规动作判断的准确性至关重要，避免了异常数据对结果产生误导。其次，插值算法可以填补数据中的缺失值，确保数据的完整性。当某些传感器无法获取完整数据时，通过插值填充缺失值，可以避免数据的信息缺失，提供更完整的特征数据，以便进行准确的犯规动作判断。Z-score标准化方法能够将不同来源和尺度的数据归一化，统一数据的尺度和范围。这有助于消除跨数据集的差异，使得后续的特征提取和模型训练更具可比性和一致性，提高了数据分析的准确性和性能。最后，通过应用PCA特征抽取算法，可以从经过预处理的数据中提取关键特征。特征抽取可以降低数据的维度，并提取最具代表性的特征，减少冗余信息，提高后续犯规动作判断模型的训练效果和预测准确性。综上所述，采用异常值检测、插值算法、Z-score标准化和特征抽取算法对多源原始数据进行预处理，能够提高数据质量、保证数据完整性、统一数据标准化，并提取关键特征。这些有益效果为犯规动作判断方法的实施和效果提供了可靠的数据基础，提高了判断准确性、模型性能和分析结果的可靠性。
请参阅图4，采用OpenPose三维姿态估计算法，从特征数据中进行三维姿态估计，获取三维姿态数据的步骤具体为：
将特征数据中的视觉特征和深度特征输入OpenPose算法中；
OpenPose算法基于视觉特征，生成游泳者的二维姿态，得到二维姿态数据；
结合深度特征对二维姿态数据进行深度恢复，实现三维姿态估计，得到三维姿态数据。
首先，通过将特征数据中的视觉特征和深度特征输入OpenPose算法，可以获得游泳者的二维姿态数据。然后，结合深度特征对二维姿态数据进行深度恢复，将其转化为三维姿态数据。这使得我们能够准确地估计游泳者在三维空间中的姿态，获得更全面、精确的姿态信息。其次，采用OpenPose算法进行三维姿态估计可以显著提升姿态准确性。该算法基于深度学习的技术，具备较高的姿态估计能力。通过利用该算法的强大功能，将特征数据输入OpenPose算法，可以提高三维姿态估计的准确性，使得游泳者的姿态数据更加精准和可靠。通过获取游泳者的三维姿态数据，可以实现对游泳动作的更详细、全面的分析。例如，可以计算关节角度、身体旋转角度等更具体的运动指标，详细评估游泳者的姿势和运动技术。此外，三维姿态数据还允许对游泳者的身体位置和运动轨迹进行更精确的跟踪，进一步提高分析和评估的准确性。另外，三维姿态数据可以用于生成更真实、逼真的游泳者模型，方便实现数据的可视化展示和分析。通过可视化和分析方法，教练员、运动员和研究人员可以更直观地理解游泳动作的细节和特征，发现改进的空间，并提供更有效的训练指导和技术分析。
请参阅图5，通过包括深度学习、时间序列分析的AI方法，从三维姿态数据中分析获取时空运动轨迹信息的步骤具体为：
基于三维姿态数据，利用CNN深度学习算法进行特征学习，得到时空特征；
基于时空特征，利用RNN对时空特征执行时间序列分析来分析游泳者的动态轨迹，得到时空运动轨迹信息。
首先，利用CNN深度学习算法进行特征学习，可以提取游泳者运动的时空特征，包括身体部位位置、关节角度变化和关节之间的运动模式等。这些特征能够更准确地描述游泳动作的细节和特点，为后续的时间序列分析提供更具代表性的输入数据。其次，通过时间序列分析方法，例如RNN，对时空特征进行处理可以捕捉游泳者运动的动态特征和时间演变规律。这有助于深入理解游泳者在不同时间段的运动特点和趋势，例如运动速度、加速度、变向等。通过分析时空运动轨迹的动态变化，可以提供更详细和准确的数据，为运动表现和技术改进提供指导和支持。通过利用AI方法从三维姿态数据中获取时空运动轨迹信息，可以获得游泳者的全面运动表现。这包括游泳者在不同时间点的位置和运动轨迹，以及随时间变化的运动方向和速度等数据。具备这些时空运动轨迹信息可以帮助教练员和研究人员深入分析游泳者的动作特征、技术水平和能力。这种全面的数据基础可以为运动技术分析、训练优化和犯规动作判断提供更准确、详细的参考。
请参阅图6，基于时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果的步骤具体为：
基于时空运动轨迹和三维姿态数据，采用支持向量机分类算法进行初步的犯规动作分类，得到初步犯规判断；
利用Transformer深度学习模型，对动作进行识别和分类，得到犯规动作识别结果。
通过基于时空运动轨迹信息和三维姿态数据的犯规动作识别方法，采用分类算法、深度学习模型和动作识别算法，可以获得多个有益效果。首先，通过初步的犯规分类，利用支持向量机可以快速识别明显的犯规动作，减少后续处理的数据量，提高识别的效率。其次，基于深度学习模型，如Transformer，实现动作识别和分类，可以建模和学习游泳动作的时空关系和特征，提高犯规动作识别的准确性。通过结合时空运动轨迹信息和三维姿态数据，可以从更全面、准确的角度分析和识别游泳动作中的犯规行为，提高识别结果的可靠性和精确性。采用这种方法具有较高的实时性和自动化能力，可以实时监测和识别游泳运动中的犯规动作，及时给出反馈和建议，支持教练员和运动员的训练和技术改进。综上所述，基于时空运动轨迹信息和三维姿态数据的犯规动作识别方法通过提高识别准确性、实现实时性和自动化，为犯规动作识别、技术改进和训练提供准确、全面的辅助信息，推动游泳表现的提升和优化。
请参阅图7，利用自监督学习和强化学习模型，使系统自我学习和优化，结合犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型的步骤具体为：
根据犯规动作识别结果，使用自监督学习方法对动作特征进行编码学习，得到编码特征；
将编码特征输入DQN强化学习模型，进行模型训练和优化，得到优化后的动作识别模型。
首先，通过自监督学习方法对动作特征进行编码学习，系统可以从未标记的数据中学习到有用的特征表示，提高对犯规动作的识别准确性和鲁棒性。自监督学习提供了无监督学习的能力，使系统能够更好地捕捉动作的关键特征。其次，将编码特征输入到DQN强化学习模型中进行训练和优化，系统可以通过与环境的交互学习最优策略，进一步提高动作识别的准确性和效果。强化学习的优点在于它能够通过与环境的实时交互，不断改进和优化模型，使系统具备更强的鲁棒性和适应性。利用自监督学习和强化学习进行系统自我学习和优化，可以使系统具备自我调节和适应不同犯规动作情况的能力。自监督学习可以从未标记的数据中提取丰富的特征信息，而强化学习能够通过智能体与环境的交互进行优化，使系统能够根据不同的犯规动作情况做出相应的调整和改进。这种自我学习和优化的能力可以提高系统的鲁棒性和适应性，使其能够更准确地识别和判断不同类型的犯规动作。
请参阅图8，结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案的步骤具体为：
使用优化后的动作识别模型，实时分析游泳者的姿态和动作，得到实时犯规检测结果；
基于实时犯规检测结果，生成包括犯规动作的提示和泳姿调整的建议，形成实时反馈报告；
基于可视化工具或语言工具，向游泳者展示实时反馈报告。
首先，通过实时犯规检测，系统能够即时监测和判断游泳者是否存在犯规动作，提供及时的反馈和提醒，帮助游泳者避免违规行为，提高比赛成绩和技术水平。其次，通过实时反馈和调整建议，系统可以根据犯规检测结果生成具体的提示和建议，指导游泳者纠正错误动作、调整泳姿，促进技术改进和训练优化。这样的实时指导和调整能够加速技术的学习和改进过程，培养正确的动作习惯和泳姿，提升游泳者的表现和竞争力。此外，通过可视化展示工具，游泳者可以直观地了解犯规动作的检测结果，以图形、图表或语言的形式展示实时反馈和调整建议。这种可视化展示方式能够增强游泳者对自身动作问题的认知和理解，帮助他们更好地调整和改善技术。
请参阅图9，基于AI的泳姿犯规动作判断系统是由多模态数据采集模块、数据预处理模块、姿态估计模块、时空特征提取模块、犯规动作识别模块、学习与优化模块、实时反馈模块组成；
多模态数据采集模块结合视觉传感器、深度传感器、惯性测量单元，输出多源原始数据；
数据预处理模块采用IQR异常值检测、线性插值算法、Z-score标准化以及主成分分析，基于多源原始数据生成特征数据；
姿态估计模块通过OpenPose三维姿态估计算法，利用视觉特征和深度特征计算游泳者的三维姿态数据；
时空特征提取模块基于三维姿态数据，经过深度学习和时间序列分析，提取游泳者的时空特征并分析其运动轨迹，输出时空运动轨迹信息；
犯规动作识别模块利用支持向量机分类算法和Transformer深度学习模型，结合时空运动轨迹信息和三维姿态数据进行犯规动作的识别，获取犯规动作识别结果；
学习与优化模块运用自监督学习和强化学习模型，根据犯规动作识别结果，对姿态和犯规特征进行学习，输出优化后的动作识别模型；
实时反馈模块通过实时数据流处理技术，结合优化后的动作识别模型，为游泳者提供包括犯规动作的提示、摆正泳姿的具体方案，形成实时反馈报告，并通过可视化技术传递给游泳者。
首先，通过多模态数据采集和预处理，系统可以获取并处理丰富的泳姿数据，提高数据的质量和一致性，为后续的姿态估计和特征提取提供可靠的基础。其次，通过姿态估计和时空特征提取，系统可以准确计算游泳者的姿态和提取关键时空特征，为犯规动作的识别提供准确和详细的信息。犯规动作识别模块利用支持向量机分类算法和Transformer深度学习模型，结合时空特征和姿态数据进行识别，能够提高犯规动作识别的精度和鲁棒性。
在学习与优化模块中，系统运用自监督学习和强化学习，根据犯规动作的识别结果对姿态和犯规特征进行学习和优化，不断改进模型的性能和适应性，提高动作识别的准确性和效果。通过实时反馈和可视化展示，系统为游泳者提供包括犯规动作的提示和具体的泳姿调整方案，帮助他们及时纠正错误动作，优化技术表现。这种实时反馈和可视化展示的方式能够直观、易于理解地向游泳者传达信息，增强他们对自身动作问题的认知和理解。整体而言，基于AI的泳姿犯规动作判断系统通过多模态数据采集和处理、姿态估计和时空特征提取、犯规动作识别和学习优化、实时反馈和可视化展示等多个环节，为游泳者提供准确、实时、个性化的犯规检测和动作调整建议，有助于提升技术水平、改善训练效果，并为游泳者在比赛和训练中取得更好的表现和成绩提供支持。
请参阅图10，多模态数据采集模块包括视觉传感子模块、深度传感子模块、惯性测量子模块、生理数据采集子模块、数据整合子模块；
数据预处理模块包括异常值检测子模块、插值处理子模块、数据标准化子模块、特征抽取子模块；
姿态估计模块包括视觉特征输入子模块、二维姿态生成子模块、深度恢复子模块、三维姿态估计子模块；
时空特征提取模块包括深度学习特征学习子模块、时间序列分析子模块、动态轨迹生成子模块；
犯规动作识别模块包括初步犯规判断子模块、深度学习动作识别子模块、最终犯规动作识别子模块；
学习与优化模块包括自监督学习子模块、编码特征输入子模块、强化学习模型训练子模块、动作识别模型优化子模块；
实时反馈模块包括实时动作识别子模块、反馈生成子模块、反馈传递子模块。
首先，多模态数据采集模块结合视觉传感子模块、深度传感子模块、惯性测量子模块和生理数据采集子模块，能够获取丰富的泳姿数据，从多个角度和传感器源头收集信息，提供全面的数据来源。数据预处理模块通过异常值检测、插值处理、数据标准化和特征抽取子模块，能够排除异常数据、填补缺失数据、统一数据尺度，并提取出有意义的特征，为后续处理提供高质量的数据。姿态估计模块结合视觉特征输入子模块、二维姿态生成子模块、深度恢复子模块和三维姿态估计子模块，能够准确计算游泳者的三维姿态，提供详细的姿态信息。时空特征提取模块结合深度学习特征学习子模块、时间序列分析子模块和动态轨迹生成子模块，能够从姿态数据中学习时空特征，提取出运动的动态特征和轨迹信息。这些姿态估计和时空特征提取的技术能够为犯规动作的准确判断提供重要依据。犯规动作识别模块结合初步犯规判断子模块、深度学习动作识别子模块和最终犯规动作识别子模块，利用时空特征和姿态数据进行动作识别，能够高效、精准地判断游泳者是否存在犯规动作。学习与优化模块结合自监督学习子模块、编码特征输入子模块、强化学习模型训练子模块和动作识别模型优化子模块，通过学习和优化改进模型，提高犯规动作识别的准确性和鲁棒性。实时反馈模块结合实时动作识别子模块、反馈生成子模块和反馈传递子模块，能够根据实时识别结果为游泳者提供准确的犯规动作提示和具体的调整建议。通过可视化和直观的方式向游泳者传递反馈信息，帮助他们及时纠正错误动作，优化泳姿，提高技术水平。
工作原理：基于AI的泳姿犯规动作判断系统通过多模态数据采集模块、数据预处理模块、姿态估计模块、时空特征提取模块、犯规动作识别模块、学习与优化模块和实时反馈模块的组成，实现了对游泳者多源原始数据的收集、预处理和特征提取。其中，多模态数据采集模块通过视觉传感器、深度传感器和惯性测量单元获取游泳者的姿态数据、运动轨迹和生理数据。数据预处理模块对原始数据进行异常值检测、插值算法、Z-score标准化和特征抽取，生成可用于进一步处理的特征数据。姿态估计模块利用OpenPose等算法计算游泳者的三维姿态数据，时空特征提取模块通过深度学习和时间序列分析提取时空运动轨迹信息。犯规动作识别模块利用分类算法和深度学习模型从时空特征和姿态数据中识别犯规动作。学习与优化模块采用自监督学习和强化学习模型，对姿态和犯规特征进行学习和优化，得到优化的动作识别模型。实时反馈模块通过实时数据流处理技术结合优化后的模型，为游泳者提供实时反馈和调整建议，包括犯规动作的提示和泳姿的具体调整方案。整合这些功能，并结合可视化展示，系统能够准确、实时且个性化地提供泳姿犯规动作的判断和调整建议，帮助游泳者改善技术表现和取得更好的成绩。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.基于AI的泳姿犯规动作判断方法，其特征在于，包括以下步骤：
利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据；
采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据；
采用OpenPose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据；
通过包括深度学习、时间序列分析的AI方法，从所述三维姿态数据中分析获取时空运动轨迹信息；
基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果；
利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型；
结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案。
2.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据的步骤具体为：
使用高清摄像头和视觉传感器捕捉游泳者的实时动态，获取视觉原始图像数据；
利用Kinect深度传感器，获取游泳者与池边的相对距离数据，得到深度原始数据；
使用惯性测量单元，捕获游泳者包括加速度、角速度的物理参数，生成惯性原始数据；
部署心率传感器，收集游泳者的生理参数，得到生理原始数据；
整合所述视觉原始图像数据、深度原始数据、惯性原始数据、生理原始数据，作为多源原始数据。
3.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，所述采用异常值检测、插值算法、Z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据的步骤具体为：
通过IQR异常值检测算法，对所述多源原始数据进行过滤，去除噪声和异常值，得到视觉过滤数据、深度过滤数据、惯性过滤数据、生理过滤数据；
采用插值算法对数据缺失进行填补，确保数据完整性，生成视觉插值数据、深度插值数据、惯性插值数据、生理插值数据；
运用Z-score标准化方法对数据进行归一化处理，使其具有统一的尺度，生成视觉标准数据、深度标准数据、惯性标准数据、生理标准数据；
应用PCA特征抽取算法，从上述标准数据中抽取关键特征，得到包括视觉特征、深度特征、惯性特征、生理特征的特征数据。
4.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，采用OpenPose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据的步骤具体为：
将所述特征数据中的视觉特征和深度特征输入OpenPose算法中；
所述OpenPose算法基于视觉特征，生成游泳者的二维姿态，得到二维姿态数据；
结合所述深度特征对二维姿态数据进行深度恢复，实现三维姿态估计，得到三维姿态数据。
5.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，通过包括深度学习、时间序列分析的AI方法，从所述三维姿态数据中分析获取时空运动轨迹信息的步骤具体为：
基于所述三维姿态数据，利用CNN深度学习算法进行特征学习，得到时空特征；
基于所述时空特征，利用RNN对时空特征执行时间序列分析来分析游泳者的动态轨迹，得到时空运动轨迹信息。
6.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果的步骤具体为：
基于时空运动轨迹和三维姿态数据，采用支持向量机分类算法进行初步的犯规动作分类，得到初步犯规判断；
利用Transformer深度学习模型，对动作进行识别和分类，得到犯规动作识别结果。
7.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型的步骤具体为：
根据所述犯规动作识别结果，使用自监督学习方法对动作特征进行编码学习，得到编码特征；
将编码特征输入DQN强化学习模型，进行模型训练和优化，得到优化后的动作识别模型。
8.根据权利要求1所述的基于AI的泳姿犯规动作判断方法，其特征在于，结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案的步骤具体为：
使用所述优化后的动作识别模型，实时分析游泳者的姿态和动作，得到实时犯规检测结果；
基于所述实时犯规检测结果，生成包括犯规动作的提示和泳姿调整的建议，形成实时反馈报告；
基于可视化工具或语言工具，向游泳者展示实时反馈报告。
9.基于AI的泳姿犯规动作判断系统，所述基于AI的泳姿犯规动作判断系统用于执行权利要求1-7任一所述的基于AI的泳姿犯规动作判断方法，其特征在于，所述基于AI的泳姿犯规动作判断系统是由多模态数据采集模块、数据预处理模块、姿态估计模块、时空特征提取模块、犯规动作识别模块、学习与优化模块、实时反馈模块组成；
所述多模态数据采集模块结合视觉传感器、深度传感器、惯性测量单元，输出多源原始数据；
所述数据预处理模块采用IQR异常值检测、线性插值算法、Z-score标准化以及主成分分析，基于所述多源原始数据生成特征数据；
所述姿态估计模块通过OpenPose三维姿态估计算法，利用视觉特征和深度特征计算游泳者的三维姿态数据；
所述时空特征提取模块基于三维姿态数据，经过深度学习和时间序列分析，提取游泳者的时空特征并分析其运动轨迹，输出时空运动轨迹信息；
所述犯规动作识别模块利用支持向量机分类算法和Transformer深度学习模型，结合所述时空运动轨迹信息和三维姿态数据进行犯规动作的识别，获取犯规动作识别结果；
所述学习与优化模块运用自监督学习和强化学习模型，根据犯规动作识别结果，对姿态和犯规特征进行学习，输出优化后的动作识别模型；
所述实时反馈模块通过实时数据流处理技术，结合所述优化后的动作识别模型，为游泳者提供包括犯规动作的提示、摆正泳姿的具体方案，形成实时反馈报告，并通过可视化技术传递给游泳者。
10.根据权利要求9所述的基于AI的泳姿犯规动作判断系统，其特征在于，所述多模态数据采集模块包括视觉传感子模块、深度传感子模块、惯性测量子模块、生理数据采集子模块、数据整合子模块；
所述数据预处理模块包括异常值检测子模块、插值处理子模块、数据标准化子模块、特征抽取子模块；
所述姿态估计模块包括视觉特征输入子模块、二维姿态生成子模块、深度恢复子模块、三维姿态估计子模块；
所述时空特征提取模块包括深度学习特征学习子模块、时间序列分析子模块、动态轨迹生成子模块；
所述犯规动作识别模块包括初步犯规判断子模块、深度学习动作识别子模块、最终犯规动作识别子模块；
所述学习与优化模块包括自监督学习子模块、编码特征输入子模块、强化学习模型训练子模块、动作识别模型优化子模块；
所述实时反馈模块包括实时动作识别子模块、反馈生成子模块、反馈传递子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344381.0A CN117095472B (zh) | 2023-10-18 | 2023-10-18 | 基于ai的泳姿犯规动作判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344381.0A CN117095472B (zh) | 2023-10-18 | 2023-10-18 | 基于ai的泳姿犯规动作判断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095472A true CN117095472A (zh) | 2023-11-21 |
| CN117095472B CN117095472B (zh) | 2024-02-20 |
Family
ID=88772050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311344381.0A Active CN117095472B (zh) | 2023-10-18 | 2023-10-18 | 基于ai的泳姿犯规动作判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095472B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135667A (zh) * | 2024-05-07 | 2024-06-04 | 广州华夏汇海科技有限公司 | 基于ai的篮球测试方法及系统 |
| CN118135667B (zh) * | 2024-05-07 | 2024-07-16 | 广州华夏汇海科技有限公司 | 基于ai的篮球测试方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108837480A (zh) * | 2018-06-29 | 2018-11-20 | 安徽省徽腾智能交通科技有限公司 | 游泳监测系统及训练方法 |
| CN109003301A (zh) * | 2018-07-06 | 2018-12-14 | 东南大学 | 一种基于OpenPose和Kinect的人体姿态估计方法及康复训练系统 |
| CN111475024A (zh) * | 2019-12-25 | 2020-07-31 | 山东中科先进技术研究院有限公司 | 一种人体动作捕捉系统及方法 |
| CN114241375A (zh) * | 2021-12-15 | 2022-03-25 | 首都体育学院 | 一种用于运动过程中的监测方法 |
| CN115359421A (zh) * | 2022-08-16 | 2022-11-18 | 数智魔力(深圳)云计算技术有限公司 | 基于全程视频监控的游泳考试监管控制系统 |
| CN116030533A (zh) * | 2023-02-10 | 2023-04-28 | 上海交通大学 | 运动场景的高速动作捕捉与识别方法及系统 |
| CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
-
2023
- 2023-10-18 CN CN202311344381.0A patent/CN117095472B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108837480A (zh) * | 2018-06-29 | 2018-11-20 | 安徽省徽腾智能交通科技有限公司 | 游泳监测系统及训练方法 |
| CN109003301A (zh) * | 2018-07-06 | 2018-12-14 | 东南大学 | 一种基于OpenPose和Kinect的人体姿态估计方法及康复训练系统 |
| CN111475024A (zh) * | 2019-12-25 | 2020-07-31 | 山东中科先进技术研究院有限公司 | 一种人体动作捕捉系统及方法 |
| CN114241375A (zh) * | 2021-12-15 | 2022-03-25 | 首都体育学院 | 一种用于运动过程中的监测方法 |
| CN115359421A (zh) * | 2022-08-16 | 2022-11-18 | 数智魔力(深圳)云计算技术有限公司 | 基于全程视频监控的游泳考试监管控制系统 |
| CN116030533A (zh) * | 2023-02-10 | 2023-04-28 | 上海交通大学 | 运动场景的高速动作捕捉与识别方法及系统 |
| CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| LIJUAN ZHANG: "Research on Human Body Movement Posture Based on Inertial Sensor", 《BIO AUTOMATION》, vol. 22, no. 2, pages 179 - 186 * |
| 鲁亚磊: "人体运动数据的实时采集及可靠传输系统设计", 《电子测量技术》, no. 06, 23 March 2018 (2018-03-23), pages 115 - 120 * |
| 鲁亚磊: "人体运动数据的实时采集及可靠传输系统设计", 电子测量技术, no. 06, pages 115 - 120 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135667A (zh) * | 2024-05-07 | 2024-06-04 | 广州华夏汇海科技有限公司 | 基于ai的篮球测试方法及系统 |
| CN118135667B (zh) * | 2024-05-07 | 2024-07-16 | 广州华夏汇海科技有限公司 | 基于ai的篮球测试方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095472B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
| Uddin et al. | Human activity recognition using body joint‐angle features and hidden Markov model | |
| CN109685037B (zh) | 一种实时动作识别方法、装置及电子设备 | |
| US20100208038A1 (en) | Method and system for gesture recognition | |
| WO2020050111A1 (ja) | 動作認識方法及び装置 | |
| CN110147738B (zh) | 一种驾驶员疲劳监测预警方法及系统 | |
| CN117671738B (zh) | 基于人工智能的人体姿态识别系统 | |
| CN114255508A (zh) | 一种基于OpenPose的学生体态检测分析及效率评估方法 | |
| Amrutha et al. | Human Body Pose Estimation and Applications | |
| Adhikari et al. | A Novel Machine Learning-Based Hand Gesture Recognition Using HCI on IoT Assisted Cloud Platform. | |
| CN117095472B (zh) | 基于ai的泳姿犯规动作判断方法及系统 | |
| Shahjalal et al. | An approach to automate the scorecard in cricket with computer vision and machine learning | |
| KR20060097400A (ko) | 가상의 격자형 평면을 이용한 동작 인식 방법 | |
| CN112052786A (zh) | 一种基于网格划分骨骼的行为预测方法 | |
| CN111881818A (zh) | 医疗行为细粒度识别装置及计算机可读存储介质 | |
| CN115171189A (zh) | 一种疲劳检测方法、装置、设备和存储介质 | |
| Tsai et al. | Temporal-variation skeleton point correction algorithm for improved accuracy of human action recognition | |
| Sunney | Real-Time Yoga Pose Detection using Machine Learning Algorithm | |
| Rani et al. | Behavioral analysis of students by integrated radial curvature and facial action coding system using DCNN | |
| Ji et al. | IoT based dance movement recognition model based on deep learning framework | |
| Cheng et al. | Motion Estimation and Path Planning for Assistive Robotic Devices | |
| Ramanathan et al. | Mutually reinforcing motion-pose framework for pose invariant action recognition | |
| CN117853982A (zh) | 基于计算机视觉的投篮姿态单目视频分析系统及评价方法 | |
| CN112667088B (zh) | 基于vr行走平台的手势应用识别方法及系统 | |
| Dakare et al. | Advancing Fall Detection in an Autonomous Bus-Examination of LSTM Technique |
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 |