CN109308438B - 动作识别库的建立方法、电子设备、存储介质 - Google Patents
动作识别库的建立方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109308438B CN109308438B CN201710633121.3A CN201710633121A CN109308438B CN 109308438 B CN109308438 B CN 109308438B CN 201710633121 A CN201710633121 A CN 201710633121A CN 109308438 B CN109308438 B CN 109308438B
- Authority
- CN
- China
- Prior art keywords
- identification
- vector
- action
- joint point
- vectors
- 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.)
- Active
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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种动作识别库的建立方法、电子设备、存储介质,包括:a.将多个健身视频转换为三维骨骼动作模型,获取健身视频中人体的多个骨骼点的坐标及多个骨骼点之间形成的向量;b.对每个健身视频,按时间顺序分解成动作的集合,储存动作时间及动作编号以获得视频文件,相同的动作具有相同的动作编号;c.对每个动作,于一标准动作数据库中根据动作编号查询是否已有动作文件,若没有则生成该动作的动作文件d.重复上述步骤b至步骤c,直到遍历多个健身视频,将多个视频文件及标准动作数据库组成动作识别库,动作识别库用于与实时采集的动作进行识别和匹配。本发明提供的方法及设备能够实现动作识别库的快速建立并加强后续识别中的实时性。
Description
技术领域
本发明涉及动作识别领域,尤其涉及一种动作识别库的建立方法、电子设备、存储介质。
背景技术
人类的动作捕捉及识别方法,在当今社会具有非常广泛的应用,例如:智能监控、人机交互的体感游戏、视频检索等等。
人类的动作检测识别,从基于传统的RGB视频序列过渡到当今流行的RGB-D视频序列,运动轨迹一直作为重要的特征发展着。传统的运动轨迹的捕捉往往基于特征点的检测算法,不同的特征点检测方法会得出完全不同的运动轨迹。同时,由于特征点在不同帧的检索非常不稳定,在整个视频序列中,特征点往往不连续,因此对于特征点轨迹法多采用基于直方图的统计方法,对整个视频序列进行计算并统计后,采用支持向量机等分类器进行分类。
现有的方式,也直接采用源视频作为识别库来进行匹配。这样,视频序列的匹配计算方法计算量大,无法即时响应,也无法适用于民用级别的人机交互。因此,现有技术对于健身识别纠错的人机交互而言,难以实现***实时反馈动作是否出错的需求。
发明内容
本发明为了克服上述现有技术存在的缺陷,提供一种动作识别库的建立方法、电子设备、存储介质,利用该动作识别库可实现实时的健身动作识别和纠错。
根据本发明的一个方面,提供一种动作识别库的建立方法,包括:
a.将多个健身视频转换为三维骨骼动作模型,获取健身视频中人体的多个骨骼点的坐标及多个骨骼点之间形成的向量;
b.对每个健身视频,按时间顺序分解成动作的集合,储存动作时间及动作编号以获得视频文件,相同的动作具有相同的动作编号;
c.对每个动作,于一标准动作数据库中根据动作编号查询是否已有动作文件,若没有动作文件,则按如下步骤生成该动作的动作文件:
将该动作按所述三维骨骼动作模型拆解成五个身体部位:左臂、右臂、左腿、右腿以及躯干,每个所述身体部位均包括:三个骨骼点、三个骨骼点形成的三个向量及所述三个向量中两个向量之间的夹角,
对至少一个身体部位的部位动作设置一个或多个面向过程或者面向位移的识别项,每个识别项包括识别对象、识别参数及识别规则,所述识别对象包括所述三个骨骼点中的至少一个骨骼点;三个向量中的至少一个向量;以及所述三个向量中两个向量之间的一个夹角中的一项或多项,
其中,所述面向过程的识别项还包括一标准过程向量库,所述标准过程向量库按时间顺序储存有所述部位动作的至少一个向量,所述标准过程向量库中的多个向量用于与实时采集的部位动作的向量进行匹配计算以与所述识别参数设定的向量阈值进行比较;
将所述至少一个部位动作及所述至少一个部位动作的识别项作为该动作的动作文件,将该动作文件与该动作编号关联地储存在所述标准动作数据库中;
d.重复上述步骤b至步骤c,直到遍历所述多个健身视频,将多个视频文件及所述标准动作数据库组成所述动作识别库,所述动作识别库用于与实时采集的动作进行识别和匹配。
可选地,所述标准过程向量库中的多个向量用于与实时采集的部位动作的向量进行匹配计算以与所述识别参数设定的向量阈值进行比较包括:
可选地,当获得新的健身视频时,执行步骤b,若该健身视频的视频文件中的所有动作编号都有关联的动作文件,则不对该健身视频执行步骤a。
可选地,面向过程的所述识别项包括轨迹识别、否定轨迹识别及保持识别;面向位移的所述识别项包括位移识别以及否定位移识别。
可选地,对于所述轨迹识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中始终位于所述识别参数设定的阈值范围内。
可选地,对于所述否定轨迹识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中始终不在所述识别参数设定的阈值范围内,并且所述识别对象所表示的部位动作在运动过程中产生轨迹和/或位移。
可选地,对于所述保持识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该动作的运动过程中始终位于所述识别参数设定的阈值范围内。
可选地,所述标准过程向量库按时间顺序储存有所述部位动作的至少两个向量,依据两个向量计算向量之间的夹角,
所述夹角阈值用于与实时采集的部位动作的两个向量之间的夹角α与标准过程向量库中对应时间的两个向量之间的夹角β的比值α/β比较以确定实时采集的部位动作的夹角是否位于所述夹角阈值的范围内。
可选地,所述轨迹识别、所述否定轨迹识别及所述保持识别的识别参数还分别包括一起始幅度阈值及达成幅度阈值,
所述起始幅度阈值用于判断部位动作是否开始;
所述达成幅度阈值用于判断部位动作结束是否完成达成幅度。
可选地,对于所述位移识别:
所述识别对象包括所述三个骨骼点中的一个或多个;
所述识别参数设定位移距离、位移方向及起始幅度阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中按所述识别参数设定的位移方向移动并且移动距离大于所述识别参数设定的位移距离。
可选地,对于所述否定位移识别:
所述识别对象包括所述三个骨骼点中的一个或多个;
所述识别参数设定位移距离、位移方向及起始幅度阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中不按所述识别参数设定的位移方向移动或者移动距离大于所述识别参数设定的位移距离。
可选地,左臂包括:左手腕关节点、左手肘关节点、左肩关节点、左肩关节点至左手肘关节点形成的第一向量、左手肘关节点至左手腕关节点形成的第二向量、左肩关节点至左手腕关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
右臂包括:右手腕关节点、右手肘关节点、右肩关节点、右肩关节点至右手肘关节点形成的第一向量、右手肘关节点至右手腕关节点形成的第二向量、右肩关节点至右手腕关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
躯干包括:头部中心、脖子的脊柱中心、躯干的脊柱中心、头部中心至脖子的脊柱中心形成的第一向量、脖子的脊柱中心至躯干的脊柱中心形成的第二向量、头部中心至躯干的脊柱中心形成的第三向量以及该第一向量和该第二向量形成的夹角;
左腿包括:左脚踝关节点、左膝盖关节点、左髋关节点、左髋关节点至左膝盖关节点形成的第一向量、左膝盖关节点至左脚踝关节点形成的第二向量、左髋关节点至左脚踝关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
右腿包括:右脚踝关节点、右膝盖关节点、右髋关节点、右髋关节点至右膝盖关节点形成的第一向量、右膝盖关节点至右脚踝关节点形成的第二向量、右髋关节点至右脚踝关节点形成的第三向量以及该第一向量和该第二向量之间的夹角。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明通过按时间轴将已有的健身视频划分为多个动作,且按身体构造,简化骨骼点,以三个骨骼点为单位将动作划分为部位动作,并按部位动作为每个动作设置面向过程和面向位移的识别项,且在面向过程的识别项中通过实时采集的骨骼点构成的向量和一标准过程向量库中的向量进行简单的计算以与设定的向量阈值进行比较,相同的动作无需再次设定识别项。这样生成的动作识别库在后续应用至健身的实时识别匹配中能够实现实时反馈。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的动作识别库的建立方法的流程图;
图2示出了根据本发明实施例的骨骼模型的示意图;
图3至图7示出了根据本发明实施例的5个身体部位的示意图;
图8示出了根据本发明实施例的标准过程向量库中向量与实时采集向量的对比;
图9和图10分别示出了根据本发明实施例的标准过程向量库中向量间的夹角与实时采集向量间的夹角;
图11示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
图12示意性示出本公开示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所述的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
首先参见图1,图1示出了根据本发明实施例的动作识别库的建立方法的流程图。图1共示出4个步骤:
首先是步骤S110:将多个健身视频转换为三维骨骼动作模型,获取健身视频中人体的多个骨骼点的坐标及多个骨骼点之间形成的向量。
具体而言,在本案中,对每个人体设定有15个骨骼点(可参见图2),该15个骨骼点为:头部中心211、颈部中心(例如脖子的脊柱中心)212、躯干中心213(例如躯干的脊柱中心)、左肩关节点221、左手肘关节点222、左手腕关节点223、右肩关节点231、右手肘关节点232、右手腕关节点233、左髋关节点241、左膝盖关节点242、左脚踝关节点243、右髋关节点251、右膝盖关节点252、右脚踝关节点253。
本案中对这15个骨骼点以3个骨骼点为单位,划分成五个身体部分:躯干(见图3)、左臂(见图4)、右臂(见图5)、左腿(见图6)及右腿(见图7)。其中,各身体部位内的骨骼点之间还形成向量,向量之间还形成夹角。
具体而言,躯干(见图3)包括头部中心211、脖子的脊柱中心212、躯干的脊柱中心213、头部中心211至脖子的脊柱中心212形成的第一向量214、脖子的脊柱中心212至躯干的脊柱中心213形成的第二向量215、头部中心211至躯干的脊柱中心213形成的第三向量216以及该第一向量214和该第二向量215形成的夹角217。
左臂(见图4)包括左手腕关节点223、左手肘关节点222、左肩关节点221、左肩关节点221至左手肘关节点222形成的第一向量224、左手肘关节点222至左手腕关节点223形成的第二向量225、左肩关节点221至左手腕关节点223形成的第三向量226以及该第一向量224和该第二向量225之间的夹角227。
右臂(见图5)包括右手腕关节点233、右手肘关节点232、右肩关节点231、右肩关节点231至右手肘关节点232形成的第一向量234、右手肘关节点232至右手腕关节点233形成的第二向量235、右肩关节点231至右手腕关节点233形成的第三向量236以及该第一向量234和该第二向量235之间的夹角237。
左腿包括(见图6)包括左脚踝关节点243、左膝盖关节点242、左髋关节点241、左髋关节点241至左膝盖关节点242形成的第一向量244、左膝盖关节点242至左脚踝关节点243形成的第二向量245、左髋关节点241至左脚踝关节点243形成的第三向量246以及该第一向量244和该第二向量245之间的夹角247。
右腿包括(见图7)包括右脚踝关节点253、右膝盖关节点252、右髋关节点251、右髋关节点251至右膝盖关节点252形成的第一向量254、右膝盖关节点252至右脚踝关节点253形成的第二向量255、右髋关节点251至右脚踝关节点253形成的第三向量256以及该第一向量254和该第二向量255之间的夹角。
设定较少的具有代表性的关节点作为骨骼点,以在后续实现动作的设定和识别,同时减少计算量。
在一个具体实施例中,步骤S110中使用3D建模工具制作动作模型动画,人物模型存在识别人体需要的上述15个骨骼点。模型动作动画必须符合标准的视频规范动作要求。做好的人物模型导出,导入Unity3D(三维游戏开发工具)的工程中,将模型中的15个骨骼点绑定到指定的记录3D位置的变量,运行程序,以合适的帧率记录每一帧的由骨骼点构成的上述15个向量,帧率的大小手动调节,使帧数在15到30左右适中即可。
步骤S120:对每个健身视频,按时间顺序分解成动作的集合,储存动作时间及动作编号以获得视频文件,相同的动作具有相同的动作编号。
具体而言,可选地健身视频中播放多个动作,例如,在一健身视频中播放了2次深蹲、2次俯卧撑及2次卷腹。在步骤S120中,按时间顺序将储存这些动作时间和动作编号,例如,将动作时间0:0:05-0:0:10关联深蹲的动作编号001,将动作时间0:0:15-0:0:20关联深蹲的动作编号001,将动作时间0:0:25-0:0:30关联俯卧撑的动作编号002,将动作时间0:0:35-0:0:40关联俯卧撑的动作编号002,将动作时间0:0:45-0:0:50关联卷腹的动作编号003,将动作时间0:0:55-0:01:00关联卷腹的动作编号003,并储存在视频文件中。储存在视频文件中的动作时间可以是动作起始时间、动作持续运动时间、或其他可以表示时间的形式。
步骤S130:对每个动作,于一标准动作数据库中根据动作编号查询是否已有动作文件,若没有动作文件,则生成该动作的动作文件。
具体而言,动作文件按如下方式生成,将该动作按所述三维骨骼动作模型拆解成五个身体部位:左臂、右臂、左腿、右腿以及躯干。每个身体部位均包括如图3至图7所示的三个骨骼点、三个骨骼点形成的三个向量及所述三个向量中两个向量之间的夹角。对至少一个身体部位的部位动作设置一个或多个面向过程或者面向位移的识别项。每个识别项包括识别对象、识别参数及识别规则,所述识别对象包括部位动作所述三个骨骼点中的至少一个骨骼点;三个向量中的至少一个向量;以及所述三个向量中两个向量之间的一个夹角中的一项或多项。
面向过程的识别项需通过一标准过程向量库与实时采集的向量进行匹配进而判断是否符合识别项。标准过程向量库以一采样频率按时间顺序储存有所述部位动作的至少一个向量。例如,对于俯卧撑的左腿动作,以5次/秒的采样频率按时间顺序至少储存左臂的第一向量224、第二向量225(和夹角227),作为一标准过程向量库。
具体而言,面向过程的所述识别项包括轨迹识别、否定轨迹识别及保持识别;面向位移的所述识别项包括位移识别以及否定位移识别。
轨迹识别用于识别该部位动作是否按照预定轨迹运动,若未按照预定轨迹运动,则提示出错。其识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角。对应于识别对象,识别参数设定一个或多个阈值。阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值。
具体而言,上述向量阈值及夹角阈值用于判断实时采集的向量(及夹角)是否与该标准过程向量库中的向量(及夹角)相匹配。例如,可参考图8,对于向量阈值,当实时采集一部位动作的骨骼点222至骨骼点293的向量按时间在标准过程向量库中查找到对应时间的对应骨骼点222至骨骼点223的向量计算标准过程向量库中的向量与实时采集的部位动作的向量zbi)之间夹角θ的余弦值:
向量与向量之间的夹角θ的余弦值(余弦值为-1到1)用于与所述识别参数设定的向量阈值进行比较。向量阈值可以设置为0.1,对应的向量阈值为-1至0.1。向量阈值的范围也可以直接设置为-0.1至0.1。可依据该向量阈值与所计算的余弦值进行比较以确定向量是否在该向量阈值范围内。
例如,在设置夹角阈值的实施例中,所述标准过程向量库按时间顺序至少储存有所述部位动作的第一向量及第二向量,可以依据两个向量计算向量之间的夹角或者直接将该夹角储存在标准过程向量库中。参考图9及图10,夹角阈值用于与实时采集的部位动作的(骨骼点292至骨骼点291)的第一向量294和(骨骼点292至骨骼点293)的第二向量295之间的夹角297α与标准过程向量库中对应时间的(骨骼点222至骨骼点221)的第一向量224和(骨骼点222至骨骼点223)的第二向量225之间的夹角227β的比值α/β比较以确定实时采集的部位动作的夹角是否位于所述夹角阈值的范围内。向量阈值可以设置为0.8,对应的向量阈值为0.8至1。向量阈值的范围也可以直接设置为0.8至1。可依据该夹角阈值与所计算的夹角比值进行比较以确定第一向量和第二向量之间的夹角是否在该向量阈值范围内。
进一步地,轨迹识别的识别参数还包括一起始幅度阈值及达成幅度阈值,起始幅度阈值用于判断部位动作是否开始,达成幅度阈值用于判断部位动作结束是否完成达成幅度。具体而言,可以设置一部位动作的夹角的起始最大值,并设置起始幅度阈值为0.8(或其他0至1中间的值)。当部位动作的夹角到达该起始最大值的80%时,可以判断部位动作开始。对于达成幅度阈值,可以设置一部位动作的夹角的达成最大值,并设置达成幅度阈值为0.2(或其他0至1中间的值)。当部位动作的夹角到达该达成最大值的(1-20%)时,可以判断部位动作完成达成幅度。在一些变化例中,也可采用向量和/或骨骼点的坐标来计算上述起始幅度阈值和达成幅度阈值。上述起始最大值和达成最大值可作为标准过程向量库中的第一个数据和最后一个数据。或者,在另一些实施例中,起始幅度阈值和达成幅度阈值都采用标准过程向量库中的最后一个数据来进行计算,此时,起始幅度阈值例如可以设置为0.2,达成幅度阈值例如也可以设置为0.2。
对应于上述设定的识别对象和识别参数,轨迹识别的识别规则包括达成规则及可选不同的错误规则。轨迹识别的达成规则为该部位动作的识别对象起始于起始幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内;该部位动作的识别对象从起始幅度阈值所表示的位置到达成幅度阈值所表示的位置的过程中,识别对象均在所设定的向量阈值和/或夹角阈值内;并且该部位动作的识别对象到达达成幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内。轨迹识别的不同的错误规则包括:超出对应向量阈值错误(例如,向量一所表示的大臂或大腿超出阈值);超出对应夹角阈值错误(例如,夹角所表示的手肘处的夹角或膝盖处的夹角超出阈值);及幅度不够错误。幅度不够错误的识别规则为该部位动作的识别对象起始于起始幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内;该部位动作的识别对象从起始幅度阈值所表示的位置到达成幅度阈值所表示的位置的过程中,识别对象均在所设定的向量阈值和/或夹角阈值内;并且该部位动作的识别对象未到达达成幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内。
否定轨迹识别用于识别该部位动作是否按照预定轨迹运动,若按照预定轨迹运动,则提示出错。对于否定轨迹识别,其与轨迹识别类似,识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角(优选地,为第一向量和第二向量之间的夹角)。否定轨迹识别的识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值。否定轨迹识别与轨迹识别不同的是,否定轨迹识别达成规则为:该部位动作的识别对象起始于起始幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内;该部位动作的识别对象从起始幅度阈值所表示的位置到达成幅度阈值所表示的位置的过程中,识别对象均在所设定的向量阈值和/或夹角阈值内;该部位动作的识别对象到达达成幅度阈值所表示的位置且识别对象均在所设定的向量阈值和/或夹角阈值内;并且当前有除了否定识别和保持识别以外的识别正处于动作进行中的状态(换言之,轨迹或位移幅度正在增长)。当达成上述规则,则提示轨迹出错。换言之,若识别对象在该身体部位的运动过程中始终不在所述识别参数设定的阈值范围内,并且所述识别对象所表示的部位动作在运动过程中产生轨迹和/或位移,则将不提示出错。
保持识别用于识别部位动作在运动过程中是否保持在某一状态下(例如,保持直立或保持一弯曲角度),若未保持在该状态下则提示出错。保持识别的识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角。识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值。保持识别的达成规则为:该部位动作的识别对象始终在所设定的向量阈值和/或夹角阈值内。若未达成保持识别的达成规则,则提示对应保持识别的错误。
对于位移识别和否定位移识别,尽管此处描述为面向位移而非面向对象的识别项,但位移识别和否定位移识别实际还需识别部位动作是否处于持续的运动状态,若部位动作并未处于持续的运动状态则中断识别,直接提示错误;或者从当前位置开始重新进行识别。
位移识别用于判断识别对象是否达到预定的位移方向和位移距离,若未达到则提示出错。位移识别的识别对象包括三个骨骼点中的一个或多个。优选地,指定该部位动作的一个骨骼点。识别参数设定位移距离、位移方向(位移方向可映射至三维坐标中的X轴正方向、X轴负方向、Y轴正方向、Y轴负方向、Z轴正方向、Z轴负方向,无需计算具体的位移方向)及起始幅度阈值。位移的起始幅度阈值为0至1中的值。例如,起始幅度阈值可以设置为0.2,并表示当指定骨骼点的位移超过设定位移距离的20%时,该部位动作开始或位移识别开始。位移识别的识别规则包括达成规则及可选不同的错误规则。位移识别的达成规则为指定骨骼点的移动方向与识别参数中设置的位移方向一致,且一次持续运动的位移距离大于等于识别参数中设置的位移距离。不同的错误规则包括指定骨骼点的位移未超过起始幅度阈值时,提示起始动作幅度不够;指定骨骼点位移幅度超过起始幅度阈值、指定骨骼点的移动方向与识别参数中设置的位移方向一致并且一次持续运动的位移距离小于识别参数中设置的位移距离,则提示达成幅度不够。
否定位移识别用于判断识别对象是否达到预定的位移方向和位移距离,若达到则提示出错。与位移识别类似,识别对象包括三个骨骼点中的一个或多个。优选地,指定该部位动作的一个骨骼点。识别参数设定位移距离、位移方向(位移方向可映射至三维坐标中的X轴正方向、X轴负方向、Y轴正方向、Y轴负方向、Z轴正方向、Z轴负方向)及起始幅度阈值。否定位移识别的达成规则为指定骨骼点的移动方向与识别参数中设置的位移方向一致、一次持续运动的位移距离大于等于识别参数中设置的位移距离并且当前有除了否定识别和保持识别以外的识别正处于动作进行中的状态(换言之,轨迹或位移幅度正在增长)。当达成上述规则,则提示轨迹出错。换言之,若识别对象在该身体部位的运动过程中不按所述识别参数设定的位移方向移动或者移动距离大于所述识别参数设定的位移距离,则不提示出错。
对一个动作的至少一个部位动作设置上述识别项,将至少一个部位动作及所述至少一个部位动作的识别项作为该动作的动作文件,将该动作文件与该动作编号关联地储存在所述标准动作数据库中。
在一个具体实施例中,对于深蹲动作,其对躯干、左腿和右腿设置了识别项。躯干的识别项包括保持识别和位移识别。躯干的保持识别中,识别对象仅为头部中心到颈部的脊椎中心的第一向量,相应地设置该第一向量的参数,并保存由躯干的第一向量在深蹲过程中的标准过程向量库以供后续匹配。当实时采集的躯干的第一向量超过第一向量的阈值,则表示身体未保持直立,提示出错。此处,由于躯干的特性,当头部中心到颈部的脊椎中心的第一向量保持直立时,一般可直接认定颈部的脊椎中心到躯干的脊柱中心的第二向量也保持直立,仅设定一个向量的阈值,以减少后续计算量,提高后续实时纠错的效率。
躯干的位移识别中,识别对象为躯干的脊柱中心的骨骼点,对应的识别参数为该骨骼点的预定位移距离及预定的位移方向(方向为Y轴负方向)。当躯干的脊柱中心沿Y轴负方向移动超过预定距离时,则表示部位动作的该识别达成。若躯干的脊柱中心沿Y轴负方向移动未超过预定位移距离时,则表示部位动作的幅度不够。
左腿设置有否定位移识别,用于提醒深蹲中膝盖不能超过脚尖。左腿的否定位移识别中,识别对象为左膝盖的关节点,识别参数为预定位移距离、预定的位移方向(方向为Z轴正方向)及起始幅度阈值。当左膝盖沿Z轴正方向移动超过预定位移距离时,则提示表示部位动作错误。当左膝盖沿Z轴正方向移动未超过预定位移距离时,则表示部位动作的该识别达成。右腿的识别项与左腿相同,在此不予赘述。
在有一些具体实施例中,对于深蹲、俯卧撑等具有来回的动作,可仅对来和回中间的一个过程来进行设定和识别。例如,仅对深蹲下蹲时的动作进行识别项的设定和识别纠错;仅对俯卧撑俯卧时的动作进行识别项的设定和识别纠错,由此可进一步减少动作识别的计算量以增加纠错的实时性。
步骤S140:重复上述步骤120至步骤130,直到遍历所述多个健身视频,将多个视频文件及所述标准动作数据库组成所述动作识别库,所述动作识别库用于与实时采集的动作进行识别和匹配。
可以理解,通过上述步骤形成了视频文件和包括动作文件的标准动作数据库后,当获得新的健身视频时,执行步骤120,若该健身视频的视频文件中的所有动作编号都有关联的动作文件,则不对该健身视频执行步骤S110,进而减少***的工作量。
此外,本发明并非限定各步骤的执行顺序,例如,上述步骤S110和步骤S120可以互换,上述步骤S130中的部位拆分可以在步骤S110中执行,本领域技术人员可以实现更多的变化例,在此不予赘述。
相比现有技术,本发明通过按时间轴将已有的健身视频划分为多个动作,且按身体构造,简化骨骼点,以三个骨骼点为单位将动作划分为部位动作,并按部位动作为每个动作设置面向过程和面向位移的识别项,且在面向过程的识别项中通过实时采集的骨骼点构成的向量和一标准过程向量库中的向量进行简单的计算以与设定的向量阈值进行比较,相同的动作无需再次设定识别项。这样生成的动作识别库在后续应用至健身的实时识别匹配中能够实现实时反馈。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图11所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品300,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到租户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图12来描述根据本发明的这种实施方式的电子设备600。图12显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所述的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得租户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (14)
1.一种动作识别库的建立方法,其特征在于,包括:
a.将多个健身视频转换为三维骨骼动作模型,获取健身视频中人体的多个骨骼点的坐标及多个骨骼点之间形成的向量;
b.对每个健身视频,按时间顺序分解成动作的集合,储存动作时间及动作编号以获得视频文件,相同的动作具有相同的动作编号;
c.对每个动作,于一标准动作数据库中根据动作编号查询是否已有动作文件,若没有动作文件,则按如下步骤生成该动作的动作文件:
将该动作按所述三维骨骼动作模型拆解成五个身体部位:左臂、右臂、左腿、右腿以及躯干,每个所述身体部位均包括:三个骨骼点、三个骨骼点形成的三个向量及所述三个向量中两个向量之间的夹角,
对至少一个身体部位的部位动作设置一个或多个面向过程或者面向位移的识别项,每个识别项包括识别对象、识别参数及识别规则,所述识别对象包括所述三个骨骼点中的至少一个骨骼点;三个向量中的至少一个向量;以及所述三个向量中两个向量之间的一个夹角中的一项或多项,
其中,所述面向过程的识别项还包括一标准过程向量库,所述标准过程向量库按时间顺序储存有所述部位动作的至少一个向量,所述标准过程向量库中的多个向量用于与实时采集的部位动作的向量进行匹配计算以与所述识别参数设定的向量阈值进行比较;
将所述至少一个部位动作及所述至少一个部位动作的识别项作为该动作的动作文件,将该动作文件与该动作编号关联地储存在所述标准动作数据库中;
d.重复上述步骤b至步骤c,直到遍历所述多个健身视频,将多个视频文件及所述标准动作数据库组成所述动作识别库,所述动作识别库用于与实时采集的动作进行识别和匹配。
3.如权利要求1所述的建立方法,其特征在于,当获得新的健身视频时,执行步骤b,若该健身视频的视频文件中的所有动作编号都有关联的动作文件,则不对该健身视频执行步骤a。
4.如权利要求1所述的建立方法,其特征在于,面向过程的所述识别项包括轨迹识别、否定轨迹识别及保持识别;面向位移的所述识别项包括位移识别以及否定位移识别。
5.如权利要求4所述的建立方法,其特征在于,对于所述轨迹识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中始终位于所述识别参数设定的阈值范围内。
6.如权利要求4所述的建立方法,其特征在于,对于所述否定轨迹识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中始终不在所述识别参数设定的阈值范围内,并且所述识别对象所表示的部位动作在运动过程中产生轨迹和/或位移。
7.如权利要求4所述的建立方法,其特征在于,对于所述保持识别:
所述识别对象包括所述三个向量中的至少一个向量和/或所述三个向量中两个向量之间的一个夹角;
所述识别参数设定一个或多个阈值,所述阈值包括所述三个向量的向量阈值及所述夹角的夹角阈值,所述识别参数依据所述识别对象确定采用向量阈值和/或夹角阈值;以及
所述识别规则包括所述识别对象在该动作的运动过程中始终位于所述识别参数设定的阈值范围内。
8.如权利要求5至7任一项所述的建立方法,其特征在于,所述标准过程向量库按时间顺序储存有所述部位动作的至少两个向量,依据两个向量计算向量之间的夹角,
所述夹角阈值用于与实时采集的部位动作的两个向量之间的夹角α与标准过程向量库中对应时间的两个向量之间的夹角β的比值α/β比较以确定实时采集的部位动作的夹角是否位于所述夹角阈值的范围内。
9.如权利要求5至7任一项所述的建立方法,其特征在于,所述轨迹识别、所述否定轨迹识别及所述保持识别的识别参数还分别包括一起始幅度阈值及达成幅度阈值,
所述起始幅度阈值用于判断部位动作是否开始;
所述达成幅度阈值用于判断部位动作结束是否完成达成幅度。
10.如权利要求4所述的建立方法,其特征在于,对于所述位移识别:
所述识别对象包括所述三个骨骼点中的一个或多个;
所述识别参数设定位移距离、位移方向及起始幅度阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中按所述识别参数设定的位移方向移动并且移动距离大于所述识别参数设定的位移距离。
11.如权利要求4所述的建立方法,其特征在于,对于所述否定位移识别:
所述识别对象包括所述三个骨骼点中的一个或多个;
所述识别参数设定位移距离、位移方向及起始幅度阈值;以及
所述识别规则包括所述识别对象在该身体部位的运动过程中不按所述识别参数设定的位移方向移动或者移动距离大于所述识别参数设定的位移距离。
12.如权利要求1所述的建立方法,其特征在于,
左臂包括:左手腕关节点、左手肘关节点、左肩关节点、左肩关节点至左手肘关节点形成的第一向量、左手肘关节点至左手腕关节点形成的第二向量、左肩关节点至左手腕关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
右臂包括:右手腕关节点、右手肘关节点、右肩关节点、右肩关节点至右手肘关节点形成的第一向量、右手肘关节点至右手腕关节点形成的第二向量、右肩关节点至右手腕关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
躯干包括:头部中心、脖子的脊柱中心、躯干的脊柱中心、头部中心至脖子的脊柱中心形成的第一向量、脖子的脊柱中心至躯干的脊柱中心形成的第二向量、头部中心至躯干的脊柱中心形成的第三向量以及该第一向量和该第二向量形成的夹角;
左腿包括:左脚踝关节点、左膝盖关节点、左髋关节点、左髋关节点至左膝盖关节点形成的第一向量、左膝盖关节点至左脚踝关节点形成的第二向量、左髋关节点至左脚踝关节点形成的第三向量以及该第一向量和该第二向量之间的夹角;
右腿包括:右脚踝关节点、右膝盖关节点、右髋关节点、右髋关节点至右膝盖关节点形成的第一向量、右膝盖关节点至右脚踝关节点形成的第二向量、右髋关节点至右脚踝关节点形成的第三向量以及该第一向量和该第二向量之间的夹角。
13.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如权利要求1至12任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633121.3A CN109308438B (zh) | 2017-07-28 | 2017-07-28 | 动作识别库的建立方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710633121.3A CN109308438B (zh) | 2017-07-28 | 2017-07-28 | 动作识别库的建立方法、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308438A CN109308438A (zh) | 2019-02-05 |
CN109308438B true CN109308438B (zh) | 2020-11-27 |
Family
ID=65205210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710633121.3A Active CN109308438B (zh) | 2017-07-28 | 2017-07-28 | 动作识别库的建立方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308438B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022249278A1 (ja) * | 2021-05-25 | 2022-12-01 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびプログラム |
WO2022249331A1 (ja) * | 2021-05-26 | 2022-12-01 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびプログラム |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110448870B (zh) * | 2019-08-16 | 2021-09-28 | 深圳特蓝图科技有限公司 | 一种人体姿态训练方法 |
CN110575663B (zh) * | 2019-09-25 | 2021-02-09 | 郑州大学 | 一种基于人工智能的体育辅助训练方法 |
CN111028339B (zh) * | 2019-12-06 | 2024-03-29 | 国网浙江省电力有限公司培训中心 | 一种行为动作建模方法、装置、电子设备和存储介质 |
CN111754620B (zh) * | 2020-06-29 | 2024-04-26 | 武汉市东旅科技有限公司 | 人体空间运动转换方法、转换装置、电子设备及存储介质 |
CN114093021A (zh) * | 2020-08-06 | 2022-02-25 | 上海哔哩哔哩科技有限公司 | 舞蹈视频的动作提取方法、装置、计算机设备及存储介质 |
CN112967782A (zh) * | 2021-02-22 | 2021-06-15 | 厦门艾地运动科技有限公司 | 动作分析方案的配置及应用方法、装置及电子设备 |
CN113065505B (zh) * | 2021-04-15 | 2023-05-09 | 中国标准化研究院 | 身体动作快速识别方法及*** |
CN113469378B (zh) * | 2021-05-31 | 2023-11-24 | 烟台杰瑞石油服务集团股份有限公司 | 检修方法及检修设备 |
JPWO2023084780A1 (zh) * | 2021-11-15 | 2023-05-19 | ||
JPWO2023084778A1 (zh) * | 2021-11-15 | 2023-05-19 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376309A (zh) * | 2014-11-27 | 2015-02-25 | 韩慧健 | 一种基于手势识别的手势运动基元模型结构化方法 |
CN106022213A (zh) * | 2016-05-04 | 2016-10-12 | 北方工业大学 | 一种基于三维骨骼信息的人体动作识别方法 |
CN110728220A (zh) * | 2019-09-30 | 2020-01-24 | 上海大学 | 基于人体动作骨骼信息的体操辅助训练方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6044293B2 (ja) * | 2012-11-19 | 2016-12-14 | 株式会社Ihi | 3次元物体認識装置および3次元物体認識方法 |
-
2017
- 2017-07-28 CN CN201710633121.3A patent/CN109308438B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376309A (zh) * | 2014-11-27 | 2015-02-25 | 韩慧健 | 一种基于手势识别的手势运动基元模型结构化方法 |
CN106022213A (zh) * | 2016-05-04 | 2016-10-12 | 北方工业大学 | 一种基于三维骨骼信息的人体动作识别方法 |
CN110728220A (zh) * | 2019-09-30 | 2020-01-24 | 上海大学 | 基于人体动作骨骼信息的体操辅助训练方法 |
Non-Patent Citations (1)
Title |
---|
《基于Kinect 传感器骨骼信息的人体动作识别》;朱国刚 等;《计算机仿真》;20141231;第31卷(第12期);第329-333页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022249278A1 (ja) * | 2021-05-25 | 2022-12-01 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびプログラム |
WO2022249331A1 (ja) * | 2021-05-26 | 2022-12-01 | 日本電気株式会社 | 画像処理装置、画像処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN109308438A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308438B (zh) | 动作识别库的建立方法、电子设备、存储介质 | |
CN109308437B (zh) | 动作识别纠错方法、电子设备、存储介质 | |
Patrona et al. | Motion analysis: Action detection, recognition and evaluation based on motion capture data | |
Simon et al. | Hand keypoint detection in single images using multiview bootstrapping | |
CN106650687B (zh) | 一种基于深度信息和骨骼信息的姿势矫正方法 | |
CN110298220B (zh) | 动作视频直播方法、***、电子设备、存储介质 | |
CN110428486B (zh) | 虚拟互动的健身方法、电子设备及存储介质 | |
Mori et al. | Estimating human body configurations using shape context matching | |
CN110298221B (zh) | 自助健身方法、***、电子设备、存储介质 | |
Ar et al. | A computerized recognition system for the home-based physiotherapy exercises using an RGBD camera | |
US6944315B1 (en) | Method and apparatus for performing scale-invariant gesture recognition | |
US8968091B2 (en) | Scalable real-time motion recognition | |
CN111597975B (zh) | 人员动作检测方法、装置及电子设备 | |
KR102371127B1 (ko) | 골격의 길이 정보를 이용한 제스쳐 인식 방법 및 처리 시스템 | |
CN110633004A (zh) | 基于人体姿态估计的交互方法、装置和*** | |
CN110705584A (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
CN113378770A (zh) | 手势识别方法、装置、设备、存储介质以及程序产品 | |
KR102185979B1 (ko) | 동영상에 포함된 객체의 운동 유형을 결정하기 위한 방법 및 장치 | |
CN113409651A (zh) | 直播健身方法、***、电子设备、存储介质 | |
CN111353347B (zh) | 动作识别纠错方法、电子设备、存储介质 | |
CN107292295A (zh) | 手势分割方法及装置 | |
CN111353345B (zh) | 提供训练反馈的方法、装置、***、电子设备、存储介质 | |
CN111353346A (zh) | 动作识别方法、装置、***、电子设备、存储介质 | |
Keceli et al. | Recognition of basic human actions using depth information | |
Rozaliev et al. | Methods and applications for controlling the correctness of physical exercises performance |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210818 Address after: 200125 room 328, floor 3, unit 2, No. 231, Expo Village Road, pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: Shanghai shibeisi Fitness Management Co.,Ltd. Address before: 200233 room 136, building 20, tianlinfang, 130 Tianlin Road, Xuhui District, Shanghai Patentee before: SHANGHAI MYSHAPE INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |