CN109635925A

CN109635925A - 一种运动员辅助训练数据获取方法、装置及电子设备

Info

Publication number: CN109635925A
Application number: CN201811458051.3A
Authority: CN
Inventors: 宋扬; 苏睿聪; 陈星�; 白璐
Original assignee: Beijing Shougang Automation Information Technology Co Ltd
Current assignee: Beijing Shougang Automation Information Technology Co Ltd
Priority date: 2018-11-30
Filing date: 2018-11-30
Publication date: 2019-04-16

Abstract

本发明公开了一种运动员辅助训练数据获取方法、装置及电子设备，所述方法包括：获取运动员的运动图像，通过卷积神经网络从运动图像中提取运动员的骨架矩阵，根据骨架矩阵构建出运动员的三维人体模型，从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据，根据三维人体模型和标准人体运动数据，获得运动员的辅助训练数据。解决了现有技术中存在的不能快速地获得、准确、有效的运动员的运动信息的技术问题，达到了可以快速地获得、准确、有效的运动员的运动信息的技术效果。

Description

一种运动员辅助训练数据获取方法、装置及电子设备

技术领域

本发明涉及信息技术领域，具体涉及一种运动员辅助训练数据获取方法、装置及电子设备。

背景技术

随着计算机技术的发展以及机器学习技术的兴起，运动识别技术也呈现井喷式的发展，运动识别技术在辅助训练领域有很大的应用价值，例如应用于体育运动、舞蹈等领域。

在传统的训练中单凭教练员的肉眼和经验对运动员的训练动作进行评估，不能快速地获得、准确、有效的运动员的运动信息，从而不能快速、准确、有效地对运动员的训练动作进行评估。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的运动员辅助训练数据获取方法、装置及电子设备。

第一方面，本发明实施例提供了一种运动员辅助训练数据获取方法，包括：

获取运动员的运动图像；

通过卷积神经网络从所述运动图像中提取所述运动员的骨架矩阵；

根据所述骨架矩阵构建出所述运动员的三维人体模型；

从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据；

根据所述三维人体模型和所述标准人体运动数据，获得所述运动员的辅助训练数据。

可选的，所述卷积神经网络的建立方法，包括：

建立包括10个卷积层的第一卷积池化层，其中，所述10个卷积层包括4个9*9卷积层、3个2*池化层、1个5*5卷积层和2个1*1卷积层，其中，所述10个卷积层依照所述9*9卷积层、所述2*池化层、所述9*9卷积层、所述2*池化层、所述9*9卷积层、所述2*池化层、所述5*5卷积层、所述9*9卷积层、所述1*1卷积层和所述1*1卷积层的次序连接；

建立包括12个卷积层的第二卷积池化层，其中，所述12个卷积层包括4个9*9卷积层、3个2*池化层、1个5*5卷积层、3个11*11卷积层和2个1卷积层，其中，所述12个卷积层依照所述9*9卷积层、所述2*池化层、所述9*9卷积层、所述2*池化层、所述9*9卷积层、所述2*池化层、所述5*5卷积层、所述9*9卷积层、所述11*11卷积层、所述11*11卷积层、所述11*11卷积层、所述1*1卷积层和所述1*1卷积层的次序连接；

将所述第一卷积池化层和所述第二卷积池化层连接，获得卷积神经网络框架；

获取运动图像训练样本；

基于所述运动图像训练样本对所述卷积神经网络框架进行训练，获得所述卷积神经网络。

可选的，所述基于所述运动图像训练样本对所述卷积神经网络框架进行训练，获得所述卷积神经网络，包括：

将所述运动图像训练样本输入所述第一卷积池化层中，获得第一输出数据；

将测试图像数据和所述第一输出数据输入所述第二卷积池化层中，获得第二输出数据；

判断所述第二输出数据是否满足输出条件；

若是，以所述第二输出数据作为所述卷积神经网络的输出结果。

可选的，所述数据库的建立方法，包括：

获取人体运动三维模型数据集，其中，所述人体运动三维模型包括多个所述标准人体运动数据；

基于机器学习的方法，对多个所述标准人体运动数据进行聚类，获得M个类别的标准人体运动数据；

对所述M个类别的标准人体运动数据进行标记，每个类别的标准人体运动数据对应一个标签；

根据标记后的所述M个类别的标准人体运动数据构建所述数据库。

可选的，所述从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据，包括：

获取所述三维人体模型的运动标签；

根据所述运动标签，从所述数据库中获取与所述运动标签匹配的标准人体运动数据的标签，以所述标签对应的标准人体运动数据作为所述三维人体模型对应的标准人体运动数据。

可选的，所述三维人体模型包括三维模型运动数据，所述根据所述三维人体模型和所述标准人体运动数据，获得所述运动员的辅助训练数据，包括：

将所述三维模型运动数据和所述标准人体运动数据进行空间数据校准，获得校准后的所述三维人体模型运动数据和所述标准人体运动数据；

获得校准后的所述三维人体模型运动数据和所述标准人体运动数据之间的匹配度，获得所述运动员的辅助训练数据。

可选的，所述标准人体运动数据包括标准人体三维模型的每个关节点的标准运动数据；

所述获得校准后的所述三维人体模型运动数据和所述标准人体运动数据之间的匹配度，获得所述运动员的辅助训练数据，包括：

获取所述三维人体模型运动数据中的所述三维人体模型的每个关节点的运动数据；

获取所述三维人体模型的每个关节点的运动数据与所述标准人体三维模型的每个关节点的标准运动数据之间的相似度，以所述相似度作为所述运动员的辅助训练数据。

第二方面，本发明实施例提供了一种运动员辅助训练数据获取装置，包括：

第一获取模块，用于获取运动员的运动图像；

提取模块，用于通过卷积神经网络从所述运动图像中提取所述运动员的骨架矩阵；

建模模块，用于根据所述骨架矩阵构建出所述运动员的三维人体模型；

第二获取模块，用于从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据；

获得模块，用于根据所述三维人体模型和所述标准人体运动数据，获得所述运动员的辅助训练数据。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

第四方面，本发明实施例提供了一种电子设备，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上述任一项所述方法的步骤。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

本发明实施例提供了一种运动员辅助训练数据获取方法、装置及电子设备，所述方法包括：获取运动员的运动图像，通过卷积神经网络从运动图像中提取运动员的骨架矩阵，根据骨架矩阵构建出运动员的三维人体模型，从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据，根据三维人体模型和标准人体运动数据，获得运动员的辅助训练数据。通过卷积神经网络从运动图像中提取运动员的骨架矩阵可以获得准确的运动员的骨架矩阵，根据该骨架矩阵可以快速构建出精准的运动员的三维人体模型，从预先建立的数据库中获取与三维人体模型对应的标准人体运动数据，根据三维人体模型和标准人体运动数据可以快速获得准确的运动员的辅助训练数据，该辅助训练数据可以有效地辅助教练员训练运动员。解决了现有技术中存在的不能快速地获得、准确、有效的运动员的运动信息的技术问题，达到了可以快速地获得、准确、有效的运动员的运动信息的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

图1示出了本发明实施例提供的一种运动员辅助训练数据获取方法流程图；

图2示出了本发明实施例提供的一种卷积神经网络的建立方法的流程图。

图3示出了本发明实施例提供的第一卷积池化层的结构示意图。

图4示出了本发明实施例提供的第二卷积池化层的结构示意图。

图5示出了了本发明实施例提供的一种运动员辅助训练数据获取装置200的方框结构示意图。

图6示出了了本发明实施例提供的一种电子设备的方框结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了本发明实施例提供了一种运动员辅助训练数据获取方法、装置及电子设备，用以解决现有技术中不能快速地获得、准确、有效的运动员的运动信息的技术问题。

作为一种可选的实施例，本发明提供的一种运动员辅助训练数据获取方法，包括如图1所述的步骤S100～步骤S300，以下结合图1对步骤S100～步骤S300进行阐述。

步骤S100：获取运动员的运动图像。

在本发明实施例中，运动员的运动图像可以是由运动员的运动视频拆帧获得。具体的实施方式是：获取运动员的运动视频，将运动视频进行拆帧，获得运动图像。将运动视频进行拆帧后，获得多帧运动图像。

步骤S200：通过卷积神经网络从运动图像中提取运动员的骨架矩阵。

步骤S200中，运动员的骨架矩阵包括运动员的关节点，运动员的关节点至少包括头、颈部、左肩、右肩、左手肘、右手肘、左手腕、右手腕、左手掌、右手掌、髋、左胯、右胯、左膝关节、右膝关节、左踝关节、右踝关节、左脚掌和右脚掌这些关节点。请参阅图2，2示出了卷积神经网络的建立方法的流程图，卷积神经网络的建立方法包括步骤S210～步骤S250。

步骤S210：建立包括10个卷积层的第一卷积池化层，其中，10个卷积层包括4个9*9卷积层、3个2*池化层、1个5*5卷积层和2个1*1卷积层，其中，10个卷积层依照9*9卷积层、2*池化层、9*9卷积层、2*池化层、9*9卷积层、2*池化层、5*5卷积层、9*9卷积层、1*1卷积层和1*1卷积层的次序连接。具体的，如图3所示第一卷积池化层的结构示意图。

步骤S220：建立包括12个卷积层的第二卷积池化层，其中，12个卷积层包括4个9*9卷积层、3个2*池化层、1个5*5卷积层、3个11*11卷积层和2个1卷积层，其中，12个卷积层依照9*9卷积层、2*池化层、9*9卷积层、2*池化层、9*9卷积层、2*池化层、5*5卷积层、9*9卷积层、11*11卷积层、11*11卷积层、11*11卷积层、1*1卷积层和1*1卷积层的次序连接。具体的，如图4所示第二卷积池化层的结构示意图。

步骤S230：将第一卷积池化层和第二卷积池化层连接，获得卷积神经网络框架。

步骤S240：获取运动图像训练样本。

在本发明实施例中，运动图像训练样本包括多帧标注了运动员的关节点的图像。

步骤S250：基于运动图像训练样本对卷积神经网络框架进行训练，获得卷积神经网络。

作为一种可选的实施方式，步骤S250具体是：将运动图像训练样本输入第一卷积池化层中，获得第一输出数据；将测试图像数据和第一输出数据输入第二卷积池化层中，获得第二输出数据；判断第二输出数据是否满足输出条件；若是，以第二输出数据作为卷积神经网络的输出结果。其中，测试图像数据是包括运动员的关节点的图像数据。将运动图像输入卷积神经网络中，卷积神经网络则输出运动图像中的运动员的骨架矩阵。

作为一种可选的实施方式，输出的骨架矩阵为一个N×84的矩阵，其中N行表示视频或图片中的人数，N是正整数，骨架矩阵中每行长度为84的子矩阵格式为[x₁，y₁，z₁，c₁，……，x₂₁，y₂₁，z₂₁，c₂₁]，其中{x_n，y_n，z_n，c_n，n＝1，2，……，21}可以视为1组数据，x_n表示第n点的x轴坐标，y_n表示第n点的y轴坐标，z_n表示第n点的z轴坐标，c_n表示第n点在空间坐标的置信度，共21组。由这21组数据组成一个三维人体骨架。可以理解为，每组数据分别表征一个人体关节点，骨架矩阵包括21组人体关节点数据。其中，置信度c_n用于计算用于判断第二输出数据是否满足输出条件的判别函数具体的计算方式如公式(1)所示：

其中，其中p_i表示第i组数据的权重，c_i表示第i组数据的置信度，即c_i表示第i点的置信度，表示加权平均置信度，c_min表示设定的最低可接受置信度。

步骤S300：根据骨架矩阵构建出运动员的三维人体模型。

步骤S400：从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据。

作为一种可选的实施方式，数据库的建立方法具体为：获取人体运动三维模型数据集，其中，人体运动三维模型包括多个标准人体运动数据；基于机器学习的方法，对多个标准人体运动数据进行聚类，获得M个类别的标准人体运动数据；对M个类别的标准人体运动数据进行标签，每个类别的标准人体运动数据对应一个标签；将标识后的M个类别的标准人体运动数据构建数据库。

作为一种可选的实施方式，可以通过K均值算法(K-Means)、均值偏移算法等聚类算法对多个标准人体运动数据进行聚类。在获得M个类别的标准人体运动数据后，还对每个类别的标准人体运动数据进行标签。

作为一种可选的实施方式，步骤S400的具体为：获取所述三维人体模型的运动标签；根据运动标签，从数据库中获取与运动标签匹配的标准人体运动数据的标签，以标签对应的标准人体运动数据作为三维人体模型对应的标准人体运动数据。其中，运动标签用于表征运动类型。

步骤S500：根据三维人体模型和标准人体运动数据，获得运动员的辅助训练数据。

作为一种可选的实施方式，步骤S500的具体为：将三维模型运动数据和标准人体运动数据进行空间数据校准，获得校准后的三维人体模型运动数据和标准人体运动数据；获得校准后的三维人体模型运动数据和标准人体运动数据之间的匹配度，获得运动员的辅助训练数据。其中，标准人体运动数据包括标准人体三维模型的每个关节点的标准运动数据。获得校准后的所述三维人体模型运动数据和所述标准人体运动数据之间的匹配度，获得所述运动员的辅助训练数据，具体是：获取三维人体模型运动数据中的三维人体模型的每个关节点的运动数据；获取三维人体模型的每个关节点的运动数据与标准人体三维模型的每个关节点的标准运动数据之间的相似度，以相似度作为运动员的辅助训练数据。

作为一种可选的实施方式，三维人体模型的每个关节点的运动数据与标准人体三维模型的每个关节点的标准运动数据之间的相似度的获取方式为：获取三维人体模型的每个关节点标准人体三维模型的每个关节点的相似度向量，以相似度向量的长度表征三维人体模型的每个关节点的运动数据与标准人体三维模型的每个关节点的标准运动数据之间的相似度。其中，获取三维人体模型的每个关节点标准人体三维模型的每个关节点的相似度向量通过公式(2)获得：

其中，

Z＝[Z¹,Z²,…,Z²¹]，Z‘＝[Z′¹,Z′²,…,Z′²¹]，表示t时刻标准库中经过空间位置校准的骨架第j个点的向量，表示经过空间位置校准后实际视频骨架第j个点的向量，a表示位移权重，值大小根据动作属性变化，b表示旋转权重，值大小根据动作属性变化，i表示虚数，表示t时刻的骨架第j个点的相似度向量，Z^j表示T时间长度内的骨架第j个点的相似度向量长度的矩阵，Z‘^j表示表示T时间长度内的骨架第j个点的相似度向量矩阵，Z表示T时间长度内的整体相似度向量长度的矩阵，Z‘表示表示T时间长度内的整体相似度向量矩阵。

作为一种可选的实施方式，对关节点的向量进行空间位置校准的具体方式如公式(3)所示：

其中，表示该骨架的中心向量即平均向量，R_z(θ)、R_y(θ)、R_x(θ)分别表示对z、y、x轴的旋转矩阵，θ为旋转角。旋转角θ以及在z轴的旋转矩阵R_z(θ)、在y轴的旋转矩阵R_y(θ)和在x轴的旋转矩阵R_x(θ)的计算方式分别如公式(4)、公式(5)、公式(6)和公式(7)所示：

相似度向量是由实部的位移相似度和虚部的旋转相似度组成。相似度向量长度即表示经过权重调整后，向量的欧式距离即综合位移和旋转相似度的相似度。

作为一种可选的实施方式，通过相似度向量长度的矩阵Z辅助教练对滑冰运动员进行动作纠正。

通过采用以上方案，本发明实施例提供了一种运动员辅助训练数据获取方法、所述方法包括：获取运动员的运动图像，通过卷积神经网络从运动图像中提取运动员的骨架矩阵，根据骨架矩阵构建出运动员的三维人体模型，从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据，根据三维人体模型和标准人体运动数据，获得运动员的辅助训练数据。通过卷积神经网络从运动图像中提取运动员的骨架矩阵可以获得准确的运动员的骨架矩阵，根据该骨架矩阵可以快速构建出精准的运动员的三维人体模型，从预先建立的数据库中获取与三维人体模型对应的标准人体运动数据，根据三维人体模型和标准人体运动数据可以快速获得准确的运动员的辅助训练数据，该辅助训练数据可以有效地辅助教练员训练运动员。解决了现有技术中存在的不能快速地获得、准确、有效的运动员的运动信息的技术问题，达到了可以快速地获得、准确、有效的运动员的运动信息的技术效果。

针对上述实施例提供一种运动员辅助训练数据获取方法，本申请实施例还对应提供一种运动员辅助训练数据获取装置200。请参考图5，该装置包括：

第一获取模块210，用于获取运动员的运动图像；

提取模块220，用于通过卷积神经网络从所述运动图像中提取所述运动员的骨架矩阵；

建模模块230，用于根据所述骨架矩阵构建出所述运动员的三维人体模型；

第二获取模块240，用于从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据；

获得模块250，用于根据所述三维人体模型和所述标准人体运动数据，获得所述运动员的辅助训练数据。

作为一种可选的实施方式，运动员辅助训练数据获取装置200还包括第一建立模块，第一建立模块用于建立卷积神经网络，具体用于：

将所述第一卷积池化层和所述第二卷积池化层依次连接，获得卷积神经网络框架；

获取运动图像训练样本；

作为一种可选的实施方式，第一建立模块还用于：

判断所述第二输出数据是否满足输出条件；

作为一种可选的实施方式，运动员辅助训练数据获取装置200还包括第二建立模块，第二建立模块用于建立数据库，具体用于：

对所述M个类别的标准人体运动数据进行标签，每个类别的标准人体运动数据对应一个标签；

将标识后的所述M个类别的标准人体运动数据构建所述数据库。

作为一种可选的实施方式，第二获取模块240，具体用于：

获取所述三维人体模型的运动标签；

作为一种可选的实施方式，所述三维人体模型包括三维模型运动数据，获得模块250具体用于：

作为一种可选的实施方式，所述标准人体运动数据包括标准人体三维模型的每个关节点的标准运动数据，获得模块250还用于：

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例还提供了一种电子设备，如图6所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述运动员辅助训练数据获取方法的任一方法的步骤。

其中，在图6中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

本发明实施例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，该程序被处理器执行时实现前文所述运动员辅助训练数据获取方法的任一方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims

1.一种运动员辅助训练数据获取方法，其特征在于，包括：

获取运动员的运动图像；

根据所述骨架矩阵构建出所述运动员的三维人体模型；

2.如权利要求1所述的方法，其特征在于，所述卷积神经网络的建立方法，包括：

获取运动图像训练样本；

3.如权利要求2所述的方法，其特征在于，所述基于所述运动图像训练样本对所述卷积神经网络框架进行训练，获得所述卷积神经网络，包括：

判断所述第二输出数据是否满足输出条件；

4.如权利要求1所述的方法，其特征在于，所述数据库的建立方法，包括：

5.如权利要求1所述的方法，其特征在于，所述从预先建立的数据库中获取与所述三维人体模型对应的标准人体运动数据，包括：

获取所述三维人体模型的运动标签；

6.如权利要求1所述的方法，其特征在于，所述三维人体模型包括三维模型运动数据，所述根据所述三维人体模型和所述标准人体运动数据，获得所述运动员的辅助训练数据，包括：

7.如权利要求6所述的方法，其特征在于，所述标准人体运动数据包括标准人体三维模型的每个关节点的标准运动数据；

8.一种运动员辅助训练数据获取装置，其特征在于，包括：

第一获取模块，用于获取运动员的运动图像；

9.一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，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。

10.一种电子设备，其特征在于，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权利要求1-7任一项所述方法的步骤。