CN112528957A - 人体运动基础信息检测方法、***及电子设备 - Google Patents
人体运动基础信息检测方法、***及电子设备 Download PDFInfo
- Publication number
- CN112528957A CN112528957A CN202011576651.7A CN202011576651A CN112528957A CN 112528957 A CN112528957 A CN 112528957A CN 202011576651 A CN202011576651 A CN 202011576651A CN 112528957 A CN112528957 A CN 112528957A
- Authority
- CN
- China
- Prior art keywords
- key point
- information
- video acquisition
- key
- human body
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 230000036544 posture Effects 0.000 claims description 7
- 210000003423 ankle Anatomy 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 210000000707 wrist Anatomy 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例中一种人体运动基础信息检测方法,所述方法包括:设置视频采集组件,采集人体运动过程中每一帧的图像;从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;将通过滤波处理的关键点信息进行融合;分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息,其中,所述视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。通过本发明所提供的方案,根据三个视频采集设备所采集的图像,然后从图像中选取关键点信息进行处理,精准获取人体关键点三维坐标信息,提供通用的人体运动基础信息,以供专业应用***使用。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于骨骼关键点的人体运动基础信息***。
背景技术
人体骨骼关键点提取是诸多人体运动状态智能评估***的基础,如体操评估、引体向上检测等。现有技术中,多基于特定的应用场景开发对应的检测算法,缺乏通用的人体运动基础***,即通过此***获得人体各关键点的三维坐标,根据需要获取某一关键点轨迹、速度、加速度,或者组合任意两个关键点,以其中一个为中心,获取另一个关键点的角速度。
专利CN110941990A公开了一种基于骨骼关键点进行人体动作评估的方法和装置,该方案基于骨骼关键点实现人体动作评估,其基于二维坐标评估,存在较大的误差,无法满足精确性评估***的需求。另有基于深度的关键点匹配算法实现单步多人绝对三维姿态的方案,该方案虽然能获取人体三维姿态坐标,但视角单一,一些关键点存在较大几率被遮挡,这种情况下很难获得被遮挡的关键点的坐标。并且,上述两种方案均未实现通用的人体运动基础信息***。
因此,需提供一种能满足精确性评估***的需求的通用人体运动基础信息检测方法。
发明内容
有鉴于此,本发明实施例提供人体运动基础信息检测方法、***及电子设备,至少部分解决现有技术中存在的问题。
第一方面、本发明实施例提供了一种人体运动基础信息检测方法,所述方法包括如下步骤:
设置视频采集组件,采集人体运动过程中每一帧的图像;
从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;
将通过滤波处理的关键点信息进行融合;
分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息,
其中,所述视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述关键点为基于人体骨骼的关键点,所述关键点被配置为用于反馈人体姿态的点。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述关键点包括人体的鼻子、脖子、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀、右膝盖、右脚踝、左臀、左膝盖、左脚踝、右眼、左眼、右耳朵和左耳朵。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述关键点滤波处理包括:
根据所采集的关键点数据是否超过预设的准确度阈值来判断所述关键点数据的可用性;
若所述关键点数据不可用,则该时刻的关键点数据与上一时刻关键点数据相同。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述准确度阈值为关键点单位时间变化的正常分布的最大值。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述融合的步骤如下:
标定摄像头像素点与实际位置的关系;
将相同关键点不同坐标的信息归属到同一个关键点,形成人体关键点的三维坐标信息。
本发明所提供的人体运动基础信息检测方法,还包括以下特征,所述关键点的运动信息包括一段时间t内点A相对于点B的角速度,分析步骤如下:
(1)首先以B点为中心点,对A点在起始时刻A1和终止时刻A2的坐标进行重计算;
(3)计算角速度ω,ω=θ/t。
第二方面,本发明实施例提供了一种人体运动基础信息检测***,包括:
视频采集模块,用于采集人体运动过程的视频;
关键点提取模块,用于在视频采集模块所采集的视频提取关键点信息;
数据处理模块,用于处理关键点提取信息所提取的关键点信息,得到关键点的运动信息。
本发明实施例所提供的人体运动基础信息检测***,还包括以下特征,所述视频采集模块包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。
第三方面,本发明实施例还提供了一种人体运动基础信息检测的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前述第一方面或第一方面的任一实现方式所述的方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述第一方面或第一方面的任一实现方式所述的方法。
有益效果
本发明所提供的人体运动基础信息检测方法,包括:设置视频采集组件,采集人体运动过程中每一帧的图像;从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;将通过滤波处理的关键点信息进行融合;分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息,其中,所述视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。通过本发明所提供的方案,根据三个视频采集设备所采集的图像,然后从图像中选取关键点信息进行处理,精准获取人体关键点三维坐标信息,提供通用的人体运动基础信息,以供专业应用***使用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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它的附图。
图1为本发明实施例提供的一种人体运动基础信息检测方法的流程示意图;
图2为本发明实施例提供的一种人体运动基础信息检测方法的视频采集组件的配置示意图;
图3为本发明实施例提供的一种人体运动基础信息检测方法中视频采集组件的Z轴图像提取关键点的示意图;
图4为本发明实施例提供的一种人体运动基础信息检测方法中视频采集组件的X轴图像提取关键点的示意图;
图5为本发明实施例提供的一种人体运动基础信息检测方法中视频采集组件的Y轴图像提取关键点的示意图;
图6为本发明实施例中分析点A相对于点B的角速度计算示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。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。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
如图1所示,本公开实施例提供了一种人体运动基础信息检测方法,包括:
S1:设置视频采集组件,采集人体运动过程中每一帧的图像;
本公开实施例提供的人体运动基础信息检测方法,可应用于对人体运动状态的智能评估,如体操评估、引体向上检测等场合。
如图2所示,视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置,每个视频采集设备获取分别同一个关键点的X、Y、Z坐标信息,视频采集组件从三个方向采集坐标系中不同坐标轴所对应的每一帧图像,可直接发送给处理器进行后续的分析处理操作,也可以将采集到的图像存储到预设的存储空间,在需要分析被检测人员的特定时刻时,可以从存储空间中获取对应的视频进行分析处理。视频采集设备可以为摄像头。
S2:从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;
本公开实施例中,基于openpose等深度学习算法提取的关键点精度与通过学习生成的模型相关,而其训练过程中只考虑了单个图像的信息,并没有视频中连续图像暗含的时间关联性,因此每一帧图像获取的关键点信息可能会出现较大的跳跃性,这种跳跃性采用滤波方法加以纠正。进行滤波处理可以进一步提升关键点的精度。
利用预设算法,例如,可以利用人体姿态识别项目(Open Pose)从采集的全部所述目标人员执行预设体育项目时的所述图像内提取出所述目标人员的特征图,然后将特征图分成两个支路,分别使用卷积神经网络提取置信图(Part Confidence Maps)和部分关联场图(Part Affinity Fields,简称PAF);得到这两个信息后,我们使用图论中的偶匹配(Bipartite Matching)求出部分相联点(Part Association),将所述目标人员的关节点连接起来,由于PAF自身的矢量性,使得生成的偶匹配很正确,最终合并为所述目标人体关键点信息集合,当然,也可以采用其他算法计算所述目标人体关键点信息集合。
通过实验获取关键点在单位时间(如每一帧时间间隔)变化的正常分布,以此分布的最大值作为上限值,在检测某一关键点的位置时,首先获取其与上一时刻位置的变化值,若此值超过上限值,则认为是异常值,关键点的位置将保持不变。
S3:将通过滤波处理的关键点信息进行融合;
本公开实施例中,融合将每个视频采集设备获取的关键点进行融合,精确形成人体关键点的三维坐标。融合算法基本原理是:首先标定每个视频采集设备采集的图像像素点与实际位置的关系,每个视频采集设备可以标定两个维度的信息,比如X轴视频采集设备,可以标定一个像素点的Y/Z坐标信息;而后根据每个视频采集设备获取的相同关键点不同坐标信息归属到同一个关键点,从而形成人体关键点的三维坐标信息。
例如,如图3-5所示,分别为Z、X、Y轴图像提取的关键点,对于关键点A,分别可计算其(X1,Y1)/(Z1,Y2)/(X2,Z2)坐标值,可以看到每个维度获得了两个坐标值,取其平均值作为融合后的坐标值,即
X=(X1+X2)/2;
Y=(Y1+Y2)/2;
Z=(Z1+Z2)/2。
S4:分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息,
本发明实施例提供一个人体运动基础信息交换接口,根据使用者的需要分析相应关键点的轨迹、速度、加速度、某一点相对于另一点的角速度等信息。
例如,如图6所示,求一段时间t内点A相对于点B的角速度,基本步骤为:
(1)首先以B点为中心点,对A点在起始时刻A1和终止时刻A2的坐标进行重计算;
(3)计算角速度ω,ω=θ/t。
在上述实施例的基础上,所述关键点为基于人体骨骼的关键点,所述关键点被配置为用于反馈人体姿态的点。所述关键点包括人体的鼻子、脖子、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀、右膝盖、右脚踝、左臀、左膝盖、左脚踝、右眼、左眼、右耳朵和左耳朵。
将人体的主要活动关节设置为关键点来对人体的姿态及动作进行评估,评估方法简单、效率高且准确度高。而且在不同用户不同需求下,可以选择不同的关键点来做运动评估的对比,得到人体的运动轨迹来评估人体的运动,例如待测人员的体育项目是否合格、待测人员的康复训练是否达标等结论。
在上述实施例的基础上,所述关键点滤波处理包括:根据所采集的关键点数据是否超过预设的准确度阈值来判断所述关键点数据的可用性;若所述关键点数据不可用,则该时刻的关键点数据与上一时刻关键点数据相同。
在上述实施例的基础上,所述准确度阈值为关键点单位时间变化的正常分布的最大值。
在上述实施例的基础上,所述融合的步骤如下:标定摄像头像素点与实际位置的关系;将相同关键点不同坐标的信息归属到同一个关键点,形成人体关键点的三维坐标信息。
与上述的方法实施例相对应,本发明实施例还提供了一种人体运动基础信息检测***,包括:
视频采集模块,用于采集人体运动过程的视频;视频采集模块包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置;
关键点提取模块,用于在视频采集模块所采集的视频提取关键点信息;
数据处理模块,用于处理关键点提取信息所提取的关键点信息,得到关键点的运动信息。
上述实施例所述装置可以对应的执行上述方法如下:
S1:设置视频采集组件,采集人体运动过程中每一帧的图像;
视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置,每个视频采集设备获取分别同一个关键点的X、Y、Z坐标信息,视频采集组件从三个方向采集坐标系中不同坐标轴所对应的每一帧图像,可直接发送给处理器进行后续的分析处理操作,也可以将采集到的图像存储到预设的存储空间,在需要分析被检测人员的特定时刻时,可以从存储空间中获取对应的视频进行分析处理。
S2:从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;
S3:将通过滤波处理的关键点信息进行融合;
融合将每个视频采集设备获取的关键点进行融合,精确形成人体关键点的三维坐标。融合算法基本原理是:首先标定每个视频采集设备采集的图像像素点与实际位置的关系,每个视频采集设备可以标定两个维度的信息,比如X轴视频采集设备,可以标定一个像素点的Y/Z坐标信息;而后根据每个视频采集设备获取的相同关键点不同坐标信息归属到同一个关键点,从而形成人体关键点的三维坐标信息。
S4:分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息
本发明实施例还提供了一种人体运动基础信息检测的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行,使得所述至少一个处理器能够执行前述方法实施例中的人体运动基础信息检测方法。
电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下装置可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然上述实施例中描述了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时前述方法实施例中的人体运动基础信息检测方法。
本公开实施例还提供了一种计算机程序产品,该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,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的人体运动基础信息检测方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机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。而在本公开中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,该模块、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,两个接连地表示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操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的***而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”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。
Claims (10)
1.一种人体运动基础信息检测方法,其特征在于,所述方法包括:
设置视频采集组件,采集人体运动过程中每一帧的图像;
从每一帧的图像中提取人体关键点信息,并对所采集的关键点信息进行滤波处理;
将通过滤波处理的关键点信息进行融合;
分析一段时间内人体运动的关键点信息,得到关键点所对应的运动信息,
其中,所述视频采集组件包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。
2.根据权利要求1所述的人体运动基础信息检测方法,其特征在于,所述关键点为基于人体骨骼的关键点,所述关键点被配置为用于反馈人体姿态的点。
3.根据权利要求2所述的人体运动基础信息检测方法,其特征在于,所述关键点包括人体的鼻子、脖子、右肩、右肘、右手腕、左肩、左肘、左手腕、右臀、右膝盖、右脚踝、左臀、左膝盖、左脚踝、右眼、左眼、右耳朵和左耳朵。
4.根据权利要求1所述的人体运动基础信息检测方法,其特征在于,所述关键点滤波处理包括:
根据所采集的关键点数据是否超过预设的准确度阈值来判断所述关键点数据的可用性;
若所述关键点数据不可用,则该时刻的关键点数据与上一时刻关键点数据相同。
5.根据权利要求4所述的人体运动基础信息检测方法,其特征在于,所述准确度阈值为关键点单位时间变化的正常分布的最大值。
6.根据权利要求1所述的人体运动基础信息检测方法,其特征在于,所述融合的步骤如下:
标定摄像头像素点与实际位置的关系;
将相同关键点不同坐标的信息归属到同一个关键点,形成人体关键点的三维坐标信息。
7.一种人体运动基础信息检测***,其特征在于,包括:
视频采集模块,用于采集人体运动过程的视频;
关键点提取模块,用于在视频采集模块所采集的视频提取关键点信息;
数据处理模块,用于处理关键点提取信息所提取的关键点信息,得到关键点的运动信息。
8.根据权利要求7所述的人体运动基础信息检测***,其特征在于,所述视频采集模块包括设置在同一个三维坐标系中不同坐标轴上的三个视频采集设备,所述三个视频采集设备均朝向坐标轴原点设置。
9.一种人体运动基础信息检测的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
10.一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,所述程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576651.7A CN112528957A (zh) | 2020-12-28 | 2020-12-28 | 人体运动基础信息检测方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576651.7A CN112528957A (zh) | 2020-12-28 | 2020-12-28 | 人体运动基础信息检测方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528957A true CN112528957A (zh) | 2021-03-19 |
Family
ID=74976725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011576651.7A Pending CN112528957A (zh) | 2020-12-28 | 2020-12-28 | 人体运动基础信息检测方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528957A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113229807A (zh) * | 2021-05-17 | 2021-08-10 | 四川大学华西医院 | 人体康复评估装置、方法、电子设备及存储介质 |
CN113255624A (zh) * | 2021-07-14 | 2021-08-13 | 北京壹体科技有限公司 | 一种智能识别引体向上动作姿态完成状况的***和方法 |
CN113469113A (zh) * | 2021-07-19 | 2021-10-01 | 浙江大华技术股份有限公司 | 动作计数方法、装置、电子设备和存储介质 |
CN113850248A (zh) * | 2021-12-01 | 2021-12-28 | 中科海微(北京)科技有限公司 | 运动姿态评估方法、装置、边缘计算服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3531342A2 (en) * | 2018-07-04 | 2019-08-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus and system for human body tracking processing |
CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、***及介质 |
CN111914598A (zh) * | 2019-05-09 | 2020-11-10 | 北京四维图新科技股份有限公司 | 连续帧人脸关键点检测方法、装置、设备及存储介质 |
CN111951326A (zh) * | 2019-05-15 | 2020-11-17 | 北京地平线机器人技术研发有限公司 | 基于多摄像装置的目标对象骨骼关键点定位方法和装置 |
-
2020
- 2020-12-28 CN CN202011576651.7A patent/CN112528957A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3531342A2 (en) * | 2018-07-04 | 2019-08-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus and system for human body tracking processing |
CN111914598A (zh) * | 2019-05-09 | 2020-11-10 | 北京四维图新科技股份有限公司 | 连续帧人脸关键点检测方法、装置、设备及存储介质 |
CN111951326A (zh) * | 2019-05-15 | 2020-11-17 | 北京地平线机器人技术研发有限公司 | 基于多摄像装置的目标对象骨骼关键点定位方法和装置 |
CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、***及介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113229807A (zh) * | 2021-05-17 | 2021-08-10 | 四川大学华西医院 | 人体康复评估装置、方法、电子设备及存储介质 |
CN113255624A (zh) * | 2021-07-14 | 2021-08-13 | 北京壹体科技有限公司 | 一种智能识别引体向上动作姿态完成状况的***和方法 |
CN113255624B (zh) * | 2021-07-14 | 2021-09-21 | 北京壹体科技有限公司 | 一种智能识别引体向上动作姿态完成状况的***和方法 |
CN113469113A (zh) * | 2021-07-19 | 2021-10-01 | 浙江大华技术股份有限公司 | 动作计数方法、装置、电子设备和存储介质 |
CN113850248A (zh) * | 2021-12-01 | 2021-12-28 | 中科海微(北京)科技有限公司 | 运动姿态评估方法、装置、边缘计算服务器及存储介质 |
CN113850248B (zh) * | 2021-12-01 | 2022-02-22 | 中科海微(北京)科技有限公司 | 运动姿态评估方法、装置、边缘计算服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528957A (zh) | 人体运动基础信息检测方法、***及电子设备 | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
CN108615248B (zh) | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 | |
WO2019196581A1 (zh) | 人体姿态预测方法、装置、设备及存储介质 | |
Rambach et al. | Learning to fuse: A deep learning approach to visual-inertial camera pose estimation | |
CN110866977B (zh) | 增强现实处理方法及装置、***、存储介质和电子设备 | |
CN106027952B (zh) | 摄像机***相对于车辆的自动方向估算 | |
CN111815754A (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN108509890B (zh) | 用于提取信息的方法和装置 | |
CN111597975B (zh) | 人员动作检测方法、装置及电子设备 | |
CN108153421B (zh) | 体感交互方法、装置及计算机可读存储介质 | |
CN111949112A (zh) | 对象交互方法及装置、***、计算机可读介质和电子设备 | |
Yahya et al. | Accurate shoulder joint angle estimation using single RGB camera for rehabilitation | |
Silva et al. | Sensor data fusion for full arm tracking using myo armband and leap motion | |
Hsu et al. | Random drift modeling and compensation for mems-based gyroscopes and its application in handwriting trajectory reconstruction | |
US11009963B2 (en) | Sign language inputs to a vehicle user interface | |
Hajjej et al. | Deep human motion detection and multi-features analysis for smart healthcare learning tools | |
CN112602100B (zh) | 动作分析装置、动作分析方法、存储介质及动作分析*** | |
CN112818898A (zh) | 模型训练方法、装置和电子设备 | |
Kondori et al. | Direct hand pose estimation for immersive gestural interaction | |
CN111382701A (zh) | 动作捕捉方法、装置、电子设备及计算机可读存储介质 | |
CN203630717U (zh) | 基于轻型惯导传感输入设备的交互*** | |
Pellatt et al. | Mapping vicon motion tracking to 6-Axis IMU data for wearable activity recognition | |
US20230054973A1 (en) | Information processing apparatus, information processing method, and information processing program | |
Li | Badminton motion capture with visual image detection of picking robotics |
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 |