CN113627409A - 一种健身动作识别监控方法及*** - Google Patents
一种健身动作识别监控方法及*** Download PDFInfo
- Publication number
- CN113627409A CN113627409A CN202111194478.9A CN202111194478A CN113627409A CN 113627409 A CN113627409 A CN 113627409A CN 202111194478 A CN202111194478 A CN 202111194478A CN 113627409 A CN113627409 A CN 113627409A
- Authority
- CN
- China
- Prior art keywords
- action
- building
- image
- key points
- freedom
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种健身动作识别监控方法及***,包括步骤:S1、标准动作图像库构建,通过教练员的健身动作,构建所有健身动作的标准图像库;S2、学员体型评估,通过实时学员的正视图像和侧视图像分析部分动作影响度;S3、标准动作图像库修正,通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子。本发明基于本申请所述学员体型评估模块,能够得到学员的体型差异和动作影响度之间的关系,相较于现有技术有益效果在于考虑了学员健身初期,由于体型的不同造成健身动作的动作差异大小。
Description
技术领域
本发明涉及健身技术领域,尤其涉及一种健身动作识别监控方法及***。
背景技术
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***,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。
针对上述问题,本发明提出了一种健身动作识别监控方法及***。通过不同体型,不同部位的差异,完成对标准动作的差异度修正,获取学员不同体型,不同部位的差异,得到对动作的影响度和变形幅度,并结合重心点的位置变化实现对标准动作的修正,提高监控***的韧性和准确率。
发明内容
本发明的目的是为了解决现有技术中的问题,而提出的一种健身动作识别监控方法及***。
为了实现上述目的,本发明采用了如下技术方案:一种健身动作识别监控方法,包括以下步骤:
S1、标准动作图像库构建,通过教练员的健身动作,构建所有健身动作的标准图像库;
S2、学员体型评估,通过实时学员的正视图像和侧视图像分析部分动作影响度;
S3、标准动作图像库修正,通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子。
一种健身动作识别监控***,包括:第一模块、第二模块和第三模块,其中,
第一模块,用于标准动作图像库构建,通过教练员的健身动作,构建所有健身动作的标准图像库;
第二模块,用于学员体型评估,通过实时学员的正视图像和侧视图像分析部分动作影响度;
第三模块,用于标准动作图像库修正,通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子。。
与现有的技术相比,本发明的优点在于:
1、基于本申请所述学员体型评估模块,能够得到学员的体型差异和动作影响度之间的关系,相较于现有技术有益效果在于考虑了学员健身初期,由于体型的不同造成健身动作的动作差异大小。
2、基于本申请所述标准动作图像库修正模块,能够通过学员体型对动作造成的动作影响程度,对不同体型学员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***的识别精度和判断柔软度,使识别监控***能够更加动态化、合理化。
附图说明
图1为本发明提出的一种健身动作识别监控方法及***的结构示意图。
具体实施方式
以下实施例仅处于说明性目的,而不是想要限制本发明的范围。
实施例一:
本发明的主要目的是实现:健身动作识别监控,对健身房内学员动作进行识别,并对动作标准程度进行监控。
为了实现本发明所述内容,本发明设计了一种健身动作识别监控方法及***。
本发明所针对的具体场景为:通过在健身房墙壁设置多个摄像头,摄像头采用斜俯视视角拍摄,采集各学员进行健身锻炼过程中所有健身动作视频,将健身动作视频逐帧分解,得到每个健身动作步骤对应下的所有学员健身动作,多个摄像头应该能够获取健身学员的正面、侧面图像。图像采集场景内,灯光稳定,摄像头设置固定不变。[明确的应用场景,相关的先验布置]
模块一:标准动作图像库构建模块
该步骤的目的:通过教练员的健身动作,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。
通过健身房多个摄像头,采集教练员的一套健身动作视频,默认教练员都为标准身材,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教练员的身体关键点,身体关键点应包括头部、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教练员的所有身体关键点,然后,将每个动作对应的身体关键点进行标记,识别在动作完成周期内(连续帧的总数代表一个周期),每个动作对应的身体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身体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。
然后获取开合跳动作中不同的关键点对应自由度的运动范围,获取方法为:
以关键点为端点,以各自由度上最大运动距离(欧式距离)为轴长作椭圆,得到表征关键点的运动轨迹和运动幅度的椭圆运动模型。
获取标准动作下,两个自由度关键点的椭圆运动模型,以关键点为标签,记录各个椭圆数据。根据椭圆运动模型获取椭圆参数:a,b,其中,a表示椭圆的长轴长,b表示椭圆的短轴长。为了方便分析,当某些动作为三个自由度运动时,只研究运动幅度较大的两个自由度的运动距离,构成椭圆运动模型。
以俯身摸脚尖动作中双手为例说明关键点椭圆运动模型:动作初始左手位置位于头部上方,动作结束左手位置位于右脚脚尖,以初始和结束时,手部关键点位置在自由度z上的运动距离作为椭圆运动模型的长轴长a,以初始和结束时,手部关键点位置在自由度x上的运动距离作为椭圆运动模型的短轴长b。最终,通过动作初始和结束时,手部关键点位置作为椭圆的长轴端点,长轴长为a,短轴长为b,得到标准的手部关键点椭圆运动模型。通过此方法,得到俯身摸脚尖动作的所有运动自由度大于2的关键点的椭圆运动模型。
通过各个动作中关键点对应的标准椭圆运动模型,来识别学员健身运动中的不标准动作(识别方法可采用模块二中的交并比来进行判断),并根据标准椭圆运动模型的标签,来定位具体动作不标准的身体部位,有利于教练快速获取学员的健身状态和健身规范习惯。
模块二:学员体型评估模块
该步骤的目的:通过实时学员的正视图像和侧视图像分析部分动作影响度。能够带来的好处:有利于获取学员的不同体型下的动作影响度与标准动作之间的关系。
输入为:健身动作图像,进行身体各部位图像分析,输出为:动作影响度。
通过相机获取实时学员的正视图像和侧视图像。在相机固定物距和焦距的情况下,是不存在视差的(相当于学员与教练员处于同一位置),所以教练员和学员的图像对比即为实际的体型对比。利用目标检测算法和图像分割法,将相机采集的学员正视图像中,各个学员的图像分割出来,目标检测算法采用YOLO V5、Faster RCNN等模型,获取所有学员的目标包围框,在以包围框为分割边缘,将学员的图像分割出来,为了避免视差对学员实际体型图像产生的影响,利用透视变换对视差进行校正,得到正视且固定物距、焦距情况下,采集到的学员的正面图像A和侧面图像B。忽略学员身高不一致的影响。获取动作影响度的具体步骤如下:
通过学员正面图像A的分割图像大小与教练员正面图像(获取方式与学员图像相同)做交并比U,得到初始正面交并比。同样的,将通过学员与教练员的侧面分割图像得到初始侧面交并比。设置交并比阈值(经验阈值,可进行调整),当正面交并比且侧面交并比时,此时的动作影响度,否则,继续步骤2计算动作影响度。交并比获取方法为公知技术,不再详细赘述。
获取人体边缘图像,所述人体边缘只包括人体的最外部轮廓。具体方法:将学员正面图像A和侧面图像B进行两次图像腐蚀(目的是:为了得到像素点的局部最小值,也即将图像明亮区域缩小),得到腐蚀正面图像和腐蚀侧面图像。再利用正面图像A与腐蚀正面图像作差,得到正面差异图。同样的,经过上述正面图像操作,得到侧面差异图。然后,将正面差异图和侧面差异图进行二值化处理(目的是,排除除人体外部边缘外的其他图像像素点的干扰),得到二值正面图像和侧面图像,也即为人体最外部轮廓图。其中,图像腐蚀,图像二值化均为常用图像处理手段,不再对其细节赘述。(不采用惯用的Canny算子,Sobel算子获取边缘的原因是,很难保证不保留人体内部的纹理边缘,且计算步骤复杂)
以身体关键点为边界点,对正面轮廓图进一步分割,将身体关键点之间的边缘线作为包围框边缘(对于关键点之间局部肥胖的情况,选取最大边缘线水平距离作为包围框的宽),得到人体的局部包围框,进一步的,计算学员的各个局部包围框与教练对应的局部包围框之间的交并比(上标表示局部包围框的个数)。
进一步的,通过连续帧边缘轮廓图像,获取教练员每个分解动作中相邻局部包围框的动作弯曲方向S,具体的获取方法为:以局部包围框的两端点之间得到图像边缘向量的变化方向(通过连续帧图像拟合获取)作为动作弯曲方向S,动作弯曲方向S所经过的局部包围框区域都作为动作相关的局部包围框。通过动作弯曲方向来选择动作相关的局部包围框,作为后续动作修正的动作影响度参数,其中,n的取值由动作相关的局部包围框的数量决定。
需要说明的是,为了图像之间对比精度,教练员图像需要与学员图像进行相同步骤的处理,才能进行图像对比得到对应的动作影响度。默认学员皆为体型大于教练员的学员,对于体型偏瘦的学员,不再进行动作影响度计算,直接通过标准图像库进行动作识别。
模块三:标准动作图像库修正模块
该步骤的目的:通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子。能够带来的好处:提高动作识别效率和动作识别精度。
输入为:动作影响度,进行标准动作库校正,输出为:修正后的标准动作库。
为了***识别判断速度,标准动作修正可在每个学员开始进行健身训练之前,直接对初始标准图像库进行修正,得到修正后的图像库数据。然后采用每半月(经验值,可根据学员之间的差异进行调整)更新一次的方法,不断对学员的图像库数据进行迭代更新。
至此,本发明完成。
Claims (5)
1.一种健身动作识别监控方法,其特征在于,包括以下步骤:
S1、标准动作图像库构建,通过教练员的健身动作,构建所有健身动作的标准图像库;
S2、学员体型评估,通过实时学员的正视图像和侧视图像分析部分动作影响度;
S3、标准动作图像库修正,通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子;
步骤S1具体如下:
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;通过健身房多个摄像头,采集教练员的一套健身动作视频,默认教练员都为标准身材,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;步骤S1还包括:
通过关键点检测网络获取教练员的身体关键点,身体关键点应包括头部、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教练员的所有身体关键点,然后,将每个动作对应的身体关键点进行标记,识别在动作完成周期内,每个动作对应的身体关键点的三个自由度的变化,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身体关键点的自由度数量,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,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,然后获取开合跳动作中不同的关键点对应自由度的运动范围;
所述获取方法如下:
以关键点为端点,以各自由度上最大运动距离为轴长作椭圆,得到表征关键点的运动轨迹和运动幅度的椭圆运动模型;
获取标准动作下,两个自由度关键点的椭圆运动模型,以关键点为标签,记录各个椭圆数据,根据椭圆运动模型获取椭圆参数:a,b,其中,a表示椭圆的长轴长,b表示椭圆的短轴长,为了方便分析,当某些动作为三个自由度运动时,只研究运动幅度较大的两个自由度的运动距离,构成椭圆运动模型;
关键点椭圆运动模型具体为:动作初始左手位置位于头部上方,动作结束左手位置位于右脚脚尖,以初始和结束时,手部关键点位置在自由度z上的运动距离作为椭圆运动模型的长轴长a,以初始和结束时,手部关键点位置在自由度x上的运动距离作为椭圆运动模型的短轴长b,最终,通过动作初始和结束时,手部关键点位置作为椭圆的长轴端点,长轴长为a,短轴长为b,得到标准的手部关键点椭圆运动模型,通过此方法,得到俯身摸脚尖动作的所有运动自由度大于2的关键点的椭圆运动模型;
通过各个动作中关键点对应的标准椭圆运动模型,来识别学员健身运动中的不标准动作,并根据标准椭圆运动模型的标签,来定位具体动作不标准的身体部位,有利于教练快速获取学员的健身状态和健身规范习惯。
2.根据权利要求1所述的一种健身动作识别监控方法,其特征在于,步骤S2具体如下:
输入为:健身动作图像,进行身体各部位图像分析,输出为:动作影响度,通过相机获取实时学员的正视图像和侧视图像,在相机固定物距和焦距的情况下,教练员和学员的图像对比即为实际的体型对比,利用目标检测算法和图像分割法,将相机采集的学员正视图像中,各个学员的图像分割出来,目标检测算法采用YOLO V5、Faster RCNN模型,获取所有学员的目标包围框,在以包围框为分割边缘,将学员的图像分割出来,利用透视变换对视差进行校正,得到正视且固定物距、焦距情况下,采集到的学员的正面图像A和侧面图像B。
3.根据权利要求2所述的一种健身动作识别监控方法,其特征在于,获取动作影响度的具体步骤如下:
通过学员正面图像A的分割图像大小与教练员正面图像做交并比U,得到初始正面交并比,同样的,将通过学员与教练员的侧面分割图像得到初始侧面交并比,设置交并比阈值,当正面交并比且侧面交并比时,此时的动作影响度,否则,继续计算动作影响度;
获取人体边缘图像,所述人体边缘只包括人体的最外部轮廓,具体方法:将学员正面图像A和侧面图像B进行两次图像腐蚀,得到腐蚀正面图像和腐蚀侧面图像,再利用正面图像A与腐蚀正面图像作差,得到正面差异图,经过上述正面图像操作,得到侧面差异图,然后,将正面差异图和侧面差异图进行二值化处理,得到二值正面图像和侧面图像,也即为人体最外部轮廓图;
以身体关键点为边界点,对正面轮廓图进一步分割,将身体关键点之间的边缘线作为包围框边缘,得到人体的局部包围框,进一步的,计算学员的各个局部包围框与教练对应的局部包围框之间的交并比,上标表示局部包围框的个数;
5.一种健身动作识别监控***,其特征在于,包括:第一模块、第二模块和第三模块,其中,
第一模块,用于标准动作图像库构建,通过教练员的健身动作,构建所有健身动作的标准图像库;
第二模块,用于学员体型评估,通过实时学员的正视图像和侧视图像分析部分动作影响度;
第三模块,用于标准动作图像库修正,通过学员体型参数得到动作影响度,对标准动作判断范围修正,并增加时间优化因子;
其中,第一模块的输入为:健身动作视频,进行视频帧分解处理,输出为:健身动作图像;通过健身房多个摄像头,采集教练员的一套健身动作视频,默认教练员都为标准身材,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;
第一模块还包括:
通过关键点检测网络获取教练员的身体关键点,身体关键点应包括头部、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教练员的所有身体关键点,然后,将每个动作对应的身体关键点进行标记,识别在动作完成周期内,每个动作对应的身体关键点的三个自由度的变化,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身体关键点的自由度数量,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,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,然后获取开合跳动作中不同的关键点对应自由度的运动范围;
所述获取方法如下:
以关键点为端点,以各自由度上最大运动距离为轴长作椭圆,得到表征关键点的运动轨迹和运动幅度的椭圆运动模型;
获取标准动作下,两个自由度关键点的椭圆运动模型,以关键点为标签,记录各个椭圆数据,根据椭圆运动模型获取椭圆参数:a,b,其中,a表示椭圆的长轴长,b表示椭圆的短轴长,为了方便分析,当某些动作为三个自由度运动时,只研究运动幅度较大的两个自由度的运动距离,构成椭圆运动模型;
关键点椭圆运动模型具体为:动作初始左手位置位于头部上方,动作结束左手位置位于右脚脚尖,以初始和结束时,手部关键点位置在自由度z上的运动距离作为椭圆运动模型的长轴长a,以初始和结束时,手部关键点位置在自由度x上的运动距离作为椭圆运动模型的短轴长b,最终,通过动作初始和结束时,手部关键点位置作为椭圆的长轴端点,长轴长为a,短轴长为b,得到标准的手部关键点椭圆运动模型,通过此方法,得到俯身摸脚尖动作的所有运动自由度大于2的关键点的椭圆运动模型;
通过各个动作中关键点对应的标准椭圆运动模型,来识别学员健身运动中的不标准动作,并根据标准椭圆运动模型的标签,来定位具体动作不标准的身体部位,有利于教练快速获取学员的健身状态和健身规范习惯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194478.9A CN113627409B (zh) | 2021-10-13 | 2021-10-13 | 一种健身动作识别监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194478.9A CN113627409B (zh) | 2021-10-13 | 2021-10-13 | 一种健身动作识别监控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627409A true CN113627409A (zh) | 2021-11-09 |
CN113627409B CN113627409B (zh) | 2022-03-15 |
Family
ID=78391280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194478.9A Active CN113627409B (zh) | 2021-10-13 | 2021-10-13 | 一种健身动作识别监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627409B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066330A (zh) * | 2022-01-14 | 2022-02-18 | 南通高桥体育用品有限公司 | 基于人工智能的健身房教练管理人员的分配方法 |
CN115100746A (zh) * | 2022-07-07 | 2022-09-23 | 江苏动泰运动用品有限公司 | 基于人工智能的人体健身训练管理*** |
CN115223406A (zh) * | 2022-08-05 | 2022-10-21 | 康家豪 | 虚拟运动教练***及其控制方法 |
CN115311610A (zh) * | 2022-10-12 | 2022-11-08 | 江苏亚太健身器材有限公司 | 一种用于健身器材异常识别的方法 |
CN116434296A (zh) * | 2023-03-02 | 2023-07-14 | 深圳市华方信息产业有限公司 | 一种实时人脸识别监控行为方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019141104A1 (zh) * | 2018-01-19 | 2019-07-25 | 北京市商汤科技开发有限公司 | 人体轮廓关键点检测方法、图像处理方法、装置及设备 |
CN110170159A (zh) * | 2019-06-27 | 2019-08-27 | 郭庆龙 | 一种人体健身动作运动监测*** |
CN110478883A (zh) * | 2019-08-21 | 2019-11-22 | 南京信息工程大学 | 一种健身动作教学及矫正***及方法 |
CN111582220A (zh) * | 2020-05-18 | 2020-08-25 | 中国科学院自动化研究所 | 一种基于移位图卷积神经网络骨骼点行为识别***及其识别方法 |
CN112233770A (zh) * | 2020-10-15 | 2021-01-15 | 郑州师范学院 | 一种基于视觉感知的健身房智能管理决策*** |
-
2021
- 2021-10-13 CN CN202111194478.9A patent/CN113627409B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019141104A1 (zh) * | 2018-01-19 | 2019-07-25 | 北京市商汤科技开发有限公司 | 人体轮廓关键点检测方法、图像处理方法、装置及设备 |
CN110170159A (zh) * | 2019-06-27 | 2019-08-27 | 郭庆龙 | 一种人体健身动作运动监测*** |
CN110478883A (zh) * | 2019-08-21 | 2019-11-22 | 南京信息工程大学 | 一种健身动作教学及矫正***及方法 |
CN111582220A (zh) * | 2020-05-18 | 2020-08-25 | 中国科学院自动化研究所 | 一种基于移位图卷积神经网络骨骼点行为识别***及其识别方法 |
CN112233770A (zh) * | 2020-10-15 | 2021-01-15 | 郑州师范学院 | 一种基于视觉感知的健身房智能管理决策*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066330A (zh) * | 2022-01-14 | 2022-02-18 | 南通高桥体育用品有限公司 | 基于人工智能的健身房教练管理人员的分配方法 |
CN115100746A (zh) * | 2022-07-07 | 2022-09-23 | 江苏动泰运动用品有限公司 | 基于人工智能的人体健身训练管理*** |
CN115223406A (zh) * | 2022-08-05 | 2022-10-21 | 康家豪 | 虚拟运动教练***及其控制方法 |
CN115223406B (zh) * | 2022-08-05 | 2024-05-07 | 康家豪 | 虚拟运动教练***及其控制方法 |
CN115311610A (zh) * | 2022-10-12 | 2022-11-08 | 江苏亚太健身器材有限公司 | 一种用于健身器材异常识别的方法 |
CN116434296A (zh) * | 2023-03-02 | 2023-07-14 | 深圳市华方信息产业有限公司 | 一种实时人脸识别监控行为方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113627409B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627409B (zh) | 一种健身动作识别监控方法及*** | |
CN107766855B (zh) | 基于机器视觉的棋子定位方法、***、存储介质及机器人 | |
US20210228959A1 (en) | Kinect-based auxiliary training system for basic badminton movements | |
CN104167016B (zh) | 一种基于rgb彩色与深度图像的三维运动重建方法 | |
CN112819852A (zh) | 对基于姿态的运动进行评估 | |
CN110728220A (zh) | 基于人体动作骨骼信息的体操辅助训练方法 | |
CN108921907B (zh) | 一种运动测试评分的方法、装置、设备及存储介质 | |
WO2021052208A1 (zh) | 用于运动障碍病症分析的辅助拍摄设备、控制方法和装置 | |
US20160296795A1 (en) | Apparatus and method for analyzing golf motion | |
US20090042661A1 (en) | Rule based body mechanics calculation | |
CN109758756B (zh) | 基于3d相机的体操视频分析方法及*** | |
CN110751100A (zh) | 一种体育场馆辅助训练方法与*** | |
CN106846372B (zh) | 人体运动质量视觉分析与评价***及其方法 | |
CN111754549B (zh) | 一种基于深度学习的羽毛球运动员轨迹提取方法 | |
CN116966086A (zh) | 一种基于实时图像优化的人体背部腧穴标定方法及*** | |
CN113256789B (zh) | 一种三维实时人体姿态重建方法 | |
CN112085105B (zh) | 一种基于人体形状与姿态估计的动作相似度评价方法 | |
Maglo et al. | Kalicalib: A framework for basketball court registration | |
CN114187663A (zh) | 基于雷达探测灰度图与神经网络的体态控制无人机的方法 | |
Neskorodieva et al. | Real-time Classification, Localization and Tracking System (Based on Rhythmic Gymnastics) | |
Wang | Three-Dimensional Image Recognition of Athletes' Wrong Motions Based on Edge Detection. | |
CN114783046B (zh) | 一种基于cnn和lstm的人体连续性动作相似度评分方法 | |
Wang | Method for Capturing Tennis Training Actions under Machine Vision Images | |
TWI775637B (zh) | 高爾夫揮桿解析系統、高爾夫揮桿解析方法及資訊記憶媒體 | |
TWI775636B (zh) | 高爾夫揮桿解析系統、高爾夫揮桿解析方法及資訊記憶媒體 |
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 |