CN114343618A - 训练动作检测方法及装置 - Google Patents
训练动作检测方法及装置 Download PDFInfo
- Publication number
- CN114343618A CN114343618A CN202111567131.4A CN202111567131A CN114343618A CN 114343618 A CN114343618 A CN 114343618A CN 202111567131 A CN202111567131 A CN 202111567131A CN 114343618 A CN114343618 A CN 114343618A
- Authority
- CN
- China
- Prior art keywords
- human body
- action
- motion detection
- motion
- mode
- 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 238
- 230000033001 locomotion Effects 0.000 title claims abstract description 149
- 238000012549 training Methods 0.000 title claims abstract description 82
- 230000009471 action Effects 0.000 claims abstract description 158
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000725 suspension Substances 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000000034 method Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000003423 ankle Anatomy 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 210000002310 elbow joint Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种训练动作检测方法及装置,该训练动作检测方法包括:获取连续帧图像以及动作检测模式;基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;基于所述人体特征参数,确定动作检测结果。本发明提供的训练动作检测方法及装置,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种训练动作检测方法及装置。
背景技术
随着社会和科技的发展,人们越来越重视运动训练,通过科学有规律的训练,可以提升身体机能,并且在损伤后进行有利于恢复或改善功能的身体活动。除严重的损伤需要休息治疗外,一般的损伤不必完全停止身体练习。适当的和科学的身体练习对于损伤的迅速愈合和促进功能的恢复有着积极的作用,而运动训练需要规范动作,规范的动作更加有利于身体健康。
目前,对运动过程中的训练动作进行检测的方法,主要是通过专业的培训教练来目测,对经验的依赖度较高,且耗费人力成本,检测不够准确,效率较低。
发明内容
本发明提供一种训练动作检测方法及装置,用以解决现有技术中通过专业的培训教练来目测,对经验的依赖度较高,且耗费人力成本,检测不够准确,效率较低的缺陷,实现降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
本发明提供一种训练动作检测方法,该训练动作检测方法包括:获取连续帧图像以及动作检测模式;基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示特定运动训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;基于所述人体特征参数,确定动作检测结果。
根据本发明提供的一种训练动作检测方法,所述基于所述人体特征参数,确定动作检测结果,包括:基于所述人体特征参数和所述动作检测模式对应的动作阈值,确定动作达标信息;基于所述动作达标信息,确定所述动作检测结果。
根据本发明提供的一种训练动作检测方法,所述动作检测模式为第一类检测模式,所述基于所述动作达标信息,确定所述动作检测结果,包括:基于所述动作达标信息,统计达标动作的次数;基于所述达标动作的次数,确定所述动作检测结果。
根据本发明提供的一种训练动作检测方法,所述动作检测模式为第二类检测模式,所述基于所述动作达标信息,确定所述动作检测结果,包括:基于所述动作达标信息,统计达标动作的持续时长;基于所述达标动作的持续时长,确定所述动作检测结果。
根据本发明提供的一种训练动作检测方法,所述基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,包括:将所述连续帧图像输入到人体关键点检测模型中,得到所述人体关键点检测模型输出的所述人体特征参数;其中,所述人体关键点检测模型为以连续帧样本图像为样本,以与所述连续帧样本图像对应的人体特征参数样本数据为样本标签进行训练得到。
根据本发明提供的一种训练动作检测方法,在所述获取连续帧图像以及动作检测模式之前,还包括:获取人脸图像;在识别所述人脸图像并核验通过的情况下,为所述人脸图像对应的用户开启使用权限。
根据本发明提供的一种训练动作检测方法,所述动作检测模式至少包括:引体向上模式、仰卧起坐模式、俯卧撑模式、单杠曲臂悬垂模式、双杠臂屈伸模式、双杠支撑前移模式和蛇形跑模式。
本发明还提供一种训练动作检测装置,该训练动作检测装置包括:获取模块,用于获取连续帧图像以及动作检测模式;第一确定模块,用于基于所述基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;第二确定模块,用于基于所述人体特征参数,确定动作检测结果。
本发明还提供一种电子设备,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如上述任一种所述训练动作检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述训练动作检测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述训练动作检测方法的步骤。
本发明提供的训练动作检测方法及装置,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明提供的训练动作检测方法的流程示意图;
图2是本发明提供的训练动作检测方法的应用场景示意图;
图3是本发明提供的训练动作检测方法中的人体关键点检测模型的结构示意图;
图4是本发明提供的训练动作检测装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
下面结合图1-图5描述本发明的训练动作检测方法及装置。
本发明提供一种训练动作检测方法,该训练动作检测方法包括:如下步骤110至步骤130。
其中,步骤110、获取连续帧图像以及动作检测模式。
可以理解的是,该训练动作检测方法可以被体能训练设备中的控制器30所执行,体能训练设备可以包括摄像头10、显示器20和控制器30,摄像头10和显示器20可以均与控制器30电连接,显示器20可以包括触摸显示屏。
可以接收用户的第一输入,响应于第一输入,确定动作检测模式。用户可以在触摸显示屏上进行触摸操作,从而向体能训练设备给出第一输入,体能训练设备可以对第一输入进行响应,从而确定动作检测模式。
动作检测模式可以包括多种,动作检测模式表示体能训练动作的检测功能,动作检测模式可以和体能训练动作相关,比如,动作检测模式至少包括:引体向上模式、仰卧起坐模式、俯卧撑模式、单杠曲臂悬垂模式、双杠臂屈伸模式、双杠支撑前移模式和蛇形跑模式。也就是说,本发明的训练动作检测方法可以应用在多种体能训练动作的检测上,用户可以任选一种动作检测模式,此处获取到的动作检测模式就可以是用户选定的某一种动作检测模式。
可以理解的是,体能训练设备的摄像头10朝向运动的人体,能够拍摄到人体运动视频,人体运动视频可以为连续帧图像,连续帧图像由多张按照时间先后顺序排列的单帧图像构成。
步骤120、基于连续帧图像,确定动作检测模式对应的人体特征参数。
可以理解的是,在确定好某一个动作检测功能之后,就能够确定需要获取的人体特征参数。
不同的动作检测模式可以具有不同的运动特征,可以为不同的动作检测模式给定不同的人体特征参数,动作检测模式和人体特征参数的对应关系可以是预先设定在控制器30当中,每种动作检测模式可以有对应的人体特征参数,人体特征参数用于对人体的运动状态进行表征,人体特征参数可以包括人体关键点,比如颈部,下颌,左眼,右眼,左耳,右耳,鼻,左肩,右肩,左肘,右肘,左腕,右腕,左臀中心,右臀中心,左膝,右膝,左踝和右踝共19个关键点,还可以包括人体的关节角度,比如肘关节角度、膝关节角度或者髋关节角度,人体特征参数还可以包括人体关键点形成的人体拓扑结构,此处不对人体特征参数的具体表现形式进行限定。
在确定动作检测模式之后,可以根据动作检测模式来从连续帧图像中提取对应的人体特征参数,比如可以从连续帧图像中提取人体关键点。
步骤130、基于人体特征参数,确定动作检测结果。
可以理解的是,在从连续帧图像中提取到动作检测模式所对应的人体特征参数之后,可以根据人体特征参数来确定动作检测结果。
比如可以在获取人体关键点之后,可以通过关键点形成的人体拓扑来描述人体运动信息,并根据人体运动信息来确定动作检测结果,人体运动信息可以包括动作是否达标、动作的准确度和动作的速度等参数,可以将人体运动信息用于评价人体的运动状态,得到的动作检测结果可以数值的形式呈现,也可以函数曲线的形式呈现,还可以图表的形式呈现,此处不具体限定动作检测结果的形式,动作检测结果能够用于评价人体运动的规范程度,可以供用户参考,来不断改进训练方式,以提高训练效果。
本发明提供的训练动作检测方法,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
在一些实施例中,上述步骤130、基于人体特征参数,确定动作检测结果,包括:基于人体特征参数和动作检测模式对应的动作阈值,确定动作达标信息;基于动作达标信息,确定动作检测结果。
可以理解的是,动作检测模式可以具有对应的动作阈值,比如在俯卧撑项目中,主要根据上肢的弯曲程度来判断。在撑起过程中,躯干与两腿伸直,从肩膀到脚踝成一条直线,下落过程中,屈臂使身体平直下降至肩与肘处在同一水平面上即为合格动作。那么此处的人体特征参数就是身体平直下降时的肩膀和手肘的连接线,动作阈值就是肩膀和手肘的连接线与水平面平行,当人体特征参数达到对应的动作阈值时,认为人体的动作达标,通过这样的方式,就能够确定人体的动作达标信息,动作达标信息可以包括动作达标的程度以及达标动作出现的次数和时长,此处不对动作达标信息的具体形式进行限定。
在确定了动作达标信息后,就可以根据动作达标信息来确定动作检测结果,也就是可以对达标动作进行统计,根据达标动作出现的频次来确定动作检测结果。
在一些实施例中,动作检测模式为第一类检测模式,基于动作达标信息,确定动作检测结果,包括:基于动作达标信息,统计达标动作的次数;基于达标动作的次数,确定动作检测结果。
可以理解的是,当动作检测模式为第一类检测模式时,动作检测结果可以根据统计达标动作的次数来得到,可以根据动作达标信息来确定用户在某次拍摄到的训练动作视频中的动作达标情况,可以根据动作达标信息来统计达标动作的次数,进而可以根据达标动作的次数来确定动作检测结果。
比如,在仰卧起坐项目中,存在主体目标(平躺的人)和非主体目标(半蹲的人)。实际判断中,只进行主体目标的行为识别。据此,可以通过臀部和脚踝与地平面的角度来判断。处于近似平行位置的人为主体目标,而近似垂直的人为非主体目标。在实际实施中,主要根据肘关节与膝关节是否重叠来判断起身是否标准,上半身下落过程中,躯干最终需处于水平状态,若以上条件均不满足,则为不达标动作,不计入达标动作的次数,当以上条件满足,则计入达标动作的次数,根据达标动作的次数,来确定动作检测结果。
在引体向上项目中,根据颈部关键点是否过横杆来判断是否为完整的动作。在下落时,如果手臂未处于垂直状态,则判断为不达标,本次动作不作为最终计数。垂直状态根据手腕,肘部以及肩部之间的角度进行判断。其中角度阈值是可配置的参数,即角度大于设定阈值为合格。人体结束动作松开横杆时,需进行动作结束的判断,依据为人体与初始位置重心的偏移来决定,当角度条件满足,则计入达标动作的次数,根据达标动作的次数,来确定动作检测结果。
双杠臂屈伸项目中,在屈臂时,两肘向后,身体自然下垂,肩低于肘;伸臂时两肘内合理撑杠成直臂。如果不满足以上条件,则不计入本次计数。按照肩部与肘部之间的高度差来衡量动作完成度。如果肩部下落式未低于肘部,则不计入此次计数,如果满足高度差要求,则计入达标动作的次数,根据达标动作的次数,来确定动作检测结果。
双杠支撑前移项目中,以完成向前和向后支撑移动次数来计算最终成绩。在具体实施中,以测试者手腕在横杆的移动作为测试标准,并计算来回移动次数。
在一些实施例中,动作检测模式为第二类检测模式,基于动作达标信息,确定动作检测结果,包括:基于动作达标信息,统计达标动作的持续时长;基于达标动作的持续时长,确定动作检测结果。
单杠曲臂悬垂项目中,测试者两手反握单杠,屈臂引体,下颌超过单杠水平位置,身体处在悬垂状态,并记录测试者保持相应动作的时间。
蛇形跑项目中,测试者按照规定动作要领完成动作。抢跑犯规、撞到标志杆,重新组织起跑;漏绕标志杆,不记录成绩。在具体实施中,以头顶关键点和盆骨关键点之间的连线与标志杆之间的相对位置作为判别标准。一旦出现连线在标志杆内部且出现绕跑现象,则此次蛇形跑失败,需要重跑,当蛇形跑项目未违规,则统计蛇形跑达标的时长,根据达标动作的时长,来确定动作检测结果。
获取到各自项目的计数、测量结果以及姿态结果后,控制器30便将结果传输给显示器20,对动作检测结果进行展示。
在一些实施例中,基于连续帧图像,确定动作检测模式对应的人体特征参数,包括:将连续帧图像输入到人体关键点检测模型中,得到人体关键点检测模型输出的人体特征参数。
其中,人体关键点检测模型为以连续帧样本图像为样本,以与连续帧样本图像对应的人体特征参数样本数据为样本标签进行训练得到。
可以理解的是,人体关键点检测模型可以为神经网络模型。比如,可以将连续帧图像输入到人体关键点检测模型中,输出人体特征参数,人体关键点检测模型可以为神经网络模型,比如卷积神经网络或者残差神经网络,人体关键点检测模型可以连续帧样本图像为样本,以与连续帧样本图像所对应的人体特征参数样本数据为样本标签进行训练得到,比如可以通过有监督学习或者无监督学习的方式来训练人体关键点检测模型。
人体关键点检测模型所使用的深度学习神经网络能够对输入的连续帧图像中的特征进行挑拣,将每个特征用于得到一个输出结果,将每个输出结果都和样本标签进行比对,经过比对符合要求的特征可以保留下来,而经过比对不符合要求的特征通过Loss参数进行忽略,经过对输入的大量连续帧样本图像的不断迭代训练,可以最终学会那些需要记忆的核心特征,并将不同的核心特征进行分类,最终可以根据这些核心特征来对新输入的连续帧图像进行判别。
在对人体关键点检测模型进行训练之前,深度学习神经网络的卷积层的滤波器是完全随机的,其不会对任何特征激活,也就是不能检测到任何特征,在训练的过程中,对空白的滤波器修改权重以使其能够检测特定的场景,这正是一种有监督学习方式,基于这种有监督学习方式,深度学习神经网络能够自行学习需要出核心特征,以根据这些核心特征来对新输入的连续帧图像进行判别。
在具体的应用场景中,可以在距离人体2m至3m的位置架设一个摄像头10来采集人体运动视频,摄像机需保证水平架设,测试时,可以先通过人脸识别录入测试者身份信息,并在多种动作检测模式中选择对应测试项。控制器30采集到连续帧图像,通过人体检测、人体姿态估计技术以及计数算法来获得人体的运动结构信息以及对应的计数、测量结果,控制器30可以将得到的运动和结构信息传送给显示器20进行统计信息的显示。
控制器30中可以具有人脸识别单元,人脸识别单元主要完成通过人脸识别完成信息录入,自动实现测试人员身份的识别和信息存储。
控制器30中可以具有数据捕获单元,数据捕获单元主要进行视频数据的实施捕捉。在引体向上、单杠曲臂悬垂、双杠臂屈伸以及双杠支撑前移项目中,摄像头10架设于1.8m的高度上,同时保证水平架设。测试者需在测试前悬挂于单杠之上,并根据提示信号开始进行动作展示。在俯卧撑和仰卧起坐项目中,摄像头10架设于0.5m的高度上,同时保证水平架设。受试者只需要按照指定动作进行展示即可。在蛇形跑项目中,摄像头10架设于1.5m的高度上,同时保证水平架设。
控制器30承担着体能训练设备的数据处理功能。控制器30可以进行图像读入、算法处理以及结果输出等功能。图像读入主要对输入的图像数据进行读取和处理;算法处理端包含人体检测算法和人体姿态估计算法两部分,通过两种算法的串联获得目标人体的姿态估计结果,最终结果将通过显示器20进行显示。
测试时,首先通过人脸识别录入测试者身份信息,并在七项功能中选择对应测试项。控制器30获得人脸图像进行人脸识别并返回人脸ID,同时将所获信息进行存储,并对后续的测试结果进行一对一的存储。
控制器30承担着本装置的数据处理功能。主要包含图像读入、算法处理以及结果输出等功能。图像读入主要对输入的图像数据进行读取和处理。算法处理端包含人体检测算法和人体姿态估计算法两部分,通过两算法的串联获得目标人体的姿态估计结果。其中人体检测算法采用旋转鲁棒的Yolov5s检测器来进行人体框的检测以及基于集成回归器的人体姿态估计网络,也就是组建人体关键点检测模型。人体关键点检测模型主干由0.5resnet18构成,主干网络提取特征分辨率为8×6。在主干网络之后,接入5组3层的反卷积来获得最终的预测。每一组反卷积的组合由3层反卷积构成,卷积核大小为4×4。输出通道依次为16,16,16。对每一组均进行监督可获得多组预测,最后通过集成融合的方式获得最终的结果。
为了增加不同分组之间的预测差异性,加入分组差异化损失来增加预测的多样性。
在一些实施例中,在获取连续帧图像以及动作检测模式之前,还包括:获取人脸图像;在识别人脸图像并核验通过的情况下,为人脸图像对应的用户开启使用权限。
可以理解的是,在测试时,可以首先通过人脸识别录入测试者身份信息,并在七项动作检测模式中选择对应测试项。控制器30获得人脸图像进行人脸识别并返回人脸ID,根据人脸ID对用户身份进行核验,在对用户身份核验通过的情况下,可以为人脸图像对应的用户开启使用权限,同时将所获信息进行存储,并对后续的测试结果进行一对一的存储。
下面对本发明提供的训练动作检测装置进行描述,下文描述的训练动作检测装置与上文描述的训练动作检测方法可相互对应参照。
如图4所示,本发明还提供一种训练动作检测装置,该训练动作检测装置包括:获取模块410、第一确定模块420和第二确定模块430。
获取模块410,用于获取连续帧图像以及动作检测模式。
第一确定模块420,用于基于连续帧图像,确定动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态。
第二确定模块430,用于基于人体特征参数,确定动作检测结果。
本发明提供的训练动作检测装置,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行训练动作检测方法,该方法包括:获取连续帧图像以及动作检测模式;基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;基于所述人体特征参数,确定动作检测结果。
本发明提供的训练动作检测方法,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的训练动作检测方法,该方法包括:获取连续帧图像以及动作检测模式;基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;基于所述人体特征参数,确定动作检测结果。
本发明提供的训练动作检测方法,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的训练动作检测方法,该方法包括:获取连续帧图像以及动作检测模式;基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;基于所述人体特征参数,确定动作检测结果。
本发明提供的训练动作检测方法,通过从连续帧图像中,确定某一动作检测模式所对应的人体特征参数,根据人体特征参数来确定动作检测结果,这样能够降低对人工经验的依赖度,能够降低人工成本,提高动作检测的准确度,提高检测效率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种训练动作检测方法,其特征在于,包括:
获取连续帧图像以及动作检测模式;
基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;
基于所述人体特征参数,确定动作检测结果。
2.根据权利要求1所述的训练动作检测方法,其特征在于,所述基于所述人体特征参数,确定动作检测结果,包括:
基于所述人体特征参数和所述动作检测模式对应的动作阈值,确定动作达标信息;
基于所述动作达标信息,确定所述动作检测结果。
3.根据权利要求2所述的训练动作检测方法,其特征在于,所述动作检测模式为第一类检测模式,所述基于所述动作达标信息,确定所述动作检测结果,包括:
基于所述动作达标信息,统计达标动作的次数;
基于所述达标动作的次数,确定所述动作检测结果。
4.根据权利要求2所述的训练动作检测方法,其特征在于,所述动作检测模式为第二类检测模式,所述基于所述动作达标信息,确定所述动作检测结果,包括:
基于所述动作达标信息,统计达标动作的持续时长;
基于所述达标动作的持续时长,确定所述动作检测结果。
5.根据权利要求1至4中任一项所述的训练动作检测方法,其特征在于,所述基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,包括:
将所述连续帧图像输入到人体关键点检测模型中,得到所述人体关键点检测模型输出的所述人体特征参数;
其中,所述人体关键点检测模型为以连续帧样本图像为样本,以与所述连续帧样本图像对应的人体特征参数样本数据为样本标签进行训练得到。
6.根据权利要求1至4中任一项所述的训练动作检测方法,其特征在于,在所述获取连续帧图像以及动作检测模式之前,还包括:
获取人脸图像;
在识别所述人脸图像并核验通过的情况下,为所述人脸图像对应的用户开启使用权限。
7.根据权利要求1至4中任一项所述的训练动作检测方法,其特征在于,所述动作检测模式至少包括:引体向上模式、仰卧起坐模式、俯卧撑模式、单杠曲臂悬垂模式、双杠臂屈伸模式、双杠支撑前移模式和蛇形跑模式。
8.一种训练动作检测装置,其特征在于,包括:
获取模块,用于获取连续帧图像以及动作检测模式;
第一确定模块,用于基于所述连续帧图像,确定所述动作检测模式对应的人体特征参数,所述动作检测模式与所述人体特征参数的对应关系为预先设定,所述动作检测模式用于表示体能训练动作的检测功能,所述人体特征参数用于表征人体的运动状态;
第二确定模块,用于基于所述人体特征参数,确定动作检测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述训练动作检测方法的步骤。
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,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述训练动作检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567131.4A CN114343618A (zh) | 2021-12-20 | 2021-12-20 | 训练动作检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567131.4A CN114343618A (zh) | 2021-12-20 | 2021-12-20 | 训练动作检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114343618A true CN114343618A (zh) | 2022-04-15 |
Family
ID=81102139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111567131.4A Pending CN114343618A (zh) | 2021-12-20 | 2021-12-20 | 训练动作检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343618A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019399A (zh) * | 2022-06-24 | 2022-09-06 | 北京工业大学 | 一种人体姿态检测方法 |
CN115068919A (zh) * | 2022-05-17 | 2022-09-20 | 泰山体育产业集团有限公司 | 一种单杠项目的考核方法及其实现装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871800A (zh) * | 2019-02-13 | 2019-06-11 | 北京健康有益科技有限公司 | 一种人体姿态估计方法、装置和存储介质 |
CN110353691A (zh) * | 2018-04-10 | 2019-10-22 | 仁宝电脑工业股份有限公司 | 动作评估***、其方法及非暂态电脑可读取记录媒体 |
CN111368810A (zh) * | 2020-05-26 | 2020-07-03 | 西南交通大学 | 基于人体及骨骼关键点识别的仰卧起坐检测***及方法 |
CN111915943A (zh) * | 2020-08-18 | 2020-11-10 | 营口巨成教学科技开发有限公司 | 无人化公众护理、急救培训***及培训方法 |
CN111921161A (zh) * | 2020-07-16 | 2020-11-13 | 四川大学华西医院 | 一种颈椎康复训练监测方法及装置 |
CN112464808A (zh) * | 2020-11-26 | 2021-03-09 | 成都睿码科技有限责任公司 | 一种基于计算机视觉的跳绳姿态及个数识别方法 |
CN113392742A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作确定方法、装置、电子设备及存储介质 |
CN113792641A (zh) * | 2021-09-08 | 2021-12-14 | 南京航空航天大学 | 一种结合多谱注意力机制的高分辨率轻量级的人体姿态估计方法 |
-
2021
- 2021-12-20 CN CN202111567131.4A patent/CN114343618A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353691A (zh) * | 2018-04-10 | 2019-10-22 | 仁宝电脑工业股份有限公司 | 动作评估***、其方法及非暂态电脑可读取记录媒体 |
CN109871800A (zh) * | 2019-02-13 | 2019-06-11 | 北京健康有益科技有限公司 | 一种人体姿态估计方法、装置和存储介质 |
CN111368810A (zh) * | 2020-05-26 | 2020-07-03 | 西南交通大学 | 基于人体及骨骼关键点识别的仰卧起坐检测***及方法 |
CN111921161A (zh) * | 2020-07-16 | 2020-11-13 | 四川大学华西医院 | 一种颈椎康复训练监测方法及装置 |
CN111915943A (zh) * | 2020-08-18 | 2020-11-10 | 营口巨成教学科技开发有限公司 | 无人化公众护理、急救培训***及培训方法 |
CN112464808A (zh) * | 2020-11-26 | 2021-03-09 | 成都睿码科技有限责任公司 | 一种基于计算机视觉的跳绳姿态及个数识别方法 |
CN113392742A (zh) * | 2021-06-04 | 2021-09-14 | 北京格灵深瞳信息技术股份有限公司 | 异常动作确定方法、装置、电子设备及存储介质 |
CN113792641A (zh) * | 2021-09-08 | 2021-12-14 | 南京航空航天大学 | 一种结合多谱注意力机制的高分辨率轻量级的人体姿态估计方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115068919A (zh) * | 2022-05-17 | 2022-09-20 | 泰山体育产业集团有限公司 | 一种单杠项目的考核方法及其实现装置 |
CN115068919B (zh) * | 2022-05-17 | 2023-11-14 | 泰山体育产业集团有限公司 | 一种单杠项目的考核方法及其实现装置 |
CN115019399A (zh) * | 2022-06-24 | 2022-09-06 | 北京工业大学 | 一种人体姿态检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256433B (zh) | 一种运动姿态评估方法及*** | |
CN111368810B (zh) | 基于人体及骨骼关键点识别的仰卧起坐检测***及方法 | |
CN111931701B (zh) | 基于人工智能的姿态识别方法、装置、终端和存储介质 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN114343618A (zh) | 训练动作检测方法及装置 | |
CN110674696B (zh) | 一种监控方法、装置、***、监控设备及可读存储介质 | |
US20150092981A1 (en) | Apparatus and method for providing activity recognition based application service | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN112464918A (zh) | 健身动作纠正方法、装置、计算机设备和存储介质 | |
WO2024051597A1 (zh) | 一种引体向上的规范计数方法、***及其存储介质 | |
CN113856186B (zh) | 一种引体向上动作判定与计数的方法、***及装置 | |
CN111382672A (zh) | 在线考试的作弊监测方法和装置 | |
CN113128336A (zh) | 一种引体向上测试计数方法、装置、设备和介质 | |
CN115035546B (zh) | 三维人体姿态检测方法、装置及电子设备 | |
CN115738219A (zh) | 引体向上测评方法、装置、电子设备及存储介质 | |
CN103310191A (zh) | 运动信息图像化的人体动作识别方法 | |
CN113673319A (zh) | 异常姿态检测方法、装置、电子装置和存储介质 | |
CN116580454A (zh) | 一种基于目标检测和人体姿态估计的运动评估方法及装置 | |
CN116369906A (zh) | 一种屈臂悬垂的自动测试方法、装置、设备和介质 | |
CN115116087A (zh) | 一种动作考核方法、***、存储介质和电子设备 | |
CN114038054A (zh) | 引体向上检测装置与方式 | |
CN114022952A (zh) | 一种基于视觉技术的高抬腿测试计数方法、装置和介质 | |
CN113792700A (zh) | 一种电瓶车入箱检测方法、装置、计算机设备及存储介质 | |
CN117037279B (zh) | 动作检测方法、装置、设备、存储介质及异构芯片 | |
CN110211102A (zh) | 一种无人网络租售机之羽毛球拍断线检测方法 |
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 |