CN114998986A - 基于计算机视觉的引体向上动作规范智能识别方法及*** - Google Patents

基于计算机视觉的引体向上动作规范智能识别方法及*** Download PDF

Info

Publication number
CN114998986A
CN114998986A CN202210539016.4A CN202210539016A CN114998986A CN 114998986 A CN114998986 A CN 114998986A CN 202210539016 A CN202210539016 A CN 202210539016A CN 114998986 A CN114998986 A CN 114998986A
Authority
CN
China
Prior art keywords
pull
standard
testee
computer vision
counting
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
Application number
CN202210539016.4A
Other languages
English (en)
Inventor
姜成
孙嘉琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanbian University
Original Assignee
Yanbian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanbian University filed Critical Yanbian University
Priority to CN202210539016.4A priority Critical patent/CN114998986A/zh
Publication of CN114998986A publication Critical patent/CN114998986A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提出基于计算机视觉的引体向上动作规范智能识别方法及***，该方法通过计算机视觉与人体关键点识别技术相配合，对受测者运动时特征进行识别。计算人体关键点坐标值的运动轨迹，判断受测者是否完成标准的引体向上。本发明测量精准且避免了人员浪费，成本较低。本发明通过开源框架OpenPose与AI检测技术开发了本***，以提高本技术方案的普适性与实用性。基于上述标准提出一种难度可以调整的识别算法模型，当受测者在做引体向上时若同时满足合格标准，则视为有效动作并计数。不满足标准时，显示不计数原因。并且依据引体向上人体关键点与关节角度特征，设立不同的引体向上动作评价标准。本发明能广泛适用于不同检测场景下，使用成本低，检测精度高。

Description

基于计算机视觉的引体向上动作规范智能识别方法及***
技术领域
本发明属于机器视觉与图像处理技术领域，涉及基于人体关键点的无人值守引体向上动作规范和计数的智能识别方法及***。
背景技术
近年来，引体向上被列为体育中考、高中和大学体能测试男生必考内容之一。目前引体向上测试缺少统一和量化的评估标准，传统人工评估带有一定的主观性，可能影响测试准确性和公平性，而且无法根据场景需求设置测试的难度。在大规模体质测试过程中，存在测试流程繁琐、自动化和智能化程度低等问题，会导致测试效率偏低。
为提升引体向上测试的自动化程度和效率，通过被测试人员身上可穿戴无线姿态传感器测量臂部X、Y、Z轴在空间中的位置，间接测量引体向上的数量(CN101716417A人体引体向上无线测试***)，而姿态传感器存在误差积累的问题，会引起计数不准确的问题出现。使用霍尔传感器和STC单片机设计的引体向上无线测试仪更加简单轻巧(张迅等“引体向上”无线测试仪的研制与应用.机械工程师,2015(10):183-184.)，但霍尔传感器存在需要与磁铁配合使用且检测距离短等问题。同时也有多位学者采用红外线传感器检测引体向上实现对动作的计数，红外传感器由红外发射器和接收器组成，当红外线被身体遮挡可触发电平信号实现***计数，但对安装位置要求比较苛刻，无法准确识别下颏是否超过单杠。超声波传感器测量也可根据受测者头部与单杠距离来判断引体向上动作是否达标，但超声波传感器测量精度误差大，而距离无法准确判断引体向上是否合格。对红外线传感器、单杠侧壁上压力传感器以及超声波传感器多个传感器进行融合测试，实现引体向上动作有效性的准确测量，但是缺少对引体向上动作规范的分析。基于传统传感器引体向上测量***，可实现引体向上动作的计数，但无法对动作规范性进行识别和分析，且存在安装和使用过程复杂等问题。
计算机视觉的发展和应用，通过拍照、录像的方式研究体育运动已成为一种常见的研究方法。一种基于机器视觉的引体向上检测***的应用(CN113095461A一种基于机器视觉的引体向上计数器)，利用树莓派结合单目摄像头实现对引体向上计数，但传统视觉检测方法受光照环境、运动情况影响较大，检测鲁棒性不稳定，无法满足实时性分析的需求。通过采用深度卷积网络对采集的图像进行处理并提取运动特征实现对引体向上计数(CN107122798A基于深度卷积网络的引体向上计数检测方法及装置)，但缺少对引体向上运动细节的检测，所以仍然无法对动作规范性进行识别和分析，
发明内容
为了克服现有技术的不足，考虑到引体向上测试存在多个条件，为此本发明专门设计了一套二级难度的参数模型，可以对引体向上时的多余、单一或多个违例动作进行判断，如下颏不过杠、回落速度太快、摇摆、挺髋、屈膝等，测试者可以根据受测水平调整测试难度等级。进而提高了本发明的普适性与实用性。本发明根据对引体向上动作规范的分析，制定出6条评估标准：
(1)两手与肩同宽呈直臂悬垂。
(2)两臂用力引体向上拉至下颏超过单杠上缘齐平或超过为完成一次。
(3)双臂慢放还原至开始状态。
(4)在引体向上过程中不能屈膝。
(5)在引体向上过程中不能挺腹。
(6)在引体向上过程中身体不能摇摆。
本发明提出了基于计算机视觉的引体向上动作规范智能识别方法及***，该方法利用OpenPose识别出的人体关键点位置坐标作为引体向上动作量化分析的主要信息，选取左右腕关节、左右肘关节、左右肩关节、左右髋关节、左右膝关节、左右踝关节、颈部一共13个身体关键部位作为引体向上动作的关键识别点位，其中w,e,s,n,h,k,a分别是腕、肘、肩、颈、髋、膝、踝关节的英文首字母。字段脚标“_”后面的字母表示关键点的属性，l代表左侧，r代表右侧，i表示左右侧中的一个(表1)。
表1引体向上关键点位置坐标说明表
Figure BDA0003649383100000021
标准1：两手与肩同宽呈直臂悬垂。
引体向上开始时，手腕和两肩保持水平状态，如图3所示，手腕和两肩的距离分别为Lw和Ls(公式1和2)。通过对比两手距离之差绝对值ΔLws(公式3)可以判断两手与肩部是否同宽，由于每个测试人员的身体结构和动作姿态都有所差异，同时ΔLws大小也受图片拍摄的距离影响，只通过ΔLws不能有效判断两手与肩同宽的程度，提出一种误差比例判断法，把ΔLws与平均距离比值kws(公式4)作为判断标准，其值越小动作就越规范，可根据要求设置合格的阈值δ1大小，当kws≤δ1，则认为合格。根据肘关节的夹角θwe_i可以判断手臂垂直程度，理想状态下θwe_i为180°，但实际情况下引体向上动作并不标准，θwe_i的值在一定区间内，满足公式9可以判断，其中θmin容许最小弯曲角度，可以根据难度需调整θmin值。
Figure BDA0003649383100000031
Figure BDA0003649383100000032
ΔLws＝|Lw-Ls| (3)
Figure BDA0003649383100000033
Figure BDA0003649383100000034
Figure BDA0003649383100000035
Figure BDA0003649383100000036
Figure BDA0003649383100000037
θwe_i∈[θmin,180°] (9)
标准2：两臂用力引体向上拉至下颏超过单杠上缘齐平或超过为完成一次。
在引体向上过程中，左右肩关节在纵坐标轴上超过对应的左右腕关节即可做到下颏过杠，其对应距离之差绝对值的均值ΔLswd(如公式10)。当肩关节在纵坐标轴上超过对应的腕关节即可做到下颏过杠，它与手臂长度均值的比例kswd(如公式11)作为合格的判断标准，根据要求设置合格的阈值δ2大小，当kwsd≤δ2，则认为合格。通过这种方式考察可以避免受试者抬起下颏过杠情况的发生。
Figure BDA0003649383100000038
Figure BDA0003649383100000039
标准3：双臂慢放还原至开始状态。
还原至开始姿态是指上臂回落至初始悬吊状态，满足标准1中的要求即可。通过观察肘关节的平均角速度ωa(公式12)进行判断，根据要求设置合格的阈值δ3大小，当ωe≤δ3，则认为合格。
Figure BDA0003649383100000041
其中n表示引体向上还原到初始状态经历的总帧数，t表示还原到初始状态经历的时间，
Figure BDA0003649383100000042
表示第i帧时肘关节夹角。
标准4：在引体向上过程中不能屈膝。
根据膝关节的夹角θk_i(如公式13所示)判断是否存在屈膝，根据要求设置合格的阈值δ4大小，当δ4≤θk_i，则认为合格，根据实验统计，θk_i值在150°较为合适。
Figure BDA0003649383100000043
其中Lak_i表示踝关键点到膝关键点的距离，Lkh_i表示膝关键点到髋关键点的距离，Lah_i表示踝关键点到髋关键点的距离。
标准5：在引体向上过程中不能挺腹。
髋关节角度在髋关节左凸时，这一角度挺腹比较明显，同时还能够检测出利用摆浪技巧上杠。根据髋节的夹角θh_i(如公式14所示)判断是否存在挺腹，根据要求设置合格的阈值δ5大小，当δ5≤θh_i，则认为合格，根据实验统计，θh_i值在165°较为合适。
Figure BDA0003649383100000044
其中Lkh_i表示膝关键点到髋关键点的距离，Lhs_i表示肩关键点到髋关键点的距离，Lsk_i表示肩关键点到膝关键点的距离。
标准6：在引体向上过程中身体不能摇摆。
若摇摆出现屈膝或挺腹根据上述规则即可检测出犯规，这里重点关注肩、髋、膝、踝基本保持不变的摇摆现象。摇摆时踝在X轴方向变化幅度是较大的，根据踝关节在X轴的变化范围与肩宽比值kas衡量摇摆程度(如公式15)，根据要求设置合格的阈值δ6大小，当kas≤δ6，则认为合格。
Figure BDA0003649383100000045
其中
Figure BDA0003649383100000046
和
Figure BDA0003649383100000047
表示在引体向上过程中踝关节X轴方向上最大最小值。
应用所述基于计算机视觉的引体向上动作规范智能识别方法的***，该***包括两个摄像头和一台处理器；
所述两个摄像头采用多线程同步获取图像；其中第一摄像头位于单杠的正前方、第二摄像头位于侧前方；两个摄像头用于当受测者进入测试区域内采集图像；
所述处理器，用于对采集的图像进行人脸识别，将图片信息输送回数据库，对受测者身份进行确认；利用OpenPose算法采集受测者的人体骨骼关键点；通过分析图像中人体关键点坐标变化，当判断符合开始计数标准时，开始计数；当判断符合对应难度等级合格标准时，进行合格计数；当识别到受测者腕关节脱离单杠时，提示测试结束。并将受测者的成绩汇总上传至终端，受测者即可在客户端上查询到自己的成绩。
本发明的有益效果为，基于AI与计算机视觉的深度结合，通过基于深度学习的人体关键点、姿态估计的开源框架OpenPose与AI视觉检测技术开发了一种引体向上动作规范智能识别方法。对人体肩、肘、腕、髋、膝、踝等人体关键点识别，在受测者进行引体向上时通过受测者的关节角度、向上与回落的时间速度判断动作是否合格。本发明根据人体关键点位置和关节角度变化特征判断引体向上动作的有效性和规范性，大大提高了准确性。
本发明根据受测者不同的年龄与运动能力水平，本产品开发了一种可调的二级难度参数模型，对受测者在引体向上过程中的违例动作，例如屈膝、挺髋、摇摆等问题进行识别，为不同场景的引体向上测试提供了一种便捷、评价、实用、准备的检测技术。该技术发明可以减少引体向上测试的人力、物力、财力以及时间等成本消耗。
本发明与现有的引体向上的检测设备相对比，本***操作简单，检测速度快，设备成本低，检测效率高，能适应不同条件下的检测要求。
附图说明
图1是本发明摄像头安装示意图和视角图，(a)现场摄像机方位示意图，(b)正面摄像头视角，(c)45°左前摄像头视角。
图2是本发明整体方案流程图。
图3是引体向上过程关键点示意图。
图4是引体向上关键点检测示例，(a)达到标准的正面，(b)恢复至开始姿态的正面，(c)没有恢复正常的悬垂，(d)屈膝侧面，(e)挺腹侧面，(f)摇摆侧面。
图5是引体向上不同难度算法处理流程图。
具体实施方式
下面结合附图对本发明产品进行进一步说明
本实例中所述的基于计算机视觉的引体向上动作规范智能识别方法，包括步骤如下：
步骤1，使用2台摄像头在不同角度对受测者进行同步拍摄，摄像头的像素分辨率：1280×720，采集频率：30Hz。相机放置的示意图如图1所示。第一摄像头正对受测者拍摄，可以获取受测者肩部、肘部、膝部等重要部位关键点的位置和角度变化信息，尤其是下颏与单杠上缘相对位置关系，这是引体向上计数的主要评价标准。为了增强引体向上评估和计数算法的准确性，在测试者左前45°方向安置第二摄像头，一方面可以采集受测者全身摆动信息，用于引体向上多余动作的辅助检测，另一个方面可以有效弥补第一摄像头对人体关键点漏检和误检的情况。相机放置要满足以下两个条件：(1)摄像头需要水平放置，其高度与单杠高度一半保持平齐；(2)摄像头到单杠需保持合适的距离，使受测者和单杠能够完整保持在摄像头的视窗内。为了保证两个摄像头采集的两路视频数据关键点结果在时间上的同步性和一致性，在数据采集时算法会给每一帧图片添加全局的时间戳，把两路数据全局时间差最小的两帧图片作为同一时刻匹配图片。
步骤2，利用OpenPose算法BODY_25格式采集人体25个关键点(见图3)，并选择13个作为标准评价关键点，对人体骨骼关键点进行精准识别。将两个工业摄像头连接至笔记本电脑。
本实例中所述的识别技术具有一定的抗干扰能力，进入指定区域内即可识别受测者的行走、站立、悬垂以及下杠等多种状态。受测者进入测试区域内就位，就位之后开始对受测者进行人脸识别，在数据库中搜索该受测者的个人信息，语音提示受测者可以开始测试。
本实例中，根据标准而定，悬垂姿态应双手正握杠(掌心向前，拇指与另外四指相对)两手与肩同宽成直臂悬垂，本发明通过识别受测者的悬垂姿态(见图4)是否符合标准，例如有无踩踏物品、反手握杠等情况，同时该选项为参数模型必选项。
本实例中，受测者双臂用力引体，向上拉至下颌与单杠上缘齐平或超过，为完成一次(见图4)，该选项为参数模型的必选项，受测者满足下颌与单杠上缘齐平或超过，且无违例动作出现作为一次合格计数。
本实例中，出现一次合格计数后缓慢下落还原至开始姿态。此环节检测共包含两项标准，还原至开始姿态和下落还原，经反复观察实验，若受测者上肢及上肢肌群能力较差。在回落时会出现肘关节伸不直的现象，本发明将通过识别肘关节在纵坐标轴上的角度是否大于130°，同时该选项可在参数模型中进行调整，测试员可根据受测者的实际情况主观调整难度，<130°难度下降，>130°难度增加。
慢放的具体做法是，获取满足回落条件时，肘关节角度回落至肘关节130°时的角度，然后计算两个角度之差，之后除以通过时间求得肘关节角速度。经反复实验将阈值默认为160°满足大部分学生慢放速度。>160°难度下降，<160°难度增加。
本发明产品对引体向上时，肩部非对称发力也进行了评价，如果受测者能力较差，在引体向上时受测者容易出现双肩非对称发力，本发明判断此标准是用两个肘关节向上引体的角度进行相减，所得差值越接近0，则动作越标准。同时该选项可在参数模型中进行调整。
对屈膝、挺髋、摇摆等违例动作，本发明利用第二摄像头判断其动作的标准性。因受到openpose算法的限制，第二摄像头摆放在受测者左前45°方位，这使屈膝、挺腹的角度发生了变化，需要对其进行修正。经多次观察发现，屈膝角度达到150°时最为明显，<150°难度下降，>150°难度增加。挺髋幅度则是达到165°时最为明显，同时也可识别受测者是否利用摆浪技巧上杠，因此<165°难度下降，>165°难度增加。以上两个选项可在参数模型中进行调整。此处所述的摇摆是针对在肩、髋、膝、踝保持不变的情况下身体前后晃动的情况。
在本实例中，因该违例动作的踝关节摇摆幅度大，通过识别踝关节在横坐标轴上最左至最右的范围区间，经反复观察发现，将该数值设定在300°时摇摆幅度最为明显。>300°难度降低，<300°难度增加。最后当设备识别到受测者下杠后，将成绩自动返回终端，受测者即可在终端上进行查询。
传统方法中只关注引体向上计数个数，对引体向上的技术动作的规范性缺少统一、量化的评估方法，结合上述6条可量化的评价标准，研究提出一个难度分级的方法，可以满足不同难度要求的测试场景，普通模式适用于要求不高的学校引体向上体测场景，专业模式适用考核标准严格特殊岗位的引体向上测试场景。根据引体向上的运动特征和测试的专业程度要求，难度分级的引体向上评估和计数模具有更好的灵活性和适用性。把引体向上分为动作评估和动作计数两个部分，具体流程如图5所示，按照不同难度要求添加约束条件，可以进一步判断引体向上动作是否规范，而非单一把下颏超过单杠或与之平齐作为计数的标准，其中普通难度模式指标包括两手与肩同宽呈直臂悬垂、引体向上下颏过杠、双臂慢放还原至开始姿态，专业难度模式在此基础上增加了挺腹、屈膝和摇摆的判断，可以根据实际测试情况调整每一项的判断阈值。
根据引体向上动作规范的要求采集视频，为了验证基于OpenPose引体向上动作规范智能识别***的算法模型有效性，研究选取208名高校男学生作为实验测试对象，采集用于实验和验证的数据集。每个测试对象采集3段同步视频，去除4对无效同步视频，实验共采集620对有效的正面和侧面同步视频，共计1240个视频。以单个完整的引体向上动作过程视频作为基本样本，累计剪辑出2940对样本。按照专业难度等级对样本筛选，其中1288对同步视频为动作合格样本，1652对同步视频为不合格动作规范样本。从合格和不合格同步视频样本中各随机选取50％，共计1470对同步视频用于引体向上评估、计数的参数建模，剩余1470对同步视频作为模型的测试集，用于模型性能的评估。
利用混淆矩阵对参数分类模型进行性能评估。首先计算混淆矩阵的4个测量指标：TP(True-Positive)、FP(False-Positive)、FN(False-Negative)、TN(True-Negative)(表2)：
表2
Figure BDA0003649383100000081
实验结果所得TP、FP、FN、TN结果。然后再根据这4个测量指标计算准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F值(F-measure)。结果如表3所示。
Figure BDA0003649383100000082
Figure BDA0003649383100000083
Figure BDA0003649383100000084
Figure BDA0003649383100000085
表3参数分类模型性能
Figure BDA0003649383100000086
准确率(Accuracy)是指模型正确判断合格和不合格引体向上动作数量(TP+TN)占总数据的比例。精确率(Precision)也叫查准率，是对模型判断为合格动作中真正合格动作所占比例。召回率(Recall)也叫查全率，是模型正确判断合格动作占总体合格动作的比例，其值为0.957。F值(F-measure)是精确率(Precision)和召回率(Recall)加权调和平均，常用于评价分类模型的好坏，F值综合了精确率(Precision)和召回率(Recall)的结果。
本发明实施例利用基于深度学习算法OpenPose框架实时检测视频中的人体关键点，同时结合《国家体育锻炼标准工作指导手册》(2020版)中对引体向上动作规范的要求和引体向上运动关键特征，提出了一种基于引体向上运动特征的二级难度评估和计数的参数化模型。该方法在性能评估上的准确率、精确率、召回率和F值的结果分别为0.971、0.978、0.957和0.967，充分说明该方法的有效性和可靠性，可以广泛应用于不同难度要求标准的引体向上测试场景。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，该方法基于两个摄像头和一台处理器；所述两个摄像头采用多线程同步获取图像；其中第一摄像头位于单杠的正前方、第二摄像头位于侧前方，所述处理器运行的方法包括步骤如下：
当受测者进入测试区域内，两个摄像头采集图像，对其进行人脸识别，将图片信息输送回数据库，对受测者身份进行确认；并利用OpenPose算法采集受测者的人体骨骼关键点，然后提示受测者开始测试；
通过分析图像中人体关键点坐标变化，当判断符合开始计数标准时，开始计数；
通过分析图像中人体关键点坐标变化，当判断符合对应难度等级合格标准时，进行合格计数；
当识别到受测者腕关节脱离单杠时，提示测试结束。
2.根据权利要求1所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，利用OpenPose算法采集受测者的人体骨骼关键点包括左右腕关节、左右肘关节、左右肩关节、左右髋关节、左右膝关节、左右踝关节、颈部一共13个身体关键部位作为引体向上动作的关键识别点位，如表1所示，字段脚标“_”后面的字母表示关键点的属性，l代表左侧，r代表右侧；
表1引体向上关键点位置坐标说明表
Figure FDA0003649383090000011
3.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，所述符合开始计数标准为：两手与肩同宽呈直臂悬垂；具体为：
Figure FDA0003649383090000012
Figure FDA0003649383090000013
ΔLws＝|Lw-Ls| (3)
Figure FDA0003649383090000021
Figure FDA0003649383090000022
Figure FDA0003649383090000023
Figure FDA0003649383090000024
Figure FDA0003649383090000025
θwe_i∈[θmin,180°] (9)
其中，θwe_i为肘关节的夹角；θmin为容许最小弯曲角度；i表示左右侧中的一个；
当kws≤δ1且θwe_i满足公式(9)则符合开始计数标准，δ1为阈值A。
4.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，合格标准包括：两臂用力引体向上拉至下颏超过单杠上缘齐平或超过为完成一次；具体为：
Figure FDA0003649383090000026
Figure FDA0003649383090000027
当kwsd≤δ2则符合两臂用力引体向上拉至下颏超过单杠上缘齐平或超过为完成一次标准，δ2为阈值B。
5.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，合格标准包括：双臂慢放还原至开始状态；具体为：
Figure FDA0003649383090000028
其中n表示引体向上还原到初始状态经历的总帧数，t表示还原到初始状态经历的时间，
Figure FDA0003649383090000029
表示第i帧时肘关节夹角；i表示左右侧中的一个；
当ωe≤δ3时，则符合双臂慢放还原至开始状态标准，δ3为阈值C。
6.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，合格标准包括：在引体向上过程中不能屈膝；具体为：
Figure FDA0003649383090000031
其中Lak_i表示踝关键点到膝关键点的距离，Lkh_i表示膝关键点到髋关键点的距离，Lah_i表示踝关键点到髋关键点的距离，i表示左右侧中的一个；
当θk_i≥δ4时，则符合在引体向上过程中不能屈膝的标准，δ4为阈值D。
7.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，合格标准包括：在引体向上过程中不能挺腹；具体为：
Figure FDA0003649383090000032
其中Lkh_i表示膝关键点到髋关键点的距离，Lhs_i表示肩关键点到髋关键点的距离，Lsk_i表示肩关键点到膝关键点的距离，i表示左右侧中的一个；
当θh_i≥δ5时，则符合在引体向上过程中不能挺腹的标准，δ5为阈值E。
8.根据权利要求2所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，合格标准包括：在引体向上过程中身体不能摇摆；具体为：
Figure FDA0003649383090000033
其中
Figure FDA0003649383090000034
和
Figure FDA0003649383090000035
表示在引体向上过程中踝关节X轴方向上最大最小值；
当kas≤δ6时，则符合在引体向上过程中身体不能摇摆标准，δ6为阈值F。
9.根据权利要求1所述的基于计算机视觉的引体向上动作规范智能识别方法，其特征在于，两个摄像头分别进行图像采集，给每一帧图片添加全局的时间戳，把两路数据全局时间差最小的两帧图片作为同一时刻匹配图片。
10.应用权利要求1-9任一所述基于计算机视觉的引体向上动作规范智能识别方法的***，其特征在于，该***包括两个摄像头和一台处理器；
所述两个摄像头采用多线程同步获取图像；其中第一摄像头位于单杠的正前方、第二摄像头位于侧前方；两个摄像头用于当受测者进入测试区域内采集图像；
所述处理器，用于对采集的图像进行人脸识别，将图片信息输送回数据库，对受测者身份进行确认；利用OpenPose算法采集受测者的人体骨骼关键点；通过分析图像中人体关键点坐标变化，当判断符合开始计数标准时，开始计数；当判断符合对应难度等级合格标准时，进行合格计数；当识别到受测者腕关节脱离单杠时，提示测试结束。
CN202210539016.4A 2022-05-18 2022-05-18 基于计算机视觉的引体向上动作规范智能识别方法及*** Pending CN114998986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210539016.4A CN114998986A (zh) 2022-05-18 2022-05-18 基于计算机视觉的引体向上动作规范智能识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210539016.4A CN114998986A (zh) 2022-05-18 2022-05-18 基于计算机视觉的引体向上动作规范智能识别方法及***

Publications (1)

Publication Number Publication Date
CN114998986A true CN114998986A (zh) 2022-09-02

Family

ID=83027004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210539016.4A Pending CN114998986A (zh) 2022-05-18 2022-05-18 基于计算机视觉的引体向上动作规范智能识别方法及***

Country Status (1)

Country Link
CN (1) CN114998986A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138059A (zh) * 2022-09-06 2022-10-04 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、***及其存储介质
CN116563951A (zh) * 2023-07-07 2023-08-08 东莞先知大数据有限公司 一种单杠悬挂动作规范确定方法、装置、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138059A (zh) * 2022-09-06 2022-10-04 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、***及其存储介质
CN115138059B (zh) * 2022-09-06 2022-12-02 南京市觉醒智能装备有限公司 一种引体向上的规范计数方法、***及其存储介质
CN116563951A (zh) * 2023-07-07 2023-08-08 东莞先知大数据有限公司 一种单杠悬挂动作规范确定方法、装置、设备和存储介质
CN116563951B (zh) * 2023-07-07 2023-09-26 东莞先知大数据有限公司 一种单杠悬挂动作规范确定方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN114998986A (zh) 基于计算机视觉的引体向上动作规范智能识别方法及***
CN111368791B (zh) 基于Quick-OpenPose模型的引体向上测试计数方法及***
CN112287759A (zh) 基于关键点的跌倒检测方法
CN105832343B (zh) 多维视觉手功能康复定量评估***和评估方法
WO2024051597A1 (zh) 一种引体向上的规范计数方法、***及其存储介质
CN110755085B (zh) 基于关节活动度与运动协调性的运动功能评估方法及设备
CN110490080A (zh) 一种基于图像的人体跌倒判别方法
CN105740779A (zh) 人脸活体检测的方法和装置
CN114973401A (zh) 基于动作检测与多模态学习的标准化引体向上评估方法
Park et al. Imagery based parametric classification of correct and incorrect motion for push-up counter using OpenPose
CN113288452B (zh) 手术质量检测方法及装置
CN113856186B (zh) 一种引体向上动作判定与计数的方法、***及装置
KR102369359B1 (ko) 영상기반 지능형 푸시-업 판별 방법 및 푸시-업 판별 시스템
CN113974612A (zh) 一种卒中患者上肢运动功能自动化评估方法与***
CN109271845A (zh) 基于计算机视觉的人体动作分析与评价方法
CN117612261A (zh) 一种基于图像判断的仰卧起坐规范计数的方法及其***
CN117542121A (zh) 基于计算机视觉的智能化训练考核***及方法
CN116740618A (zh) 一种运动视频动作评估方法、***、计算机设备及介质
CN115068919B (zh) 一种单杠项目的考核方法及其实现装置
CN116758627A (zh) 一种挺身式跳远空中技术动作自动评测方法
CN114639168B (zh) 一种用于跑步姿态识别的方法和***
CN116189301A (zh) 一种基于姿态估计的立定跳远动作规范性评估方法
CN115331304A (zh) 一种跑步识别方法
CN115937969A (zh) 仰卧起坐考核中目标人物的确定方法、装置、设备及介质
Shell et al. Is a head-worn inertial sensor a valid tool to monitor swimming?

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