CN115346273A - 雪上运动信息监测方法及相关装置 - Google Patents
雪上运动信息监测方法及相关装置 Download PDFInfo
- Publication number
- CN115346273A CN115346273A CN202210993642.0A CN202210993642A CN115346273A CN 115346273 A CN115346273 A CN 115346273A CN 202210993642 A CN202210993642 A CN 202210993642A CN 115346273 A CN115346273 A CN 115346273A
- Authority
- CN
- China
- Prior art keywords
- information
- target person
- motion
- data
- joint
- 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
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了雪上运动信息监测方法及相关装置,用于对雪上运动进行信息监测,所述方法包括:利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像;利用一种或多种传感器实时获取所述目标人员的运动传感信息;分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到对应的特征提取结果;对特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。本申请能够实时监测人员在雪上运动过程中的多源化信息从而实现运动效果的评价。
Description
技术领域
本申请涉及体育运动信息监测、人工智能的技术领域,尤其涉及雪上运动信息监测方法及相关装置。
背景技术
跳台滑雪、高山滑雪、自由式滑雪等运动都是常见的雪上运动。为进一步提升雪上项目运动员的训练效率,需要获取雪上项目运动员实时位置、速度、加速度、滑行姿态等信息,在此基础上全面且有针对性地分析运动员的运动过程对运动员成绩的提高非常有必要。
目前一般都是人工借助经验对运动员的技术动作进行判断,耗时耗力且具有主观性。并且传统的非智能方式采集数据具有采集效率低、缺乏实时性等问题,运动员的雪上训练存在“难量化、难记录、难监督、难分析”的问题。因此,要真正挖掘运动员的潜力和发挥运动员竞技能力需要依靠先进科学技术跟踪监测运动员的雪上运动的全过程,监测运动员的运动轨迹和运动参数。
基于此,本申请提供了雪上运动信息监测方法及相关装置,以解决上述现有技术中存在的问题。
发明内容
本申请的目的在于提供雪上运动信息监测方法及相关装置,实时监测人员在雪上运动过程中的多源化信息从而实现运动效果的评价。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种雪上运动信息监测方法,用于对雪上运动进行信息监测,所述方法包括:
利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
该技术方案的有益效果在于:本申请可以在雪上运动区域内实现长时间的、动态的、远程的多点监测,实现雪上运动训练或比赛中区域场景、目标人员的传感信息实时远程获取,从而实时在线获取全面的运动传感信息(也就是说,传感信息包括运动学信息和/或动力学信息,相应的,运动参数包括运动学参数和/或动力学参数)。首先,相对于传统的人工观测方法,本申请无时间限制,任何时间都可以监测目标人员的运动过程,不受时间的限制,将监测人员从重复的工作中解放出来。其次,本申请具体量化运动传感信息,以便运动员和教练员等有关人员都可以更客观科学的得到目标人员的动作信息,摒除了传统人工观测的主观性。再次,可以实时采集动态的运动全过程,准确记录实时采集图像和目标人员的运动传感信息,可以远程看到目标人员的动作数据,无场所限制。另一方面,通过人工智能等新技术,对所述实时采集图像、所述运动传感信息进行特征提取,最大限度的提取各信号/数据中的有利信息,以提高图像及信息的利用率。并将实时采集图像、运动传感信息对应的特征提取结果与环境信息、目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到目标人员的运动数据融合结果。此后将所获得的运动数据融合结果输入运动评价预测模型,以得到针对每个目标人员的运动评价预测结果,使得结果更具针对性、科学性,赋能雪上运动精准教学,提升体雪上运动训练管理的智能化水平。这样做的好处是,利用人工智能技术(例如运动评价预测模型等),智能化地获取运动评价预测结果,以便教练员有针对性地提出对目标人员训练计划,从而以多源化信息采集、数据实时获取为特色地提供了雪上运动信息监测功能。本申请填补了国内运动员运动多源信息实时信息监测技术的不足,极大程度上能够为体育运动教练提供准确的建议。
本申请针对雪上运动项目特征,融合鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息、关节位置信息等,构建全面的运动学信息和动力学信息实时在线获取平台,实现滑雪板加速度、三维力、足底压力以及人体姿态、位置等参数的实时同步获取。本申请设计构建便于存储、管理和调用的数据格式与数据集架构,构建雪上项目运动科学信息数据集。其次,本申请通过设计有效的多源异构数据的融合方法,将深度神经网络与信息融合模型结合产生多种推理,可以构建与运动效果关联的雪上运动项目特征参数指标体系;最后,本申请可以通过研究雪上项目特征参数和运动效果之间的非线性关系,实现运动效果的评价。
在一些可选的实施方式中,所述运动传感信息包括鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
该技术方案的有益效果在于:本申请需要采集运动员鞋与滑雪板之间的多维力信息、运动员足底柔性力信息、滑雪板加速度信息、目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息,并进行分析获取所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度。这些运动惯性类型数据(即三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度)中都含有的3维数据,分别对应X、Y、Z三个方向。将以上数据进行归一化处理,使得数据值范围映射到[0,1]之间,这种归一化处理可使得原本没有可比性的数据变得具有可比性,在保留原来数据中存在的大小关系的同时,消除量纲和数据取值范围的影响。在此进行归一化处理的目的还包括对指标进行规范化处理,方便后续的数据处理过程,例如在归一化后就可以很方便地进行后续的数据堆叠,得到堆叠惯性信号图像。此外,本申请通过利用数据可视化技术,更准确明了地表达上述信息,为教练和运动员进一步对相关信息进行合理且全面的运动分析提供依据。
在一些可选的实施方式中,所述目标人员的运动评价预测结果用于指示所述目标人员的运动评分和/或评级。
该技术方案的有益效果在于:选择和正式比赛相同或相似的评分标准和/或评级标准,具体量化评分标准和/或评级标准,更清楚明确的表述出影响目标人员比赛得分的影响因素。例如滑雪板参数信息、环境信息、目标人员的身高体重和技术动作等因素对于比赛得分是否有影响,客观选择最适合运动员的滑雪板信息参数等。通过评分和/或评级更为直接的表述目标人员在该技术动作上进步与否,训练是否有效,进一步帮助目标人员矫正自己的姿态乃至纠正错误的发力***时的雪上运动训练中就以正式比赛结果为导向,去针对性练习并改正自身动作以获得更高的比赛评分和/或评级。
在一些可选的实施方式中,获取所述环境信息的过程包括:
利用一种或多种环境传感器实时获取所述环境信息;所述环境信息包括温度信息、湿度信息和气压信息中的一种或多种;
获取所述目标人员的滑雪板结构信息的过程包括:
利用3D扫描设备对所述目标人员的滑雪板进行3D扫描,以得到所述目标人员的滑雪板结构信息;
获取所述目标人员的身体指标测量信息的过程包括:
利用身高体重测量仪测量得到所述目标人员的身体指标测量信息;所述目标人员的身体指标测量信息包括所述目标人员的身高信息和体重信息。
该技术方案的有益效果在于:一方面,实现了3D扫描设备、传感器等新技术在监测领域中的应用,促进了监测质量和效率的双提升。另一方面,量化、记录环境状态、滑雪板结构和运动员身体指标等因素对雪上运动训练的影响,从而合理监测环境状态、滑雪板结构和运动员身体指标等因素对雪上运动项目训练的影响,有利于运动员更科学、有效地开展体育训练。
在一些可选的实施方式中,所述运动评价预测模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本人员的运动数据融合结果以及所述样本人员的运动评价预测结果的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本人员的运动数据融合结果输入预设的神经网络,以得到所述样本人员的运动评价预测结果的预测数据;
基于所述样本人员的运动评价预测结果的预测数据和标注数据,对所述神经网络的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述神经网络作为所述运动评价预测模型;如果否,则利用下一个所述训练数据继续训练所述神经网络。
该技术方案的有益效果在于:通过对相关运动数据进行建模统计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的神经网络,通过该预设的神经网络的学习和调优,建立起从输入到输出的函数关系,就能够得到运动评价预测模型,以掌握相关指标的发展趋势,寻找各种特征参数之间复杂的耦合关系,解析相关的运动学、动力学等特征参数,研究跳台滑雪运动项目特征参数和运动效果之间的非线性关系,对跳台滑雪运动员的运动改善及成绩提高具有重要的指导意义。
在一些可选的实施方式中,所述方法还包括:
将所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息记为待融合数据,当所述待融合数据中的部分或全部数据发生变化时,对变化后的待融合数据进行数据融合,以得到新的运动数据融合结果;
将所述新的运动数据融合结果输入至所述运动评价预测模型,以得到新的运动评价预测结果;
将所述目标人员的运动评价预测结果和所述新的运动评价预测结果进行比对,以得到比对结果;
基于所述比对结果,生成评价提升建议并发送至预设的用户设备。
该技术方案的有益效果在于:基于所述比对结果,生成评价提升建议,使得每位受测者都可以得到适合自己的运动处方,更科学合理、更有针对性地指导每个运动员进行雪上运动训练,对运动员的雪上运动技术水平提升有着重要作用。其中,在其他条件不变的情况下,仅改变滑雪板结构参数、环境参数、目标人员身高体重或某个技术动作等单个或多个因素,将目标人员的之前的运动评价预测结果与该目标人员的最新运动评价预测结果逐一比对,就能够找出影响目标人员运动评价预测结果的有关因素。帮助运动员选择最适合自己的滑雪板和判断环境因素和身高体重因素对个人发挥的影响、同时帮助教练指导或者帮助运动员调整运动姿态。
第二方面,本申请提供了一种雪上运动信息监测装置,用于对雪上运动进行信息监测,所述装置包括:
图像采集模块,用于利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
信息获取模块,用于利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
特征提取模块,用于分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
数据融合模块,用于对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
评价预测模块,用于将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
在一些可选的实施方式中,所述运动传感信息包括鞋与板间多维力信息、足底柔性力信息、滑雪板加速度信息以及人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
在一些可选的实施方式中,所述目标人员的运动评价预测结果用于指示所述目标人员的运动评分和/或评级。
在一些可选的实施方式中,获取所述环境信息的过程包括:
利用一种或多种环境传感器实时获取所述环境信息;所述环境信息包括温度信息、湿度信息和气压信息中的一种或多种;
获取所述目标人员的滑雪板结构信息的过程包括:
利用3D扫描设备对所述目标人员的滑雪板进行3D扫描,以得到所述目标人员的滑雪板结构信息;
获取所述目标人员的身体指标测量信息的过程包括:
利用身高体重测量仪测量得到所述目标人员的身体指标测量信息;所述目标人员的身体指标测量信息包括所述目标人员的身高信息和体重信息。
在一些可选的实施方式中,所述运动评价预测模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本人员的运动数据融合结果以及所述样本人员的运动评价预测结果的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本人员的运动数据融合结果输入预设的神经网络,以得到所述样本人员的运动评价预测结果的预测数据;
基于所述样本人员的运动评价预测结果的预测数据和标注数据,对所述神经网络的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述神经网络作为所述运动评价预测模型;如果否,则利用下一个所述训练数据继续训练所述神经网络。
在一些可选的实施方式中,所述装置还包括建议生成模块,所述建议生成模块用于:
将所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息记为待融合数据,当所述待融合数据中的部分或全部数据发生变化时,对变化后的待融合数据进行数据融合,以得到新的运动数据融合结果;
将所述新的运动数据融合结果输入至所述运动评价预测模型,以得到新的运动评价预测结果;
将所述目标人员的运动评价预测结果和所述新的运动评价预测结果进行比对,以得到比对结果;
基于所述比对结果,生成评价提升建议并发送至预设的用户设备。
第三方面,本申请提供了一种雪上运动信息监测设备,所述雪上运动信息监测设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法的步骤。
附图说明
下面结合附图和实施方式对本申请进一步说明。
图1示出了本申请实施例提供的一种雪上运动信息监测方法的流程示意图。
图2示出了本申请实施例提供的一种雪上运动信息监测设备的结构示意图。
图3示出了本申请实施例提供的一种获取特征提取结果的流程示意图。
图4示出了本申请实施例提供的一种生成评价提升建议的流程示意图。
图5示出了本申请实施例提供的一种数据融合的流程示意图。
图6示出了本申请实施例提供的一种获得3D人体姿态的流程示意图。
图7示出了本申请实施例提供的一种雪上运动信息监测装置的结构示意图。
图8示出了本申请实施例提供的一种雪上运动信息监测设备的结构框图。
图9示出了本申请实施例提供的一种程序产品的结构示意图。
具体实施方式
下面将结合本申请的说明书附图以及具体实施方式,对本申请中的技术方案进行描述,需要说明的是,在不相冲突的前提下,以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。
在本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A 和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中 A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示: a,b,c,a和b,a和c,b和c,a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
还需说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
方法实施例
参见图1和图2,图1示出了本申请实施例提供的一种雪上运动信息监测方法的流程示意图,图2示出了本申请实施例提供的一种雪上运动信息监测设备的结构示意图。
本申请实施例提供了一种雪上运动信息监测方法,用于对雪上运动进行信息监测,所述方法包括:
步骤S101:利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
步骤S102:利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
步骤S103:分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
步骤S104:对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
步骤S105:将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
本申请可以在雪上运动区域内实现长时间的、动态的、远程的多点监测,实现雪上运动训练或比赛中区域场景、目标人员的运动传感信息参数实时远程获取,从而实时在线获取全面的运动传感信息(也就是说,运动传感信息包括运动学信息和/或动力学信息,相应的,运动参数包括运动学参数和/或动力学参数)。首先,相对于传统的人工观测方法,本申请无时间限制,任何时间都可以监测目标人员的运动过程,不受时间的限制,将监测人员从重复的工作中解放出来。其次,本申请具体量化运动传感信息,以便运动员和教练员等有关人员都可以更客观科学的得到目标人员的动作信息,摒除了传统人工观测的主观性。再次,可以实时采集动态的运动全过程,准确记录实时采集图像和目标人员的运动传感信息可以远程看到目标人员的动作数据,无场所限制。另一方面,通过人工智能等新技术,对所述实时采集图像、所述运动传感信息进行特征提取,最大限度的提取各信号 /数据中的有利信息,以提高图像及信息的利用率。并将实时采集图像、运动传感信息对应的特征提取结果与环境信息、目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到目标人员的运动数据融合结果。此后将所获得的运动数据融合结果输入运动评价预测模型,以得到针对每个目标人员的运动评价预测结果,使得结果更具针对性、科学性,赋能雪上运动精准教学,提升体雪上运动训练管理的智能化水平。这样做的好处是,利用人工智能技术(例如运动评价预测模型等),智能化地获取运动评价预测结果,以便教练员有针对性地提出对目标人员训练计划,从而以多源化信息采集、数据实时获取为特色地提供了雪上运动信息监测功能。本申请填补了国内运动员运动多源信息实时信息监测技术的不足,极大程度上能够为体育运动教练提供准确的建议。
本申请针对雪上运动项目特征,融合鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息、关节位置信息等,构建全面的运动学信息和动力学信息实时在线获取平台,实现滑雪板加速度、三维力、足底压力以及人体姿态、位置等参数的实时同步获取。本申请设计构建便于存储、管理和调用的数据格式与数据集架构,构建雪上项目运动科学信息数据集。其次,本申请通过设计有效的多源异构数据的融合方法,将深度神经网络与信息融合模型结合产生多种推理,可以构建与运动效果关联的雪上运动项目特征参数指标体系;最后,本申请可以通过研究雪上项目特征参数和运动效果之间的非线性关系,实现运动效果评价。
运动学是理论力学的一个分支学科,从几何的角度研究物体的运动,这里的“运动”指机械运动,即物***置的改变。从几何的角度(指不涉及物体本身的物理性质和加在物体上的力)描述和研究物***置随时间的变化规律的力学分支。研究的是运动本身,主要是表述物体的速度、加速度和空间位置这几个量之间的大小和方向关系。单纯的运动学研究不涉及物体的质量,也就不涉及到力;经常将物体抽象为质点或某个几何形状,研究特征点之间的速度、加速度、相对位置关系。以角度、速度、加速度等列的方程是运动学方程。
动力学是理论力学的一个分支学科,它主要研究作用于物体的力与物体运动的关系。以纵向受力情况或者侧向受力情况列的等式方程是动力学方程。
动力学与运动学有着紧密联系,联系二者的桥梁就是“牛顿第二定律:F=m ×a”,其中a是运动学范畴,F就是力。运动学主要描述物体的运动状态(位移,速度,加速度),不涉及到力;反过来,动力学主要基于“动”字,因“动”而产生加速度a(匀速直线运动加速度a为0),也就有了惯性力m×a,进行动力学分析的前提必须进行运动学分析。
运动学主要研究的是对象物体的位姿-时间关系的学问,对于引起位姿变化的力一概不涉及。分为正向运动学和反向运动学。动力学(运动力学)主要研究的是:对象物体在给定作用力下会产生什么样的运动轨迹,或是为了实现某一指定运动轨迹应该施加怎样的力的学问。
本申请实施例中,鞋与滑雪板间多维力信息、足底柔性力信息属于动力学的相关信息,三维力属于动力学相关的运动参数。
滑雪板加速度信息以及目标人员的重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息属于运动学的相关信息,滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度属于运动学相关的运动参数。
所述目标人员的多个运动参数包括上述运动学相关的运动参数以及动力学相关的运动参数,因此,(对运动参数的待处理数据进行归一化,利用归一化结果转换生成堆叠惯性信号图像,对堆叠惯性信号图像进行特征提取,)所得到的运动传感信息对应的特征提取结果就包括运动学和动力学特征。其中,运动学特征是滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度对应的特征,动力学特征是三维力对应的特征。
本申请中,目标人员的运动传感信息是指目标人员对应的一种或多种传感器所采集得到的信息。部分传感器可以穿戴在目标人员身上,部分传感器可以设置在衣服、鞋或者滑雪板上。
雪上运动例如可以包括跳台滑雪、高山滑雪、花样滑雪、自由式滑雪等。自由式滑雪例如可以包括大跳台、空中技巧、雪上技巧、U型场地和坡面障碍等细分项目。跳台滑雪例如可以包括70米、90米与120米三种高度类别,还可以分为个人项目和团体项目。花样滑雪例如可以分为单板滑雪、双板滑雪,花样滑雪又例如可以包括雪上芭蕾、技巧、速降等细分项目。
作为一个示例,自由滑雪的评分标准主要涉及以下一个或两个方面的技巧:空中技巧和雪上技巧。空中技巧方面的评分要素主要包括腾空、动作、着陆;雪上技巧方面的评分要素主要包括转动、腾空、速度。
作为一个示例,跳台滑雪是一种以滑雪板为工具,在专设的跳台上以自身的体重通过助滑坡获得的速度,比跳跃距离和动作姿势的一种雪上竞技项目,其中跳跃距离分以飞行的米数来计算。
由此,在雪上运动项目的场地上放置一个或多个图像采集设备,利用图像采集设备实时采集得到预设区域的实时采集图像或者实时采集视频,以便于更为直观的观察该区域点的实时环境状态及运动员的运动情况,所述预设区域是目标人员做出雪上运动的技术动作的区域。
利用一种或多种传感器实时获取所述目标人员不同关节部位的多类型运动传感信息。
本申请实施例对图像采集设备不作限定,其例如可以是摄像头、摄像机、相机、扫描仪或者其他带有拍照功能的设备(手机、平板电脑等)等。其中,摄像头例如可以包括光学摄像头和/或红外摄像头。
本申请实施例中,目标人员例如可以是运动员、教练员、陪练人员等。
本申请实施例中,雪上运动例如包括以下一种或多种:跳台滑雪、高山滑雪、花样滑雪、自由式滑雪等。
每种雪上运动的技术动作可以是不完全相同的,也就是说,各雪上运动的技术动作可以有部分相同或相似的情况。
在一个实际应用中,花样滑雪的技术动作可以包括:滑降、旋转、跳跃、空翻等。
在一个实际应用中,跳台滑雪的技术动作可以包括:助滑、起跳、空中飞行、着陆终止区滑行。
作为一个示例,自由式滑雪女子大跳台决赛中,运动员甲的运动识别结果是“技术动作的类型为向左偏转偏轴转体、空中旋转度数为1620度、难度评级为最高、完成度为99%、评分为94.50”。
作为另一个示例,跳台滑雪比赛中,运动员乙的运动识别结果是“跳台高度为90米、难度评级为中等、完成度为86%、评分为83.20”。作为另一个示例,单板滑雪比赛中,运动员丙的运动识别结果是“技术动作的类型为Back side 5 40内转540、难度评级为高、完成度为95%、评分为90.00”。
在一些实施方式中,目标人员重心移动轨迹信息例如可以采用轨迹曲线或者轨迹点来表示;鞋与滑雪板间多维力信息例如可以采用矢量或标量来表示;滑雪板加速度信息例如可以采用三维坐标数据来表示;足底柔性力信息例如可以采用矢量或标量来表示;关节加速度信息例如可以采用三维坐标数据来表示;关节角度信息例如可以采用数值来表示;关节位置信息例如可以采用三维坐标数据来表示。
本申请实施例中,还可以获取目标人员的各关节的关节姿态信息、滑雪板的姿态信息、摄像头的姿态信息等,其中,姿态信息可以包括三个姿态角(即俯仰角、倾斜角、横滚角)。
本申请实施例对预设区域不作限定,一个雪上运动可以包括一个预设区域,也可以包括多个预设区域。
本申请实施例对惯性传感器的精度及数据类型不作限定,其例如可以是低精度、中精度或高精度惯性传感器,也可以是加速度数据类型传感器、角度类型惯性传感器。
本申请实施例对所提取的特征不作限定,其例如可以是边缘、形状、轮廓、局部特征等信息。
本申请实施例对数据融合方式不作限定,其例如可以采取数据级融合、特征级融合、决策级融合等。
本申请实施例中的特征级融合是指上述传感器和图像采集设备所采集的数据中提取出能够体现目标人员属性的特征向量,在这个层级上对于目标人员的特征做信息融合,就是特征级融合。这种方式之所以可行,是由于部分关键的特征信息,可以来代替全部数据信息。
本申请实施例对技术动作不作限定,其例如可以包括滑降、旋转、跳跃、空翻、助滑、起跳、空中飞行、着陆终止区滑行等。
参见图3,图3示出了本申请提供的一种获取特征提取结果的流程示意图。
在一些可选的实施方式中,所述运动传感信息包括鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
步骤S201:基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
步骤S202:对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
步骤S203:基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
步骤S204:对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
由此,本申请需要采集运动员鞋与滑雪板之间的多维力信息、足底柔性力信息、滑雪板加速度信息、目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息,并进行分析获取所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度。这些运动惯性类型数据(即三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度)中各关节都含有的3维数据,分别对应X、Y、Z三个方向。将以上数据进行归一化处理,使得数据值范围映射到[0,1]之间,这种归一化处理可使得原本没有可比性的数据变得具有可比性,在保留原来数据中存在的大小关系的同时,消除量纲和数据取值范围的影响。在此进行归一化处理的目的还包括对指标进行规范化处理,方便后续的数据处理过程,例如在归一化后就可以很方便地进行后续的数据堆叠,得到堆叠惯性信号图像。此外,本申请通过利用数据可视化技术,更准确明了地表达上述信息,为教练和运动员进一步对相关信息进行合理且全面的运动分析提供依据。
在一些实施方式中,运动质心位置例如可以采用轨迹曲线或者轨迹点来表示;各关节速度、各关节角速度、各关节加速度、各关节角加速度、各关节角度可以采用三维数据来表示。
本申请实施例对图像格式不作限定,例如可以包括JPG、JPEG、RAW、PN G、GIF等。
在一些实施方式中,关节中心信息例如可以采用二维轨迹曲线或者轨迹点来表示;关节长度信息例如可以采用一维数据来表示。
在一些实施方式中,捕捉技术动作姿态例如可以采用人体姿态模型:通过关键节点连接起来以描述目标人员的位姿。
本申请实施例对关键节点数量不作限定,其例如可以是2、4、5、6、7、8、 10、12、16、18、20、24、28、32、36、38等。
在一些可选的实施方式中,所述目标人员的运动评价预测结果用于指示所述目标人员的运动评分和/或评级。
选择和正式比赛相同或相似的评分标准和/或评级标准,具体量化评分标准和/或评级标准,更清楚明确的表述出影响目标人员比赛得分的影响因素。例如滑雪板参数信息、环境信息、目标人员的身高体重和技术动作等因素对于比赛得分是否有影响,客观选择最适合运动员的滑雪板信息参数等。通过评分和/或评级更为直接的表述目标人员在该技术动作上进步与否,训练是否有效,进一步帮助目标人员矫正自己的姿态乃至纠正错误的发力***时的雪上运动训练中就以正式比赛结果为导向,去针对性练习并改正自身动作以获得更高的比赛评分和/或评级。
在一些可选的实施方式中,获取所述环境信息的过程可以包括:
利用一种或多种环境传感器实时获取所述环境信息;所述环境信息包括温度信息、湿度信息和气压信息中的一种或多种;
获取所述目标人员的滑雪板结构信息的过程可以包括:
利用3D扫描设备对所述目标人员的滑雪板进行3D扫描,以得到所述目标人员的滑雪板结构信息;
获取所述目标人员的身体指标测量信息的过程可以包括:
利用身高体重测量仪测量得到所述目标人员的身体指标测量信息;所述目标人员的身体指标测量信息包括所述目标人员的身高信息和体重信息。
通过加装环境传感器实时获取温度、湿度和气压等环境参数;通过3D扫描设备对滑雪板参数进行测量,滑雪板系数主要包括滑雪板的长度、宽度、硬度、板形、曲度、弧度、重量和拱形结构等得到滑雪板结构系数;利用身高体重测量仪可以测出运动员的身高体重等数据。
一方面,实现了3D扫描设备、传感器等新技术在监测领域中的应用,促进了监测质量和效率的双提升。另一方面,量化、记录环境状态、滑雪板结构和运动员身体指标等因素对雪上运动训练的影响,从而合理监测环境状态、滑雪板结构和运动员身体指标等因素对雪上运动项目训练的影响,有利于运动员更科学、有效地开展体育训练。
本申请实施例对目标人员不作限定,例如是运动员、教练员、陪练等。
本申请实施例对环境传感器不作限定,其例如可以包括温湿度传感器和气压计等。
本申请实施例对身高体重测量仪不作限定,其例如可以是超声波身高体重测量仪等。
本申请实施例对滑雪板不作限定,例如是单板、双板、越野冬季两项板、跳台板、自由式板等。
本申请实施例对滑雪板结构信息不作限定,其例如可以包括长度、宽度、硬度、板形、曲度、弧度、重量和拱形结构中的一种或多种。
在一些可选的实施方式中,所述运动评价预测模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本人员的运动数据融合结果以及所述样本人员的运动评价预测结果的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本人员的运动数据融合结果输入预设的神经网络,以得到所述样本人员的运动评价预测结果的预测数据;
基于所述样本人员的运动评价预测结果的预测数据和标注数据,对所述神经网络的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述神经网络作为所述运动评价预测模型;如果否,则利用下一个所述训练数据继续训练所述神经网络。
本申请实施例中,所述神经网络例如可以采用机器学习网络或者深度学习网络。
通过对相关运动数据进行建模统计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的神经网络,通过该预设的神经网络的学习和调优,建立起从输入到输出的函数关系,就能够得到运动评价预测模型,以掌握相关指标的发展趋势,寻找各种特征参数之间复杂的耦合关系,解析相关的运动学、动力学等特征参数,研究跳台滑雪运动项目特征参数和运动效果之间的非线性关系,对跳台滑雪运动员的运动改善及成绩提高具有重要的指导意义。
其中,运动评价预测模型可以由大量的训练数据训练得到,能够针对不同的输入数据(即目标人员的运动数据融合结果)预测得到相应的输出数据(即目标人员的运动评价预测结果),适用范围广,智能化水平高。
按照特定的语义对特征提取结果的内在描述,或特征属性的重新组合。将图像进行特征级融合,对图像进行特征抽取,将边缘、形状、轮廓、局部特征等信息进行综合处理。以便解析相关的运动学、动力学等特征参数,研究雪上运动项目特征参数和运动效果之间的非线性关系,对雪上运动员运动改善具有重要的指导意义。
在一些可选的实施方式中,本申请实施例可以采用上述训练过程训练得到运动评价预测模型,在另一些可选的实施方式中,本申请实施例可以采用预先训练好的运动评价预测模型。
本申请实施例对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。
本申请实施例对运动评价预测模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。
本申请实施例对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练。
参见图4、图5、图6,图4示出了本申请实施例提供的一种生成评价提升建议的流程示意图,图5示出了本申请实施例提供的一种数据融合的流程示意图,图6示出了本申请实施例提供的一种获得3D人体姿态的流程示意图。
在一些可选的实施方式中,所述方法还可以包括:
步骤S401:将所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息记为待融合数据,当所述待融合数据中的部分或全部数据发生变化时,对变化后的待融合数据进行数据融合,以得到新的运动数据融合结果;
步骤S402:将所述新的运动数据融合结果输入至所述运动评价预测模型,以得到新的运动评价预测结果;
步骤S403:将所述目标人员的运动评价预测结果和所述新的运动评价预测结果进行比对,以得到比对结果;
步骤S404:基于所述比对结果,生成评价提升建议并发送至预设的用户设备。
本申请实施例中,预设的用户设备例如可以包括教练员、运动员、技术官员、营养师、器材供应商等人的用户设备。本申请实施例对用户设备不作限定,其例如可以是手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备等智能终端设备,或者,用户设备可以是工作站或者控制台。
发送评价提升建议的方式例如是短信推送、邮件推送、应用内推送、电话通知等,应用例如是微信APP、支付宝APP、小程序等。基于所述比对结果,生成评价提升建议,使得每位受测者都可以得到适合自己的运动处方,更科学合理、更有针对性地指导每个运动员进行雪上运动训练,对运动员的雪上运动技术水平提升有着重要作用。其中,在其他条件不变的情况下,仅改变滑雪板结构参数、环境参数、目标人员身高体重或某个技术动作等单个或多个因素,将目标人员的之前的运动评价预测结果与该目标人员的最新运动评价预测结果逐一比对,就能够找出影响目标人员运动评价预测结果的有关因素。帮助运动员选择最适合自己的滑雪板和判断环境因素和身高体重因素对个人发挥的影响、同时帮助教练指导或者帮助运动员调整运动姿态。
在一些可选的实施方式中,目标人员的运动评价预测结果例如可以包括技术动作的类型、动作参数、难度评级、完成度和评分中的一种或多种。
作为一个示例,自由式滑雪练习中,在滑雪板结构参数、运动员甲技术动作等不变的情况下,仅是将环境温度由-5摄氏度下降到了-10摄氏度(即改变了环境参数中的温度参数),将运动员甲前后两次的运动评价预测结果逐一比对,发现最新运动评价预测结果的评分低了1.5分,因此得出在-10摄氏度的温度下该运动员总体评分会有所下降,因此所生成的评价提升建议的内容可以是建议运动员需要提前做好准备,温度变化可能会影响自己的比赛评分结果。
作为另一个示例,单板滑雪比赛中,在环境参数和运动员乙的技术动作等不变的情况下,仅是将滑雪板长度参数由155厘米增加到了160厘米(即改变了滑雪板结构参数),将运动员乙前后两次的运动评价预测结果逐一比对,发现最新运动评价预测结果中运动员乙的评分低了1分,因此所生成的评价提升建议的内容可以是建议该运动员继续使用155厘米的滑雪板。
作为另一个示例,自由式滑雪练习中,在滑雪板结构参数、环境参数、运动员丙身高体重等都不变的情况下,仅改变运动员丙的运动过程中的一个技术动作,将运动员丙前后两次的运动评价预测结果逐一比对,发现最新运动评价预测结果的评分高了1分,得出该技术动作的改变可以增加运动员丙的总体得分,因此所生成的评价提升建议的内容可以是建议教练指导该运动员完善改变的技术动作。
作为再一个示例,跳台滑雪练习中,在跳台高度、滑雪板结构参数、环境参数和运动员丁的技术动作等不变的情况下,仅是将运动员丁滑雪服的重量增加了 2千克,将目前后两次的运动评价预测结果逐一比对,发现最新运动评价预测结果中运动员丁的跳跃距离增加了0.5米,因此所生成的评价提升建议的内容可以是建议定制适合该运动员的偏重的滑雪服。
作为再一个示例,单板滑雪练习中,在滑雪板结构参数、环境参数和运动员戊(用以区分于运动员甲、乙、丙、丁)的技术动作等不变的情况下,改变运动员戊的一段时间的饮食结构,适当增加蛋白质类食物,将运动员戊前后多次的运动评价预测结果进行比对,发现最新运动评价预测结果中运动员戊的评分在不断提升,因此所生成的评价提升建议的内容可以是建议营养师改变运动员戊的饮食结构,适当增加运动员戊的蛋白质类食物摄入。继续参见图5,图5示出了本申请实施例提供的一种数据融合的流程示意图。
在一些实施方式中,对每个运动传感信息进行单独处理,然后融合生成堆叠惯性信号图像,再通过卷积网络提取特征。其次,将图像采集设备实时采集的图像进行图像处理,得到最后的3D人体姿态。然后将卷积网络的特征提取结果和 3D人体姿态进行融合。
继续参见图6,图6示出了本申请实施例提供的一种获得3D人体姿态的流程示意图。
在一些实施方式中,将二维图像(即所述实时采集图像)进行人体三维建模。对于利用图像采集设备采集的二维图像,首先利用目标检测网络对图像进行目标检测,得到含有目标人员的检测框的图像;随后采用高分辨率网络(High-resoluti on networks,HRNet)进行2D关节点检测;以检测得到的2D关节点坐标为基础,通过极几何变换构造出3D关节P;然后将3D关节P、形状参数β和扭曲角度Φ发送到混合逆运动学(hybrid inversekinematics,Hybrik)模块中,以求解相对旋转,即姿态参数θ;最后,将姿态参数θ输入到静默姿态T中,并通过回归获得重建的人体网格M,从而生成3D人体姿态。
在一些实施方式中,高分辨率网络包括多分辨率并行支路。
在一些实施方式中,高分辨率网络可以将高分辨率卷积支路作为第一步,逐步将高至低分辨率支路逐个添加,形成新的阶段,然后并行连接多分辨率支路。下一级并行支路的分辨率包括前一级的分辨率和一个较低的分辨率。
在一些实施方式中,高分辨率网络可以采用重复的多尺度特征信息融合。
在一些实施方式中,可以通过SMPL模型输出人体网格M。
在一些实施方式中,可以将SMPL模型参数输入到3D软件中,得到可视化 SMPL模型,即生成3D人体姿态。
在一些实施方式中,SMPL模型参数中可以包括顶点数、面元数。
本申请实施例对SMPL模型的顶点数不作限定,其例如可以是6890。
本申请实施例对SMPL模型的面元数不作限定,其例如可以是13776。
在一些实施方式中,形状参数β和扭曲角度Φ可以是通过2D关节点坐标计算后通过全连接得到的。
在一些实施方式中,可以输入基模板以及形状参数β来调节人体身材,输出静默姿态T下的人体网格M。
在一些实施方式中,基模板是根据大量真实人体网格得到的均值。
在在一些实施方式中,用端点表示整个网格,每个端点包括x、y、z三个空间坐标。
本申请实施例对端点数量不作限定,其例如可以是6890。
本申请实施例对姿态参数不作限定,其例如可以是24个关节的旋转角度。
装置实施例
参见图7,图7示出了本申请实施例提供的一种雪上运动信息监测装置的结构示意图。
本申请实施例还提供了一种雪上运动信息监测装置,用于对雪上运动进行信息监测,所述装置包括:
图像采集模块101,用于利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
信息获取模块102,用于利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
特征提取模块103,用于分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
数据融合模块104,用于对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
评价预测模块105,用于将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
在一些可选的实施方式中,所述运动传感信息包括鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
在一些可选的实施方式中,所述目标人员的运动评价预测结果用于指示所述目标人员的运动评分和/或评级。
在一些可选的实施方式中,获取所述环境信息的过程包括:
利用一种或多种环境传感器实时获取所述环境信息;所述环境信息包括温度信息、湿度信息和气压信息中的一种或多种;
获取所述目标人员的滑雪板结构信息的过程包括:
利用3D扫描设备对所述目标人员的滑雪板进行3D扫描,以得到所述目标人员的滑雪板结构信息;
获取所述目标人员的身体指标测量信息的过程包括:
利用身高体重测量仪测量得到所述目标人员的身体指标测量信息;所述目标人员的身体指标测量信息包括所述目标人员的身高信息和体重信息。
在一些可选的实施方式中,所述运动评价预测模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本人员的运动数据融合结果以及所述样本人员的运动评价预测结果的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本人员的运动数据融合结果输入预设的神经网络,以得到所述样本人员的运动评价预测结果的预测数据;
基于所述样本人员的运动评价预测结果的预测数据和标注数据,对所述神经网络的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述神经网络作为所述运动评价预测模型;如果否,则利用下一个所述训练数据继续训练所述神经网络。
在一些可选的实施方式中,所述装置还包括建议生成模块106,所述建议生成模块106用于:
将所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息记为待融合数据,当所述待融合数据中的部分或全部数据发生变化时,对变化后的待融合数据进行数据融合,以得到新的运动数据融合结果;
将所述新的运动数据融合结果输入至所述运动评价预测模型,以得到新的运动评价预测结果;
将所述目标人员的运动评价预测结果和所述新的运动评价预测结果进行比对,以得到比对结果;
基于所述比对结果,生成评价提升建议并发送至预设的用户设备。
设备实施例
本申请实施例还提供了一种雪上运动信息监测设备,所述雪上运动信息监测设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项方法的步骤,其具体实施方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
参见图8,图8示出了本申请实施例提供的一种雪上运动信息监测设备200 的结构框图。
雪上运动信息监测设备200例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台***的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(R AM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述任一项方法的步骤。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
处理器220可以采用一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、***总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
雪上运动信息监测设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该雪上运动信息监测设备 200交互的设备通信,和/或与使得该雪上运动信息监测设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,雪上运动信息监测设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与雪上运动信息监测设备200的其它模块通信。应当明白,尽管图中未示出,可以结合雪上运动信息监测设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
介质实施例
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法的步骤,其具体实施方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
参见图9,图9示出了本申请实施例提供的一种程序产品的结构示意图。
所述程序产品用于实现上述任一项方法。程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本申请实施例中,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。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是任何可读介质,该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种雪上运动信息监测方法,其特征在于,用于对雪上运动进行信息监测,所述方法包括:
利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
2.根据权利要求1所述的雪上运动信息监测方法,其特征在于,所述运动传感信息包括鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
3.根据权利要求1所述的雪上运动信息监测方法,其特征在于,所述目标人员的运动评价预测结果用于指示所述目标人员的运动评分和/或评级。
4.根据权利要求1所述的雪上运动信息监测方法,其特征在于,获取所述环境信息的过程包括:
利用一种或多种环境传感器实时获取所述环境信息;所述环境信息包括温度信息、湿度信息和气压信息中的一种或多种;
获取所述目标人员的滑雪板结构信息的过程包括:
利用3D扫描设备对所述目标人员的滑雪板进行3D扫描,以得到所述目标人员的滑雪板结构信息;
获取所述目标人员的身体指标测量信息的过程包括:
利用身高体重测量仪测量得到所述目标人员的身体指标测量信息;所述目标人员的身体指标测量信息包括所述目标人员的身高信息和体重信息。
5.根据权利要求1所述的雪上运动信息监测方法,其特征在于,所述运动评价预测模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本人员的运动数据融合结果以及所述样本人员的运动评价预测结果的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本人员的运动数据融合结果输入预设的神经网络,以得到所述样本人员的运动评价预测结果的预测数据;
基于所述样本人员的运动评价预测结果的预测数据和标注数据,对所述神经网络的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述神经网络作为所述运动评价预测模型;如果否,则利用下一个所述训练数据继续训练所述神经网络。
6.根据权利要求1所述的雪上运动信息监测方法,其特征在于,所述方法还包括:
将所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息记为待融合数据,当所述待融合数据中的部分或全部数据发生变化时,对变化后的待融合数据进行数据融合,以得到新的运动数据融合结果;
将所述新的运动数据融合结果输入至所述运动评价预测模型,以得到新的运动评价预测结果;
将所述目标人员的运动评价预测结果和所述新的运动评价预测结果进行比对,以得到比对结果;
基于所述比对结果,生成评价提升建议并发送至预设的用户设备。
7.一种雪上运动信息监测装置,其特征在于,用于对雪上运动进行信息监测,所述装置包括:
图像采集模块,用于利用图像采集设备实时采集预设区域的目标人员运动时的图像,记为实时采集图像,所述预设区域是目标人员做出雪上运动的技术动作的区域;
信息获取模块,用于利用一种或多种传感器实时获取所述目标人员的运动传感信息;所述运动传感信息包括以下一种或多种信息:鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
特征提取模块,用于分别对所述实时采集图像和所述运动传感信息进行特征提取,以得到所述实时采集图像和所述运动传感信息对应的特征提取结果;其中,所述实时采集图像对应的特征提取结果用于指示所述目标人员的人体姿态,所述运动传感信息对应的特征提取结果包括所述目标人员的运动学和动力学特征;
数据融合模块,用于对所述实时采集图像和所述运动传感信息对应的特征提取结果以及所述环境信息、所述目标人员的滑雪板结构信息和身体指标测量信息进行数据融合,以得到所述目标人员的运动数据融合结果;
评价预测模块,用于将所述目标人员的运动数据融合结果输入运动评价预测模型,以得到所述目标人员的运动评价预测结果。
8.根据权利要求7所述的雪上运动信息监测装置,其特征在于,所述运动传感信息包括鞋与滑雪板间多维力信息、足底柔性力信息、滑雪板加速度信息以及目标人员重心移动轨迹信息、关节加速度信息、关节角度信息和关节位置信息;
获取所述运动传感信息对应的特征提取结果的过程包括:
基于所述目标人员的运动传感信息,获取所述目标人员的多个运动参数的待处理数据;所述多个运动参数包括所述目标人员的三维力、滑雪板加速度、运动质心位置、各关节速度、各关节角速度、各关节加速度、各关节角加速度和各关节角度;
对所述目标人员的多个运动参数的待处理数据进行归一化处理,以得到所述目标人员的运动参数归一化结果;
基于所述目标人员的运动参数归一化结果,利用不同颜色的渐变表示不同数值大小,转换生成所述目标人员的堆叠惯性信号图像;
对所述目标人员的堆叠惯性信号图像进行特征提取,以得到所述运动传感信息对应的特征提取结果。
9.一种雪上运动信息监测设备,其特征在于,所述雪上运动信息监测设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993642.0A CN115346273A (zh) | 2022-08-18 | 2022-08-18 | 雪上运动信息监测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993642.0A CN115346273A (zh) | 2022-08-18 | 2022-08-18 | 雪上运动信息监测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115346273A true CN115346273A (zh) | 2022-11-15 |
Family
ID=83953279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210993642.0A Pending CN115346273A (zh) | 2022-08-18 | 2022-08-18 | 雪上运动信息监测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275092A (zh) * | 2023-10-09 | 2023-12-22 | 奥雪文化传播(北京)有限公司 | 一种智能滑雪动作评估方法、***、设备及介质 |
-
2022
- 2022-08-18 CN CN202210993642.0A patent/CN115346273A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275092A (zh) * | 2023-10-09 | 2023-12-22 | 奥雪文化传播(北京)有限公司 | 一种智能滑雪动作评估方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4002198A1 (en) | Posture acquisition method and device, and key point coordinate positioning model training method and device | |
CN105912991B (zh) | 基于3d点云与关键骨骼节点的行为识别 | |
Yan et al. | Human-object interaction recognition using multitask neural network | |
CN115346273A (zh) | 雪上运动信息监测方法及相关装置 | |
Pengyu et al. | Image detection and basketball training performance simulation based on improved machine learning | |
Štepec et al. | Video-based ski jump style scoring from pose trajectory | |
Yan et al. | A review of basketball shooting analysis based on artificial intelligence | |
CN113975775A (zh) | 可穿戴式惯性体感乒乓运动训练***及其工作方法 | |
Nie et al. | [Retracted] The Construction of Basketball Training System Based on Motion Capture Technology | |
Yuan et al. | A systematic survey on human behavior recognition methods | |
Sharma et al. | Various approaches of human activity recognition: a review | |
CN111310655A (zh) | 基于关键帧和组合注意力模型的人体动作识别方法和*** | |
Jiang et al. | Deep learning algorithm based wearable device for basketball stance recognition in basketball | |
Wang | Basketball sports posture recognition based on neural computing and visual sensor | |
Zeng et al. | Deep learning approach to automated data collection and processing of video surveillance in sports activity prediction | |
CN114022956A (zh) | 一种多维度智能研判健身动作运动效果的方法 | |
Acı et al. | Accuracy Detection in Some Sports Training Using Computer Vision and Deep Learning Techniques | |
Sarwar et al. | Skeleton Based Keyframe Detection Framework for Sports Action Analysis: Badminton Smash Case | |
Han | [Retracted] A Table Tennis Motion Correction System Based on Human Motion Feature Recognition | |
Bao et al. | Research on basketball footwork recognition based on a convolutional neural network algorithm | |
Li et al. | Characteristic Behavior of Human Multi-Joint Spatial Trajectory in Slalom Skiing | |
CN114241603B (zh) | 基于可穿戴设备的毽球动作识别与水平等级评估方法及*** | |
Qi et al. | Optically non-contact cross-country skiing action recognition based on key-point collaborative estimation and motion feature extraction | |
Neskorodieva et al. | Real-time Classification, Localization and Tracking System (Based on Rhythmic Gymnastics) | |
Wang | [Retracted] Parameter Testing and System of Skiing Aerial Skills under the Background of Artificial Intelligence |
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 |