CN115661930A - 动作评分方法、装置、动作评分设备及存储介质 - Google Patents
动作评分方法、装置、动作评分设备及存储介质 Download PDFInfo
- Publication number
- CN115661930A CN115661930A CN202211336784.6A CN202211336784A CN115661930A CN 115661930 A CN115661930 A CN 115661930A CN 202211336784 A CN202211336784 A CN 202211336784A CN 115661930 A CN115661930 A CN 115661930A
- Authority
- CN
- China
- Prior art keywords
- joint angle
- time frame
- action
- scoring
- target image
- 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
- 230000009471 action Effects 0.000 title claims abstract description 174
- 238000013077 scoring method Methods 0.000 title abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 23
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 208000023178 Musculoskeletal disease Diseases 0.000 description 5
- 210000000689 upper leg Anatomy 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010028391 Musculoskeletal Pain Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 208000017445 musculoskeletal system disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种动作评分方法、装置、动作评分设备及存储介质。该方法包括:通过姿态识别算法确定第一时间帧的目标图像的关键点坐标;根据第一时间帧的目标图像的关键点坐标计算第一关节角度;根据第一关节角度和标准关节角度确定第一关节角度是否在合理范围内;若第一关节角度在合理范围内,判断已匹配的时间帧是否到达预设数量;若已匹配的时间帧到达预设数量,根据第一关节角度和标准关节角度对第一时间帧的动作进行评分;本申请通过对关节角度和时间帧数量判断,对待评分动作进行评分,全程无人为参与,减少了人力成本。且在上述两个维度均在合理范围内再对动作进行评分,保证被评分的动作为合理范围内的动作,提高了评分的有效性和准确性。
Description
技术领域
本申请涉及动作训练领域,具体而言,涉及一种动作评分方法、装置、动作评分设备及存储介质。
背景技术
随着肌肉骨骼疾病的日益增多,肌肉骨骼疾病康复需求也越来越大。目前肌肉骨骼疼痛多采用康复训练来缓解并解决,而康复训练通常依赖于理疗师的监督与指导,通过理疗师的观察对训练者进行评分确定训练者的训练成果。而人为的指导和监督常常依赖于经验,同时还受客观因素的影响,导致评分的标准不统一,评分的有效性和准确性较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种动作评分方法、装置、动作评分设备及存储介质。能够提高动作评分的有效性和准确性。
第一方面,本申请实施例提供了一种动作评分,包括:通过姿态识别算法确定第一时间帧的目标图像的关键点坐标,所述目标图像为待评分动作的图像;根据所述第一时间帧的目标图像的关键点坐标计算第一关节角度;根据所述第一关节角度和标准关节角度确定所述第一关节角度是否在合理范围内;若所述第一关节角度在合理范围内,判断目标图像已匹配的帧数是否到达预设数量;若目标图像已匹配的帧数到达预设数量,根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分;其中,所述目标图像已匹配的帧数为所述第一关节角度在合理范围内的帧数。
在上述实现过程中,先对目标图像的第一关节角度是否在合理范围内进行判断,确定目标图像的待评分动作是否满足要求。另外,再确定第一关节角度在合理范围内帧数是否在预设数量范围内来确定获取到的待评分动作信息是否足够。通过动作规范和动作信息数量两个维度判断后再对动作进行评分,保证了评分的客观性,提高了评分的准确性。
在一个实施例中,所述方法还包括:若目标图像已匹配的帧数未到达预设数量,判断第二时间帧的目标图像的关键点与所述第一时间帧的目标图像的关键点的距离是否小于距离阈值;若所述距离小于所述距离阈值,根据所述第二时间帧的目标图像的关键点坐标计算第二关节角度;根据所述第二关节角度和所述标准关节角度对第二时间帧的动作进行评分。
在上述实现过程中,在目标图像已匹配的帧数未到达预设数量时通过判断待评分动作在两个相邻时间帧内关键点的动作范围,确定该待评分动作稳定性是否满足标准。当待评分动作稳定性满足标准时对该待评分动作进行评分,保证了进行评分时间帧的动作是稳定有效的,提高了评分的有效性和准确性。
在一个实施例中,所述距离阈值包括第一距离阈值和第二距离阈值,所述判断第二时间帧的目标图像的关键点与所述第一时间帧的目标图像的关键点的距离是否小于距离阈值,包括:判断所述距离是否小于第二距离阈值;若所述距离小于所述第二距离阈值,根据所述距离与所述第一距离阈值、第二距离阈值之间的关系,为所述第二时间帧赋予权重;若所述距离大于所述第二距离阈值,发送提醒信息,以供用户调整动作。
在上述实现过程中,通过将距离阈值分为第一距离阈值和第二距离阈值,不仅能够对待评分动作是否稳定进行判断。还能对该待评分动作稳定时,不同动作幅度进行权重划分,能够根据不同动作幅度计算确定出相应的评分,提高了评分的准确性。
在一个实施例中,所述若所述距离小于所述第二距离阈值,根据所述距离与所述第一距离阈值、第二距离阈值之间的关系,为所述第二时间帧赋予权重,包括:若所述距离小于所述第一距离阈值,为所述第二时间帧赋予第一权重;若所述距离介于所述第一距离阈值和所述第二距离阈值之间,为所述第二时间帧赋予第二权重。
在上述实现过程中,通过根据不同的距离阈值,将待评分动作根据动作的执行程度分为不同的类别并分别赋不同权重,以确定出每个时间帧的动作在待执行动作中所占的比重,能够减少无效时间帧中的评分对最终评分的影响,提高了最终评分的准确性。
在一个实施例中,所述根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分,或所述根据所述第二关节角度和所述标准关节角度对第二时间帧的动作进行评分的公式为: 其中,Si为第i时间帧的动作评分,m为待评分动作中m个需要对比的关节,为标准关节角度范围,为标准关节角度的中值,A(i)为关节角度。
在上述实现过程中,通过根据待评分动作中多个关节的关节角度和标准关节角度之间的关系确定出各个时间帧的动作评分,并通过标准关节角度的中值和多个关键点的平均值计算评分,减少了极个别特殊关键点和标准关节角度对综合结果的影响,提高了评分的准确性。
在一个实施例中,所述根据所述第二关节角度和所述标准关节角度对第二时间帧的动作进行评分之后,所述方法还包括:根据所述待评分动作的多个时间帧的动作评分计算所述待评分动作的最终评分;所述计算所述待评分动作的最终评分的公式为:其中,S为最终评分,T为计算最终评分的动作评分的总数,Si为第i时间帧的动作评分,λ(i)第i时间帧的权重值。
在上述实现过程中,在确定待执行动作的最终评分时,在考虑每个时间帧的评分的同时还会考虑每个时间帧被赋予的权重,通过考虑每个时间帧在最终评分中权重,减少了无效时间帧评分对最终评分的影响,提高了最终评分的真实性和准确性。
在一个实施例中,所述方法还包括:若所述第一关节角度未在合理范围内,根据所述第一关节角度与所述标准关节角度确定调整信息;实时反馈所述调整信息,以供用户根据所述调整信息对动作进行调整。
在上述实现过程中,在确定第一关节角度未在合理范围内,再通过根据第一关节角度和标准关节角度计算出第一关节角度相对标准关节角度的偏移情况,提出相应的调整信息,并将该调整信息实时发送给用户,以供用户根据该调整信息实时进行调整。通过在动作过程中对动作进行纠正,防止了用户使用错误的动作进行训练,保证了训练时动作的准确性,提高了训练有效性。
第二方面,本申请实施例还提供一种动作评分装置,包括:第一确定模块:用于通过姿态识别算法确定第一时间帧的目标图像的关键点坐标,所述目标图像为待评分动作的图像;计算模块:用于根据所述第一时间帧的目标图像的关键点坐标计算第一关节角度;第二确定模块:用于根据所述第一关节角度和标准关节角度确定所述第一关节角度是否在合理范围内;匹配模块:用于若所述第一关节角度在合理范围内,判断已匹配的时间帧是否到达预设数量;评分模块:用于若已匹配的时间帧到达预设数量,根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分;其中,所述已匹配的时间帧为所述第一关节角度在合理范围内的时间帧。
第三方面,本申请实施例还提供一种动作评分设备,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当动作评分设备运行时,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中动作评分方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的图像采集设备、动作评分设备与反馈设备进行交互的示意图;
图2为本申请实施例提供的动作评分设备的方框示意图;
图3为本申请实施例提供的动作评分方法的流程图;
图4为本申请实施例提供的动作评分方法的具体判断流程图;
图5为本申请实施例提供的动作评分装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
肌肉骨骼疾病的典型特征是疼痛(通常是持续疼痛)以及行动能力、灵巧性和总体功能受限,工作能力降低。肌肉骨骼疾病包括以下疾病:关节问题,骨骼问题,肌肉问题,脊椎问题,或身体多个部位或***的问题。在所有需要康复的成年人中,大约三分之二的人需要肌肉骨骼疾病康复服务。目前肌肉骨骼疼痛多采用康复训练来缓解并解决,但是康复训练对训练者的动作标准要求较高,需要实时监督训练者的动作是否达标,才能保证康复效果。通过理疗师进行监督和指导,常常会受理疗师的经验和精力的影响,导致对康复动作评分有偏差。
另一方面,随着时代的迅猛发展,人们的生活质量不断提高,在物质生活得到满足下,越来越多的人开始关心身心健康,健身锻炼成为不可缺少。在进行健身锻炼的传统学习或比赛中,主要是依据人的经验进行判断并评分,这种方法对人的依赖性很高,效率以及准确性却不高,不能准确判断训练或比赛过程中的动作是否符合标准。
有鉴于此,本申请发明人提出一种动作识别方法,通过图像识别、深度学习算法等通过对采集到动作的图像进行评分,整过程不需要人为参与,减少了人工需要,同时,所有的评分都是统一标准,不受经验和精力的影响,提高了动作评分的准确性。
为便于对本实施例进行理解,首先对执行本申请实施例所公开的一种动作评分方法的运行环境进行详细介绍。
如图1所示,是本申请实施例提供的图像采集设备、动作评分设备与反馈设备进行交互的示意图。该动作评分设备通过网络与一个或多个图像采集设备及反馈设备进行通信连接,以进行数据通信或交互。该动作评分设备可以是网络服务器、数据库服务器、个人电脑(personal computer,PC)、平板电脑、智能手机等。该图像采集设备可以是相机、摄像头、摄影机、个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant,PDA)、等。该反馈设备可以是广播、录音机智能音响、个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant,PDA)等。
这里的图像采集设备用于获取用户的动作图像,并将该动作图像发送到动作评分设备。
上述动作评分设备在获取到该动作图像后,通过姿态识别算法识别用户的骨架位置信息。并利于预设算法计算关节角度,基于该关节角度和标准关节角度对用户动作进行评分。在获取到评分后将该评分发送到反馈设备。
该动作评分设备在确定该关节角度不在标准关节角度范围,则根据该关节角度与标准关节角度的关系,确定调整信息,并将该调整信息发送到反馈设备。
该反馈设备用于反馈动作评分设备发送的调整信息和评分。
可以理解地,该图像采集设备、动作评分设备与反馈设备还可以同一设备的不同模块。例如该图像采集设备、动作评分设备与反馈设备分别是智能手机中的图像采集模块、动作评分模块与评价反馈模块。具体的,该图像采集模块可以是该智能手机的摄像头,该动作评分模块可以是该智能手机的处理器,该评价反馈模块可以是该智能手机的扬声器等。
为便于对本实施例进行理解,首先对执行本申请实施例所公开的动作评分方法的动作评分设备进行详细介绍。
如图2所示,是动作评分设备的方框示意图。动作评分设备100可以包括存储器111和处理器113。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对动作评分设备100的结构造成限定。例如,动作评分设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
上述的存储器111及处理器直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中,存储器111可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本申请实施例任一实施例揭示的过程定义的动作评分设备100所执行的方法可以应用于处理器113中,或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(digital signalprocessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本实施例中的动作评分设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述动作评分方法的实现过程。
请参阅图3,是本申请实施例提供的动作评分方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤201,通过姿态识别算法确定第一时间帧的目标图像的关键点坐标。
这里的目标图像为待评分动作的图像该第一时间帧的目标图像可以包括一个或多个。
上述的姿态识别算法可以是BlazePose、AlphaPose、pytorch-openpose、OpenPose等,该姿态识别算法可以根据实际情况进行调整和选择,本申请不做具体限制。
在一些实施例中,步骤201可以通过以下步骤实现:
将目标图像输入卷积神经网络,在通过每一层卷积神经网络运算后,获得目标图像的特征信息;姿态识别算法中的人体检测模块根据该特征信息检测出人体的位置,再由姿态识别算法的跟踪模块预测并标注人体关键点所在的位置,并返回每一个关键点的坐标信息。
步骤202,根据第一时间帧的目标图像的关键点坐标计算第一关节角度。
上述根据第一时间帧的目标图像的关键点坐标计算第一关节角度可以通过反余弦、反正切等进行计算。
示例性地,若关键点A、O、B的坐标分别为(xA,yA,zA),(xo,yo,zo),(xB,yB,zB),这三个关键点形成两个线段AO和BO,以O点连接。那么关键点A、O、B形成的关节角度可以表示为:
其中,arccos为反余弦,(xA,yA,zA)为关键点A的坐标,(xo,yo,zo)为关键点O的坐标,(xB,yB,zB),为关键点B的坐标。
可以理解地,若该第一时间帧包括多个关键点,该多个关键点形成多个第一关节角度,则按照上述关节角度计算公式分别计算该多个第一关节角度。
步骤203,根据第一关节角度和标准关节角度确定第一关节角度是否在合理范围内。
可以理解地,每一组动作的重要关节部位均提供有其合理的角度范围。该标准关节角度为待评分动作的合理角度范围。该标准关节角度可以预先进行存储,在判断第一关节角度是否在合理范围内时,可以直接调用。
示例性地,若某一动作的重要关节部位关键点A、O、B的标准关节角度的范围为90°~120°,那么该标准关节角度会以如下形式保存:即∠AOB范围90°~120。若某一动作的重要关节部位关键点E、F、G的标准关节角度的范围为60°~100°,那么该标准关节角度会以如下形式保存:即∠EFG范围60°~100。
在实际情况中,通常是对一系列连续的动作进行评分,每个动作涉及的关键点可能并不相同,则每个动作可能会涉及不同的关键点和第一关节角度,相应的该标准关节角度也可能对应多个标准关节角度。该标注关节角度的数量和具体设置范围根据实际动作和需求进行调整,本申请不做具体限制。
步骤204,若第一关节角度在合理范围内,判断目标图像已匹配的帧数是否到达预设数量。
上述目标图像已匹配的帧数为目标图像中第一关节角度在合理范围内的帧数。
这里的预设数量为预设时间范围内的帧数。
示例性地,这里以图像处理速度30帧每秒为例,当要求匹配持续1秒,则预设数量为30帧。如果记录的已匹配的帧数已达到30帧,则确定目标图像已匹配的帧数已经到达预设数量。如果记录的已匹配的帧数没有达到30帧,则确定目标图像已匹配的帧数没有到达预设数量。
步骤205,若目标图像已匹配的帧数到达预设数量,根据第一关节角度和标准关节角度对第一时间帧的动作进行评分。
可以理解地,在对目标图像中的待评分动作评分时,一般需要满足以下条件:即该动作在合理范围内,且获取到动作在合理范围内的图像信息要达到一定的数量,才能保证对目标图像的待评分动作的评分足够客观、准确。
也就是说,当目标图像在第一时间帧中的第一关节角度在合理范围内,说明该目标图像在第一时间帧的动作是规范的。当目标图像在第一时间帧中第一关节角度在合理范围内的帧数也达到预设数量,说明该目标图像在第一时间帧内匹配到图像数量也是满足要求的。在该目标图像的待评分动作规范且目标图像匹配到的图像数量也满足要求,则说明第一时间帧内反馈的目标图像的动作信息是满足评分需要的动作信息,通过对此时的动作信息进行评分,保证了评分的准确性。
在上述实现过程中,先对目标图像的第一关节角度是否在合理范围内进行判断,确定目标图像的待评分动作是否满足要求。另外,再确定第一关节角度在合理范围内帧数是否在预设数量范围内来确定获取到的待评分动作信息是否足够。通过动作规范和动作信息数量两个维度判断后再对动作进行评分,保证了评分的客观性,提高了评分的准确性。
在一种可能的实现方式中,如图4所示,该动作评分方法还包括:若目标图像已匹配的帧数未到达预设数量,判断第二时间帧的目标图像的关键点与第一时间帧的目标图像的关键点的距离是否小于距离阈值;若距离小于距离阈值,根据第二时间帧的目标图像的关键点坐标计算第二关节角度;根据第二关节角度和标准关节角度对第二时间帧的动作进行评分。
这里的第二时间帧是第一时间帧的下一时间帧。该第一时间帧与第二时间帧为同一待评分动作内的时间帧。例如,若该第一时间帧为当前时间帧,则该第二时间帧为第一时间帧的下一时间帧。若该第二时间帧为当前时间帧,则该第一时间帧为第二时间帧的上一时间帧。
上述的距离阈值为第一时间帧中关键点与第二时间帧中相应关键点之间的距离范围。该距离阈值包括第一距离阈值和第二距离阈值。
可以理解地,在同一待评分动作相邻的两个时间帧中,同一关键点应当在适当的范围内运动,才能确定该待评分动作在第一时间帧和第二时间帧内比较稳定。因此,当第一时间帧和第二时间帧中的同一关键点的距离在距离阈值之内,说明该待评分动作在第一时间帧和第二时间帧中移动在合理范围内,比较稳定。
这里的根据第二时间帧的目标图像的关键点坐标计算第二关节角度与上述步骤202计算第一关节角度相同,这里不再赘述。
在上述实现过程中,在目标图像已匹配的帧数未到达预设数量时通过判断待评分动作在两个相邻时间帧内关键点的动作范围,确定该待评分动作稳定性是否满足标准。当待评分动作稳定性满足标准时对该待评分动作进行评分,保证了进行评分时间帧的动作是稳定有效的,提高了评分的有效性和准确性。
在一种可能的实现方式中,判断第二时间帧的目标图像的关键点与第一时间帧的目标图像的关键点的距离是否小于距离阈值,包括:判断距离是否小于第二距离阈值;若距离小于所述第二距离阈值,根据距离与第一距离阈值、第二距离阈值之间的关系,为第二时间帧赋予权重;若距离大于第二距离阈值,发送提醒信息,以供用户调整动作。
在实际对待评分稳定性的判定时,通常会设置同一关键点在第一时间帧和第二时间帧之间最大的移动距离,即第二距离阈值。超过该最大移动距离,说明该待评分动作在第一时间帧和第二时间帧中执行的幅度过大,此时,可以确定出该待评分动作不稳定。若该同一关键点在第一时间帧和第二时间帧之间的距离在最大的移动距离之内,说明该待执行动作比较稳定。此时,需要根据两个时间帧之间的动作幅度确定相应的权重。
这里的第二距离阈值为同一关键点在第一时间帧和第二时间帧之间保持稳定的最大的移动距离。该第一距离阈值为同一关键点在第一时间帧和第二时间帧稳定时,权重产生变化的距离范围临界值。
在一些实施例中,若距离大于距离阈值,说明该待评分动作不稳定。此时,发出调整信息,提醒用户调整动作。该调整信息可以是:动作不标准请重做、请保持稳定、请抬右腿、请双脚离地等信息。
在上述实现过程中,通过将距离阈值分为第一距离阈值和第二距离阈值,不仅能够对待评分动作是否稳定进行判断。还能对该待评分动作稳定时,不同动作幅度进行权重划分,能够根据不同动作幅度计算确定出相应的评分,提高了评分的准确性。
在一种可能的实现方式中,若距离小于第二距离阈值,根据距离与第一距离阈值、第二距离阈值之间的关系,为第二时间帧赋予权重,包括:若距离小于第一距离阈值,为第二时间帧赋予第一权重;若距离介于第一距离阈值和第二距离阈值之间,为第二时间帧赋予第二权重。
可以理解地,在对待评分动作进行评分时,不同的动作幅度对应的动作评分应该有所区别。通过根据第一时间帧和第二时间帧的同一关键点的距离范围与不同的距离阈值之间的关系可以确定待评分动作执行的幅度,进而根据该待评分动作执行的幅度对该待评分动作进行评分。
示例性地,若第一时间帧的关键点为Ps,第二时间帧的关键点为Pj,且该第一距离阈值和第二距离阈值分别为δ1和δ2。当第二时间帧与第一时间帧的距离小于第一距离阈值,即|Pj-Ps|<δ1,则为这个帧赋予权重λ1;第二时间帧与第一时间帧的距离介于第一距离阈值与第二距离阈值之间,即δ1<|Pj-Ps|<δ2,则为这个帧赋予权重λ2。
在一些实施例中,该距离阈值还可以包括第三距离阈值、第四距离阈值等,该第三距离阈值、第四距离阈值用于将介于第一距离阈值与第二距离阈值之间的距离进一步划分,并进一步根据第二时间帧与第一时间帧的距离与第一距离阈值、第二距离阈值、第三距离阈值及第四距离阈值之间的关系赋予不同的权重。这里的距离阈值的选取仅是示例性地,还可以根据实际情况划分更多或更少的距离阈值,本申请不做具体限制。
示例性地,若第一时间帧的关键点为Ps,第二时间帧的关键点为Pj,且该第一距离阈值、第二距离阈值、第三距离阈值和第四距离阈值分别为δ1、δ2、δ3和δ4。则该待评分动作可以按照如下规则赋权重:若|Pj-Ps|<δ1,则为这个帧赋予权重λ1;δ1<|Pj-Ps|<δ3,则为这个帧赋予权重λ2;δ3<|Pj-Ps|<δ4,则为这个帧赋予权重λ3;δ4<|Pj-Ps|<δ2,则为这个帧赋予权重λ4等。可以理解地,这里的待评分动作赋权重的规则仅是示例性地,本领域技术人员可以根据该实际情况进行调整,本申请不做具体限制。
在上述实现过程中,通过根据不同的距离阈值,将待评分动作根据动作的执行程度分为不同的类别并分别赋不同权重,以确定出每个时间帧的动作在待执行动作中所占的比重,能够减少无效时间帧中的评分对最终评分的影响,提高了最终评分的准确性。
在一种可能的实现方式中,根据第一关节角度和标准关节角度对第一时间帧的动作进行评分,或根据第二关节角度和标准关节角度对第二时间帧的动作进行评分的公式为:
在上述实现过程中,通过根据待评分动作中多个关节的关节角度和标准关节角度之间的关系确定出各个时间帧的动作评分,并通过标准关节角度的中值和多个关键点的平均值计算评分,减少了极个别特殊关键点和标准关节角度对综合结果的影响,提高了评分的准确性。
在一种可能的实现方式中,根据第二关节角度和标准关节角度对第二时间帧的动作进行评分之后,该方法还包括:根据待评分动作的多个时间帧的动作评分计算待评分动作的最终评分。
其中,计算待评分动作的最终评分的公式为:
其中,S为最终评分,T为计算最终评分的动作评分的总数,Si为第i时间帧的动作评分,λ(i)第i时间帧的权重值。
可以理解地,实际情况中,通常是对一套动作进行综合评分。因此,在确定出每个时间帧的评分后,再根据每个时间帧的评分和每个时间帧相应的权重计算出该待执行动作的最终评分。
在上述实现过程中,在确定待执行动作的最终评分时,在考虑每个时间帧的评分的同时还会考虑每个时间帧被赋予的权重,通过考虑每个时间帧在最终评分中权重,减少了无效时间帧评分对最终评分的影响,提高了最终评分的真实性和准确性。
在一种可能的实现方式中,该方法还包括:若第一关节角度未在合理范围内,根据第一关节角度与标准关节角度确定调整信息;实时反馈调整信息,以供用户根据调整信息对动作进行调整。
可以理解地,当第一关节角度未在合理范围内,说明用户动作不到位。此时,可以根据第一关节角度和标准关节角度之间的角度差,确定出调整信息。
示例性地,若大腿与小腿夹角的标准动作要求其夹角在R1~R2之间,则当用户大腿与小腿角度小于R1时,反馈“请用户提起小腿,增加与大腿的角度”,当用户大腿与小腿角度大于R2时,反馈“请用户收小腿,减小与大腿的角度”。
这里的提醒信息包括动作指导信息、动作执行信息等。该动作指导信息可以包括:请太高小腿、请低头、请双臂打开、请脚离地等纠正用户动作的信息。该动作执行信息可以包括:请继续保持当前动作、请重新完成刚才的动作、停止训练等指挥用户是否执行动作的信息。
在一些实施例中,在确定出用户最终评分后,该可以根据用户的最终评分确定用户下一阶段训练目标。例如,若用户的最终评分得分较高,说明该用户对这一系列动作的训练达到较好的效果。此时,可以根据用户的最终评分为该用户推荐加强训练动作。若用户的最终评分得分较低,说明该用户训练这一系列动作的比较吃力。此时,可以根据用户的最终评分为该用户推荐更加基础训练动作。在例如,如该评分方法用户康复训练,若用户的最终评分得分较高,说明该用户已康复。此时,可以根据用户的最终评分确定该用户不需要再继续进行康复训练等。
在上述实现过程中,在确定第一关节角度未在合理范围内,再通过根据第一关节角度和标准关节角度计算出第一关节角度相对标准关节角度的偏移情况,提出相应的调整信息,并将该调整信息实时发送给用户,以供用户根据该调整信息实时进行调整。通过在动作过程中对动作进行纠正,防止了用户使用错误的动作进行训练,保证了训练时动作的准确性,提高了训练有效性。
基于同一申请构思,本申请实施例中还提供了与动作评分方法对应的动作评分装置,由于本申请实施例中的装置解决问题的原理与前述的动作评分方法实施例相似,因此本实施例中的装置的实施可以参见上述方法的实施例中的描述,重复之处不再赘述。
请参阅图5,是本申请实施例提供的动作评分装置的功能模块示意图。本实施例中的动作评分装置中的各个模块用于执行上述方法实施例中的各个步骤。动作评分装置包括第一确定模块301、计算模块302、第二确定模块303、匹配模块304、评分模块305;其中,
第一确定模块301用于通过姿态识别算法确定第一时间帧的目标图像的关键点坐标,所述目标图像为待评分动作的图像。
计算模块302用于根据所述第一时间帧的目标图像的关键点坐标计算第一关节角度。
第二确定模块303用于根据所述第一关节角度和标准关节角度确定所述第一关节角度是否在合理范围内。
匹配模块304用于若所述第一关节角度在合理范围内,判断目标图像已匹配的帧数是否到达预设数量。
评分模块305用于若目标图像已匹配的帧数到达预设数量,根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分。
一种可能的实施方式中,该动作评分装置还包括判断模块,用于若目标图像已匹配的帧数未到达预设数量,判断第二时间帧的目标图像的关键点与所述第一时间帧的目标图像的关键点的距离是否小于距离阈值;若所述距离小于所述距离阈值,根据所述第二时间帧的目标图像的关键点坐标计算第二关节角度;根据所述第二关节角度和所述标准关节角度对第二时间帧的动作进行评分。
一种可能的实施方式中,判断模块,还用于:判断所述距离是否小于第二距离阈值;若所述距离小于所述第二距离阈值,根据所述距离与所述第一距离阈值、第二距离阈值之间的关系,为所述第二时间帧赋予权重;若所述距离大于所述第二距离阈值,发送提醒信息,以供用户调整动作。
一种可能的实施方式中,判断模块,具体用于:若所述距离小于所述第一距离阈值,为所述第二时间帧赋予第一权重;若所述距离介于所述第一距离阈值和所述第二距离阈值之间,为所述第二时间帧赋予第二权重。
一种可能的实施方式中,评分模块305,还用于:根据所述待评分动作的多个时间帧的动作评分计算所述待评分动作的最终评分。
一种可能的实施方式中,该动作评分装置还包括反馈模块,用于若所述第一关节角度未在合理范围内,根据所述第一关节角度与所述标准关节角度确定调整信息;实时反馈所述调整信息,以供用户根据所述调整信息对动作进行调整。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的动作评分方法的步骤。
本申请实施例所提供的动作评分方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的动作评分方法的步骤,具体可参见上述方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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。需要说明的是,在本文中,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……”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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种动作评分方法,其特征在于,包括:
通过姿态识别算法确定第一时间帧的目标图像的关键点坐标,所述目标图像为待评分动作的图像;
根据所述第一时间帧的目标图像的关键点坐标计算第一关节角度;
根据所述第一关节角度和标准关节角度确定所述第一关节角度是否在合理范围内;
若所述第一关节角度在合理范围内,判断目标图像已匹配的帧数是否到达预设数量;
若目标图像已匹配的帧数到达预设数量,根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分;
其中,所述目标图像已匹配的帧数为所述第一关节角度在合理范围内的帧数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若目标图像已匹配的帧数未到达预设数量,判断第二时间帧的目标图像的关键点与所述第一时间帧的目标图像的关键点的距离是否小于距离阈值;
若所述距离小于所述距离阈值,根据所述第二时间帧的目标图像的关键点坐标计算第二关节角度;
根据所述第二关节角度和所述标准关节角度对第二时间帧的动作进行评分。
3.根据权利要求2所述的方法,其特征在于,所述距离阈值包括第一距离阈值和第二距离阈值,所述判断第二时间帧的目标图像的关键点与所述第一时间帧的目标图像的关键点的距离是否小于距离阈值,包括:
判断所述距离是否小于第二距离阈值;
若所述距离小于所述第二距离阈值,根据所述距离与所述第一距离阈值、第二距离阈值之间的关系,为所述第二时间帧赋予权重;
若所述距离大于所述第二距离阈值,发送提醒信息,以供用户调整动作。
4.根据权利要求3所述的方法,其特征在于,所述若所述距离小于所述第二距离阈值,根据所述距离与所述第一距离阈值、第二距离阈值之间的关系,为所述第二时间帧赋予权重,包括:
若所述距离小于所述第一距离阈值,为所述第二时间帧赋予第一权重;
若所述距离介于所述第一距离阈值和所述第二距离阈值之间,为所述第二时间帧赋予第二权重。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述第一关节角度未在合理范围内,根据所述第一关节角度与所述标准关节角度确定调整信息;
实时反馈所述调整信息,以供用户根据所述调整信息对动作进行调整。
8.一种动作评分装置,其特征在于,包括:
第一确定模块:用于通过姿态识别算法确定第一时间帧的目标图像的关键点坐标,所述目标图像为待评分动作的图像;
计算模块:用于根据所述第一时间帧的目标图像的关键点坐标计算第一关节角度;
第二确定模块:用于根据所述第一关节角度和标准关节角度确定所述第一关节角度是否在合理范围内;
匹配模块:用于若所述第一关节角度在合理范围内,判断目标图像已匹配的帧数是否到达预设数量;
评分模块:用于若目标图像已匹配的帧数到达预设数量,根据所述第一关节角度和所述标准关节角度对第一时间帧的动作进行评分;
其中,所述已匹配的时间帧为所述第一关节角度在合理范围内的时间帧。
9.一种动作评分设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当动作评分设备运行时,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336784.6A CN115661930A (zh) | 2022-10-28 | 2022-10-28 | 动作评分方法、装置、动作评分设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336784.6A CN115661930A (zh) | 2022-10-28 | 2022-10-28 | 动作评分方法、装置、动作评分设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661930A true CN115661930A (zh) | 2023-01-31 |
Family
ID=84992823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336784.6A Pending CN115661930A (zh) | 2022-10-28 | 2022-10-28 | 动作评分方法、装置、动作评分设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661930A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580813A (zh) * | 2023-07-10 | 2023-08-11 | 西南交通大学 | 一种基于深度学习的腰背肌锻炼监测与评估装置及方法 |
CN117078976A (zh) * | 2023-10-16 | 2023-11-17 | 华南师范大学 | 动作评分方法、装置、计算机设备以及存储介质 |
CN118015706A (zh) * | 2024-03-21 | 2024-05-10 | 广东先知大数据股份有限公司 | 一种仰卧起坐动作规范检测方法、装置及存储介质 |
-
2022
- 2022-10-28 CN CN202211336784.6A patent/CN115661930A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580813A (zh) * | 2023-07-10 | 2023-08-11 | 西南交通大学 | 一种基于深度学习的腰背肌锻炼监测与评估装置及方法 |
CN117078976A (zh) * | 2023-10-16 | 2023-11-17 | 华南师范大学 | 动作评分方法、装置、计算机设备以及存储介质 |
CN118015706A (zh) * | 2024-03-21 | 2024-05-10 | 广东先知大数据股份有限公司 | 一种仰卧起坐动作规范检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115661930A (zh) | 动作评分方法、装置、动作评分设备及存储介质 | |
Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
US20180133551A1 (en) | System and method for personalized exercise training and coaching | |
US9510789B2 (en) | Motion analysis method | |
US9826923B2 (en) | Motion analysis method | |
Dentamaro et al. | Gait analysis for early neurodegenerative diseases classification through the kinematic theory of rapid human movements | |
CN112970074A (zh) | 身体活动量化和监测 | |
Hua et al. | Evaluation of machine learning models for classifying upper extremity exercises using inertial measurement unit-based kinematic data | |
CN114067358A (zh) | 一种基于关键点检测技术的人体姿态识别方法及*** | |
CN113663312B (zh) | 一种基于微惯性的无器械健身动作质量评估方法 | |
US20220207921A1 (en) | Motion recognition method, storage medium, and information processing device | |
CN112668359A (zh) | 动作识别方法、动作识别装置和电子设备 | |
CN109731316B (zh) | 一种投篮训练*** | |
CN112568898A (zh) | 一种基于视觉图像对人体运动动作自动进行伤病风险评估及动作矫正的方法、装置及设备 | |
US20230355135A1 (en) | Intelligent gait analyzing apparatus | |
KR102013705B1 (ko) | 승마시뮬레이터에서 사용자 자세 인식 장치 및 방법 | |
Kanase et al. | Pose estimation and correcting exercise posture | |
CN114973048A (zh) | 康复动作的纠正方法、装置、电子设备及可读介质 | |
EP3477656B1 (en) | Systems and methods for quantification of postural balance of users in an augmented reality environment | |
CN117653084A (zh) | 利用步态评估脊柱侧弯康复状态的方法 | |
Krishnan et al. | Pose estimation of yoga poses using ml techniques | |
CN113842622B (zh) | 一种运动教学方法、装置、***、电子设备及存储介质 | |
Rungsawasdisap et al. | Squat movement recognition using hidden Markov models | |
WO2021241676A1 (ja) | 運動解析装置、システム及び記憶媒体、並びにリハビリテーションシステム | |
JP7459658B2 (ja) | 身体能力提示方法および身体能力提示装置 |
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 |