CN115661935B - 一种人体动作准确度确定方法和设备 - Google Patents

一种人体动作准确度确定方法和设备 Download PDF

Info

Publication number
CN115661935B
CN115661935B CN202211350974.3A CN202211350974A CN115661935B CN 115661935 B CN115661935 B CN 115661935B CN 202211350974 A CN202211350974 A CN 202211350974A CN 115661935 B CN115661935 B CN 115661935B
Authority
CN
China
Prior art keywords
point cloud
cloud data
standard
human
correction data
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.)
Active
Application number
CN202211350974.3A
Other languages
English (en)
Other versions
CN115661935A (zh
Inventor
高雪松
陈维强
辛洪录
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.)
Hisense Group Holding Co Ltd
Original Assignee
Hisense Group Holding Co Ltd
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 Hisense Group Holding Co Ltd filed Critical Hisense Group Holding Co Ltd
Priority to CN202211350974.3A priority Critical patent/CN115661935B/zh
Publication of CN115661935A publication Critical patent/CN115661935A/zh
Application granted granted Critical
Publication of CN115661935B publication Critical patent/CN115661935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例提供了一种人体动作准确度确定方法和设备，涉及人工智能技术领域，该方法包括：先从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取预设时间点对应的标准点云数据，再基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度。为了避免传统方法中通过摄像头直接采集图像数据，所带来的用户隐私泄露问题，本申请实施例中直接通过准确度确定***的激光雷达传感器采集人体点云数据，并基于人体点云数据确定人体动作的准确度，由于人体点云数据只能用于显示用户的三维结构，而无法具体显示用户图像，有效地保护了用户的隐私。

Description

一种人体动作准确度确定方法和设备
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种人体动作准确度确定方法和设备。
背景技术
在人类发展过程中，人们总会有意识地参与各种健身运动以提高身体素质。在健身运动过程中，往往需要健身教练进行动作指导和纠正，以便提高健身效果，这将会导致花费大量的经济成本和时间成本。
目前，为了保证用户健身运动过程中动作的准确性，以及提高健身运动的便利性，用户一般选择智能健身产品辅助健身运动。具体地，用户可以随着播放智能健身产品中的标准训练视频，并跟随标准训练视频进行健身运动，而智能健身产品在播放标准训练视频的时候，还可以同时采集用户的训练动作，并根据播放的标准训练视频判断用户的训练动作是否标准。
然而，智能健身产品一般通过摄像头采集用户的训练动作，这很容易导致用户隐私泄露，因此，智能健身产品的安全性是一个亟需解决的问题。
发明内容
本申请实施例提供了一种人体动作准确度确定方法和设备，用于准确地确定人体动作，并且保护用户隐私。
一方面，本申请实施例提供了一种人体动作准确度确定方法，该方法包括：
从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取所述预设时间点对应的标准点云数据；
基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度。
可选地，所述从目标区域获取预设时间点对应的人体点云数据，包括：
获取所述目标区域对应的第一环境点云数据，所述第一环境点云数据是基于所述目标区域确定的；
从所述目标区域获取所述预设时间点对应的第二环境点云数据；所述第二环境点云数据是基于所述目标区域和人体确定的；
将所述第二环境点云数据以及所述第一环境点云数据进行差集计算，获得所述人体点云数据。
可选地，所述第一环境点云数据包括多个第一环境数据点，所述第二环境点云数据包括多个第二环境数据点；
所述将所述第二环境点云数据以及所述第一环境点云数据，进行差集计算，获得所述人体点云数据，包括：
针对所述第二环境点云数据中的任一第二环境数据点，分别计算所述第二环境数据点与所述第一环境点云数据中多个第一环境数据点的距离，获得多个环境相似距离；若存在任一环境相似距离小于第一预设距离阈值，则将所述第二环境数据点从所述第二环境点云数据中删除；
将删除多个第二环境数据点后的第二环境点云数据，作为所述人体点云数据。
可选地，所述基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度，包括：
采用所述标准点云数据的质心，对所述标准点云数据进行调整，获得标准校正数据；
采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据；
基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度。
可选地，所述标准校正数据包括多个标准校正数据点，所述人体校正数据包括多个人体校正数据点；
所述基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度，包括：
针对所述标准校正数据中的任一标准校正数据点，分别确定所述标准校正数据点与所述人体校正数据中多个人体校正数据点的距离，获得多个人体相似距离；若存在任一人体相似距离小于第二预设距离阈值，则将所述标准校正数据点进行标记；
基于标记后的标准校正数据点的数量，以及所述标准校正数据中标准校正数据点的数量，确定所述人体动作的准确度。
可选地，所述采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据之前，还包括：
确定所述标准点云数据的标准尺度，以及所述人体点云数据的待校准尺度；
基于所述标准尺度和所述待校准尺度，确定所述人体点云数据的缩放系数；
采用所述缩放系数，对所述人体点云数据进行缩放。
可选地，还包括：
采用分割模型对所述标准点云数据进行分割，获得多个局部标准点云数据；以及采用所述分割模型对所述人体点云数据进行分割，获得多个局部人体点云数据；
针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度。
可选地，所述针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度，包括：
基于所述标准校正数据，确定所述局部标准点云数据对应的局部标准校正数据；
基于所述人体校正数据，确定所述局部人体点云数据对应的局部人体校正数据；
基于所述局部标准校正数据和所述局部人体校正数据的距离相似度，确定所述局部动作的准确度。
可选地，所述局部标准校正数据包括多个局部标准校正数据点，所述局部人体校正数据包括多个局部人体校正数据点；
所述基于所述局部标准校正数据和所述局部人体校正数据的距离相似度，确定所述局部动作的准确度，包括：
针对所述局部标准校正数据中的任一局部标准校正数据点，分别确定所述局部标准校正数据点与所述局部人体校正数据中多个局部人体校正数据点的距离，获得多个局部人体相似距离；若存在任一局部人体相似距离小于第三预设距离阈值，则将所述局部标准校正数据点进行标记。
基于标记后的局部标准校正数据点的数量，以及所述局部标准校正数据中局部标准校正数据点的数量，确定所述局部动作的准确度。
一方面，本申请实施例提供了一种人体动作准确度确定装置，该装置包括：
获取模块，用于从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取所述预设时间点对应的标准点云数据；
准确度确定模块，用于基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度。
可选地，所述获取模块，具体用于：
获取所述目标区域对应的第一环境点云数据，所述第一环境点云数据是基于所述目标区域确定的；
从所述目标区域获取所述预设时间点对应的第二环境点云数据；所述第二环境点云数据是基于所述目标区域和人体确定的；
将所述第二环境点云数据以及所述第一环境点云数据进行差集计算，获得所述人体点云数据。
可选地，所述第一环境点云数据包括多个第一环境数据点，所述第二环境点云数据包括多个第二环境数据点；
所述获取模块，具体用于：
针对所述第二环境点云数据中的任一第二环境数据点，分别计算所述第二环境数据点与所述第一环境点云数据中多个第一环境数据点的距离，获得多个环境相似距离；若存在任一环境相似距离小于第一预设距离阈值，则将所述第二环境数据点从所述第二环境点云数据中删除；
将删除多个第二环境数据点后的第二环境点云数据，作为所述人体点云数据。
可选地，所述准确度确定模块，具体用于：
采用所述标准点云数据的质心，对所述标准点云数据进行调整，获得标准校正数据；
采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据；
基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度。
可选地，所述标准校正数据包括多个标准校正数据点，所述人体校正数据包括多个人体校正数据点；
所述准确度确定模块，具体用于：
针对所述标准校正数据中的任一标准校正数据点，分别确定所述标准校正数据点与所述人体校正数据中多个人体校正数据点的距离，获得多个人体相似距离；若存在任一人体相似距离小于第二预设距离阈值，则将所述标准校正数据点进行标记；
基于标记后的标准校正数据点的数量，以及所述标准校正数据中标准校正数据点的数量，确定所述人体动作的准确度。
可选地，还包括缩放模块，所述缩放模块具体用于：
所述采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据之前，确定所述标准点云数据的标准尺度，以及所述人体点云数据的待校准尺度；
基于所述标准尺度和所述待校准尺度，确定所述人体点云数据的缩放系数；
采用所述缩放系数，对所述人体点云数据进行缩放。
可选地，所述准确度确定模块还用于：
采用分割模型对所述标准点云数据进行分割，获得多个局部标准点云数据；以及采用所述分割模型对所述人体点云数据进行分割，获得多个局部人体点云数据；
针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度。
可选地，所述准确度确定模块，具体用于：
基于所述标准校正数据，确定所述局部标准点云数据对应的局部标准校正数据；
基于所述人体校正数据，确定所述局部人体点云数据对应的局部人体校正数据；
基于所述局部标准校正数据和所述局部人体校正数据的距离相似度，确定所述局部动作的准确度。
可选地，所述局部标准校正数据包括多个局部标准校正数据点，所述局部人体校正数据包括多个局部人体校正数据点；
所述准确度确定模块，具体用于：
针对所述局部标准校正数据中的任一局部标准校正数据点，分别确定所述局部标准校正数据点与所述局部人体校正数据中多个局部人体校正数据点的距离，获得多个局部人体相似距离；若存在任一局部人体相似距离小于第三预设距离阈值，则将所述局部标准校正数据点进行标记。
基于标记后的局部标准校正数据点的数量，以及所述局部标准校正数据中局部标准校正数据点的数量，确定所述局部动作的准确度。
一方面，本申请实施例提供了一种计算机设备，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上述人体动作准确度确定方法的步骤。
一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述人体动作准确度确定方法的步骤。
在本申请实施例中，先从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取预设时间点对应的标准点云数据，再基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度。为了避免传统方法中通过摄像头直接采集图像数据，所带来的用户隐私泄露问题，本申请实施例中直接通过准确度确定***的激光雷达传感器采集人体点云数据，并基于人体点云数据确定人体动作的准确度，由于人体点云数据只能用于显示用户的三维结构，而无法具体显示用户图像，有效地保护了用户的隐私。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种***架构示意图；
图2为本申请实施例提供的一种人体动作准确度确定方法的流程示意图；
图3为本申请实施例提供的一种安装准确度确定***的产品的结构示意图；
图4为本申请实施例提供的一种获取人体点云数据的方法的流程示意图；
图5为本申请实施例提供的一种人体点云数据缩放方法的流程示意图；
图6为本申请实施例提供的一种人体动作准确度确定方法的流程示意图；
图7为本申请实施例提供的一种局部动作准确度确定方法的流程示意图；
图8为本申请实施例提供的一种安装准确度确定***的产品的结构示意图；
图9为本申请实施例提供的一种人体动作准确度确定装置的结构示意图；
图10为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，其为本申请实施例适用的一种人体动作准确度确定***架构图，该人体动作准确度确定***架构图至少包括终端设备101、准确度确定***102。
准确度确定***102为目标应用的后台服务器，为目标应用提供服务。准确度确定***102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网路(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。在本申请实施例中，准确度确定***102一般安装于手机、电视机、健身镜等产品中。
终端设备101与准确度确定***102可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
终端设备101响应用户的确定人体动作准确度操作，发送准确度确定指令至准确度确定***102。准确度确定***102接收准确度确定指令，从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取预设时间点对应的标准点云数据，再基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度。
基于图1所述的***架构图，本申请实施例提供了一种确定人体动作准确度方法的流程，如图2所示，该方法的流程由图1所示的准确度确定***102执行，包括以下步骤：
步骤S201，从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取预设时间点对应的标准点云数据。
具体地，将安装有准确度确定***的产品放置后，准确度确定***中的激光雷达传感器所能采集到的区域，即为目标区域。其中，安装有准确度确定***的产品可以放置于客厅、卧室等，目标区域为客厅区域或者卧室区域等。
由于准确度确定***采集人体点云数据以及确定人体动作准确度，均需要一定的计算时间，因此，准确度确定***可以在预设时间点进行人体点云数据的采集。例如，准确度确定***每隔2秒采集当前时间点对应的人体点云数据。
安装准确度确定***的产品播放标准训练视频时，所呈现的结构如图3所示。当用户跟随播放的标准训练视频进行健身运动时，准确度确定***通过激光雷达传感器，从目标区域获取预设时间点对应的人体点云数据。其中，人体点云数据为用户身体所对应的点云数据。人体点云数据中的多个数据点均为三维空间坐标系内的数据点。三维空间坐标系由X轴、Y轴、Z轴组成。
同时，准确度确定***从播放的标准训练视频中获取预设时间点对应的标准点云数据。其中，标准点云数据为标准训练视频中健身教练身体所对应的点云数据。标准点云数据中的多个数据点均为三维空间坐标系内的数据点。
步骤S202，基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度。
可选地，还可以采用分割模型对标准点云数据进行分割，获得多个局部标准点云数据，以及采用分割模型对人体点云数据进行分割，获得多个局部人体点云数据。再针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度。其中，分割模型是已经提前训练并存储在准确度确定***中的，可以为point_net等深度神经网络模型。
采用分割模型可以将标准点云数据分割为头部标准点云数据、躯干点云数据、四肢点云数据。其中，四肢点云数据包括左小臂点云数据、右小臂点云数据、左大臂点云数据、右大臂点云数据、左小腿点云数据、右小腿点云数据、左大腿点云数据、右大腿点云数据。
采用分割模型对人体点云数据进行分割的结果，与标准点云数据的分割结果类似，在此不再赘述。
在本申请实施例中，先从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取预设时间点对应的标准点云数据，再基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度。为了避免传统方法中通过摄像头直接采集图像数据，所带来的用户隐私泄露问题，本申请实施例中直接通过准确度确定***的激光雷达传感器采集人体点云数据，并基于人体点云数据确定人体动作的准确度，由于人体点云数据只能用于显示用户的三维结构，而无法具体显示用户图像，有效地保护了用户的隐私。
可选地，在上述步骤S201，从目标区域获取预设时间点对应的人体点云数据，具体包括如图4所示的以下步骤：
步骤S401，获取目标区域对应的第一环境点云数据。
其中，第一环境点云数据基于目标区域确定的。第一环境点云数据只包括目标区域对应的点云数据，不包括用户身体所对应的点云数据。
第一环境点云数据可以只确定一次，即在播放训练视频之前，准确度确定***通过激光雷达传感器，采集目标区域所对应的第一环境点云数据。
步骤S402，从目标区域获取预设时间点对应的第二环境点云数据。
其中，第二环境点云数据是基于目标区域和人体确定的。第二环境点云数据包括目标区域对应的点云数据和用户身体所对应的点云数据。
步骤S403，将第二环境点云数据以及第一环境点云数据进行差集计算，获得人体点云数据。
其中，第一环境点云数据包括多个第一环境数据点，第二环境点云数据包括多个第二环境数据点。
具体地，针对第二环境点云数据中的任一第二环境数据点，分别计算第二环境数据点与第一环境点云数据中多个第一环境数据点的距离，获得多个环境相似距离；若存在任一环境相似距离小于第一预设距离阈值，则将第二环境数据点从第二环境点云数据中删除。
最后，将删除多个第二环境数据点后的第二环境点云数据，作为人体点云数据。
在本申请实施例中，通过计算第二环境点云数据以及第一环境点云数据的差集，获得人体点云数据，提高了所获取的人体点云数据的精确度。
可选地，在上述步骤S202基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度之前，还包括如图5所示的以下步骤：
步骤S501，确定标准点云数据的标准尺度，以及人体点云数据的待校准尺度。
具体地，确定标准点云数据在三维空间坐标系中Z轴方向上的最大值以及最小值。在标准点云数据中，根据头顶位置对应的点云数据确定Z轴方向上的最大值，根据脚底位置对应的点云数据确定Z轴方向上的最小值，将以上确定的Z轴方向上的最大值和Z轴方向上的最小值的差值，作为标准点云数据的标准尺度Sstd。
同样地，确定人体点云数据的待校准尺度Suser的方法，与确定标准点云数据的标准尺度Sstd的方法相同，在此不做赘述。
步骤S502，基于标准尺度和待校准尺度，确定人体点云数据的缩放系数。
具体地，将标准尺度和待校准尺度的比例，作为人体点云数据的缩放系数。缩放系数r＝Sstd/Suser。缩放系数r可以大于1，可以小于1，一般极少情况下可以为1。
步骤S503，采用缩放系数，对人体点云数据进行缩放。
具体地，针对人体点云数据中每个数据点在三维空间坐标系中的坐标值，均乘以缩放系数，获得缩放后的数据点的坐标值，以此实现对人体点云数据的缩放。
若人体点云数据中任一数据点的坐标值为(xuser,yuser,zuser)，缩放后的数据点的坐标值为(xuser*r,yuser*r,zuser*r)，其中，r＝Sstd/Suser。
在本申请实施例中，由于标准点云数据和人体点云数据的尺度并不相同，因此，需要根据标准点云数据的标准尺度和人体点云数据的待校准尺度，对人体点云数据进行缩放，以保证标准点云数据和人体点云数据的尺度相同，保证后续所计算的人体动作的准确度。
可选地，在上述步骤S202中，基于标准点云数据与人体点云数据的距离相似度，确定人体动作的准确度，具体包括如图6所示的以下步骤：
步骤S601，采用标准点云数据的质心，对标准点云数据进行调整，获得标准校正数据。
具体地，获取标准点云数据中每个数据点的坐标值(xstd,ystd,zstd)，针对三维空间坐标系中X轴方向，对标准点云数据中的全部数据点的x值求平均，获得平均值
Figure BDA0003918843770000121
针对三维空间坐标系中Y轴方向，对标准点云数据中的全部数据点的y值求平均，获得平均值/>
Figure BDA0003918843770000122
针对三维空间坐标系中Z轴方向，对标准点云数据中的全部数据点的z值求平均，获得平均值/>
Figure BDA0003918843770000123
将平均值/>
Figure BDA0003918843770000124
平均值/>
Figure BDA0003918843770000125
和平均值/>
Figure BDA0003918843770000126
作为标准点云数据的质心
Figure BDA0003918843770000127
针对标准点云数据中的任一数据点的坐标值(xstd,ystd,zstd)，减去标准点云数据的质心
Figure BDA0003918843770000128
获得标准校正数据点/>
Figure BDA0003918843770000129
Figure BDA00039188437700001210
最后，将获得的多个标准校正数据点作为标准校正数据。
在本申请实施例中，采用标准点云数据的质心，对标准点云数据进行调整，所获得的标准校正数据以标准点云数据的质心为坐标原点。
步骤S602，采用人体点云数据的质心，对人体点云数据进行调整，获得人体校正数据。
具体地，获取人体点云数据中每个数据点的坐标值(xuser,yuser,zuser)，针对三维空间坐标系中X轴方向，对人体点云数据中的全部数据点的x值求平均，获得平均值
Figure BDA00039188437700001211
针对三维空间坐标系中Y轴方向，对人体点云数据中的全部数据点的y值求平均，获得平均值
Figure BDA0003918843770000131
针对三维空间坐标系中Z轴方向，对人体点云数据中的全部数据点的z值求平均，获得平均值/>
Figure BDA0003918843770000132
将平均值/>
Figure BDA0003918843770000133
平均值/>
Figure BDA0003918843770000134
和平均值/>
Figure BDA0003918843770000135
作为人体点云数据的质心
Figure BDA0003918843770000136
针对人体点云数据中的任一数据点的坐标值(xuser,yuser,zuser)，减去人体点云数据的质心
Figure BDA0003918843770000137
获得人体校正数据点/>
Figure BDA0003918843770000138
Figure BDA0003918843770000139
最后，将获得的多个人体校正数据点作为人体校正数据。
在本申请实施例中，采用人体点云数据的质心，对人体点云数据进行调整，所获得人体校正数据以人体点云数据的质心为坐标原点。
步骤S603，基于标准校正数据和人体校正数据的距离相似度，确定人体动作的准确度。
标准校正数据包括多个标准校正数据点，人体校正数据包括多个人体校正数据点。
针对标准校正数据中的任一标准校正数据点，分别确定标准校正数据点与人体校正数据中多个人体校正数据点的距离，获得多个人体相似距离；若存在任一人体相似距离小于第二预设距离阈值，则将标准校正数据点进行标记。
最后，基于标记后的标准校正数据点的数量，以及标准校正数据中标准校正数据点的数量，确定人体动作的准确度。
一般来说，标记后的标准校正数据点的数量为p，标准校正数据中标准校正数据点的数量为q，标记后的标准校正数据点的数量与标准校正数据中标准校正数据点的数量的比值，作为人体动作的准确度，并将人体动作的准确度进行显示。
在本申请实施例中，采用标准点云数据的质心，对标准点云数据进行调整，同时，采用人体点云数据的质心，对人体点云数据进行调整，保证了标准点云数据和人体点云数据位于同一三维空间坐标系，进而提高了基于标准校正数据和人体校正数据的距离相似度所确定人体动作的准确度。
可选地，针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度，具体包括如图7所示的以下步骤：
步骤S701，基于标准校正数据，确定局部标准点云数据对应的局部标准校正数据。
步骤S702，基于人体校正数据，确定局部人体点云数据对应的局部人体校正数据。
步骤S703，基于局部标准校正数据和局部人体校正数据的距离相似度，确定局部动作的准确度。
具体地，局部标准校正数据包括多个局部标准校正数据点，局部人体校正数据包括多个局部人体校正数据点。
针对局部标准校正数据中的任一局部标准校正数据点，分别确定局部标准校正数据点与局部人体校正数据中多个局部人体校正数据点的距离，获得多个局部人体相似距离；若存在任一局部人体相似距离小于第三预设距离阈值，则将局部标准校正数据点进行标记。
最后，基于标记后的局部标准校正数据点的数量，以及局部标准校正数据中局部标准校正数据点的数量，确定局部动作的准确度。
一般来说，标记后的局部标准校正数据点的数量为m，局部标准校正数据中局部标准校正数据点的数量为n，标记后的局部标准校正数据点的数量m与局部标准校正数据中局部标准校正数据点的数量n的比值，作为局部动作的准确度。
若局部动作的准确度小于预设相似度阈值，则说明用户的局部动作已经与标准训练视频中的动作偏差较大，则输出局部动作所对应的人体部位的纠正提示信息。
举例来说，根据以上方法所确定的人体动作的准确度为80％，小腿所对应的局部动作的准确度为20％，设定预设相似度阈值为50％，由于20％小于预设相似度阈值，因此，将会输出小腿的纠正提示。如图8所示。
在本申请实施例中，针对任一局部标准点云数据对应的局部标准校正数据，以及相对应的局部人体点云数据所对应的局部人体校正数据，确定局部标准校正数据和局部人体校正数据的距离相似度，并基于上述距离相似度确定局部动作的准确度，可以更加精准地确定出人体的各个局部动作的准确性，并针对各个局部动作的准确性输出对应的纠正提示信息，便于用户随时调整动作。
基于相同的技术构思，本申请实施例提供了一种人体动作准确度确定装置，如图9所示，该人体动作准确度确定装置900包括：
获取模块901，用于从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取所述预设时间点对应的标准点云数据；
准确度确定模块902，用于基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度。
可选地，所述获取模块901，具体用于：
获取所述目标区域对应的第一环境点云数据，所述第一环境点云数据是基于所述目标区域确定的；
从所述目标区域获取所述预设时间点对应的第二环境点云数据；所述第二环境点云数据是基于所述目标区域和人体确定的；
将所述第二环境点云数据以及所述第一环境点云数据进行差集计算，获得所述人体点云数据。
可选地，所述第一环境点云数据包括多个第一环境数据点，所述第二环境点云数据包括多个第二环境数据点；
所述获取模块901，具体用于：
针对所述第二环境点云数据中的任一第二环境数据点，分别计算所述第二环境数据点与所述第一环境点云数据中多个第一环境数据点的距离，获得多个环境相似距离；若存在任一环境相似距离小于第一预设距离阈值，则将所述第二环境数据点从所述第二环境点云数据中删除；
将删除多个第二环境数据点后的第二环境点云数据，作为所述人体点云数据。
可选地，所述准确度确定模块902，具体用于：
采用所述标准点云数据的质心，对所述标准点云数据进行调整，获得标准校正数据；
采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据；
基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度。
可选地，所述标准校正数据包括多个标准校正数据点，所述人体校正数据包括多个人体校正数据点；
所述准确度确定模块902，具体用于：
针对所述标准校正数据中的任一标准校正数据点，分别确定所述标准校正数据点与所述人体校正数据中多个人体校正数据点的距离，获得多个人体相似距离；若存在任一人体相似距离小于第二预设距离阈值，则将所述标准校正数据点进行标记；
基于标记后的标准校正数据点的数量，以及所述标准校正数据中标准校正数据点的数量，确定所述人体动作的准确度。
可选地，还包括缩放模块903，所述缩放模块903具体用于：
所述采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据之前，确定所述标准点云数据的标准尺度，以及所述人体点云数据的待校准尺度；
基于所述标准尺度和所述待校准尺度，确定所述人体点云数据的缩放系数；
采用所述缩放系数，对所述人体点云数据进行缩放。
可选地，所述准确度确定模块902还用于：
采用分割模型对所述标准点云数据进行分割，获得多个局部标准点云数据；以及采用所述分割模型对所述人体点云数据进行分割，获得多个局部人体点云数据；
针对任一局部标准点云数据以及相对应的局部人体点云数据的距离相似度，确定局部动作的准确度。
可选地，所述准确度确定模块902，具体用于：
基于所述标准校正数据，确定所述局部标准点云数据对应的局部标准校正数据；
基于所述人体校正数据，确定所述局部人体点云数据对应的局部人体校正数据；
基于所述局部标准校正数据和所述局部人体校正数据的距离相似度，确定所述局部动作的准确度。
可选地，所述局部标准校正数据包括多个局部标准校正数据点，所述局部人体校正数据包括多个局部人体校正数据点；
所述准确度确定模块902，具体用于：
针对所述局部标准校正数据中的任一局部标准校正数据点，分别确定所述局部标准校正数据点与所述局部人体校正数据中多个局部人体校正数据点的距离，获得多个局部人体相似距离；若存在任一局部人体相似距离小于第三预设距离阈值，则将所述局部标准校正数据点进行标记。
基于标记后的局部标准校正数据点的数量，以及所述局部标准校正数据中局部标准校正数据点的数量，确定所述局部动作的准确度。
基于相同的技术构思，本申请实施例提供了一种计算机设备，计算机设备可以是终端或服务器，如图10所示，包括至少一个处理器1001，以及与至少一个处理器连接的存储器1002，本申请实施例中不限定处理器1001与存储器1002之间的具体连接介质，图10中处理器1001和存储器1002之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器1002存储有可被至少一个处理器1001执行的指令，至少一个处理器1001通过执行存储器1002存储的指令，可以执行上述人体动作准确度确定方法中所包括的步骤。
其中，处理器1001是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1002内的指令以及调用存储在存储器1002内的数据，从而进行人体动作准确度确定。可选的，处理器1001可包括一个或多个处理单元，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。在一些实施例中，处理器1001和存储器1002可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1001可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列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任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1002可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(StaticRandom Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(ReadOnly Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述人体动作准确度确定方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种人体动作准确度确定方法，其特征在于，包括：
从目标区域获取预设时间点对应的人体点云数据，以及从播放的标准训练视频中获取所述预设时间点对应的标准点云数据；
基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度；
采用分割模型对所述标准点云数据进行分割，获得多个局部标准点云数据；以及采用所述分割模型对所述人体点云数据进行分割，获得多个局部人体点云数据；
所述针对任一局部标准点云数据以及相对应的局部人体点云数据，执行以下步骤：
基于标准校正数据，确定所述局部标准点云数据对应的局部标准校正数据；所述局部标准校正数据包括多个局部标准校正数据点；所述标准校正数据是采用所述标准点云数据的质心，对所述标准点云数据进行调整获得的；
基于人体校正数据，确定所述局部人体点云数据对应的局部人体校正数据；所述局部人体校正数据包括多个局部人体校正数据点；所述人体校正数据是采用所述人体点云数据的质心，对所述人体点云数据进行调整获得的；
针对所述局部标准校正数据中的任一局部标准校正数据点，分别确定所述局部标准校正数据点与所述局部人体校正数据中多个局部人体校正数据点的距离，获得多个局部人体相似距离；若存在任一局部人体相似距离小于第三预设距离阈值，则将所述局部标准校正数据点进行标记；
基于标记后的局部标准校正数据点的数量，以及所述局部标准校正数据中局部标准校正数据点的数量，确定局部动作的准确度。
2.如权利要求1所述的方法，其特征在于，所述从目标区域获取预设时间点对应的人体点云数据，包括：
获取所述目标区域对应的第一环境点云数据，所述第一环境点云数据是基于所述目标区域确定的；
从所述目标区域获取所述预设时间点对应的第二环境点云数据；所述第二环境点云数据是基于所述目标区域和人体确定的；
将所述第二环境点云数据以及所述第一环境点云数据进行差集计算，获得所述人体点云数据。
3.如权利要求2所述的方法，其特征在于，所述第一环境点云数据包括多个第一环境数据点，所述第二环境点云数据包括多个第二环境数据点；
所述将所述第二环境点云数据以及所述第一环境点云数据，进行差集计算，获得所述人体点云数据，包括：
针对所述第二环境点云数据中的任一第二环境数据点，分别计算所述第二环境数据点与所述第一环境点云数据中多个第一环境数据点的距离，获得多个环境相似距离；若存在任一环境相似距离小于第一预设距离阈值，则将所述第二环境数据点从所述第二环境点云数据中删除；
将删除多个第二环境数据点后的第二环境点云数据，作为所述人体点云数据。
4.如权利要求1所述的方法，其特征在于，所述基于所述标准点云数据与所述人体点云数据的距离相似度，确定所述人体动作的准确度，包括：
采用所述标准点云数据的质心，对所述标准点云数据进行调整，获得标准校正数据；
采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据；
基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度。
5.如权利要求4所述的方法，其特征在于，所述标准校正数据包括多个标准校正数据点，所述人体校正数据包括多个人体校正数据点；
所述基于所述标准校正数据和所述人体校正数据的距离相似度，确定所述人体动作的准确度，包括：
针对所述标准校正数据中的任一标准校正数据点，分别确定所述标准校正数据点与所述人体校正数据中多个人体校正数据点的距离，获得多个人体相似距离；若存在任一人体相似距离小于第二预设距离阈值，则将所述标准校正数据点进行标记；
基于标记后的标准校正数据点的数量，以及所述标准校正数据中标准校正数据点的数量，确定所述人体动作的准确度。
6.如权利要求4所述的方法，其特征在于，所述采用所述人体点云数据的质心，对所述人体点云数据进行调整，获得人体校正数据之前，还包括：
确定所述标准点云数据的标准尺度，以及所述人体点云数据的待校准尺度；
基于所述标准尺度和所述待校准尺度，确定所述人体点云数据的缩放系数；
采用所述缩放系数，对所述人体点云数据进行缩放。
7.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1～6任一权利要求所述方法的步骤。
CN202211350974.3A 2022-10-31 2022-10-31 一种人体动作准确度确定方法和设备 Active CN115661935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211350974.3A CN115661935B (zh) 2022-10-31 2022-10-31 一种人体动作准确度确定方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211350974.3A CN115661935B (zh) 2022-10-31 2022-10-31 一种人体动作准确度确定方法和设备

Publications (2)

Publication Number Publication Date
CN115661935A CN115661935A (zh) 2023-01-31
CN115661935B true CN115661935B (zh) 2023-07-11

Family

ID=84995410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211350974.3A Active CN115661935B (zh) 2022-10-31 2022-10-31 一种人体动作准确度确定方法和设备

Country Status (1)

Country Link
CN (1) CN115661935B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152771B1 (en) * 2017-07-31 2018-12-11 SZ DJI Technology Co., Ltd. Correction of motion-based inaccuracy in point clouds
US11367204B1 (en) * 2021-12-16 2022-06-21 Ecotron LLC Multi-sensor spatial data auto-synchronization system and method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110231605B (zh) * 2019-05-09 2021-10-29 深圳市速腾聚创科技有限公司 人体行为的识别方法、装置、计算机设备和存储介质
CN111160088A (zh) * 2019-11-22 2020-05-15 深圳壹账通智能科技有限公司 Vr体感数据检测方法、装置、计算机设备及存储介质
CN111368635B (zh) * 2020-02-05 2021-05-25 北京邮电大学 一种基于毫米波的多人步态识别方法及装置
CN114942434B (zh) * 2022-04-25 2024-02-02 四川八维九章科技有限公司 一种基于毫米波雷达点云的跌倒姿态识别方法及***
CN114694263B (zh) * 2022-05-30 2022-09-02 深圳智华科技发展有限公司 动作识别方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152771B1 (en) * 2017-07-31 2018-12-11 SZ DJI Technology Co., Ltd. Correction of motion-based inaccuracy in point clouds
US11367204B1 (en) * 2021-12-16 2022-06-21 Ecotron LLC Multi-sensor spatial data auto-synchronization system and method

Also Published As

Publication number Publication date
CN115661935A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN110827383B (zh) 三维模型的姿态模拟方法、装置、存储介质和电子设备
CN112464918B (zh) 健身动作纠正方法、装置、计算机设备和存储介质
US20200089958A1 (en) Image recognition method and apparatus, electronic device, and readable storage medium
CN111242030A (zh) 视频数据处理方法、装置、设备及计算机可读存储介质
CN112446942A (zh) 特效渲染方法、装置、电子设备及存储介质
CN112991441A (zh) 相机定位方法、装置、电子设备及存储介质
CN113724378B (zh) 三维建模方法和装置、计算机可读存储介质及计算机设备
CN114220119B (zh) 人体姿态检测方法、终端设备及计算机可读存储介质
US20220092300A1 (en) Display apparatus and method for controlling thereof
CN111368787A (zh) 视频处理方法及装置、设备和计算机可读存储介质
CN113239849B (zh) 健身动作质量评估方法、***、终端设备及存储介质
CN115661935B (zh) 一种人体动作准确度确定方法和设备
CN113350771A (zh) 一种运动员动态姿态识别方法、装置、***及存储介质
CN113112185A (zh) 一种教师表现力的评估方法、装置和电子设备
CN110415171B (zh) 图像处理方法、装置及存储介质、电子设备
CN113842622B (zh) 一种运动教学方法、装置、***、电子设备及存储介质
CN116563588A (zh) 图像聚类方法、装置、电子设备及存储介质
CN110866417A (zh) 图像处理方法、装置及电子设备
CN116012417A (zh) 目标对象的轨迹确定方法、装置以及电子设备
CN112396117B (zh) 图像的检测方法、装置及电子设备
CN114550282A (zh) 多人三维姿态估计方法、装置及电子设备
US20140073383A1 (en) Method and system for motion comparison
CN110148202B (zh) 用于生成图像的方法、装置、设备和存储介质
CN114864043A (zh) 基于vr设备的认知训练方法、装置及介质
CN117671732B (zh) 一种检测体态的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant