CN114358043A - 动作识别评估方法、动作识别评估装置以及存储介质 - Google Patents

动作识别评估方法、动作识别评估装置以及存储介质 Download PDF

Info

Publication number
CN114358043A
CN114358043A CN202111448830.7A CN202111448830A CN114358043A CN 114358043 A CN114358043 A CN 114358043A CN 202111448830 A CN202111448830 A CN 202111448830A CN 114358043 A CN114358043 A CN 114358043A
Authority
CN
China
Prior art keywords
action
data
preset
classifier
motion
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
CN202111448830.7A
Other languages
English (en)
Inventor
唐志勇
曲强
陈哲
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111448830.7A priority Critical patent/CN114358043A/zh
Publication of CN114358043A publication Critical patent/CN114358043A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0605—Decision makers and devices using detection means facilitating arbitration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
    • A63B2220/836—Sensors arranged on the body of the user
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种动作识别评估方法、动作识别评估装置以及计算机存储介质。该动作识别评估方法包括：获取待识别评估动作数据；采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算动作数据矩阵的特征向量；将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。通过上述方式，本申请的动作识别评估方法能够自动、快速地对用户的动作进行识别，帮助用户对运动动作进行精准、快速的评判与分析。

Description

动作识别评估方法、动作识别评估装置以及存储介质
技术领域
本申请涉及动作识别技术领域，特别是涉及一种动作识别评估方法、动作识别评估装置以及计算机存储介质。
背景技术
随着技术的进步和市场的发展，人们的工作和生活中越来越多的依赖于智能设备，例如，游戏/娱乐设备、监控设备、各种智能设备等等。对于此类设备，能够准确分析、理解用户的活动，以观察、监控用户、或者与用户交互是非常重要的，且由此能够为用户使用这样的设备带来很大便利。对用户动作的识别无疑将具有广泛的应用前景，可应用的场景包括：体感游戏的输入、跌倒检测、身份识别、智能设备的控制，运动追踪、运动学习等等。因此，需要一种适用简单易行且较准确的动作识别方案。
发明内容
本申请提供了一种动作识别评估方法、动作识别评估装置以及计算机存储介质。
本申请提供了一种动作识别评估方法，所述动作识别评估方法包括：
获取待识别评估动作数据；
采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；
利用预设特征指标计算所述动作数据矩阵的特征向量；
将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别和/或特定动作完成水平。
其中，所述利用预设特征指标计算所述动作数据矩阵的特征向量，包括：
基于所述动作数据矩阵进行特征构建，采用预设特征指标对所述动作数据矩阵的每一个动作数据进行运算，得到每一个动作数据的特征向量；
将所有动作数据的特征向量进行组合，得到所述动作数据矩阵的特征向量矩阵；
其中，所述预设特征指标包括最大值、最小值、平均值、标准差、均方根和/或极差。
其中，所述利用预设特征指标计算所述动作数据矩阵的特征向量之后，所述动作识别评估方法还包括：
采用极端梯度提升算法对所述特征向量进行特征重构变换。
其中，所述采用极端梯度提升算法对所述特征向量进行特征重构变换，包括：
基于所述特征向量构建一组决策树组合，其中，所述每棵决策树的非叶子节点表示对一个动作数据的特征向量的属性测试，叶子节点表示属性测试的结果分布；
从所述决策树的根节点起，将动作数据的特征属性与非叶子节点的特征属性进行比较，根据比较结果决定下一级比较分支，直至叶子节点作为最终的比较结果；
将决策树组合中所有的叶子节点按照决策树的节点排列顺序进行取值组合，构建出新的特性向量矩阵。
其中，所述预设动作分类器包括动作类型分类器和动作水平分类器，所述动作类型分类器用于基于所述特征向量检测动作的分类类型，所述动作水平分类器用于基于所述特征向量检测动作的水平等级。
其中，所述动作识别评估方法，还包括：
获取待训练动作数据；
采用预设窗口提取所述待训练动作数据中的若干动作片段数据，构建动作数据矩阵；
利用预设特征指标计算所述动作数据矩阵的特征向量；
将所述特征向量分别输入待训练动作类型分类器和待训练动作水平分类器，得到输出的训练动作分类类型和训练动作水平等级；
基于所述训练动作分类类型与真实动作分类类型构建类别损失函数，以对所述待训练动作类型分类器进行训练，直至得到满足要求的预设动作类型分类器；
基于所述训练动作水平等级与真实动作水平等级构建水平损失函数，以对所述待训练动作水平分类器进行训练，直至得到满足要求的预设动作水平分类器。
其中，所述待识别评估动作数据包括三轴加速度动作数据和三轴角速度动作数据；
所述获取待识别评估动作数据之后，所述动作识别评估方法还包括：
采用滑动均值滤波对所述待识别评估动作数据进行数据预处理。
本申请还提供了一种动作识别评估系统，所述动作识别评估系统包括智能可穿戴传感器、终端设备以及服务器；其中，
所述智能可穿戴传感器，用于获取待识别评估动作数据，以及将所述待识别评估动作数据发送给所述终端设备；
所述终端设备，用于将所述识别动作数据上传至所述服务器；
所述服务器，用于采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算所述动作数据矩阵的特征向量；将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别；
所述终端设备，还用于从所述服务器获取所述待识别评估动作数据的动作识别结果和/或特定动作完成水平。
本申请还提供了一种动作识别评估装置，所述动作识别评估装置包括存储器和处理器，其中，所述存储器与所述处理器耦接；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的动作识别评估方法。
本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述的动作识别评估方法。
本申请的有益效果是：动作识别评估装置获取待识别评估动作数据；采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算动作数据矩阵的特征向量；将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。通过上述方式，本申请的动作识别评估方法能够自动、快速地对用户的动作进行识别，帮助用户对运动动作进行精准、快速的评判与分析。
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单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的动作识别评估方法一实施例的流程示意图；
图2是本申请提供的动作识别评估方法一实施例的框架示意图；
图3是本申请提供的特征重构变换一实施例的流程示意图；
图4是本申请提供的多任务逻辑回归分类器的训练过程的示意图；
图5是本申请提供的动作识别评估系统一实施例的结构示意图；
图6是本申请提供的动作识别评估装置一实施例的结构示意图；
图7是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供的动作识别评估方法可以适应于不同领域以及不同种类的动作识别，例如，可应用的场景包括：体感游戏的输入、跌倒检测、身份识别、智能设备的控制，运动追踪、运动学习等等。其中，动作识别评估方法应用于运动学习中，例如篮球动作学习、毽球动作学习等。下面，以毽球动作的识别和水平等级评估来实现毽球动作学习场景为例，详细介绍本申请提供的动作识别评估方法。
毽球，是一项由中国古老的民间健身运动游戏踢毽子演变而来，是中华民族传统的竞技体育运动。它在踢毽子游戏的趣味性、观赏性、健身性的基础上，增加了对抗性。在毽球比赛中，有脚踢球(包括脚内侧、外侧、脚背踢球)、正面脚掌踏毽球、传球、发球等技术，而正确掌握这些技术是比赛中取得胜利的前提。如果能在毽球运动中运用人体动作识别技术可帮助教员们对学生的水平进行客观的评判，则能帮助学生们精准地掌握这些技术。
近年来，许多研究者对脚支配运动动作进行了研究，因为运动员在运动过程中的脚及腿部的变化至关重要。在传统的研究中，大多数研究人员采用的是使用基于计算机视觉的动作识别评估方法，且此种方法已经相对较为成熟。但是此种方法对光线要求较高，无法在较暗的环境下进行，并且基于视频的动作识别算法计算量大、设备昂贵等限制，所以这种方法无法应用到日常球队的训练中。随着智能可穿戴设备的发展，微电机技术的进步，惯性传感器在运动分析和动作识别领域占据了不可或缺的地位。
总体而言，目前现有的对动作捕捉识别的研究对环境要求较高，投入成本较大；且大部分研究局限于不同动作的种类识别分类，还没有对于不同种类动作的技术水平的分类研究，所以难以将一些现有动作捕捉识别技术应用于实际的训练场景中帮助教员们对学生进行精准、快速的评判与分析。
为解决上述技术问题，本申请提供了一种动作识别评估方法，具体请参阅图1和图2，图1是本申请提供的动作识别评估方法一实施例的流程示意图，图2是本申请提供的动作识别评估方法一实施例的框架示意图。
具体而言，如图1和图2所示，本申请实施例的动作识别评估方法具体包括以下步骤：
步骤S11：获取待识别评估动作数据。
在本申请实施例中，测试者在脚踝外侧穿戴智能设备，如智能可穿戴设备，智能可穿戴设备上搭载有惯性传感器，例如加速度计、陀螺仪等。
测试者在指定区域做出毽球运动中的指定动作，指定动作的类别包括：脚内侧踢球、脚外侧踢球、脚背踢球、传球、正脚背发球等。对于不同类别的动作，智能可穿戴设备通过蓝牙传输模块将惯性传感器收集的运动数据传送至智能移动设备。
智能可穿戴设备内置惯性传感器在每个采样点上采集三维空间中x轴角速度、y轴角速度和z轴角速度和三维空间中的x轴加速度、y轴加速度和z轴加速度，最终收集到对应的数据矩阵
Figure BDA0003385264000000061
P表示采集的动作数量，Si代表完成单个完整动作中任一坐标轴包含的动作信号数据的个数。
进一步地，在使用待识别评估动作数据之前，为了提高动作识别评估方法的准确性，动作识别评估装置还可以对于待识别评估动作数据进行数据预处理，以对待识别评估动作数据进行清洗去噪。
具体地，动作识别评估装置对收集到的待识别评估动作数据采用滑动均值滤波处理，对于待识别评估动作数据中单个完整动作原始信号S＝(s1，s2，...，Sm，...)，用长度为r的时间窗口从信号序列F的队首依次向后滑动，计算窗口内的平均值
Figure BDA0003385264000000062
作为sm点的输出。其中，r为奇数，其向后偏移的窗口大小为：
Figure BDA0003385264000000063
步骤S12：采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵。
在本申请实施例中，动作识别评估装置对预处理后的待识别评估动作数据进行相同窗口大小的动作片段提取，构建动作数据矩阵。
具体地，动作识别评估装置对预处理后的待识别评估动作数据按照动作完成时间进行切割，划分成P个数据段。每个数据段划分的过程可以描述为：每个动作数据段中的绝对最大值做为基准点B，并以基准点B作为参考点对所有数据段进行前向切割和后向切割，向前切割m个时域数据，向后切割n个时域数据，单个动作任一坐标轴轴数据片段为(B-α，B+β)，得到大小为L×P的动作数据矩阵Z，L表示保留的单个动作数据段的长度，其大小为(α+β)×6。
步骤S13：利用预设特征指标计算动作数据矩阵的特征向量。
在本申请实施例中，动作识别评估装置对动作数据矩阵进行特征构建，具体计算六维数据，即三维加速度数据和是三维角速度数据的七个特征指标：包括最大值、最小值、平均值、方差、标准差、均方根和极差。从而，将六维的动作数据矩阵扩展为42个特征向量的特征向量矩阵。
进一步地，动作识别评估装置根据特征向量提取的情况对每个特征向量进行标记，如对动作类型和动作完成者等级的标记，另外得到大小为P×(N+1)的带标签的特征向量矩阵Z。其中，Z∈RP×(N+1)，P表示特征向量矩阵，N表示特征数量，1表示标签矩阵。
具体地，动作识别评估装置采用极端梯度提升算法(XGBoost)对特征向量矩阵中的特征向量进行特征重构变换，具体请参阅图3。其中，特征重构变换的过程具体如下：
动作识别评估装置以特征向量矩阵Z作为XGBoost算法的输入，并为XGBoost构建一组决策树组合。其中，每一棵决策树的非叶子节点表示对特征向量的属性测试，叶子节点表示对特征向量属性测试的结果分布，其取值为0(黑色)或1(白色)。其中，所得决策树组合的叶子节点总数为N′。
对于每一棵决策树，从决策树的根节点开始，从上往下，对特性向量的取值与非叶子节点所表示的特征属性进行比较，并根据比较结果决定下一个比较分支，直至叶子节点作为最终的比较结果。
其中，上述遍历过程中，将选中的叶子节点置为1，其余叶子节点置为0。动作识别评估装置将所有的叶子节点按照决策树叶子节点的排列顺序从左到右进行取值合作，所得结果为新构建的特征向量矩阵Q，矩阵大小为P×(N′+1)。
步骤S14：将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。
在本申请实施例中，动作识别评估装置将特征向量矩阵Q输入预设动作分类器，如逻辑回归分类器，得到分类器输出的动作类型，从而获得待识别评估动作数据对应的动作类型。本申请所采用的预设动作分类器，还可以为一种多任务逻辑回归分类器。
进一步地，请继续参阅图4，多任务逻辑回归分类器由用于动作分类的逻辑回归分类器1和用于专业性水平分类的逻辑回归分类器2并联构成。动作识别评估装置构建毽球动作的多任务逻辑回归(Multi-Task-LR)分类器，利用处理后的训练数据对多任务逻辑回归分类器进行训练，选择出最优模型参数，得到分类算法模型。
其中，多任务逻辑回归分类器的参数训练主要包括：
以训练数据集Q的前N列数据矩阵Q1～N′，作为逻辑回归分类器1的输入；以第N′+1列数据Q1+N′，作为逻辑回归分类器1的期望输出，则逻辑回归分类器1的参数集合描述为：
Figure BDA0003385264000000081
其中，
Figure BDA0003385264000000082
表示矩阵Q1～N′的转置矩阵。θ表示逻辑回归分类器1的参数集合。训练完成后的逻辑回归分类器可以用于实现具体的动作类型分类。
选择动作集合Q中任意已分类毽球动作作为目标动作，数据集Q中表示该动作的前p行数据作为特定动作特征矩阵F，其大小为p×N，动作特征矩阵F作为逻辑回归分类器2的输入；以第N′+1列数据FN′+1作为逻辑回归分类器2的期望输出，则逻辑回归分类器2的参数集合描述为：
Figure BDA0003385264000000083
其中，
Figure BDA0003385264000000084
表示矩阵F1～N′的转置矩阵。μ表示逻辑回归分类器2的参数集合。训练完成后的逻辑回归分类器可以用于实现具体的动作水平分类，如及格和不及格等水平分类。
进一步地，参数θ和参数μ的并联组合，构成多任务逻辑回归分类器的参数集合。多任务逻辑回归分类器训练完成后，即可将待识别评估动作数据的特征向量输入多任务逻辑回归分类器中，以获取对待识别动作的分类结果，包括动作类型分类和动作水平分类。
本申请实施例中，动作识别评估装置获取待识别评估动作数据；采用预设窗口提取待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算动作数据矩阵的特征向量；将特征向量输入预设动作分类器，得到预设动作分类器输出的动作类别和/或特定动作完成水平。通过上述方式，本申请的动作识别评估方法能够自动、快速地对用户的动作进行识别，帮助用户对运动动作进行精准、快速的评判与分析。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为实现上述实施例的动作识别评估方法，本申请提出了一种动作识别评估系统，具体请参阅图5，图5是本申请提供的动作识别评估系统一实施例的结构示意图。
本申请实施例的动作识别评估系统400包括智能可穿戴传感器41、终端设备42以及服务器43。其中，
所述智能可穿戴传感器41，用于获取待识别评估动作数据，以及将所述待识别评估动作数据发送给所述终端设备。
所述终端设备42，用于将所述识别动作数据上传至所述服务器。
所述服务器43，用于采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算所述动作数据矩阵的特征向量；将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别和/或特定动作完成水平。
所述终端设备42，还用于从所述服务器获取所述待识别评估动作数据的动作识别结果。
进一步地，终端设备42具体可以包括移动终端421和计算机422。
智能可穿戴传感器41内设有加速度计411和陀螺仪412，加速度计可产生三维空间中x轴、y轴、z轴加速度数据，陀螺仪可产生三维空间中x轴、y轴、z轴角速度数据。
移动终端421为智能平板电脑或智能手机，其通过蓝牙与智能可穿戴传感器41连接，用于智能可穿戴传感器41传输运动数据至智能移动终端421，通过无线网络与云储存服务器43连接，用于传输运动数据至云存储服务器43。
计算机422装配有XGBoost梯度提升算法和逻辑回归分类算法，其用于系统400的训练阶段，与智能可穿戴式设备41所产生的数据连接，用数据的特征向量训练XGBoost和多任务逻辑回归分类模型，并对模型进行参数调试，最后得到最优XGBoost梯度提升算法和多任务逻辑回归分类分类模型并传输至云储存服务器43。
云存储服务器43内装配有最优XGBoost梯度提升算法和多任务逻辑回归分类模型，云存储服务器43在接收到移动终端421发送的运动数据后，可将最优模型分类结果返回至移动终端421。
本申请产生的有益效果是：利用机器学习算法对毽球的基本动作进行识别分类，识别出是正脚背发球或者是脚内侧踢球，并对动作进行水平等级分类，能有效识别出不同毽球动作完成的水平等级是合格水平或是不合格水平。
为实现上述实施例的动作识别评估方法，本申请还提出了一种动作识别评估装置，具体请参阅图6，图6是本申请提供的动作识别评估装置一实施例的结构示意图。
本申请实施例的动作识别评估装置500包括存储器51和处理器52，其中，存储器51和处理器52耦接。
存储器51用于存储程序数据，处理器52用于执行程序数据以实现上述实施例所述的动作识别评估方法。
在本实施例中，处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP，Digital Signal Process)、专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、现场可编程门阵列(FPGA，Field Programmable GateArray)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器52也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图7所示，计算机存储介质600用于存储程序数据61，程序数据61在被处理器执行时，用以实现如上述实施例所述的动作识别评估方法。
本申请还提供一种计算机程序产品，其中，上述计算机程序产品包括计算机程序，上述计算机程序可操作来使计算机执行如本申请实施例所述的动作识别评估方法。该计算机程序产品可以为一个软件安装包。
本申请上述实施例所述的动作识别评估方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如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全部或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)或处理器(processor)执行本发明各个实施方式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。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种动作识别评估方法，其特征在于，所述动作识别评估方法包括：
获取待识别评估动作数据；
采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；
利用预设特征指标计算所述动作数据矩阵的特征向量；
将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别和/或特定动作完成水平。
2.根据权利要求1所述的动作识别评估方法，其特征在于，
所述利用预设特征指标计算所述动作数据矩阵的特征向量，包括：
基于所述动作数据矩阵进行特征构建，采用预设特征指标对所述动作数据矩阵的每一个动作数据进行运算，得到每一个动作数据的特征向量；
将所有动作数据的特征向量进行组合，得到所述动作数据矩阵的特征向量矩阵；
其中，所述预设特征指标包括最大值、最小值、平均值、标准差、均方根和/或极差。
3.根据权利要求1所述的动作识别评估方法，其特征在于，
所述利用预设特征指标计算所述动作数据矩阵的特征向量之后，所述动作识别评估方法还包括：
采用极端梯度提升算法对所述特征向量进行特征重构变换。
4.根据权利要求3所述的动作识别评估方法，其特征在于，
所述采用极端梯度提升算法对所述特征向量进行特征重构变换，包括：
基于所述特征向量构建一组决策树组合，其中，所述每棵决策树的非叶子节点表示对一个动作数据的特征向量的属性测试，叶子节点表示属性测试的结果分布；
从所述决策树的根节点起，将动作数据的特征属性与非叶子节点的特征属性进行比较，根据比较结果决定下一级比较分支，直至叶子节点作为最终的比较结果；
将决策树组合中所有的叶子节点按照决策树的节点排列顺序进行取值组合，构建出新的特性向量矩阵。
5.根据权利要求1所述的动作识别评估方法，其特征在于，
所述预设动作分类器包括动作类型分类器和动作水平分类器，所述动作类型分类器用于基于所述特征向量检测动作的分类类型，所述动作水平分类器用于基于所述特征向量检测动作的水平等级。
6.根据权利要求5所述的动作识别评估方法，其特征在于，
所述动作识别评估方法，还包括：
获取待训练动作数据；
采用预设窗口提取所述待训练动作数据中的若干动作片段数据，构建动作数据矩阵；
利用预设特征指标计算所述动作数据矩阵的特征向量；
将所述特征向量分别输入待训练动作类型分类器和待训练动作水平分类器，得到输出的训练动作分类类型和训练动作水平等级；
基于所述训练动作分类类型与真实动作分类类型构建类别损失函数，以对所述待训练动作类型分类器进行训练，直至得到满足要求的预设动作类型分类器；
基于所述训练动作水平等级与真实动作水平等级构建水平损失函数，以对所述待训练动作水平分类器进行训练，直至得到满足要求的预设动作水平分类器。
7.根据权利要求1所述的动作识别评估方法，其特征在于，
所述待识别评估动作数据包括三轴加速度动作数据和三轴角速度动作数据；
所述获取待识别评估动作数据之后，所述动作识别评估方法还包括：
采用滑动均值滤波对所述待识别评估动作数据进行数据预处理。
8.一种动作识别评估系统，其特征在于，所述动作识别评估系统包括智能可穿戴传感器、终端设备以及服务器；其中，
所述智能可穿戴传感器，用于获取待识别评估动作数据，以及将所述待识别评估动作数据发送给所述终端设备；
所述终端设备，用于将所述识别动作数据上传至所述服务器；
所述服务器，用于采用预设窗口提取所述待识别评估动作数据中的若干动作片段数据，构建动作数据矩阵；利用预设特征指标计算所述动作数据矩阵的特征向量；将所述特征向量输入预设动作分类器，得到所述预设动作分类器输出的动作类别；
所述终端设备，还用于从所述服务器获取所述待识别评估动作数据的动作识别结果和/或特定动作完成水平。
9.一种动作识别评估装置，其特征在于，所述动作识别评估装置包括存储器和处理器，其中，所述存储器与所述处理器耦接；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现权利要求1-7任一项所述的动作识别评估方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现权利要求1-7任一项所述的动作识别评估方法。
CN202111448830.7A 2021-11-30 2021-11-30 动作识别评估方法、动作识别评估装置以及存储介质 Pending CN114358043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111448830.7A CN114358043A (zh) 2021-11-30 2021-11-30 动作识别评估方法、动作识别评估装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111448830.7A CN114358043A (zh) 2021-11-30 2021-11-30 动作识别评估方法、动作识别评估装置以及存储介质

Publications (1)

Publication Number Publication Date
CN114358043A true CN114358043A (zh) 2022-04-15

Family

ID=81096989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111448830.7A Pending CN114358043A (zh) 2021-11-30 2021-11-30 动作识别评估方法、动作识别评估装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114358043A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033954A (zh) * 2022-07-25 2023-11-10 腾讯科技（深圳）有限公司 一种数据处理方法及相关产品
CN117235439A (zh) * 2023-08-28 2023-12-15 西安正禾智通科技有限公司 一种基于动态滑动窗口的飞行动作评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017156835A1 (zh) * 2016-03-18 2017-09-21 深圳大学 健身姿势识别、评估、预警和强度估算的智能方法及系统
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
CN108720839A (zh) * 2018-01-31 2018-11-02 湖南大学 一种基于运动能量收集的人体运动评估方法及装置
US20190146590A1 (en) * 2017-11-15 2019-05-16 Institute For Information Industry Action evaluation model building apparatus and action evaluation model building method thereof
CN111744156A (zh) * 2020-07-06 2020-10-09 深圳市蝙蝠云科技有限公司 基于可穿戴设备与机器学习的足球动作识别评估系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
WO2017156835A1 (zh) * 2016-03-18 2017-09-21 深圳大学 健身姿势识别、评估、预警和强度估算的智能方法及系统
US20190146590A1 (en) * 2017-11-15 2019-05-16 Institute For Information Industry Action evaluation model building apparatus and action evaluation model building method thereof
CN108720839A (zh) * 2018-01-31 2018-11-02 湖南大学 一种基于运动能量收集的人体运动评估方法及装置
CN111744156A (zh) * 2020-07-06 2020-10-09 深圳市蝙蝠云科技有限公司 基于可穿戴设备与机器学习的足球动作识别评估系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033954A (zh) * 2022-07-25 2023-11-10 腾讯科技（深圳）有限公司 一种数据处理方法及相关产品
CN117235439A (zh) * 2023-08-28 2023-12-15 西安正禾智通科技有限公司 一种基于动态滑动窗口的飞行动作评估方法及系统

Similar Documents

Publication Publication Date Title
US9978425B2 (en) Method and device for associating frames in a video of an activity of a person with an event
Ghasemzadeh et al. Coordination analysis of human movements with body sensor networks: A signal processing model to evaluate baseball swings
WO2021051579A1 (zh) 形体姿态识别方法、系统、装置及存储介质
Yan et al. A review of basketball shooting analysis based on artificial intelligence
CN102438519A (zh) 通过运动分析来表征身体能力
Fan et al. Sensor fusion basketball shooting posture recognition system based on CNN
Kamnardsiria et al. Knowledge-based system framework for training long jump athletes using action recognition
WO2023108842A1 (zh) 基于健身教学训练的动作评价方法及系统
CN106073793B (zh) 基于微惯性传感器的姿态跟踪与识别方法
WO2017161734A1 (zh) 通过电视和体感配件矫正人体动作及系统
Sarwar et al. Skeleton based keyframe detection framework for sports action analysis: Badminton smash case
CN115439879A (zh) 体育项目的测试方法、装置、设备及存储介质
CN114358043A (zh) 动作识别评估方法、动作识别评估装置以及存储介质
CN116246347A (zh) 一种人体基本运动技能的标准判断方法及评分装置
TWI664550B (zh) 高爾夫球運動員揮桿姿勢檢測系統
Nie et al. [Retracted] The Construction of Basketball Training System Based on Motion Capture Technology
CN117058758B (zh) 基于ai技术的智慧体育考试方法及相关装置
Yang et al. Research on face recognition sports intelligence training platform based on artificial intelligence
Roopa et al. An artificial intelligence improved golf self-training system using deep learning
Krishnaram et al. Skeletal point analysis to determine the accuracy of forehand smash shots played by badminton players
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系统
CN119625835B (zh) 基于人体关键点度量的多人深蹲实时计数方法
Malik et al. Badminton action analysis using LSTM
CN119601170A (zh) 一种基于中医的骨伤康复训练计划智能推荐方法和系统
CN114187654A (zh) 一种基于机器学习的微惯性武术动作识别方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220415