基于深度卷积网络的引体向上计数检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度卷积神经网络的引体向上检测计数方法及装置，先通过构建多层深度卷积神经网络并对神经网络进行训练，其训练得出输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值，并根据总误差函数来与误差阈值的关系来判断进一步调整权值得到良好的分类器，并利用该分类器对采集的视频图像进行分析进而检测出人体动作目标及动作分类，将获取到的分类值按照时间顺序进行串联形成动作序列，并与标准引体向上动作序列进行比对，判断人员的此次引体向上是否标准，若序列匹配，则引体向上计数总和加1，本发明专利技术具有泛化能力强、鲁棒性强、计数准确率高、计数速度快等优点。

【技术实现步骤摘要】
基于深度卷积网络的引体向上计数检测方法及装置
本专利技术涉及图像处理
，特别是涉及一种基于深度卷积神经网络的引体向上运动检测计数方法及装置。
技术介绍
随着机器学习的不断发展，基于深度卷积神经网络的视频图像智能识别技术渐渐成为机器视觉领域的研发热点之一。所谓“图像智能识别技术”，就是利用深度学习算法实现从视频图像流中抽取的关键特征表示信息，并利用这种关键特征信息为用户提供有价值的服务，主要价值体现在替代用人眼分辨事物等业务领域，减少人力投入，提高工作效率。比如，在数字识别的过程中，对于手写体的识别一直是一个难题，而其又在邮政编码的识别、银行业务等方面具有较为广泛的应用，但是其字体形式变化较大，导致提高对其的识别率成为了一个难题，精准的识别存在着较大的困难。而采用人工智能中的神经网络技术后，系统可以利用神经网络的学习及快速并行功能来实现对手写数字的快速识别，有力的提高相关运用领域的工作效率。智能化运动检测系统可以对生物肢体动作进行检测识别并计数，同时也可做行为识别，对人体肢体行为进行描述，在现实中有着极其重要的意义。在体育类运动中，可以完全替代裁判的角色，减少人为错误及误差。智能本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，包括利用卷积神经网络训练生成标准动作分类器的步骤和引体向上运动检测计数步骤；所述卷积神经网络训练并生成标准动作分类器包括以下步骤：S10、制作训练图像样本：从引体向上视频图像中选取多组样本图像数据，所述样本图像数据包括：下巴过杠图像样本组数据；头部过杠但下巴未过杠图像样本组数据；头部低于单杠并且手臂弯曲状态图像样本组数据；头部低于单杠并且手臂伸直状态图像样本组；每组样本来源于不同的样本空间，且样本做好分类标记；S11、样本图像正则化：将原始样本图像进行图像大小变换操作，将其分辨率压缩到256*256，并将图像数据转化为浮点向量数据...

【技术特征摘要】
1.一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，包括利用卷积神经网络训练生成标准动作分类器的步骤和引体向上运动检测计数步骤；所述卷积神经网络训练并生成标准动作分类器包括以下步骤：S10、制作训练图像样本：从引体向上视频图像中选取多组样本图像数据，所述样本图像数据包括：下巴过杠图像样本组数据；头部过杠但下巴未过杠图像样本组数据；头部低于单杠并且手臂弯曲状态图像样本组数据；头部低于单杠并且手臂伸直状态图像样本组；每组样本来源于不同的样本空间，且样本做好分类标记；S11、样本图像正则化：将原始样本图像进行图像大小变换操作，将其分辨率压缩到256*256，并将图像数据转化为浮点向量数据；S12、初始化深度卷积神经网络：构建一个多层深度卷积神经网络，通过初始设定权值参数初始化每一层的神经网络；S13、训练网络:将标记好的一个图像样本的浮点向量数据输入完成初始化的深度卷积神经网络的输入层，经过多层卷积神经网络的计算，得到最后一层的输出向量；S14、反向修改各层权值参数：将输出向量和标记类的理想输出向量进行比较，得到误差值，利用误差值反向自动修正各层神经网络的权值参数，完成一组训练；S15、训练完成后，生成一个深度卷积神经网络的分类器。所述引体向上运动检测计数包括如下步骤：S20、获取视频流：获取待检测计数的视频图像流；S21、检测识别：从视频图像流中按时间顺序依次取出每一帧图像，使用训练完成的深度卷积神经网络分类器，对图像进行目标检测和分类识别，依次输出每一帧图像的识别结果和分类得分值；S22、计数判断：将获取到的分类得分值按照时间顺序进行串联形成动作序列，并与标准引体向上动作序列进行比对，判断人员的此次引体向上是否标准，若序列匹配，则引体向上计数总和加1。2.根据权利要求1所述的一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，所述多层深度卷积神经网络的层数为九层，深度卷积神经网络包括九个卷积层、六个池化层和一个全连接层，并用初始设定权值参数初始化每一层的神经网络。3.根据权利要求1所述的一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，在卷积神经网络训练并生成标准动作分类器的最后一个步骤生成一个深度卷积神经网络的分类器之前，还有一个验证训练效果的步骤，如果效果不理想，则重复S13、S14两个步骤，将更多的图像样本向量数据输入深度卷积神经网络进行训练，通过大量的训练图像样本，不断的自动更新优化各神经网络各层权值参数，如果效果理想，则完成训练。4.根据权利要求1所述的一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，在训练卷积神经网络中，卷积层初始设定的权值更新推导如下：在卷积神经网络中，对于卷积层的每一种输出的特征图x(j)有：其中，Mj表示选择的输入特征图组合，kij是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，bj是第j种特征图对应的偏置，f是激活函数；计算灵敏度:计算误差代价函数对偏置b的偏导：即对层l中的灵敏度中所有节点求和，这里(u,v)代表灵敏度矩阵中的元素位置：计算误差代价函数对卷积核k的偏导：这里是在做卷积时，与kij做卷积的每一个patch，(u,v)是patch中心，输出特征图中(u,v)位置的值，是由输入特征...

【专利技术属性】
技术研发人员：梁佐鑫，林添喜，梁强，赵晓伟，李森，
申请(专利权)人：深圳市淘米科技有限公司，
类型：发明
国别省市：广东,44