基于神经网络的健身动作识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于神经网络的健身动作识别方法、装置、设备及介质，该方法包括将至少一个切分特征数据按照时间顺序依次输入到训练好的健身动作识别模型中，获取每一切分特征数据对应的动作类型；基于动作类型获取对应的标准特征组数据，通过标准特征组数据从待识别特征数据中选取特定特征数据组进行标准性判断，获取特征识别结果；以确定特定特征数据组是否为标准特征，统计所有特定特征数据组对应的特征识别结果，当所有特定特征数据组对应的特征识别结果均为特征标准，则确定待识别动作序列数据对应的健身识别结果为动作标准，保证对待识别动作序列数据的准确率，同时，可以避免使用高成本的传感器，节约方案成本。

Recognition Method, Device, Equipment and Media of Fitness Movements Based on Neural Network

【技术实现步骤摘要】
基于神经网络的健身动作识别方法、装置、设备及介质
本专利技术涉及健身动作识别领域，尤其涉及一种基于神经网络的健身动作识别方法、装置、设备及介质。
技术介绍
当前人们的生活水平越来越高，也越来越注重身体健康，健身训练成为人们健康生活的一种常见的选择。现有的较为科学合理的健身训练是去健身房，通过专业的健身教练指导，把每个健身动作都做到标准，以提高健身效果。但是这种方式不是每个人都可以使用的，不具备普及型。为了方便健身者随时随地了解自己的健身动作是否标准，健身效果是否达到要求，目前识别用户健身动作是否标准主要包括两种方式，第一种是通过可穿戴设备获取人体的加速度和位移信息，通过加速度和位移信息判断用户的健身动作是否标准，该方式的判断过程较为简单，但是判断的准确性不高；第二种是通过单个或多个深度图像传感器，获取人物的视频信息，通过对视频信息进行模式匹配判断输出人体的健身动作是否标准，该种方式虽然可以有效提高判断的准确率，但是深度图像传感器的成本较高。
技术实现思路
本专利技术实施例提供一种基于神经网络的健身动作识别方法、装置、设备及介质，以解决现有技术中不能同时满足对健身动作进行标准性判断成本低和准确率高的问题。一种基于神经网络的健身动作识别方法，包括：获取数据采集设备采集的待识别动作序列数据；采用方向余弦矩阵算法对所述待识别动作序列数据进行特征提取，获取待识别姿态特征数据，将所述健身动作序列数据和所述待识别姿态特征数据作为待识别特征数据；对所述待识别特征数据进行归一化处理，获取归一化特征数据；通过时间切分算法对所述归一化特征数据进行切分处理，获取所述归一化特征数据对应的至少一个切分特征数据；将至少一个所述切分特征数据按照时间顺序依次输入到训练好的健身动作识别模型中，获取每一所述切分特征数据对应的动作类型；基于所述动作类型获取对应的标准特征组数据，通过所述标准特征组数据从所述待识别特征数据中选取特定特征数据组进行标准性判断，获取所述特定特征数据组对应的特征识别结果；统计所有所述特定特征数据组对应的特征识别结果，当所有所述特定特征数据组对应的特征识别结果均为特征标准，则所述待识别动作序列数据对应的健身识别结果为动作标准。一种基于神经网络的健身动作识别装置，包括：待识别特征数据获取模块，用于获取数据采集设备采集的待识别动作序列数据；特征提取模块，用于采用方向余弦矩阵算法对所述待识别动作序列数据进行特征提取，获取待识别姿态特征数据，将所述健身动作序列数据和所述待识别姿态特征数据作为待识别特征数据；归一化处理模块，用于对所述待识别特征数据进行归一化处理，获取归一化特征数据；切分处理模块，用于通过时间切分算法对所述归一化特征数据进行切分处理，获取所述归一化特征数据对应的至少一个切分特征数据；模型识别模块，用于将至少一个所述切分特征数据按照时间顺序依次输入到训练好的健身动作识别模型中，获取每一所述切分特征数据对应的动作类型；特征标准性判断模块，用于基于所述动作类型获取对应的标准特征组数据，通过所述标准特征组数据从所述待识别特征数据中选取特定特征数据组进行标准性判断，获取所述特定特征数据组对应的特征识别结果；动作标准行判断模块，用于统计所有所述特定特征数据组对应的特征识别结果，当所有所述特定特征数据组对应的特征识别结果为特征标准，则所述待识别动作序列数据对应的健身识别结果为动作标准。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于神经网络的健身动作识别方法。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基于神经网络的健身动作识别方法。上述基于神经网络的健身动作识别方法、装置、计算机设备及存储介质，首先通过获取待识别动作序列数据，以获取待识别动作序列数据对应的待识别特征数据，将待识别动作序列数据转换为计算机语言可计算的数据。然后，对待识别特征数据进行归一化处理，使得待识别特征数据转换为符合sigmoid函数的形式的数据，以方便后续使用健身动作识别模型识别，提高识别准确率。接着，将归一化特征数据切分为至少一个切分特征数据，依次输入到健身动作识别模型中，获取每一切分特征数据对应的动作类型，以提高动作类型的准确率。最后，通过动作类型获取与之对应的标准特征组数据，以确定特定特征数据组是否为标准特征，从而确定待识别动作序列数据是否标准，保证对待识别动作序列数据的准确率，同时，可以避免使用高成本的传感器，节约方案成本。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中基于神经网络的健身动作识别方法的一流程图；图2是图1中步骤S20的一具体流程图；图3是图1中步骤S60的一具体流程图；图4是本专利技术一实施例中基于神经网络的健身动作识别方法的另一流程图；图5是图4中步骤S503的一具体流程图；图6是图4中步骤S505的一具体流程图；；图7是本专利技术一实施例中基于神经网络的健身动作识别装置的一示意图；图8是本专利技术一实施例中计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本申请提供的基于神经网络的健身动作识别方法，可应用在各种电子设备中，该电子设备包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。也可应用在服务器中，电子设备和服务器通过网络进行信息交互，以实现本申请提供的基于神经网络的健身动作识别方法。具体地，若应用在电子设备中，则通过集成在电子设备的基于神经网络的健身动作识别方法，对健身动作对应的数据进行标准性判断，以获取动作识别结果。若应用在服务器中，则可以通过电子设备获取健身动作对应的数据并发送给服务器，服务器通过存储的基于神经网络的健身动作识别方法对获取的健身动作对应的数据进行标准性判断，以获取动作识别结果，并将该动作识别结果发送给对应的电子设备。其中，动作识别结果指通过基于神经网络的健身动作识别方法对健身动作对应的数据进行识别，获取的该健身动作是否标准的结果。该动作识别结果包括动作标准和动作不标准。在一实施例中，如图1所示，提供一种基于神经网络的健身动作识别方法，包括如下步骤：S10：获取数据采集设备采集的待识别动作序列数据。其中，数据采集设备指采集用户健身动作相关数据的设备。本实施例中的数据采集设备包括但不限于安装有加速度传感器、陀螺仪和磁力计等传感器的设备。待识别序列数据指采集设备按照时间序列采集的至少一个健身动作对应的数据。本实施例的待识别序列数据包括但不限于每一健身动作对应的移动加速度、角加速度和磁场数据。本实施例中的健身动作包括但不限于合掌跳、开合跳和原地旋转。具体地，电子设备或者服务器获取数据采集设备采集本文档来自技高网...

【技术保护点】
1.一种基于神经网络的健身动作识别方法，其特征在于，包括：获取数据采集设备采集的待识别动作序列数据；采用方向余弦矩阵算法对所述待识别动作序列数据进行特征提取，获取待识别姿态特征数据，将所述健身动作序列数据和所述待识别姿态特征数据作为待识别特征数据；对所述待识别特征数据进行归一化处理，获取归一化特征数据；通过时间切分算法对所述归一化特征数据进行切分处理，获取所述归一化特征数据对应的至少一个切分特征数据；将至少一个所述切分特征数据按照时间顺序依次输入到训练好的健身动作识别模型中，获取每一所述切分特征数据对应的动作类型；基于所述动作类型获取对应的标准特征组数据，通过所述标准特征组数据从所述待识别特征数据中选取特定特征数据组进行标准性判断，获取所述特定特征数据组对应的特征识别结果；统计所有所述特定特征数据组对应的特征识别结果，当所有所述特定特征数据组对应的特征识别结果均为特征标准，则所述待识别动作序列数据对应的健身识别结果为动作标准。

【技术特征摘要】
1.一种基于神经网络的健身动作识别方法，其特征在于，包括：获取数据采集设备采集的待识别动作序列数据；采用方向余弦矩阵算法对所述待识别动作序列数据进行特征提取，获取待识别姿态特征数据，将所述健身动作序列数据和所述待识别姿态特征数据作为待识别特征数据；对所述待识别特征数据进行归一化处理，获取归一化特征数据；通过时间切分算法对所述归一化特征数据进行切分处理，获取所述归一化特征数据对应的至少一个切分特征数据；将至少一个所述切分特征数据按照时间顺序依次输入到训练好的健身动作识别模型中，获取每一所述切分特征数据对应的动作类型；基于所述动作类型获取对应的标准特征组数据，通过所述标准特征组数据从所述待识别特征数据中选取特定特征数据组进行标准性判断，获取所述特定特征数据组对应的特征识别结果；统计所有所述特定特征数据组对应的特征识别结果，当所有所述特定特征数据组对应的特征识别结果均为特征标准，则所述待识别动作序列数据对应的健身识别结果为动作标准。2.如权利要求1所述的基于神经网络的健身动作识别方法，其特征在于，所述采用方向余弦矩阵算法对所述待识别动作序列数据进行特征提取，获取待识别姿态特征数据，包括：对所述待识别动作序列数据进行预处理，获取有效动作序列数据；采用方向余弦矩阵算法对所述有效动作序列数据进行计算，获取待识别姿态特征数据。3.如权利要求1所述的基于神经网络的健身动作识别方法，其特征在于，所述基于所述动作类型获取对应的标准特征组数据，通过所述标准特征组数据从所述待识别特征数据中选取特定特征数据组进行标准性判断，获取所述特定特征数据组对应的特征识别结果，包括：基于所述动作类型获取与所述动作类型对应的标准特征组数据，所述标准特征组数据包括至少一个标准特征和标准时间范围，所述标准特征携带有特征属性；通过所述标准特征组数据中所有标准特征的特征属性，对所述待识别特征数据进行分组，获取特定特征数据组，所述特定特征数据组携带有待识别时间；基于标准时间范围对所述待识别时间进行筛选，将在标准时间范围内的所述待识别特征组数据作为待分析特征组数据，所述待分析特征组包括至少一个待分析特征；判断所述待分析特征组数据中每一所述待分析特征是否符合对应的标准特征组数据中每一标准特征；若所述待分析特征组数据中所有待分析特征均符合对应的所述标准特征组数据中各所述待分析特征对应的标准特征，则特征识别结果为特征标准；若所述待分析特征组数据中存在待分析特征不符合对应的标准特征组数据中各所述待分析特征对应的标准特征，则特征识别结果为特征不标准。4.如权利要求1所述的基于神经网络的健身动作识别方法，其特征在于，所述基于神经网络的健身动作识别方法还包括：获取原始动作数据，所述原始动作数据携带有动作类型标签；采用方向余弦矩阵算法对所述原始动作数据进行特征提取，获取原始姿态特征数据，将所述原始动作数据和所述原始姿态特征数据作为原始特征数据；对所述原始特征数据进行标准处理，获取目标特征数据；将所述目标特征数据划分为训练集和测试集；将所述训练集对应的目标特征数据输入到原始LSTM模型中进行训练，获取有效LSTM模型；将所述测试集对应的目标特征数据输入到所述有效LSTM模型中进行测试，获取概率值大于预设概率的输出作为测试输出；获取所述测试输出与所述动作类型标签一致的检测概率，若所述检测概率不小于预设概率，则将所述有效LSTM模型作为健身动作识别模型。5.如权利要求4所述的基于神经网络的健身动作识别方法，其特征在于，所述对所述原始特征数据进行标准处理，获取目标特征数据，包括：基于同一所述动...

【专利技术属性】
技术研发人员：方睿，
申请(专利权)人：缤刻普达北京科技有限责任公司，
类型：发明
国别省市：北京,11