一种基于深度学习姿态估计的立定跳远评估方法技术

本发明专利技术公开了一种基于深度学习姿态估计的立定跳远评估方法，包括以下步骤：A、采集起跳前图像并对图像进行缩放；B、划定跳远检测区域，通过深度卷积神经网络检测人体特征点并完成肢体连接；C、采集人体最终落地点并检测人体最终落地点是否在检测区域内；D、根据起跳点与最终落地点坐标计算立定跳远距离。本方案基于起跳点和落地点分离的算法分别计算人体在这两点的坐标，从而得到立定跳远的距离，其人体姿态估计采用深度卷积神经网络，准确率高。

【技术实现步骤摘要】
一种基于深度学习姿态估计的立定跳远评估方法
本专利技术涉及姿态评估领域，更具体的说是涉及一种基于深度学习姿态估计的立定跳远评估方法。
技术介绍
互联网的普及和更新换代使人类生产生活方式有着日新月异的变化，在互联网上人们可以工作、学习、交文、交友，同时可以从事娱乐活动等。互联网给人们生活带来了诸多便利，但互联网的内在潜能尚未完全挖掘，所以人们希望通过思维进一步发掘互联网的内在动力，使人类的生活水平更上一个台阶。例如典型的代表就是图像处理领域，而人体姿态识别则是图像领域的一个重要分支。传统的人体姿态识别，主要通过视频或图片的形式获取进而识别，对于立定跳远等运动的判定，其判断精度低。
技术实现思路
本专利技术为了解决上述技术问题提供一种基于深度学习姿态估计的立定跳远评估方法。本专利技术通过下述技术方案实现：一种基于深度学习姿态估计的立定跳远评估方法，包括以下步骤：A、采集起跳前图像并对图像进行缩放；B、划定跳远检测区域，通过深度卷积神经网络检测人体特征点并完成肢体连接；C、采集人体最终落地点并检测人体最终落地点是否在检测区域内；D、根据起跳点与最终落地点坐标计算立定跳远距离。本方案的基于起跳点和落地点分离的算法分别计算人体在这两点的坐标，从而得到立定跳远的距离，其人体姿态估计采用深度卷积神经网络，准确率高。作为优选，为了提高人体姿态估计的准确度且减小系统复杂度，提高检测效率和实时性，所述深度卷积神经网络的基础架构为VGG16，输出任务数固定在4层，包括用于提取图像特征并完成特征图像传递的前端网络和用于完成人体特征点定位及人体骨架连接的后端网络。进一步的，在满足姿态估计准确度的前提下尽可能提高检测速度，所述前端网络包括：卷积层conv1_1，采用3x3卷积核，输出特征图通道为64；卷积层conv1_2，采用3x3卷积核，输出特征图通道为64；池化层pool1，采用2x2核，最大池化法；卷积层conv2_1，采用3x3卷积核，输出特征图通道为128；卷积层conv2_2，采用3x3卷积核，输出特征图通道为128；池化层pool2，采用2x2核，最大池化法；卷积层conv3_1，采用3x3卷积核，输出特征图通道为256；卷积层conv3_2，采用3x3卷积核，输出特征图通道为256；卷积层conv3_3，采用3x3卷积核，输出特征图通道为256；池化层pool3，采用2x2核，最大池化法；卷积层conv4_1，采用3x3卷积核，输出特征图通道为512；卷积层conv4_2，采用3x3卷积核，输出特征图通道为512；所述后端网络包括用于完成人体特征点定位任务的分支1和用于完成人体骨架链接任务的分支2，所述分支1包括：卷积层conv5_1，采用3x3卷积核，输出特征图通道为512；卷积层conv5_2，采用3x3卷积核，输出特征图通道为512；卷积层conv5_3，采用3x3卷积核，输出特征图通道为256；卷积层conv5_4，采用1x1卷积核，输出特征图通道为256；卷积层conv5_5，采用1x1卷积核，输出特征图通道为38；所述分支2包括：卷积层conv6_1，采用3x3卷积核，输出特征图通道为512；卷积层conv6_2，采用3x3卷积核，输出特征图通道为512；卷积层conv6_3，采用3x3卷积核，输出特征图通道为256；卷积层conv6_4，采用1x1卷积核，输出特征图通道为256；卷积层conv6_5，采用1x1卷积核，输出特征图通道为19。作为优选，为了保证训练集的数量和质量，提高深度卷积神经网络的识别精度，深度卷积神经网络的人体关键点评估训练数据集采用COCO2016和自标注两种数据集，KeypointEvaluation完成人体关键点评估，LabelMe完成人体关键点的标注。作为优选，为了减小误检且屏蔽与跳远无关人员的介入，步骤A中将图像缩放至640x480像素。图像过大，如1080P，当检测阈值过低时，会导致大量误检，造成跳远人员定位失败，不适用人体特征点检测，480P可以有效完成人体特征点检测，并可有效屏蔽与跳远无关人员的介入。本专利技术与现有技术相比，具有如下的优点和有益效果：1、本专利技术基于起跳点和落地点分离的算法分别计算人体在这两点的坐标，从而得到立定跳远的距离，其人体姿态估计采用深度卷积神经网络，准确率高。附图说明此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。图1为起跳前图像图像。图2为落地后图像。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例1一种基于深度学习姿态估计的立定跳远评估方法，包括以下步骤：A、采集起跳前图像并对图像进行缩放，在该步骤中，优选将图像缩放至640x480。B、划定跳远检测区域，该跳远检测区域为跳远人员从起始点跳远至落地点的最大宽度距离，其中高度规定不限，满足跳远区域检测范围即可。通过深度卷积神经网络检测人体特征点并完成肢体连接，主要包括人体头部以下的肢体关键点，包括颈部、左肩、右肩、左肘、右肘、左手腕、右手腕、左股、右股、左膝、右膝、左脚踝和右脚踝。C、采集人体最终落地点并检测人体最终落地点是否在检测区域内。由于立定跳远时人存在后退现象，其会影响立定跳远成绩，最终落地点可能是人体落地时的位置，也可能是后退后的点，通过对最终落地点的判断识别最终落地成绩。D、根据起跳点与最终落地点坐标计算立定跳远距离。实施例2基于上述实施例，本实施例具体公开上述实施例中深度卷积神经网络的结构及其构建方法，并结合立定跳远进行说明。深度卷积神经网络训练数据集：深度卷积神经网络需要大量的数据集作为深度学习网络训练的基础，其数据集是关乎评估准确度相当重要的一部分，本实施例的人体关键点评估训练数据集采用COCO2016和自标注两种数据集，其中COCO2016是开源的竞赛数据集，KeypointEvaluation完成人体关键点评估；自标注的数据集我们主要通过采集大批量人体舞蹈等姿态图像，采用LabelMe完成人体关键点的标注。自标注数据集的目的主要是为了更加精准地完成人体舞蹈等姿态动作的估计，和COCO2016数据集共同作为人体关键点评估的数据集。关键点任务需要同时检测对象并将其关键点定位(对象位置不在测试时间给出)。由于同时检测和关键点估计的任务是相对较新的，我们选择采用受物体检测度量启发的新颖度量。为了简单起见，我们将这个任务称为关键点检测，将预测算法称为关键点检测器。我们建议在继续之前查看对象检测的评估指标。评估关键点检测的核心思想是模拟用于目标检测的评估指标，即平均精确度(AP,averageprecision本文档来自技高网...

【技术保护点】
1.一种基于深度学习姿态估计的立定跳远评估方法，其特征在于：包括以下步骤：/nA、采集起跳前图像并对图像进行缩放；/nB、划定跳远检测区域，通过深度卷积神经网络检测人体特征点并完成肢体连接；/nC、采集人体最终落地点并检测人体最终落地点是否在检测区域内；/nD、根据起跳点与最终落地点坐标计算立定跳远距离。/n

【技术特征摘要】
1.一种基于深度学习姿态估计的立定跳远评估方法，其特征在于：包括以下步骤：
A、采集起跳前图像并对图像进行缩放；
B、划定跳远检测区域，通过深度卷积神经网络检测人体特征点并完成肢体连接；
C、采集人体最终落地点并检测人体最终落地点是否在检测区域内；
D、根据起跳点与最终落地点坐标计算立定跳远距离。


2.根据权利要求1所述的一种基于深度学习姿态估计的立定跳远评估方法，其特征在于：
所述深度卷积神经网络的基础架构为VGG16，输出任务数固定在4层，包括用于提取图像特征并完成特征图像传递的前端网络和用于完成人体特征点定位及人体骨架连接的后端网络。


3.根据权利要求2所述的一种基于深度学习姿态估计的立定跳远评估方法，其特征在于，所述前端网络包括：
卷积层conv1_1，采用3x3卷积核，输出特征图通道为64；卷积层conv1_2，采用3x3卷积核，输出特征图通道为64；池化层pool1，采用2x2核，最大池化法；卷积层conv2_1，采用3x3卷积核，输出特征图通道为128；卷积层conv2_2，采用3x3卷积核，输出特征图通道为128；池化层pool2，采用2x2核，最大池化法；卷积层conv3_1，采用3x3卷积核，输出特征图通道为256；卷积层conv3_2，采用3x3卷积核，输出特征图通道为256；卷积层conv3_3，采用3x3卷积核，输出特征图通道为256；池化层pool3，采用2x2核，最大池化法；卷积层conv4_1，采用3x3卷积核，输出特征图通道为512；卷积层conv4_2，采用3x3卷积核，输出特征图通道为512；...

【专利技术属性】
技术研发人员：唐成，
申请(专利权)人：四川中科凯泽科技有限公司，
类型：发明
国别省市：四川;51