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