一种运动能力分析数据智能采集的方法和系统技术方案

本发明专利技术公开了一种运动能力分析数据智能采集的方法，其特征在于，通过摄像头采集的视频流通过多媒体处理工具FFmpeg，以视频推流的方式推送至后台RSTP服务器；利用人体姿态模型识别视频流中的人体目标边界框及人体动作，从视频流中提取处于静止状态的视频帧，从视频流中逐帧提取被观测者的静止帧，将静止帧按照时间顺序动态插入静止帧链中。达到满足不同运动对数据采集多方位的需求，实现对待观测人体目标的快速锁定及人体动作信息的全面采集；有效地从运动视频中筛选出人体运动量最低的关键帧，提高运动数据采集的效率；简化了繁杂人工采集数据并手动上传的过程，实现运动的自动化测试的效果。测试的效果。测试的效果。

【技术实现步骤摘要】
一种运动能力分析数据智能采集的方法和系统


[0001]本专利技术涉及人工智能应用领域，特别是涉及一种运动能力分析的数据智能采集方法和系统。

技术介绍

[0002]合理的运动方式和运动量，是保持身体健康的重要方法之一。运动能力，是体育学的范畴，通俗说就是为更好的完成训练目标，个体所需要具备的运动素质，是人体生理功能在运动方面的外在表现。而我们的锻炼目标，通常是围绕健康需求出发的人体生理功能的表述，是生物学的范畴，指的是人体生理功能、结构的变化水平，衡量标准是医学指标，因此和人体健康有着密切的关系。如何制定合理、有效的运动方案是建立一种智能运动指导系统的主要目标。
[0003]如今，在互联网技术和移动互联网的基础上，各种健身软件纷纷出现，帮助用户完成各类健身和训练计划。不少健身软件的内容看似非常科学，但在缺乏对用户的身体基本状况了解的前提下，未必是正确的。每个人的身体情况不一样，不可能对每个人都设定一样的锻炼动作。如果想进行科学系统的锻炼，尤其是对肌肉锻炼有需求，则需要专业的测试和指导，最后制定针对性的健身计划。因此，需要一种能准确分析用户身体基本情况，特别是各关键部位运动能力的方法和系统，用于获取用户身体各部位的健康状况、运动能力等级，从而在此基础上，为用户提供针对性的健身方案或训练指导。
[0004]功能动作筛查(Functional Movement Screen，简称：FMS)是由Gary Cook(美国著名物理治疗师，体能训练专家)和Lee Burton(体能训练专家，博士，运动损伤防护专家)在1997年创造的，是一种革新性的动作模式质量评价系统，它简便易行，仅由7个动作构成。这种评价方法可以测评出受试者的一些基本运动能力，发现健康个体在完成基本动作模式时的局限性因素或均衡性，可以广泛用于各种人群的基础运动能力(灵活性和稳定性)评价。使用FMS进行测评的测试者不需要具有病理学认证证书，测试过程中所使用的测试工具和动作都是能够得到受测者和教练员的认同。测试结果可以作为可靠的制定运动训练计划的出发点。但是，目前FMS的测试都是需要教练员或健康师辅助完成的，这对于推广运动能力测试理念以及FMS这一类检测方法来说的是一个阻碍，如何将FMS检测过程智能化、自动化、轻量化，让每一个人都能随时随地自行的进行检测，是摆在我们面前一个迫切需要解决的问题。庆幸的是，随着人工智能技术，特别是计算机视觉技术的发展，目标检测和姿态识别等相关的技术的成熟，为我们实现这一目的提供了有力的工具。而运动能力分析数据的智能采集，作为这一过程的第一环，是极其重要的一环。

技术实现思路

[0005]本专利技术所要解决的技术问题是克服现有技术的不足，提供一种运动能力分析数据智能采集的方法和系统，实现从运动视频中自动化地识别并采集人体运动量最低的视频帧，以为后续的运动分析逻辑提供数据基础，从而替代人工识别。
[0006]本专利技术提出的技术方案是：一种运动能力分析数据智能采集的方法，包括如下步骤：
[0007]步骤1：以被观测者为中心，在被观测者指定方位部署至少一个摄像头，所述摄像头高度为被观测者身高的1/2；所述摄像头与被观测者之间的距离d应满足其中h为被观测者身高，α为摄像头与垂直方向的夹角，β为摄像头与水平方向的夹角；所述摄像头采集的视频流通过多媒体处理工具FFmpeg，以视频推流的方式推送至后台RSTP服务器；
[0008]步骤2：根据不同的人体动作，从四个方位的摄像头中选取满足观测方位需求的摄像头，以帧为单位从摄像头中获取视频流，利用人体姿态模型识别视频流中的人体目标边界框及人体动作，所述人体目标边界框为包含人体目标的最小矩形框；识别视频流中的人体目标边界框及人体动作，所述人体目标边界框为包含人体目标的最小矩形框；计算人体目标边界框的面积、人体目标边界框中心点与帧中心点之间的距离，通过与相应的预设阈值比对，过滤非主要观测的人体目标，获取被观测者的人体目标边界框坐标及人体动作的关键点坐标；，输出内容包括：人体边界框左上角坐标、人体边界框右下角坐标、人体动作关键点坐标及关键点概率；所述关键点概率为人体动作关键点为人体真实关节点的概率；
[0009]步骤3：从视频流中提取处于静止状态的视频帧，具体为：以帧为单位，统计有效人体动作关键点的数目，若有效人体动作关键点的数目小于待观测人体动作关键点的总数,则判定为存在遮挡,否则判定为不存在遮挡；所述待观测人体动作关键点的总数指预设的人体动作关键点的标准数量，指将所述有效人体动作关键点的关键点概率与相应的预设阈值比对，如满足阈值，则判定为有效关键点，否则判定为无效关键点；计算当前帧相对于上一帧中待观测人体动作关键点的偏移总量，计算指定时间内待观测人体动作关键点的平均偏移总量；所述指定时间取动作持续时间和视频帧速率的乘积；将偏移总量、平均偏移总量与相应的静止阈值比对，判断被观测者是否处于静止状态，仅当每个满足观测方位需求的摄像头采集的当前帧的被观测者均被判定处于静止状态，被观测者在当前帧判定为静止状态，提取当前帧为静止帧；
[0010]步骤4：从视频流中逐帧提取被观测者的静止帧，将静止帧按照时间顺序动态插入静止帧链中，所述静止帧链是由静止帧组合而成的链表，先进入静止帧链中的静止帧作为静止帧链链表头；预设滑动长度使滑动链表在静止帧链中移动，所述滑动链表长度为2，包含滑动链表头和滑动链表尾，其中滑动链表头始终指向静止帧链中的一个静止帧，取滑动长度的整数倍为滑动链表头在静止帧链中的索引位置；所述滑动长度为滑动链表在静止帧链中每次移动时需越过的静止帧的数目；
[0011]当新的静止帧插入静止帧链时，计算静止帧链的长度是否为滑动长度的整数倍，若静止帧链的长度是滑动长度的整数倍，满足滑动条件时，滑动链表尾移动至滑动链表头指向的静止帧，滑动链表头按照滑动长度移动至静止帧链当前的静止帧链链表头位置；若静止帧链的长度不是滑动长度的整数倍，则滑动链表头和滑动链表尾保持原始指向的静止帧不变；视频流中的静止帧全部提取完后，如果滑动链表尾不空，则将滑动链表尾指向的静止帧作为关键帧输出。
[0012]在所述步骤1中，所述指定方位是指在被观测者正前方、正左方、正后方和正右方
分别部署一个摄像头；根据不同的人体动作，从四个方位的摄像头中选取满足观测方位需求的摄像头，所述步骤2中，所述人体姿态模型为2D人体姿态模型，所述2D人体姿态模型使用CenterNet模型训练学习。
[0013]所述步骤1中，所述视频推流使用MJPEG格式，帧率为25fps，像素为640*480，推流的编码方式为H264,码率为500k。
[0014]所述步骤2中，利用人体姿态模型识别视频流中的人体目标边界框的具体步骤包括：
[0015]步骤201：预设人体动作关键点的对应关系为：0-鼻子、1-左眼、2-右眼、3-左耳、4-右耳、5-左肩、6-右肩、7-左手肘、8-右手肘、9-左手腕、10-右手腕、11-左髋、12-右髋、13-左膝、14-右膝、15-左脚踝、16-右脚踝；
[0016]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动能力分析数据智能采集的方法，其特征在于，包括：步骤1：以被观测者为中心，在被观测者指定方位部署至少一个摄像头，所述摄像头高度为被观测者身高的1/2；所述摄像头与被观测者之间的距离d应满足其中h为被观测者身高，α为摄像头与垂直方向的夹角，β为摄像头与水平方向的夹角；所述摄像头采集的视频流通过多媒体处理工具FFmpeg，以视频推流的方式推送至后台RSTP服务器；步骤2：根据不同的人体动作，从四个方位的摄像头中选取满足观测方位需求的摄像头，以帧为单位从摄像头中获取视频流，利用人体姿态模型识别视频流中的人体目标边界框及人体动作，所述人体目标边界框为包含人体目标的最小矩形框；识别视频流中的人体目标边界框及人体动作，所述人体目标边界框为包含人体目标的最小矩形框；计算人体目标边界框的面积、人体目标边界框中心点与帧中心点之间的距离，通过与相应的预设阈值比对，过滤非主要观测的人体目标，获取被观测者的人体目标边界框坐标及人体动作的关键点坐标；输出内容包括：人体边界框左上角坐标、人体边界框右下角坐标、人体动作关键点坐标及关键点概率；所述关键点概率为人体动作关键点为人体真实关节点的概率；步骤3：从视频流中提取处于静止状态的视频帧，具体为：以帧为单位，统计有效人体动作关键点的数目，若有效人体动作关键点的数目小于待观测人体动作关键点的总数,则判定为存在遮挡,否则判定为不存在遮挡；所述待观测人体动作关键点的总数指预设的人体动作关键点的标准数量，指将所述有效人体动作关键点的关键点概率与相应的预设阈值比对，如满足阈值，则判定为有效关键点，否则判定为无效关键点；计算当前帧相对于上一帧中待观测人体动作关键点的偏移总量，计算指定时间内待观测人体动作关键点的平均偏移总量；所述指定时间取动作持续时间和视频帧速率的乘积；将偏移总量、平均偏移总量与相应的静止阈值比对，判断被观测者是否处于静止状态，仅当每个满足观测方位需求的摄像头采集的当前帧的被观测者均被判定处于静止状态，被观测者在当前帧判定为静止状态，提取当前帧为静止帧；步骤4：从视频流中逐帧提取被观测者的静止帧，将静止帧按照时间顺序动态插入静止帧链中，所述静止帧链是由静止帧组合而成的链表，先进入静止帧链中的静止帧作为静止帧链链表头；预设滑动长度使滑动链表在静止帧链中移动，所述滑动链表长度为2，包含滑动链表头和滑动链表尾，其中滑动链表头始终指向静止帧链中的一个静止帧，取滑动长度的整数倍为滑动链表头在静止帧链中的索引位置；所述滑动长度为滑动链表在静止帧链中每次移动时需越过的静止帧的数目；当新的静止帧插入静止帧链时，计算静止帧链的长度是否为滑动长度的整数倍，若静止帧链的长度是滑动长度的整数倍，满足滑动条件时，滑动链表尾移动至滑动链表头指向的静止帧，滑动链表头按照滑动长度移动至静止帧链当前的静止帧链链表头位置；若静止帧链的长度不是滑动长度的整数倍，则滑动链表头和滑动链表尾保持原始指向的静止帧不变；视频流中的静止帧全部提取完后，如果滑动链表尾不空，则将滑动链表尾指向的静止帧作为关键帧输出。2.根据权利要求1所述的一种运动能力分析数据智能采集的方法，其特征在于，在所述
步骤1中，所述指定方位是指在被观测者正前方、正左方、正后方和正右方分别部署一个摄像头；根据不同的人体动作，从四个方位的摄像头中选取满足观测方位需求的摄像头，所述步骤2中，所述人体姿态模型为2D人体姿态模型，所述2D人体姿态模型使用CenterNet模型训练学习。3.根据权利要求2所述的一种运动能力分析数据智能采集的方法，其特征在于，所述步骤1中，所述视频推流使用MJPEG格式，帧率为25fps，像素为640*480，推流的编码方式为H264,码率为500k。4.根据权利要求3所述的一种运动能力分析数据智能采集的方法，其特征在于，所述步骤2中，利用人体姿态模型识别视频流中的人体目标边界框的具体步骤包括：步骤201：预设人体动作关键点的对应关系为：0-鼻子、1-左眼、2-右眼、3-左耳、4-右耳、5-左肩、6-右肩、7-左手肘、8-右手肘、9-左手腕、10-右手腕、11-左髋、12-右髋、13-左膝、14-右膝、15-左脚踝、16-右脚踝；步骤202：计算视频帧中每个人体目标边界框的面积，过滤人体目标边界框面积小于阈值thr＝66000的人体目标；经过滤，若剩余人体目标边界框个数为0，则当前帧为无效帧；若剩余的人体目标边界框个数为1，则选取人体目标边界框内的人体目标为被观测者；若剩余的人体目标个数大于1，则计算每个人体目标边界框中心点与当前帧中心点之间的距离，按照距离大小降序排列人体目标边界框，按照人体目标边界框面积大小进行升序排列；将目标边界框按照面积降序和距离升序进行二级排序，选取人体目标边界框面积最大且中心点与当前帧中心点距离最小的人体目标边界框内，以选取的人体目标边界框内的人体目标为被观测者。5.根据权利要求4所述的一种运动能力分析数据智...

【专利技术属性】
技术研发人员：滕炜，孙佳伟，席晓燕，倪俊辉，
申请(专利权)人：焦点科技股份有限公司，
类型：发明
国别省市：