一种基于机器视觉的引体向上数量计算方法技术

本发明专利技术公开了一种基于机器视觉的引体向上数量计算方法，是以三个指标判断一次标准的引体向上动作，分别考察被测试者的抓握姿势、头部高度和手臂弯曲程度，其中，使用YOLO目标检测模型检测抓握姿势和头部高度，识别手臂姿态，首先判断手掌握杆是否正确，再以两手识别框中点的连线作为引体向上识别基准线，此时要求大小臂夹角接近180°，同时识别被测试者头部位置从而判断头部是否过线，最后判断胳膊肘关节角度是否合格，各项指标满足要求则判断为一次标准的引体向上动作。本发明专利技术设备结构简单、识别准确率高并且较人工计数效率更高。

【技术实现步骤摘要】
一种基于机器视觉的引体向上数量计算方法
本专利技术涉及机器学习视觉识别领域，具体说的是一种基于机器视觉的引体向上数量计算方法。
技术介绍
机器视觉作为人工智能领域的一个分支，即机器模拟人类的视觉认知处理能力，将摄取的图像信息传送至图像处理系统，在无需人为干预的情况下挖掘处理图像视频中低层次的数字化数据，并转译为高层次信息输出，以达到近似人类对视觉信号的理解能力。该技术起源于上世纪60年代，但由于图像采集和计算机计算能力的局限性，直到2010年才迎来爆发式的增长，目前在智能化视频监控、基于内容的视频检索、医疗领域、人机交互、体育领域等行业中有着广泛的应用前景和价值，国内外众多知名高校以及研究机构进行了大量研究，同时科技公司也积极投入人力物力挖掘其市场应用场景和社会价值。福州大学胡振禹提出了一种基于超声波的引体向上计数方法(专利号：201610284383，2016，“超声波引体向上测试仪及其控制方法”)，利用超声波检测人体头顶位移间距，但是不能判断被测试者头部是否过单杠，也不能判断手臂是否伸直，不能按照规范的引体向上标准进行计数。五邑大学赵素芳提出了一种结合深度图像的引体向上计数方法(五邑大学硕士学位论文，2014，“结合深度图像的引体向上自动测试系统研发”)，根据深度信息和图像分割确定横杠和人脸下颚的位置，通过肩关节与单杠最大高度差判断手臂伸直，该方法采用专有设备Kinect采集深度图像，设备昂贵、数据集大，对计算机性能要求高，很难达到实时性要求。
技术实现思路
本专利技术是为了避免上述现有技术的不足之处，提供了一种基于机器视觉的引体向上数量计算方法，以期能解决引体向上项目计数误判率高、人力成本高等问题，实现体质测试中引体向上计数工作的自动化，从而提高识别准确率和计数效率。本专利技术为解决技术问题采用如下技术方案：本专利技术一种基于机器视觉的引体向上数量计算方法的特点是应用于在单杆的上方设置有摄像头的采集环境中，并按如下步骤进行：步骤一：人脸人手采集：利用摄像头采集人脸正面图像和正手握姿图像作为当前测试者的训练集，对所述训练集中的人脸和人手进行标注后，输入YOLO目标检测模型进行迭代训练，得到修正后的人手图像和人脸图像；步骤二：对所述修正后的人手图像检测手是否握杆，若胳膊呈近180°，即角度|X1-X0|>G，则判定为手已正确握杆；否则返回步骤一执行，其中，X1表示手臂上肢角度；X0表示手臂下肢角度；G表示角度阈值；步骤三：对修正后的人脸图像检测头部是否过线，如果y1-y0>x，则判断为已过线，并执行步骤八；如果y2>y1，则判断为未过线，并返回步骤一执行；如果y0>y1>y2，则执行步骤四-步骤七；其中，y3为检测到的头部区域顶端，y1为头部区域底端，y0为单杠顶端，y2为单杠底端，y0与y2之间为检测区域；步骤四：构建基于MobileNet的轻量级异构深度特征网络；所述轻量级异构深度特征网络的第一层的输入层为3×3的卷积层，卷积核的个数是M个；输入层后分别连接两个分支，第一个分支为ResNet网络的分支，并由四个部分和softmax损失函数组成，第一部分是由4个3×3的卷积层组成，卷积核的个数是M/2个，第二部分是由4个3×3的卷积层组成，卷积核的个数是2M个，第三部分是由4个3×3的卷积层组成，卷积核的个数是8M个，第四部分是由4个3×3的卷积层组成，卷积核的个数是32M个；且第四部分的第4个卷积层与softmax损失函数相连；第二个分支是基于MobileNet网络改进的基础网络，并由5个的3×3深度卷积层和5个1×1点卷积层交替连接后再连接5个卷积块，最后连接一个卷积核是32M的3×3深度卷积层组成；其中，深度卷积层的卷积核分别是M、2M、4M、4M、8M，点卷积层的卷积核分别是3M、8M、16M、32M、64M；5个卷积块是由卷积核是16M的3×3深度卷积层和5个卷积核是256M的1×1点卷积层交替连接而成；步骤五：初始化基于MobileNet的轻量级异构深度特征网络的参数，包括宽度超参数α、分辨率超参数β、卷积核的个数M；步骤六：按照步骤1的处理方式，得到当前测试者的所有修正后的人脸图像，并输入到第一个分支的第四部分的第4个卷积层中，并利用所述softmax损失函数对所述轻量级异构深度特征网络进行训练，得到当前测试者的人脸图像特征：式(1)中，表示第l+1层卷积层中第t个输出通道的人脸图像特征；表示第l层卷积层中第i个输入通道所输入的图像，c为输入通道的数量；表示第l层卷积层中第i个预定义随机噪声掩模；σrelu(·)为非线性激活函数Relu；表示第l层卷积层中第i个输入通道和第t个输出通道的权重参数；所述softmax损失函数为：式(2)中，θj为第j个人脸图像特征的角度，k表示任一整数，且k∈[0,m-1]，m表示角度边界大小的控制参数，且m≥1；当m＝1时，即为softmaxloss函数；步骤七：将ResNet网络输出的人脸特征与基于MobileNet网络改进的基础网络输出的人脸特征合并，得到最终的人脸特征，并利用DCA算法对最终的人脸特征进行特征融合后判断是否过线；若过线，则执行步骤八，否则执行步骤一；步骤八：对所述修正后的人手图像检测胳膊角度是否符合要求，如果胳膊最大角度大于θ，则表示符合要求，并将引体向上的个数加一；如果胳膊最大角度小于等于θ，则表示不符合要求，并不计数。与现有技术相比，本专利技术的有益效果体现在：1、本专利技术采用非接触式测量，对于不同身高和性别的被测试者，进行计数测试不需要改变程序中的参数，从而在不同环境下应用的鲁棒性较强。2、本专利技术根据角度阈值G能对不同测量标椎进行调节，适用性更强。3、本专利技术方法使用的轻量级异构深度特征网络由两条分支组成，计数准确性更高。附图说明图1为本专利技术头部与单杆位置示意图。具体实施方式本实施例中，一种基于机器视觉的引体向上数量计量方法是应用于在单杆的上方设置有摄像头的采集环境中，并按如下步骤进行：步骤一：人脸人手采集：利用摄像头采集人脸正面图像和正手握姿图像作为当前测试者的训练集，其中图1为头部与单杆位置示意图，对训练集中的人脸和人手进行标注后，输入YOLO目标检测模型进行迭代训练，得到修正后的人手图像和人脸图像；步骤二：对修正后的人手图像检测手是否握杆，若胳膊呈近180°，即角度|X1-X0|>G，则判定为手已正确握杆；否则返回步骤一执行，其中，X1表示手臂上肢角度；X0表示手臂下肢角度；G为10°；步骤三：对修正后的人脸图像检测头部是否过线，如果y1-y0>1cm，则判断为已过线，并执行步骤八；如果y2>y1，则判断为未过线，并返回步骤一执行；如果y0>y1>y2，则执行步骤四-步骤七；其中，y3为检测到的头部区域顶端，y1为头部区域底端，y0为单杠顶端本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的引体向上数量计算方法，其特征是应用于在单杆的上方设置有摄像头的采集环境中，并按如下步骤进行：/n步骤一：人脸人手采集：/n利用摄像头采集人脸正面图像和正手握姿图像作为当前测试者的训练集，对所述训练集中的人脸和人手进行标注后，输入YOLO目标检测模型进行迭代训练，得到修正后的人手图像和人脸图像；/n步骤二：对所述修正后的人手图像检测手是否握杆，若胳膊呈近180°，即角度|X

【技术特征摘要】
1.一种基于机器视觉的引体向上数量计算方法，其特征是应用于在单杆的上方设置有摄像头的采集环境中，并按如下步骤进行：
步骤一：人脸人手采集：
利用摄像头采集人脸正面图像和正手握姿图像作为当前测试者的训练集，对所述训练集中的人脸和人手进行标注后，输入YOLO目标检测模型进行迭代训练，得到修正后的人手图像和人脸图像；
步骤二：对所述修正后的人手图像检测手是否握杆，若胳膊呈近180°，即角度|X1-X0|>G，则判定为手已正确握杆；否则返回步骤一执行，其中，X1表示手臂上肢角度；X0表示手臂下肢角度；G表示角度阈值；
步骤三：对修正后的人脸图像检测头部是否过线，如果y1-y0>x，则判断为已过线，并执行步骤八；如果y2>y1，则判断为未过线，并返回步骤一执行；如果y0>y1>y2，则执行步骤四-步骤七；其中，y3为检测到的头部区域顶端，y1为头部区域底端，y0为单杠顶端，y2为单杠底端，y0与y2之间为检测区域；
步骤四：构建基于MobileNet的轻量级异构深度特征网络；
所述轻量级异构深度特征网络的第一层的输入层为3×3的卷积层，卷积核的个数是M个；输入层后分别连接两个分支，第一个分支为ResNet网络的分支，并由四个部分和softmax损失函数组成，第一部分是由4个3×3的卷积层组成，卷积核的个数是M/2个，第二部分是由4个3×3的卷积层组成，卷积核的个数是2M个，第三部分是由4个3×3的卷积层组成，卷积核的个数是8M个，第四部分是由4个3×3的卷积层组成，卷积核的个数是32M个；且第四部分的第4个卷积层与softmax损失函数相连；
第二个分支是基于MobileNet网络改进的基础网络，并由5个的3×3深度卷积层和5个1×1点卷积层交替连接后再连接5个卷积块，最后连...

【专利技术属性】
技术研发人员：唐义平，汪斌，祖慈，张雪松，李帷韬，
申请(专利权)人：安徽一视科技有限公司，
类型：发明
国别省市：安徽;34