一种智能化体能训练自动识别方法技术

本发明专利技术公开了一种智能化体能训练自动识别方法，涉及体能训练技术领域，包括：获取数据集，并将数据集拆分为训练样本集和待测样本集；对数据集进行处理并输入到BlazePose模型中进行关键点提取；对关键点进行归一化编码处理；通过训练数据集对动作状态进行识别训练，对待测样本集动作状态进行识别；对待测样本集动作状态的次数进行统计得到计数结果；对数据集进行PCA降维处理；对降维后的数据进行分类，得到分类结果。将BlazePose模型与KNN分类算法进行结合，实现了对体能训练视频中的动作进行实时识别和计数，及对多种姿态样本点进行分类，分类结果稳定可靠。分类结果稳定可靠。分类结果稳定可靠。

【技术实现步骤摘要】
一种智能化体能训练自动识别方法


[0001]本专利技术涉及体能训练
，更具体的说是涉及一种智能化体能训练自动识别方法。

技术介绍

[0002]体能训练不仅是增强训练者体能素质的一种方法，还是提高特殊行业人员职业能力的重要途径之一，比如对长时间处于灭火救援工作一线的消防员，体能训练的质量直接影响消防员和救援单位的整体战斗力，一般在训练的过程中，需要教员主观的去判定运动员的训练动作是否标准，同时根据预先制定的体能训练计划，人为的统计运动员完成相应的训练项目的数量。
[0003]但是，在正规职业训练过程中，对体能训练标准要求严格，并且受训人员数量往往远超教员数量，这种情况下很难做到对训练的实时监督和指导，更无法对训练的强度进行实时测评。
[0004]因此，如何构建一种智能化体能训练自动识别方法对体能训练视频中的动作进行实时识别和计数是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种智能化体能训练自动识别方法，将BlazePose模型与KNN分类算法进行结合，实现了对体能训练视频中的动作进行实时识别和计数，并对多种姿态样本点进行分类，分类结果稳定可靠。
[0006]为了实现上述目的，本专利技术采用如下技术方案：一种智能化体能训练自动识别方法，包括以下步骤：
[0007]步骤1、获取数据集，并将所述数据集拆分为训练样本集和待测样本集；
[0008]步骤2、对所述数据集进行处理并输入到BlazePose模型中进行关键点提取；r/>[0009]步骤3、对关键点进行归一化编码处理；
[0010]步骤4、通过所述训练数据集对动作状态进行识别训练，对所述待测样本集动作状态进行识别；
[0011]步骤5、对所述待测样本集动作状态的次数进行统计得到计数结果；
[0012]步骤6、对数据集进行PCA降维处理；
[0013]步骤7、对降维后的数据进行分类，得到分类结果。
[0014]优选的，对关键点进行归一化编码处理的过程包括：
[0015]根据待识别动作状态特点，选择第一坐标点和第二坐标点连线所在直线为横坐标轴，连线中点为坐标原点，计算第三坐标点和第四坐标点的连线中点与间距离作为距离缩放尺寸，所述第一坐标点和所述第二坐标点左右对称，所述第三坐标点和所述第四坐标点左右对称；坐标归一化公式如下：
[0016][0017]其中，i表示人体关键点数量，x
i
指关键点坐标，x
1_2
表示原点，x
1_2
‑
x
3_4
表示单位特征向量大小；X
i
表示对各关键点进行归一化处理；
[0018]根据x
1_2
与x
3_4
的距离以及其他距离对，得到不同的特征向量来反映不同动作状态特征。
[0019]优选的，对所述待测样本集动作状态进行识别的过程包括：
[0020]步骤4
‑
1、通过KNN算法第一次调用最大距离消除训练样本集中的异常值；
[0021]步骤4
‑
2、获取待测样本集与训练样本集特征向量之间距离的平均值；
[0022]步骤4
‑
3、选取平均距离值所对应的待测样本，对待测样本的标签进行统计，数量最多的标签即为该待测样本的动作状态。
[0023]针对不同的距离度量调用了两次KNN搜索，使用最小坐标距离作为距离度量，过滤掉不同的弯曲关节对应的其他姿态类；使用平均坐标距离在搜索中找到最近的姿势簇。
[0024]优选的，若待测样本的动作状态为
‘
第一动作
’
，则统计待测样本集中识别到
‘
第一动作
’
的次数，即为完成体能训练动作个数。将视频分解为帧图像作为待测样本集，从训练视频的帧图像中检测体能训练的动作并进行累加，实现对体能训练视频中的动作进行实时识别和计数。
[0025]优选的，将每个特征向量对应的三维数据只保留前两维；通过主成分分析法PCA进行降维操作。
[0026]优选的，对于降维后的数据，通过改变K值对降维后的数据进行KNN分类，包括：保留一个数据作为预测数据，剩下的作为训练数据进行训练，将分类结果与实际标签进行比对，得到K的最优值；基于所述K的最优值对待测样本集进行分类，得到分类结果。对多种体能动作进行分类，输入某一动作即可判断属于哪一类别，实现对多种姿态样本点进行分类，分类结果稳定可靠。
[0027]优选的，对所述数据集进行处理包括：将一次完整的体能动作拆分为第一动作和第二动作两个瞬间状态，将两种状态的数据集分别存贮在第一动作和第二动作标签的文件夹下。
[0028]优选的，导入mediapipe包以建立BlazePose模型，对所述数据集进行处理后输入到BlazePose模型提取人体关键点坐标信息，将所述关键点坐标信息存入csv文件中，并在输出的数据中进行关键点标识和连线。
[0029]经由上述的技术方案可知，与现有技术相比，本专利技术提供了一种智能化体能训练自动识别方法，包括：获取数据集，并将数据集拆分为训练样本集和待测样本集；对数据集进行处理并输入到BlazePose模型中进行关键点提取；对关键点进行归一化编码处理；通过训练数据集对动作状态进行识别训练，对待测样本集动作状态进行识别；对待测样本集动作状态的次数进行统计得到计数结果；对数据集进行PCA降维处理；对降维后的数据进行分类，得到分类结果。
[0030]本专利技术的有益效果：利用BlazePose模型从训练样本集中提取关键点坐标后进行归一化编码，再对视频中的人体关键点进行提取与样本数据进行比对从而实现定做状态识别，规定检测到某一动作状态计数加1。将包含多类动作的图片数据集转换为关键点关联向
量的集合，利用PCA降维实现了样本点可视化并在不影响精度前提下减少计算量，通过实验选择最优K值实现高精度快速分类，将BlazePose模型与KNN分类算法进行结合，实现了对体能训练视频中的动作进行实时识别和计数，及对多种姿态样本点进行分类，分类结果稳定可靠。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
[0032]图1为本专利技术实施例提供的体能训练自动识别方法的总体流程图；
[0033]图2为本专利技术提供的MediaPipePose流程图；
[0034]图3为本专利技术提供的KNN分类流程图；
[0035]图4为本专利技术实施例提供的直腿硬拉姿态
‘
down
’
状态图；
[0036]图5为本专利技术实施例提供的直腿硬拉姿态
...

【技术保护点】

【技术特征摘要】
1.一种智能化体能训练自动识别方法，其特征在于，包括以下步骤：步骤1、获取数据集，并将所述数据集拆分为训练样本集和待测样本集；步骤2、对所述数据集进行处理并输入到BlazePose模型中进行关键点提取；步骤3、对关键点进行归一化编码处理；步骤4、通过所述训练数据集对动作状态进行识别训练，对所述待测样本集动作状态进行识别；步骤5、对所述待测样本集动作状态的次数进行统计得到计数结果；步骤6、对数据集进行PCA降维处理；步骤7、对降维后的数据进行分类，得到分类结果。2.根据权利要求1所述的一种智能化体能训练自动识别方法，其特征在于，对关键点进行归一化编码处理的过程包括：根据待识别动作状态特点，选择第一坐标点和第二坐标点连线所在直线为横坐标轴，连线中点为坐标原点，计算第三坐标点和第四坐标点的连线中点与间距离作为距离缩放尺寸，所述第一坐标点和所述第二坐标点左右对称，所述第三坐标点和所述第四坐标点左右对称；坐标归一化公式如下：其中，i表示人体关键点数量，x
i
指关键点坐标，x
1_2
表示原点，x
1_2
‑
x
3_4
表示单位特征向量大小；X
i
表示对各关键点进行归一化处理；根据x
1_2
与x
3_4
的距离以及其他距离对，得到不同的特征向量来反映不同动作状态特征。3.根据权利要求1所述的一种智能化体能训练自动识别方法，其特征在于，对所述待测样本集动作状态进行识别的过程包括：步骤4
‑
1、通过KNN算法第一次调用最大距离消除训练样本集中的异常...

【专利技术属性】
技术研发人员：胡永志，李如晗，孙红霞，
申请(专利权)人：成都全景星科科技有限公司，
类型：发明
国别省市：