一种基于大数据和深度学习的体育训练系统及方法技术方案

本发明专利技术涉及深度学习技术领域，公开了一种基于大数据和深度学习的体育训练系统，包括：图像特征提取模块，其用于生成肢体依赖CNN模型；特征转换模块，其用于将肢体依赖CNN模型的输出进行向量化；特征输入模块，将每个肢体对应的第一卷积空间的卷积链的输出的向量化之后的结果按照时间进行排序生成序列数据；状态生成模块，将每个肢体对应的序列数据对应的输入GMM

【技术实现步骤摘要】
一种基于大数据和深度学习的体育训练系统及方法


[0001]本专利技术涉及深度学习
，更具体地说，它涉及一种基于大数据和深度学习的体育训练系统。

技术介绍

[0002]拉单杠是一种锻炼人体上肢力量的运动，现有技术中的智慧体育教学中只是基于图像处理对拉单杠进行计数，对于学生的技巧以及发力方式的指导依旧是依赖于教师引导。

技术实现思路

[0003]本专利技术提供一种基于大数据和深度学习的体育训练系统，解决相关技术中对于拉单杠运动的指导只能依赖教师人工指导的技术问题。
[0004]本专利技术提供了一种基于大数据和深度学习的体育训练系统，包括：
[0005]第一图像采集模块，其用于采集学生拉单杠运动的第一图像；
[0006]第二图像采集模块，其用于采集学生拉单杠运动的第二图像；
[0007]第一图像为一般图像，第二图像为红外图像；
[0008]肢体识别模块，其用于从第一图像中识别肢体，并分割肢体区域，获得每个肢体的第一肢体图像；
[0009]第一肢体分割模块，其用于将第一图像的肢体区域映射到对应的第二图像上，然后对第二图像进行分割获得每个肢体的第二肢体图像；
[0010]图像特征提取模块，其用于生成肢体依赖CNN模型，肢体依赖CNN模型包括第一卷积空间和第二卷积空间，每个卷积空间包括多个并行的卷积链，每个卷积链包括多个卷积层；第一卷积空间的卷积链输入一个肢体的第一肢体图像；第二卷积空间的卷积链输入一个肢体的第二肢体图像
[0011]特征转换模块，其用于将肢体依赖CNN模型的输出进行向量化；
[0012]特征输入模块，将每个肢体对应的第一卷积空间的卷积链的输出的向量化之后的结果按照时间进行排序生成序列数据；
[0013]状态生成模块，将每个肢体对应的序列数据对应的输入GMM
‑
HMM模型，输入的序列数据用于生成观测状态序列，GMM
‑
HMM模型输出隐状态序列为L＝{l1，l2…
l
n
}，隐状态的状态集合为H＝{h1，h2，h3}，隐状态的状态集合包含三个状态，分别对应于发力过大，发力正常和发力过小。
[0014]进一步地，第一卷积空间的第i个卷积链的第k层卷积层的公式为：
[0015][0016]其中，表示第i个卷积链的第k层的卷积权重，表示偏置参数，*表示卷积，表示第i个卷积链的第k层的输入，f表示激活函数；
[0017][0018]其中
⊙
表示Hadamard乘积运算，σ表示sigmoid激活函数，表示第一卷积空间的第i个卷积链的第k层的输出，M表示第i个卷积链输入的第一肢体图像对应的肢体关联的肢体对应的第二卷积空间的卷积链集合；表示第二卷积空间的第c个卷积链的第k
‑
1层的输出。
[0019]进一步地，肢体依赖CNN模型的每个卷积链的参数单独的进行训练。
[0020]进一步地，对于一个卷积链，将其连接分类器映射到分类集合Q，分类集合Q对应于肢体的分类，通过训练集对其进行训练来获得该卷积链的参数。
[0021]进一步地，向量化的方式是：通过flatten对第一卷积空间的卷积链的输出进行展开，然后使用降维权重矩阵进行降维。
[0022]进一步地，同一次输入肢体依赖CNN模型的第一肢体图像和第二肢体图像来源于同一时间的第一图像和第二运动图像。
[0023]进一步地，GMM
‑
HMM模型的参数为γ＝(π，A，C，μ，U)，其中π为初始状态矩阵，A为状态转移概率矩阵，C为混合权重矩阵，u为均值矢量，U为协方差矩阵。
[0024]进一步地，还包括结果可视化模块，其用于对状态生成模块输出的结果进行可视化处理。
[0025]进一步地，可视化处理的一个方法是：将t时间的第一图像的对应的肢体上标记该肢体的隐状态；标记是通过字符标记或者是颜色标记。
[0026]一种基于大数据和深度学习的体育训练方法，应用上述的一种基于大数据和深度学习的体育训练系统执行以下步骤：
[0027]步骤101，采集学生拉单杠运动的第一图像和第二图像；
[0028]步骤102，从第一图像中识别肢体，并分割肢体区域，获得每个肢体的第一肢体图像；
[0029]步骤103，对第二图像进行分割获得每个肢体的第二肢体图像；
[0030]步骤104，将第一肢体图像和第二肢体图像输入肢体依赖CNN模型；
[0031]步骤105，将每个肢体对应的第一卷积空间的卷积链的输出的向量化之后的结果按照时间进行排序生成序列数据；
[0032]步骤106，将序列数据输入GMM
‑
HMM模型，然后输出各个肢体在对应的时间的发力状态。
[0033]本专利技术的有益效果在于：
[0034]本专利技术综合考虑了一般图像特征表征的人体动作和红外图像表征的人体运动特征，来对人体肢体进行图像分解，然后综合引入运动特征进行综合的卷积，并且考虑相邻肢体的运动牵连，将卷积获得的综合运动特征基于HMM模型来表达发力状态，并辅助可视化能够实现对于学生拉单杠运动的指导。
附图说明
[0035]图1是本专利技术的一种基于大数据和深度学习的体育训练系统的模块示意图；
[0036]图2是本专利技术的一种基于大数据和深度学习的体育训练方法的流程图。
[0037]图中：第一图像采集模块101，第二图像采集模块102，肢体识别模块103，第一肢体分割模块104，图像特征提取模块105，特征转换模块106，特征输入模块107，状态生成模块108，结果可视化模块109。
具体实施方式
[0038]现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0039]实施例一
[0040]如图1所示，一种基于大数据和深度学习的体育训练系统，包括：
[0041]第一图像采集模块101，其用于采集学生拉单杠运动的第一图像；
[0042]第二图像采集模块102，其用于采集学生拉单杠运动的第二图像；
[0043]第一图像为一般图像，第二图像为红外图像；
[0044]肢体识别模块103，其用于从第一图像中识别肢体，并分割肢体区域，获得每个肢体的第一肢体图像；
[0045]第一肢体分割模块104，其用于将第一图像的肢体区域映射到对应的第二图像上，然后对第二图像进行分割获得每个肢体的第二肢体图像；
[0046]图像特征提取模块105，其用于生成肢体依赖CNN模型，肢体依赖CNN模型包括第一卷积空间和第二卷积空间，每个卷积空间包括多个并行的卷积链，每个卷积链本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据和深度学习的体育训练系统，其特征在于，包括：第一图像采集模块，其用于采集学生拉单杠运动的第一图像；第二图像采集模块，其用于采集学生拉单杠运动的第二图像；第一图像为一般图像，第二图像为红外图像；肢体识别模块，其用于从第一图像中识别肢体，并分割肢体区域，获得每个肢体的第一肢体图像；第一肢体分割模块，其用于将第一图像的肢体区域映射到对应的第二图像上，然后对第二图像进行分割获得每个肢体的第二肢体图像；图像特征提取模块，其用于生成肢体依赖CNN模型，肢体依赖CNN模型包括第一卷积空间和第二卷积空间，每个卷积空间包括多个并行的卷积链，每个卷积链包括多个卷积层；第一卷积空间的卷积链输入一个肢体的第一肢体图像；第二卷积空间的卷积链输入一个肢体的第二肢体图像；特征转换模块，其用于将肢体依赖CNN模型的输出进行向量化；特征输入模块，将每个肢体对应的第一卷积空间的卷积链的输出的向量化之后的结果按照时间进行排序生成序列数据；状态生成模块，将每个肢体对应的序列数据对应的输入GMM
‑
HMM模型，输入的序列数据用于生成观测状态序列，GMM
‑
HMM模型输出隐状态序列为L＝{l1，l2…
l
n
}，隐状态的状态集合为H＝{h1，h2，h3}，隐状态的状态集合包含三个状态，分别对应于发力过大，发力正常和发力过小。2.根据权利要求1所述的一种基于大数据和深度学习的体育训练系统，其特征在于，第一卷积空间的第i个卷积链的第k层卷积层的公式为：其中，表示第i个卷积链的第k层的卷积权重，表示偏置参数，*表示卷积，表示第i个卷积链的第k层的输入，f表示激活函数；其中
⊙
表示Hadamard乘积运算，σ表示sigmoid激活函数，表示第一卷积空间的第i个卷积链的第k层的输出，M表示第i个卷积链输入的第一肢体图像对应的肢体关联的肢体对应的第二卷积空间的卷积链集合；表示第二卷积空间的第c个卷积链的第k
‑
1层的输出。3.根据权利要求1所述的一种基于大数据和深度学习的体育训练系统，其特征在于，肢体依...

【专利技术属性】
技术研发人员：唐义平，祖慈，刘兵，关俊宏，
申请(专利权)人：安徽一视科技有限公司，
类型：发明
国别省市：