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：