基于深度学习的运动计时方法技术

本发明专利技术实施例公开了一种基于深度学习的运动计时方法

【技术实现步骤摘要】
基于深度学习的运动计时方法、系统、存储介质及终端


[0001]本专利技术涉及运动监测
，尤其涉及一种基于深度学习的运动计时方法
、
系统
、
存储介质及终端
。

技术介绍

[0002]随着时代的发展和进步，人们对于健康和身体状况的关注越来越多，而运动成为了一种非常普遍的方式来保持健康
。
为了更好的监测运动效果，很多人选择了运动计时器来辅助运动
。
以跑步的计时方式为例，传统的运动计时器采用手动秒表，当发令枪响起时，工作人员开始计时
。
但这种方法不可避免地存在误差，因为手动计时很容易受到视觉判断和操作差错的影响，且需要多名计时员，劳动强度大
。
因此，这种传统的计时方法无法满足现代比赛的高精度要求
。
[0003]现有技术中还采用红外线和采用红外线和光电等传感器设备进行计时，但这些设备存在一些问题，例如复杂的设备结构，难以进行布置和安装，昂贵的成本，以及无法回放测试结果的限制
。

技术实现思路

[0004]基于此，有必要针对上述问题，提出了一种基于深度学习的运动计时方法
、
系统
、
存储介质及终端
。
[0005]一种基于深度学习的运动计时方法，所述方法包括：
[0006]获取运动区域图像并标记运动区域
。
[0007]根据所述运动区域图像确定最优人体骨骼坐标点，所述最优人体骨骼坐标点包括小腿骨骼坐标点
。
[0008]根据所述小腿骨骼坐标点确定在所述运动区域内是否存在抢先运动
。
[0009]确定不存在抢先运动，则根据所述小腿骨骼坐标点确定在所述运动区域内的最终运动时间和最终位置
。
[0010]其中，所述根据所述运动区域图像确定最优人体骨骼坐标点，所述最优人体骨骼坐标点包括小腿骨骼坐标点，具体包括：
[0011]通过目标检测算法将所述运动区域图像划分为若干个网格单元
。
[0012]每个所述网格单元输出
a+b+3c
个数值，其中，
a
为人体运动区域坐标点，
b
为网格置信度，
3c
为人体骨骼坐标点
。
[0013]遍历若干个所述网格单元对应的所述网格置信度，确定所述网格置信度大于阈值时的最优网格置信度
。
[0014]获取所述最优网格置信度对应的最优人体骨骼坐标点
。
[0015]其中，所述根据所述小腿骨骼坐标点和所述矩形区域框坐标点确定在所述运动区域内是否存在抢先运动，具体包括：
[0016]根据所述小腿骨骼坐标点和所述运动区域内的起始基准线的接触情况，确定抢先
运动时间
。
[0017]确定所述抢先运动时间与预设运动时间的比较关系
。
[0018]当所述抢先运动时间小于所述预设运动时间时，确定存在抢先运动
。
[0019]当所述抢先运动时间大于所述预设运动时间时，确定不存在抢先运动
。
[0020]其中，所述当所述抢先运动时间小于所述预设运动时间时，确定存在抢先运动，具体包括：
[0021]所述小腿骨骼坐标点由膝盖坐标点和脚踝坐标点连接构成
。
[0022]确定存在抢先运动时，根据点多边形测试函数确定所述脚踝坐标点位于所述运动区域内的抢先运动位置并返回所述抢先运动时间和所述抢先运动位置
。
[0023]其中，所述确定不存在抢先运动，则根据所述最优图像矩形区域框坐标点和小腿骨骼坐标点确定在所述运动区域内的最终运动时间和最终位置，具体包括：
[0024]确定所述运动区域内的起始基准线和所述小腿骨骼坐标点接触，获取此时的起始运动时间
。
[0025]确定所述运动区域内的终止基准线和所述小腿骨骼坐标点接触，获取此时的终止运动时间
。
[0026]根据所述终止运动时间与所述起始运动时间的差值确定所述最终运动时间
。
[0027]根据点多边形测试函数确定所述脚踝坐标点位于所述运动区域内的最终运动位置并返回所述最终运动时间和最终运动位置
。
[0028]其中，所述确定所述运动区域内的起始基准线和所述小腿骨骼坐标点接触需要同时满足和其中，
A
为所述起始基准线的起点坐标，
B
为所述起始基准线的终点坐标，为所述起始基准线的向量表示，
C
为所述小腿骨骼坐标点的起点坐标，
B
为所述小腿骨骼坐标点的终点坐标，为所述小腿骨骼坐标点的向量表示
。
[0029]其中，所述确定所述运动区域内的终止基准线和所述小腿骨骼坐标点接触需要同时满足和其中，
E
为所述终止基准线的起点坐标，
F
为所述终止基准线的终点坐标，为所述起始基准线的向量表示
。
[0030]一种基于深度学习的运动计时系统，所述系统包括：
[0031]运动区域图像获取模块，用于获取运动区域图像并标记运动区域
。
[0032]坐标点确定模块，用于根据所述运动区域图像确定最优人体骨骼坐标点，所述最优人体骨骼坐标点包括小腿骨骼坐标点
。
[0033]抢先运动确定模块，用于根据所述小腿骨骼坐标点确定在所述运动区域内是否存在抢先运动
。
[0034]最终运动时间和最终位置确定模块，用于确定不存在抢先运动，则根据所述小腿骨骼坐标点确定在所述运动区域内的最终运动时间和最终位置
。
[0035]一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处
理器执行如上所述方法的步骤
。
[0036]一种终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述方法的步骤
。
[0037]采用本专利技术实施例，具有如下有益效果：
[0038]本专利技术提供的基于深度学习的运动计时方法通过获取最优人体骨骼坐标点，根据最优人体骨骼坐标点与运动区域的接触确定在运动区域内的最终运动时间和最终位置，实现自动计时，确保计时的有效性和公平性
。
附图说明
[0039]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一些实施例，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，还可以根据这些附图获得其他的附图
。
[0040]其中：
[0041]图1是本专利技术提供的基于深度学习的运动计时方法一实施例的流程示意图；
[0042]图2是本专利技术提供的运动区域图像一实施例的结构示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的运动计时方法，其特征在于，所述方法包括：获取运动区域图像并标记运动区域；根据所述运动区域图像确定最优人体骨骼坐标点，所述最优人体骨骼坐标点包括小腿骨骼坐标点；根据所述小腿骨骼坐标点确定在所述运动区域内是否存在抢先运动；确定不存在抢先运动，则根据所述小腿骨骼坐标点确定在所述运动区域内的最终运动时间和最终位置
。2.
根据权利要求1所述的基于深度学习的运动计时方法，其特征在于，所述根据所述运动区域图像确定最优人体骨骼坐标点，所述最优人体骨骼坐标点包括小腿骨骼坐标点，具体包括：通过目标检测算法将所述运动区域图像划分为若干个网格单元；每个所述网格单元输出
a+b+3c
个数值，其中，
a
为人体运动区域坐标点，
b
为网格置信度，
3c
为人体骨骼坐标点；遍历若干个所述网格单元对应的所述网格置信度，确定所述网格置信度大于阈值时的最优网格置信度；获取所述最优网格置信度对应的最优人体骨骼坐标点
。3.
根据权利要求2所述的基于深度学习的运动计时方法，其特征在于，所述根据所述小腿骨骼坐标点和所述矩形区域框坐标点确定在所述运动区域内是否存在抢先运动，具体包括：根据所述小腿骨骼坐标点和所述运动区域内的起始基准线的接触情况，确定抢先运动时间；确定所述抢先运动时间与预设运动时间的比较关系；当所述抢先运动时间小于所述预设运动时间时，确定存在抢先运动；当所述抢先运动时间大于所述预设运动时间时，确定不存在抢先运动
。4.
根据权利要求3所述的基于深度学习的运动计时方法，其特征在于，所述当所述抢先运动时间小于所述预设运动时间时，确定存在抢先运动，具体包括：所述小腿骨骼坐标点由膝盖坐标点和脚踝坐标点连接构成；确定存在抢先运动时，根据点多边形测试函数确定所述脚踝坐标点位于所述运动区域内的抢先运动位置并返回所述抢先运动时间和所述抢先运动位置
。5.
根据权利要求4所述的基于深度学习的运动计时方法，其特征在于，所述确定不存在抢先运动，则根据所述最优图像矩形区域框坐标点和小腿骨骼坐标点确定在所述运动区域内的最终运动时间和最终位置，具体包括：确定所述运动...

【专利技术属性】
技术研发人员：曾辉，莫家源，
申请(专利权)人：深圳市菲普莱体育发展有限公司，
类型：发明
国别省市：