基于多元回归的深蹲姿态分析方法技术

一种基于多元回归的深蹲动作标准化评估方法及装置，包括以下步骤：对被测试人员的深蹲动作数据匹配的关节点进行标记并建立标准化关节点的坐标；设定动作评估参数阈值并基于空间坐标对深蹲动作数据中的单次深蹲动作进行评估，生成单次深蹲动作的包括多个判定参数的判定参数向量；对判定参数向量进行判定，以判定对应的深蹲动作是否符合标准

【技术实现步骤摘要】
基于多元回归的深蹲姿态分析方法


[0001]本专利技术属于图像处理
，更进一步涉及计算机视觉
中的一种基于多元回归的深蹲姿态分析人体姿态识别方法
。
本专利技术可用于分析待测试者深蹲姿态的标准程度并进行标准计数
。

技术介绍

[0002]在现有的技术中，评判深蹲姿态是否标准的方法有如下三种：人工根据标准化理论直接判断，利用传感器进行判断和基于计算机视觉的方法
。
人工根据标准化理论直接判断往往需要判断者自行对标准化理论进行学习，然后通过肉眼观察和自身经验进行标准化评估；利用传感器进行判断的方法一般基于红外线传感器和压力传感器，红外传感器用来判断锻炼者的身体部位是否到达规定位置，压力传感器用来判断身体的重心是否分布均匀
。
随着现代科学的不断发展进步，基于计算机视觉的判断方法进入人们的视线
。
该方法首先利用摄像机和电脑对深蹲过程中的视频
、
图像信息进行数据采集，然后设计算法对采集到的影像信息进行简化分析，并与标准的深蹲动作图像进行对比，从而实现标准化的评估
。
[0003]湖南工商大学在其申请的专利文献“基于人体姿态估计的健身动作识别方法
、
装置及相关设备”(
申请号：
202211531164.8
，申请公布号：
CN 115880774A)
中公开了一种基于人体姿态估计的健身动作识别方法
。
该方法的具体步骤如下，
1)
通过获取视频流，并基于视频流提取人体关键点数据；
2)
将人体关键点数据输入到训练好的健身动作分类网络中进行动作识别，得到动作分类结果，其中，训练好的健身动作分类网络为多层神经网络
MLP
与长短时记忆神经网络
LSTM
的叠加神经网络；
3)
获取预设的标准健身动作字典，并针对每个识别动作数据，将识别动作数据与标准健身动作字典中对应类别的标准动作数据进行相似度计算，得到相似度值；
4)
基于每组识别动作数据对应的相似度值，进行健身动作质量评估，得到质量评估结果
。
该方法存在的不足之处是：由于进行评估时标准健身动作字典由设定的示范者产生，而采集到的影响数据来自健身者本人，人与人之间的身材比例各异，这将对健身动作质量评估结果的准确性与合理性产生一定的限制
。
[0004]天津大学在其申请的专利文献“一种基于周期长度分段分析的姿态分析和评估方法”(
申请号：
202310486404.5
，申请公布号：
CN 116543458 A)
中公开了一种基于周期长度分段分析的姿态分析方法
。
该方法的具体步骤如下，
1)
获取运动视频内重点关节的标准时序图
、
角度时序图；
2)
获取教学视频内重点关节的教学关节时序图
、
教学角度时序图；使用
DTW
算法分段对齐标准时序图与教学关节时序图
、
角度时序图与教学角度时序图；
3)
以分别计算出每个姿态重点关节的关节坐标偏移值
、
关节角度偏移值，依据关节角度偏移值和关节坐标偏移值确定异常姿态数量；
4)
获取所有姿态的关节角度偏移值
、
关节坐标偏移值
、
姿态异常帧，以计算动作整体准确性
、
动作坐标准确性和动作角度准确性
。
该方法存在的不足之处是：由于进行评估时采用了预设的教学视频作为比对，该教学视频有着预设的稳定图像拍摄角度，而采集到的运动视频来自待分析者本人，可能存在拍摄设备位置轻微抖动或角度变化，造成图像轻微抖动或角度变化，此时将运动视频与教学视频比对，将对待分析者
动作质量评估结果产生一定的误差
。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术的不足，提出一种基于多元回归的深蹲姿态分析方法，以解决现有技术中存在的通过计算机视觉评估深蹲姿态方法中图像存在抖动，使得采集到的骨骼坐标节点存在误差，导致评估结果的准确性降低的问题；以及采集到的数据仅来自于待分析者本人，而进行评估时标准动作的主体却是已经由算法设定的示范者，人与人之间的身材比例各异，导致对评估结果的准确性与合理性产生一定的限制的问题
。
[0006]为实现上述目的，本专利技术的技术思路是：对待分析者人体的每个骨骼节点坐标进行多重共线性检验，通过计算方差膨胀因子值
VIF(Variance Inflation Factor)
，检验在深蹲姿态时每个骨骼节点坐标与其他骨骼节点坐标的相关性，剔除
VIF>10
而导致多重共线性的骨骼节点坐标
。
在此过程中，通过逐步舍弃无关骨骼节点坐标，最后保留下来关键骨骼节点坐标
。
剔除深蹲姿态标准度评判中无用关节点信息后，复测定系数
R2显著不为0，以此解决了现有技术中存在的通过计算机视觉评估深蹲姿态方法中，图像存在抖动，使得采集到的骨骼坐标节点存在误差，导致评估结果的准确性降低的问题
。
本专利技术对保留下的骨骼节点坐标进行向后逐步回归分析，得到关于每个分析者关键骨骼节点坐标的多元线性回归模型，利用最小二乘回归算法
LS(Least Square)
，计算多元线性回归模型的系数
。
在多元线性回归模型的基础上，寻找动作标准程度
L
的变化阈值，用以对当前测试者深蹲姿态进行评价
。
当更换测试者时，该多元线性回归模型可自适应调节系数，解决了现有技术存在的人与人之间的身材比例各异，导致对评估结果的准确性与合理性产生一定的限制的问题
。
[0007]本专利技术实现的步骤包括如下：
[0008]步骤1，获取待分析者的运动视频，通过
Mediapipe
算法识别运动视频中每一帧内待分析者的人体姿态，生成人体骨骼关节坐标，对人体骨骼关节坐标中的横纵坐标数据分别进行归一化处理；
[0009]步骤2，对归一化处理后的每个骨骼关节坐标进行多重共线性检验，通过计算方差膨胀因子值
VIF
，检验在深蹲姿态时每个骨骼关节坐标与其他骨骼关节坐标的相关性，剔除
VIF
大于
10
的骨骼关节坐标；
[0010]步骤3，对剔除后的骨骼关节坐标进行向后逐步回归分析，得到测试者的姿态标准程度
L
关于每个关键骨骼关节坐标的多元线性回归模型，利用最小二乘回归算法
LS
，计算最终回归方程系数；通过自适应阈值算法确定姿态标准程度
L
的变化范围；
[0011]步骤4，将处于预设范围的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多元回归的深蹲姿态分析方法，其特征在于，对清洗后的每个骨骼关节坐标进行多重共线性检验与筛选，对剔除后的骨骼关节坐标进行向后逐步回归分析；所述分析方法包括如下步骤：步骤1，获取待分析者的运动视频，通过
Mediapipe
算法识别运动视频中每一帧内待分析者的人体姿态，生成人体骨骼关节坐标，对人体骨骼关节坐标中的横纵坐标数据分别进行归一化处理；步骤2，对归一化处理后的每个骨骼关节坐标进行多重共线性检验，通过计算方差膨胀因子值
VIF
，检验在深蹲姿态时每个骨骼关节坐标与其他骨骼关节坐标的相关性，剔除
VIF
大于
10
的骨骼关节坐标；步骤3，对剔除后的骨骼关节坐标进行向后逐步回归分析，得到测试者的姿态标准程度
L
关于每个关键骨骼关节坐标的多元线性回归模型，利用最小二乘回归算法
LS
，计算最终回归方程系数；通过自适应阈值算法确定姿态标准程度
L
的变化范围；步骤4，将处于预设范围的待分析者的运动视频中每一帧姿态标准程度
L
判定为正常，其余的判定为异常
。2.
根据权利要求1所述的基于多元回归的深蹲姿态分析方法，其特征在于，步骤1中所述的待分析者的运动视频是指，在室内或室外对待分析者的侧面视角拍摄深蹲姿态的每一个动作阶段的姿态和骨骼节点的移动路径得到的运动视频
。3.
根据权利要求1所述的基于多元回归的深蹲姿态分析方法，其特征在于，步骤1中所述的
Mediapipe
算法步骤如下：第一步，分析运动视频中的每一帧中待分析者的各个关节的位置，以视频图像左下角为坐标原点
(0,0)
，生成一个平面坐标系，获得待分析者人体的
33
个骨骼关节坐标
(x,y)
，其中
x
和
y
分别表示骨骼关节坐标到视频图像左下角的水平像素距离和垂直像素距离；第二步，在每一帧视频图像中标记待分析者的
33
个骨骼关节坐标位置
。4.
根据权利要求1所述的基于多元回归的深蹲姿态分析方法，其特征在于，步骤1中所述的对人体骨骼关节坐标进行归一化处理的步骤如下：第一步，求取运动视频的所有帧中每个骨骼关节坐标横
、
纵坐标值的最大值
x
max
、y
max
和最小值
x
min
、y
min
；第二步，按照公式和将每个骨骼关节坐标的横
、
纵坐标值归一化到
[
‑
1,1]
区间内，其中，表示第
j
个骨骼关节坐标归一化后的坐标值
。5.
根据权利要求1所述的基于多元回归的深蹲姿态分析方法，其特征在于，步骤2中所述多重共线性检验的步骤如下：第一步，按照公...

【专利技术属性】
技术研发人员：刘曦远，梁城斌，石佳楠，刘星雨，卢继上，彭心澈，濮嘉杰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：