一种人体关键点信息和篮球定位的动作相似度计算方法技术

本发明专利技术公开了一种人体关键点信息和篮球定位的动作相似度计算方法，涉及篮球训练技术领域，包括以下步骤，步骤一，图像信息采集，步骤二，数据处理，步骤三，动作切分，步骤四，人体姿态信息截取，步骤五，信息上传，步骤六，评估反馈，步骤七，循环评估

【技术实现步骤摘要】
DK
，
sdk
版本为
v1.4.1
，配备高级像素技术的1兆像素
ToF
成像芯片和两个
NIR
激光二极管
。
[0009]本专利技术技术方案的进一步改进在于：所述步骤二中通过后台数据处理，对视频中的每一个人检测
32
个关键点，得到篮球检测结果和人体关键点信息，关键点列表如图2所示
。
[0010]本专利技术技术方案的进一步改进在于：所述步骤三中通过篮球与人体关键点的位置关系，确定每一轮动作的开始时间与结束时间
。
[0011]本专利技术技术方案的进一步改进在于：所述步骤四中截取从动作开始到动作结束这段时间的人体姿态信息
。
[0012]本专利技术技术方案的进一步改进在于：所述步骤五中将截取到的人体姿态信息与提前准备好的教练标准动作的人体姿态信息一起传入相似度计算算法中，所述相似度计算分为两部分，单个关节相似度和总体相似度
。
相似度比较算法根据检测到的人体关键点，提取索引值为
7(WRIST_LEFT),6(ELBOW_LEFT),5(SHOULDER_LEFT),18(HIP_LEFT),19(KNEE_LEFT),20(ANKLE_LEFT),14(WRIST_RIGHT),13(ELBOW_RIGHT),12(SHOULDER_RIGHT),22(HIP_RIGHT),23(KNEE_RIGHT),24(ANKLE_RIGHT),27(NOSE)
的三维坐标点，根据以上的坐标点位信息，可以计算出左右两侧的肘关节
、
肩关节
、
髋关节
、
膝关节共八个关节的角度，将一段视频中检测到的关键点位集合进行以上的处理即可得到八个关节角度的变化情况，再对比两个不同的人的同一动作，即可输出八个关节的相似度；将八个角度同时放入
fastdtw
算法中，可得到总体相似度
。
[0013]本专利技术技术方案的进一步改进在于：所述步骤六中相似度计算算法将每一时刻的人体关键点信息转换成各个关节角度信息，再经过计算输出学员动作与教练动作的相似度
。
[0014]本专利技术技术方案的进一步改进在于：所述步骤七中回到步骤三进行下一轮动作的评估，直到训练结束
。
[0015]由于采用了上述技术方案，本专利技术相对现有技术来说，取得的技术进步是：
[0016]1、
本专利技术提供一种人体关键点信息和篮球定位的动作相似度计算方法，通过采用
Kinect
深度相机捕捉学员训练信息，能够实现更高的调制频率和深度精度，捕获清晰的近距和远距对象，获取更加准确和稳定的深度信息，提高人体姿态评估的精度，特别是在三维人体姿态评估上，结合了深度信息会使得
3D
评估更加可靠，鲁棒性更好，准确度更高
。
[0017]2、
本专利技术提供一种人体关键点信息和篮球定位的动作相似度计算方法，通过采用体感人机交互方式，学员可以摆脱传统的鼠标和键盘等交互设备对身体位置的限制，无需佩戴复杂的动作捕捉设备，直接以人体训练动作与训练模块交互，交互方式更加便捷
、
自然，同时，训练动作还可以根据实际情况自定义，极大地提高了该专利技术的自由度
。
[0018]3、
本专利技术提供一种人体关键点信息和篮球定位的动作相似度计算方法，基于
Pytorch
框架进行开发的
YOLOv5
深度学习算法，利用
DTW
算法计算学员动作与标准动作之间的相似度，代码实现上采用了优化版的
DTW
算法
‑‑
fastdtw
，篮球定位算法为基于
Pytorch
框架进行开发的
YOLOv5
深度学习算法，利用
DTW
算法计算学员动作与标准动作之间的相似度，代码实现上采用了优化版的
DTW
算法
‑‑
fastdtw
，这个算法比标准
DTW
算法更加高效，可以更快地计算出两个时间序列的距离
。
[0032]如图1‑5所示，在实施例1的基础上，本专利技术提供一种技术方案：优选的，步骤五中将截取到的人体姿态信息与提前准备好的教练标准动作的人体姿态信息一起传入相似度计算算法中，相似度计算分为两部分，单个关节相似度和总体相似度
。
相似度比较算法根据检测到的人体关键点，提取索引值为
7(WRIST_LEFT),6(ELBOW_LEFT),5(SHOULDER_LEFT),18(HIP_LEFT),19(KNEE_LEFT),20(ANKLE_LEFT),14(WRIST_RIGHT),13(ELBOW_RIGHT),12(SHOULDER_RIGHT),22(HIP_RIGHT),23(KNEE_RIGHT),24(ANKLE_RIGHT),27(NOSE)
的三维坐标点，根据以上的坐标点位信息，可以计算出左右两侧的肘关节
、
肩关节
、
髋关节
、
膝关节共八个关节的角度，将一段视频中检测到的关键点位集合进行以上的处理即可得到八个关节角度的变化情况，再对比两个不同的人的同一动作，即可输出八个关节的相似度；将八个角度同时放入
fastdtw
算法中，可得到总体相似度
。
[0033]在本实施例中，篮球定位算法为基于
Pytorch
框架进行开发的
YOLOv5
深度学习算法，利用
DTW
算法计算学员动作与标准动作之间的相似度，代码实现上采用了优化版的
DTW
算法
‑‑
fastdtw
，篮球定位算法为基于
Pytorch
框架进行开发的
YOLOv5
深度学习算法，利用
DTW
算法计算学员动作与标准动作之间的相似度，代码实现上采用了优化版的
DTW
算法
‑‑
fastdtw
，这个算法比标准
DTW
算法更加高效，可以更快地计算出两个时间序列的距离
。
[0034]下面具体说一下该人体关键点信息和篮球定位的动作相似度计算方法的工作原理
。
[0035]如图1‑5所示，本专利技术采用
Kinect
深度相机捕捉学员训练信息，
Kinect
深度相机的高级像素技术的1兆像素
ToF
成像芯片能够实现更高的调制频率和深度精度，两个
NIR
激光二极管能够实现近距和宽视场
(FoV)
深度模式，捕获清晰的近距和远距对象，深度相机可以获取更加准确和稳定的深度信息，提高人体姿态评估的精度，特别是在三维人体姿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于，包括以下步骤：步骤一，图像信息采集；步骤二，数据处理；步骤三，动作切分；步骤四，人体姿态信息截取；步骤五，信息上传；步骤六，评估反馈；步骤七，循环评估
。2.
根据权利要求1所述的一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于：所述步骤一中利用
Kinect
深度相机实时采集学员训练时的图像信息
。3.
根据权利要求2所述的一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于：所述
Kinect
深度相机为微软的
Azure Kinect DK
，
sdk
版本为
v1.4.1
，配备高级像素技术的1兆像素
ToF
成像芯片和两个
NIR
激光二极管
。4.
根据权利要求1所述的一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于：所述步骤二中通过后台数据处理，对视频中的每一个人检测
32
个关键点，得到篮球检测结果和人体关键点信息，关键点列表如图2所示
。5.
根据权利要求1所述的一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于：所述步骤三中通过篮球与人体关键点的位置关系，确定每一轮动作的开始时间与结束时间
。6.
根据权利要求5所述的一种人体关键点信息和篮球定位的动作相似度计算方法，其特征在于：所述步骤四中截取从动作开始到动作结束这段时间的人体姿态信息
。7.
根据权利要求...

【专利技术属性】
技术研发人员：张永恒，杨铠康，钟映春，黄星壹，刘嘉杰，
申请(专利权)人：深圳市云动家科技有限公司，
类型：发明
国别省市：