【技术实现步骤摘要】
本专利技术属于图像识别，尤其涉及一种运动姿态识别模型与评价方法。
技术介绍
1、当前在体育领域需要进行运动员姿态训练，对这些训练结果的评判均是基于运动姿态识别与评价进行的，当前运动姿态识别与评价多依赖于专家人工识别与评判，耗费人力成本高，且专家进行识别与评判的过程个体差异较大，无法保证过程的公平性。
2、近些年，随着人工智能技术、图像识别技术的快速发展，基于人工智能与图像识别进行运动姿态识别与评价成为一种可能。
3、运动姿态识别与评价方法根据过程可分为运动姿态识别、运动姿态评价两个步骤。专利cn112990137a提供了一种基于模板匹配的教室学生坐姿分析方法，但是其重点在根据模板对学生坐姿进行匹配，并未对姿态进行评价。专利cn113255623a提供了一种智能识别俯卧撑动作姿态完成状况的系统和方法，但是其识别对象仅限于俯卧撑这一运动动作，无法对其他运动动作进行识别与评价。专利cn112464915b提供了一种基于人体骨骼点检测的俯卧撑计数方法，该方法同样仅针对俯卧撑进行识别，其评价仅基于计数，且未对单一动作完成程度进行评价。以上三项专利均仅提供了运动姿态识别与评价的思路，但其中并未对运动姿态识别的方法进行设计，相对的，专利cn117315770a提供了一种基于骨骼点的人体行为识别方法、设备与存储介质，在该方法中基于yolo-pose构建了人体姿态检测与姿态估计网络，但是yolo-pose存在特征缺失，即可能导致细微图像的细节丢失或扭曲图像的固有隐患，进而导致运动姿态识别准确率较低的问题，并且该方法仅涉及对
技术实现思路
1、本专利技术目的在于提供一种运动姿态识别与评价方法，总的来看，首先解决当前领域内缺少一种综合实现运动姿态识别与运动姿态评价方法的问题，并且基于人工智能与图像识别技术能够降低人力成本，避免依赖专家识别与评价带来的公平性问题；此外提供一种用于实现运动姿态提取的神经网络模型，有效解决传统yolo-pose存在的特征缺失问题，有效提升运动姿态识别的准确率；进一步地，提供一种基于关键关节间角度相似度的运动姿态匹配方法与基于关键关节间角度的运动姿态评价方法，基于关键关节间角度进行姿态匹配与姿态评价，可对多种运动姿态进行匹配与评价，并可实现对动作完成程度的公平评价，解决当前领域内缺少动作完成程度公平评价方法的问题。
2、为解决上述技术问题，本专利技术的一种运动姿态估计识别模型和一种运动姿态识别与评价方法的具体技术方案如下：
3、一种运动姿态估计识别模型，包括主干网络、路径聚合特征金字塔网络、检测头、目标框和关键点预测模块，工作流程具体如下：获取公开人体姿态数据集，将图像输入主干网络部分，输出不同尺度的特征图；接着将不同尺度的特征图输入路径聚合特征金字塔网络，将特征图进行多尺度的融合，得到融合特征，最终将融合特征传入检测头，结合目标框和关键点预测实现对图像内人体的检测和姿态的估计，接着基于公开人体姿态数据集对该模型进行训练与测试，获得训练好的运动姿态估计识别模型；所述主干网络包括卷积模块和c3st2模块；输入特征依次经过一次卷积模块、四次串联的卷积模块与c3st2模块后得到主干网络的输出；
4、c3st2模块的具体结构如下：输入特征经过一个卷积模块后，分别经过一个stv2模块与一个卷积模块，然后经过维度拼接模块进行拼接，再经过一个卷积模块得到输出；
5、stv2模块包括注意力模块、归一化层、多层感知机mlp，工作流程如下：首先向量输入注意力模块，在注意力模块后进入归一化层，其输出与向量共同输入构成一个残差连接，再依次应用一个多层感知机mlp、归一化层及残差连接操作得到输出。
6、所述注意力模块的工作流程具体如下：向量传入注意力模块，通过三个不同的全连接层wq、wk、wv，将输入分别转换为查询q、键k、值v，通过下式计算查询q和键k之间的相似度：
7、
8、其中是一个通过学习变化的标量；bij是元素i与元素j之间的相对位置偏差，通过以下方式得到：
9、首先对于每一对元素i和j，首先计算他们在x和y方向上的位置差和，对位置差进行如下对数变换：
10、
11、
12、其中sign()函数用于保留输入值的正负号，和分别为和变换后的位置差；然后经过一个多层感知机mlp得到相对位置偏差；
13、将相似度应用于softmax函数以获得归一化的注意力权重，然后使用归一化的注意力权重对值进行加权求和，得到注意力模块的输出。
14、本专利技术还提供了一种运动姿态识别与评价方法，包括以下步骤：
15、步骤1：录入标准人员的身高，记为；标准人员使用标准姿态进行运动，使用摄像设备拍摄需评价运动的关键动作的图像；
16、步骤2：标准运动姿态数据集构建；
17、将一个完整运动的人体运动姿态构建为由关节点信息组成的矩阵，其中指实数集，n由完整运动中需要评价的关键动作的个数决定，k表示关节点及其关节信息，m表示需要存储的关节点信息，由人工对完整运动的关键动作进行人工标注，包括每个关节点的信息；
18、步骤3：受测人员运动姿态获取；
19、录入受测人员的身高，记为，使用与标准运动姿态获取环节相同的摄像设备对受测人员运动进行同角度拍摄；
20、步骤4：受测人员运动姿态识别；
21、将受测人员的图像输入训练好的运动姿态估计识别模型进行运动姿态提取，输出标注了照片中人物关节点的照片及坐标信息特征矩阵；
22、步骤5：运动姿态匹配；
23、基于关键关节间角度相似度进行运动姿态匹配，具体实现如下：
24、首先对完整运动的人体运动姿态特征矩阵中每一关键动作姿态的关键关节间的角度基于下式进行计算：
25、
26、其中、分别表示两个关键关节坐标信息构成的向量，关键关节坐标信息存储与特征矩阵g中；表示向量的欧几里得范数，表示进行身高归一化操作后的向量欧几里得范数，由下式计算：
27、
28、其中是标准人员的身高；是受测人员的身高；和表示两个关键关节横坐标、纵坐标的差值，存储于特征矩阵g中；
29、根据前述得到的每一关键动作姿态的关键关节间的角度以及完整运动中需要评价的关键动作的个数，构建特征矩阵，其中t对应前述关键关节间的角度的个数；
30、同样的，对受测人员关节点的坐标信息特征矩阵进行转换，得到特征向量，与特征矩阵a的构建方式相类似，表示第t个关键关节间的角度，其中<mi>t∈[0,t]</mi>；
31、特征矩阵a写为，表示标准人员所做第n个关键动作姿态关键关节间的角度的特征向量，其中<mi>n∈[0,n]</mi>；
32、然后通过下式进行运动姿态匹配：
33、
34、pose即本文档来自技高网...
【技术保护点】
1.一种运动姿态识别模型，包括主干网络、路径聚合特征金字塔网络、检测头、目标框和关键点预测模块，工作流程具体如下：获取公开人体姿态数据集，将图像输入主干网络部分，输出不同尺度的特征图；接着将不同尺度的特征图输入路径聚合特征金字塔网络，将特征图进行多尺度的融合，得到融合特征，最终将融合特征传入检测头，结合目标框和关键点预测实现对图像内人体的检测和姿态的估计，接着基于公开人体姿态数据集对该模型进行训练与测试，获得训练好的运动姿态估计识别模型；其特征在于，所述主干网络包括卷积模块和C3ST2模块；输入特征依次经过卷积模块、卷积模块、C3ST2模块、卷积模块、C3ST2模块、卷积模块、C3ST2模块、卷积模块、C3ST2模块后得到主干网络的输出；
2.根据权利要求1所述的一种运动姿态识别模型，其特征在于，所述注意力模块的工作流程具体如下：向量传入注意力模块，通过三个不同的全连接层WQ、WK、WV，将输入分别转换为查询q、键k、值v，通过下式计算查询q和键k之间的相似度：
3.一种运动姿态识别评价方法，其特征在于，包括以下步骤：
4.根据权利要求3所述的
5.根据权利要求3所述的一种运动姿态识别评价方法，其特征在于，所述关键关节间的角度有8个，包括右肩和右手肘和右手腕、左肩和右肩和右手肘、左肩和右肩和左手肘、左肩和左手肘和左手腕、右肩和右臀部和右膝盖、左肩和左臀部和左膝盖、右臀部和右膝盖和右脚踝、左臀部和左膝盖和左脚踝。
...【技术特征摘要】
1.一种运动姿态识别模型，包括主干网络、路径聚合特征金字塔网络、检测头、目标框和关键点预测模块，工作流程具体如下：获取公开人体姿态数据集，将图像输入主干网络部分，输出不同尺度的特征图；接着将不同尺度的特征图输入路径聚合特征金字塔网络，将特征图进行多尺度的融合，得到融合特征，最终将融合特征传入检测头，结合目标框和关键点预测实现对图像内人体的检测和姿态的估计，接着基于公开人体姿态数据集对该模型进行训练与测试，获得训练好的运动姿态估计识别模型；其特征在于，所述主干网络包括卷积模块和c3st2模块；输入特征依次经过卷积模块、卷积模块、c3st2模块、卷积模块、c3st2模块、卷积模块、c3st2模块、卷积模块、c3st2模块后得到主干网络的输出；
2.根据权利要求1所述的一种运动姿态识别模型，其特征在于，所述注意力模块的工作流程具体如下：向量...
【专利技术属性】
技术研发人员：崔建海，刘贵松，殷光强，周楠，周毅昕，候少麒，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。