[發明專利]基于深度卷積網絡的引體向上計數檢測方法及裝置

在審

• 申請號: 201710249525.2
• 申請日: 2017-04-17
• 公開（公告）號: CN107122798A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 梁佐鑫;林添喜;梁強;趙曉偉;李森
• 申請（專利權）人: 深圳市淘米科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66;G06N3/08
• 代理公司: 深圳市韋恩肯知識產權代理有限公司44375
• 代理人: 李玉平

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種基于深度卷積神經網絡的引體向上運動檢測計數方法及裝置。

背景技術

隨著機器學習的不斷發展，基于深度卷積神經網絡的視頻圖像智能識別技術漸漸成為機器視覺領域的研發熱點之一。所謂“圖像智能識別技術”，就是利用深度學習算法實現從視頻圖像流中抽取的關鍵特征表示信息，并利用這種關鍵特征信息為用戶提供有價值的服務，主要價值體現在替代用人眼分辨事物等業務領域，減少人力投入，提高工作效率。比如，在數字識別的過程中，對于手寫體的識別一直是一個難題，而其又在郵政編碼的識別、銀行業務等方面具有較為廣泛的應用，但是其字體形式變化較大，導致提高對其的識別率成為了一個難題，精準的識別存在著較大的困難。而采用人工智能中的神經網絡技術后，系統可以利用神經網絡的學習及快速并行功能來實現對手寫數字的快速識別，有力的提高相關運用領域的工作效率。

智能化運動檢測系統可以對生物肢體動作進行檢測識別并計數，同時也可做行為識別，對人體肢體行為進行描述，在現實中有著極其重要的意義。在體育類運動中，可以完全替代裁判的角色，減少人為錯誤及誤差。智能化運動檢測可以規范運動標準，在解決一些爭議性問題上，使得運動員的成績更加公平。

實際上，目前大多數體育競技運動評判系統都造價昂貴，常用的引體向上運動檢測計數方法主要是紅外線檢測的方式，采用的解決方法原始，智能性極低。同時設備系統部署困難，安裝、使用過程復雜，設備正常運行對環境要求也較高，如光照、天氣環境。另外當前的設備都存在準確率不太高的問題，如當前基于RFID引體向上檢測計數電子設備判斷的出錯率較高，且不能事后查驗，很難排除一些作弊行為，當有異物遮擋接收端和發射端也會計數，在引體向上運動計數中，很難準確判定下巴過杠，手臂是否彎曲達標等情況。

發明內容

為解決上述問題，本發明公開一種基于深度卷積神經網絡的引體向上計數檢測方法和裝置，通過大量的引體向上運動肢體樣本訓練網絡，得到一個準確率極高的分類器，用于檢測引體向上動作，將最新的深度學習技術應用到引體向上檢測計數問題中，解決了大多傳統設備在使用中準確率低，不能判斷動作規范性的缺陷和不足等問題。

本發明公開一種魯棒性較佳、檢測準確率高的基于深度卷積網神經絡的引體向上運動檢測計數方法及裝置，包括利用卷積神經網絡訓練生成標準動作分類器的步驟和引體向上運動檢測計數步驟；

所述卷積神經網絡訓練并生成標準動作分類器包括以下步驟：

S10、制作訓練圖像樣本：從引體向上視頻圖像中選取多組樣本圖像數據，所述樣本圖像數據包括：

下巴過杠圖像樣本組數據；

頭部過杠但下巴未過杠圖像樣本組數據；

頭部低于單杠并且手臂彎曲狀態圖像樣本組數據；

頭部低于單杠并且手臂伸直狀態圖像樣本組；

每組樣本來源于不同的樣本空間，且樣本做好分類標記；

S11、樣本圖像正則化：將原始樣本圖像進行圖像大小變換操作，將其分辨率壓縮到256*256，并將圖像數據轉化為浮點向量數據；

S12、初始化深度卷積神經網絡：構建一個多層深度卷積神經網絡，通過初始設定權值參數初始化每一層的神經網絡；

S13、訓練網絡:將標記好的一個圖像樣本的浮點向量數據輸入完成初始化的深度卷積神經網絡的輸入層，經過多層卷積神經網絡的計算，得到最后一層的輸出向量；

S14、反向修改各層權值參數：將輸出向量和標記類的理想輸出向量進行比較，得到誤差值，利用誤差值反向自動修正各層神經網絡的權值參數，完成一組訓練；

S15、訓練完成后，生成一個深度卷積神經網絡的分類器。

所述引體向上運動檢測計數包括如下步驟：

S20、獲取視頻流：獲取待檢測計數的視頻圖像流；

S21、檢測識別：從視頻圖像流中按時間順序依次取出每一幀圖像，使用訓練完成的深度卷積神經網絡分類器，對圖像進行目標檢測和分類識別，依次輸出每一幀圖像的識別結果和分類得分值。

S22、計數判斷：將獲取到的分類得分值按照時間順序進行串聯形成動作序列，并與標準引體向上動作序列進行比對，判斷人員的此次引體向上是否標準，若序列匹配，則引體向上計數總和加1。

其中，所述多層深度卷積神經網絡的層數為九層，深度卷積神經網絡包括九個卷積層、六個池化層和一個全連接層，并用初始設定權值參數初始化每一層的神經網絡。