[發明專利]一種基于動作識別的運動姿態矯正方法

在審

• 申請號: 202110007355.3
• 申請日: 2021-01-05
• 公開（公告）號: CN112668531A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 程森林;趙志威;鐘源;王楨楨;堯小華;楊卓銳;楊皓
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N5/04
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

1.一種基于動作識別的運動姿態矯正方法，其特征在于，該方法具體包括以下步驟：

S1：動作識別階段：

通過攝像頭采集用戶運動視頻，基于深度學習算法構建動作識別算法，并利用該算法對鍛煉者視頻中的動作進行類別整理；

S2：骨架提取階段：

首先，從標準健身數據庫中提取對應鍛煉者的標準動作，然后從標準動作視頻同時進行骨架提取；同時，利用采集到的鍛煉者視頻，從中提取鍛煉者運動的骨架模型；

S3：姿態比對階段：

首先將鍛煉者的骨架進行模板標準化；然后，將標準化后鍛煉者的骨架與標準動作視頻進行相似度計算，提取出動作相似度最高的一幀模板動作；最后，鍛煉者所有動作測試完成，選取出相似度低于閾值的幾幀動作，并將模板動作展示出來。

2.根據權利要求1所述的運動姿態矯正方法，其特征在于，步驟S1中，所述動作識別階段中，具體采用C3D網絡進行動作識別。

3.根據權利要求2所述的運動姿態矯正方法，其特征在于，步驟S1中，所述C3D網絡包括：8次卷積操作，5次池化操作，最終經過2次全連接層和softmax輸出得到結果。

4.根據權利要求1所述的運動姿態矯正方法，其特征在于，步驟S2中，所述骨架提取具體包括：首先利用Faster R-CNN網絡和特征金字塔網絡(Feature Pyramid Networks，FPN)進行檢測，根據檢測結果，提取在圖像中占據面積最大的目標，將其默認為鍛煉者；然后利用高分辨率網絡(High resolution network，HRNet)對人體姿勢進行估計。

5.根據權利要求4所述的運動姿態矯正方法，其特征在于，步驟S2中，所述Faster R-CNN網絡(Full convolution depth network)包括：全卷積深度網絡(RegionProposalNetwork,RPN)和Fast R-CNN檢測器；具體算法為：通過卷積神經網絡得到特征映射，將特征映射輸入到RPN網絡中得到候選區域，并將候選區域和特征映射輸入至全卷積層進行卷積分類，最后輸出結果。

6.根據權利要求4所述的運動姿態矯正方法，其特征在于，步驟S2中，所述FPN網絡包括：1)自底向上的網絡前向傳播過程；2)自頂向下的過程是將頂層特征通過上采樣和底層特征做融合，每個層級獨立預測。

7.根據權利要求4所述的運動姿態矯正方法，其特征在于，步驟S2中，Faster R-CNN和FPN的融合，是在RPN部分進行自底向上和自頂向下的融合，得到更加合適的ROI區域。

8.根據權利要求4所述的運動姿態矯正方法，其特征在于，步驟S2中，HR網絡內部結構為：以高分辨率子網開始作為第一階段，逐個添加從高到低分辨率子網以形成更多階段，并且并行連接多分辨率子網；在整個過程中反復交換并行多分辨率子網絡中的信息進行重復的多尺度融合。