申请/专利权人：深圳奥比中光科技有限公司

申请日：2017-05-26

公开（公告）日：2020-09-18

公开（公告）号：CN107341179B

主分类号：G06F16/58(20190101)

分类号：G06F16/58(20190101);G06T7/194(20170101);G06T7/13(20170101);G06T7/50(20170101)

优先权：

专利状态码：有效-授权

法律状态：2020.09.18#授权;2017.12.05#实质审查的生效;2017.11.10#公开

摘要：本发明提供了一种标准运动数据库的生成方法、装置及存储装置。该方法包括获取包含人体标准运动动作的深度图像序列；根据深度图像序列对人体的身体各部位进行标记；根据深度图像序列记录标准运动中身体各部位的标准轨迹信息；保存标准轨迹信息以形成标准运动数据库。该装置包括深度相机、处理器和存储器。该存储装置存储有程序数据，该程序数据能够被执行以实现上述方法。本发明能够获取标准运动过程中人体的全面的信息，并且能准确分辨人体躯干和肢体等的遮挡关系等，因而能获取更加全面、准确的数据以形成标准运动数据库，进而能使后期的人体运动的评估和分析也更加准确。

主权项：1.一种标准运动数据库的生成方法，其特征在于，包括以下步骤：获取包含人体标准运动动作的深度图像序列；根据所述深度图像序列对所述人体的身体各部位进行标记；根据所述深度图像序列记录标准运动中所述身体各部位的标准轨迹信息；保存所述标准轨迹信息以形成标准运动数据库，其中，所述根据所述深度图像序列记录标准运动中所述身体各部位的轨迹信息的步骤还包括：记录标准运动中重复动作开始或结束时所述人体的标准姿态信息；所述保存所述标准轨迹信息以形成标准运动数据库的步骤还包括：保存所述标准姿态信息，其中，所述记录标准运动中重复动作开始或结束时所述人体的标准姿态信息的步骤包括：根据所述深度图像序列识别所述人体的身体各部位并确定该人体的人体参考点；获取所述身体各部位与所述人体参考点的标准相对位置关系；所述保存所述标准姿态信息的步骤包括：保存所述标准相对位置关系，其中，所述标准相对位置关系为标准姿态的人体的身体各部位的质心到与该人体的所述人体参考点的相对位置关系；所述获取所述身体各部位与所述人体参考点的标准相对位置关系的步骤包括：获取标准姿态的人体中心的第一坐标值；获取所述身体各部位的质心及身体各部位的质心的第二坐标值；根据所述第一坐标值和所述第二坐标值计算所述标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离，以形成该标准身体姿态的标准向量。

全文数据：标准运动数据库的生成方法、装置及存储装置技术领域[0001]本发明涉及图像处理技术领域，特别是涉及一种标准运动数据库的生成方法、装置及存储装置。背景技术[0002]深度相机捕获场景的深度图像中每一像素具有的深度信息为场景表面到深度相机的距离，从而根据深度图像可以获取场景目标的位置信息。[0003]在球类运动、田径运动等运动的训练中，捕捉整体人体姿态、动作以及身体各部位的运动轨迹形成电子数据，对这些数据的分析，对提高运动训练效果具有重要意义。现有技术通过佩戴可追踪运动轨迹的电子设备来获得数据，或者采用2D图像序列对运动轨迹及人体姿态进行分析评估。对现有技术的研究和实践过程中，本发明的发明人发现采用可追踪运动轨迹的可穿戴电子设备采集数据并不全面，仅限于佩戴该电子设备的区域的运动数据，而当身体各部位均佩戴上该电子设备，则必然会影响运动的动作，而2D图像序列中对于具有例如肢体在躯干前方等的遮挡关系的姿态的识别并不能准确分辨，均会导致分析结果不准确，难以提高运动训练效果。发明内容[0004]本发明提供一种标准运动数据库的生成方法、装置及存储装置，能够解决现有技术存在分析结果不准确的问题。[0005]为解决上述技术问题，本发明采用的一个技术方案是：提供一种标准运动数据库的生成方法，该方法包括以下步骤:获取包含人体标准运动动作的深度图像序列;根据所述深度图像序列对所述人体的身体各部位进行标记;根据所述深度图像序列记录标准运动中所述身体各部位的标准轨迹信息;保存所述标准轨迹信息以形成标准运动数据库。[0006]为解决上述技术问题，本发明采用的另一个技术方案是:提供一种生成准运动数据库的装置，该装置包括深度相机、处理器和存储器，所述深度相机和所述存储器均与所述处理器连接;其中，所述深度相机用于获取包含人体标准运动动作的深度图像序列;所述处理器用于根据所述深度图像序列对所述人体的身体各部位进行标记;根据所述深度图像序列记录标准运动中所述身体各部位的标准轨迹信息;所述存储器用于保存所述标准轨迹信息以形成标准运动数据库。[0007]为解决上述技术问题，本发明采用的又一个技术方案是:提供一种存储装置，该存储装置存储有程序数据，所述程序数据能够被执行以实现上述方法。[0008]本发明的有益效果是：区别于现有技术的情况，本发明通过深度图像序列进行处理，跟踪人体标准运动动作时的身体各部位的运动轨迹以获取标准轨迹信息，并将该标准轨迹信息保存以形成标准运动数据库，以作为后期待评估的人体的运动动作的参考标准。本发明能够获取标准运动过程中人体的全面的信息，并且能准确分辨人体躯干和肢体等的遮挡关系等，因而能获取更加全面、准确的数据以形成标准运动数据库，进而能使后期的人体运动的评估和分析也更加准确。附图说明[0009]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0010]图1是本发明提供的一种标准运动数据库的生成方法实施例的流程示意图；[0011]图2是本发明提供的一种标准运动数据库的生成方法另一实施例的流程示意图；[0012]图3是图2中步骤S22的流程示意图；[0013]图4是图2中步骤S23中记录标准姿态信息的流程示意图；[00M]图5是本发明提供的一种标准运动数据库的生成方法另一实施例膝关节的质心与人体中心的空间位置关系的示意图；[0015]图6是本发明一种生成标准运动数据库的装置实施例的结构示意图。具体实施方式[0016]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。[0017]请参阅图1，图1是本发明提供的一种标准运动数据库的生成方法实施例的流程示意图。图1所示的标准运动数据库的生成方法包括步骤：[0018]S11、获取包含人体标准运动动作的深度图像序列。[0019]其中，人体标准运动动作可以是由专业运动员、教练员等所完成的动作。其中，标准运动动作可以是深蹲运动的动作、俯卧撑的动作、仰卧起坐的动作等等。深度图像不仅包括空间物体的像素信息，还包括每一像素信息的深度信息，即空间内物体到深度相机之间的距离信息。深度图像序列可以通过深度相机来获取，深度图像序列则是指在一个时间段内的连续的深度图像，即采用深度相机追踪拍摄该人体进行整个动作的过程。[0020]S12、根据深度图像序列对人体的身体各部位进行标记。[0021]具体地，人体的身体各部位可以是头部、肩颈、躯干、四肢、手部、足部等部位，以及膝、肘、腕、踝、髋关节等关节。通过对深度图像序列的分析，在深度图像序列中识别出人体的身体各部位，并对该身体各部位进行标记。[0022]S13、根据深度图像序列记录标准运动中身体各部位的标准轨迹信息。[0023]步骤S13中，在深度图像序列中跟踪标记好的身体各部位，从而获取该身体各部位的标准轨迹信息，并记录该标准轨迹信息。[0024]S14、保存标准轨迹信息以形成标准运动数据库。[0025]步骤S14中，将人体标准运动时人体各部位的标准轨迹信息进行保存以形成数据库，以使得后期进行人体运动的评估时，其运动数据可以与标准运动数据库里的标准运动数据进行比较，从而分析该待评估人体所做的运动是否符合标准运动动作的要求。例如，将待评估人体的身体各部位的轨迹信息与该标准运动数据库里的标准轨迹信息比较之后，可以得出该待评估人体的动作是否达到标准运动动作的要求，并且，还可以进一步提出调整建议，包括调整的部位和调整方向，例如，左手需要再向下移动，双足部间距调小，双膝位置不超过足尖等等，在另一些实施例中，还可以进一步明确提出移动的距尚，例如，左手向下移动5cm等等。[0026]区别于现有技术，本发明通过深度图像序列进行处理，跟踪人体标准运动动作时的身体各部位的运动轨迹以获取标准轨迹信息，并将该标准轨迹信息保存以形成标准运动数据库，以作为后期待评估的人体的运动动作的参考标准。本发明能够获取标准运动过程中人体的全面的信息，并且能准确分辨人体躯干和肢体等的遮挡关系等，因而能获取更加全面、准确的数据以形成标准运动数据库，进而能使后期的人体运动的评估和分析也更加准确。[0027]请参阅图2,图2是本发明提供的一种标准运动数据库的生成方法另一实施例的流程不意图。[0028]S21、获取包含人体标准运动动作的深度图像序列。[0029]S22、根据深度图像序列对人体的身体各部位进行标记。[0030]具体地，如图3所示，图3是图2中步骤S22的流程示意图。步骤S22包括：[0031]S221、去除深度图像系列中的背景。[0032]例如，可以在深度图中初步确定一个斑块blob，即，具有相似值的像素的连接组）作为对象的身体，然后从该斑块中去除具有明显不同深度值的其它斑块。以这种方式初步确定的斑块通常必须具有某个最小尺寸。然而，为此，斑块边缘处的像素坐标之间的简单的欧几里德距离不给出该尺寸的准确测量。该不准确的原因是，与具有给定实际尺寸的物体相对应的斑块的尺寸（以像素为单位随着该物体与设备的距离的变化而增加或减小。[0033]因此，为了确定物体的实际尺寸，首先使用下面的公式将物体的（x，y，深度坐标变换为“现实世界”坐标xr，yr，深度）：[0036]这里，fovx和fovy为X和y方向上的深度图的视野（以像素为单位）。像素尺寸为，在离绘图设备给定距离参考深度处像素所对着的长度。然后，斑块的尺寸可以通过求该斑块边缘的现实世界坐标之间的欧几里德距离来实际确定。[0037]因此，可以通过识别具有所要求的最小尺寸的斑块来除去深度图像中的背景，其中，该斑块在场景中的各斑块中间具有最小平均深度值。可以假设，距离深度相机最近的斑块为人体，深度比该平均深度值大了至少某个阈值的所有像素都被假定属于背景物体，并将这些像素的深度值设置为零值。其中，上述阈值可以根据实际需要来确定。此外，在一些实施例中，还可以将具有明显小于斑块的平均深度值的深度值的各像素置零。另外，还可以预先设定一个最大深度，从而忽略超过该最大深度的物体。[0038]在一些实施例中，还可以动态地确定深度值，超过该深度值的话，物体就从深度图中去除。为此，假设场景中的物体正在移动。因此，在某最小数目个帧中深度没有变化的任何像素都被假设是背景物体。深度值大于该静态深度值的像素被认为是属于背景物体的，因此都被置零。开始，场景中的所有像素可以都被定义为静态，或者场景中的所有像素可以都被定义为非静态的。在这两种情形中，一旦对象开始运动，就可以动态生成实际的深度过滤器。[0039]当然，还可以通过现有技术中已知的其它方法来除去深度图像中的背景。[0040]S222、获取深度图像序列中的人体的轮廓。[0041]在除去背景之后，可以通过边缘检测方法在深度图中找出身体的外部轮廓。本实施例中，采用两步阈值化机制来找出人体的轮廓：[0042]首先，遍历深度图像中与人形相对应的斑块中的所有像素，并且，如果任何给定像素具有有效深度值，并且如果该像素与其四个相连的邻近像素右、左、上和下）中的至少一个像素之间的深度值之差大于第一阈值，则将其标记为轮廓位置。（其中，有效深度值和零值之间的差被认为是无穷大）。[0043]然后，在完成了上一步骤之后，再次遍历该斑块，并且如果在任何像素（该像素还没有被标记为轮廓位置的八个相连的邻近像素之中有轮廓像素，并且如果当前像素和剩下的相连邻近位置中的至少一个像素之间的深度值之差大于第二阈值低于第一阈值），则将其标记为轮廓位置。[0044]S223、根据轮廓识别人体的躯干。[0045]在找出人体的外轮廓之后，再识别身体的各个部位，例如，头部、躯干和四肢。[0046]先旋转深度图像，使得身体轮廓处于竖直位置。该转动的目的是为了通过将身体的纵轴与Y坐标垂直轴对齐来简化下述步骤中的计算。可选择地，下述计算可以相对于身体的纵轴来执行，而不需要进行该转动，如本领域技术人员所了解的。[0047]在识别身体的各个部位之前，可以先找出身体的3D轴。具体地，找出身体的3D轴可以采用以下方法：[0048]将原始深度图像下采样down-sample为节点栅格，其中，在X方向和Y方向上隔η个像素取一个节点。基于以节点为中心的ηXη方块中的深度值来计算每个节点的深度值。如果方块中多于半数像素具有零值，则将相应节点设置为零值。否则，将该节点设置为ηXη方块中的有效深度值的平均值。[0049]然后，可以基于邻近节点的值来进一步“清理”该下采样的深度图像:如果给定节点的大部分相邻节点具有零值，则将该节点也设置为零值（即使在前述步骤之后它具有有效的深度值）。[0050]在上述步骤完成时，找出下采样的图中所剩节点的纵轴。为此，可以进行线性最小二乘拟合来找出最拟合各节点的线。可选择地，可以拟合围绕各节点的一个椭圆并找出其主轴。[0051]在找出身体的3D轴之后，通过在平行和垂直于纵轴的方向上测量身体轮廓的厚度来识别身体的躯干。为此，可以在身体轮廓的周围限定约束框，然后可以对该框中的像素值进行二值化:将具有零深度值的像素设为〇，而将具有非零深度值的像素设为1。[0052]然后，通过沿着相应的垂直线对二进制像素值进行相加，对框内的每个X值计算纵向厚度值，并通过沿着相应的水平线对二进制像素值进行加和，对每个Y值计算横向厚度值。对所得到的值应用阈值，以便识别沿着哪些条垂直线和水平线轮廓相对厚。[0053]当轮廓某一水平区域的横向厚度超过X阈值，某一垂直区域的纵向厚度超过Y阈值时，该水平区域和垂直区域的交集可以确定为躯干。[0054]S224、根据躯干识别人体的身体各部位。[0055]在确定了躯干之后，可以基于几何考虑来识别身体的头部和四肢。手部手臂是连接到躯干区域的左侧和右侧的区域;头部是躯干区域上方的连接区域;腿部是躯干区域下方的连接区域。还可以将躯干区域的左上角和右上角初步识别为肩膀。[0056]S225、对身体各部位进行标记。[0057]对身体各部位进行标记以便于对该身体各部位的运动轨迹进行跟踪。[0058]在另一个实施例中，识别人体的身体各部位还可以通过以下三个步骤实现：[0059]—人体分割。本实施例采用帧间差分和背景差分相结合起来的方法来分割运动人体，预先选取RGBD图像中的一帧作为背景帧，建立各像素点的高斯模型，再运用帧间差分法对相邻两帧图像进行差分处理，区分出背景点和变化的区域在当前帧中变化的区域包括显露区和运动物体），然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体，最后在运动物体中去除阴影，这样将不带阴影的运动物体分割出来。背景更新时将帧间差分确定为是背景的点，则以一定的规则进行更新;背景差分时确定为是显露区的点，则以较大的更新率更新背景帧，运动物体对应的区域不进行更新。该法可以得到较理想的分割目标。[0060]二轮廓提取和分析。在获取二值化后的图像以后，利用一些经典的边缘检测算法来获取轮廓。例如采用Canny算法，Canny边缘检测算子充分反映了最优边缘检测器的数学特性，对于不同类型的边缘，均具有良好的信噪比，优异的定位性能，对单一边缘产生多个响应的低概率性和对虚假边缘响应的最大抑制能力，利用分割算法获得光流分割场后，在这些分割区域里包含所有我们所关心的运动目标。因此，将在这些分割区域里利用Canny算子提取边缘，一方面可以大大限制背景干扰，另一方面可以有效地提高运行的速度。[0061]三关节点自动标记。通过差分法得到了分割出运动目标，Canny边缘检测算子提取轮廓后，借助MayIorK.LeungandYee-HongYang的2D带状模型（RibbonModel对人体目标进一步分析。该模型将人体正面划分成不同的区域，例如，用5个U形区域来构造人体，该5个U形区域分别表示人体的头部以及四肢。[0062]这样，通过寻找5个U形状的身体端点，就可确定身体的大致位置，在已提取的轮廓的基础上，通过矢量轮廓压缩，来提取需要的信息，保留最主要的人体四肢的特征，将人体轮廓压缩成一个固定的形状，例如，使得轮廓具有固定的8个端点和5个U形点和3个倒U形点，这样明显的特征能方便计算轮廓。这里可以使用轮廓上相邻端点的距离算法来压缩轮廓，通过迭代处理使得轮廓压缩为8个端点。[0063]在获取了压缩轮廓后采用如下算法就可以对身体各部位进行自动标注：[0064]1确定U形状的身体端点。设定某一个参考长度M，大于M的矢量可以认为它是身体轮廓的一部分，小于它则忽略。按照矢量化后的轮廓从某一点开始寻找，找到一个大于M的矢量记为Mi，找到下一个的矢量记为Mj，比较Mi到Mj的夹角，如果夹角在某一范围内（0〜90°注意这里角度为正，表示它是凸的），则认为它们是U端点，记录这两个矢量，找到一个U端点。如此直到找出5个U端点。[0065]⑵确定三个倒U形状的端点。同步骤⑴，只要把夹角条件正换为负。[0066]⑶根据U及倒U的端点很容易获得头部，手，脚的位置。根据身体的生理形状，就可以确定各个关节点，利用手臂与身体交角部分、头部与腿部交角部分，可以分别确定躯干的宽度和长度;然后利用脖子、腰位置分别占躯干比率〇.75、0.3,肘部位于肩膀与手的中点，膝盖位于腰部与脚的中点。这样身体各部位大致位置可以定义出来。[0067]S23、根据深度图像序列记录标准运动中身体各部位的标准轨迹信息，并记录标准运动中重复动作开始或结束时人体的标准姿态信息。[0068]记录身体各部位的标准运动轨迹的方法有多种，例如，OGHMsOrthogonalGaussian-HermiteMoments检测法，其基本原理是:通过比较在时间上连续的图像帧之间对应象素值的变化程度来判断该像素点是否属于前景运动区域。[0069]用化，7,1:卜=0，1，2-_}表示输入的一组图像序列汀，7,1:代表1:时刻的图像，X，y代表了图像上像素点的坐标，设Gaussian函数为gX，〇，Bn⑴为gX，〇与Hermite多项式的乘积，则η阶OGHMs可表示为：[0071]其中ai由Gaussian函数的标准偏差〇确定。根据卷积运算的性质，η阶OGHMs可看成是图像序列函数在时间上的各阶导数之和与Gaussian函数的卷积。某点导数值越大，则表示随时间变化该点位置上的像素值变化也越大，说明该点应该属于运动区域块，这为OGHMs方法能检测出运动物体提供了理论依据。另外，从式（1中可看出，OGHMs的基函数为，这是由Gaussian函数的不同阶导数线性组合而成。因为高斯函数本身具有平滑噪声的能力，所以OGHMs同样具有有效滤除各种噪声的性能。[0072]又如，时间差分法，时间差分法TemporalDifference是利用时间上连续的图像序列前后几个相邻帧，基于像素的时间差分，通过阈值化提取图像中的运动区域。早期的方法是利用相邻两帧差分获得运动物体，如设Fk是图像序列中第k帧图像灰度值数据，Fk+^示图像序列中第k+Ι帧图像灰度值数据，则时间相邻两帧图像的差分图像定义为：[0073]其中T为阈值。如果差值大于T，则说明该区域的灰度变化较大，即需要检测出的运动目标区域。[0074]又如，光流法OpticalFlow，光流法基于以下假设：图像灰度的变化完全是由于目标或背景的运动引起的。即，目标和背景的灰度不随时间变化。基于光流方法的运动检测，就是利用运动物体随时间变化在图像中表现为速度场的特性，根据一定的约束条件估算出运动所对应的光流，其优点是对目标的帧间运动限制较少，可处理较大的帧间位移。[0075]再如，背景减除法BackgroundSubtraction，其基本原理是首先构建一个背景模型图像，然后用当前帧图像与背景帧图像做差分，通过阈值化差分结果检测出运动目标。假设t时刻背景帧图像为Fo,对应当前帧图像为Ft，则当前帧和背景帧的差分可表示为：[0077]假设当前帧图像与背景帧图像相应像素的灰度值差分大于阈值，则所得到的二值图像中对应的值为1，即认定该区域属于运动目标。[0078]在其它一些实施例中，还可以通过HOG-HOF描述子对人体的身体各部位的运动轨迹进行描述而得到轨迹信息。[0079]其中，请参阅图4,图4是图2中步骤S23中记录标准姿态信息的流程示意图。记录标准运动中重复动作开始或结束时人体的标准姿态信息可以包括：[0080]S231、根据深度图像序列识别人体的身体各部位并确定该人体的人体参考点。[0081]具体地，人体参考点可以是人体质心或者人体中心，本实施例以人体中心作为人体参考点对本发明进行说明。当然，在其它一些实施例中，还可以选择人体的其它特定点作为人体参考点。[0082]人体中心为深度图像中人体的几何中心，可在当躯干和人体的身体各部位均识别出来之后，即可通过深度图像的整个人体的轮廓，即三维人体边缘的外边缘值的中值来确定人体中心。[0083]S232、获取身体各部位与人体参考点的标准相对位置关系。[0084]本实施例的标准相对位置关系为待评估姿态的标准运动的人体的身体各部位的质心与人体中心的相对位置关系。在一个实施例中，相对位置关系可以是身体各部位的质心与参人体中心之间的欧式距离和余弦距离，并根据该欧式距离和余弦距离可以形成标准身体姿态的标准向量。例如，头部的质心到人体中心的欧式距离和余弦距离，手部质心到人体中心的欧式距离和余弦距离等。[0085]欧式距离和余弦距离的计算方式可以如下：[0086]首先，获取标准姿态的人体中心的第一坐标值。本实施例中，人体中心的第一坐标值为人体中心在深度相机的相机坐标系中的坐标值。[0087]例如，深蹲动作的结束姿态中，人体中心点A的第一坐标值为X1，yi，Z1。[0088]然后获取身体各部位的质心及身体各部位的质心的第二坐标值。[0089]具体而言，当身体各部位均识别出来之后，可以确定身体每个区域的质心。其中，区域的质心指该区域的代表深度或位置。为此，例如，可以生成区域内深度值的直方图，并将具有最高频率的深度值或具有最高频率的两个或多个深度值的平均值设为该区域的质心。确定了身体各部位的质心之后，即可确定身体各部位的质心在相机坐标系中的坐标。[0090]值得一提的是，本发明中的质心是指通过深度图像处理所获取的质心，而并非物理质心。本发明的质心可以通过质心法获取，也可以通过其它方法获取，本发明不做限定。[0091]举例而言，深蹲动作的结束姿态中，膝盖关节的质心B的第二坐标值为X2，y2，z2。[0092]最后，根据第一坐标值和第二坐标值计算身体各部位的质心与人体中心的欧式距离和余弦距离，并形成该人体的标准姿态的标准向量。[0093]余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。机器学习中借用这一概念来衡量样本向量之间的差异。其中，两个向量的余弦距离可以用它们之间夹角的余弦值来表示。[0094]举例而言，如图5所示，图5是本发明提供的一种标准运动数据库的生成方法另一实施例膝关节的质心与人体中心的空间位置关系的示意图。在获取第一坐标值和第二坐标值之后，可以得出人体中心的向量以及膝盖关节的质心的向量,具体地，膝盖关节的质心与人体中心之间的欧式距离通过以下公式计算而得：[0096]之间的余弦距离可以通过以下公式计算而得：[0098]其中，欧式距离衡量的是空间各点的绝对距离，例如，dAB衡量点A和点B之间的绝对距离，跟各个点所在的位置坐标直接相关;而余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置。[0099]具体地，余弦距离取值范围为[_1，1]。夹角余弦越大表示两个向量的夹角越小，夹角余弦越小表示两向量的夹角越大。当两个向量的方向重合时夹角余弦取最大值1，当两个向量的方向完全相反夹角余弦取最小值-1。[0100]当然，在人体姿态评估过程中，通常还会计算手部、足部等等其他身体部位的质心到人体中心的欧式距离和余弦距离。最终，所有所需的身体部位的质心到人体中心的欧式距离和余弦距离所得的值与各身体部位一一对应，并整合形成该标准姿态的标准向量。[0101]后期对人体运动进行评估的时候，可以通过与上述相同的方法形成待评估向量，通过该待评估向量与标准向量的比较来进行评估。[0102]可以理解地，在其它一些实施例中，人体姿态还可以是运动过程中某个时间点时的人体姿态，而不局限于开始或结束时的人体姿态。[0103]S24、保存标准轨迹信息和标准相对位置关系以形成标准运动数据库。[0104]具体地，本实施例中，步骤S24可以在保存标准轨迹信息的同时保存标准相对位置关系，即保存标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离，以及标准向量，以在评估人体动作和姿态时，将待评估人体的轨迹信息与标准轨迹信息进行比较，将待评估人体的身体各部位的质心与人体参考点的欧式距离和余弦距离与标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离进行比较，即将待评估向量和标准向量进行比较。[0105]本实施例不仅通过深度图像序列的处理将标准轨迹信息进行保存，还提取重复动作开始或结束时的标准人体姿态中的身体各部位和人体参考点，并通过该身体各部位与人体参考点之间的相对位置关系来获取并保存标准姿态信息，其能准确地分辨人体各部位的位置并获取准确的相对位置关系，以提高姿态评估结果的准确性，从而能提高各项运动的训练效率。[0106]请参阅图6,图6是本发明一种生成标准运动数据库的装置实施例的结构示意图。[0107]具体地，该生成准运动数据库的装置包括深度相机10、处理器11和存储器12,深度相机10和存储器12均与处理器11连接。[0108]其中，深度相机10用于获取包含人体标准运动动作的深度图像序列。[0109]处理器11用于根据深度图像序列对人体的身体各部位进行标记;根据深度图像序列记录标准运动中身体各部位的标准轨迹信息。[0110]存储器12用于保存标准轨迹信息以形成标准运动数据库。[0111]在本实施例中，处理器11还用于去除深度图像序列中的背景;获取深度图像序列中的人体的轮廓;根据轮廓识别人体的躯干;根据躯干识别人体的身体各部位;对身体各部位进行标记。[0112]可选地，处理器11还用于记录标准运动中重复动作开始或结束时人体的标准姿态信息;保存标准姿态信息。[0113]可选地，处理器11还用于根据深度图像序列识别人体的身体各部位并确定该人体的人体参考点;获取身体各部位与人体参考点的标准相对位置关系。[0114]存储器12还用于保存标准相对位置关系。[0115]在一些实施例中，标准相对位置关系为标准姿态的人体的身体各部位的质心到与该人体的人体参考点的相对位置关系;处理器11还用于获取标准姿态的人体中心的第一坐标值;获取身体各部位的质心及身体各部位的质心的第二坐标值;根据第一坐标值和第二坐标值计算标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离，以形成该标准身体姿态的标准向量。[0116]本发明还提供了一种存储装置，该存储装置存储有程序数据，该程序数据能够被执行以实现上述任一实施例的标准运动数据库的生成方法。[0117]举例而言，该存储装置可以是便携式存储介质，例如U盘、移动硬盘、只读存储器R0M，Read_0nlyMemory、随机存取存储器（RAM，RandomAccessMemory、磁碟或者光盘等。可以理解地，存储装置还可以是服务器等各种可以存储程序代码的介质。[0118]综上所述，本发明能够获取标准运动过程中人体的全面的信息，并且能准确分辨人体躯干和肢体等的遮挡关系等，因而能获取更加全面、准确的数据以形成标准运动数据库，进而能使后期的人体运动的评估和分析也更加准确。[0119]以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

权利要求：1.一种标准运动数据库的生成方法，其特征在于，包括以下步骤：获取包含人体标准运动动作的深度图像序列；根据所述深度图像序列对所述人体的身体各部位进行标记；根据所述深度图像序列记录标准运动中所述身体各部位的标准轨迹信息；保存所述标准轨迹信息以形成标准运动数据库。2.根据权利要求1所述的方法，其特征在于，所述根据所述深度图像序列对所述人体的身体各部位进行标记的步骤包括：去除所述深度图像序列中的背景；获取所述深度图像序列中的所述人体的轮廓；根据所述轮廓识别所述人体的躯干；根据所述躯干识别所述人体的身体各部位；对所述身体各部位进行标记。3.根据权利要求2所述的方法，其特征在于，所述根据所述深度图像序列记录标准运动中所述身体各部位的轨迹信息的步骤还包括:记录标准运动中重复动作开始或结束时所述人体的标准姿态信息；所述保存所述标准轨迹信息以形成标准运动数据库的步骤还包括:保存所述标准姿态信息。4.根据权利要求3所述的方法，其特征在于，所述记录标准运动中重复动作开始或结束时所述人体的标准姿态信息的步骤包括：根据所述深度图像序列识别所述人体的身体各部位并确定该人体的人体参考点；获取所述身体各部位与所述人体参考点的标准相对位置关系；所述保存所述标准姿态信息的步骤包括:保存所述标准相对位置关系。5.根据权利要求4所述的方法，其特征在于，所述标准相对位置关系为标准姿态的人体的身体各部位的质心到与该人体的所述人体参考点的相对位置关系；所述获取所述身体各部位与所述人体参考点的标准相对位置关系的步骤包括：获取标准姿态的人体中心的第一坐标值；获取所述身体各部位的质心及身体各部位的质心的第二坐标值；根据所述第一坐标值和所述第二坐标值计算所述标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离，以形成该标准身体姿态的标准向量。6.—种生成准运动数据库的装置，其特征在于，包括深度相机、处理器和存储器，所述深度相机和所述存储器均与所述处理器连接；其中，所述深度相机用于获取包含人体标准运动动作的深度图像序列；所述处理器用于根据所述深度图像序列对所述人体的身体各部位进行标记;根据所述深度图像序列记录标准运动中所述身体各部位的标准轨迹信息；所述存储器用于保存所述标准轨迹信息以形成标准运动数据库。7.根据权利要求6所述的装置，其特征在于，所述处理器还用于去除所述深度图像序列中的背景;获取所述深度图像序列中的所述人体的轮廓;根据所述轮廓识别所述人体的躯干;根据所述躯干识别所述人体的身体各部位;对所述身体各部位进行标记。8.根据权利要求7所述的装置，其特征在于，所述处理器还用于记录标准运动中重复动作开始或结束时所述人体的标准姿态信息;保存所述标准姿态信息。9.根据权利要求8所述的装置，其特征在于，所述处理器还用于根据所述深度图像序列识别所述人体的身体各部位并确定该人体的人体参考点;获取所述身体各部位与所述人体参考点的标准相对位置关系；所述存储器还用于保存所述标准相对位置关系。10.根据权利要求9所述的装置，其特征在于，所述标准相对位置关系为标准姿态的人体的身体各部位的质心到与该人体的所述人体参考点的相对位置关系；所述处理器还用于获取标准姿态的人体中心的第一坐标值;获取所述身体各部位的质心及身体各部位的质心的第二坐标值;根据所述第一坐标值和所述第二坐标值计算所述标准姿态的人体的身体各部位的质心与人体参考点的欧式距离和余弦距离，以形成该标准身体姿态的标准向量。11.一种存储装置，其特征在于，存储有程序数据，所述程序数据能够被执行以实现如权利要求1至5任一项所述的方法。

百度查询： 深圳奥比中光科技有限公司 标准运动数据库的生成方法、装置及存储装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD