申请/专利权人:西南石油大学
申请日:2022-06-24
公开(公告)日:2022-09-13
公开(公告)号:CN114821812B
主分类号:G06V40/20
分类号:G06V40/20;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2022.09.13#授权;2022.08.16#实质审查的生效;2022.07.29#公开
摘要:本发明涉及的一种基于深度学习的花样滑冰选手骨骼点动作识别方法,包括将待分类的动作视频集随机分为训练视频集和测试视频集,将训练视频集和测试视频集分别用于计算动作的训练轨迹和测试轨迹,将训练轨迹输入动作识别模型中进行动作识别,然后通过测试轨迹对动作识别模型进行优化,获取用于动作快速提取的深度动作识别模型;通过深度动作识别模型获取待测试的动作视频集,并对待测试的动作视频集中对象的肢体动作和轨迹进行识别,获得测试集的识别结果。能够实现对动作的快速识别,改善现有技术中通过纯人工评价带来的标准不统一,评价的效率低的缺陷,改善评价效率和评价的结果统一性。
主权项:1.一种基于深度学习的花样滑冰选手骨骼点动作识别方法,其特征在于,包括以下步骤:S1、通过客户端获取待分类的动作视频集,并将其上传并存储到服务器端的缓存区;S2、将缓存区中的待分类的动作视频集随机分为训练视频集和测试视频集,将训练视频集和测试视频集分别用于计算动作的训练轨迹和测试轨迹,将训练轨迹输入动作识别模型中进行动作识别,然后通过测试轨迹对动作识别模型进行优化,获取用于动作快速提取的深度动作识别模型;S3、通过深度动作识别模型获取待测试的动作视频集,并对待测试的动作视频集中对象的肢体动作和轨迹进行识别,获得测试集的识别结果;S4、通过评分系统对将测试集识别结果与标准的花式滑冰动作模型进行分解对比,根据轨迹的匹配度进行评分,同时输出评分结果,所述测试集为单个待测动作或多个待测动作的集合;还包括通过教练系统获取运动员日常的训练视频,并将获取的日常训练视频上传至布置在云服务器上的深度动作识别模型进行骨骼点动作分析,然后根据深度动作识别模型给出的运动员动作的分数以及动作的缺陷来获取改进的意见,日常训练视频存储在教练系统中,用户可通过人机交互接口来实现对教练系统的访问,进而能够通过访问日常视频进行动作复盘和或体态查看;所述深度动作识别模型包括ST-GCN骨骼点分类模型和降噪编码器,所述ST-GCN骨骼点分类模型的构建方法包括:B1:将获取的训练视频集和测试视频集的数据通过进行降噪编码器预处理,去除训练轨迹中不平滑的端点和残缺轨迹,并将不同的动作组进行相互分离,获取多段平滑的训练轨迹;B2:建立ST-GCN网络和动作轨迹拟合单元,把动作轨迹拟合单元嵌入到ST-GCN网络卷积层后面进行总体网络的搭建;B3:用训练集训练ST-GCN网络,优化参数,得到基于动作轨迹的骨骼行为识别网络;B4:把测试集输入到步骤B3得到的网络进行预测,给出对应的动作类别;所述ST-GCN网络用于对轨迹进行预测,所述动作轨迹拟合单元用于将经所述ST-GCN网络预测获得的轨迹与经降噪编码器获取的待测测试集的轨迹进行拟合获得拟合轨迹,然后将预测轨迹与拟合轨迹进行差异化处理,获得差异数据,然后将获得的差异数据传送至所述评分系统,由评分系统根据不同的维度对动作进行评分。
全文数据:
权利要求:
百度查询: 西南石油大学 一种基于深度学习的花样滑冰选手骨骼点动作识别方法
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。