[发明专利]一种基于深度学习和姿态估计的攀岩动作评价系统

说明书

本发明公开了一种基于深度学习和姿态估计的攀岩动作评价系统，涉及计算机处理技术领域；包括数据采集模块、目标追踪模块、AlphaPose和神经网络算法，其评价步骤为：通过数据采集模块采集攀岩者的图片，并将其输入目标追踪模块；目标追踪模块利用YOLO进行目标在图像中进行追踪；追踪到的目标信息会经过AlphaPose的处理从而形成人体骨架图以及人体关节的坐标数据；采用神经网络算法，输入骨架坐标数据进行训练，从而得出正确的评判。本发明通过AlphaPose和神经网络算法，可对攀岩者的攀岩姿势进行教学、矫正等，避免攀岩者因攀岩姿势错误而导致攀岩事故的发生，可提高了攀岩者攀岩的安全性。

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种基于深度学习和姿态估计的攀岩动作评价系统。

背景技术

攀岩在生活中正在变得越来越普遍，更多的人开始接触并爱上这项运动，对于那些刚刚开始这项运动的人来说，如何开始这项运动并进步会成为最大的问题。因为攀岩存在着一定的危险系数，特别是当人们在室外的无防护山壁上进行徒手攀岩时(平均死亡率高达50％)，所以正确且省力的动作技巧必不可少。

攀岩动作评价系统可以帮助攀岩运动者(特别是新手)了解正确的攀岩动作并且针对他们的动作进行矫正与改进，从而避免在这项运动中因动作的失误而受伤甚至死亡，例如：2014年8月，36岁的BradParker尝试无辅助、无保护、单人徒手攀爬位于美国加州的YosemiteNationalPark(优胜美地国家公园)的MatthesCrestTraverse，失误跌落，导致死亡，2011年9月13日，27岁的AkihiraTAWAra尝试无辅助、无保护、单人徒手攀爬位于加拿大的JohnLaurie山，失误跌落，导致死亡，类似的例子在全球还有很多，攀岩这项运动从古至今都是在死亡的边缘徘徊，所以一个能改进动作技巧的训练是很有必要的。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于深度学习和姿态估计的攀岩动作评价系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习和姿态估计的攀岩动作评价系统，包括数据采集模块、目标追踪模块、AlphaPose和神经网络算法，其评价步骤为：

S1：通过数据采集模块采集攀岩者的图片，并将其输入目标追踪模块；

S2：目标追踪模块利用YOLO进行目标(攀岩者)在图像中进行追踪；

S3：追踪到的目标信息会经过AlphaPose的处理从而形成人体骨架图以及人体关节的坐标数据；

S4：采用神经网络算法，输入骨架坐标数据进行训练，从而得出正确的评判。

优选地：所述数据采集模块为摄像头。

优选地：所述S2中，YOLO采用卷积神经网络为主体，目标追踪的方法为：

A1：YOLO首先将图像分为S×S的格子，如果一个目标的中心落入格子，该格子就负责检测该目标，每一个网格中预测B个Boundingbox和置信值，这些置信度分数反映了该模型对盒子是否包含目标的信心，以及它预测盒子的准确程度，然后，我们定义置信值为：

A2：如果没有目标，置信值为零，每一个boundingbox包含5个值：x，y，w，h和confidence。(x，y)坐标表示边界框相对于网格单元边界框的中心，宽度和高度是相对于整张图像预测的，confidence表示预测的box与实际边界框之间的IOU，每个网格单元还预测C个条件类别概率：PR(Class_i丨Object)。

A3：这些概率是以网格包含目标为条件的，每个网格单元我们只预测的一组类别概率，而不管边界框的的数量B是多少。

优选地：所述S2中，卷积神经网络包括输入层、隐含层和输出层。