[发明专利]基于深度学习的跳绳计数方法

权利要求书

1.一种基于深度学习的跳绳计数方法，其特征在于，包括以下步骤：

1)获取跳绳动作的原始视频数据，从原始视频数据中提取出图像数据；

2)读取视频图像，逐帧压缩视频尺寸；

3)用Farneback稠密光流算法处理压缩后的视频，输出一个新的BGR视频；

4)利用训练好的分类模型对BGR视频中每一帧图像进行分类；所述的分类模型通过以下方法训练得到：

获取若干跳绳动作视频，对跳绳动作视频执行步骤1)～3)；对跳绳动作视频中的每一帧图像，以图像中目标的状态类型作为标签，形成训练数据集；

利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的状态类型，并计算神经网络的损失函数，选用loss较小的网络模型分类模型；

5)根据分类结果判断跳绳状态；

6)根据跳绳状态变化对跳绳进行计数；

7)结果输出并显示。

2.根据权利要求1所述的基于深度学习的跳绳计数方法，其特征在于，所述的状态类型包括：“下降帧”、“静止帧”和“上升帧”，对应的标签为“down”、“standstill”和“up”。

3.根据权利要求1所述的基于深度学习的跳绳计数方法，其特征在于，所述的神经网络以VGG-16网络为基础，包含4个卷积层、4个全连接层、3个最大池化层，激活函数为“Relu”，其中卷积层中卷积核个数逐层增加，分别为8、16、32、64。

4.根据权利要求3所述的基于深度学习的跳绳计数方法，其特征在于，所述的神经网络的卷积核尺寸均为(3，3)，池化核尺寸均为(2，2)，步幅为(2，2)，经过池化操作后张量的宽和高缩小为上一层的1/2。

5.根据权利要求1所述的基于深度学习的跳绳计数方法，其特征在于，所述的损失函数采用交叉熵函数，其定义为：

其中，n为样本数，m为类别数，y_ij(i≤n,j≤m)表示第i个样本的第j类的标签，表示第i个样本的第j类的预测值，降低该交叉熵函数能够使预测值逐渐逼近标签，优化模型。

6.根据权利要求2所述的基于深度学习的跳绳计数方法，其特征在于，步骤5)中，所述的跳绳状态包括“down”、“standstill”和“up”；根据分类结果判断当前跳绳状态的方法为：

创建变量current_move表示当前帧所处的跳绳状态，当“down”、“standstill”或“up”中某一类累计超过特定数量的连续帧后，改变current_move的状态为对应状态，并清空对其他帧的累计计数。

7.根据权利要求6所述的基于深度学习的跳绳计数方法，其特征在于，步骤6)中，根据跳绳状态变化对跳绳计数的方法为：

当跳绳状态由“up”转为“down”时，计数加1；当较长时间处于静止时，跳绳状态变为静止。