[发明专利]一种基于动作识别的运动姿态矫正方法

权利要求书

1.一种基于动作识别的运动姿态矫正方法，其特征在于，该方法具体包括以下步骤：

S1：动作识别阶段：

通过摄像头采集用户运动视频，基于深度学习算法构建动作识别算法，并利用该算法对锻炼者视频中的动作进行类别整理；

S2：骨架提取阶段：

首先，从标准健身数据库中提取对应锻炼者的标准动作，然后从标准动作视频同时进行骨架提取；同时，利用采集到的锻炼者视频，从中提取锻炼者运动的骨架模型；

S3：姿态比对阶段：

首先将锻炼者的骨架进行模板标准化；然后，将标准化后锻炼者的骨架与标准动作视频进行相似度计算，提取出动作相似度最高的一帧模板动作；最后，锻炼者所有动作测试完成，选取出相似度低于阈值的几帧动作，并将模板动作展示出来。

2.根据权利要求1所述的运动姿态矫正方法，其特征在于，步骤S1中，所述动作识别阶段中，具体采用C3D网络进行动作识别。

3.根据权利要求2所述的运动姿态矫正方法，其特征在于，步骤S1中，所述C3D网络包括：8次卷积操作，5次池化操作，最终经过2次全连接层和softmax输出得到结果。

4.根据权利要求1所述的运动姿态矫正方法，其特征在于，步骤S2中，所述骨架提取具体包括：首先利用Faster R-CNN网络和特征金字塔网络(Feature Pyramid Networks，FPN)进行检测，根据检测结果，提取在图像中占据面积最大的目标，将其默认为锻炼者；然后利用高分辨率网络(High resolution network，HRNet)对人体姿势进行估计。

5.根据权利要求4所述的运动姿态矫正方法，其特征在于，步骤S2中，所述Faster R-CNN网络(Full convolution depth network)包括：全卷积深度网络(RegionProposalNetwork,RPN)和Fast R-CNN检测器；具体算法为：通过卷积神经网络得到特征映射，将特征映射输入到RPN网络中得到候选区域，并将候选区域和特征映射输入至全卷积层进行卷积分类，最后输出结果。

6.根据权利要求4所述的运动姿态矫正方法，其特征在于，步骤S2中，所述FPN网络包括：1)自底向上的网络前向传播过程；2)自顶向下的过程是将顶层特征通过上采样和底层特征做融合，每个层级独立预测。

7.根据权利要求4所述的运动姿态矫正方法，其特征在于，步骤S2中，Faster R-CNN和FPN的融合，是在RPN部分进行自底向上和自顶向下的融合，得到更加合适的ROI区域。

8.根据权利要求4所述的运动姿态矫正方法，其特征在于，步骤S2中，HR网络内部结构为：以高分辨率子网开始作为第一阶段，逐个添加从高到低分辨率子网以形成更多阶段，并且并行连接多分辨率子网；在整个过程中反复交换并行多分辨率子网络中的信息进行重复的多尺度融合。