[发明专利]运动计数方法、识别装置、识别系统及存储介质

说明书

本发明提供了一种运动计数方法，包括通过建立残差神经网络模型提取视频数据中的目标数据，并依据算法数据流图获取逻辑值向量和每帧占比向量，然后根据所述每帧占比向量与所述逻辑值向量获得动作计数值。本发明的所述运动计数方法通过建立残差神经网络模型提取视频数据中的目标数据，对拍摄动作的角度没有特殊要求，就能够通过运动动作间相似性矩阵判断重复动作个数，结合依据算法数据流图获取逻辑值向量和每帧占比向量以及根据每帧占比向量与逻辑值向量获得动作计数值，提高了运动计数的准确性。本发明还提供了执行所述运动计数方法的识别装置和识别系统以及存储所述运动计数方法的存储介质。

技术领域

本发明涉及计数系统技术领域，尤其涉及一种运动计数方法、识别装置、识别系统及存储介质。

背景技术

对重复动作的精准统计，如对俯卧撑、仰卧起坐、引体上向等个数的精准计量，是运动会以及体能测试中必备的。现有动作计数法很多，例如公开号为CN110210360A的中国专利申请通过人脸检测算法确定每帧人脸区域及中心点高度坐标，绘制其随时间变化曲线，依据过零点判断跳绳个数。基于人体骨骼关节点检测计算法进行俯卧撑、跳绳等运动个数统计。公开号为CN108744471A的中国专利申请揭示的基于智能手环动作计数法对跳绳数据分别于X轴、Y轴方向进行周期处理，融合双向结果得到计数值。但上述的动作识别和计数方法只能针对一种或一类运动，局限性较大。

现有技术中的重复动作的识别的缺点还有：识别技术单一，只能针对某一特殊运动实现计数，不同的运动需要开发不同的计数方法。比如基于人脸计数法需人脸精准存在视频，丢失会误判；需要借助其他手段综合判断计数结果，有时运动相机捕捉不到人脸，比如俯卧撑运动时，人运动时，相机可能有某段时间拍摄不到运动员的脸部，会造成一些数据的遗失，从而降低了计数准确度。基于人体骨骼关键点检测计数法对拍摄角度要求高，鲁棒性不好。基于智能手环动作计数法只能计算需要手部运动的情况，俯卧撑等同样无法计算。

因此，有必要提供一种新型的运动计数方法以解决现有技术中存在的上述问题。

发明内容

本发明的目的在于提供一种应用于重复动作计数的运动计数方法以及应用所述运动计数方法的识别装置、识别系统和存储介质，以提高计数准确性。

为实现上述目的，本发明的所述运动计数方法包括：

S1：建立残差神经网络模型，于所述残差神经网络模型中构建算法数据流图；

S2：获取包含重复动作的视频数据，并对所述视频数据进行预处理，得到目标数据；

S3：将所述目标数据传输至所述残差神经网络模型中，并依据所述算法数据流图获取逻辑值向量和每帧占比向量；

S4：根据所述每帧占比向量与所述逻辑值向量获得动作计数值。

本发明的所述运动计数方法的有益效果在于：通过建立残差神经网络模型提取视频数据中的目标数据，对拍摄动作的角度没有特殊要求，就能够通过运动动作间相似性矩阵判断重复动作个数，结合依据算法数据流图获取逻辑值向量和每帧占比向量以及根据每帧占比向量与逻辑值向量获得动作计数值，提高了运动计数的准确性。

优选的，所述包含重复动作的视频数据来源于动态视频。其有益效果在于：能够更准确体现运动情况，有利于提高计数准确性。

优选的，所述步骤S1中，通过步长序列为循环特征处理主干网络和若干全连接层形成所述残差神经网络模型，所述主干网络和所述若干全连接层由连接网络融合连接而成。其有益效果在于：有利于通过运动动作间相似性矩阵判断重复动作个数。

进一步优选的，还包括通过所述步骤S1建立不同残差神经网络模型，所述不同残差神经网络模型的主干网络的层数不同。其有益效果在于：有助于后续通过不同动作计数值比较计数精度，从而提高计数的准确性。