一种健身动作教学及矫正系统及方法专利检索-误差反向传播算法人工智能专利检索查询-专利查询网

一种健身动作教学及矫正系统及方法

阅读：1013发布：2020-06-13

专利汇可以提供一种健身动作教学及矫正系统及方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种健身动作教学及矫正系统，包括服务器、摄像头、显示屏和音响，所述服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，所述服务器与摄像头连接来获取使用者的健身动作视频，所述服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，所述服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。本发明能够提供标准的健身动作，通过对比自身动作给予错误指出与修改的意见，用虚拟人物直观的体现自身动作与标准动作的差距，及时的规范自身动作，避免因错误健身造成的身体伤害，提高健身的效率。，下面是一种健身动作教学及矫正系统及方法专利的具体信息内容。

权利要求

1.一种健身动作教学及矫正系统，其特征在于：包括服务器、摄像头、显示屏和音响，所述服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，所述服务器与摄像头连接来获取使用者的健身动作视频，所述服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，所述服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。
2.根据权利要求1所述的一种健身动作教学及矫正系统，其特征在于：所述服务器为Dell服务器，所述服务器使用8核2.60Ghz CPU，内存为128G。
3.一种健身动作教学及矫正方法，其特征在于：具体包括以下步骤：
(1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器；
(2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库；
(3)人体行为识别：服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作；
(4)人体行为预测：根据步骤B构建的虚拟人物显示行为动作，运用循环神经网络RNN 算法预测出使用者下一步的健身动作；
(5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见。
4.根据权利要求3所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(3)中人体行为识别的具体步骤如下：
①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；
②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；
③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度；
④利用余弦相似度分析获取有效视频帧序列；
⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；
⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。
5.根据权利要求4所述的一种健身动作教学及矫正方法，其特征在于：所述步骤④中利用余弦相似度分析获取有效视频帧序列的具体步骤如下：
A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；
B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量。
6.根据权利要求3所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(4)中的人体行为预测具体步骤包括：
①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；
②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。
7.根据权利要求6所述的一种健身动作教学及矫正方法，其特征在于：所述步骤①中设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：
A.前向计算每个神经元的输出值：计算公式为：
st＝f(Uxt+Wst-1)
公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；
B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元j的加权输入neti的偏导数，计算如下：
nett＝Uxt+Wst-1
上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，为第l-1层的t时刻的加权输入；
C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度即权重W在t时刻的梯度再计算权重矩阵在各个时刻的梯度和与
D.随机梯度下降算法更新权重参数V、U、W。
8.根据权利要求3所述的一种健身动作教学及矫正方法，其特征在于：所述步骤(5)中在显示屏上输出差异值，提出修正意见包括：在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。

说明书全文

一种健身动作教学及矫正系统及方法

技术领域

[0001] 本发明涉及人机交互技术领域，具体涉及一种健身动作教学及矫正系统及方法。

背景技术

[0002] 随着时代与科技的快速发展，越来越多的便捷化工具在方便人们生活的同时，也使得人们日常的活动量减少。亚健康的人群不断的壮大，越来越多的人们为保证自身的身体健康投入到健身运动中。为锻炼身体的各方面，大部分人选择进入健身房中锻炼。为得到好的健身效果，人们不仅要了解健身器材的使用方法，还应该学习使用健身器材时的标准健身动作。

[0003] 目前，对健身动作的学习常用的方法是通过教练当场进行现场教学，自我观看一些健身的教学视频或者请有健身经验的朋友进行简单的教学。大多数情况都是靠自己学习，使得健身的动作并不规范，健身带来的效果低下，这常常导致人们不能长期坚持健身的原因。此外，错误的健身动作不仅无法起到锻炼身体的作用，反而会造成身体的其他部位的损伤。有人提出采用穿戴一些设备，实时监测人体运动状况。虽然可以通过传感器获取大量人体信息进行事后分析，并根据分析提出建议。但传感器的使用会给健身的行为带来不便，而且无法给予使用者实时的指导意见，精准且及时的规范健身者的动作。

[0004] 如果存在一种设备，能够实现以下的任务：1、无需过多的设备接触，仅通过视觉获取当前器材使用者的行为动作状况，识别出使用者的行为动作，从动作库中调出整套相关标准动作。2、根据循环神经网络(RNN)预测出当前使用者的下一步动作，并与动作库中的标准动作进行对比，实时输出对比结果，在显示屏上显示偏差。这样可以给使用者一个实时的反馈结果，用于及时的更正自身健身的动作。长期下来不仅能够规范自我的健身动作，避免因错误健身造成的身体伤害，也能减少健身教练过少，学员日渐增多的问题。对于普通健身者们也能减少聘请教练的消费，提高健身效率。

[0005] 在现有技术中，公开号为CN201610806241.4的中国专利文献公布一种数字化健身系统，该文中采用各种传感器模块来获取人体当前的动作行为，过多的传感器穿戴给使用者的健身带来不便。此外，该文献中的指导也是通过系统自带投放功能反复观看教学视频与指导视频，没有实时的指出错误或给于更正的方法。

发明内容

[0006] 本发明所要解决的技术问题是提供一种健身动作教学及矫正系统及方法来使得健身动作矫正方便快捷。

[0007] 为解决以上技术问题，本发明的技术方案为：提供一种健身动作教学及矫正系统，其创新点在于：包括服务器、摄像头、显示屏和音响，服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，服务器与摄像头连接来获取使用者的健身动作视频，服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。

[0008] 进一步的，述服务器为Dell服务器，所述服务器使用8核2.60Ghz CPU，内存为128G。

[0009] 为解决以上技术问题，本发明还提供一种健身动作教学及矫正方法，其创新点在于：具体包括以下步骤：

[0010] (1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器；

[0011] (2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库；

[0012] (3)人体行为识别：服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作；

[0013] (4)人体行为预测：根据步骤B构建的虚拟人物显示行为动作，运用循环神经网络RNN 算法预测出使用者下一步的健身动作；

[0014] (5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见。

[0015] 进一步的，所述步骤(3)中人体行为识别的具体步骤如下：

[0016] ①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；

[0017] ②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；

[0018] ③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度；

[0019] ④利用余弦相似度分析获取有效视频帧序列；

[0020] ⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；

[0021] ⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。

[0022] 进一步的，所述步骤④中利用余弦相似度分析获取有效视频帧序列的具体步骤如下：

[0023] A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；

[0024] B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量。

[0025] 进一步的，所述步骤(4)中的人体行为预测具体步骤包括：

[0026] ①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；

[0027] ②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。

[0028] 进一步的，所述步骤①中设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：

[0029] A.前向计算每个神经元的输出值：计算公式为：

[0030] st＝t(Uxt+Wst-1)

[0031] 公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；

[0032] B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元[0033] j的加权输入neti的偏导数，计算如下：

[0034] nett＝Uxt+Wst-1

[0035]

[0036]

[0037] 上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，为第l-1层的t时刻的加权输入；

[0038] C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度即权重W在t时刻的梯度再计算权重矩阵在各个时刻的梯度和与

[0039]

[0040]

[0041] D.随机梯度下降算法更新权重参数V、U、W。

[0042] 进一步的，所述步骤(5)中在显示屏上输出差异值，提出修正意见包括：在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。

[0043] 本发明和现有技术相比，产生的有益效果为：

[0044] 本发明基于现有的人工智能技术，提供一种虚拟健身动作教学及矫正系统和方法，能够提供标准的健身动作，通过对比自身动作给予错误指出与修改的意见，用虚拟人物直观的体现自身动作与标准动作的差距，及时的规范自身动作，避免因错误健身造成的身体伤害，提高健身的效率。附图说明

[0045] 为了更清晰地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0046] 图1为本发明的一种虚拟健身动作教学及矫正系统的系统框图。

[0047] 图2为本发明的一种虚拟健身动作教学及矫正方法的流程图。

[0048] 图3为本发明的一种虚拟健身动作教学及矫正方法中的人体行为识别流程图。

[0049] 图4为本发明的一种虚拟健身动作教学及矫正方法中的人体行为预测和矫正流程图。

具体实施方式

[0050] 下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。

[0051] 1.本发明提供的一种健身动作教学及矫正系统，系统框图如图1所示，包括服务器、摄像头、显示屏和音响，服务器用于构建与训练人体行为识别与循环神经网络模型，为系统提供计算能力，服务器与摄像头连接来获取使用者的健身动作视频，服务器和显示屏连接来将健身动作用虚拟人物的形式显示出来，以便使用者提高健身动作的正确性，服务器和音响连接来语音提醒系统连接状况，以及系统发生错误时的报警。述服务器为Dell服务器，所述服务器使用8核2.60Ghz CPU，内存为128G。

[0052] 本发明还提供一种健身动作教学及矫正方法，如图2所示，具体包括以下步骤：

[0053] (1)摄像头获取使用者的健身动作视频，将使用者的健身动作视频发送给服务器。

[0054] (2)收集所有健身动作的标准动作姿势，在服务器内建立一个完整的标准健身动作库。

[0055] (3)人体行为识别：如图3所示，服务器对接收到的使用者的健身动作视频，运用人体骨骼检测与循环神经网络RNN进行人体行为识别，并构建虚拟人物在显示屏上显示人体的行为动作，其中，人体行为识别的具体步骤如下：

[0056] ①收集不同健身人群的各类健身动作视频，并将收集到的健身动作视频作为训练与测试视频集；本发明收集动作视频1000份，700份视频作为训练集，300份作为测试视频集；

[0057] ②对步骤①中收集的健身动作视频的视频帧进行密集采样，提取稠密轨迹构建特征描述子，采集方向梯度直方图HOG和轨迹形状作为形状描述符，利用光流直方图HOF和运动边界直方图MBH作为运动描述符，最终得到一个426维的描述符；

[0058] ③视频帧的特征提取：提取视频帧的稠密轨迹，计算特征向量，使用特征编码VLAD对视频帧的稠密轨迹特征进行编码，取高斯聚类的个数K，得到视频每一帧维数为K*D特征向量，D为特征描述子的维度，本发明的K取值为256；

[0059] ④利用余弦相似度分析获取有效视频帧序列，步骤如下：

[0060] A.对获取的视频帧序列中的特征向量采用余弦相似度分析，设置阈值为T，将余弦相似度大于阈值的两个特征向量中的后者剔除，得到紧密的有效视频帧特征序列；本发明的T值取值为0.8；

[0061] B.对获取的有效视频特征序列中的每一帧特征进行平滑处理操作，计算其时变均值向量；

[0062] ⑤采用时间序池化利用排序函数按照时间相对顺序排序有效视频帧特征，通过参数向量u来获取视频序列动态信息；

[0063] ⑥使视频帧特征序列学习RankSVM，并将学习得到的视频序列随时间变化的动态特征向量u*作为视频特征向量；用获取的视频特征向量u*训练SVM分类器实现最终的人体行为识别。

[0064] (4)人体行为预测：根据步骤B构建的虚拟人物显示行为动作，运用循环神经网络RNN算法预测出使用者下一步的健身动作；其中，人体行为预测具体步骤包括：

[0065] ①训练循环神经网络模型：用步骤(2)和(3)中的标准健身动作库和视频集作为训练与测试的数据集，设计随时间反向传播算法BPTT来更新权重参数V、W、U；本发明选择的循环神经网络有5个隐藏层，每个隐藏层256个记忆单元，其中，设计随时间反向传播算法BPTT来更新权重参数V、W、U步骤包括：

[0066] A.前向计算每个神经元的输出值：计算公式为：

[0067] st＝f(Uxt+Wst-1)

[0068] 公式中st、xt、st-1为向量，U、W为矩阵表示权重，f(x)为激活函数；

[0069] B.反向计算每个神经元的误差项δj的值：δj是误差函数E对神经元[0070] j的加权输入neti的偏导数，计算如下：

[0071] nett＝Uxt+Wst-1

[0072]

[0073]

[0074] 上述公式中Diag[a]表示根据向量a创建一个对角矩阵，fl-1为第l-1层激活函数，为第l-1层的t时刻的加权输入；

[0075] C.计算每个权重的梯度：先计算误差函数E对权重矩阵W的梯度即权重W在t时刻的梯度再计算权重矩阵在各个时刻的梯度和与

[0076]

[0077]

[0078] D.随机梯度下降算法更新权重参数V、U、W；

[0079] ②动作预测：将步骤(3)识别的当前使用者的动作输入到循环网络中预测出下一步动作，并用虚拟人物显示在显示屏上。

[0080] (5)人体行为矫正：从标准健身动作库中调出与预测动作相应的标准动作，将预测的使用者的健身动作与标准健身动作库调出的标准动作均通过两组虚拟人物显示在显示屏上，通过服务器对显示屏上的两个动作显示进行对比判断，在显示屏上输出差异值，提出修正意见，即在显示屏上的预测的使用者的虚拟人物上标示出于标准动作的差异处，给使用者提出合理的建议。人体行为预测和矫正流程图如图4所示。

[0081] 上面所述的实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思的前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进均应落入本发明的保护范围，本发明的请求保护的技术内容，已经全部记载在技术要求书中。

标题	发布/更新时间	阅读量
基于领域自适应神经网络的自动驾驶转向角度预测方法	2020-05-13	506
一种水泥熟料游离钙含量测量方法及系统	2020-05-15	107
一种Web攻击检测方法、系统、介质和设备	2020-05-17	440
用于生成模型的方法和装置	2020-05-13	509
基于长短时记忆网络的水泥成品比表面积预测方法及系统	2020-05-08	599
基于局部动态能量函数FCN-CRF模型的生态变化监测方法	2020-05-12	517
基于无标签数据的神经网络模型量化方法及装置	2020-05-15	292
胶凝砂砾石配合比关键指标预测抗压强度的BP神经网络分析方法	2020-05-11	764
基于深度学习的无源人体运动识别方法	2020-05-13	755
一种基于LSTM的海洋平台空气压缩机故障诊断方法	2020-05-11	286

一种健身动作教学及矫正系统及方法

一种健身动作教学及矫正系统及方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：