[发明专利]一种基于深度卷积神经网络的人体运动计数方法

权利要求书

1.基于深度卷积神经网络的人体运动计数方法，其特征在于，依次进行如下步骤：

(1)定义5种基本人体运动类型，分别是：仰卧起坐、俯卧撑、深蹲、引体向上、高抬腿，分别定义为M1,M2,…M5，然后将上述5种运动的每一种分解成3个依次循环的关键动作姿态序列，共计15种关键动作姿态，分别定义为P1,P2,…P15，其中：运动M1的关键动作姿态序列为P1-P2-P3，运动M2的关键动作姿态序列为P4-P5-P6，运动M3的关键动作姿态序列为P7-P8-P9，运动M4的关键动作姿态序列为P10-P11-P12，运动M5的关键动作姿态序列为P13-P14-P15；

(2)令不同人表演M1～M5运动并且录制多个视频序列，从视频序列中提取符合上述P1～P15关键动作姿态的视频帧，定义为关键动作帧，然后再录制这5种运动之外的其他类型运动的多个视频序列；

(3)将步骤(2)录制的所有视频序列作为深度卷积神经网络分类算法的训练样本，定义包含如下16个类别的分类器：将步骤(2)中的15个关键动作姿态P1～P15分别作为一个类别，共计15个类别，分别定义为C1,C2,…C15，将不属于此5种运动的动作姿态归为第16个类别，定义为C16，然后进行基于深度卷积神经网络的动作识别训练过程，在训练完毕后输出分类模型；

(4)通过摄像头捕获人体运动的视频帧，输入到已训练好的分类模型进行分类运算，根据分类运算结果判断运动者所处的动作姿态，所述动作姿态属于C1～C16；

(5)如果判断出在该运动者的所有动作姿态中，属于C1～C15的一系列动作姿态符合M1～M5任意一种Mi所定义的关键动作姿态序列，i位于1～5，那么该运动者所进行的运动即为Mi，并且系统记录该运动Mi的计数加一。

2.根据权利要求1所述的基于深度卷积神经网络的人体运动计数方法，其特征在于：步骤(2)所述的提取过程利用PCA算法提取视频序列包含的动作姿态特征信息，利用K均值聚类算法将每一类运动的所有动作姿态分成三个聚类；在每个聚类中选择与聚类中心的距离小于该聚类所属类簇半径0.2倍的帧作为关键动作帧，加入训练样本，而聚类中不符合此条件的帧不加入训练样本。

3.根据权利要求2所述的基于深度卷积神经网络的人体运动计数方法，其特征在于：所述K均值聚类算法后，还包括对作为训练样本的关键动作帧的数据增强过程，所述数据增强的方法包括平移、旋转、尺度变换和色彩抖动。

4.根据权利要求1所述的基于深度卷积神经网络的人体运动计数方法，其特征在于：步骤(4)所述的分类运算过程还包括对关键动作帧的提取步骤；对关键动作帧的提取步骤利用PCA算法提取视频序列包含的动作姿态特征信息，利用K均值聚类算法将每一类运动的所有动作姿态分成三个聚类；在每个聚类中选择与聚类中心的距离小于该聚类所属类簇半径0.2倍的帧作为关键动作帧，参与所述分类运算过程，而聚类中不符合此条件的帧不参与分类运算过程。

5.根据权利要求1所述的基于深度卷积神经网络的人体运动计数方法，其特征在于：所使用的深度卷积神经网络与传统的AlexNet神经网络相比，减少两个全连接层，仅保留一个卷积层、一个池化层和一个全连接输出层。

6.根据权利要求1-3任意一项所述的基于深度卷积神经网络的人体运动计数方法，其特征在于，M1～M5这5种运动所对应的P1～P15关键动作姿态分别为：

M1-仰卧起坐所包含的关键动作姿态有：P1.平躺状态，P2.半起状态，P3.手肘触腿状态；

M2-俯卧撑所包含的关键动作姿态有：P4.俯卧撑准备阶段，P5.俯卧撑下降阶段，P6.俯卧撑完成状态；

M3-深蹲所包含的关键动作姿态有：P7.直立状态，P8.半蹲状态，P9.蹲下状态；

M4-引体向上所包含的关键动作姿态有：P10.下垂状态，P11.手臂弯曲状态，P12.头部高于单杠状态；

M5-高抬腿所包含的关键动作姿态有：P13.左脚平直状态，P14.左脚向下阶段，P15.右脚平直状态。

7.根据权利要求1所述的基于深度卷积神经网络的人体运动计数方法，其特征在于，步骤(5)的判断过程所包含的任意一个关键动作姿态序列，都至少包含3个视频帧。