[发明专利]基于深度学习图像识别的健身动作纠错方法及系统

权利要求书

1.一种基于深度学习图像识别的健身动作纠错方法，包括以下步骤：

接收从无音乐节奏的健身视频中截取的每帧健身图像，记录每帧健身图像对应的时间，并对每帧健身图像进行预处理；

将预处理后的健身图像输入到以VGG网络结构为基础，经训练获得的人体关节识别模型中，所述VGG网络结构包括依次连接输出层、的224*224*64第一卷积层、112*112*128第一最大池化层、112*112*128第二卷积层、112*112*128第三卷积层、56*56*256第二最大池化层、56*56*256第四卷积层、56*56*256第五卷积层、56*56*256第六卷积层、56*56*256第七卷积层、14*14*512第三最大池化层、14*14*512第八卷积层、14*14*512第九卷积层、14*14*512第十卷积层、14*14*512第十一卷积层、1*1*448全连接输出层，所述全连接输出层分成两个独立的部分，每部分分别与独立的损失函数相连接，以计算模型的预测x坐标和y坐标与训练目标的误差，后向传播时，两个损失函数独立计算向后传播子梯度，并将两个子梯度之和作为全连接输出层的后向传播梯度；

经所述人体关节识别模型计算，输出健身图像中包含的每个人体关节及其位置坐标，将各个关节根据坐标位置有序连线，得到人体骨架图；

根据标准健身动作对所述人体骨架图进行比对分析，将每帧人体骨架图按照时间顺序进行记录，将健身动作中的关键动作与标准关键动作的角度、幅度进行对比，以关键动作与标准关键动作的角度、幅度的差异程度来确定关键动作分值，并将多个关键动作分值的平均值作为总体健身动作的总分值，将总分值低于阈值的人体骨架图对应的健身图像作为不标准健身图像。

2.如权利要求1所述的基于深度学习图像识别的健身动作纠错方法，其特征在于，输出不标准健身图像的同时，还输出与该不标准健身图像对应的标准健身图像和时间。

3.如权利要求1所述的基于深度学习图像识别的健身动作纠错方法，其特征在于，所述对每帧健身图像进行预处理包括：

调整每帧健身图像到同一尺寸；

将每帧健身图像转换成灰度图。