[发明专利]一种健身动作实时监控方法及人工智能识别系统

权利要求书

1.一种健身动作实时监控方法，其特征在于，该监控方法包括以下步骤：

部署相机采集RGB图像；对所述RGB图像进行标注，得到人体关键点类别标注图像；将所述RGB图像与所述人体关键点类别标注图像组成数据集；

对所述RGB图像利用BodyPix 2.0进行人体部位分割，得到人体部位分割图像；建立人体关键点与人体部位的对应关系，基于所述对应关系获取所述数据集中每个人体关键点类别所对应的人体部位分割的平均面积；基于所述每个人体关键点类别所对应的人体部位分割的平均面积获取每个关键点类别中每个关键点的高斯分布大小、高斯分布标准差；

基于所述每个关键点的高斯分布大小、高斯分布标准差获取图像的x坐标一维分布向量和y坐标一维分布向量；根据所述人体关键点类别标注图像中关键点的位置获取图像中每个人员的标签值；根据所述图像的x坐标一维分布向量、y坐标一维分布向量和所述图像中每个人员的标签值获取x标签值分布向量、y标签值分布向量；所述图像的x坐标一维分布向量、y坐标一维分布向量和、x标签值分布向量、y标签值分布向量组成标签数据；

x坐标一维分布向量和y坐标一维分布向量的获取方法为：

首先生成宽度为w的x坐标一维向量，高度为h的y坐标一维向量；

对于每个一维向量，将关键点相应的规范化坐标代入一维高斯分布的函数中，同时根据其分布大小将该坐标得到的邻域规范化坐标进行代入，得到每一个关键点的一维高斯分布值；

所述每个关键点的规范化坐标为0，根据该关键点的分布大小获取其邻域，邻域的规范化坐标是为以关键点为原点的坐标；最终代入一维高斯分布函数后求取出高斯分布概率值，再进行归一化，得到该关键点及相应分布大小的一维高斯分布概率值；所述每个关键点都有其相应的分布大小及一维高斯分布标准差；

然后将所有关键点进行一一代入与计算，并将每张图像所有关键点计算得到的一维高斯分布概率值进行相加，即可得到每张图像的x坐标一维分布向量和y坐标一维分布向量；

每个人员的标签值的计算方法为：

n表示图像中的第n个人员，K表示关键点类别的数量，分别表示第n个人员第i个关键点的X、Y坐标，w、h分别为图像的宽、高，该标签值包含两部分，前面为x标签值，后面为y标签值

建立第一神经网络，根据所述RGB图像与所述标签数据训练所述第一神经网络；

利用所述第一神经网络获取预测标签数据；根据所述预测标签数据获取图像中每个人员的人体姿态信息；

根据所述每个人员的人体姿态信息建立第二神经网络，用以识别人员的健身动作状态。

2.根据权利要求1所述的一种健身动作实时监控方法，其特征在于，所述每个关键点的高斯分布大小的计算方法为：

表示第l类别关键点中第i个关键点的分布大小，表示第l类别关键点所对应的人体部位分割的平均面积，表示第l类别关键点中第i个关键点所对应的该人体部位分割的面积，为向上取整函数，表示基准高斯分布大小。

3.根据权利要求1所述的一种健身动作实时监控方法，其特征在于，所述每个关键点的高斯分布标准差的计算方法为：

表示第l类别关键点中第i个关键点的高斯分布标准差，表示第l类别关键点所对应的人体部位分割的平均面积，表示第l类别关键点中第i个关键点所对应的该人体部位分割的面积，为向上取整函数，表示基准高斯分布标准差。

4.根据权利要求1所述的一种健身动作实时监控方法，其特征在于，所述x标签值分布向量、y标签值分布向量的获取方法为：

首先获取人员所有关键点的一维高斯分布概率值，然后将所有关键点的一维高斯分布概率值相应位置进行求和，然后求平均，得到平均一维高斯分布概率，并将其与标签值相乘，得到标签分布向量；

由于坐标向量表示为x、y两个一维向量，因此同样有x标签值分布向量、y标签值分布向量；每一个人员的所有类别关键点标签值为相同的一个值。