[发明专利]基于深度卷积网络的引体向上计数检测方法及装置

摘要

本发明涉及一种基于深度卷积神经网络的引体向上检测计数方法及装置，先通过构建多层深度卷积神经网络并对神经网络进行训练，其训练得出输出层矢量元素到中间层输出矢量元素的权值以及中间层输出矢量元素到输出层矢量元素的权值，并根据总误差函数来与误差阈值的关系来判断进一步调整权值得到良好的分类器，并利用该分类器对采集的视频图像进行分析进而检测出人体动作目标及动作分类，将获取到的分类值按照时间顺序进行串联形成动作序列，并与标准引体向上动作序列进行比对，判断人员的此次引体向上是否标准，若序列匹配，则引体向上计数总和加1，本发明具有泛化能力强、鲁棒性强、计数准确率高、计数速度快等优点。

主权项

一种基于深度卷积神经网络的引体向上运动检测计数方法，其特征在于，包括利用卷积神经网络训练生成标准动作分类器的步骤和引体向上运动检测计数步骤；所述卷积神经网络训练并生成标准动作分类器包括以下步骤：S10、制作训练图像样本：从引体向上视频图像中选取多组样本图像数据，所述样本图像数据包括：下巴过杠图像样本组数据；头部过杠但下巴未过杠图像样本组数据；头部低于单杠并且手臂弯曲状态图像样本组数据；头部低于单杠并且手臂伸直状态图像样本组；每组样本来源于不同的样本空间，且样本做好分类标记；S11、样本图像正则化：将原始样本图像进行图像大小变换操作，将其分辨率压缩到256*256，并将图像数据转化为浮点向量数据；S12、初始化深度卷积神经网络：构建一个多层深度卷积神经网络，通过初始设定权值参数初始化每一层的神经网络；S13、训练网络:将标记好的一个图像样本的浮点向量数据输入完成初始化的深度卷积神经网络的输入层，经过多层卷积神经网络的计算，得到最后一层的输出向量；S14、反向修改各层权值参数：将输出向量和标记类的理想输出向量进行比较，得到误差值，利用误差值反向自动修正各层神经网络的权值参数，完成一组训练；S15、训练完成后，生成一个深度卷积神经网络的分类器。所述引体向上运动检测计数包括如下步骤：S20、获取视频流：获取待检测计数的视频图像流；S21、检测识别：从视频图像流中按时间顺序依次取出每一帧图像，使用训练完成的深度卷积神经网络分类器，对图像进行目标检测和分类识别，依次输出每一帧图像的识别结果和分类得分值；S22、计数判断：将获取到的分类得分值按照时间顺序进行串联形成动作序列，并与标准引体向上动作序列进行比对，判断人员的此次引体向上是否标准，若序列匹配，则引体向上计数总和加1。