[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

摘要

本发明公开了一种基于深度卷积神经网络的人体运动计数方法，通过定义5种基本人体运动类型和每种运动类型的3个关键动作姿态序列，令不同人表演5种运动并且录制这5种运动以及其他类型运动的视频序列，以作为训练样本结合16个类别的分类器，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；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、所进行的运动类型并且将所属的运动计数加一，已达到自动、高效的对5种运动进行识别与计数，让锻炼者能够心无旁骛的进行健身动作，以及对动作视频的识别过程进行标准校对、剔除不规范动作计数的问题。

主权项

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。