(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210411131.3 (22)申请日 2022.04.19 (71)申请人 长三角信息智能创新研究院 地址 230051 安徽省芜湖市智慧城市协同 创新中心 申请人 中科合肥技 术创新工程院 (72)发明人 孙少明　王君洪　彭伟　孙根基　 王俊　田新壮　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 谢中用 (51)Int.Cl. G06V 40/20(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 20/40(2022.01) (54)发明名称 一种人体训练动作的识别与计数方法及系 统 (57)摘要 本发明涉及动作识别领域， 公开了一种人体 训练动作的识别 与计数方法及系统， 识别与计数 方法包括以下步骤： 采集人体训练的视频， 通过 轻量级卷积神经网络模型提取视频中人体的骨 骼点数据； 利用经过滑动窗口均值滤波算法处理 后的人体骨骼点数据， 构建基于静态特征与动态 特征的融合特征向量； 使用双向长短时记忆神经 网络对融合特征向量对应的时序序列进行动作 识别； 根据人体训练时的不同动作对应的特征， 采用差分选择峰值法进行动作计数； 本发明可以 实时运行在手机上， 不依赖其他 设备即可对青少 年耐力素质无器 械训练动作进行识别和计数。 权利要求书1页 说明书5页 附图1页 CN 114863558 A 2022.08.05 CN 114863558 A 1.一种人体训练动作的识别与计数 方法， 包括以下步骤： 步骤一： 采集人体训练的视频， 通过轻量级卷积神经网络模型提取视频中人体的骨骼 点数据； 步骤二： 利用经过滑动 窗口均值滤波算法处理后的人体骨骼点数据， 构建基于静态特 征与动态特 征的融合特 征向量； 步骤三： 使用双向长短时记忆神经网络对融合特征向量对应的时序序列进行动作识 别； 步骤四： 根据人体训练时的不同动作对应的特 征， 采用差分选择峰值法进行动作计数。 2.根据权利要求1所述的人体训练动作的识别与计数方法， 其特征在于： 步骤二中， 通 过滑动窗口均值滤波算法对 人体骨骼 点数据进行 处理时， 骨骼点数据为N， 滑动窗口均值滤 波算法的滑动窗口大小s＝5， 即每一个滑动窗口包含5帧骨骼 点数据， 滑动窗口的步长为 1， 对于任意时刻t， 计算t ‑2到t+2时间段共计5帧骨骼点数据的均值 3.根据权利要求1所述的人体训练动作的识别与计数方法， 其特征在于： 静态特征包括 距离特征和角度特 征； 距离特征包括： 鼻子y轴的相对位置d1、 左臀部和右臀部x轴的相对距离d2、 左肩部与左 肘部y轴的相对距离d3、 右肩部与右肘部y轴的相对距离d4、 左肩部与左手腕y轴的相对距离 d5、 右肩部与右手腕y轴的相对距离d6、 左肘部与左手腕y轴的相对距离d7、 右肘部与右手腕y 轴的相对距离d8、 左臀部与左膝盖y轴的相对距离d9、 右臀部与右膝盖y轴的相对距离d10、 左 膝盖与左脚踝y轴的相对距离d11、 右膝盖与右脚踝y轴的相对距离d12； 各距离特征构成距离 特征向量D； 角度特征包括： 左肘部 ‑肩部‑臀部构成的夹角 θ1、 右肘部‑肩部‑臀部构成的夹角 θ2、 左 肘部‑手腕‑原点构成的夹角 θ3、 右肘部‑手腕‑原点构成的夹角 θ4、 左肩部肘部手腕构成的夹 角 θ5、 右肩部‑肘部‑手腕构成 的夹角 θ6、 左臀部‑膝盖‑原点构成的夹角 θ7、 右臀部‑膝盖‑原 点构成的夹角 θ8、 左臀部‑膝盖‑脚踝构成的夹角 θ9、 右臀部‑膝盖‑脚踝构成的夹角 θ10； 各角 度特征构成角度特 征向量φ； 动态特征依次包括夹角 θ1、 θ2、 θ3、 θ4、 θ5、 θ6、 θ7、 θ8、 θ9、 θ10对应的角速度ω1、 ω2、 ω3、 ω4、 ω5、 ω6、 ω7、 ω8、 ω9、 ω10； 各动态特 征构成动态特 征向量W； 距离特征向量D、 角度特 征向量φ、 动态特 征向量W组成融合特 征向量T＝[ D， φ， W]。 4.一种人体训练动作的识别与计数系统， 其特 征在于， 包括： 骨骼点数据采集模块， 其采集人体训练的视频， 通过轻量级卷积神经网络模型提取视 频中人体的骨骼点数据； 融合向量生成模块， 其利用经过滑动 窗口均值滤波算法处理后的人体骨骼点数据， 构 建基于静态特 征与动态特 征的融合特 征向量； 动作识别模块， 其使用双向长短时记忆神经网络对融合特征向量对应的时序序列进行 动作识别； 动作技术模块， 其根据人体训练时的不同动作对应的特征， 采用差分选择峰值法进行 动作计数。权　利　要　求　书 1/1 页 2 CN 114863558 A 2一种人体训练动作的识别与计数方 法及系统 技术领域 [0001]本发明涉及动作识别领域， 具体涉及一种人体训练动作的识别与计数方法及系 统。 背景技术 [0002]全国学生体质与健康调研结果显示， 2019年全国6岁至22岁学生体质健康达标优 良率为23.8％， 与 2014年相比， 高中生优良率仅提升了1.8％。 由此可见， 我国青少年体质健 康水平上升缓慢， 优良率偏低， 总体情况不容乐观。 其中耐力素质作为人体基本身体素质之 一， 是人体心肺耐力与 心血管功能水平的综合反映， 提高耐力素质对于体质增强十 分重要。 针对青少年耐力素质提升， 需要利用好课后时间。 传统的方法， 例如要求学生课后自觉做耐 力训练， 很难起到对运动的有效监督， 需要训练者自觉完成， 缺乏监督性。 动作识别可以有 效地解决该问题， 通过对训练的视频信息进行动作识别与计数， 从而实现对训练的有效监 督。 发明内容 [0003]为解决上述 技术问题， 本发明提供一种人体训练动作的识别与计数 方法及系统。 [0004]为解决上述 技术问题， 本发明采用如下技 术方案： [0005]一种人体训练动作的识别与计数 方法， 包括以下步骤： [0006]步骤一： 采集人体训练的视频， 通过轻量级卷积神经网络模型提取视频中人体的 骨骼点数据； [0007]步骤二： 利用经过滑动窗口均值滤波算法处理后的人体骨骼点数据， 构建基于静 态特征与动态特 征的融合特 征向量； [0008]步骤三： 使用双向长短时记忆神经网络对融合特征向量对应的时序序列进行动作 识别； [0009]步骤四： 根据人体训练时的不 同动作对应 的特征， 采用差分选择峰值法进行动作 计数。 [0010]具体地， 步骤二中， 通过滑动窗口均值滤波算法对人体骨骼点数据进行处理时， 骨 骼点数据为N， 滑动窗口均值滤波算法的滑动窗口大小s＝5， 即每一个滑动窗口包含5帧骨 骼点数据， 滑动窗口的步长为1， 对于任意时刻t， 计算t ‑2到t+2时间段共计5帧骨骼点数据 的均值 [0011]具体地， 静态特 征包括距离特 征和角度特 征； [0012]距离特征包括： 鼻子y轴的相对位置d1、 左臀部和右臀部x轴的相对距离d2、 左肩部 与左肘部y轴的相对距离d3、 右肩部与右肘部y轴的相对距离d4、 左肩部与左手腕y轴的相对 距离d5、 右肩部与右手腕y轴的相对距离 d6、 左肘部与左手腕y轴的相对距离d7、 右肘部与右 手腕y轴的相对距离d8、 左臀部与左膝盖y轴的相对距离d9、 右臀部与右膝盖y轴的相对距离说　明　书 1/5 页 3 CN 114863558 A 3