买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北省体育科学研究所(河北省体育局反兴奋剂服务中心)

摘要：本发明公开了一种基于姿态评估的运动员动作识别方法，方法包括：姿态数据采集、特征提取、构建动作捕捉模型、动作识别和实际应用。本发明属于运动科学技术领域，具体是指一种基于姿态评估的运动员动作识别方法，本方案选择最优分割变量和分割点，迭代划分姿态数据空间，生成决策树并提取关键姿态数据特征，提高动作识别效率；构建动作捕捉模型，创建骨架模型，将虚拟的骨骼与骨架模型表面进行重量绑定，进行调试和优化，进行顶点映射变换，解决骨架模型与人体姿势匹配度不高的问题；获取人体运动数据并引入人体关节点结构，计算具有局部姿态约束的损失函数，进行超参数优化，使模型更加关注局部姿态的准确性。

主权项：1.一种基于姿态评估的运动员动作识别方法，其特征在于：该方法包括以下步骤：步骤S1：姿态数据采集；步骤S2：特征提取，具体为选择最优分割变量和分割点，迭代划分姿态数据空间，生成决策树并提取关键姿态数据特征；步骤S3：构建动作捕捉模型，具体为输入姿态数据特征，创建骨架模型，将虚拟的骨骼与骨架模型表面进行重量绑定，进行调试和优化，进行顶点映射变换，进行实地动作捕捉测试；步骤S4：动作识别，具体为获取人体运动数据并引入人体关节点结构，计算具有局部姿态约束的损失函数，进行超参数优化，使模型在训练过程中更加关注局部姿态的准确性；步骤S5：实际应用；在步骤S3中，所述构建动作捕捉模型，包括以下步骤：步骤S31：创建骨架模型，输入姿态数据特征，创建一个精确的骨架模型，与要捕捉的运动员的骨骼结构相匹配，确保骨架的关节和骨骼长度准确反映运动员实际动作情况，建立合理的骨骼层次结构，使关节之间的连接和运动关系符合人体动力学原理；步骤S32：进行重量绑定，将虚拟的骨骼与骨架模型表面进行重量绑定，确定每个骨骼对骨架模型表面的影响力，确保重量均匀分布，不会导致不自然的变形和拉伸；步骤S33：调试和优化，进行动作捕捉之前，进行详细的调试和优化，确保骨架和重量绑定的准确性，检查关节的旋转范围、权重分布和模型的变形效果，为了将局部关节的旋转和偏移映射到全局，要进行两个变换步骤，使用正向反向运动学方法对关节进行建模，将每个步骤转换为点坐标和空间位置之间的关系，对于每个关节，使用正运动学累积局部映射变换沿运动学链进行处理，利用差分线性混合蒙皮层，基于蒙皮矩阵计算各顶点的全局变换，所用公式如下： ；式中，表示关节b的全局变换矩阵，表示权重矩阵的元素，表示关节a对关节b的影响程度，表示关节a的局部变换矩阵，A表示关节a的总数；步骤S34：进行顶点映射变换，转换完成后，逐个执行顶点映射转换以应用于输入字符，通过间接监测包络变形分支，学习特定骨架水平的骨骼参数，预测骨架、皮肤和重量绑定的输入字符系统，所用公式如下： ；式中，V表示输入字符的顶点位置，表示字符的变换矩阵，⊙表示按元素相乘，表示变换后的顶点位置；步骤S35：计算变换后的顶点位置，所用公式如下： ；式中，表示通过计算得到的变换后的顶点位置，J表示小型神经网络中MLP块的数量，j表示MLP块的索引，i表示生成的剩余形状的索引，N1表示生成的剩余形状的数量，表示与姿态相关的系数，用于插值累积，Mj表示小型神经网络的第j个MLP块，Bi表示通过网格卷积块生成的第i个剩余形状；步骤S36：实地测试，动作捕捉模型输出经过处理和转换后的动作捕捉结果，包括预测的骨架、皮肤和重量绑定的输入字符系统，在实际的跳台滑雪动作捕捉环境中进行测试，检查捕捉到的数据是否准确反映了实际动作，进行进一步的调整和优化；在步骤S4中，所述动作识别，包括以下步骤：步骤S41：获取人体运动数据，根据动作捕捉模型，获取人体运动数据，进行处理和分析，得到人体图和回归图，结合回归图和人体图结构的优点，利用回归网络通过坐标进行端到端训练的能力，借助人体图结构对人体关节点空间约束建模的优势；步骤S42：引入人体关节点结构，设计局部动作约束的损失函数，构建一个考虑关节点间空间约束的损失函数，引入人体关节点结构，通过模拟人体关节点的结构，将人体关节点结构引入损失函数中；步骤S43：计算具有局部姿态约束的损失函数，采用局部姿态约束的思想，以牺牲关节点姿态数据集与实际姿态数据集相似性为代价，构建利用姿态约束的目标函数，计算具有局部姿态约束的损失函数，通过这种方式实现连接节点之间位置分布的隐式学习，包括以下步骤：步骤S431：计算关节点位置的损失，所用公式如下： ；式中，L1表示关节点位置的损失，表示关节点的总数量，n表示当前处理的关节点索引，表示实际关节点位置，表示预测关节点位置，表示实际关节点位置和预测关节点位置之间的差异的1范数，表示实际关节点位置和预测关节点位置之间的差异的2范数的平方；步骤S432：计算联合位置概率的损失函数，所用公式如下： ；式中，L2表示联合位置概率的损失函数，用于衡量预测关节位置的概率与实际概率之间的差异，表示与模型的实际输出相关的预测关节位置的概率，表示相应关节点的实际概率的真实值；步骤S433：对于每对相互连接的人体关节点，计算关节点边结构的损耗函数，所用公式如下： ；式中，L3表示关节点边结构的损耗函数，R表示人体中关节边缘结构的实际数量，r表示人体中关节边缘结构的索引，表示训练模型输出的人体关节点结构的预测值，表示相应接头点之间的边结构的真实值；步骤S434：使用超参数对目标函数中的惩罚损失函数进行约束，得到具有局部姿态约束的损失函数，所用公式如下： ；式中，L表示具有局部姿态约束的损失函数，α和β表示超参数；步骤S44：超参数优化，定义超参数的范围和步长，初始化超参数的值，计算预期再生产的概率，并更新超参数组合，所用公式如下： ；式中，ω是一个常数值，ER表示预期再生产的概率，所述预期再生产的概率指在给定超参数值的情况下，参数组合在下一次迭代中被选中进行优化的可能性，代表了超参数组合的潜力和适应性，表示第t个超参数组合的适应度值，表示第t个超参数组合的多样性指标，t表示超参数组合的索引，N表示超参数组合的总数。

全文数据：

权利要求：

百度查询： 河北省体育科学研究所(河北省体育局反兴奋剂服务中心) 一种基于姿态评估的运动员动作识别方法