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！

摘要：本发明涉及器械联动控制技术领域，尤其涉及了一种健身器械联动控制方法及系统，包括数据采集传感模块、摄像模块和音乐播放模块，所述数据采集传感模块包括人脸识别单元、指纹识别单元和运动数据传感单元，所述人脸识别单元和指纹识别单元基于用户身份信息建立用户健身数据库，所述摄像模块基于对拍摄的图像或视频进行预处理后，识别和检测人体骨骼关键点的姿态信息，通过确定骨骼关键点的联动变化范围后对运动的姿态进行计数。该健身器械联动控制方法及系统，对用户健身动作单位时间内的频率进行聚类，确定用户健身时单位时间内的最优频率合集，若在最优频率合集内则进行一次计数，可以有效的提高用户健身时动作的准确性，进而提升健身效果。

主权项：1.一种健身器械联动控制方法，其特征在于，包括以下步骤：S1：用户在进入到健身房时，健身房入口处的人脸识别设备和指纹识别设备会对用户进行识别，获取用户的身份信息并生成相应的用户ID序列号，使用序列号建立用户健身数据库，通过用户ID序列号实现健身数据库中用户信息与采集到的用户健身信息进行绑定匹配；S2：用户在健身设备的音乐播放模块导入自己的听歌日志，在健身过程中根据自己的喜好播放音乐，使用设备根据用户听歌日志推荐音乐播放，S3：摄像模块基于人脸检测器确定用户身份后，将拍摄的图像和视频传输至处理器进行图像预处理；将拍摄的画面传输到图像处理器，图像处理器对图像数据进行VLAD融合后获取向量，首先对一个视频的各个帧特征进行聚类得到多个聚类中心，将所有的特征分配到指定的聚类中心中，对于每个聚类区域中的特征向量取平均，最终合并所有的聚类区域的特征向量作为整个视频的特征向量；把所有帧的特征向量聚类到一个中心点，而VLAD将所有帧的特征向量聚类到多个中心点，通过所有特征向量的堆叠，能够获得更加丰富的特征，丢失更少的信息；获得的向量通过3D卷积中的低秩近似模型对图像进行建模，得到特征结果；在所有图像都采用3×3×3的卷积核，卷积层步长被设置为1；VGG的输入被设置为224×244大小的RGB图像，在训练集图像上对所有图像计算RGB均值，然后把图像作为输入传入VGG卷积网络；假设在一个图像中提取到n个识别点，那么这个图像的视觉特征表示为χ＝{x1，…，xj，…xn}，相应的位置特征表示为P＝P＝{P1，…，Pj，…，Pn}，其中xj和Pj分布表示第j个识别点的视觉特征和位置特征；为了获取更高效的识别表示，需要对底层的图像特征进行编码得到图像的向量级表示；首先利用k均值聚类对视觉特征进行聚类，生成视觉词典，假设聚类得到的视觉词典VD1大小为k1则VD1表示为VD1＝{C1，…，Ci，…，Ck1}，其中Ci表示视觉词典中第i个聚类中心，原始的VLAD编码是计算每个聚类中心与其所述元素的差值和，即第i个聚类中心的编码向量表示为： 其中xj表示聚类中心Ci所包含的第j个视觉特征，Ni表示聚类中心Ci所包含的视觉特征个数；为了增强视觉特征中聚类中心的作用，增加对聚类中心与其最相似元素的残差的计算，第i个聚类中心的VLAD计算公式为： 其中xt表示聚类中心Ci所包含的视觉特征中与其最相似的视觉特征；当视觉字典的大小为k1时，图像的图像编码向量表示为： 对图像数据进行增强处理，幅值随机增强，在完成有效图像数据提取之后得到数据xvalid，其采样点数为Nvalid，以Nclip为每个图像的采样点数，对xvalid进行切片得到多个切片数据xclipλc，其中λc为切片序号；对每一个切片数据xclipλc进行随机的幅度增强或者衰减；首先从[rn_l,rn_h]中随机选取一个增益值rn_s，然后在[rn_s-rn_o,rn_h+rn_o]中选取第二个随机值，用作一个切片的增益，与切片数据直接相乘得到增益处理后的切片数据；所有切片的增益值均在范围在[rn_s-rn_o,rn_h+rn_o]中随机获取，并按照同样的方式进行增益处理；其中rn_l和rn_h分别是第一级随机增益的下限和上限，而rn_o则是第二级增益的偏移量；经过随机增益处理后的数据切片重新合成为完整的图像数据；从处理后的图像或者视频中检测和定位物体，将检测到的人体信息通过姿态估计模型识别出人体骨骼关键点和姿态信息，根据不同健身动作观察骨骼关键点的变化，利用计数算法为其计数；提取全局特征，提取Rx和Ry节点，提取的特征图进行上采样，上采样模块由3个连续的反卷积层、批量归一化和ReLU激活函数构成，再经过1×1的卷积来生成根结点的2D热图，使用Softargmax对2D热图中提取Rx和Ry节点；用于提取RZ节点，将Backbone层提取的特征图经过全局平均池化处理，再经过1×1的卷积输出标量值γ，通过与k值相乘得到最终的绝对深度值RZ；不同的健身动作有不同的健身计数算法，区别在于人体骨骼关键点的联动变化，通过观察某个关键点的角度变化；假设给定三个骨骼关键点的坐标分别为1,yxA，2,yxB和3,yxC，求出各个角对应的边长分别为a、b和c，再通过反余弦公式判断角度B是否在可选择的角度范围内； 以高位下拉为例，定义高位下拉健身动作计数的规则，需要严格遵守高位下拉健身动作的要求，即保证上躯干呈现直线状态，下拉过程中两手肘的特定角度范围内且手臂状态发生改变时才进行计数；S4：在用户健身过程中，健身设备上的计数传感器对用户健身时的动作频率进行计算，控制模块对用户健身动作单位时间内的频率进行聚类，确定用户健身时单位时间内的最优频率合集，若在最优频率合集内则进行一次计数并在健身设备显示屏上进行显示，否则不显示计数；计数的具体步骤如下：首先给出如下定义：任意两个频率数据点间距离的平均值为： 其中：dxi,xj是任意两点之间的欧氏距离，n表示频率数据点的个数；定义领域半径为R，其中reler为调节系数，reler取0.13时，聚类效果最好；频率点的聚集度定义： 簇类平均距离定义为： Gxi是通过比较聚集度Dpxi来确定的，用它来衡量不同簇之间的差异性；在所有的频率点中，当xi的聚集度最大时，Gxi是xi与剩余所有点之间的最大距离，反之则为xi与剩余所有点之间的最小距离；中心聚集参数定义为： 计算出每个点的中心聚集参数ωXi；游离点的去除，游离点是那些与其他所有点距离较远的点，它们的存在会导致所属类中中心点的偏离，从而影响到分类的效果；选出使得ωXi最大的点Xi，由它做为第一个初始聚类中心，计算出Xi与剩余点间的距离，将得到的距离值与邻域半径R作比较，若距离小于R则说明与Xi划为一类，因此将从数据点中除去这些点，若距离大于R，则说明与Xi的距离过远，不适宜与Xi归为一类，因此将这些点保留下来，进行下一步；保留下的点里再选出ωXi最大的点，作为第2个聚类中心，再次操作上述步骤；一直重复操作上述步骤，当数据集中的点X1，X2，…Xn全部去除为止，输出k个最优初始中心Mii＝1,2,…,k；计数后在健身设备显示屏上进行显示，只有在计数达到健身要求后才会进行显示，对用户健身动作的准确性进行控制。

全文数据：

权利要求：

百度查询： 深圳市三为创新电子科技有限公司 一种健身器械联动控制方法及系统