[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

说明书

技术领域

本发明涉及图像处理技术领域，特别是涉及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及装置。

背景技术

随着机器学习的不断发展，基于深度卷积神经网络的视频图像智能识别技术渐渐成为机器视觉领域的研发热点之一。所谓“图像智能识别技术”，就是利用深度学习算法实现从视频图像流中抽取的关键特征表示信息，并利用这种关键特征信息为用户提供有价值的服务，主要价值体现在替代用人眼分辨事物等业务领域，减少人力投入，提高工作效率。比如，在数字识别的过程中，对于手写体的识别一直是一个难题，而其又在邮政编码的识别、银行业务等方面具有较为广泛的应用，但是其字体形式变化较大，导致提高对其的识别率成为了一个难题，精准的识别存在着较大的困难。而采用人工智能中的神经网络技术后，系统可以利用神经网络的学习及快速并行功能来实现对手写数字的快速识别，有力的提高相关运用领域的工作效率。

智能化运动检测系统可以对生物肢体动作进行检测识别并计数，同时也可做行为识别，对人体肢体行为进行描述，在现实中有着极其重要的意义。在体育类运动中，可以完全替代裁判的角色，减少人为错误及误差。智能化运动检测可以规范运动标准，在解决一些争议性问题上，使得运动员的成绩更加公平。

实际上，目前大多数体育竞技运动评判系统都造价昂贵，常用的引体向上运动检测计数方法主要是红外线检测的方式，采用的解决方法原始，智能性极低。同时设备系统部署困难，安装、使用过程复杂，设备正常运行对环境要求也较高，如光照、天气环境。另外当前的设备都存在准确率不太高的问题，如当前基于RFID引体向上检测计数电子设备判断的出错率较高，且不能事后查验，很难排除一些作弊行为，当有异物遮挡接收端和发射端也会计数，在引体向上运动计数中，很难准确判定下巴过杠，手臂是否弯曲达标等情况。

发明内容

为解决上述问题，本发明公开一种基于深度卷积神经网络的引体向上计数检测方法和装置，通过大量的引体向上运动肢体样本训练网络，得到一个准确率极高的分类器，用于检测引体向上动作，将最新的深度学习技术应用到引体向上检测计数问题中，解决了大多传统设备在使用中准确率低，不能判断动作规范性的缺陷和不足等问题。

本发明公开一种鲁棒性较佳、检测准确率高的基于深度卷积网神经络的引体向上运动检测计数方法及装置，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。

其中，所述多层深度卷积神经网络的层数为九层，深度卷积神经网络包括九个卷积层、六个池化层和一个全连接层，并用初始设定权值参数初始化每一层的神经网络。