[发明专利]一种健身动作的属性确定方法、装置、设备和存储介质

说明书

本发明公开了一种健身动作的属性确定方法、装置、设备和存储介质，该方法包括：获取用户的健身视频，抽取得到健身视频中的视频帧；将视频帧输入预先训练的三维预测模型，得到对应的实际三维人体模型；根据实际三维人体模型中各关键点的参数，确定用户的实际运动参数；根据实际运动参数和标准运动参数，确定健身视频中健身动作的属性。本发明通过预先训练的三维预测模型，可直接将健身视频中的二维视频帧图像转换为实际三维人体模型，从而可根据实际三维人体模型中的各个关键点的参数，确定健身动作的标准度，实现了在降低使用成本的同时，保证了健身动作的属性的识别准确度。

技术领域

本发明实施例涉及健身技术，尤其涉及一种健身动作的属性确定方法、装置、设备和存储介质。

背景技术

随着人们生活水平的不断提升，人们越来越重视身体素质的提高。在实际健身过程中，为了能够识别出健身动作是否标准，可通过私人教练进行指导，但由于私人教练的费用较高，无法满足所有人的健身需要。

目前，主要采用可穿戴式设备(比如，智能手环、智能手表等)中的多轴惯性测量传感器对健身动作进行识别。但可穿戴式设备多用于跑步等需要摆臂的场景，从而在对摆臂不明显的健身动作进行采集识别时，该设备对健身动作的识别效果不佳。

在视觉方向，通常通过检测二维图像中用户的关节点或者直接使用深度相机获取关节点的三维坐标对健身动作进行识别，并估计健身动作的标准度。但由于二维图像中的关节点由于缺少深度信息导致识别的准确度受到影响；虽然深度相机准确度较高，但由于其价格等原因，造成深度相机的普及率较低，从而无法满足大部分用户的需求。

发明内容

有鉴于此，本发明提供一种健身动作的属性确定方法、装置、设备和存储介质，在降低使用成本的同时，保证了健身动作的属性的识别准确度。

第一方面，本发明实施例提供了一种健身动作的属性确定方法，包括：

获取用户的健身视频，抽取得到所述健身视频中的视频帧；

将所述视频帧输入预先训练的三维预测模型，得到对应的实际三维人体模型，所述三维预测模型为将二维图像以及二维图像中对应动作的标准三维人体模型输入深度神经网络训练得到；

根据所述实际三维人体模型中各关键点的参数，确定用户的实际运动参数；

根据所述实际运动参数和标准运动参数，确定所述健身视频中健身动作的属性。

进一步的，所述健身动作的属性包括下述至少一项：健身动作的标准度、健身动作的类型。

进一步的，所述三维预测模型为将二维图像以及二维图像中动作对应的标准三维人体模型输入深度神经网络训练得到，包括：

采集用户在同一视角的健身动作的二维图像；

根据所述二维图像中的健身动作查找到对应的标准三维人体模型；

将所述二维图像和所述标准三维人体模型输入深度神经网络进行训练，得到对应的三维预测模型。

进一步的，在将所述视频帧输入预先训练的三维预测模型，得到对应的实际三维人体模型之后，还包括：

按照视频帧的抽取顺序将对应的实际三维人体模型组成实际三维人体模型序列。

进一步的，所述根据所述实际三维人体模型中各关键点的参数，确定用户的实际运动参数，包括：

提取所述实际三维人体模型序列中各个所述实际三维人体模型中各关键点的实际三维坐标；

按照视频帧的抽取顺序对各关键点的实际三维坐标进行排序组合，生成实际三维坐标序列；

根据所述实际三维坐标序列确定用户的实际运动参数。