[发明专利]一种基于深度学习和姿态估计的攀岩动作评价系统

权利要求书

1.一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，包括数据采集模块、目标追踪模块、AlphaPose和神经网络算法，其评价步骤为：

S1：通过数据采集模块采集攀岩者的图片，并将其输入目标追踪模块；

S2：目标追踪模块利用YOLO进行目标(攀岩者)在图像中进行追踪；

S3：追踪到的目标信息会经过AlphaPose的处理从而形成人体骨架图以及人体关节的坐标数据；

S4：采用神经网络算法，输入骨架坐标数据进行训练，从而得出正确的评判。

2.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述数据采集模块为摄像头。

3.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S2中，YOLO采用卷积神经网络为主体，目标追踪的方法为：

A1：YOLO首先将图像分为S×S的格子，如果一个目标的中心落入格子，该格子就负责检测该目标，每一个网格中预测B个Boundingbox和置信值，这些置信度分数反映了该模型对盒子是否包含目标的信心，以及它预测盒子的准确程度，然后，我们定义置信值为：

A2：如果没有目标，置信值为零，每一个boundingbox包含5个值：x，y，w，h和confidence。(x，y)坐标表示边界框相对于网格单元边界框的中心，宽度和高度是相对于整张图像预测的，confidence表示预测的box与实际边界框之间的IOU，每个网格单元还预测C个条件类别概率：PR(Class_i丨Object)。

A3：这些概率是以网格包含目标为条件的，每个网格单元我们只预测的一组类别概率，而不管边界框的的数量B是多少。

4.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S2中，卷积神经网络包括输入层、隐含层和输出层。

5.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S2中，输入层用于处理多维数据，数据采集模块将像素输入时，将分布于[0,255]的原始像素值归一化至[0,1]区间。

6.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S2中，隐含层包括卷积层、池化层和全连接层，其顺序依次为输入-卷积层-池化层-全连接层-输出。

7.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S2中，输出层使用逻辑函数或归一化指数函数输出分类标签，输出层直接输出每个像素的分类结果。

8.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S3中，AlphaPose是一个实时多人姿态估计系统，其支持支持Linux与Windows系统使用，并且支撑图片、视频、摄像头输入，实时在线计算出多人的姿态结果。

9.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S3中，神经网络算法包括前向传播和反向传播，其中前向传播本质上是线性变换与非线性变换的交替复合，其采用RelU函数作为激活函数，其数学表示为：其矩阵表示为：∫(X)＝ReLU(W^TX+b)，将人体关节坐标数据的W和b输入上述式中，即可得到正确的评判。

10.根据权利要求1所述的一种基于深度学习和姿态估计的攀岩动作评价系统，其特征在于，所述S3中，神经网络算法中后向传播过程则是对网络参数，也就是前向船舶中的W和b的纠正过程，选择交叉熵作为误差函数，其指标为：其中M为类别数量，y_c是指标变量，P_c是对于观测样本属于类别公式的预测概率，对于二次分类表达式为：L＝-[y·log(P)+(1-y)·log(1-P)]，对于反向传播，每个参数的误差为：C为任一误差函数，则计算最后一层神经网络产生的误差与此之前的每一层的误差为：随后利用此误差公式进行数据修正。