1.本发明涉及卷体动作计数技术领域，尤其涉及一种基于机器视觉的卷体动作计数方法和计数系统。
背景技术：
2.仰卧起坐是国内学生体育训练以及军队体能训练中一项重要的运动。对于仰卧起坐和卷腹等卷体动作，由于被测试者身材差异，使得常规的检测方法适用性差。目前大多数测试都是测试者躺在垫子上测试，然后统计者进行计数。采用这种方式进行锻炼和测试，需要更多的人力，且如果动作不规范也可能被计数，测试结果不能满足最后测试的精度要求。
技术实现要素：
3.为解决背景技术中存在的技术问题，本发明提出一种基于机器视觉的卷体动作计数方法和计数系统。
4.本发明提出的一种基于机器视觉的卷体动作计数方法，包括下列步骤：
5.s1、获取被测试者卷体动作时的实时视频流；
6.s2、对实时视频流进行隔帧保存并生成图像；
7.s3、对图像进行预处理；
8.s4、将预处理后的图像送入特征点检测网络进行特征点检测，并获得特征点点位图，所述特征点点位图包括动态特征点；
9.对特征点点位图进行依次检测，根据动态特征点的位置判定一个卷体动作完成，计数加一。
10.优选地，在s4中，所述根据动态特征点的位置判定一个卷体动作完成，具体为，当第x次检测到在第y帧特征点点位图中动态特征点的位置位于预设位置，且第x+1次检测到在第y+w帧特征点点位图中所述动态特征点位于所述预设位置，判定第y帧至第y+w帧之间一个卷体动作完成；其中，x、y、w均为正整数。
11.优选地，所述特征点点位图还包括静态参考点，所述动态特征点的位置位于预设位置，具体为，通过所述静态参考点确定所述动态特征点位于预设位置；
12.优选地，当预设位置位于预设位置阈值范围内时，x为正奇数，所述预设位置阈值范围不包含所述静态参考点；
13.优选地，通过动态特征点与所述静态参考点镜头之间的距离确定所述动态特征点位于预设位置；
14.优选地，所述动态特征点为手肘点，且所述静态参考点为膝盖点。
15.优选地，在s4中，所述静态参考点为膝盖点，所述动态特征点为手肘点；
16.当第x次检测到在第y帧特征点点位图中手肘点与膝盖点之间的距离为m0，且第x+1次检测到在第y+w帧特征点点位图中手肘点与膝盖点之间的距离为m0，判定第y帧至第y+w帧之间一个卷体动作完成，计数加一；
17.其中，m0为预设距离阈值，m0≥0，x、y、w均为正整数。
18.优选地，所述特征点还包括静态参考点，且所述静态参考点为膝盖点，所述动态特征点为手肘点；
19.在s4中，“根据动态特征点的位置判定一个卷体动作完成”具体为：
20.第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，当m
xz
＜m
x(z-1)
且m
xz
＜m
x(z+1)
时，判定一个卷体动作完成；
21.其中，m
x
≥0，且x、z、w均为正整数；
22.优选地，在s4中，“根据动态特征点的位置判定一个卷体动作完成”具体为：
23.第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，满足m
xz
＞m
x(z-1)
且m
xz
＞m
x(z+1)
，同时满足m
(x+1)(z+u)
＞m
(x+1)(z+u-1)
且m
(x+1)(z+u)
＞m
(x+1)(z+u+1)
时，判定一次卷体动作完成；
24.其中，m
x
≥0，且x、z、u均为正整数。
25.优选地，在第x次检测中，当手肘点与膝盖点之间的距离m
x
∈(m
max-t2,m
max
)，其中t2为最大值预设阈值；
26.在第z帧的特征点点位图中手肘点与膝盖点之间的距离m
xz
＞第z－1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
，且第z帧特征点点位图中手肘点与膝盖点之间的距离m
xz
＞第z+1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
；
27.则认定m
xz
＝m
xmax
。
28.优选地，所述计数方法还包括：对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手肘点和膝盖点之间的距离大于第一预设违规阈值，则计数减一；
29.和/或，特征点还包括手部点和头部点；所述计数方法还包括：对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手部点和头部点之间的距离大于第二预设违规阈值，则计数减一；
30.和/或，特征点还包括胯部点和脚部点；所述计数方法还包括：对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中胯部点、膝盖点和脚部点形成的以膝盖点为中心的角度大于第三预设违规阈值，则计数减一；
31.和/或，特征点还包括肩部点和胯部点；所述计数方法还包括：对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中肩部点和胯部点的高度差大于第四预设违规阈值，则计数减一。
32.本发明中，所提出的基于机器视觉的卷体动作计数方法，对视频流保存生成图像，将图像处理得到含有与人体部位对应的特征点的点位图，实现对人体姿态获取，并且通过动态特征点的位置，作为完成卷体动作的判断依据，对卷体动作进行计数，便于图像检测，在保证计数准确率的同时，大大减小图像处理的数据量，从而实现代替人工计数。
33.本发明还提出一种基于机器视觉的卷体动作计数系统，包括：
34.特征点检测网络；
35.视频采集设模块，用于获取被测试者卷体动作时的实时视频流；
36.视频流处理模块，用于对实时视频流进行保存并生成图像；
37.图像预处理模块，用于对生成的图像进行预处理；
38.特征点点位图获取模块，用于将预处理后的图像送入特征点检测网络进行特征点检测，并获得特征点点位图，所述特征点点位图包括动态特征点；
39.卷体动作检测模块，对特征点点位图进行依次检测，根据动态特征点的位置判定一个卷体动作完成；
40.计数器模块，当卷体动作检测模块检测到一个卷体动作完成时，计数加一。
41.优选地，在特征点点位图获取模块中，所述根据动态特征点的位置判定一个卷体动作完成，具体为，当第x次检测到在第y帧特征点点位图中动态特征点的位置位于预设位置，且第x+1次检测到在第y+w帧特征点点位图中所述动态特征点位于所述预设位置，判定第y帧至第y+w帧之间一个卷体动作完成；其中，x、y、w均为正整数；
42.优选地，所述特征点点位图还包括静态参考点，所述动态特征点的位置位于预设位置，具体为，通过所述静态参考点确定所述动态特征点位于预设位置；
43.优选地，当预设位置位于预设位置阈值范围内时，x为正奇数，所述预设位置阈值范围不包含所述静态参考点；
44.优选地，通过动态特征点与所述静态参考点镜头之间的距离确定所述动态特征点位于预设位置；
45.优选地，所述动态特征点为手肘点，且所述静态参考点为膝盖点。
46.优选地，在特征点点位图获取模块中，所述静态参考点为膝盖点，所述动态特征点为手肘点；
47.当第x次检测到在第y帧特征点点位图中手肘点与膝盖点之间的距离为m0，且第x+1次检测到在第y+w帧特征点点位图中手肘点与膝盖点之间的距离为m0，判定第y帧至第y+w帧之间一个卷体动作完成，计数加一；
48.其中，m0为预设距离阈值，m0≥0，且x、z、w均为正整数；
49.优选地，
50.所述特征点还包括静态参考点，且所述静态参考点为膝盖点，所述动态特征点为手肘点；
51.在特征点点位图获取模块中，“根据动态特征点的位置判定一个卷体动作完成”具体为：
52.第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，当m
xz
＜m
x(z-1)
且m
xz
＜m
x(z+1)
时，判定一个卷体动作完成；
53.其中，m
x
≥0，且x、z、w均为正整数；
54.优选地，在特征点点位图获取模块中，“根据动态特征点的位置判定一个卷体动作完成”具体为：
55.第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，满足m
xz
＞m
x(z-1)
且m
xz
＞m
x(z+1)
，同时满足m
(x+1)(z+u)
＞m
(x+1)(z+u-1)
且m
(x+1)(z+u)
＞m
(x+1)(z+u+1)
时，判定一次卷体动作完成；
56.其中，m
x
≥0，且x、z、u均为正整数。
57.优选地，在特征点点位图获取模块中，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手肘点和膝盖点之间的距离大于第一预设违规阈值，则计数减一；
58.和/或，特征点还包括手部点和头部点；在特征点点位图获取模块中，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手部点和头部点之间的距离大于第二预设违规阈值，则计数减一；
59.和/或，特征点还包括胯部点和脚部点；在特征点点位图获取模块中，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中胯部点、膝盖点和脚部点形成的以膝盖点为中心的角度大于第三预设违规阈值，则计数减一；
60.和/或，特征点还包括肩部点和胯部点；在特征点点位图获取模块中，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中肩部点和胯部点的高度差大于第四预设违规阈值，则计数减一。
61.本发明中，所提出的基于机器视觉的卷体动作计数系统，其技术效果与上述技术方法类似，因此不再赘述。
具体实施方式
62.本发明提出的一种基于机器视觉的卷体动作计数方法，包括下列步骤：
63.s1、获取被测试者卷体动作时的实时视频流；
64.s2、对实时视频流进行隔帧保存并生成图像；
65.s3、对图像进行预处理；
66.s4、将预处理后的图像送入特征点检测网络进行特征点检测，并获得特征点点位图，所述特征点点位图包括动态特征点；
67.对特征点点位图进行依次检测，根据动态特征点的位置判定一个卷体动作完成，计数加一。
68.本实施例中，所提出的基于机器视觉的卷体动作计数方法，对视频流保存生成图像，将图像处理得到含有与人体部位对应的特征点的点位图，实现对人体姿态获取，并且动态特征点的位置，作为完成卷体动作的判断依据，对卷体动作进行计数，便于图像检测，在保证计数准确率的同时，大大减小图像处理的数据量，从而实现代替人工计数。
69.下面以仰卧起坐运动为例，详细说明本实施例提出的计数方法。本实施例的计数方法，包括下列步骤：
70.s1、获取被测试者仰卧起坐动作时的实时视频流；
71.s2、对实时视频流进行隔帧保存并生成图像；
72.s3、对图像进行预处理；
73.s4、将预处理后的图像送入特征点检测网络进行特征点检测，并获得特征点点位图，所述特征点点位图包括动态特征点；
74.具体地，仰卧起坐动作中，从被测试者上身躺平到坐起手肘触膝为一个动作周期。所述根据动态特征点的位置判定一个卷体动作完成，具体为，当第x次检测到在第y帧特征点点位图中动态特征点的位置位于预设位置，且第x+1次检测到在第y+w帧特征点点位图中所述动态特征点位于所述预设位置，判定第y帧至第y+w帧之间一个卷体动作完成；其中，x、y、w均为正整数。在实际选择中，可选择仰卧起坐时被测试者身体上运动的一点作为动态特征点，在该动态特征点运动轨迹上的任一位置作为预设位置；然后，对特征点点位图进行依次检测。例如，当检测到动态特征点的位置位于该预设位置，此时被测试者在从仰卧到起坐
的过程，在下一次再次检测到动态特征点的位置位于该预设位置，此时被测试者处于起坐到仰卧的复位过程，则被测试者完成一次仰卧起做动作。反之亦然。
75.本领域人体的特征点检测网络进行特征点检测中，所述人体特征点检测网络结构可包括主干网络、特征融合网络和检测网络三部分；其主干网络继承darknet53网络结构；特征融合网络将第三次降采样特征图a、第四次降采样特征图b、第五次降采样特征图c进行特征融合；第三次降采样特征图a、第四次降采样特征图b、第五次降采样特征图c大小分别为52
×
52
×
128,26
×
26
×
256,13
×
13
×
512；将第五次降采样特征图c通过1
×
1卷积使其通道数变成256，再对其进行上采样与第四次降采样特征图融合，形成新的第四次降采样特征图d，对新的第四次降采样特征图d进行1
×
1卷积使其通道数变为128，再对其进行上采样与第三次降采样特征图a融合，形成新的第三次降采样特征图e。
76.本实施例的具体实施方式中，所述特征点点位图还包括静态参考点，通过所述静态参考点确定所述动态特征点位于预设位置，便于动态特征点的位置计算。例如，通过动态特征点与所述静态参考点镜头之间的距离确定所述动态特征点位于预设位置。
77.在一种实施方式中，当预设位置位于预设位置阈值范围内时，所述预设位置阈值范围不包含所述静态参考点。在一次仰卧起坐动作中，仰卧起坐的动态特征点的起点和终点可作为静态参考点，预设位置阈值范围为动态特征点动作路线上起点和终点之间，预设位置选择起点和终点任一位置时，每次仰卧起坐和复位过程动态特征点经过两次预设位置。此时，为避免重复计数，x为正奇数，隔次计数加一。在特征点和参考点的具体选择中，所述动态特征点为手肘点，且所述静态参考点为膝盖点。
78.在另一实施方式中，当预设位置位于动态特征点动作路线上起点或终点时，每次仰卧起坐和复位过程动态特征点仅经过一次预设位置，此时，每一次检测到动态特征点的位置位于预设位置对应一次卷体动作完成，则x逐一计数。为了便于计算，可将预设位置设置在静态参考点处，此时，通过动态特征点与所述静态参考点镜头之间的距离确定所述动态特征点位于预设位置。在仰卧起坐动作中，所述动态特征点可选择手肘点，所述静态参考点可选择膝盖点。
79.在动态特征点的位置位于预设位置的具体计算方式中，所述静态参考点为膝盖点，所述动态特征点为手肘点；
80.当第x次检测到在第y帧特征点点位图中手肘点与膝盖点之间的距离为m0，且第x+1次检测到在第y+w帧特征点点位图中手肘点与膝盖点之间的距离为m0，判定第y帧至第y+w帧之间一个卷体动作完成，计数加一；
81.其中，m0为预设距离阈值，m0≥0，x、y、w均为正整数。
82.由于仰卧起坐为上体往复运动，为了便于数据处理，理想状态下取m0≥0或m0＝m
max
时，只需检测一次即可判定一次卷体动作完成。即每次手肘点与膝盖点接触或每次手肘点每次回到躺平初始位置时，判定一次卷体动作完成。然而，实际检测中，被检测者每次动作的位置存在公差，使得手肘点动作的起止点始终存在一定偏差即m0即无法取到准确的阈值范围。
83.因此，通过每次手肘点与膝盖点接触进行判定时，“根据动态特征点的位置判定一个卷体动作完成”具体为：第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，当m
xz
＜m
x(z-1)
且m
xz
＜m
x(z+1)
时，判定一个卷体动作完成；其中，m
x
≥0，且x、z、w均为
正整数。在第x次检测中，当检测到第z帧手肘点与膝盖点之间的距离m
xz
小于其前后两帧的距离时，则认为m
xz
＝m
xmin
。此时，判定在第z-1帧和第z+1帧之间，手肘点与膝盖点之间距离最小，即手肘与膝盖接触，完成一个卷体动作。
84.同样，通过每次手肘点距离与膝盖点最远位置进行判定时，“根据动态特征点的位置判定一个卷体动作完成”具体为：第x次检测到在第z帧特征点点位图中手肘点与膝盖点之间的距离为m
xz
，满足m
xz
＞m
x(z-1)
且m
xz
＞m
x(z+1)
，此时判定在第z-1帧和第z+1帧之间，手肘点与膝盖点之间距离最大。在第x次检测中，当检测到第z帧手肘点与膝盖点之间的距离m
xz
大于其前后两帧的距离时，则认为m
xz
＝m
xmax
。然而，由于仰卧起坐动作的初始位置通常为上体躺平，此时手肘点膝盖点之间距离最大。为了避免误统计初始躺平时的图像，需要同时满足m
(x+1)(z+u)
＞m
(x+1)(z+u-1)
且m
(x+1)(z+u)
＞m
(x+1)(z+u+1)
。说明第x次和第x+1次连续两次手肘点位于初始位置，判定一次卷体动作完成；其中，m
x
≥0，且x、z、u均为正整数。
85.在实际检测中，为了保证计数准确，还需要监测仰卧和起坐的动作周期中，被测试者动作是否规范。若动作违规，则当次不计，即计数减一。
86.具体违规检测时，在触膝动作判定中，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手肘点和膝盖点之间的距离大于第一预设违规阈值，表示手肘点与膝盖点未接触，说明该动作未触膝，则计数减一。
87.在抱头动作判定中，所述特征点点位图还包括手部点和头部点，对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中手部点和头部点之间的距离大于第二预设违规阈值，表示被测试者手未抱头，则计数减一。
88.在腿部动作判定中，所述特征点点位图还包括胯部点和脚部点；对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中胯部点、膝盖点和脚部点形成的以膝盖点为中心的角度大于第三预设违规阈值，表示仰卧起坐腿部动作不符合规范，则计数减一；
89.在躺平动作判定中，所述特征点点位图还包括肩部点和胯部点；对第x次检测到第x+1次检测所经历的所有特征点点位图进行依次检测，若任一帧特征点点位图中肩部点和胯部点的高度差大于第四预设违规阈值，则表示躺平动作不符合规范，则计数减一。
90.为了保证违规检测的精确性，可通过违规判定的特征点点位图的两个相邻m值，来判断被测试者处于仰卧还是起坐过程。
91.在具体判断时，在第x次检测中，当手肘点与膝盖点之间的距离m
x
∈(m
min
,m
min
+t1)，其中t1为最小值预设阈值；在第z帧的特征点点位图中手肘点与膝盖点之间的距离m
xz
＜第z-1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
，且第y帧特征点点位图中手肘点与膝盖点之间的距离m
xz
＜第z+1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
；则认定m
xz
＝m
xmin
。此时，说明手肘点与膝盖点之间距离最小。
92.相应地，在第x次检测中，当手肘点与膝盖点之间的距离m
x
∈(m
max-t2,m
max
)，其中t2为最大值预设阈值；在第z帧的特征点点位图中手肘点与膝盖点之间的距离m
xz
＞第z－1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
，且第z帧特征点点位图中手肘点与膝盖点之间的距离m
xz
＞第z+1帧特征点点位图中手肘点与膝盖点之间的距离m
x(z－1)
；则认定m
xz
＝m
xmax
。此时，说明手肘点与膝盖点之间距离最大。
93.综上，当涉及违规的特征点位图处于m
xmin
到m
xmax
之间的帧中，则被测试者处于仰卧
动作过程中。当涉及违规的特征点位图处于m
xmax
到m
xmin
之间的帧中，则被测试者处于起坐动作过程中。
94.下面以实例详细说明本实施例的计数方法。当运动员屈膝平躺在测试位之间，基于自训练的目标检测算法开始检测人体，并判断人体是否符合要求同时决定是否启动仰卧起坐项目。仰卧起坐项目启动后，系统会利用人体姿态检测算法实时检测人体，获取人体的关键点作为特征点。人体的关键点可包括头、肩、手、肘、胯、膝、脚等关节位置。
95.首先，根据关键点的位置信息进行违规动作判断。
96.违规项一(是否抱头)判断：判断手部的关键点和头部的关键点之间的距离是否小于设定的阈值ε1，若是，则表示抱头动作符合规范，否则表示违规；
97.违规项二(是否触膝)判断：判断手肘关键点和膝盖关键点的距离是否小于设定的阈值ε2且垂直方向上手肘关键点是否在膝盖关键点的下方，若是，则表示触膝动作符合规范，否则表示违规；
98.违规项三(是否屈膝)判断：判断胯关键点、膝盖关键点、脚关键点所形成的角度是否小于设定的阈值ε3，若是，则表示腿部动作符合规范；否则表示违规；
99.违规项四(是否躺平)判断：判断肩关键点和胯关键点在垂直方向的距离是否小于设定的阈值ε4，若是，则表示躺平动作符合规范，否则表示违规。
100.当所有动作都合格时，进行仰卧起坐成绩计算。一次躺平动作到一次触膝动作为一个合格的仰卧起坐动作周期，同时在这个动作周期内抱头动作和屈膝动作均需满足要求。如此计数模块可以计数加1。如果在这个周期内有任何一个动作违规，计数模块不计数。再判断下一个周期一次躺平动作到一次触膝动作是否合格。
101.本实施例还提出一种基于机器视觉的卷体动作计数系统，包括：
102.特征点检测网络；
103.视频采集设模块，用于获取被测试者卷体动作时的实时视频流；
104.视频流处理模块，用于对实时视频流进行保存并生成图像；
105.图像预处理模块，用于对生成的图像进行预处理；
106.特征点点位图获取模块，用于将预处理后的图像送入特征点检测网络进行特征点检测，并获得特征点点位图，所述特征点点位图包括动态特征点；
107.卷体动作检测模块，对特征点点位图进行依次检测，根据动态特征点的位置判定一个卷体动作完成；
108.计数器模块，当卷体动作检测模块检测到一个卷体动作完成时，计数加一。
109.在特征点点位图获取模块具体工作中，其工作方式与上述计数方法类似，因此不再赘述。
110.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。