羽毛球运动的人体姿态评估方法、装置和设备

本发明涉及羽毛球运动的人体姿态评估，特别是涉及羽毛球运动的人体姿态评估方法、装置和设备。

背景技术：

1、羽毛球运动是一种高速度的体育运动，其存在人体骨架关节点相互遮挡的问题，影响了羽毛球运动的人体姿态评估的准确性；而且，由于羽毛球运动具有很高的自由度，其不存在统一的动作标准，增加了羽毛球运动的人体姿态评估的难度。

2、为此，目前主要利用固定人体骨架关节点的坐标预测值和真实值之间的误差对羽毛球运动的人体姿态进行评估，但是，由于羽毛球运动是一种高速运动，其使羽毛球运动的过程中的人体骨架关节点与固定人体骨架关节点之间具有明显区别，导致利用固定人体骨架关节点的坐标预测值和真实值并不能准确地对羽毛球运动过程中羽毛球运动的人体姿态进行评估，影响了羽毛球运动的人体姿态评估的准确性。

技术实现思路

1、基于此，本发明的目的在于，提供羽毛球运动的人体姿态评估方法、装置和设备，其具有评估准确性高的优点。

2、本发明所采用的技术方案内容具体如下：

3、羽毛球运动的人体姿态评估方法，包括：

4、获取羽毛球运动视频，并从所述羽毛球运动视频中逐帧提取得到运动姿态图像，所述运动姿态图像包括多个用于指示羽毛球运动的人体姿态的骨架关键点；

5、对所述运动姿态图像进行预处理，得到预处理图像；

6、获取所述预处理图像中多个所述骨架关键点的坐标值；

7、将所述预处理图像输入姿态评估模型，得到所述预处理图像中多个所述骨架关键点的坐标预测值，其中：所述姿态评估模型包括deeppose网络、brnn网络和输出层，所述deeppose网络提取所述预处理图像的静态帧特征，所述brnn网络提取所述预处理图像的动态帧特征，所述输出层利用所述静态帧特征和所述动态帧特征得到该预处理图像中多个所述骨架关键点的坐标预测值；

8、利用所述预处理图像中多个所述骨架关键点的坐标预测值和坐标值对羽毛球运动的人体姿态进行评估。

9、进一步地，对所述运动姿态图像进行预处理，得到预处理图像包括：

10、确定所述运动姿态图像的人体框；

11、利用所述人体框对运动姿态图像进行裁剪，得到裁剪图像，且所述裁剪图像包括多个所述骨架关键点；

12、利用多个所述骨架关键点确定所述裁剪图像的中心点，并基于所述中心点对所述裁剪图像进行归一化处理，得到所述预处理图像。

13、进一步地，步骤s4中，所述deeppose网络包括依次串联的三个卷积层和两个第一全连接层，所述deeppose网络提取所述预处理图像的静态帧特征包括：

14、将所述预处理图像输入所述deeppose网络，得到所述预处理图像的全局特征；

15、将所述预处理图像的全局特征输入所述deeppose网络，得到所述预处理图像的局部特征；

16、将所述预处理图像的局部特征进行1×1卷积处理后与所述预处理图像的全局特征相加，得到所述预处理图像的静态帧特征。

17、进一步地，所述brnn网络提取所述预处理图像的动态帧特征包括：

18、将所述预处理图像的静态帧特征输入所述brnn网络，得到所述预处理图像的时间序列特征ht，且其中：ht为第t帧所述预处理图像的时间序列特征；

19、为sigmoid激活函数，其取值为[0,1]；xt为第t帧所述预处理图像的静态帧特征；为第(t-1)帧所述预处理图像的时间序列特征；为第(t+1)帧所述预处理图像的时间序列特征；为对xt的偏置；为或的偏置；为对应帧偏置；

20、利用所述预处理图像的时间序列特征ht计算所述预处理图像的动态帧特征dt，且dt＝htwhq+bq，其中：dt为第t帧所述预处理图像的动态帧特征，whq为权重，bq为偏置。

21、进一步地，所述输出层包括第二全连接层，所述输出层利用所述静态帧特征和所述动态帧特征得到该预处理图像中多个所述骨架关键点的坐标预测值为：将所述预处理图像的静态帧特征和动态帧特征输入所述第二全连接层，得到所述预处理图像中多个骨架关键点的坐标预测值。

22、进一步地，利用所述预处理图像中多个所述骨架关键点的坐标预测值和坐标值对羽毛球运动的人体姿态进行评估之前还包括对所述姿态评估模型进行优化的步骤，且对所述姿态评估模型进行优化包括：

23、利用所述预处理图像中多个骨架关键点的坐标预测值和坐标值计算所述预处理图像的静态损失ls和动态损失ld，且：其中：f(xij,yij)表示第j帧所述预处理图像中第i个骨架关键点的坐标预测值，表示第j帧所述预处理图像中第i个骨架关键点的坐标值，k为所述骨架关键点的数量，n为所述羽毛球运动视频的帧数；j的取值为[1,n]；

24、利用所述预处理图像的静态损失ls和动态损失ld计算所述姿态评估模型的损失loss，且loss＝ls+αld，其中：α为取值为[0,1]的参数；

25、利用所述姿态评估模型的损失loss对所述deeppose网络进行优化，得到优化的所述姿态评估模型；

26、将多个所述预处理图像输入优化的所述姿态评估模型，得到每个所述预处理图像中多个所述骨架关键点的坐标预测值。

27、进一步地，利用所述预处理图像中多个所述骨架关键点的坐标预测值和坐标值对羽毛球运动的人体姿态进行评估包括：

28、计算每个所述骨架关键点的坐标值和坐标预测值之间的欧氏距离；

29、利用多个所述预处理图像中多个骨架关键点的坐标值和坐标预测值之间的欧氏距离计算每个骨架关键点的评价指标值pcki，且其中：δ为系数，其取值为0或1；n为运动姿态图像的数量；dit表示第t帧所述预处理图像中第i个骨架关键点的坐标预测值与坐标值之间的欧氏距离；df为人体躯干因子；∑l为归一化因子；

30、利用多个所述骨架关键点的评价指标值pcki对所述人体姿态进行评估。

31、本发明还提供了羽毛球运动的人体姿态评估装置，包括：

32、第一获取模块，用于获取羽毛球运动视频，并从所述羽毛球运动视频中逐帧提取得到运动姿态图像，所述运动姿态图像包括多个用于指示羽毛球运动的人体姿态的骨架关键点；

33、预处理模块，用于对所述运动姿态图像进行预处理，得到预处理图像；

34、第二获取模块，用于获取所述预处理图像中多个所述骨架关键点的坐标值；

35、预测模块，用于将所述预处理图像输入姿态评估模型，得到所述预处理图像中多个所述骨架关键点的坐标预测值，其中：所述姿态评估模型包括deeppose网络、brnn网络和输出层，所述deeppose网络提取所述预处理图像的静态帧特征，所述brnn网络提取所述预处理图像的动态帧特征，所述输出层利用所述静态帧特征和所述动态帧特征得到该预处理图像中多个所述骨架关键点的坐标预测值；

36、评估模块，用于利用所述预处理图像中多个所述骨架关键点的坐标预测值和坐标值对羽毛球运动的人体姿态进行评估。

37、本发明还提供了羽毛球运动的人体姿态评估设备，包括：

38、处理器；

39、存储器，用于存储由所述处理器执行的计算机程序；

40、其中，所述处理器执行所述计算机程序时实现本发明所述的羽毛球运动的人体姿态评估方法。

41、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现本发明所述的羽毛球运动的人体姿态评估方法。

42、与现有技术相比，本发明的有益效果在于：

43、1、本发明公开的羽毛球运动的人体姿态评估方法，其利用brnn网络可以提取所述羽毛球运动视频中运动姿态图像的动态特征，可以提高所述羽毛球运动视频中不同帧的所述预处理图像之间连续性，进而提高运动姿态评估的准确性。

44、2、本发明公开的羽毛球运动的人体姿态评估方法，其deeppose网络首先提取所述预处理图像的全局特征，然后，所述deeppose网络利用所述预处理图像的全局特征提取所述预处理图像的局部特征，最后，将将所述预处理图像的局部特征进行1×1卷积处理后与所述预处理图像的全局特征相加后得到所述预处理图像的静态帧特征，其通过所述deeppose网络对所述预处理图像的局部特征的提取可以避免所述羽毛球运动视频模糊或所述骨架关键点被遮挡等所导致的特征提取准确低的问题，进一步提高了运动姿态评估的准确性。

45、为了更好地理解和实施，下面结合附图详细说明本发明。