基于计算机视觉的体育运动实时评测方法、装置、设备及存储介质

本公开涉及人工智能，尤其涉及一种基于计算机视觉的体育运动实时评测方法、装置、设备及存储介质。

背景技术：

1、在体育运动评测领域，传统方法主要依赖人工观测或红外测量技术来捕捉人体在运动过程中的位置变化，以获取评估数据。这些方法虽然在一定程度上能够提供评测结果，但受限于仪器设备和人力资源，往往成本较高且效率较低，难以满足大规模或实时性评测的需求。

2、随着技术的发展，特别是计算机视觉和人工智能技术的进步，为体育运动评测带来了新的可能性。通过计算机视觉技术，可以从视频帧中提取人体关键点信息，实现对人体动作的自动识别和分析。然而，相关技术在处理周期性运动的计数和分析时，仍存在一定的局限性，例如对动作细节的捕捉不够精准，或是在复杂场景下的鲁棒性不足。

技术实现思路

1、有鉴于此，本公开提出了一种基于计算机视觉的体育运动实时评测方法、装置、设备及存储介质。

2、根据本公开的一方面，提供了一种基于计算机视觉的体育运动实时评测方法，所述方法包括：

3、获取目标视频帧，所述目标视频帧包括在体育运动过程中的测试者；

4、对所述目标视频帧进行人体姿态估计，得到姿态估计信息，所述姿态估计信息包括所述测试者的多个人体关键点的位置信息和所述多个人体关键点之间的夹角信息；

5、根据所述姿态估计信息，调用训练完成的运动分析模型进行运动分析，输出得到所述测试者的运动分析结果，所述运动分析结果用于指示所述测试者当前动作所处的阶段。

6、在一种可能的实现方式中，所述对所述目标视频帧进行人体姿态估计，得到姿态估计信息，包括：

7、根据所述目标视频帧，调用训练完成的姿态估计模型进行人体姿态估计，输出得到所述测试者的所述多个人体关键点的位置信息；

8、根据所述多个人体关键点的位置信息，确定所述多个人体关键点之间的夹角信息，所述夹角信息包括多组所述人体关键点各自对应的夹角，每组所述人体关键点包括至少三个所述人体关键点。

9、在另一种可能的实现方式中，所述运动分析模型为与所述测试者的体育运动类型对应的运动分析模型，所述根据所述姿态估计信息，调用训练完成的运动分析模型进行运动分析，输出得到所述测试者的运动分析结果之前，还包括：

10、获取多个体育运动类型各自对应的训练样本集，所述训练样本集包括多组样本数据，每组所述样本数据包括样本姿态估计信息和对应的预先标注的正确评测结果；

11、对于每个所述体育运动类型，根据对应的所述训练样本集对原始神经网络模型进行单独训练，得到所述体育运动类型对应的运动分析模型。

12、在另一种可能的实现方式中，所述运动分析结果包括预测值，所述测试者当前动作所处的阶段包括运动开始、运动进行中和运动结束中的一种，当所述预测值小于或等于第一预设阈值时用于指示运动开始，当所述预测值大于所述第一预设阈值且小于第二预设阈值时用于指示运动进行中，当所述预测值大于或等于所述第二预设阈值时用于指示运动结束，所述第二预设阈值大于所述第一预设阈值。

13、在另一种可能的实现方式中，所述方法还包括：

14、获取多个运动项目区域各自对应的第一视频帧，所述第一视频帧包括一个或多个测试者的所述目标视频帧，每个所述运动项目区域配置有对应的缓存队列和调度器；

15、对于每个所述运动项目区域的第一视频帧，通过对应的所述缓存队列缓存所述第一视频帧；

16、通过对应的所述调度器对缓存的所述第一视频帧进行处理，得到所述第一视频帧对应的运动分析结果。

17、在另一种可能的实现方式中，所述缓存队列用于从接收端持续接收所述第一视频帧，从发送端每隔预设时间间隔将缓存的所述第一视频帧进行分发。

18、在另一种可能的实现方式中，所述第一视频帧包括多个测试者的所述目标视频帧，所述通过对应的所述调度器对缓存的所述第一视频帧进行处理，得到所述第一视频帧对应的运动分析结果，包括：

19、将所述第一视频帧进行裁剪，得到所述多个测试者各自对应的所述目标视频帧，所述目标视频帧为仅包括单个测试者的图像；

20、调用对应的所述调度器的多个线程并行处理多个所述目标视频帧，得到多个所述测试者各自对应的所述运动分析结果。

21、根据本公开的另一方面，提供了一种基于计算机视觉的体育运动实时评测装置，所述装置包括：

22、获取模块，用于获取目标视频帧，所述目标视频帧包括在体育运动过程中的测试者；

23、估计模块，用于对所述目标视频帧进行人体姿态估计，得到姿态估计信息，所述姿态估计信息包括所述测试者的多个人体关键点的位置信息和所述多个人体关键点之间的夹角信息；

24、分析模块，用于根据所述姿态估计信息，调用训练完成的运动分析模型进行运动分析，输出得到所述测试者的运动分析结果，所述运动分析结果用于指示所述测试者当前动作所处的阶段。

25、在一种可能的实现方式中，所述分析模块，还用于：

26、根据所述目标视频帧，调用训练完成的姿态估计模型进行人体姿态估计，输出得到所述测试者的所述多个人体关键点的位置信息；

27、根据所述多个人体关键点的位置信息，确定所述多个人体关键点之间的夹角信息，所述夹角信息包括多组所述人体关键点各自对应的夹角，每组所述人体关键点包括至少三个所述人体关键点。

28、在另一种可能的实现方式中，所述运动分析模型为与所述测试者的体育运动类型对应的运动分析模型，所述装置还包括：训练模块，用于：

29、获取多个体育运动类型各自对应的训练样本集，所述训练样本集包括多组样本数据，每组所述样本数据包括样本姿态估计信息和对应的预先标注的正确评测结果；

30、对于每个所述体育运动类型，根据对应的所述训练样本集对原始神经网络模型进行单独训练，得到所述体育运动类型对应的运动分析模型。

31、在另一种可能的实现方式中，所述运动分析结果包括预测值，所述测试者当前动作所处的阶段包括运动开始、运动进行中和运动结束中的一种，当所述预测值小于或等于第一预设阈值时用于指示运动开始，当所述预测值大于所述第一预设阈值且小于第二预设阈值时用于指示运动进行中，当所述预测值大于或等于所述第二预设阈值时用于指示运动结束，所述第二预设阈值大于所述第一预设阈值。

32、在另一种可能的实现方式中，所述装置还包括：处理模块，用于：

33、获取多个运动项目区域各自对应的第一视频帧，所述第一视频帧包括一个或多个测试者的所述目标视频帧，每个所述运动项目区域配置有对应的缓存队列和调度器；

34、对于每个所述运动项目区域的第一视频帧，通过对应的所述缓存队列缓存所述第一视频帧；

35、通过对应的所述调度器对缓存的所述第一视频帧进行处理，得到所述第一视频帧对应的运动分析结果。

36、在另一种可能的实现方式中，所述缓存队列用于从接收端持续接收所述第一视频帧，从发送端每隔预设时间间隔将缓存的所述第一视频帧进行分发。

37、在另一种可能的实现方式中，所述第一视频帧包括多个测试者的所述目标视频帧，所述处理模块，还用于：

38、将所述第一视频帧进行裁剪，得到所述多个测试者各自对应的所述目标视频帧，所述目标视频帧为仅包括单个测试者的图像；

39、调用对应的所述调度器的多个线程并行处理多个所述目标视频帧，得到多个所述测试者各自对应的所述运动分析结果。

40、根据本公开的另一方面，提供了一种计算设备，所述设备包括：

41、处理器；

42、用于存储处理器可执行指令的存储器；

43、其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述的方法。

44、根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述的方法。

45、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在计算设备的处理器中运行时，所述计算设备中的处理器执行上述方法。

46、本公开实施例通过获取测试者在体育运动过程中的目标视频帧，运用人体姿态估计技术提取多个人体关键点的位置信息和多个人体关键点之间的夹角信息，进一步利用训练完成的运动分析模型，对测试者的动作进行深入分析，并输出运动分析结果，从而指示测试者当前动作所处的阶段。特别是在周期往复型运动的计数中，该方法通过引入人体关键点的位置信息和夹角信息作为模型输入，运动分析模型可以更加精确地捕捉到动作的细节，从而提供更为准确的动作分析结果，有效提升了运动分析的准确度。

47、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。