基于AI技术的动作监测方法及系统与流程

本公开涉及智能动作监测领域，具体涉及一种基于ai技术的动作监测方法及系统。

背景技术：

1、在学生体育中，规范的动作执行是提高技能水平的基础，只有当学生的动作规范时，他们才能更有效地学习和进步。此外，不规范的动作执行可能增加学生运动受伤的风险。因此，及时发现和纠正不规范的训练动作对于学生的健康和安全至关重要。

2、然而，传统的动作监测方案通常依赖于教练或裁判的主观判断，容易受主观因素影响，缺乏客观性和准确性。同时，传统的动作监测方式需要大量的人力投入，包括教练和裁判的参与，成本高昂且效率低下，智能化程度较低，难以满足实际的学生训练动作监测需求。

3、因此，期望一种基于ai技术的动作监测方案。

技术实现思路

1、考虑到以上问题而做出了本公开。本公开的一个目的是提供一种基于ai技术的动作监测方法及系统。

2、本公开的实施例提供了一种基于ai技术的动作监测方法，其包括：

3、获取由摄像头采集的被监控学生对象的训练动作监控视频；

4、从数据库提取训练动作参考视频；

5、以相同的采样频率对所述训练动作监控视频和所述训练动作参考视频进行关键帧采样以得到训练动作监控关键帧的序列和训练动作参考关键帧的序列；

6、通过基于深度神经网络模型的动作语义特征提取器分别对所述训练动作监控关键帧的序列和所述训练动作参考关键帧的序列进行特征提取以得到训练动作语义特征向量的序列和参考训练动作语义特征向量的序列；

7、将所述训练动作语义特征向量的序列和所述参考训练动作语义特征向量的序列输入核心特征提取网络以得到训练动作全局核心语义特征向量和参考训练动作全局核心语义特征向量；以及

8、计算所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量之间的余弦相似度，并基于所述余弦相似度确定训练动作是否规范。

9、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，所述深度神经网络模型为卷积神经网络模型。

10、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，将所述训练动作语义特征向量的序列和所述参考训练动作语义特征向量的序列输入核心特征提取网络以得到训练动作全局核心语义特征向量和参考训练动作全局核心语义特征向量，包括：

11、将所述训练动作语义特征向量的序列输入所述核心特征提取网络以如下核心特征提取公式进行处理以得到所述训练动作全局核心语义特征向量；其中，所述核心特征提取公式为：

12、

13、

14、其中，vi(x)和vj(x)分别为所述训练动作语义特征向量的序列中第i和第j个训练动作语义特征向量的各个位置的特征值，vi和vj分别为所述训练动作语义特征向量的序列中第i和第j个训练动作语义特征向量，v)是所述训练动作语义特征向量的序列，log表示以2为底的对数函数值，l为各个所述训练动作语义特征向量的长度，m为所述训练动作语义特征向量的序列中向量的个数减一，di为训练动作语义波动特征向量中各个位置的特征值，n+是所述训练动作语义波动特征向量的长度，exp(·)为指数运算，v是所述训练动作全局核心语义特征向量。

15、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，计算所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量之间的余弦相似度，并基于所述余弦相似度确定训练动作是否规范，包括：

16、对所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量进行特征优化以得到优化训练动作全局核心语义特征向量和优化参考训练动作全局核心语义特征向量；

17、计算所述优化训练动作全局核心语义特征向量和所述优化参考训练动作全局核心语义特征向量之间的余弦相似度；以及

18、基于所述余弦相似度与预定阈值之间的比较，确定训练动作是否规范。

19、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，对所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量进行特征优化以得到优化训练动作全局核心语义特征向量和优化参考训练动作全局核心语义特征向量，包括：

20、计算所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量的加权系数以得到第一加权系数和第二加权系数；以及

21、以所述第一加权系数和所述第二加权系数作为加权因数对所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量进行加权优化以得到所述优化训练动作全局核心语义特征向量和所述优化参考训练动作全局核心语义特征向量。

22、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，计算所述优化训练动作全局核心语义特征向量和所述优化参考训练动作全局核心语义特征向量之间的余弦相似度，包括：

23、以如下余弦计算公式计算所述优化训练动作全局核心语义特征向量和所述优化参考训练动作全局核心语义特征向量之间的余弦相似度；其中，所述余弦计算公式为：

24、

25、其中，vi表示所述优化训练动作全局核心语义特征向量，vj表示所述优化参考训练动作全局核心语义特征向量，表示所述优化训练动作全局核心语义特征向量中各个位置的特征值，表示所述优化参考训练动作全局核心语义特征向量中各个位置的特征值，d(vi,vj)表示所述优化训练动作全局核心语义特征向量和所述优化参考训练动作全局核心语义特征向量之间的余弦距离。

26、例如，根据本公开的实施例的基于ai技术的动作监测方法，其中，响应于所述余弦相似度大于所述预定阈值，确定训练动作规范。

27、本公开的实施例还提供了一种基于ai技术的动作监测系统，其包括：

28、监控视频获取模块，用于获取由摄像头采集的被监控学生对象的训练动作监控视频；

29、参考视频提取模块，用于从数据库提取训练动作参考视频；

30、关键帧采样模块，用于以相同的采样频率对所述训练动作监控视频和所述训练动作参考视频进行关键帧采样以得到训练动作监控关键帧的序列和训练动作参考关键帧的序列；

31、动作语义特征提取模块，用于通过基于深度神经网络模型的动作语义特征提取器分别对所述训练动作监控关键帧的序列和所述训练动作参考关键帧的序列进行特征提取以得到训练动作语义特征向量的序列和参考训练动作语义特征向量的序列；

32、核心特征提取模块，用于将所述训练动作语义特征向量的序列和所述参考训练动作语义特征向量的序列输入核心特征提取网络以得到训练动作全局核心语义特征向量和参考训练动作全局核心语义特征向量；以及

33、规范分析模块，用于计算所述训练动作全局核心语义特征向量和所述参考训练动作全局核心语义特征向量之间的余弦相似度，并基于所述余弦相似度确定训练动作是否规范。

34、例如，根据本公开的实施例的基于ai技术的动作监测系统，其中，所述深度神经网络模型为卷积神经网络模型。

35、例如，根据本公开的实施例的基于ai技术的动作监测系统，其中，所述核心特征提取模块，用于：

36、将所述训练动作语义特征向量的序列输入所述核心特征提取网络以如下核心特征提取公式进行处理以得到所述训练动作全局核心语义特征向量；其中，所述核心特征提取公式为：

37、

38、

39、其中，vi(x)和vj(x)分别为所述训练动作语义特征向量的序列中第i和第j个训练动作语义特征向量的各个位置的特征值，vi和vj分别为所述训练动作语义特征向量的序列中第i和第j个训练动作语义特征向量，v)是所述训练动作语义特征向量的序列，log表示以2为底的对数函数值，l为各个所述训练动作语义特征向量的长度，m为所述训练动作语义特征向量的序列中向量的个数减一，di为训练动作语义波动特征向量中各个位置的特征值，n+是所述训练动作语义波动特征向量的长度，exp(·)为指数运算，v是所述训练动作全局核心语义特征向量。

40、根据本公开的实施例的基于ai技术的动作监测方法及系统，其通过摄像头实时监测采集学生对象的训练动作监控视频，并在后端引入基于人工智能和机器视觉技术的数据处理和分析算法来进行该训练动作监控视频的特征分析，并与训练动作参考视频的语义特征进行相似性分析和比较，以此来判断学生对象的训练动作是否规范，能够在学生体育中，实现对学生对象训练动作规范性的自动监测和识别，提高学生训练动作监测的智能化程度，降低人力成本，从而更有效地帮助学生改进动作执行和表现，以提高他们在体育活动中的表现水平。