【技术实现步骤摘要】
一种基于AI学习的立定跳远检测系统及方法
[0001]本专利技术涉及AI教育
,更具体地说,它涉及一种基于AI学习的立定跳远检测系统。
技术介绍
[0002]现有技术中对于立定跳远的视觉检测的目的在于判断立定跳远是否违规以及判定立定跳远的有效成绩,这种检测系统只能够为立定跳远的教学指导进行成绩判定的辅助,无法为学生提高立定跳远成绩进行指导。
技术实现思路
[0003]本专利技术提供一种基于AI学习的立定跳远检测系统,解决相关技术中的检测系统无法为学生提高立定跳远成绩进行指导的技术问题。
[0004]本专利技术提供了一种基于AI学习的立定跳远检测系统,包括:
[0005]可见光图像处理模块,其从学生的一次立定跳远的可见光图像中筛选关键图像获得可见光图像序列;
[0006]筛选关键图像的方法包括:
[0007]从时间最早的可见光图像开始向后遍历,遍历终止的条件是当前遍历的可见光图像与遍历开始时的可见光图像之间的第一距离大于设定的第一距离 值;删除遍历开始与遍历终止之间的可见光图像,然后从上一次遍历终止的可见光图像开始重新启动遍历,直至所有可见光图像被遍历;
[0008]将遍历终止时的可见光图像标记为关键图像;
[0009]图像提取模块,其提取与可见光图像序列的可见光图像的时间节点相同的红外图像生成红外图像序列;
[0010]肢体部件识别模块,其用于从可见光图像中识别肢体部件,并提取肢体部件区域的第一部件图像;然后将可见光图像的肢体部件区域映射到 ...
【技术保护点】
【技术特征摘要】
1.一种基于AI学习的立定跳远检测系统,其特征在于,包括:可见光图像处理模块,其从学生的一次立定跳远的可见光图像中筛选关键图像获得可见光图像序列;图像提取模块,其提取与可见光图像序列的可见光图像的时间节点相同的红外图像生成红外图像序列;肢体部件识别模块,其用于从可见光图像中识别肢体部件,并提取肢体部件区域的第一部件图像;然后将可见光图像的肢体部件区域映射到同一时间节点的红外图像上,提取肢体部件区域的第二部件图像;部件图像预处理模块,将部件图像映射预设边框内,对于预设边框内的空白区域进行0值填充获得标准图像;肢体特征生成模块,其用于将预处理后的部件图像输入肢体特征生成器内生成肢体特征;肢体特征包括肢体动力参数;动作识别模块,其用于将肢体特征生成时间序列,时间序列为T={t1,t2…
t
i
},其中t
i
为第i个时间节点的肢体动力参数向量,t
i
={tt1,tt2…
tt
i
},其中tt
i
为第i个时间节点的第i个肢体的肢体动力参数;将时间序列输入GMM
‑
HMM模型;GMM
‑
HMM模型输出隐状态序列为L={l1,l2…
l
n
},隐状态的状态包括动作正常和动作异常。2.根据权利要求1所述的一种基于AI学习的立定跳远检测系统,其特征在于,筛选关键图像的方法包括:从时间最早的可见光图像开始向后遍历,遍历终止的条件是当前遍历的可见光图像与遍历开始时的可见光图像之间的第一距离大于设定的第一距离阈值;删除遍历开始与遍历终止之间的可见光图像,然后从上一次遍历终止的可见光图像开始重新启动遍历,直至所有可见光图像被遍历;将遍历终止时的可见光图像标记为关键图像;部件图像预处理获得的标准图像为M*M*6,其中M*M为预设边框的大小。3.根据权利要求1所述的一种基于AI学习的立定跳远检测系统,其特征在于,肢体动力参数以人体自然站立情况下单个腿部承受的重力来作为参照力,肢体动力参数为参照力的倍数。4.根据权利要求1所述的一种基于AI学习的立定跳远检测系统,其特征在于,肢体特征生成模块包括卷积器、隐藏层和分类层,其中隐藏层包括N个隐藏节点,每个隐藏节点的输入连接一个卷积器的输出;第i个卷积器输入第i个肢体的第一部件...
【专利技术属性】
技术研发人员:唐义平,祖慈,刘兵,关俊宏,
申请(专利权)人:安徽一视科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。