一种基于AI学习的立定跳远检测系统及方法技术方案

本发明专利技术涉及AI教育技术领域，公开了一种基于AI学习的立定跳远检测系统，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；动作识别模块，其用于将肢体特征生成时间序列，输入GMM

【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；
[0011]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；
[0012]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；
[0013]肢体特征包括肢体动力参数；
[0014]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；
[0015]将时间序列输入GMM
‑
HMM模型；
[0016]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。
[0017]进一步地，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。
[0018]进一步地，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。
[0019]进一步地，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；
[0020]第i个卷积器输入第i个肢体的第一部件图像和第二部件图像的标准图像；
[0021]第i个卷积器包括N个卷积层，第i个卷积器的第i个卷积层的输入公式如下：
[0022][0023]其中，为第i个卷积器的第i
‑
1个卷积层的输出，为第j个卷积器的第i
‑
1个卷积层的输出，第j个卷积器对应的第j个肢体与第i个肢体连接，N为第i个肢体连接的肢体的集合；
[0024]隐藏层的隐藏节点为LSTM单元，每个隐藏节点的输出被分类层映射到分类空间Q＝{q1，q2…
q
n
}，其中分类空间的一个分类标签对应动力参数的一个离散值。
[0025]进一步地，卷积器训练时第i个卷积器的第i个卷积层的输入公式如下：
[0026][0027]进一步地，训练时卷积器的输出连接softmax分类器。
[0028]进一步地，训练时卷积器的损失函数为：
[0029]y
i,q
表示第i个样本属于第q个类别的预测值，q为第i个样本的真实类别，k为类别空间的类别总数，n为样本总数，表示表示模型对第i个样本属于第j个类别的预测值；
[0030]训练时样本的类别包括肢体类别，例如第i个类别对应于第i个肢体。
[0031]进一步地，GMM
‑
HMM模型的观测状态序列基于时间序列生成。
[0032]进一步地，提取动作异常对应的时间节点对应的可见光图像进行展示。
[0033]本专利技术提供了一种一种基于AI学习的立定跳远检测方法，通过如权利要求1
‑
9任一所述的一种基于AI学习的立定跳远检测系统执行以下步骤：
[0034]步骤101，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；
[0035]步骤102，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；
[0036]步骤103，提取第一部件图像和第二部件图像；
[0037]步骤104，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；
[0038]步骤105，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；
[0039]步骤106，将肢体特征生成时间序列；
[0040]步骤107，将时间序列输入GMM
‑
HMM模型获得各个时间节点的动作标识。
[0041]本专利技术的有益效果在于：
[0042]本专利技术能够对于学生的立定跳远运动的各个动作进行判断，指导学生对于立定跳远的错误动作进行针对性的矫正，也可以作为教师指导学生的参考，能够辅助学生立定跳远成绩的提高。
附图说明
[0043]图1是本专利技术的一种基于AI学习的立定跳远检测系统的模块示意图；
[0044]图2是本专利技术的一种基于AI学习的立定跳远检测方法的流程图。
[0045]图中：可见光图像处理模块101，图像提取模块102，肢体部件识别模块103，部件图像预处理模块104，肢体特征生成模块105，动作识别模块106。
具体实施方式
[0046]现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0047]实施例一
[0048]如图1所示，一种基于AI学习的立定跳远检测系统，包括：
[0049]可见光图像处理模块101，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；
[0050本文档来自技高网...

【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：