一种基于视觉识别的跆拳道动作姿势检测分析方法及系统

本技术涉及到视觉识别，特别是涉及到一种基于视觉识别的跆拳道动作姿势检测分析方法及系统。

背景技术：

1、近年来，随着计算机视觉技术的飞速发展，人们越来越多地将其应用于各领域。其中，运动员动作识别是一项广泛应用计算机视觉技术的领域。基于计算机视觉技术的运动员动作识别，在体育科学领域，运动员动作识别可以帮助运动员进行动作评估和训练优化。在电子竞技领域，运动员动作识别可以帮助裁判员判断运动员是否犯规，从而保证比赛的公正性。因此如何基于视觉识别的跆拳道动作姿势检测分析，提高对跆拳道动作进行识别和分析的能力已经成为亟待解决的问题。

技术实现思路

1、本技术的主要目的为提供一种基于视觉识别的跆拳道动作姿势检测分析方法及系统，旨在提高对跆拳道动作进行识别和分析的能力。

2、为了实现上述发明目的，本技术提出一种基于视觉识别的跆拳道动作姿势检测分析方法，包括：

3、一种基于视觉识别的跆拳道动作姿势检测分析方法，所述方法包括：

4、于摄像模组采集所述跆拳道动作的视频数据；

5、对所述视频数据进行预处理，得到第一视频数据；

6、将所述第一视频数据进行分割处理，提取所述跆拳道动作的所有关键帧；

7、对每个所述关键帧进行关键点特征提取，得到位置特征数据、角度特征数据、运动轨迹特征数据和形状特征数据；

8、将所述位置特征数据、所述角度特征数据、所述运动轨迹特征数据和所述形状特征数据进行融合，得到多特征融合特征向量；

9、构建动作姿势检测模型，将所述多特征融合特征向量输入到所述动作姿势识别模型中进行跆拳道动作姿势的检测，得到拳道动作姿势检测结果。

10、进一步地，将所述第一视频数据进行分割处理，提取所述跆拳道动作的所有关键帧，具体包括：

11、基于预设时间间隔将所述第一视频数据分割成多个视频片段；

12、基于预设转换参数将每个所述视频片段转换为视频帧；

13、基于预设的关键动作姿势序列对所述视频帧进行关键动作姿势提取，得到跆拳道动作的关键帧。

14、进一步地，对每个所述关键帧进行关键点特征提取，得到位置特征数据，具体包括：

15、对每个所述关键帧进行预处理，得到第一关键帧，其中，所述预处理包括但不限于灰度化、降噪和尺度归一化；

16、将每个所述第一关键帧，进行人体骨架结构的识别，得到人体的各个关键点数据，其中，所述人体骨架结构的关键点包括头部、肩部、肘部、手腕、髋部、膝盖和脚踝部位；

17、根据所述关键点数据计算每个所述关键点的坐标，得到每个所述关键点的位置数据；

18、将所述关键点的位置数据进行去噪平滑处理，得到位置特征数据。

19、进一步地，对每个所述关键帧进行关键点特征提取，得到角度特征数据，具体包括：

20、基于所述角点检测对每个所述关键帧进行关键点的提取，得到每个所述关键帧的关键点；

21、根据每个所述关键点计算对应的关键点描述符；

22、根据所述关键点描述符计算每个所述关键点的周围角度特征，得到角度特征数据。

23、进一步地，对每个所述关键帧进行关键点特征提取，得到运动轨迹特征数据，具体包括：

24、对每个所述关键帧进行预处理，得到第一关键帧，其中，所述预处理包括但不限于灰度化、降噪和尺度归一化；

25、基于尺度不变特征变换算法对每个所述第一关键帧进行关键点的检测，提取每个所述关键点的特征描述子；

26、根据每个所述关键点的特征描述子将每个相邻的所述第一关键帧之间进行特征匹配，得到对应匹配的关键点；

27、基于光流法对所述对应匹配的关键点进行运动轨迹计算，得到运动轨迹特征数据。

28、进一步地，对每个所述关键帧进行关键点特征提取，得到形状特征数据，具体包括：

29、对每个所述关键帧进行预处理，得到第一关键帧，其中，所述预处理包括但不限于灰度化、降噪和尺度归一化；

30、将每个所述第一关键帧进行灰度化处理，得到灰度化关键帧；

31、基于编程语言将每个所述灰度化关键帧转换为灰度化图像；

32、对所述灰度化图像进行阈值分割，得到二值化图像；

33、基于边缘检测算法对所述二值化图像进行轮廓检测；

34、对所述轮廓进行形状特征提取，得到形状特征数据，所述形状特征数据包括但不限于跆拳道动作姿势的轮廓特征。

35、进一步地，构建动作姿势检测模型的步骤之前，具体包括：

36、获取多特征融合特征向量数据集，将所述多特征融合特征向量数据集划分为多特征融合特征向量训练数据集和多特征融合特征向量测试数据集；

37、基于所述多特征融合特征向量训练数据集对所述动作姿势检测模型进行训练，并基于所述多特征融合特征向量测试数据集对所述动作姿势检测模型进行测试，直至所述动作姿势检测模型的预测准确性满足预设准确性阈值，停止对动作姿势检测模型进行训练。

38、一种基于视觉识别的跆拳道动作姿势检测分析系统，所述系统包括：

39、视频数据模块，用于基于摄像模组采集所述跆拳道动作的视频数据；

40、预处理模块，用于对所述视频数据进行预处理，得到第一视频数据；

41、提取关键帧模块，用于将所述第一视频数据进行分割处理，提取所述跆拳道动作的所有关键帧；

42、特征提取模块，用于对每个所述关键帧进行关键点特征提取，得到位置特征数据、角度特征数据、运动轨迹特征数据和形状特征数据；

43、多特征融合特征向量模块，用于将位置特征数据、所述角度特征数据、所述运动轨迹特征数据和所述形状特征数据进行融合，得到多特征融合特征向量；

44、检测结果模块，用于构建动作姿势检测模型，将所述多特征融合特征向量输入到所述动作姿势识别模型中进行跆拳道动作姿势的检测，得到跆拳动作姿势检测结果。

45、本技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项基于视觉识别的跆拳道动作姿势检测分析方法的步骤。

46、本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项基于视觉识别的跆拳道动作姿势检测分析方法的步骤。

47、本技术涉及视觉识别技术领域，特别是涉及到一种基于视觉识别的跆拳道动作姿势检测分析方法及系统，所述方法包括：摄像模组采集跆拳道动作的视频数据；对视频数据进行预处理，得到第一视频数据；将第一视频数据进行分割处理，提取跆拳道动作的所有关键帧；对每个关键帧进行关键点特征提取，得到位置特征数据、角度特征数据、运动轨迹特征数据和形状特征数据；将位置特征数据、角度特征数据、运动轨迹特征数据和形状特征数据进行融合，得到多特征融合特征向量；构建动作姿势检测模型，将多特征融合特征向量输入到动作姿势识别模型中进行跆拳道动作姿势的检测，得到拳道动作姿势检测结果。通过上述方法，提高对跆拳道动作进行识别和分析的能力。