人体动作评分方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种人体动作评分方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.人体骨骼动作识别是人工智能领域重要的分支，在智能家居，教育以及视频游戏行业有广阔的应用场景。尤其是在教育行业涉及到动作教学的应用，每个人都希望更加直观的获取自己练习动作的准确性，因此，对于视频中人体动作进行评分，成为了人们广泛的需求。
3.现有对于视频中人体动作进行评分的方法多为基于关键点的评分，即在视频中对动作的关键点进行标注，根据用户的动作对画面内所有关键点的覆盖率对用户的动作进行评分。该方法中，无法实现对用户动作的完整监测，当用户的位置出现变化，或在短时间内由于杂乱的动作覆盖了较多关键点时，会导致赔付出现较大误差，因此，仅根据关键点对用户做出的人体动作进行评分的精确度较低。


技术实现要素：

4.本发明提供一种人体动作评分方法、装置及计算机可读存储介质，其主要目的在于解决进行人体动作评分时的精确度较低的问题。
5.为实现上述目的，本发明提供的一种人体动作评分方法，包括：
6.提取预设的视频流中的每一帧图像；
7.基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像；
8.选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像；
9.基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征；
10.计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
11.可选地，所述提取预设的视频流中的每一帧图像，包括：
12.提取所述视频流的帧率和视频时长；
13.根据所述帧率和所述视频时长计算所述视频流的帧数；
14.根据所述帧数对所述视频流进行分割，得到所述视频流的每一帧图像。
15.可选地，所述基于每一帧图像中的像素梯度识别每一帧图像的图像特征，包括：
16.逐个选取所述视频流中的一帧图像为目标图像；
17.将所述目标图像按照预设比例划分为多个图像块，计算每个图像块中每个像素的像素梯度，根据所述像素梯度统计得到每个图像块的梯度直方图；
18.将所述梯度直方图转换为向量，并将所述向量拼接为图形图像特征。
19.可选地，所述根据所述图像特征筛选出所述视频流中的关键图像，包括：
20.计算所述视频流中每一帧图像的图像特征与预设标准特征的匹配值；
21.选取所述匹配值大于预设匹配阈值的图像特征对应的图像为关键图像。
22.可选地，所述选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像，包括：
23.提取所述关键图像在所述视频流中的时间戳；
24.从所述标准动作视频中截取具有所述时间戳的图像为所述关键图像对应的标准动作图像。
25.可选地，所述基于预设的滑动窗口提取所述关键图像的人体动作特征，包括：
26.利用预设的滑动窗口对所述关键图像进行逐一框选，得到像素窗口；
27.根据所述像素窗口中的极值像素点从所述像素窗口中选取人体动作区域；
28.将人体动作区域内的所有关键点的像素值进行向量化；
29.将得到的向量汇集为所述目标区域的向量矩阵，并将所述向量矩阵作为所述人体动作区域的人体动作特征。
30.可选地，所述根据所述像素窗口中的极值像素点从所述像素窗口中选取人体动作区域，包括：
31.从所述像素窗口中逐个选取其中一个像素点为目标像素点；
32.判断所述目标像素点的像素值在所述像素窗口内是否为极值；
33.当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
34.当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
35.确定所有关键点包围的区域为所述关键图像的人体动作区域。
36.为了解决上述问题，本发明还提供一种人体动作评分装置，所述装置包括：
37.图像提取模块，用于提取预设的视频流中的每一帧图像；
38.第一筛选模块，用于基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像；
39.第二筛选模块，用于选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像；
40.特征提取模块，用于基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征；
41.动作评分模块，用于计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
42.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
43.至少一个处理器；以及，
44.与所述至少一个处理器通信连接的存储器；其中，
45.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的人体动作评分
方法。
46.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人体动作评分方法。
47.本发明实施例能够从视频流中筛选出人体动作的关键图像，后续仅对关键图像进行分析，避免了对该视频流中每一帧图像进行分析，减少了需要分析评分的图像数量，提高了评分效率，并从标准动作视频中筛选出每一个关键图像对应的标准动作图像，进而分别提取关键图像与其对应的标准动作图像的特征，进而根据特征之间的相似度计算用户动作的评分，实现了基于图像内特特征的精细化比对，提高了最终生成的人体动作评分的精确度。因此本发明提出的人体动作评分方法、装置、电子设备及计算机可读存储介质，可以解决进行人体动作评分时的精确度较低的问题。
附图说明
48.图1为本发明一实施例提供的人体动作评分方法的流程示意图；
49.图2为本发明一实施例提供的提取视频流中每一帧图像的流程示意图；
50.图3为本发明一实施例提供的基于每一帧图像中的像素梯度识别每一帧图像的图像特征的流程示意图；
51.图4为本发明一实施例提供的人体动作评分装置的功能模块图；
52.图5为本发明一实施例提供的实现所述人体动作评分方法的电子设备的结构示意图。
53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.本技术实施例提供一种人体动作评分方法。所述人体动作评分方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述人体动作评分方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
56.参照图1所示，为本发明一实施例提供的人体动作评分方法的流程示意图。在本实施例中，所述人体动作评分方法包括：
57.s1、提取预设的视频流中的每一帧图像。
58.本发明实施例中，所述视频流可以为任何包含人体动作的视频片段，例如，录制的用户按照减脂动作教学进行学习的视频，或者用户按照瑜伽动作视频教学学习的视频等。
59.详细地，可利用具有数据抓取功能的计算机语句(如python语句、java语句等)从预先确定的用于存储所述视频流的存储区域获取包含人体动作的视频流，其中，所述存储
区域包括但不限于数据库、区块链节点、网络缓存。
60.本发明其中一个实际应用场景中，由于所述视频流中包含大量的图像，因此，为了实现对所述视频流中人体动作的评分，可提取所述视频片段中的每一帧图像，以便于后续对每一帧图像进行分析，进而对所述视频流中人体动作的评分。
61.本发明实施例中，参图2所示，所述提取预设的视频流中的每一帧图像，包括：
62.s21、提取所述视频流的帧率和视频时长；
63.s22、根据所述帧率和所述视频时长计算所述视频流的帧数；
64.s23、根据所述帧数对所述视频流进行分割，得到所述视频流的每一帧图像。
65.详细地，可利用具有帧率识别功能的java语句提取所述视频流的帧率，所述帧率是指该视频流每秒内包含的图像帧数，例如，该视频流的帧率为24帧，则该视频流每秒内包含24张图像。
66.具体地，可将所述帧率和所述视频时长(单位：秒)进行相乘，得到所述视频流的帧数。
67.本发明实施例中，可根据所述视频流的帧数对所述视频流中的画面进行截取、分离，进而得到该视频流包含的每一帧图像。
68.s2、基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像。
69.本发明实施例中，由于视频流的连续性，即该视频流中人物的动作均是连续的，因此，利用预设标准特征筛选出的关键动作图像中可能存在连续时间段内，包含多张相似度较高的图像，导致在该连续时间段内识别出的关键动作图像数量较多，但在对视频流中的人体动作进行评分时，若对每一帧图像均进行评分，不仅会占用大量的计算资源，降低评分的实时性，且用户仅关系关键动作的评分，因此，可筛选出所述视频流中的关键图像，以减少后续评分的数据量，提高评分的效率。
70.因此，本发明实施例可对所述视频流中包含的相似度较高的关键动作图像进行合并，以减少该视频流中关键动作图像的个数，提高关键动作识别的精确度。
71.本发明实施例中，参图3所示，所述基于每一帧图像中的像素梯度识别每一帧图像的图像特征，包括：
72.s31、逐个选取所述视频流中的一帧图像为目标图像；
73.s32、将所述目标图像按照预设比例划分为多个图像块，计算每个图像块中每个像素的像素梯度，根据所述像素梯度统计得到每个图像块的梯度直方图；
74.s33、将所述梯度直方图转换为向量，并将所述向量拼接为图形图像特征。
75.详细地，可将所述目标图像按照预设比例划分为多个图像块，并逐一计算每一个像素块中每个像素的像素梯度，通过计算像素梯度，可捕获目标图像的图像特征。
76.其中，可利用预设的梯度算法计算每一个图像块中每个像素的像素梯度，所述梯度算法包括但不限于二维离散求导算法、soble算子等。
77.具体地，可根据所述像素梯度，统计出每个图像块中的梯度直方图，进而利用所述梯度直方图中各梯度的值，生成用于标识该梯度直方图的向量，并将所述目标图像的所有梯度直方图的向量拼接所述目标图像的图像特征。
78.进一步地，可利用所述图像特征对所述视频流中的每一帧图像进行筛选，进而筛
选出关键动作的帧为关键图像。
79.本发明实施例中，所述根据所述图像特征筛选出所述视频流中的关键图像，包括：
80.计算所述视频流中每一帧图像的图像特征与预设标准特征的匹配值；
81.选取所述匹配值大于预设匹配阈值的图像特征对应的图像为关键图像。
82.详细地，所述预设标准特征为预先获取的不同的人体动作对应的正确的特征。
83.具体地，可利用如下匹配值算法计算所述视频流中每一帧图像的图像特征与预设标准特征的匹配值：
[0084][0085]
其中，p为所述匹配值，an为所述视频流中第n帧图像对应的图像特征，bn为所述视频流中第n帧图像对应的预设标准特征。
[0086]
本发明实施例中，可从该视频流中筛选出所述匹配值大于预设匹配阈值的图像特征对应的图像，并确定选取的图像为所述视频流的关键图像。
[0087]
s3、选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像。
[0088]
本发明实施例中，所述标准动作视频为包含与所述视频流中人体动作对应的标准动作的视频片段。
[0089]
详细地，可从所述标准动作视频中筛选出与所述关键图像对应的标准动作图像，进而将关键图像与筛选出的标准动作图像进行比对，以实现对人体动作的评分。
[0090]
本发明其中一个实施例中，由于所述视频流是用户根据所述标准动作视频进行动作学习并产生的视频，因此，该视频流中人体动作与所述标准动作视频中的人体动作具有较高的时间同步性，因此，可根据所述关键图像在所述视频流中的时间，筛选出所述标准动作视频中与所述关键图像对应的标准动作图像。
[0091]
本发明实施例中，所述选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像，包括：
[0092]
提取所述关键图像在所述视频流中的时间戳；
[0093]
从所述标准动作视频中截取具有所述时间戳的图像为所述关键图像对应的标准动作图像。
[0094]
详细地，可利用具有时间戳提取功能的java语句从所述视频流中提取所述关键图像对应的时间戳，进而根据所述时间戳从所述标准动作视频中提取标准动作图像。
[0095]
例如，存在关键图像a，所述关键图像a在所述视频流中的时间戳为1分22秒，则根据所述视频流与所述标准动作视频中动作的时间一致性，可选取所述标准动作视频中时间戳为1分22秒的图像为所述关键图像a对应的标准动作图像。
[0096]
s4、基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征。
[0097]
本发明其中一个实际应用场景中，由于所述关键图像和所述标准动作图像的画面中可能包含较多的背景画面，但在进行关键动作识别时，仅需要关注图像中人物的动作，因
此，若直接对所述关键图像和所述标准动作图像进行图像分析，会导致分析效率的低下，同时，由于背景画面中图像信息的影响，会导致分析结果的精确度不高。
[0098]
本发明实施例中，可分别提取所述关键图像和所述标准动作图像中的人体动作区域，进而避免对所述关键图像和所述标准动作图像中所有图像信息进行分析，提高分析效率，同时去除背景画面中的图像信息对后续分析的影响，提高分析结果的精确度。
[0099]
本发明实施例中，所述基于预设的滑动窗口提取所述关键图像的人体动作特征，包括：
[0100]
利用预设的滑动窗口对所述关键图像进行逐一框选，得到像素窗口；
[0101]
根据所述像素窗口中的极值像素点从所述像素窗口中选取人体动作区域；
[0102]
将人体动作区域内的所有关键点的像素值进行向量化；
[0103]
将得到的向量汇集为所述目标区域的向量矩阵，并将所述向量矩阵作为所述人体动作区域的人体动作特征。
[0104]
详细地，所述滑动窗口可以为预先构建的具有一定面积的选择框，可用于对所述目标区域中的像素进行框选，例如，以10像素为高度，10像素为宽度构建的方形选择框。
[0105]
本发明实施例中，所述根据所述像素窗口中的极值像素点从所述像素窗口中选取人体动作区域，包括：
[0106]
从所述像素窗口中逐个选取其中一个像素点为目标像素点；
[0107]
判断所述目标像素点的像素值在所述像素窗口内是否为极值；
[0108]
当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
[0109]
当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
[0110]
确定所有关键点包围的区域为所述关键图像的人体动作区域。
[0111]
详细地，所述极值包括极大值与极小值，当所述目标像素点的像素值在所述像素窗口内为极大值或极小值时，即确定所述目标像素点为所述像素窗口的关键点。
[0112]
具体地，可将将所有关键点在所述关键图像中包围的区域确定为所述关键图像的人体动作区域。
[0113]
进一步地，可将所述人体动作区域中每一行像素的像素值转换为行向量，并拼接为所述人体动作区域的人体动作特征。
[0114]
例如，人体动作区域中包括三行共9个关键点像素，第一行像素的像素值为a,b,c，第二行像素的像素值为d,e,f，第三行像素的像素值为g,h,i，则可分别将每一行像素的像素值作为行向量，拼接为如下向量矩阵：
[0115][0116]
本发明其他实施例中，可采用hog(histogram of oriented gradient，方向梯度直方图)、dpm(deformable part model，可变性组件模型)、lbp(local binary patterns，局部二值模式)等方式来提取所述人体动作区域的人体动作特征，或者，可采用预先训练的具体图像特征提取功能的人工智能模型来提取所述人体动作区域的人体动作特征，所述人
工智能模型包括但不限于vgg-net模型、u-net模型。
[0117]
本发明实施例中，所述提取所述标准动作图像的标准人体动作特征的步骤，与基于预设的滑动窗口提取所述关键图像的人体动作特征的步骤一致，在此不做赘述。
[0118]
s5、计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
[0119]
本发明实施例中，可通过计算所述人体动作特征与所述标准人体动作特征之间的相似度，进而将该相似度作为对用户生成的关键图像的人体动作的评分。
[0120]
详细地，所述计算所述人体动作特征与所述标准人体动作特征之间的相似度，包括：
[0121]
利用如下相似算法计算所述人体动作特征与所述标准人体动作特征之间的相似度：
[0122][0123]
其中，l为所述相似度，a为所述人体动作特征，b为所述标准人体动作特征。
[0124]
本发明实施例中，当计算得到所述相似度，并将所述相似度作为所述关键图像的人体动作评分后，还包括：
[0125]
将所述人体动作评分划分至预设评分等级，并以动画、音效等方式向用户进行展示。
[0126]
本发明实施例能够从视频流中筛选出人体动作的关键图像，减少了需要分析评分的图像数量，提高了评分效率，并从标准动作视频中筛选出每一个关键图像对应的标准动作图像，进而分别提取关键图像与其对应的标准动作图像的特征，进而根据特征之间的相似度计算用户动作的评分，实现了基于图像内特特征的精细化比对，提高了最终生成的人体动作评分的精确度。因此本发明提出的人体动作评分方法，可以解决进行人体动作评分时的精确度较低的问题。
[0127]
如图4所示，是本发明一实施例提供的人体动作评分装置的功能模块图。
[0128]
本发明所述人体动作评分装置100可以安装于电子设备中。根据实现的功能，所述人体动作评分装置100可以包括图像提取模块101、第一筛选模块102、第二筛选模块103、特征提取模块104及动作评分模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0129]
在本实施例中，关于各模块/单元的功能如下：
[0130]
所述图像提取模块101，用于提取预设的视频流中的每一帧图像；
[0131]
所述第一筛选模块102，用于基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像；
[0132]
所述第二筛选模块103，用于选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像；
[0133]
所述特征提取模块104，用于基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征；
[0134]
所述动作评分模块105，用于计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
[0135]
详细地，本发明实施例中所述人体动作评分装置100中所述的各模块在使用时采用与上述图1至图3中所述的人体动作评分方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0136]
如图5所示，是本发明一实施例提供的实现人体动作评分方法的电子设备的结构示意图。
[0137]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如人体动作评分程序。
[0138]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行人体动作评分程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0139]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如人体动作评分程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0140]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0141]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0142]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结
构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0143]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0144]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0145]
所述电子设备1中的所述存储器11存储的人体动作评分程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0146]
提取预设的视频流中的每一帧图像；
[0147]
基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像；
[0148]
选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像；
[0149]
基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征；
[0150]
计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
[0151]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0152]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0153]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0154]
提取预设的视频流中的每一帧图像；
[0155]
基于每一帧图像中的像素梯度识别每一帧图像的图像特征，根据所述图像特征筛选出所述视频流中的关键图像；
[0156]
选取预设的标准动作视频中预设时间戳时的图像为所述关键图像对应的标准动作图像；
[0157]
基于预设的滑动窗口提取所述关键图像的人体动作特征，以及提取所述标准动作图像的标准人体动作特征；
[0158]
计算所述人体动作特征与所述标准人体动作特征之间的相似度，并将所述相似度作为所述关键图像的人体动作评分。
[0159]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以
通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0160]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0161]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0162]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0163]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0164]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0165]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0166]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0167]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。