基于头部姿态捕捉与方位计算的匍匐战术动作评判方法与流程

技术特征：
1.一种基于头部姿态捕捉与方位计算的匍匐战术动作评判方法，其特征在于，包括以下步骤：1)构建第一主干网络，实时采集学员头部图像并识别学员头部图像；2)计算头部方位角2.1)构建第二主干网络，所述第二主干网络为resnet50主干网络；所述resnet50主干网络包括三个全连接层，所述三个全连接层分别对应头部方位角的偏航角、滚转角和俯仰角；所述resnet50主干网络的映射区间范围为[-99, 99]；每个全连接层在所述映射区间范围内单独做预测，且单独做预测的全连接数均为二进制数；2.2)对构建的resnet50主干网络进行训练，得到训练后的resnet50主干网络，并获取实际标注数据；2.3)将步骤1)中识别的学员头部图像，输送至步骤2.2)训练后的resnet50主干网络进行头部方位角计算；2.3.1)将学员头部图像中头部方位角的偏航角、滚转角或俯仰角分别映射到[-99, 99]区间内，并分别将映射区间范围中-99到 99共199个数值依次进行分类，三个为一组，中间间隔作为离散类别；2.3.2)将步骤2.3.1)得到的离散类别通过softmax函数操作后归一化为概率值，全连接层中所有离散类别数据的概率值相加为1；2.3.3)将步骤2.3.2)得到的概率值和对应的离散类别相乘并求和，得到期望值；通过期望值和实际标注数据的角度计算均方差，最终通过端到端训练输出头部方位角；3)判断当前时刻头部方位角的偏航角、滚转角或俯仰角是否落入相应的设定范围内；若否，则按照扣分规则进行相应的扣分操作，并给出得分；若是，则直接给出得分。2.根据权利要求1所述的基于头部姿态捕捉与方位计算的匍匐战术动作评判方法，其特征在于，所述步骤1具体为：1.1)构建第一主干网络，所述第一主干网络为darknet-53主干网络；所述darknet-53主干网络包括自输入端到输出端依次连接的多个卷积块和全连接层；每个卷积块包括依次连接的卷积层、并行设置的批归一化层和激活层；所述卷积层由1x1和3x3的卷积核组成；当卷积的步长默认为1时，填充默认为一致；当卷积步长为2时，填充为有效；1.2)将darknet-53主干网络进行下采样，每次采样步长为1或2；然后将darknet-53主干网络的中间层和倒数第二层的上采样进行拼接，形成新的优化网络，用于不断迭代新的样本训练学习，得到头部模型；1.3)通过损失函数优化训练头部模型；所述损失函数为目标定位偏移量损失、目标置信度损失以及目标分类损失中的一种或多种；1.4)采集待考核学员头部图像信息，输送至头部模型，识别学员头部图像。3.根据权利要求2所述的基于头部姿态捕捉与方位计算的匍匐战术动作评判方法，其特征在于，步骤1.2)中，所述darknet-53主干网络进行了5次下采样，每次采样步长为2，将输出特征图缩小到原图的1/32。4.根据权利要求1或2或3所述的基于头部姿态捕捉与方位计算的匍匐战术动作评判方法，其特征在于：
步骤2.1)中，所述resnet50主干网络的输出先被映射到0～99这个区间范围内，然后再将映射值乘以3后再减去99，使区间范围被映射到[-99, 99]这个区间范围。5.根据权利要求4所述的基于头部姿态捕捉与方位计算的匍匐战术动作评判方法，其特征在于：步骤2.3.1)中所述将映射区间范围中-99到 99共199个数值依次进行分类具体为，包含起点-99度，终点设为102度且不包含102度，每3个数为一个间隔，共66个间隔。

技术总结
本发明涉及一种动作评判方法，具体涉及一种基于头部姿态捕捉与方位计算的匍匐战术动作评判方法。解决了现有训练的头部姿态评判没有一套客观量化的通行标准且无法大规模复制经验使评判效率较低的技术问题。本发明方法包括以下步骤：1)构建第一主干网络，实时采集学员头部图像并识别学员头部图像；2)计算头部方位角；2.1)构建第二主干网络，第二主干网络为ResNet50主干网络；2.2)训练ResNet50主干网络并获取实际标注数据；2.3)将识别的学员头部图像，输送至训练后的ResNet50主干网络进行头部方位角计算；3)判断当前时刻头部的偏航角、滚转角或俯仰角是否落入相应的设定范围内；若否，则按照扣分规则进行相应的扣分操作，并给出得分；若是，则直接给出得分。则直接给出得分。则直接给出得分。


技术研发人员：张崇 尹文刚 秦岭 李彬 古丹 李鑫 孙晓洪 张雷涛 焦嘉琪
受保护的技术使用者：西安翔迅科技有限责任公司
技术研发日：2021.12.30
技术公布日：2022/4/26