基于AI的动作标准判定方法、装置、设备及存储介质与流程

基于ai的动作标准判定方法、装置、设备及存储介质
技术领域
1.本技术涉及大数据处理技术领域，尤其涉及一种基于ai的动作标准判定方法、装置、设备及存储介质。


背景技术：

2.目前，随着生活水平的提升，全民对于体育锻炼的需求加强，但是不正确、不规范的体育锻炼动作往往不能达到锻炼效果，反而会导致训练人员受伤。现有技术中，对于体育锻炼动作，往往由体育教练进行指导，过于依赖人为经验，且体育教练的技能水平参差不齐，无法准确的判定动作是否标准。
3.上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本技术的主要目的在于提供一种基于ai的动作标准判定方法、装置、设备及存储介质，旨在解决现有的动作标准判定依靠人工经验，对动作标准判定的准确性差的技术问题。
5.为实现上述目的，本技术提供一种基于ai的动作标准判定方法，包括以下步骤：
6.获取待判定动作的特征参数；
7.将所述特征参数输入至动作判定模型中，得到动作判定分值；
8.根据所述动作判定分值，确定动作标准判定结果。
9.可选地，所述获取待判定动作的特征参数的步骤包括：
10.获取待判定动作对应的关节点的三维坐标值；
11.基于所述关节点的三维坐标值，计算所述关节点所在骨骼间的夹角特征值，形成待判定动作的特征参数。
12.可选地，所述动作判定模型的获取方法，包括：
13.获取目标动作的目标特征参数，以及其对应的动作分值；
14.对所述目标特征参数进行划分，得到训练数据集和测试数据集；
15.将所述训练数据集对应的目标特征参数输入到预设基础模型中进行训练，得到初步动作判定模型；
16.将所述测试数据集对应的目标特征参数输入到所述初步动作判定模型中进行测试，得到测试输出值；
17.获取所述测试输出值与所述动作分值相同的概率值；
18.若所述概率值大于或等于预设概率值，则将所述初步动作判定模型作为动作判定模型；
19.若所述概率值小于预设概率值，则返回对所述目标特征参数进行划分，得到训练数据集和测试数据集的步骤。
20.可选地，所述根据所述动作判定分值，确定动作标准判定结果的步骤，包括：
21.若所述动作判定分值大于或等于预设分值，则所述待判定动作为标准动作。
22.可选地，所述获取待判定动作的特征参数的步骤之前，还包括：
23.根据待判定动作选择其对应的动作判定模型。
24.可选地，所述根据待判定动作选择其对应的动作判定模型的步骤，包括：
25.获取待判定动作的动作图像；
26.将所述动作图像与各类别动作的目标动作图像进行相似度比对；
27.根据相似度比对结果，确定待判定动作的动作类别；
28.根据所述动作类别，选择对应的动作判定模型。
29.可选地，所述将所述动作图像与各类别动作的目标动作图像进行相似度比对的步骤，包括：
30.将所述动作图像与所述目标动作图像进行叠放；
31.计算所述目标动作图像上预设特征点与所述动作图像上对应的特征点之间的距离；
32.求取各所述预设特征点对应的距离的平均值；
33.遍历各类别动作的目标动作图像，从各类别动作的目标动作图像中筛选得到相似目标动作图像，其中，所述相似目标动作图像对应的所述平均值小于或等于预设平均阈值。
34.此外，为实现上述目的，本技术还提供一种基于ai的动作标准判定装置，所述装置包括：
35.特征提取模块，用于获取待判定动作的特征参数；
36.模型处理模型，用于将所述特征参数输入至动作判定模型中，得到动作判定分值；
37.动作标准判定模块，用于根据所述动作判定分值，确定动作标准判定结果。
38.此外，为实现上述目的，本技术还提供一种基于ai的动作标准判定设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于ai的动作标准判定程序，所述基于ai的动作标准判定程序配置为实现如上所述的基于ai的动作标准判定方法的步骤。
39.此外，为实现上述目的，本技术还提供一种存储介质，所述存储介质上存储有基于ai的动作标准判定程序，所述基于ai的动作标准判定程序被处理器执行时实现如上所述的基于ai的动作标准判定方法的步骤。
40.本技术公开了一种基于ai的动作标准判定方法、装置、设备及存储介质，与现有技术中，动作标准判定依靠人工经验，对动作标准判定的准确性差相比，本技术通过获取待判定动作的特征参数；将所述特征参数输入至动作判定模型中，得到动作判定分值；根据所述动作判定分值，确定动作标准判定结果，无需依靠人工经验进行判定，提高了对动作标准判定的准确性。
附图说明
41.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
42.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1是本技术实施例方案涉及的硬件运行环境的基于ai的动作标准判定设备的结构示意图；
44.图2为本技术一种基于ai的动作标准判定方法第一实施例的流程示意图；
45.图3为本技术一种基于ai的动作标准判定装置第一实施例的功能模块示意图。
46.本技术目的的实现、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
47.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.参照图1，图1为本技术实施例方案涉及的硬件运行环境的基于ai的动作标准判定设备结构示意图。
49.如图1所示，该基于ai的动作标准判定设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.本领域技术人员可以理解，图1中示出的结构并不构成对基于ai的动作标准判定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于ai的动作标准判定程序。
52.在图1所示的基于ai的动作标准判定设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本技术基于ai的动作标准判定设备中的处理器1001、存储器1005可以设置在基于ai的动作标准判定设备中，所述基于ai的动作标准判定设备通过处理器1001调用存储器1005中存储的基于ai的动作标准判定程序，并执行本技术实施例提供的基于ai的动作标准判定方法。
53.本技术实施例提供了一种基于ai的动作标准判定方法，参照图2，图2为本技术一种基于ai的动作标准判定方法第一实施例的流程示意图。
54.本实施例中，所述基于ai的动作标准判定方法包括：
55.步骤s10、获取待判定动作的特征参数；
56.步骤s20、将所述特征参数输入至动作判定模型中，得到动作判定分值；
57.步骤s30、根据所述动作判定分值，确定动作标准判定结果。
58.上述方法的应用场景可以为：体育锻炼动作、模特走姿动作和术后康复训练动作等。以体育锻炼动作为例，可以对训练人员的锻炼动作(如握拍动作、投掷动作、起蹲动作等)的标准进行判断，对训练人员的锻炼动作起到指导作用，防止锻炼动作不标准，对自身
骨骼造成损伤。
59.具体的步骤，包括：
60.步骤s10、获取待判定动作的特征参数。
61.在本实施例中，获取待判定动作的特征参数的具体步骤，包括：
62.步骤s101、获取待判定动作对应的关节点的三维坐标值。
63.需要说明的是，在本实施例中，可通过可穿戴设备直接获取待判定动作对应的关节点的三维坐标值。可穿戴设备多以具备部分计算功能、可连接手机及各类终端的便携式配件形式存在。在本实施例中，由于通过可穿戴设备直接获取待判定动作对应的关节点的三维坐标值，因此，可穿戴设备为位置传感器。可穿戴设备设置在执行待判定动作的人员的各个关节点处，例如，手腕、指尖、肘关节、膝关节、脚腕等。
64.步骤s102、基于所述关节点的三维坐标值，计算所述关节点所在骨骼间的夹角特征值，形成待判定动作的特征参数。
65.需要说明的是，一个待判定动作会涉及到多个关节点共同动作，由每个关节点的三维坐标值作为每个关节点所在骨骼的特征向量值，计算每一骨骼与其邻近骨骼的夹角特征值，由此，得到多个夹角特征值，多个夹角特征值形成待判定动作的特征参数。
66.其中，每一骨骼与其邻近骨骼的夹角特征值由以下公式进行计算得到：
[0067][0068]
其中，(x1，y1，z1)表示每一骨骼的特征向量值，(x2，y2，z2)表示每一骨骼邻近骨骼的特征向量值，表示每一骨骼与其邻近骨骼的夹角特征值。
[0069]
步骤s20、将所述特征参数输入至动作判定模型中，得到动作判定分值。
[0070]
需要说明的是，所述动作判定模型的获取方法，包括：
[0071]
步骤a1、获取目标动作的目标特征参数，以及其对应的动作分值。
[0072]
需要说明的是，在本实施例中，步骤a1中获取目标动作的目标特征参数的具体过程与步骤10相同，具体包括：
[0073]
步骤a11、获取目标动作对应的关节点的三维坐标值。
[0074]
需要说明的是，在本实施例中，可通过可穿戴设备直接获取目标动作对应的关节点的三维坐标值。可穿戴设备多以具备部分计算功能、可连接手机及各类终端的便携式配件形式存在。在本实施例中，由于通过可穿戴设备直接获取目标动作对应的关节点的三维坐标值，因此，可穿戴设备为位置传感器。可穿戴设备设置在执行目标动作的人员的各个关节点处，例如，手腕、指尖、肘关节、膝关节、脚腕等。
[0075]
步骤a12、基于所述关节点的三维坐标值，计算所述关节点所在骨骼间的夹角特征值，形成目标动作的目标特征参数。
[0076]
需要说明的是，一个目标动作会涉及到多个关节点共同动作，由每个关节点的三维坐标值作为每个关节点所在骨骼的特征向量值，计算每一骨骼与其邻近骨骼的夹角特征值，由此，得到多个夹角特征值，多个夹角特征值形成目标动作的目标特征参数。
[0077]
其中，每一骨骼与其邻近骨骼的夹角特征值由以下公式进行计算得到：
[0078][0079]
其中，(x1，y1，z1)表示每一骨骼的特征向量值，(x2，y2，z2)表示每一骨骼邻近骨骼的特征向量值，表示每一骨骼与其邻近骨骼的夹角特征值。
[0080]
步骤a2、对所述目标特征参数进行划分，得到训练数据集和测试数据集。
[0081]
具体地，测试数据集中的数据与所述训练数据集中的数据是不相同的。例如，在本实施例中可以按照7:3的比例进行划分，即所有的目标特征参数中百分之七十的数据用作训练数据集，剩余百分之三十的数据用于测试数据集。同理，也可以按照8:2或6:4等比例进行划分，划分比例可以根据样本数据集中数据的数量进行调整，样本数据集中数据的数量越多，比例差越小，也就是说，在确保具有足够训练数据集的情况下可以适当调整比例。
[0082]
步骤a3、将所述训练数据集对应的目标特征参数输入到预设基础模型中进行训练，得到初步动作判定模型。
[0083]
需要说明的是，本实施例中，预设基础模型为原始lstm模型。在此基础上，将所述训练数据集对应的目标特征参数输入到预设基础模型中进行训练，得到初步动作判定模型的步骤，具体地包括以下三个步骤：
[0084]
1)在原始lstm模型的隐藏层采用第一激活函数对目标特征参数进行处理，获取携带激活状态标识的神经元。第一激活函数是用于激活神经元状态的函数。神经元状态决定了各个门(即输入门、遗忘门和输出门)的丢弃、增加和输出的信息。激活状态标识包括通过标识和不通过标识。本实施例中的输入门、遗忘门和输出门对应的标识分别为i、f和o。本实施例中，具体选用sigmoid(s型生长曲线)函数作为第一激活函数，sigmoid函数是一个在生物学中常见的s型的函数，在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的阈值函数，将变量映射到0-1之间。其激活函数的计算公式为其中，z表示遗忘门的输出值。
[0085]
2)在原始lstm模型的隐藏层采用第二激活函数对携带激活状态标识的神经元进行处理，获取lstm输出层的输出。本实施例中，由于线性模型的表达能力不够，因此采用tanh(双曲正切)函数作为第二激活函数，激活函数tanh(双曲正切)具有收敛速度快的优点，可以节省训练时间，提高训练效率。
[0086]
3)根据原始lstm模型输出层的输出，构建损失函数：eloss＝-ln∑(x,z)∈sp(z|x)，其中，p(z|x)表示目标特征参数x在原始lstm模型输出层输出为z的概率，z指动作分值。然后通过adam算法，计算误差函数相对于原始lstm模型中权重和偏置参数的梯度，在损失函数梯度的相反方向上更新权重和偏置，获取初步动作判定模型。
[0087]
步骤a4、将所述测试数据集对应的目标特征参数输入到所述初步动作判定模型中进行测试，得到测试输出值。
[0088]
步骤a5、获取所述测试输出值与所述动作分值相同的概率值。
[0089]
步骤a6、若所述概率值大于或等于预设概率值，则将所述初步动作判定模型作为动作判定模型。
[0090]
步骤a7、若所述概率值小于预设概率值，则返回对所述目标特征参数进行划分，得到训练数据集和测试数据集的步骤。
[0091]
需要说明的是，在本实施例中，步骤a4～步骤a7可以替换为：
[0092]
通过下述计算公式计算得到r方：
[0093][0094]
其中，yi为目标动作对应的动作分值，为将测试数据集中的目标特征参数输入至初步动作判定模型中，初步动作判定模型进行计算后，输出的动作分值。r方用于衡量经初步动作判定模型计算后的动作分值对于目标动作对应的动作分值的拟合好坏程度。当r方等于1时，所有的经初步动作判定模型计算后的动作分值等于目标动作对应的动作分值；当r方小于0时，说明模型错误。因此当r方小于预设的r方阈值时，则说明该初步动作判定模型验证不通过，反之，当r方大于或等于预设的r方阈值时，则说明该初步动作判定模型验证通过，将该初步动作判定模型作为动作判定模型。
[0095]
需要说明的是，为提高动作判定模型的敏感度，可以对预设基础模型进行多次训练，具体地，对所述预设基础模型多次训练和多次测试，得到初步动作判定模型，例如训练10次后测试1次并循环训练和测试的过程，直至满足训练条件，得到初步动作判定模型。其中，训练条件可以为重复循环训练和测试的过程的次数，该次数可以通过多次实验获取得到，在本实施例中不作具体限制。
[0096]
步骤s30、根据所述动作判定分值，确定动作标准判定结果。
[0097]
在本实施例中，根据所述动作判定分值，确定动作标准判定结果的步骤，具体包括：
[0098]
步骤s301、若所述动作判定分值大于或等于预设分值，则所述待判定动作为标准动作；
[0099]
步骤s302、若所述动作判定分值小于预设分值，则所述待判定动作不是标准动作。
[0100]
需要说明的是，在本实施例中，预设分值可通过多次实验获取得到，在此不作具体限制。
[0101]
上述方法通过待判定动作的特征参数，将其输入至训练得到的动作判定模型中，再根据输出的动作判定分值，确定动作标准判定结果，无需依靠人工经验进行判定，提高了对动作标准判定的准确性。
[0102]
进一步地，基于本技术中第一实施例，提供本技术的另一实施例，在该实施例中，所述获取待判定动作的特征参数的步骤之前，还包括：
[0103]
步骤s00、根据待判定动作选择其对应的动作判定模型。
[0104]
在本实施例中，根据所述动作判定分值，确定动作标准判定结果的步骤，具体包括：
[0105]
步骤s01、获取待判定动作的动作图像。
[0106]
步骤s02、将所述动作图像与各类别动作的目标动作图像进行相似度比对。
[0107]
在本实施例中，将所述动作图像与各类别动作的目标动作图像进行相似度比对的步骤，具体包括：
[0108]
步骤s021、将所述动作图像与所述目标动作图像进行叠放；
[0109]
步骤s022、计算所述目标动作图像上预设特征点与所述动作图像上对应的特征点之间的距离；
[0110]
步骤s023、求取各所述预设特征点对应的距离的平均值；
[0111]
步骤s024、遍历各类别动作的目标动作图像，从各类别动作的目标动作图像中筛选得到相似目标动作图像，其中，所述相似目标动作图像对应的所述平均值小于或等于预设平均阈值，预设平均阈值为目标动作图像中的动作姿态的最小外接矩形/最小外接圆形的中心点与动作姿态中心点距离值，与目标动作图像中的动作姿态的最小外接矩形/最小外接圆形的周长的比值。
[0112]
其中，步骤s021中，将所述动作图像与所述目标动作图像进行叠放可以通过以下两种方式实现：
[0113]
方式一、若所述动作图像和所述目标动作图像的大小相同，则直接根据所述动作图像与所述目标动作图像按照图像中的动作方向进行整体图像的叠放。
[0114]
方式二、若所述动作图像和所述目标动作图像的大小不相同，则分被从所述动作图像与所述目标动作图像中提取出动作姿态，将从所述动作图像中提取出来的动作姿态与从所述目标动作图像中提取出来的动作姿态叠放。其中，分被从所述动作图像与所述目标动作图像中提取出动作姿态可以采用图像分割算法，例如灰度阈值分割法、边缘检测分割法等。
[0115]
步骤s03、根据相似度比对结果，确定待判定动作的动作类别。
[0116]
步骤s04、根据所述动作类别，选择对应的动作判定模型。
[0117]
上述方法中，所述获取待判定动作的特征参数的步骤之前，步骤s00、根据待判定动作选择其对应的动作判定模型。不同的动作的评判标准是不同的，且动作判定模型是训练得到的，不同的动作其对应的动作判定模型，因此，在获取待判定动作的特征参数的步骤之前，需要根据待判定动作选择其对应的动作判定模型，防止出现将待判定动作的特征参数输入至不对应的动作判定模型中的情况，进而导致输出的动作判定分值不对，影响到动作标准判定结果。
[0118]
本技术实施例还提出一种基于ai的动作标准判定装置，参照图3，图3为本技术一种基于ai的动作标准判定装置第一实施例的功能模块示意图。
[0119]
本实施例中，所述基于ai的动作标准判定装置包括：
[0120]
特征提取模块10，用于获取待判定动作的特征参数；
[0121]
模型处理模型20，用于将所述特征参数输入至动作判定模型中，得到动作判定分值；
[0122]
动作标准判定模块30，用于根据所述动作判定分值，确定动作标准判定结果。
[0123]
可选地，所述特征提取模块包括：
[0124]
第一数据采集单元，用于获取待判定动作对应的关节点的三维坐标值；
[0125]
特征参数生成单元，用于基于所述关节点的三维坐标值，计算所述关节点所在骨骼间的夹角特征值，形成待判定动作的特征参数。
[0126]
可选地，所述装置还包括模型生成模块，所述模型生成模块用于实现：
[0127]
获取目标动作的目标特征参数，以及其对应的动作分值；
[0128]
对所述目标特征参数进行划分，得到训练数据集和测试数据集；
[0129]
将所述训练数据集对应的目标特征参数输入到预设基础模型中进行训练，得到初步动作判定模型；
[0130]
将所述测试数据集对应的目标特征参数输入到所述初步动作判定模型中进行测试，得到测试输出值；
[0131]
获取所述测试输出值与所述动作分值相同的概率值；
[0132]
若所述概率值大于或等于预设概率值，则将所述初步动作判定模型作为动作判定模型；
[0133]
若所述概率值小于预设概率值，则返回对所述目标特征参数进行划分，得到训练数据集和测试数据集的步骤。
[0134]
可选地，所述动作标准判定模块用于若所述动作判定分值大于或等于预设分值，则所述待判定动作为标准动作。
[0135]
可选地，所述装置还包括：
[0136]
模型选择模块，用于根据待判定动作选择其对应的动作判定模型。
[0137]
可选地，所述模型选择模块包括：
[0138]
第二数据采集单元，用于获取待判定动作的动作图像；
[0139]
相似度比对单元，用于将所述动作图像与各类别动作的目标动作图像进行相似度比对；
[0140]
类别确定单元，用于根据相似度比对结果，确定待判定动作的动作类别；
[0141]
选择单元，用于根据所述动作类别，选择对应的动作判定模型。
[0142]
可选地，所述相似度比对单元用于实现：
[0143]
将所述动作图像与所述目标动作图像进行叠放；
[0144]
计算所述目标动作图像上预设特征点与所述动作图像上对应的特征点之间的距离；
[0145]
求取各所述预设特征点对应的距离的平均值；
[0146]
遍历各类别动作的目标动作图像，从各类别动作的目标动作图像中筛选得到相似目标动作图像，其中，所述相似目标动作图像对应的所述平均值小于或等于预设平均阈值。
[0147]
本技术基于ai的动作标准判定装置具体实施方式与上述基于ai的动作标准判定方法各实施例基本相同，在此不再赘述。
[0148]
本技术实施例还提出一种存储介质，所述存储介质上存储有基于ai的动作标准判定程序，所述基于ai的动作标准判定程序被处理器执行时实现如上所述的基于ai的动作标准判定方法的步骤。
[0149]
本技术存储介质具体实施方式与上述基于ai的动作标准判定方法各实施例基本相同，在此不再赘述。
[0150]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0151]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0152]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0153]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。