本公開涉及人工智能，尤其涉及一種基于計算機視覺的體育運動實時評測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在體育運動評測領(lǐng)域，傳統(tǒng)方法主要依賴人工觀測或紅外測量技術(shù)來捕捉人體在運動過程中的位置變化，以獲取評估數(shù)據(jù)。這些方法雖然在一定程度上能夠提供評測結(jié)果，但受限于儀器設(shè)備和人力資源，往往成本較高且效率較低，難以滿足大規(guī)?；?qū)崟r性評測的需求。

2、隨著技術(shù)的發(fā)展，特別是計算機視覺和人工智能技術(shù)的進步，為體育運動評測帶來了新的可能性。通過計算機視覺技術(shù)，可以從視頻幀中提取人體關(guān)鍵點信息，實現(xiàn)對人體動作的自動識別和分析。然而，相關(guān)技術(shù)在處理周期性運動的計數(shù)和分析時，仍存在一定的局限性，例如對動作細節(jié)的捕捉不夠精準，或是在復雜場景下的魯棒性不足。

技術(shù)實現(xiàn)思路

1、有鑒于此，本公開提出了一種基于計算機視覺的體育運動實時評測方法、裝置、設(shè)備及存儲介質(zhì)。

2、根據(jù)本公開的一方面，提供了一種基于計算機視覺的體育運動實時評測方法，所述方法包括：

3、獲取目標視頻幀，所述目標視頻幀包括在體育運動過程中的測試者；

4、對所述目標視頻幀進行人體姿態(tài)估計，得到姿態(tài)估計信息，所述姿態(tài)估計信息包括所述測試者的多個人體關(guān)鍵點的位置信息和所述多個人體關(guān)鍵點之間的夾角信息；

5、根據(jù)所述姿態(tài)估計信息，調(diào)用訓練完成的運動分析模型進行運動分析，輸出得到所述測試者的運動分析結(jié)果，所述運動分析結(jié)果用于指示所述測試者當前動作所處的階段。

6、在一種可能的實現(xiàn)方式中，所述對所述目標視頻幀進行人體姿態(tài)估計，得到姿態(tài)估計信息，包括：

7、根據(jù)所述目標視頻幀，調(diào)用訓練完成的姿態(tài)估計模型進行人體姿態(tài)估計，輸出得到所述測試者的所述多個人體關(guān)鍵點的位置信息；

8、根據(jù)所述多個人體關(guān)鍵點的位置信息，確定所述多個人體關(guān)鍵點之間的夾角信息，所述夾角信息包括多組所述人體關(guān)鍵點各自對應(yīng)的夾角，每組所述人體關(guān)鍵點包括至少三個所述人體關(guān)鍵點。

9、在另一種可能的實現(xiàn)方式中，所述運動分析模型為與所述測試者的體育運動類型對應(yīng)的運動分析模型，所述根據(jù)所述姿態(tài)估計信息，調(diào)用訓練完成的運動分析模型進行運動分析，輸出得到所述測試者的運動分析結(jié)果之前，還包括：

10、獲取多個體育運動類型各自對應(yīng)的訓練樣本集，所述訓練樣本集包括多組樣本數(shù)據(jù)，每組所述樣本數(shù)據(jù)包括樣本姿態(tài)估計信息和對應(yīng)的預先標注的正確評測結(jié)果；

11、對于每個所述體育運動類型，根據(jù)對應(yīng)的所述訓練樣本集對原始神經(jīng)網(wǎng)絡(luò)模型進行單獨訓練，得到所述體育運動類型對應(yīng)的運動分析模型。

12、在另一種可能的實現(xiàn)方式中，所述運動分析結(jié)果包括預測值，所述測試者當前動作所處的階段包括運動開始、運動進行中和運動結(jié)束中的一種，當所述預測值小于或等于第一預設(shè)閾值時用于指示運動開始，當所述預測值大于所述第一預設(shè)閾值且小于第二預設(shè)閾值時用于指示運動進行中，當所述預測值大于或等于所述第二預設(shè)閾值時用于指示運動結(jié)束，所述第二預設(shè)閾值大于所述第一預設(shè)閾值。

13、在另一種可能的實現(xiàn)方式中，所述方法還包括：

14、獲取多個運動項目區(qū)域各自對應(yīng)的第一視頻幀，所述第一視頻幀包括一個或多個測試者的所述目標視頻幀，每個所述運動項目區(qū)域配置有對應(yīng)的緩存隊列和調(diào)度器；

15、對于每個所述運動項目區(qū)域的第一視頻幀，通過對應(yīng)的所述緩存隊列緩存所述第一視頻幀；

16、通過對應(yīng)的所述調(diào)度器對緩存的所述第一視頻幀進行處理，得到所述第一視頻幀對應(yīng)的運動分析結(jié)果。

17、在另一種可能的實現(xiàn)方式中，所述緩存隊列用于從接收端持續(xù)接收所述第一視頻幀，從發(fā)送端每隔預設(shè)時間間隔將緩存的所述第一視頻幀進行分發(fā)。

18、在另一種可能的實現(xiàn)方式中，所述第一視頻幀包括多個測試者的所述目標視頻幀，所述通過對應(yīng)的所述調(diào)度器對緩存的所述第一視頻幀進行處理，得到所述第一視頻幀對應(yīng)的運動分析結(jié)果，包括：

19、將所述第一視頻幀進行裁剪，得到所述多個測試者各自對應(yīng)的所述目標視頻幀，所述目標視頻幀為僅包括單個測試者的圖像；

20、調(diào)用對應(yīng)的所述調(diào)度器的多個線程并行處理多個所述目標視頻幀，得到多個所述測試者各自對應(yīng)的所述運動分析結(jié)果。

21、根據(jù)本公開的另一方面，提供了一種基于計算機視覺的體育運動實時評測裝置，所述裝置包括：

22、獲取模塊，用于獲取目標視頻幀，所述目標視頻幀包括在體育運動過程中的測試者；

23、估計模塊，用于對所述目標視頻幀進行人體姿態(tài)估計，得到姿態(tài)估計信息，所述姿態(tài)估計信息包括所述測試者的多個人體關(guān)鍵點的位置信息和所述多個人體關(guān)鍵點之間的夾角信息；

24、分析模塊，用于根據(jù)所述姿態(tài)估計信息，調(diào)用訓練完成的運動分析模型進行運動分析，輸出得到所述測試者的運動分析結(jié)果，所述運動分析結(jié)果用于指示所述測試者當前動作所處的階段。

25、在一種可能的實現(xiàn)方式中，所述分析模塊，還用于：

26、根據(jù)所述目標視頻幀，調(diào)用訓練完成的姿態(tài)估計模型進行人體姿態(tài)估計，輸出得到所述測試者的所述多個人體關(guān)鍵點的位置信息；

27、根據(jù)所述多個人體關(guān)鍵點的位置信息，確定所述多個人體關(guān)鍵點之間的夾角信息，所述夾角信息包括多組所述人體關(guān)鍵點各自對應(yīng)的夾角，每組所述人體關(guān)鍵點包括至少三個所述人體關(guān)鍵點。

28、在另一種可能的實現(xiàn)方式中，所述運動分析模型為與所述測試者的體育運動類型對應(yīng)的運動分析模型，所述裝置還包括：訓練模塊，用于：

29、獲取多個體育運動類型各自對應(yīng)的訓練樣本集，所述訓練樣本集包括多組樣本數(shù)據(jù)，每組所述樣本數(shù)據(jù)包括樣本姿態(tài)估計信息和對應(yīng)的預先標注的正確評測結(jié)果；

30、對于每個所述體育運動類型，根據(jù)對應(yīng)的所述訓練樣本集對原始神經(jīng)網(wǎng)絡(luò)模型進行單獨訓練，得到所述體育運動類型對應(yīng)的運動分析模型。

31、在另一種可能的實現(xiàn)方式中，所述運動分析結(jié)果包括預測值，所述測試者當前動作所處的階段包括運動開始、運動進行中和運動結(jié)束中的一種，當所述預測值小于或等于第一預設(shè)閾值時用于指示運動開始，當所述預測值大于所述第一預設(shè)閾值且小于第二預設(shè)閾值時用于指示運動進行中，當所述預測值大于或等于所述第二預設(shè)閾值時用于指示運動結(jié)束，所述第二預設(shè)閾值大于所述第一預設(shè)閾值。

32、在另一種可能的實現(xiàn)方式中，所述裝置還包括：處理模塊，用于：

33、獲取多個運動項目區(qū)域各自對應(yīng)的第一視頻幀，所述第一視頻幀包括一個或多個測試者的所述目標視頻幀，每個所述運動項目區(qū)域配置有對應(yīng)的緩存隊列和調(diào)度器；

34、對于每個所述運動項目區(qū)域的第一視頻幀，通過對應(yīng)的所述緩存隊列緩存所述第一視頻幀；

35、通過對應(yīng)的所述調(diào)度器對緩存的所述第一視頻幀進行處理，得到所述第一視頻幀對應(yīng)的運動分析結(jié)果。

36、在另一種可能的實現(xiàn)方式中，所述緩存隊列用于從接收端持續(xù)接收所述第一視頻幀，從發(fā)送端每隔預設(shè)時間間隔將緩存的所述第一視頻幀進行分發(fā)。

37、在另一種可能的實現(xiàn)方式中，所述第一視頻幀包括多個測試者的所述目標視頻幀，所述處理模塊，還用于：

38、將所述第一視頻幀進行裁剪，得到所述多個測試者各自對應(yīng)的所述目標視頻幀，所述目標視頻幀為僅包括單個測試者的圖像；

39、調(diào)用對應(yīng)的所述調(diào)度器的多個線程并行處理多個所述目標視頻幀，得到多個所述測試者各自對應(yīng)的所述運動分析結(jié)果。

40、根據(jù)本公開的另一方面，提供了一種計算設(shè)備，所述設(shè)備包括：

41、處理器；

42、用于存儲處理器可執(zhí)行指令的存儲器；

43、其中，所述處理器被配置為在執(zhí)行所述存儲器存儲的指令時，實現(xiàn)上述的方法。

44、根據(jù)本公開的另一方面，提供了一種非易失性計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)上述的方法。

45、根據(jù)本公開的另一方面，提供了一種計算機程序產(chǎn)品，包括計算機可讀代碼，或者承載有計算機可讀代碼的非易失性計算機可讀存儲介質(zhì)，當所述計算機可讀代碼在計算設(shè)備的處理器中運行時，所述計算設(shè)備中的處理器執(zhí)行上述方法。

46、本公開實施例通過獲取測試者在體育運動過程中的目標視頻幀，運用人體姿態(tài)估計技術(shù)提取多個人體關(guān)鍵點的位置信息和多個人體關(guān)鍵點之間的夾角信息，進一步利用訓練完成的運動分析模型，對測試者的動作進行深入分析，并輸出運動分析結(jié)果，從而指示測試者當前動作所處的階段。特別是在周期往復型運動的計數(shù)中，該方法通過引入人體關(guān)鍵點的位置信息和夾角信息作為模型輸入，運動分析模型可以更加精確地捕捉到動作的細節(jié)，從而提供更為準確的動作分析結(jié)果，有效提升了運動分析的準確度。

47、根據(jù)下面參考附圖對示例性實施例的詳細說明，本公開的其它特征及方面將變得清楚。