一种基于深度学习的运动计数方法、系统及存储介质与流程

本发明涉及运动监测，尤其涉及一种基于深度学习的运动计数方法、系统及存储介质。

背景技术：

1、排球对墙垫球是《国家学生体质健康标准》体质健康测试以及体育中考的重要项目之一，已经被多数省市纳入教学考核中，在自垫球考核中要求受试者将排球击到特定高度才算合格而记数，因此依靠目测的方式不能保证自垫球测试的公平公正，需要采用专门设备来统计受试者垫球次数。

2、现有技术中，计数设备主要依赖于红外线和光电等传感设备进行计数。然而，这些设备存在一些问题，例如复杂的设备结构、难以部署和安装，高昂的成本，以及无法进行测试结果的回放。此外，基于红外光电传感设备仅能检测排球是否触碰到墙面，无法精准判断踩线、持球等是否存在犯规动作。

技术实现思路

1、基于此，有必要针对上述问题，提出了一种基于深度学习的运动计数方法、系统及存储介质。

2、一种基于深度学习的运动计数方法，所述方法包括：

3、获取运动区域图像并标记运动区域。

4、根据运动区域图像确定最优图像矩形区域框坐标点，最优图像矩形区域框坐标点包括最优测试人员矩形框坐标点、最优手部矩形框坐标点、最优球体矩形框坐标点和最优脚部矩形框坐标点。

5、确定所述测试人员矩形框坐标点与所述运动区域相交，根据所述测试人员矩形框坐标点的右下角坐标点的纵坐标值筛选出被测人员矩形框坐标点。

6、确定所述被测人员矩形框坐标点与所述脚部矩形框和手部矩形框的交集区域，且所述交集区域大于预设交集区域，则在所述脚部矩形框和手部矩形框内匹配所述被测人员对应的脚部与手部。

7、根据匹配到的脚部与所述运动区域的接触情况确定接触图像帧数。

8、根据匹配到的手部与所述球体矩形框的距离，确定距离图像帧数。

9、确定所述接触图像帧数和距离图像帧数小于预设接触图像帧数和预设距离图像帧数，则累计计数，直至到达测试时间。

10、其中，所述根据运动区域图像确定最优图像矩形区域框坐标点，所述最优图像矩形区域框坐标点包括最优测试人员矩形框坐标点、最优手部矩形框坐标点、最优球体矩形框坐标点和最优脚部矩形框坐标点，具体包括：

11、通过目标检测算法将所述运动区域图像划分为若干个网格单元。

12、每个所述网格单元输出(4+n)个数值，其中，4为图像矩形区域框坐标点，n为目标概率值。

13、遍历若干个所述网格单元对应的所述目标概率值，确定所述目标概率值大于预设目标概率值时的最优目标概率值。

14、获取所述最优目标概率值对应的最优图像矩形区域框坐标点，所述最优图像矩形区域框坐标点包括最优测试人员矩形框坐标点、最优手部矩形框坐标点、最优球体矩形框坐标点和最优脚部矩形框坐标点。

15、其中，所述被测人员矩形框分别与所述脚部矩形框和手部矩形框的交集区域根据i＝max(xa2-xb1+1,0)*max(ya2-yb1+1,0)和i＝max(xa2-xc1+1,0)*max(ya2-yc1+1,0)确定，其中，xa2为被测人员矩形框内右下角坐标点的横坐标，xb1为脚部矩形框内左上角坐标点的横坐标，ya2为被测人员矩形框内右下角坐标点的纵坐标，yb1为脚部矩形框内左上角坐标点的纵坐标，xc1为手部矩形框内左上角坐标点的横坐标，yc1为手部矩形框内左上角坐标点的纵坐标。

16、其中，所述根据匹配到的脚部与所述运动区域的接触情况确定接触图像帧数，具体包括：

17、根据匹配到的脚部的向量表示与所述运动区域内考试区域四条边界线的向量表示的相交情况确定所述匹配到的脚部与所述运动区域内考试区域四条边界线的接触情况。

18、若所述匹配到的脚部与所述运动区域内考试区域四条边界线接触，则touch_line＝touch_line+1，其中，touch_line为接触图像帧数。

19、若所述匹配到的脚部与所述运动区域内考试区域四条边界线不接触，则touch_line＝touch_line。

20、其中，所述根据匹配到的手部与所述球体矩形框的距离，确定距离图像帧数，具体包括

21、根据匹配到的手部与所述球体矩形框的距离，确定距离图像帧数。

22、若匹配到的手部与所述球体矩形框的距离小于预设距离，则ball_hand_count＝ball_hand_count+1，其中，ball_hand_count为距离图像帧数。

23、若匹配到的手部与所述球体矩形框的距离大于预设距离，则ball_hand_count＝ball_hand_count。

24、其中，所述确定所述接触图像帧数和距离图像帧数小于预设接触图像帧数和预设距离图像帧数，则累计计数之前，还包括：

25、根据所述球体矩形框坐标点确定当前帧数的所述运动区域图像内球体的运动速度。

26、根据所述球体的运动速度判断是否与所述运动区域内墙面区域接触。

27、若所述球体的运动速度小于零，则所述球体与所述墙面区域接触，此时触墙点位置为上一帧数的所述球体矩形框内中心点位置。

28、若所述球体的运动速度大于零，则所述球体与所述墙面区域接触，此时所述球体与所述墙面区域没有接触。

29、其中，所述确定所述接触图像帧数和距离图像帧数小于预设接触图像帧数和预设距离图像帧数，则累计计数，具体包括：

30、根据点多边形测试函数确定所述触墙点位置是否在所述墙面区域内。

31、若所述触墙点位置在所述墙面区域内，确定所述接触图像帧数小于预设接触图像帧数或所述距离图像帧数小于预设距离图像帧数，则累计计数。

32、若所述触墙点位置不在所述墙面区域内，则不累计计数或违规计数，并初始化所述接触图像帧数和距离图像帧数。

33、其中，所述若所述触墙点位置在所述墙面区域内，确定所述接触图像帧数小于预设接触图像帧数或所述距离图像帧数小于预设距离图像帧数，则累计计数，还包括：

34、确定所述接触图像帧数大于预设接触图像帧数，则判定为踩线垫球情况。

35、确定所述距离图像帧数大于预设距离图像帧数，则判定为持球情况。

36、当处于所述踩线垫球情况或所述持球情况时，则不累计计数或违规计数，并初始化所述接触图像帧数和距离图像帧数。

37、一种基于深度学习的运动计数系统，所述系统包括：

38、运动区域图像获取模块，用于获取运动区域图像并标记运动区域。

39、图像矩形区域框坐标点确定模块，用于确定所述被测人员矩形框坐标点与所述脚部矩形框和手部矩形框的交集区域，且所述交集区域大于预设交集区域，则在所述脚部矩形框和手部矩形框内匹配所述被测人员对应的脚部与手部。

40、被测人员确定模块，用于确定所述测试人员矩形框坐标点与所述运动区域相交，根据所述测试人员矩形框坐标点的右下角坐标点的纵坐标值筛选出被测人员矩形框坐标点。

41、匹配模块，用于确定所述被测人员矩形框坐标点与所述手部矩形框和脚部矩形框的交集区域，且所述交集区域大于预设交集区域，则在所述手部矩形框和脚部矩形框内匹配所述被测人员对应的手部与脚部。

42、接触图像帧数确定模块，用于根据匹配到的脚部与所述运动区域的接触情况确定接触图像帧数。

43、距离图像帧数确定模块，用于根据匹配到的手部与所述球体矩形框的距离，确定距离图像帧数。

44、计数模块，用于确定所述接触图像帧数和距离图像帧数小于预设接触图像帧数和预设距离图像帧数，则累计计数，直至到达测试时间。

45、一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述方法的步骤。

46、采用本发明实施例，具有如下有益效果：

47、本发明提供的一种基于深度学习的运动计数方法通过获取最优图像矩形区域框坐标点，实现对球动作的多维度判定。根据最优图像矩形区域框坐标点与确定接触图像帧数和距离图像帧数，即实现了自动计数，确保计数的准确性，又间接实现了对踩线、持球等犯规动作的精准检测。