本发明涉及计算机视觉图像识别技术领域，特别涉及一种用于跑步姿势识别分析方法及装置。
背景技术：
通过计算机视觉进行人体动作识别具有重要的现实意义、广泛的应用前景和可观的经济价值，智能设备获得“看懂”世界的能力，可以满足多种人工智能应用的需求，也可以在人类的自我认知上起到推动作用和参考价值。通过计算机视觉进行人体动作识别涉及的应用领域主要包括：智能监控系统、视频存储和检索、智能人机接口、安全家居环境、运动分析。
运动分析主要通过计算机视觉方式对人体关节部位的运动进行跟踪，建立人体几何模型，对人体运动进行分析，有助于掌握人的运动状态，提高运动性能。尤其在体育运动，舞蹈等运动项目中，运动员可以通过分析人物的动作来对姿态等进行修正，有助于提高成绩。在医学上也可以通过运动姿态观察患者的康复状况，对治疗方案进行调整。
2020年全国体育消费总规模达到1.5万亿元，人均体育消费支出占总消费总支出的比重显著上升，体育消费结构更为合理。在具体任务上，文件提到要重点支持推动马拉松项目产业发展规划的细化落实，形成新的体育消费热点。从2014年到2018年短短5年时间，中国马拉松赛事从50场增加到1000场，数量增长率达到2000％。虽然马拉松赛事数量以及参赛人数呈井喷式增长，赛事质量也得到了很大的提升，但是大众选手普遍水平却很低。在大众选手中存在最严重、最普遍的问题就是跑步姿势不规范，这将导致各种严重的伤病。所以对大众马拉松选手通过计算机视觉进行跑步姿态分析，同时为其提供指导性意见具有重大的意义。
因此，申请人针对普通跑者的跑姿规范，进行了基于计算机视觉的人体跑步姿势识别分析技术的研究。
技术实现要素：
针对上述问题，本发明提供了一种基于计算机视觉的人体跑步姿势识别分析方法及装置，以视频为媒介，采用基于计算机视觉的方法快速、准确地进行跑步姿势的规范性识别。
为实现上述目的，本发明采用以下技术方案：
基于计算机视觉的人体跑步姿势识别分析方法，包括以下步骤：
步骤一，数据采集，在跑步机上，对各种典型错误跑姿及标准跑姿进行拍摄，且被拍摄对象身高均为170cm，将其绘制成跑姿运动轨迹图；
步骤二，数据分类，将步骤一获得的跑步姿势运动轨迹图进行姿势分类；
步骤三，数据训练，采用卷积神经网络方法，对步骤二进行姿势分类后图片进行识别训练，按标准跑姿以及各类典型错误跑姿对其运动轨迹图进行分组训练，得到与之相对应的跑姿识别模型分组，得到姿势识别模型；
步骤四，姿势识别，对测试对象进行跑步姿势拍摄，并通过步骤三获得的姿势识别模型，对实时视频中的测试对象跑步姿势运动轨迹图进行搜索、识别，确认与姿势识别模型中姿势分类相符的用户姿势；
步骤五，姿势评价分析，对步骤四识别出的用户姿势，通过姿势识别模型将其与标准姿势运动轨迹图进行对比运算，并输出姿势规范程度评分以及改正意见。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述数据采集包括姿势拍摄、视频上传、视频预处理和绘制运动轨迹图；
姿势拍摄时跑步机速率为固定值；
数据采集对标准姿势跑者以及各类典型非标准跑姿跑者进行多个规定角度拍摄；
将实时拍摄的跑步视频上传到视频处理软件；
视频预处理，包括除燥、视频分割、关键帧提取、特征提取；
绘制运动轨迹图，根据视频中被测试对象身体各个部位标记点的运动轨迹绘制跑姿运动轨迹图；
绘制运动轨迹图时，根据视频中被测试对象身高，将其跑姿运动轨迹图按比例缩放成规定身高170cm跑姿运动轨迹图。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述在数据采集时，对用户的头、肩膀、手、上臂、下臂、胳膊肘、躯干、髋等身体部位进行标记并进行拍摄。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述的步骤二中的姿势分类，将数据分为标准跑姿及不标准跑姿；其中不标准跑姿又分为头部、躯干、髋左右及上下摆动幅度过大，肩膀、手、上臂、下臂、胳膊肘前后、左右、上下摆动幅度过大以及左右不对称。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述步骤四姿势识别，根据跑姿识别模型对被测试对象的身体各个标定部位进行跑姿识别。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述步骤五姿势评价分析，根据标准跑姿运动轨迹图设定不同偏离程度的等级评分，通过被测试对象跑姿运动轨迹图与标准跑姿运动轨迹图的对比运算输出规范等级评分及改正意见。
基于计算机视觉的人体跑步姿势识别分析装置，其特征在于：
包括跑步机及摄像头，用于对跑步机上的测试对象进行拍摄；
云计算模块，用于绘制跑姿运动轨迹图，以及对典型错误跑姿及标准跑姿进行卷积神经网络训练以得到姿势识别模型，以及用于识别被测试者对象跑姿类型，对测试对象进行对比运算，并输出姿势规范程度评分以及改正意见；
后端处理模块，用于存储基于计算机视觉的人体跑步姿势识别分析方法获得的的姿势规范程度评分以及改正意见；
智能终端，用于从所述的后端处理模块下载所述的姿势规范程度评分以及改正意见。
本发明具有如下优点：
不需要跑者使用昂贵的设备，成本可控；只需被测试对象在规定速率跑步机上进行测试，对其从各个规定角度进行跑姿拍摄，采用基于计算机视觉的方法进行跑姿规范性识别分析，识别模型可编辑，同时可提供准确的跑姿识别结果，给测试者生成精准的跑姿运动轨迹图，纠正其具体错误位置及不规范类型，减少其造成运动损伤的概率，达到更好的健身效果。
附图说明
图1是标准跑姿胳膊肘运动轨迹图。
图2是典型错误跑姿之胳膊肘前后摆动幅度过大运动轨迹图。
图3是本发明的基于计算机视觉的人体跑步姿势识别分析装置的结构示意图。
具体实施方式
本发明首先提出了一种基于计算机视觉的人体跑步姿势识别分析方法，以实时视频为媒介，采用基于计算机视觉的方法对其进行跑步姿势规范性识别，为了使本发明技术特征、目的和效果更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
基于计算机视觉的人体跑步姿势识别分析方法，包括以下步骤：
步骤一，数据采集，在跑步机上，对各种典型错误跑姿及标准跑姿进行拍摄，且被拍摄对象身高均为170cm，将其绘制成跑姿运动轨迹图；
步骤二，数据分类，将步骤一获得的跑步姿势运动轨迹图进行姿势分类；
步骤三，数据训练，采用卷积神经网络方法，对步骤二进行姿势分类后图片进行识别训练，按标准跑姿以及各类典型错误跑姿对其运动轨迹图进行分组训练，得到与之相对应的跑姿识别模型分组，得到姿势识别模型；
步骤四，姿势识别，对测试对象进行跑步姿势拍摄，并通过步骤三获得的姿势识别模型，对实时视频中的测试对象跑步姿势运动轨迹图进行搜索、识别，确认与姿势识别模型中姿势分类相符的用户姿势；
步骤五，姿势评价分析，对步骤四识别出的用户姿势，通过姿势识别模型将其与标准姿势运动轨迹图进行对比运算，并输出姿势规范程度评分以及改正意见。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述数据采集包括姿势拍摄、视频上传、视频预处理和绘制运动轨迹图；
姿势拍摄时跑步机速率为固定值；
数据采集对标准姿势跑者以及各类典型非标准跑姿跑者进行多个规定角度拍摄；
将实时拍摄的跑步视频上传到视频处理软件；
视频预处理，包括除燥、视频分割、关键帧提取、特征提取；
绘制运动轨迹图，根据视频中被测试对象身体各个部位标记点的运动轨迹绘制跑姿运动轨迹图；
绘制运动轨迹图时，根据视频中被测试对象身高，将其跑姿运动轨迹图按比例缩放成规定身高170cm跑姿运动轨迹图。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述在数据采集时，对用户的头、肩膀、手、上臂、下臂、胳膊肘、躯干、髋等身体部位进行标记并进行拍摄。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述的步骤二中的姿势分类，将数据分为标准跑姿及不标准跑姿；其中不标准跑姿又分为头部、躯干、髋左右及上下摆动幅度过大，肩膀、手、上臂、下臂、胳膊肘前后、左右、上下摆动幅度过大以及左右不对称。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述步骤四姿势识别，根据跑姿识别模型对被测试对象的身体各个标定部位进行跑姿识别。
上述的基于计算机视觉的人体跑步姿势识别分析方法，所述步骤五姿势评价分析，根据标准跑姿运动轨迹图设定不同偏离程度的等级评分，通过被测试对象跑姿运动轨迹图与标准跑姿运动轨迹图的对比运算输出规范等级评分及改正意见。
基于计算机视觉的人体跑步姿势识别分析装置，其特征在于：
包括跑步机及摄像头，用于对跑步机上的测试对象进行拍摄；
云计算模块，用于绘制跑姿运动轨迹图，以及对典型错误跑姿及标准跑姿进行卷积神经网络训练以得到姿势识别模型，以及用于识别被测试者对象跑姿类型，对测试对象进行对比运算，并输出姿势规范程度评分以及改正意见；
后端处理模块，用于存储基于计算机视觉的人体跑步姿势识别分析方法获得的的姿势规范程度评分以及改正意见；
智能终端，用于从所述的后端处理模块下载所述的姿势规范程度评分以及改正意见。
对实时视频中的测试者图像进行识别的具体过程：首先进行图像预处理，消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据；然后根据标定点进行运动跟踪获取跑步姿势轨迹图；然后采用跑姿识别模型对其跑姿进行识别；最后根据识别结果得出规范等级及改正意见。
以胳膊肘为例，首先对被测试对象左右胳膊肘进行标记，再安排被测试对象在跑步机上以规定速度正常跑步，用摄像机从其两个侧面在规定距离位置分别进行拍摄，得到其跑姿测试视频。
将被测试者跑姿测试视频上传到视频处理软件，首先通过视频预处理进行除燥、视频分割、关键帧提取、特征提取。然后通过运动跟踪技术获取到左右胳膊肘运动轨迹图，最后还要将其运动轨迹图按比例缩放成规定身高170cm跑姿曲线图，其比例为170/。
再向训练好的跑姿识别模型直接输入被测试对象运动轨迹图，标准跑姿胳膊肘运动轨迹如图1，典型错误跑姿胳膊肘运动轨迹如图2。输出结果有如下几种情况：
a、如被测试对象左右胳膊肘运动轨迹图如图1则被判断为标准跑姿。
b、如被测试对象左右胳膊肘运动轨迹图左端点纵坐标大于91，右端点横坐标大于221则被判断为错误跑姿之胳膊肘前后摆动幅度过大。
c、如被测试对象左右胳膊肘运动轨迹图介于点b(0，91)与点e(221，0)之间则被判断为错误跑姿之胳膊肘前后摆动幅度过小。
d、如被测试对象左右胳膊肘运动轨迹图左端点纵坐标大于91，右端点横坐标小于221则被判断为错误跑姿之胳膊肘向前摆动过小向后摆动过大。
e、如被测试对象左右胳膊肘运动轨迹图左端点纵坐标小于91，右端点横坐标大于221则被判断为错误跑姿之胳膊肘向前摆动过大向后摆动过小。
f、如被测试者左右胳膊肘运动轨迹图不一致则被判断为错误跑姿之左右胳膊肘摆动不对称。
如判断结果为a则可直接将结果存储，被测试着可从智能终端进行下载。
如判断结果不为a则进入后端处理模块进行进一步运算。如判断为结果b,则被测试者跑姿标准度为
如图3所示，本发明根据上述的基于计算机视觉的人体跑步姿势识别分析方法，还提供了一种基于计算机视觉的人体跑步姿势识别装置，用于实现所述的基于计算机视觉的人体跑步姿势识别方法，具体如下：
跑步机及摄像头，用于所述的基于计算机视觉的人体跑步姿势识别分析方法步骤一中在跑步机上对标准跑姿以及各类典型错误跑姿进行拍摄，以及步骤四中对测试对象进行拍摄；
云计算模块，用于所述的基于计算机视觉的人体姿势跑步姿势识别分析方法步骤一中绘制跑姿曲线图，以及用于步骤四中对各类典型错误跑姿及标准跑姿进行卷积神经网络训练得到姿势识别模型，以及用于步骤四中识别被测试者对象跑姿类型，还用于步骤五中对测试对象进行对比运算，并输出姿势规范程度评分以及改正意见；
后端处理模块，用于存储所述的基于计算机视觉的人体跑步姿势识别分析方法步骤五中获得的的姿势规范程度评分以及改正意见。
智能终端，用于从所述的后端处理模块下载所述的姿势规范程度评分以及改正意见。
以上所述仅为本发明的较佳实施例而已，并不能以此限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范畴之内。
1.基于计算机视觉的人体跑步姿势识别分析方法，包括以下步骤：
步骤一，数据采集，在跑步机上，对各种典型错误跑姿及标准跑姿进行拍摄，且被拍摄对象身高均为170cm，将其绘制成跑姿运动轨迹图；
步骤二，数据分类，将步骤一获得的跑步姿势运动轨迹图进行姿势分类；
步骤三，数据训练，采用卷积神经网络方法，对步骤二进行姿势分类后图片进行识别训练，按标准跑姿以及各类典型错误跑姿对其运动轨迹图进行分组训练，得到与之相对应的跑姿识别模型分组，得到姿势识别模型；
步骤四，姿势识别，对测试对象进行跑步姿势拍摄，并通过步骤三获得的姿势识别模型，对实时视频中的测试对象跑步姿势运动轨迹图进行搜索、识别，确认与姿势识别模型中姿势分类相符的用户姿势；
步骤五，姿势评价分析，对步骤四识别出的用户姿势，通过姿势识别模型将其与标准姿势运动轨迹图进行对比运算，并输出姿势规范程度评分以及改正意见。
2.根据权利要求1所述的基于计算机视觉的人体跑步姿势识别分析方法，其特征在于，所述数据采集包括姿势拍摄、视频上传、视频预处理和绘制运动轨迹图；
姿势拍摄时跑步机速率为固定值；
数据采集对标准姿势跑者以及各类典型非标准跑姿跑者进行多个规定角度拍摄；
将实时拍摄的跑步视频上传到视频处理软件；
视频预处理，包括除燥、视频分割、关键帧提取、特征提取；
绘制运动轨迹图，根据视频中被测试对象身体各个部位标记点的运动轨迹绘制跑姿运动轨迹图；
绘制运动轨迹图时，根据视频中被测试对象身高，将其跑姿运动轨迹图按比例缩放成规定身高170cm跑姿运动轨迹图。
3.根据权利要求1所述的基于计算机视觉的人体跑步姿势识别分析方法，其特征在于，所述在数据采集时，对用户的头、肩膀、手、上臂、下臂、胳膊肘、躯干、髋等身体部位进行标记并进行拍摄。
4.根据权利要求1所述的基于计算机视觉的人体跑步姿势识别分析方法，其特征在于，所述的步骤二中的姿势分类，将数据分为标准跑姿及不标准跑姿；其中不标准跑姿又分为头部、躯干、髋左右及上下摆动幅度过大，肩膀、手、上臂、下臂、胳膊肘前后、左右、上下摆动幅度过大以及左右不对称。
5.根据权利要求1所述的基于计算机视觉的人体跑步姿势识别分析方法，其特征在于，所述步骤四姿势识别，根据跑姿识别模型对被测试对象的身体各个标定部位进行跑姿识别。
6.根据权利要求1所述的基于计算机视觉的人体跑步姿势识别分析方法，其特征在于，所述步骤五姿势评价分析，根据标准跑姿运动轨迹图设定不同偏离程度的等级评分，通过被测试对象跑姿运动轨迹图与标准跑姿运动轨迹图的对比运算输出规范等级评分及改正意见。
7.基于计算机视觉的人体跑步姿势识别分析装置，其特征在于：
包括跑步机及摄像头，用于对跑步机上的测试对象进行拍摄；
云计算模块，用于绘制跑姿运动轨迹图，以及对典型错误跑姿及标准跑姿进行卷积神经网络训练以得到姿势识别模型，以及用于识别被测试者对象跑姿类型，对测试对象进行对比运算，并输出姿势规范程度评分以及改正意见；
后端处理模块，用于存储基于计算机视觉的人体跑步姿势识别分析方法获得的的姿势规范程度评分以及改正意见；
智能终端，用于从所述的后端处理模块下载所述的姿势规范程度评分以及改正意见。
技术总结