【技术领域】
本申请涉及图像识别领域，尤其涉及一种基于形体识别的运动员训练方法和系统。
背景技术：
现有的运动员训练监控系统大多采用摄像头或者人为进行监测，整个训练的过程均需要通过教练的人工评判进行动作的矫正，缺乏一定的针对性且效率较低；同时，也无法对运动员身体状态，例如运动员的关节损伤可能，进行预测。
技术实现要素：
本申请的多个方面提供一种基于形体识别的运动员训练方法和系统，用以提高运动员的训练质量和安全性。
本申请的一方面，提供一种基于形体识别的运动员训练方法，包括：
根据运动员训练的视频获取其三维骨架特征；
根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
对判断结果进行输出提示。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据运动员训练的视频获取其三维骨架特征包括：
从运动员训练的视频中提取彩色图像与深度图像；
从所述彩色图像中确定出运动员的各关节点，结合从所述深度图像中获得的各关节点的深度数据得到三维骨架特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述三维骨架特征进行形体识别判决，得到对应的训练动作包括：
将所述三维骨架特征输入预先训练的神经网络模型，得到的输出结果即为对应的训练动作。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设的标准动作数据为各个动作的标准的三维骨架特征的幅度范围；
所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述各个动作的标准的三维骨架特征的幅度范围是对训练特征集进行统计得到的。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述判断标准还包括单位时间内的特定动作次数是否超过预设阈值。
根据本发明的另一方面，提供一种基于形体识别的运动员训练系统，包括：
获取模块，用于根据运动员训练的视频获取其三维骨架特征；
识别模块，用于根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
判断模块，用于根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
提示模块，用于对判断结果进行输出提示。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取模块具体用于：
从运动员训练的视频中提取彩色图像与深度图像；
从所述彩色图像中确定出运动员的各关节点，结合从所述深度图像中获得的各关节点的深度数据得到三维骨架特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述识别模块具体用于：
将所述三维骨架特征输入预先训练的神经网络模型，得到的输出结果即为对应的训练动作。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设的标准动作数据为各个动作的标准的三维骨架特征的幅度范围；
所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述各个动作的标准的三维骨架特征的幅度范围是对训练特征集进行统计得到的。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述判断标准还包括单位时间内的特定动作次数是否超过预设阈值。
本发明的另一方面，提供一种计算机设备，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计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
由所述技术方案可知，本申请实施例，提高了运动员的训练质量和安全性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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。
图1为本申请一实施例提供的基于形体识别的运动员训练方法的流程示意图；
图2为本申请一实施例提供的基于形体识别的运动员训练系统的结构示意图；
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
图1为本申请一实施例提供的基于形体识别的运动员训练方法的流程示意图，如图1所示，包括以下步骤：
步骤s11、根据运动员训练的视频获取其三维骨架特征；
步骤s12、根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
步骤s13、根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
步骤s14、对判断结果进行输出提示。
在步骤s11的一种优选实现方式中；
优选地，本实施例主要针对球员，例如足球、篮球、排球运动员，其训练过程中很容易由于动作不标准、训练时间过长等原因造成关节、韧带损伤。
子步骤s111、通过摄像头获取运动员训练的视频。
优选地，所述摄像头为如kinect的摄像设备，可以录制包括彩色图像和深度图像的视频。
从所述视频中提取各帧图像，对所述图像进行预处理，包括去除彩色图像与深度图像的噪声，并进行图像校正处理；去除彩色图像背景,获得前景彩色图像。
子步骤s112、从所述视频中获取人体三维骨架信息，根据所述三维骨架信息计算三维骨架特征。
优选地，事先建立了人体骨架模型，以躯干中心关节点为坐标原点，中心关节点到两肩中心的连线方向为z轴，两肩方向为x轴，人体朝向为y轴，建立人体动态坐标系。以肩关节、髋关节为一级关节点，肘关节、膝关节为二级关节点，腕关节、踝关节为三级关节点。只需通过一二级关节点的旋转参数即可描述人体在三维空间中的姿态。
优选地，基于前景彩色图像对脸部及手部进行定位并将脸部及手部定位质心作为初始获取的关节点；基于学习得到的贝叶斯分类器对彩色图像前景中的运动人体进行部件分类识别；依据分类识别结果判定肢体各刚体结构部位类别,再根据各刚体部件的链接关系确定出各关节点,依次联接各关节点形成平面人体骨架结合从深度图像中获得的各个关节点深度数据将平面骨架变换成三维骨架。
优选地，所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
其中，
所述全局运动特征包括身体高度、身体倾斜角、倾斜角速度、朝向角、轨迹等特征序列，用于描述人体在三维运动空间中的整体变化。其中身体高度特征序列指运动员头部与最低脚部的距离。身体倾斜角特征序列表示运动员第i帧的人体坐标的z轴与初始z轴的夹角。身体倾斜角速度特征序列表示运动员第i帧的人体坐标的z轴与第i-1帧z轴的夹角。朝向角特征序列表示运动员第i帧的人体坐标的y轴与初始y轴的夹角。朝向角速度特征序列表示运动员第i帧的人体坐标的y轴与第i-1帧y轴的夹角。速度特征序列表示第i帧运动员人体坐标系原点的运动速度在三轴上的大小。轨迹特征序列表示运动员第i帧位置与初始帧位置的矢量距离，用人体坐标系的原点表示运动员的位置。
所述手臂、腿部局部运动特征用于描述手臂、腿部运动过程中的参数，包括手臂旋转角、手臂关节点速度、手臂关节点轨迹、腿部旋转角、腿部关节点速度、腿部关节点轨迹特征序列。其中旋转角特征描述关节旋转角参数变化过程，从初始姿态到当前帧姿态。
优选地，足球、篮球、排球运动员在训练中，可能是集体进行训练，因此，获得的训练视频中往往包括多个运动员，需要对运动员的训练视频进行人脸识别，以从多个运动员的训练视频中得到同一运动员的持续的三维骨架特征。
在本申请的一种优选实现方式中，运动员的三维骨架特征也可以通过动作捕捉技术获得。
在步骤s12的一种优选实现方式中；
根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
优选地，将所述三维骨架特征输入预先训练的神经网络模型，得到的输出即为对应的动作。
其中，所述预先训练的神经网络模型是通过训练特征集进行训练的。事先录制各种动作的标准视频，从中获取人体三维骨架信息，根据所述三维骨架信息计算三维骨架特征，对所述三维骨架特征进行标注，即可得到训练特征集。在训练中，训练特征集的三维骨架特征通过卷积神经网络数据处理得到分类结果，并将标注数据与相应的计算出的相对误差进行比较。然后经过一定次数的训练，可以不断修改卷积窗卷积神经网络的权值，使得相对误差减小，最终趋于收敛。
优选地，所述神经网络模型为卷积神经网络模型(cnn)。卷积神经网络(cnn)是一种深度学习网络，包括卷积层和池层。网络首先执行卷积过程，然后进行池过程。卷积过程的输出项作为池层的输入，再利用池层的结果作为下一个卷积层的输入等等。
在步骤s13的一种优选实现方式中，
根据预设的标准动作数据及其判断标准，对所述训练动作进行判断。
优选地，由于已经判断出运动员的训练动作，接下来即可对其训练动作进行判断。
动作数据库中预先存储了各个动作的标准的三维骨架特征及其判断标准，根据运动员的三维骨架特征与动作库中预先存储的标准的三维骨架特征及其判断标准作比较。所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
优选地，所述判断标准是根据运动医学病例进行统计得到，根据运动员的关节损伤视频进行分析，获取对应动作的三维骨架特征，以其中的最小值作为判断危险的阈值。
优选地，所述判断标准是对训练特征集进行统计得到，根据各动作的三维骨架特征的幅度范围，将幅度范围的上限作为危险阈值，若小于幅度范围的上限，则判断动作合格。
优选地，如果动作幅度超出预设阈值，则认为该动作可能会造成运动员的关节损伤可能。
优选地，所述判断标准还包括单位时间内的特定动作次数；如果在单位时间内特定动作出现的次数超过预设阈值，则认为该动作可能会造成运动员的关节损伤可能。
在步骤s14的一种优选实现方式中，
对判断结果进行输出提示。
优选地，若判断运动员的某一动作可能会造成关节损伤，则向运动员或其教练员发出提示，提示运动员注意动作，并提供对应动作的视频回放。
优选地，若判断运动员在单位时间内特定动作出现的次数超过预设阈值，则向运动员或其教练员发出提示，提示运动员注意动作，并提供对应的统计数据及视频回放。
优选地，还可以根据运动员的动作对应的三维骨架特征绘制对应的人体骨架模型图，与根据标准的三维骨架特征绘制的人体骨架模型图采用不同颜色进行对比，。由于标准的三维骨架特征是对训练特征集进行统计得到，包括幅度范围的下限和上限。因此，可以直观的观察到运动员的动作是否包括在幅度范围之内，以及具体是动作的哪个部位出现问题。
本实施例中，通过获取运动员训练过程中的视频数据，获取运动员的动作，并对运动的标准程度及可能的关节损伤进行提示，提高了运动员的训练质量和安全性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图2为本申请一实施例提供的基于形体识别的运动员训练系统的结构示意图，如图2所示，包括：
获取模块21，用于根据运动员训练的视频获取其三维骨架特征；
识别模块22，用于根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
判断模块23，用于根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
提示模块24，用于对判断结果进行输出提示。
在获取模块21的一种优选实现方式中；
优选地，本实施例主要针对球员，例如足球、篮球、排球运动员，其训练过程中很容易由于动作不标准、训练时间过长等原因造成关节、韧带损伤。
获取模块21通过摄像头获取运动员训练的视频。
优选地，所述摄像头为如kinect的摄像设备，可以录制包括彩色图像和深度图像的视频。
从所述视频中提取各帧图像，对所述图像进行预处理，包括去除彩色图像与深度图像的噪声，并进行图像校正处理；去除彩色图像背景,获得前景彩色图像。
获取模块21从所述视频中获取人体三维骨架信息，根据所述三维骨架信息计算三维骨架特征。
优选地，事先建立了人体骨架模型，以躯干中心关节点为坐标原点，中心关节点到两肩中心的连线方向为z轴，两肩方向为x轴，人体朝向为y轴，建立人体动态坐标系。以肩关节、髋关节为一级关节点，肘关节、膝关节为二级关节点，腕关节、踝关节为三级关节点。只需通过一二级关节点的旋转参数即可描述人体在三维空间中的姿态。
优选地，基于前景彩色图像对脸部及手部进行定位并将脸部及手部定位质心作为初始获取的关节点；基于学习得到的贝叶斯分类器对彩色图像前景中的运动人体进行部件分类识别；依据分类识别结果判定肢体各刚体结构部位类别,再根据各刚体部件的链接关系确定出各关节点,依次联接各关节点形成平面人体骨架结合从深度图像中获得的各个关节点深度数据将平面骨架变换成三维骨架。
优选地，所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
其中，
所述全局运动特征包括身体高度、身体倾斜角、倾斜角速度、朝向角、轨迹等特征序列，用于描述人体在三维运动空间中的整体变化。其中身体高度特征序列指运动员头部与最低脚部的距离。身体倾斜角特征序列表示运动员第i帧的人体坐标的z轴与初始z轴的夹角。身体倾斜角速度特征序列表示运动员第i帧的人体坐标的z轴与第i-1帧z轴的夹角。朝向角特征序列表示运动员第i帧的人体坐标的y轴与初始y轴的夹角。朝向角速度特征序列表示运动员第i帧的人体坐标的y轴与第i-1帧y轴的夹角。速度特征序列表示第i帧运动员人体坐标系原点的运动速度在三轴上的大小。轨迹特征序列表示运动员第i帧位置与初始帧位置的矢量距离，用人体坐标系的原点表示运动员的位置。
所述手臂、腿部局部运动特征用于描述手臂、腿部运动过程中的参数，包括手臂旋转角、手臂关节点速度、手臂关节点轨迹、腿部旋转角、腿部关节点速度、腿部关节点轨迹特征序列。其中旋转角特征描述关节旋转角参数变化过程，从初始姿态到当前帧姿态。
优选地，足球、篮球、排球运动员在训练中，可能是集体进行训练，因此，获得的训练视频中往往包括多个运动员，需要对运动员的训练视频进行人脸识别，以从多个运动员的训练视频中得到同一运动员的持续的三维骨架特征。
在本申请的一种优选实现方式中，运动员的三维骨架特征也可以通过动作捕捉技术获得。
在识别模块22的一种优选实现方式中；
所述识别模块22根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
优选地，将所述三维骨架特征输入预先训练的神经网络模型，得到的输出即为对应的动作。
其中，所述预先训练的神经网络模型是通过训练特征集进行训练的。事先录制各种动作的标准视频，从中获取人体三维骨架信息，根据所述三维骨架信息计算三维骨架特征，对所述三维骨架特征进行标注，即可得到训练特征集。在训练中，训练特征集的三维骨架特征通过卷积神经网络数据处理得到分类结果，并将标注数据与相应的计算出的相对误差进行比较。然后经过一定次数的训练，可以不断修改卷积窗卷积神经网络的权值，使得相对误差减小，最终趋于收敛。
优选地，所述神经网络模型为卷积神经网络模型(cnn)。卷积神经网络(cnn)是一种深度学习网络，包括卷积层和池层。网络首先执行卷积过程，然后进行池过程。卷积过程的输出项作为池层的输入，再利用池层的结果作为下一个卷积层的输入等等。
在判断模块23的一种优选实现方式中，
所述判断模块23根据预设的标准动作数据及其判断标准，对所述训练动作进行判断。
优选地，由于已经判断出运动员的训练动作，接下来即可对其训练动作进行判断。
动作数据库中预先存储了各个动作的标准的三维骨架特征及其判断标准，根据运动员的三维骨架特征与动作库中预先存储的标准的三维骨架特征及其判断标准作比较。所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
优选地，所述判断标准是根据运动医学病例进行统计得到，根据运动员的关节损伤视频进行分析，获取对应动作的三维骨架特征，以其中的最小值作为判断危险的阈值。
优选地，所述判断标准是对训练特征集进行统计得到，根据各动作的三维骨架特征的幅度范围，将幅度范围的上限作为危险阈值，若小于幅度范围的上限，则判断动作合格。
优选地，如果动作幅度超出预设阈值，则认为该动作可能会造成运动员的关节损伤可能。
优选地，所述判断标准还包括单位时间内的特定动作次数；如果在单位时间内特定动作出现的次数超过预设阈值，则认为该动作可能会造成运动员的关节损伤可能。
在提示模块24的一种优选实现方式中，
所述提示模块对判断结果进行输出提示。
优选地，若判断运动员的某一动作可能会造成关节损伤，则向运动员或其教练员发出提示，提示运动员注意动作，并提供对应动作的视频回放。
优选地，若判断运动员在单位时间内特定动作出现的次数超过预设阈值，则向运动员或其教练员发出提示，提示运动员注意动作，并提供对应的统计数据及视频回放。
优选地，还可以根据运动员的动作对应的三维骨架特征绘制对应的人体骨架模型图，与根据标准的三维骨架特征绘制的人体骨架模型图采用不同颜色进行对比。由于标准的三维骨架特征是对训练特征集进行统计得到，包括幅度范围的下限和上限。因此，可以直观的观察到运动员的动作是否包括在幅度范围之内，以及具体是动作的哪个部位出现问题。
本实施例中，通过获取运动员训练过程中的视频数据，获取运动员的动作，并对运动的标准程度及可能的关节损伤进行提示，提高了运动员的训练质量和安全性。
在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图3所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
1.一种基于形体识别的运动员训练方法，其特征在于，包括：
根据运动员训练的视频获取其三维骨架特征；
根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
对判断结果进行输出提示。
2.根据权利要求1所述的方法，其特征在于，所述根据运动员训练的视频获取其三维骨架特征包括：
从运动员训练的视频中提取彩色图像与深度图像；
从所述彩色图像中确定出运动员的各关节点，结合从所述深度图像中获得的各关节点的深度数据得到三维骨架特征。
3.根据权利要求2所述的方法，其特征在于，
所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
4.根据权利要求1所述的方法，其特征在于，根据所述三维骨架特征进行形体识别判决，得到对应的训练动作包括：
将所述三维骨架特征输入预先训练的神经网络模型，得到的输出结果即为对应的训练动作。
5.根据权利要求1所述的方法，其特征在于，
所述预设的标准动作数据为各个动作的标准的三维骨架特征的幅度范围；
所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
6.根据权利要求5所述的方法，其特征在于，
所述各个动作的标准的三维骨架特征的幅度范围是对训练特征集进行统计得到的。
7.根据权利要求5所述的方法，其特征在于，
所述判断标准还包括单位时间内的特定动作次数是否超过预设阈值。
8.一种基于形体识别的运动员训练系统，其特征在于，包括：
获取模块，用于根据运动员训练的视频获取其三维骨架特征；
识别模块，用于根据所述三维骨架特征进行形体识别判决，得到对应的训练动作；
判断模块，用于根据预设的标准动作数据及其判断标准，对所述训练动作进行判断；
提示模块，用于对判断结果进行输出提示。
9.根据权利要求8所述的系统，其特征在于，所述获取模块具体用于：
从运动员训练的视频中提取彩色图像与深度图像；
从所述彩色图像中确定出运动员的各关节点，结合从所述深度图像中获得的各关节点的深度数据得到三维骨架特征。
10.根据权利要求9所述的系统，其特征在于，
所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征。
11.根据权利要求8所述的系统，其特征在于，所述识别模块具体用于：
将所述三维骨架特征输入预先训练的神经网络模型，得到的输出结果即为对应的训练动作。
12.根据权利要求8所述的系统，其特征在于，
所述预设的标准动作数据为各个动作的标准的三维骨架特征的幅度范围；
所述判断标准为，若未超出对应动作的幅度范围，则动作合格；若超出对应动作的幅度范围，则动作危险。
13.根据权利要求12所述的系统，其特征在于，
所述各个动作的标准的三维骨架特征的幅度范围是对训练特征集进行统计得到的。
14.根据权利要求12所述的系统，其特征在于，
所述判断标准还包括单位时间内的特定动作次数是否超过预设阈值。
15.一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
技术总结