计算机视觉技术在军事体育训练体能考核中的应用.docx

计算机视觉技术在军事体育训练体能考核中的应用.docx

《计算机视觉技术在军事体育训练体能考核中的应用.docx》由会员分享，可在线阅读，更多相关《计算机视觉技术在军事体育训练体能考核中的应用.docx（8页珍藏版）》请在冰豆网上搜索。

计算机视觉技术在军事体育训练体能考核中的应用

计算机视觉技术在军事体育训练体能考核中的应用

魏际英，卫强，费洋

摘要：

为实现军事体育训练考核的公平、高效，本文针对《军事体育训练大纲》要求，提出使用基于深度学习的计算机视觉技术实现俯卧撑、仰卧起坐、引体向上、曲臂悬垂的自动计数及错误分析。

本文通过分析大量人体样本训练人体姿态模型，提取人体重要运动部位涉及的角度和位置，根据具体动作要求计算动作完成准确程度。

实验结果表明，该方法能够准确获取人体运动轨迹，动作计数准确率和错误分析成功率均大于99%。

关键词：

计算机视觉；训练；考核

0引言

《军事体育训练大纲》[1]的颁布实施，对于提高学员的身心素质、实战化训练水平以及提升战斗力具有重要作用。

目前各单位在考核过程中，大多仍是采用人工考核的方式，存在效率低、漏判错判率高、公平公正被质疑等问题。

少数单位已实现采用传统穿戴式设备进行智能考核，大大提高了考核效率，漏判错判率也有所下降，公平公正得到了有效保障。

但传统穿戴设备智能考核系统存在着设备庞大、施工复杂、占地面积大、运输困难、不利于野外训练等缺陷，尤其穿戴式设备增加了人体运动负担，影响到考核人员完成动作的规范性。

计算机视觉技术是人工智能的一个重要分支，是使用计算机模拟人眼对目标物进行识别、追踪、判别决策等。

深度学习引入后，计算机视觉技术得到了长足发展，目前已被广泛应用于安防、无人机、医疗检查、体育运动等多个领域。

因此，本文提出使用计算机视觉技术来实现军事训练考核的智能化。

通过对深度学习卷积神经网络输入大量人体运动图片，训练并生成稳定可靠的人体姿态估计模型。

考核过程中通过图像采集设备（摄像机或摄像头）实时获取考核运动视频图像，使用生成的人体姿态估计模型逐帧计算人体主要运动部位所形成的角度和位置，并根据这些数据按照《军事体育训练军事体育训练大纲》要求计算出动作的准确性，从而实现智能考核的功能。

相比传统穿戴式设备智能考核的方式，本文所提出的计算机视觉技术的考核方案同样具备效率高、漏判错判率低、公平公正等特点，同时还具有以下优点：

设备体积小、运输携带方便、适合野外训练；操作简单，只需在人工考核的基础上布设视频图像采集设备；考核人员不需要穿戴任何设备，考核过程中全程无感。

1人体姿态估计模型训练

1.1网络设计

人体姿态估计是对图像或视频中人体关节点的位置进行定位分析，分为2D和3D姿态估计（以下均为2D姿态估计）。

人体姿态估计在不同尺度下，可能包含人体方位、肢体动作、相邻关节点关系等信息。

本文采用堆叠沙漏网络（StackedHourglassNetworks）[2]实现人体姿态估计模型。

单个Hourglass网络设置，首先Conv层和MaxPooling层的作用是将目标特征缩小至很小的分辨率，每一个MaxPooling处网络进行分叉，并对原有pre-pooled分辨率的特征进行卷积，取得最低分辨率后，开始进行upsampling，并逐渐结合不同尺度的特征信息。

较低分辨率采用的是最近邻上采样形式，将不同的特征集逐一进行求和。

整个hourglass是对称的，获取低分辨率特征过程中每有一个网络层，则在上采样的过程中相应低就会有一个对应网络层，得到hourglass网络模块输出后，再采用两个连续的1×1Conv层进行处理，得到最终的网络输出。

堆叠沙漏网络（StackedHourglassNetworks）由多个stackedhourglass模块组成，通过重复进行bottom-up，top-down推断估计人体姿态。

StackedHourglassNetworks输出heatmaps的集合，每个heatmap表示关节点在相应像素点出现的频率，Residual模块不仅提取了较高层次的特征（卷积路），而且保留了原有层次的信息（跳级路）。

不改变数据尺寸，只改变数据深度，可以把它看成一个保尺寸的高级“卷积”层。

1.2训练及测试结果

使用Caffe深度学习框架实现堆叠沙漏网络模型，设置pose_training.prototxt中的各个参数，batchsize为8。

测试结果：

使用NvidiaGTX1070测试单人姿态估计达到28～30FPS（帧/秒），多人姿态估计达到13～18FPS（帧/秒）。

在MPIIHumanPose数据集上测试结果：

表1训练测试结果

网络输出18个关键点坐标，格式为：

“keypoints”：

[190.74，126.837，0.943594，190.861，172.698，0.892558，151.426，174.343，0.852508，136.668，102.202，0.854033，136.644，44.7066，0.945382，230.213，172.737，0.815636，254.794，102.233，0.894463，266.251，48.0951，0.900904，162.819，326.914，0.627533，153.095，440.082，0.686759，157.943，546.775，0.7499，213.735，328.556，0.613637，217.048，441.727，0.730703，217.037，545.087，0.7967，179.325，123.587，0.952431，202.224，123.534，0.955873，167.808，138.295，0.887894，215.442，138.292，1.01478]

2《军事体育训练军事体育训练大纲》动作实现

2.1仰卧起坐动作实现

通过夹角余弦定理计算出所需角度的大小，仰卧起坐动作关键夹角。

图1仰卧起坐平躺

角1为肩部、臀部、脚踝夹角，用于判断平躺时是否触地。

图2仰卧起坐上起

角2为肘部、臀部和膝部夹角，用于判断上起时肘部是否触及腿部。

角3位肩部、臀部和膝部夹角，用于判断上起动作是否完成。

动作辨别正误方法：

平躺时：

角1不小于175°则判定身体触地。

上起时：

角3小于90°则判定上起完成，角2小于10°则判定手臂触及腿部。

计数：

角1、角2、角3的一次完整变化过程完成一次仰卧起坐计数。

2.2俯卧撑动作实现

通过夹角余弦定理计算出所需角度的大小，俯卧撑动作关键夹角。

图3俯卧撑上起动作

角1为肩部、肘部和手腕夹角，用于判断上起动作时手臂是否伸直。

角2为肩部、臀部和膝部夹角，用于判断上起动作时臀部是否保持平直。

角3为臀部、膝部和脚踝夹角，用于判断上起动作时膝部是否保持平直。

角4为肩部、脚踝和手腕夹角，用于判断上起动作是否完成。

图4俯卧撑下撑动作

角1为肩部、肘部和手腕夹角，用于判断下撑动作深度。

角2为肩部、臀部和膝部夹角，用于判断下撑动作时臀部是否保持平直。

角3为臀部、膝部和脚踝夹角，用于判断下撑动作时膝部是否保持平直。

角4位肩部、脚踝和手腕夹角，用于判断下撑动作是否完成。

动作辨别正误方法：

上起时：

角1不小于175°则判定手臂伸直，角2和角3不小于175°则判定身体保持平直，角4大于20°时判定上起动作完成。

下撑时：

角1不大于90°则判定已达到下撑深度，角2和角3不小于175°则判定身体保持平直，角4小于10°时判定下撑动作完成。

计数：

角2和角3合格的情况下，角1、角4的一次完整变化过程完成一次俯卧撑计数。

2.3引体向上动作实现

通过夹角余弦定理计算出所需角度的大小，单杠动作关键夹角。

图5单杠拉起动作

图6单杠悬垂动作

角1为右手腕、颈部和左手腕夹角，用于判断是否完成拉起或者悬垂。

角2为右臀、右膝和右脚踝夹角，角3为左臀、左膝和左脚踝夹角，用于判断单杠动作过程中膝盖是否保持垂直。

动作辨别正误方法：

单杠拉起时：

角1大于175°则判定拉起动作完成，同时可判定下颚已通过杠杆；角2和角3大于175°则判定膝盖保持垂直。

单杠悬垂时：

角1小于60°则判定悬垂动作完成；角2和角3大于175°则判定膝盖保持垂直。

计数：

角2和角3合格的情况下，角1的一次完整变化过程完成一次仰卧起坐计数。

2.4曲臂悬垂动作实现

通过夹角余弦定理计算出所需角度的大小，曲臂悬垂关键夹角。

图7曲臂悬垂杠上动作

角1为右手腕、颈部和左手腕夹角，用于判断杠上动作是否合格。

角2为右臀、右膝和右脚踝夹角，角3为左臀、左膝和左脚踝夹角，用于判断曲臂悬垂动作过程中膝盖是否保持垂直。

动作辨别正误方法：

计时：

角1大于175°，角2和角3大于175°则开始计时；角1小于175°则结束计时。

3网络拓扑实施

视频采集设备获取考核图像后通过AP及网桥传递给算法服务器进行动作分析和计算，结果发送至各个终端查询。

图8网络拓扑

4实验结果和分析

通过在试点单位测试，结果表明该系统已达到《军事体育训练大纲》要求的考核标准，动作计数准确率达到99%以上，判定动作是否符合大纲要求，准确率同样达到99%以上。

存在的问题及解决方法：

当逆光、暗光等条件下，人体图像检测的准确度有所下降，导致动作计数准确率下降。

解决方法：

①通过调整相机参数及补光，提高光照强度，有效提高动作计数准确率；②在训练模型样本中增加逆光、暗光等条件下的样本量，从根本上解决极端光照问题。

5结论

人工智能的深入研究为训练考核提供了坚实的技术背景。

如本文所述，计算机视觉技术作为人工智能的重要分支，所构建的训练考核系统，可以达到无感、稳定、准确等效果，紧贴《军事体育训练大纲》要求，实现了考核的公平、公正、高效。

除此之外，本文的设计更加易于扩展。

针对《军事体育训练大纲》的变化只需补充相应的样本数据即可得到可用的模型，动作实现更加容易。