十六、AI运动识别中,如何判断人体站位?

本文介绍了一种基于云智AI的运动识别小程序插件,它可以进行人体检测、运动检测和姿态识别。重点讲解了为何要判断人体站位视角以及如何使用camera-view规则进行视角检测,提供了代码示例来确保最佳体验和识别效果。
摘要由CSDN通过智能技术生成

【云智AI运动识别小程序插件】,可以为您的小程序,赋于人体检测识别、运动检测识别、姿态识别检测AI能力。本地原生识别引擎,无需依赖任何后台或第三方服务,有着识别速度快、体验佳、扩展性强、集成快、成本低的特点,本篇实现需要使用此插件,请先行在微信服务市场或官网了解详情。

一、为什么要判断人体站位视角?

上一篇我们介绍了运动识别中,如何实现对人与摄像头的远近预检,以提供识别率和体验。在我们实际的运动应用场景中,为了准确识别到相关运动的关键姿态点,一般会指定视角,如跳绳开合跳需要面或背朝相机,而且像俯卧撑仰卧起坐则需要左右侧对像相机,以获得最佳的识别率和体验。

二、camera-view检测规则

camera-view是插件姿态计算引擎body-calc提供检测当前人体站位(即人体那一侧对准摄像头)的规则。
在正式开始运动前,便可以使用此检测规则,对当前人体姿态进行预检,再通过语音等方式提醒用户调整站位至合适视角,以便获得最佳体验和识别效果。
image
image

三、代码实现

在进行远近判断前,请查阅本系列博文了解抽帧、人体识别、body-calc应用等内容。

const AiSport = requirePlugin("aiSport");
const humanDetection = AiSport.humanDetection;
const Calculator = AiSport.calc.Calculator;

//也可参考此实现左右视角检查
const rule = {
	name: '正或背对摄像头检查',
	calc: '$or',
	ruels: [{
		name: '正对摄像头检查',
		calc: 'camera-view',
		position: 'front'
	},{
		name: '背对摄像头检查',
		calc: 'camera-view',
		position: 'back'
	}]
};
const calculator = new Calculator();

//抽帧
const context = wx.createCameraContext();
const listener = context.onCameraFrame((frame) => {
	const iamge = {
		width: Number(frame.width),
		height: Number(frame.height),
		rawData: frame.data
	};
	
	//人体识别
	humanDetection.detectionAsync(image).then(human=>{
		
		//执行检测
		if(!calculator.calculating(human, rule)){
		    console.log('请面或背朝摄像头');
			//播放语音、UI提示...
			return;
		}
		
		//通过,则进入运动检测等应用环节..
	});
});
listener.start();

好了,运动开始前的常规距离、视角预检查就为您分享到这,请关注我们各平台的博客账号,我们将为您分享更多的人体、姿态、运动检测应用技巧。

  • 9
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
SNN+运动姿态识别是一种基于脉冲神经网络(Spiking Neural Network,SNN)的运动姿态识别方法。SNN是一种模拟神经系统神经元脉冲传递的神经网络模型,与传统的人工神经网络(ANN)不同,SNN模拟了生物神经元的工作方式,通过模拟神经元之间的脉冲传递来进行信息处理。 在运动姿态识别,SNN+运动姿态识别方法利用SNN模型来处理输入的运动数据,例如人体关节的角度、加速度等信息。首先,将运动数据转化为脉冲信号的形式,然后通过SNN模型进行处理和分析。SNN模型的神经元会根据输入的脉冲信号产生输出脉冲,并通过神经元之间的连接传递信息。最后,根据输出脉冲的模式和频率等特征,可以对不同的运动姿态进行分类和识别。 SNN+运动姿态识别方法相比于传统的基于ANN的方法具有一些优势。首先,SNN模型更加接近生物神经系统的工作方式,能够更好地处理时序信息和动态变化。其次,SNN模型具有较低的计算复杂度和能耗,适合在嵌入式设备等资源受限的环境应用。此外,SNN模型还具有较好的鲁棒性和适应性,能够处理噪声和变化较大的输入数据。 然而,SNN+运动姿态识别方法也存在一些挑战和限制。首先,SNN模型的训练和优化相对复杂,需要考虑脉冲编码、时序信息等因素。其次,SNN模型的可解释性相对较差,难以解释神经元之间的具体计算过程。此外,目前对于SNN模型的硬件实现和软件支持还比较有限,限制了其在实际应用的推广和应用范围。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值