GoPose人工智能运动分析软件

GoPose人工智能运动分析软件

  • GoPose可以自动进行人体姿态25个关键点识别,方便进行运动技术分析,提供关节角度、位移速度等常用运动学结果,帮助运动员、教练员及体育科研工作者快速得到基础分析结果。
  • GoPose可用于比赛、训练、科研等场景,其优势是无接触式测量、快速反馈、免费开源等,解决QUA…SYS等实验室设备需复杂穿戴、F***move人工智能运动分析系统等软件使用价格高昂等问题,帮助广大基层教练员、运动员科学化训练。
    在这里插入图片描述

安装配置

1 环境

  • python3.7(其他版本会报错 2021年8月)
  • 推荐Window10、CUDA11.2

2 下载GoPose

  • 项目地址:https://github.com/chenxh5678/GoPose
  • Windows:项目地址中Download ZIP
  • cmd控制台,按需求文档GoPose/requirements.txt安装库

3 配置姿态估计模块

  • 下载安装OpenPose(官方文档bilibilibilibili快速安装
  • 进入自己建的build文件夹,将openpose/build/内的bin文件夹复制到GoPose/resource/中,替换同名文件
  • 将openpose文件夹中,models文件夹复制到GoPose/resource/中,替换同名文件,目前只用到pose/body25/pose_iter_584000.caffemodel
  • openpose/build/python/openpose/Release/内3个文件复制到GoPose/resource/内替换
  • openpose/build/x64/Release/内的openpose.dll复制到GoPose/resource/内替换

bin文件夹

在这里插入图片描述

models文件夹

在这里插入图片描述

resource文件夹

在这里插入图片描述

使用方法

  • 运行GoPose.py文件
  • 使用演示
  • 查看坐标点折线图、快速修正坐标点、对坐标点进行滤波平滑:
    在这里插入图片描述
  • 可将运动学结果导出,用于统计记录:
    在这里插入图片描述
  • 可将坐标点导出用于进一步分析:
    在这里插入图片描述
  • 运动训练监控:训练场上快速查看技术动作及运动学结果,及时反馈给教练员、运动员:
    在这里插入图片描述

姿态估计结果

Results on COCO test-dev 2015:

AP @0.5:0.95AP @0.5AP @0.75AP mediumAP large
61.884.967.557.168.2

Results on MPII full test set:

HeadShoulderElbowWristHipKneeAnkleAve
91.287.677.766.875.468.961.775.6

未来要做的

  • 滤波平滑功能:管理器-单击解析点修正并勾选-显示窗口-右键解析点名称
  • 坐标点折线图中快速修改功能:管理器-勾选解析点修正-显示窗口-右键解析点名称
  • 手动标点功能
  • 更多的运动学结果
  • 合成三维坐标点功能
  • 完善摄像头采集功能
  • 显示坐标点轨迹模式
  • 更多的人体惯性参数模型
  • '测试对象’信息栏的应用
  • 根据硬件情况,可选增加手部和面部关键点识别,全部135个关键点
  • 更精确、速度更快的姿态估计

项目地址

https://github.com/chenxh5678/GoPose

  • 3
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    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中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。 在运动姿态识别中,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模型中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中应用。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中的推广和应用范围。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

黑布林加炸鸡

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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