基于體感識別的學生引體向上訓練系統

李文博+周磊

摘 要：學生體質狀態一直以來都是社會關注的熱點，其中力量問題尤為明顯，而目前尚未有合理有效的辦法改善這一狀況。文中提出的引體向上訓練系統，結合物聯網技術和機器視覺中的體感識別技術，利用云服務搭建了完整的解決方案架構，實現了學生日常引體向上訓練的自動化和數據化，同時使得管理更科學、簡單。系統主要運用Kinect V2智能攝像頭傳感器提取運動骨骼數據，使用步態識別算法與設計的有限狀態機運動模板匹配進行引體向上運動識別，將用戶個人信息以及運動結果在Web端顯示。研究工作也為日常運動識別和訓練提供了新的研究角度和方向。

關鍵詞：物聯網；體感識別；Kinect V2；引體向上；步態識別

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2018）02-00-03

0 引 言

隨著經濟的飛速發展，我國的GDP總量已位居世界第二，人民生活質量得到了很大改善。但安逸的生活方式背后卻隱藏著嚴重的健康隱患，其中學生的體質問題尤為突出。學生是21世紀我國發展的中堅力量，學生體質關系到祖國的未來，黨和政府一直都非常重視學生的體質問題。

基于2000～2014年我國四次國民體質健康監測數據資料，結合歷年《全國學生體質與健康調研》和《全國學生體質健康監測》報告及前人研究文獻[1]，使用文獻分析和數理統計方法對近15年我國青少年體質狀況進行分析。研究發現：我國青少年身體形態呈現持續增長趨勢，肥胖檢出率持續上升；肺活量和絕大多數身體素質指標在2005年以前持續下降，2010年開始止“跌”回升。

近年來，國家對青少年體質的高度重視與體育事業的蓬勃發展，尤其是2008年陽光體育運動的開展，使學生耐力素質得到了極大改善，但學生的力量、爆發力、平衡等問題卻仍止步不前。當前，各校都在采取相應的措施和方案來鼓勵大學生在體育課外，利用業余時間積極投入到體育鍛煉中，但尚未找到行之有效的辦法。

隨著機器視覺技術的崛起，采用智能攝像頭結合適用于相應應用的識別算法高效解決生活、生產中出現的問題前景廣闊[2]。

依據《國家學生體質健康標準》，本系統運用微軟KinectV2智能攝像頭開發出了一套解決學生日常引體向上運動訓練難以管理、指導的問題，可有效改善學生上肢力量差的現狀。

1 關鍵技術介紹

1.1 機器視覺

機器視覺作為人工智能領域的一個分支，即機器模擬人類的視覺認知處理能力，將攝取的圖像信息傳送至圖像處理系統，在無需人為干預的情況下挖掘處理圖像視頻中低層次的數字化數據，并轉譯為高層次信息輸出，以達到近似人類對視覺信號的理解能力。該技術起源于上世紀60年代，但由于圖像采集和計算機計算能力的局限性，直到2010年才迎來爆發式的增長，目前在智能化視頻監控、基于內容的視頻檢索、醫療領域、人機交互、體育領域等行業中有著廣泛的應用前景和價值，國內外眾多知名高校以及研究機構進行了大量研究，同時科技公司也積極投入人力物力挖掘其市場應用場景和社會價值[3，4]。

1.2 Kinect V2

2014年10月微軟發布了Kinect for Windows新一代產品Kinect V2[5]。與2012年發布的第一代產品相比，有了重大的性能提升。Kinect是一種3D體感攝影機，主要包含麥克風陣列、深度圖像所使用的紅外線發射器和紅外接收器及RGB攝像頭。Kinect V2組成如圖1所示。

Kinect運用分隔策略將人體從背景中分離出來，并將分離出的人體部分圖像再通過一個由微軟開發的以TB計的數據輸入到集群系統訓練出的人體各部位識別模型中，生產出25關節點的人體骨架模型，以約30 f/s的速度輸出骨骼數據，最多可同時識別6人[5，6]。Kinect智能攝像頭所輸出的骨骼關節數據為人體動作識別提供了基礎，解決了計算機視覺對于人體運動時空序列數據提取的難題。

2 硬件組成

本系統硬件設備包括Kinect V2攝像頭傳感器、計算機、RFID讀卡器、顯示設備及云服務器。硬件連接組成如圖2所示。

本系統使用的Kinect V2傳感器已包含電源線和USB 3.0數據線。待連接的計算機需滿足以下條件[7]：

（1）CPU必須支持64位系統。

（2）USB需滿足USB 3.0的要求，USB 3.0可以通過PCIE擴展口安裝。

（3）顯卡需支持DirectX 11。

（4）操作系統為64位，Win8版本及以上。

（5）內存需達到4 G以上。

計算機為處理前端讀卡器和Kinect攝像頭所需的硬件平臺，可方便用戶輸入數據，也可通過與自行開發的配套軟件相結合，實時檢測用戶引體向上的情況，同時還可將用戶數據上傳至云端服務器進行處理。

本系統硬件CPU采用英特爾7代G-4600處理器，主頻為3.6 GHz，搭載64位Windows10操作系統，核顯支持DirectX 11，滿足Kinect設備運行的硬件要求，極具性價比。主板采用技嘉 GIGABYTE B85-HD3，可滿足文中對USB提出的要求。

3 軟件設計

3.1 系統架構及開發平臺的選擇

本系統軟硬件通過USB 3.0進行數據交互，客戶端和云端通信采用TCP/IP通信協議，軟件整體設計流程如圖3所示。

本系統設計基于.NET平臺。.NET平臺是微軟公司開發的技術平臺，主要運行在Windows 操作系統上，可與同為微軟旗下的Kinect兼容[8]。此外，.NET平臺還支持多種開發語言，如C#、C++、F#、Python等，在編譯時期，.NET平臺會將這些語言編譯成統一的CLR（Common Language Runtime，CLR），可無差別地運行在.NET平臺上。微軟還推出了被譽為世上最好用集成開發環境（Integrated Develop Environment，IDE）的Visual Studio，使得.NET平臺極具吸引力。其中客戶端的設計開發采用C#，云端服務器的開發采用Python。endprint

3.2 客戶端軟件設計

3.2.1 客戶端功能

客戶端具有如下功能：

（1）使用者信息的采集。學生訓練系統采用學生日常最常用的校園卡作為信息采集源，包含學生卡號，可通過USB讀取學生信息，顯示并保存。

（2）通過USB 3.0連接Kinect采集運動數據，客戶端識別運動，判斷使用者的使用情況，并記錄保存。

（3）客戶端連接前端顯示設備將用戶信息和實時運動情況反饋至各使用者，實現良好的交互效果。

（4）客戶端可將使用者的信息和運動結果上傳至云端服務器。

3.2.2 引體向上識別算法

本系統最核心的部分是對于引體向上運動的識別算法，運動識別流程如圖4所示。

采用步態識別算法提取骨骼特征和運動特征[9]，并將這兩種特征序列數據分別與標準骨骼數據、標準運動數據相匹配。骨骼特征主要計算多個骨骼點在三維空間的相對角度。Kinect V2坐標系如圖5所示。

本系統中的骨骼特征提取以Kinect坐標系中的計算為基礎。假設運動的肩膀、肘部、手部姿勢如圖6所示，那么映射到Kinect 坐標系時如圖7所示。

只需要通過計算向量，的夾角θ即可得到空間坐標中肘部所成的夾角。計算公式如下：

在骨骼特征提取過程中，每個骨骼特征序列都由通過上述骨骼角度方法計算得到的一系列相對角度組成，以表示當前某一時刻用戶運動姿勢的特征點。運動特征提取是在骨骼特征提取的基礎上針對運動的識別與檢測，目的在于提高針對引體向上運動識別的準確性和運動完整度。

引體向上狀態機[10]描述如圖8所示。

直臂懸垂狀態的姿勢即兩手用寬握距正握單杠，略寬于肩，兩腳離地，兩臂自然下垂伸直。這是引體向上每一個運動周期的起始姿勢。

引體向上的姿勢為頭部上升至單杠上方，雙手和雙臂之間成彎曲角度。這是整個運動過程中的上升和下降轉折點。

（1）引體向上特征提取

引體向上的運動姿勢轉化如圖9所示。

本系統設定與的夾角為α，與的夾角為β，與的夾角為γ，與的夾角為δ。其中，β和δ指肩膀的旋轉角度。骨骼特征提取矩陣見式（7），其中T，t分別表示引體向上的運動周期，即完成一次引體向上的時間。

（2）引體向上匹配

與上述立定跳遠模版匹配類似，引體向上匹配也通過DTW算法結合骨骼節點HM，FL，FR的Y軸坐標來實現運動檢測。在進行DTW局部最優節點相似度計算時，提取特征向量中的權重比α∶β∶γ∶δ=kp1∶kp2∶kp3∶kp4，判斷狀態節點識別度閾值為dp，單位為度。

3.3 云端軟件設計

為了完善該系統，還為系統加入了云端服務系統，使得運動數據可被使用者更方便地利用與保存，為系統的擴展和實用增加了更多可能。本系統云端采用由Python語言和Django框架結合而成的MySQL數據庫，從而成功搭建了一個完整的Web平臺。Python是目前最流行的編程語言之一。Django是Python語言編寫的最優秀的Web框架之一，采用的MVC框架模式[3]具有易開發，便于更新維護，移植性好等特點。將終端發送的用戶信息和引體向上運動數據上傳存儲，主要實現數據預處理、Web端交互、查詢與導出數據等功能。

4 結 語

本文介紹的基于體感識別的學生引體向上訓練系統，運用現有技術手段解決了社會實際中遇到的學生健康運動問題，實現了科學管理學生引體向上運動的目標。結合當下物聯網技術，文中介紹的全新解決方案為類似運動檢測與管理的實現提供了新的角度。

本系統已在一家學校使用，運行狀態良好，深得師生喜愛，證明了本文提出的基于體感識別的學生引體向上訓練系統具有可行性。

參考文獻

[1]張洋，何玲.中國青少年體質健康狀況動態分析——基于2000—2014年四次國民體質健康監測數據[J].中國青年研究，2016（6）：4-12.

[2]李擬珺.基于計算機視覺的人體動作識別技術研究[D].南京：東南大學， 2015.

[3]胡瓊，秦磊，黃慶明.基于視覺的人體動作識別綜述[J].計算機學報，2013，26（12）：2512-2524.

[4]胥磊.機器視覺技術的發展現狀與展望[J].設備管理與維修，2016（9）：7-9.

[5]李詩銳，李琪，李海洋，等.基于Kinect v2的實時精確三維重建系統[J].軟件學報，2016，27（10）：2519-2529.

[6]王梅，于遠芳，屠大維，等.基于Kinect的環境平面特征提取與重構[J].計算機應用， 2016， 36（5）：1366-1370.

[7] Abhijit J. Kinect for Windows SDK Programming Guide[M].UK：Packt Publishing，2012.

[8]余濤.Kinect應用開發實戰：用最自然的方式與機器對話[M].北京：機械工業出版社， 2013.

[9] Kastaniotis D， Theoharatos C， Theoharatos C， et al. A framework for gait-based recognition using Kinect[J].Pattern Recognition Letters， 2015，68（2）：327-335.

[10]吳進.機器視覺中快速模版匹配算法研究[J].新型工業化，2014 （1）：65-69.endprint