体能训练作为提升部队战斗力的重要手段之一，动作的规范性直接影响训练效果。为了保证有效的体能训练，需要对训练动作进行评估和指导。目前士兵体能训练评估大多利用人工评估的方法，成本高，效率低、易受主观因素影响。因此本文将人体骨骼关键点检测技术应用到士兵体能训练评估中，通过摄像机采集士兵体能训练动作视频，采用骨骼关键点检测技术获取人体骨骼关键点信息，然后利用视频动作检测模型融合人体骨骼关键点检测信息，对采集的体能训练视频进行动作序列定位和分类，最后提取动作关键帧进行分析评估，设计出基于人体骨骼关键点检测的士兵体能训练评估系统。本文主要研究工作如下： （1）针对OpenPose网络模型检测视频流人体骨骼关键点准确度不高、参数量大、复杂度高等问题，提出了基于姿态流补偿的人体骨骼关键点检测算法。该算法利用轻量化改进的OpenPose模型获取骨骼关键点信息，然后通过构建帧间的人体姿态流信息，弥补OpenPose网络模型的不足，提高视频数据的检测效果，最后对检测出来的人体骨骼关键点进行优化，补全因严重遮挡而缺省的关键点坐标。本章提出的算法在MPII数据集上准确率达到95.2%，相比于原始OpenPose准确率提升了8.0%，参数量减少了71.5%，提高了视频流人体骨骼关键点识别率的同时，降低了网络复杂度。 （2）针对BMN边界时序动作定位准确率低的问题，提出了基于边界的局部-全局动作检测算法。该算法选用I3D双流融合网络作为特征提取网络，然后利用基于边界的局部-全局动作检测算法对时序动作进行检测，获得更精准的动作序列，最后使用S-OHEM策略优化训练过程中出现的样本比例不均衡问题。通过在THUMOS14数据集上实验验证，与BMN相比时序动作提名检测召回率提升了2.3%，在KTH数据集的识别率达到了98.8%，在自建数据集上面的识别率达到了99.2%。 （3）基于以上研究设计了士兵体能训练评估系统。通过获取士兵体能训练过程中的人体骨骼关键点信息并对训练视频中的动作序列进行定位和类别，然后通过提取动作序列中的关键帧与标准动作对比分析，实现对士兵体能训练动作的自动评估。在模拟士兵体能训练场景下进行实验测试，本文设计的士兵体能训练评估系统有着较好的实用性。
NETL
