摘要
随着现代社会经济和科技的快速发展，人们生活水平不断提高的同时更加关注健康问题。太极拳作为我国传统武术其独特的运动方式和呼吸技巧对康复有较好辅助效果，同时具有练习简单、不受锻炼场地限制的优点。居家锻炼只能通过人为方式判断动作是否标准，缺乏专业性，而且错误的练习可能导致受伤。随着深度学习的不断发展，姿态估计以及动作识别算法表现出较好效果，因此，设计一种自动化太极拳动作评估方法具有重要研究意义。为了解决基于骨架的动作识别存在模型复杂度较高难以应用在实际生活中以及在太极拳练习中缺乏练习反馈的问题，本文基于姿态估计的人体动作相似度评估问题展开研究，主要工作如下： （1）骨架数据提取算法的改进。针对 HRNet(High-Resolution Network)骨架数据提取算法存在模型复杂度高、参数量大难以应用在实际康复训练中的问题，提出 EESP-Pose(Extremely Efficient Spatial Pyramid-Pose)骨架数据提取算法。首先，以轻量的EESP模块为基础构建HRNet的特征提取分支，使其在低计算成本下保证网络精度；然后，对首次得到的模型进行剪枝操作，得到最终的EESP-Pose模型。与HRNet相比，该模型的参数量和计算量分别为3.58M、1.92G，均得到大幅下降。最终，EESP-Pose网络以损失较少准确率的前提下实现对HRNet的轻量化，为后续康复锻炼中动作的识别奠定基础。 （2）融合夹角特征的太极拳动作识别。为了减少康复锻炼过程中因动作不规范导致受伤的情况以及人体体型差异导致提取的人体骨架大小不一很难表示动作特征的问题，提出一种融合夹角特征的太极拳动作识别方法，该方法的核心是根据 EESP-Pose 提取得到的人体关键点信息设计表征太极拳动作的关键夹角特征，同时整合姿态估计特征，实现康复锻炼过程中太极拳动作的识别。最后，在太极拳数据集上验证所提方法的性能。 （3）太极拳动作相似度评估。为了解决目前康复锻炼中动作评估方法缺乏清晰的可解释性和性能较差的问题，提出基于 AFSN(Attention-based FasterSiamese Net)的太极拳动作评估模型。首先通过基于注意力机制改进的部分卷积模块构建动作评估网络中高效的特征提取网络，并在暹罗神经网络的架构上同时学习太极拳练习动作与标准动作之间的相似性，最后使用 Grad-CAM 用不同颜色表示动作的标准程度，为锻炼者提供可视化的动作指导。实验结果表明AFSN模型对太极拳动作的识别率达到93.0%，并且与其他方法相比在动作指导过程中具有明显的优势。 （4）太极拳动作识别系统。结合锻炼的实际应用场景，本文以太极拳动作为研究案例，基于上述太极拳动作识别方法设计并实现了用于分析识别太极拳的软件系统。该系统提供了包括人体骨骼关键点提取及预处理、动作识别以及上传标准太极拳动作等功能，可以居家进行锻炼并提升在太极拳练习中的表现。
NETL