看一级大毛片色悠悠久久,我爱五月婷婷综合

[導讀]作者|李秋鍵來源|AI科技大本營（ID:rgznai100）引言人工智能作為計算機科學的一個分支,其主要是將人的思維與計算機網(wǎng)絡相結(jié)合,令整個系統(tǒng)在對某一類事物進行處理時實現(xiàn)人工智能化分析,然后結(jié)合內(nèi)部程序的設定,分析出當前事務處理所具備的各類功能如何實現(xiàn)。人工智能作為一項綜合性...

作者|李秋鍵來源|AI科技大本營（ID:rgznai100）

引言人工智能作為計算機科學的一個分支,其主要是將人的思維與計算機網(wǎng)絡相結(jié)合,令整個系統(tǒng)在對某一類事物進行處理時實現(xiàn)人工智能化分析,然后結(jié)合內(nèi)部程序的設定,分析出當前事務處理所具備的各類功能如何實現(xiàn)。人工智能作為一項綜合性學科,其在發(fā)展過程中可分為低級、中級、高級三個階段,通過技術體系的逐步更新,人們將思維意識與計算機網(wǎng)絡系統(tǒng)形成深度融合,利用人工智能體系在社會事務處理中實現(xiàn)智能化轉(zhuǎn)變,以此來達到人力資源節(jié)約的效果。

將人工智能與體育產(chǎn)業(yè)的融合是指通過智能化體系的融合,體育產(chǎn)業(yè)以及其關聯(lián)行業(yè)在發(fā)展過程中可對數(shù)據(jù)信息進行精準分辨,尤其是在大數(shù)據(jù)發(fā)掘技術的作用下,各類工作機制的建設可通過行業(yè)領域業(yè)務拓展實現(xiàn)技術性融合。然而,從現(xiàn)階段實際應用趨勢來看,人工智能與體育產(chǎn)業(yè)的融合無法得到有效基準的制定,這就造成相關職能部門在制定規(guī)范制度時,無法將人工智能與體育產(chǎn)業(yè)進行深度分析,令制度本身缺乏有效監(jiān)管性。除此之外,體育產(chǎn)業(yè)作為綜合型項目,人工智能體系的應用,無法覆蓋到整個體育產(chǎn)業(yè)鏈中,只要造成體育項目在實際開展中無法形成合理、科學性的基準,進而令地區(qū)體育項目的發(fā)展無法達成一致,在一定程度上,將令體育產(chǎn)業(yè)形成以地區(qū)為主導的滯后性發(fā)展現(xiàn)象。

本項目使用姿態(tài)估計技術，提取人體關鍵點后，對不同人體肢節(jié)進行組合，實時評估骨骼向量角數(shù)據(jù)，并根據(jù)人體向量角數(shù)據(jù)與建立好的標準動作比對，給出各肢體評分，和總評分。在這里我們以舉啞鈴動作為例，搭建我們的智能健身評分系統(tǒng)：

1、系統(tǒng)使用本系統(tǒng)主要使用的人體姿態(tài)估計技術。需要用到的知識點有openpose姿態(tài)估計算法、向量角組合和計算，評估準則的判定。

1.1 openpose姿態(tài)估計

Open Pose實時姿態(tài)監(jiān)測估計算法是由卡內(nèi)基梅隆大學的一個團隊最先提出的。此算法使用一種叫做人體關鍵點親和域的方法連接人體關鍵點。圖中的網(wǎng)絡結(jié)構(gòu)分支1的S1代表一組關鍵點，分支2的Ll代表連接這些關鍵點的親和向量。重復此步，可以得到一個所有2D關鍵點的集合S和關鍵點相關度的向量集合L，再根據(jù)相關度連接將得到一個近似度高的棍型圖。所采用的數(shù)據(jù)集是COCO和MPI，并且收集了試驗者執(zhí)行的不同活動并與計算機相關聯(lián)，既能檢測人體，也能感知到周圍環(huán)境中的信息。

Open Pose提供了23個精確的身體部位，包括肩膀、肘部、手腕、臀部、膝蓋、腳踝等。為了減少數(shù)據(jù)集的冗余，系統(tǒng)參考不同身體關節(jié)的視覺效應，根據(jù)人體結(jié)構(gòu)和運動特征將關節(jié)分成不同的組，并給每個關節(jié)分配不同的權(quán)重。

1)面部五官:面部關節(jié)分布集中密集，活動范圍小。它們很少表現(xiàn)出明顯的獨立運動。

2)軀干關節(jié):軀干關節(jié)包括肩關節(jié)、脊椎中心和臀部，它們體現(xiàn)了身體運動位移的主要趨勢，是連接身體和四肢的樞紐。

3)一級關節(jié):一級關節(jié)包括肘關節(jié)和膝關節(jié)，包含大量關于四肢動作的信息。當身體旋轉(zhuǎn)和彎曲時，它在視覺上相對軀干關節(jié)有更重要的作用。

4)二級連接:二級連接部位包括手腕和腳踝。手腕和踝關節(jié)比肘關節(jié)和膝蓋點延伸得更長，給人留下更加明顯的視覺印象。

5)三級連接:三級點包含右手、右臀、右腳、左手、左臀和左腳。手和腳是手腕和腳踝的延伸，沒有明顯的視覺印象。

1.2標準動作

在這里我們設置標準動作如下：

作為標準動作，統(tǒng)計出各個骨骼關鍵點坐標，并根據(jù)不同骨骼坐標點組合形成向量角，并計算不同關節(jié)之間的向量角作為標準。

1.3評估標準

對攝像頭視頻流或者本地視頻流數(shù)據(jù)實時計算各個關鍵點角度，并逐一對比，并可視化。計算公式按照歐氏距離做出最簡單評估即可。

2、模型實驗2.1 環(huán)境搭建

1、首先下載好完整無誤配置好的代碼（包括模型等等，見文末）。

2、整個多目標動作監(jiān)測系統(tǒng)的搭建主要是依賴于openpose的姿態(tài)識別環(huán)境。而openpose的基本環(huán)境依賴于python，CUDA和swig的支持，其中python是作為openpose的代碼編寫和運行工具，CUDA作為調(diào)用顯卡訓練測試的必須軟件需要和python版本有一定的關系，swig目的在于給openpose編譯環(huán)境。根據(jù)openpose官方提供的cmu模型、mobilenet_thin模型、mobilenet_v2_large模型和mobilenet_v2_small模型的評價，我們選擇了cmu模型作為姿態(tài)識別的調(diào)用模型，主要原因在于cmu具有更高一些的識別精度。

Openpose的調(diào)用在這里通過調(diào)用其中設定好的主函數(shù)即可，其中包括模型加載程序、調(diào)用程序以及Estimator評估等等。

3、配置好python的cuda環(huán)境，以及opencv、pyqt5等基礎環(huán)境。

4、運行GUI.py主界面，點擊按鈕即可。

2.2 姿態(tài)估計

這里設置默認的標準動作位為'Standard/1.jpg'，默認使用模型為cmu模型。按照標準的姿態(tài)估計配置，設置代碼如下：

parser = argparse.ArgumentParser(description='tf-pose-estimation run')parser.add_argument('--image', type=str, default='Standard/1.jpg')parser.add_argument('--model', type=str, default='cmu', help='cmu / mobilenet_thin / mobilenet_v2_large / mobilenet_v2_small')parser.add_argument('--resize', type=str, default='0x0', help='if provided, resize images before they are processed. ' 'default=0x0, Recommends : 432x368 or 656x368 or 1312x736 ')parser.add_argument('--resize-out-ratio', type=float, default=4.0, help='if provided, resize heatmaps before they are post-processed. default=1.0')args = parser.parse_args()w, h = model_wh(args.resize)if w == 0 or h == 0: e = TfPoseEstimator(get_graph_path(args.model), target_size=(432, 368))else: e = TfPoseEstimator(get_graph_path(args.model), target_size=(w, h))

2.3角度計算

計算需要使用到的關節(jié)角度，分別為右鍵、右手臂、左鍵、左手臂。代碼如下：

image1 = TfPoseEstimator.draw_humans(image, humans, imgcopy=True)cv2.imwrite("../img1.jpg", image1)f = open("../img1.txt", 'w')f.close()line = Vector([0, 100])'''角度'''try: # 右肩5 RShoulder = Vector(list_sub(skeleton[5], skeleton[6])) RShoulder_angel = line.angle_with(RShoulder) Angels[5]=str(round(RShoulder_angel,1)) "°" # 右手臂6 RElbow = Vector(list_sub(skeleton[6], skeleton[7])) RElbow_angel = line.angle_with(RElbow) Angels[6] = str(round(RElbow_angel, 1)) "°" # 左肩3 LShoulder = Vector(list_sub(skeleton[2], skeleton[3])) LShoulder_angel = line.angle_with(LShoulder) Angels[2] = str(round(LShoulder_angel, 1)) "°" # 左手臂4 LElbow = Vector(list_sub(skeleton[3], skeleton[4])) LElbow_angel = line.angle_with(LElbow) Angels[3] = str(round(LElbow_angel, 1)) "°" state=Trueexcept: pass

2.4 評分可視化

在獲取到角度值后，設置各個角度評分為(1 - abs((RShoulder_angel - Standard[i]) / Sum_Standard)) * 100，即最高分為100分，最低分為0分。其中標準對比值由標準動作自行計算，放入數(shù)組即可，代碼如下：

if state: '''評分''' Standard = [150, 10, 150, 10] Sum_Standard = sum(Standard) Score1 = (1 - abs((RShoulder_angel - Standard[0]) / Sum_Standard)) * 100 Score2 = (1 - abs((RElbow_angel - Standard[1]) / Sum_Standard)) * 100 Score3 = (1 - abs((LShoulder_angel - Standard[2]) / Sum_Standard)) * 100 Score4 = (1 - abs((LElbow_angel - Standard[3]) / Sum_Standard)) * 100 Avg_Score=(Score1 Score2 Score3 Score4)/len(Standard) myfont = ImageFont.truetype(r'C:/Windows/SIMLI.TTF', 20) image2 = Image.fromarray(cv2.cvtColor(image2, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(image2) draw.text((10, 10), "總評分：" str(round(Avg_Score,1)), font=myfont, fill=(255, 0, 0)) draw.text((10,50), "右肩評分：" str(round(Score1,1)), font=myfont, fill=(255, 0, 0)) draw.text((10, 90), "右臂評分：" str(round(Score2, 1)), font=myfont, fill=(255, 0, 0)) draw.text((10, 130), "左肩評分：" str(round(Score3, 1)), font=myfont, fill=(255, 0, 0)) draw.text((10, 170), "右臂評分：" str(round(Score4, 1)), font=myfont, fill=(255, 0, 0)) image2 = cv2.cvtColor(np.asarray(image2), cv2.COLOR_RGB2BGR)

運行過程如下可見，在這里通過雙擊“啟動.bat”即可直接運行：

完整代碼：

附行為安全監(jiān)測系統(tǒng)見文章

https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/120299561。

姿態(tài)估計代碼：
鏈接：

https://pan.baidu.com/s/1vkc1EQuaAUMqoaegkdZ_pA

提取碼：i46w

健身評分系統(tǒng)代碼：

https://download.csdn.net/download/qq_42279468/33154887

李秋鍵，CSDN博客專家，CSDN達人課作者。碩士在讀于中國礦業(yè)大學，開發(fā)有taptap競賽獲獎等。

本站聲明：本文章由作者或相關機構(gòu)授權(quán)發(fā)布，目的在于傳遞更多信息，并不代表本站贊同其觀點，本站亦不保證或承諾內(nèi)容真實性等。需要轉(zhuǎn)載請聯(lián)系該專欄作者，如若文章內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系本站刪除。

換一批

與傳統(tǒng)的驅(qū)動方式相比，共陰恒流驅(qū)動在能效有哪些優(yōu)勢

LED驅(qū)動電源的輸入包括高壓工頻交流(即市電)、低壓直流、高壓直流、低壓高頻交流(如電子變壓器的輸出)等。

關鍵字：驅(qū)動電源

[電源]

工業(yè)電機驅(qū)動電源設計：反電動勢抑制與過流保護的集成方案

在工業(yè)自動化蓬勃發(fā)展的當下，工業(yè)電機作為核心動力設備，其驅(qū)動電源的性能直接關系到整個系統(tǒng)的穩(wěn)定性和可靠性。其中，反電動勢抑制與過流保護是驅(qū)動電源設計中至關重要的兩個環(huán)節(jié)，集成化方案的設計成為提升電機驅(qū)動性能的關鍵。

關鍵字：工業(yè)電機驅(qū)動電源

[電源]