一种动作计数方法及系统及装置及介质与流程

1.本发明涉及健身领域，具体涉及一种动作计数方法及系统及装置及介质。


背景技术：

2.人体动作识别作为近几年的热门研究方向之一，目前关于人体动作识别的方法主要分为两种。第一种是基于穿戴设备来获取人体的运动信息，完成动作识别。但采用穿戴式设备会给人体带来诸多不便，不利于推广和实际使用。第二种是基于图像进行动作识别，通过获取图像、提取图像中的动作特征判断动作，进而进行计数。
3.跳绳在很多场合已经作为娱乐或比赛的一项重要运动项目，在完整的跳绳过程中，双脚离地、落地呈现周期性的规律，并且当跳绳中断时，双脚多半处于落地状态，并且较少的出现双脚同时离地的现象。因此，可基于这种规律研究基于视频图像的实时跳绳计数方法。
4.cn108653974a的中国专利文献公开了一种带数据分析的智能跳绳，该智能跳绳由手柄和绳体构成，通过蓝牙模块使得该跳绳可与移动终端设备进行连接，对跳绳的速度和数量进行记录。公布号为cn107648790a的中国专利文献公开了一种跳绳运动系统，该系统包括专用的跳绳和跳绳毯，能有效对运动者进行跳绳计数，简单便捷。公布号为cn107596617a的中国专利文献公开了一种多功能智能跳绳装置，包括手柄和弹力绳，该发明通过对跳绳装置的结构进行改进以及在手柄上设计多个应用模块，使跳绳装置具有了绳长可调、能自动计时和计数、能进行人机交互、能记录用户的运动参数并进行无线传输等多重效果。


技术实现要素：

5.本发明的目的在于提供一种动作计数方法、系统、装置、介质，通过采集的发出动作的用户的图像数据的识别，来对用户的动作进行计数，进一步提高准确率和使用效率。
6.为实现上述发明目的，本发明提供了一种动作计数方法，包括：
7.步骤1获取动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；
8.步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
9.步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；
10.步骤4根据分类结果得到计数结果。
11.本发明通过卷积神经网络分类器对用户的动作图像数据进行分类，得到分类结果，不需要人工计数操作更便捷，同时，本发明针对的动作为能呈现周期性的规律，例如跳绳为呈现周期性的跳起、落下；举哑铃为呈现周期性的抬起手、放下手；深蹲为呈现周期性的站起、蹲下等。当动作为跳绳时，状态类型包括跳起状态、落下状态和背景状态。在对于呈现周期性的规律的动作进行计数时，步骤3中分类模型通过以下方法训练得到：
12.步骤31获取若干动作的图像数据，对图像数据执行步骤1-2，对每组图像数据的每一帧图像，以图像中目标的状态类型作为标签，形成训练数据集；
13.步骤32利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果。
14.并且，步骤2中分组包括以下步骤：
15.步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；
16.步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括t个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1，其中t为不小于1的正整数。
17.在训练神经网络时，输入的是每组图像数据，每组图像数据输出一个分类结果，同时在利用训练好的分类模型对每组图像数据分类时，分类模型会对每组图像数据中的每一帧图像进行识别分类，最后输出每组图像数据的分类结果。
18.本发明的每组图像数据中包括t个编号连续的单帧图像，这是由于呈现周期性的规律的动作在发生时，其中一个动作，例如跳起是需要时间的，可能连续的几个单帧图像均为跳起动作，因此本发明将每组图像数据作为一个输入值最后输出一个输出值，这样在计算时更加准确。
19.同时，本发明的每组图像数据在分组时，相邻两组图像数据的起始单帧图像的编号依次间隔1，即当单帧图像的编号为1，2，3，4，
…
，20时，编号为1-7的单帧图像为第一组图像数据，编号为2-8的单帧图像为第二组图像数据，编号为3-9的单帧图像为第三组图像数据，编号为14-20的单帧图像为第十四组图像数据。将第一组图像数据输入给模型，输出一个分类结果，将第二组图像数据输入给模型，输出一个分类结果，将第三组图像数据输入给模型，输出一个分类结果，将第十四组图像数据输入给模型，输出一个分类结果。
20.在本发明中每组图像数据的帧数太大会导致模型计算耗时，帧数太小又不能明显看出用户当前运动状态，因此本发明优选的t为7。每组图像数据的帧数t是为了收集一段连续的数据，输入给神经网络做状态分类，网络每输出一个分类结果。
21.其中，步骤4具体包括：
22.步骤41分类结果包括跳起状态和落下状态，获取跳起状态的数量和落下状态的数量；
23.步骤42当跳起状态的数量与落下状态的数量相同，并与阈值m相同时，动作计数一次，其中阈值m为正整数。优选的，阈值m为2。
24.在本发明中，跳起状态的数量和落下状态的数量不一定相同，并且阈值m跟t是互相独立的，没有直接关系。阈值m的取值决定了动作计数的难易程度，当比如跳起状态的数量＝落下状态的数量＝m＝1时，表示神经网络只要判定了跳起状态一次，再判定落下状态各一次，该跳绳动作的计数增加一次；而跳起状态的数量＝落下状态的数量＝m＝10时，需要神经网络判定了10次跳起状态，然后又累计判定了10次落下状态，该跳绳动作的计数才增加一次，因此为了计数更加准确，本发明的阈值m为2。
25.与本发明中的方法对应，本发明还提供了一种动作计数系统，包括：
26.图像模块，用于获取动作的图像数据，并对图像数据进行单帧处理，得到一组顺序排列的单帧图像；
27.分组模块，用于将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
28.分类模块，用于利用训练好的分类模型对每组图像数据分类，输出分类结果；
29.计数模块，用于根据分类结果得到计数结果。
30.与本发明中的方法对应，本发明还提供了一种电子装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种动作计数方法的步骤。
31.与本发明中的方法对应，本发明还提供了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种动作计数方法的步骤。
32.本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
33.本发明根据卷积神经网络对用户的动作进行分类，并输出分类结果，根据分类结果对动作进行计数，本发明的计数发明针对的是能呈现周期性的规律的动作，在进行分类时，将t个编号连续的单帧图像作为一组图像数据进行分类，同时，相邻两组图像数据的起始单帧图像的编号依次间隔1，这样进一步的增加了对动作类型判断的准确度，从而提高动作计数的准确度，更便于长期使用，使用效率更高。
附图说明
34.此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
35.图1为一种动作计数方法的流程示意图；
36.图2为一种动作计数系统的组成示意图。
具体实施方式
37.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
38.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
39.本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
40.可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
41.请参考图1，图1为一种动作计数方法的流程示意图，本发明提供了一种动作计数
方法，所述方法包括：
42.步骤1获取动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；
43.步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
44.步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；
45.步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括t个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1；优选的，t为7。
46.步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；
47.步骤31获取若干动作的图像数据，对图像数据执行步骤1-2，对每组图像数据的每一帧图像，以图像中目标的状态类型作为标签，形成训练数据集；
48.步骤32利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果。
49.步骤4根据分类结果得到计数结果；
50.步骤41分类结果包括第一状态和第二状态，获取第一状态的数量和第二状态的数量；
51.步骤42当第一状态的数量和第二状态的数量相同，并与阈值m相同时，动作计数一次，其中阈值m为正整数。优选的阈值m为2。
52.下面结合具体的例子对本发明中的一种动作计数方法进行介绍：
53.步骤1获取动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；
54.步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
55.步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；
56.步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括7个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1。
57.步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；
58.步骤31获取若干动作的图像数据；
59.步骤32获取图像数据中用户的16个骨骼点的坐标，其中16个骨骼点包括头顶、头底、颈部、右肩、右肘、右手、左肩、左肘、左手、右胯、右膝、右脚、左胯、左膝、左脚、髌骨；获取头顶和盆骨之间的直线距离，根据所述直线距离获取坐标系的单位长度；获取头顶和盆骨之间的直线距离，将直线距离的六分之一作为坐标系的单位长度，即坐标系的单位长度1的大小为直线距离的六分之一；将头顶和盆骨之间所在直线作为纵坐标、盆骨为原点，并以获取的单位长度构建直角坐标系；
60.步骤33本实施例中卷积神经网络包含输入输出一共7层；尺寸分别是：1*1*7*32-》1*32*5*32-》1*32*3*32-》1*64*1*32-》1*128*1*2-》1*128*1*1-》1*3，最后输出为1*3，分别表示属于类别0，1，2的概率值，这三个概率值的和为1，最终哪个类别的概率值最大，我们判定该动作属于哪个类别；
61.步骤34将获取若干动作的图像数据的7*32的数组输入，以图像中目标的状态类型作为标签，形成训练数据集；其中7表示7个编号连续的单帧图像的骨骼点，32表示一帧单帧图像的骨骼点是16*2＝32的数组；
62.步骤35利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果，在本实施例中输出[0，1，2]的一个枚举值；
[0063]
步骤4根据分类结果得到计数结果；
[0064]
步骤41分类结果包括第一状态和第二状态，获取第一状态的数量和第二状态的数量；
[0065]
步骤42当第一状态的数量和第二状态的数量相同，并等于2时，动作计数一次。
[0066]
实施例二
[0067]
在实施例一的基础上，本实施例的动作为跳绳，即为跳绳动作的计数方法，
[0068]
步骤1用户进行跳绳动作，获取跳绳动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；在本实施例中用户可在智能健身镜的采集区域中进行跳绳动作，智能健身镜的摄像装置对用户的跳绳动作进行图像数据采集。
[0069]
步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
[0070]
步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；
[0071]
步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括7个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1；
[0072]
例如当单帧图像的编号为1，2，3，4，
…
，20时，编号为1-7的单帧图像为第一组图像数据，编号为2-8的单帧图像为第二组图像数据，编号为3-9的单帧图像为第三组图像数据......编号为14-20的单帧图像为第十四组图像数据，
[0073]
步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；
[0074]
步骤31获取若干动作的图像数据；
[0075]
步骤32获取图像数据中用户的16个骨骼点的坐标，其中16个骨骼点包括头顶、头底、颈部、右肩、右肘、右手、左肩、左肘、左手、右胯、右膝、右脚、左胯、左膝、左脚、髌骨；获取头顶和盆骨之间的直线距离，根据所述直线距离获取坐标系的单位长度；获取头顶和盆骨之间的直线距离，将直线距离的六分之一作为坐标系的单位长度，即坐标系的单位长度1的大小为直线距离的六分之一；将头顶和盆骨之间所在直线作为纵坐标、盆骨为原点，并以获取的单位长度构建直角坐标系；
[0076]
步骤33本实施例中卷积神经网络包含输入输出一共7层；尺寸分别是：1*1*7*32-》1*32*5*32-》1*32*3*32-》1*64*1*32-》1*128*1*2-》1*128*1*1-》1*3，最后输出为1*3，分别表示属于类别0，1，2的概率值，这三个概率值的和为1，最终哪个类别的概率值最大，判定该动作属于哪个类别；
[0077]
步骤34将获取若干动作的图像数据的7*32的数组输入，以图像中目标的状态类型作为标签，形成训练数据集；其中7表示7个编号连续的单帧图像的骨骼点，32表示一帧单帧图像的骨骼点是16*2＝32的数组；
[0078]
步骤35利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果，在本实施例中输出[0，1，2]的一个枚举值；
[0079]
其中1表示当前用户处于跳起状态，2表示处于从空中落下状态，0表示背景，即不是跳起也不是落下状态；
[0080]
步骤4根据分类结果得到计数结果；
[0081]
步骤41分类结果包括跳起状态和落下状态，获取跳起状态的数量和落下状态的数量；
[0082]
步骤42当跳起状态的数量和落下状态的数量相同，并等于2时，动作计数一次。
[0083]
实施例三
[0084]
在实施例一的基础上，本实施例的动作为深蹲，即为深蹲动作的计数方法，
[0085]
步骤1用户进行深蹲动作，获取深蹲动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；在本实施例中用户可在智能健身镜的采集区域中进行跳绳动作，智能健身镜的摄像装置对用户的跳绳动作进行图像数据采集。
[0086]
步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
[0087]
步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；
[0088]
步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括7个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1；
[0089]
例如当单帧图像的编号为1，2，3，4，
…
，20时，编号为1-7的单帧图像为第一组图像数据，编号为2-8的单帧图像为第二组图像数据，编号为3-9的单帧图像为第三组图像数据......编号为14-20的单帧图像为第十四组图像数据，
[0090]
步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；
[0091]
步骤31获取若干动作的图像数据；
[0092]
步骤32获取图像数据中用户的16个骨骼点的坐标，其中16个骨骼点包括头顶、头底、颈部、右肩、右肘、右手、左肩、左肘、左手、右胯、右膝、右脚、左胯、左膝、左脚、髌骨；获取头顶和盆骨之间的直线距离，根据所述直线距离获取坐标系的单位长度；获取头顶和盆骨之间的直线距离，将直线距离的六分之一作为坐标系的单位长度，即坐标系的单位长度1的大小为直线距离的六分之一；将头顶和盆骨之间所在直线作为纵坐标、盆骨为原点，并以获取的单位长度构建直角坐标系；
[0093]
步骤33本实施例中卷积神经网络包含输入输出一共7层；尺寸分别是：1*1*7*32-》1*32*5*32-》1*32*3*32-》1*64*1*32-》1*128*1*2-》1*128*1*1-》1*3，最后输出为1*3，分别表示属于类别0，1，2的概率值，这三个概率值的和为1，最终哪个类别的概率值最大，判定该动作属于哪个类别；
[0094]
步骤34将获取若干动作的图像数据的7*32的数组输入，以图像中目标的状态类型作为标签，形成训练数据集；其中7表示7个编号连续的单帧图像的骨骼点，32表示一帧单帧图像的骨骼点是16*2＝32的数组；
[0095]
步骤35利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果，在本实施例中输出[0，1，2]的一个枚举值；
[0096]
其中1表示当前用户处于站立状态，2表示处于蹲下状态，0表示背景，即不是站立也不是蹲下状态；
[0097]
步骤4根据分类结果得到计数结果；
[0098]
步骤41分类结果包括站立状态和蹲下状态，获取站立状态的数量和蹲下状态的数量；
[0099]
步骤42当站立状态的数量和蹲下状态的数量相同，并等于2时，动作计数一次。
[0100]
实施例四
[0101]
请参考图2，图2为一种动作计数系统的组成示意图，本发明实施例四提供了一种动作计数系统，所述系统包括：
[0102]
图像模块，用于获取动作的图像数据，并对图像数据进行单帧处理，得到一组顺序排列的单帧图像；
[0103]
分组模块，用于将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；
[0104]
分类模块，用于利用训练好的分类模型对每组图像数据分类，输出分类结果；
[0105]
计数模块，用于根据分类结果得到计数结果。
[0106]
实施例五
[0107]
本发明实施例五提供了一种电子装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种动作计数方法的步骤。
[0108]
其中，所述处理器可以是中央处理器，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0109]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中一种动作计数装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0110]
实施例六
[0111]
本发明实施例六提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种动作计数方法的步骤。
[0112]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(readonlymemory，rom)、可擦式可编程只读存储器((erasableprogrammablereadonlymemory，eprom)或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0113]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造
性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0114]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种动作计数方法，其特征在于，包括：步骤1获取动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；步骤2将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；步骤3利用训练好的分类模型对每组图像数据分类，输出分类结果；步骤4根据分类结果得到计数结果。2.根据权利要求1所述的一种动作计数方法，其特征在于，步骤3中分类模型通过以下方法训练得到：步骤31获取若干动作的图像数据，对图像数据执行步骤1-2，对每组图像数据的每一帧图像，以图像中目标的状态类型作为标签，形成训练数据集；步骤32利用训练数据集中的图像及其标签对神经网络进行训练，输出预测的分类结果。3.根据权利要求1所述的一种动作计数方法，其特征在于，步骤2中分组包括以下步骤：步骤21将顺序排列的单帧图像依次编号1-n，其中n为不小于1的正整数；步骤22将编号为1-n的单帧图像分为若干组顺序排列的图像数据，每组图像数据包括t个编号连续的单帧图像，相邻两组图像数据的起始单帧图像的编号依次间隔1，其中t为不小于1的正整数。4.根据权利要求3所述的一种动作计数方法，其特征在于，t为7。5.根据权利要求1所述的一种动作计数方法，其特征在于，步骤4具体包括：步骤41分类结果包括跳起状态和落下状态，获取跳起状态的数量和落下状态的数量；步骤42当跳起状态的数量与落下状态的数量相同，并与阈值m相同时，动作计数一次，其中阈值m为正整数。6.根据权利要求5所述的一种动作计数方法，其特征在于，阈值m为2。7.根据权利要求2所述的一种动作计数方法，其特征在于，状态类型包括跳起状态、落下状态和背景状态。8.一种动作计数系统，其特征在于，包括：图像模块，用于获取动作的图像数据，并对图像数据进行单帧处理，得到一组顺序排列的单帧图像；分组模块，用于将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；分类模块，用于利用训练好的分类模型对每组图像数据分类，输出分类结果；计数模块，用于根据分类结果得到计数结果。9.一种电子装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一个所述一种动作计数方法的步骤。10.一种存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一个所述一种动作计数方法的步骤。

技术总结
本发明公开了一种动作计数方法及系统及装置及介质，涉及健身领域，获取动作的图像数据，对图像数据进行单帧处理，得到一组顺序排列的单帧图像；将顺序排列的单帧图像依次分组，得到若干组图像数据，每组包括若干帧顺序排列的单帧图像；利用训练好的分类模型对每组图像数据分类，输出分类结果；根据分类结果得到计数结果。本发明根据卷积神经网络对用户的动作进行分类，并输出分类结果，根据分类结果对动作进行计数，本发明的计数发明针对的是能呈现周期性的规律的动作，进一步的增加了对动作类型判断的准确度，从而提高动作计数的准确度，更便于长期使用，使用效率更高。使用效率更高。使用效率更高。


技术研发人员：曾晓嘉 刘易 薛立君 唐天广 付强
受保护的技术使用者：成都拟合未来科技有限公司
技术研发日：2021.12.29
技术公布日：2023/7/13