基于视频的人工智能分析系统在引体向上运动教学及考核中的初步应用*

付军 李睿敏 黄湖 范宏斌 缑水平 罗卓荆

为了全面提升大学生的综合素质，教育部发布了《全国学生体质健康标准》（以下简称《标准》），其中包括了跑、跳及引体向上等多个运动动作。在这其中，单杠引体向上是男性的通用考核项目，同时也是几项考核项目中训练需求和考核需求最高的一个项目，对于学生而言，是有一定难度的，同时也对运动医学教育提出了新的要求。在完成引体向上动作时，动作是否标准、如何改进，完全依靠考官的主观经验评价，很难在不同单位、不同时间、不同个体之间做到指导、考评的一致性，同时难以告知学生动作不规范的具体点在哪里。随着计算机科学的发展，人工智能、大数据、区块链等技术的产学研体系的良好结合使得这些前沿技术快速地走入现实，融入大众的日常生活中。其中，基于视频的人工智能人体动作捕捉及分析技术，就是一项颠覆性的技术。

1 资料与方法

本研究采用Azure Kinect深度摄像头进行动作视频样本的采集，使用python语言进行系统开发。笔者共采集了51个引体向上的动作视频样本，同时邀请相关专家对这些样本进行了人工计数与标准化评估，人工计数和评估将作为真值来评估本研究提出的引体向上智能考核与评估系统的性能。本研究提出的引体向上智能考核与评估系统共包含人体动作智能捕捉、单次引体向上动作检测和引体向上智能评估与计数三部分主要内容。

1.1 人体动作智能捕捉

人体的骨骼结构决定了人类运动的几何结构[1]，因此，三维人体骨骼数据可以用于有效描述人体动作。三维骨骼数据可以通过动作捕捉系统获取，但是最初的动作捕捉系统需要在特定的采集环境下进行，并且需要在人体关键点粘贴反射标记，采集过程复杂，成本昂贵。近些年，随着计算机视觉技术的飞速发展，可以通过人体骨骼估计算法实现基于视频的人体动作的智能捕捉。因此，本研究通过MediaPipe算法[2]基于普通RGB视频提取人体三维骨骼数据，如图1所示，图中橙色点和蓝色点表示检测到的人体骨骼关键点，白色的线表示骨骼点之间的物理连接。在对视频中的图像进行逐帧动作捕捉后，即可得到整个引体向上过程中人体三维骨骼数据序列。

图1 基于视频的人体动作捕捉结果示意图

1.2 单次引体向上动作检测

在采集的长视频中，通常会包含多次引体向上动作，在对引体向上进行智能评估之前，应该先对单次引体向上动作进行时间上的检测，确认单次引体向上的起止时间，提取单次引体向上的动作视频。本研究根据引体向上过程中，身体尤其是头部规律性的上下浮动来进行单次引体向上动作检测，将引体向上过程中的头部关键点位置序列输入CAS搜索算法[3]，即可实现单次引体向上动作检测。

1.3 引体向上智能评估与计数

《标准》对引体向上的考核标准进行了明确规定，标准的引体向上应该满足以下三大条件：①下颌要高于杠面；②身体不能借助振浪或者摆动；③悬垂时双肘关节需伸直。本研究通过对人体骨骼数据进行分析来评估引体向上的三大关键要素，输出一个三维向量[α，β，γ]：α=0表示下颌低于杠面，α=1表示下颌高于杠面；β=0表示身体借助振浪或者摆动，β=1表示身体未借助振浪或者摆动；γ=0表示悬垂时双肘关节未伸直，γ=1表示悬垂时双肘关节伸直。若α=1∧β=1∧γ=1，则该次引体向上动作合格，并令引体向上计数加1，否则表示该次引体向上动作不合格，计数不变。依次对原始视频中的单次引体向上动作片段进行以上操作，即可实现引体向上动作的智能评估与计数。

1.4 评价指标

为了对提出的单次引体向上动作检测和引体向上智能评估与计数进行客观、公正的评价，笔者提出了两个评价指标：平均计数误差和平均标准化误差。

计数误差指的是每个样本进行引体向上的人工计数与算法计数的差的绝对值，平均计数误差为51个样本的计数误差的平均值。标准化误差指的是每个样本完成标准引体向上的人工计数与算法计数的差的绝对值，平均标准化误差为51个样本的标准化误差的平均值。

2 结果

对实验结果进行统计与分析，如图2所示。51个样本计数误差的统计直方图如图2A所示：对于78.43%（40/51）的样本，算法得到的结果与人工计数完全一致，计数误差为0；19.61%（10/51）的样本存在微弱的计数误差，误差为1；只有1.96%（1/51）的样本的计数误差为2。这就说明本研究提出的计数方法准确，误差较小。51个样本标准化误差的统计直方图如图2B所示，可以看出80.4%的样本的标准化误差小于等于2，其中，标准化误差等于0和1的样本占大多数，验证了本研究提出的标准化评估方法的准确性。

图2 误差直方图：A.计数误差直方图；B.标准化误差直方图

实验结果表明，提出的智能考核与评估系统的平均计数误差为0.24，平均标准化误差为1.27。该实验结果表明本研究已经初步实现了引体向上智能计数与标准化评估。

3 讨论

目前，体育运动项目的考核评估基本上是由考官直接给出评估结果，这样的评分办法在体育运动的教学、测评中十分常见。但对于一些有具体动作要求的运动项目，比如引体向上、俯卧撑、仰卧起坐等，很容易在测评时带有考官主观倾向性。而且，传统的考官计分方法需要大量的人力资源参与工作，同时，各考官之间的主观判断差异，带来测评的不均衡性。在测评结束后，考官往往只能告知完成的数量，很难对动作的不足之处给予指导性的建议。基于计算机科学技术的飞速发展，人工智能、机器学习、大数据挖掘等新兴技术改变了人们观察世界的视角，带来了新的分析问题的方法。笔者所做的基于视频的人体动作捕捉及动作智能分析技术，就是人工智能技术的一种全新应用，为解决单杠引体向上智能训练与考核带来了希望。本研究针对单杠引体向上人工考核中存在的效率低、主观性强等问题，通过基于视频的人工智能分析系统，智能捕捉、分解引体向上动作，并结合《标准》的要求，分析动作是否达标，做到智能化、客观化、系统化的评判引体向上动作，实现单杠引体向上的整体智能评估与计数。

单杠引体向上作为大学生体能考核科目中的一项基本内容准则，在实际训练和考核中存在各种问题[4-5]。由于缺乏规范的考核标准，各学校在考核时对于引体向上的动作评判缺乏统一的准则，同时日常训练中的错误动作会造成肌肉骨骼组织不同程度地损伤，长久以往会对学生体能提高产生影响。近年来，人工智能技术飞速发展，结合神经网络分析、深度学习和智能穿戴设备的应用，量身定制体育训练中的技术要领、动作标准和分析系统，可以使整体训练效果得到了进一步优化[6-7]。Grunz等[8]运用人工神经网络的分层结构对典型足球比赛的数据进行分类分析处理，在短时间内实现了对大量数据的精准处理，他们发现使用分层结构能够有效优化战术策略，根据场上不同情况提出最优战术。Jian等[9]使用卷积神经网络模型对举重运动员的训练视频进行逐帧分析，提取深层关键帧对姿势进行精确估计，成功构建了基于感知变化的关键帧算法，进而优化了职业举重运动员的技术关键要领，针对性完善了技术动作，使训练更加科学有效。在体育运动的技术分析和优化中，神经网络技术对录像的分析预测有效地提高了效率和动作标准。迄今为止，深度学习在运动相关分析领域中表现出了优秀的预测能力和良好的应用效果[10-11]。然而，应用于单杠引体向上的人工智能技术罕有报道，张海文和赵华荣等[12]报道了基于树莓派的引体向上计数系统的探索取得了初步成果，目前部分学校用智能单杠引体向上测试仪来进行考核，但受制于高昂的成本和指导性的缺乏。

本研究提出的引体向上智能考核与评估系统通过智能分解与动作分析，达到了引体向上计数与标准化评估的要求。通过本系统的建立，能够帮助学生体能考核的测试场，更加智能化、客观化、系统化地记录、评价学生的引体向上测试。相信在不久的未来，这项人工智能技术将在运动医学研究、教育、训练、考核等领域广泛的应用。