目录

前言

课题背景和意义

实现技术思路

一、算法理论基础

1.1 自顶而底的算法

1.2 单杠位置检测

1.3 骨骼关键点检测

二、 数据集

2.1 数据集

2.2 数据扩充

三、实验及结果分析

3.1 实验环境搭建

3.2 模型训练

最后

---

前言

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

    选题指导:

        最新最全计算机专业毕设选题精选推荐汇总

        大家好,这里是海浪学长毕设专题,本次分享的课题是

       🎯基于深度学习的健身动作(引体向上)识别计数系统

课题背景和意义

       随着健康生活方式的普及，健身已经成为很多人日常生活中的重要部分。准确的健身动作识别和计数对于健身效果的评估和指导具有重要意义。基于深度学习的健身动作（引体向上）识别计数系统，通过利用深度学习技术和计算机视觉方法，实现了对健身者进行引体向上动作的实时识别和计数，有助于提高健身指导和训练的准确性和效率。此课题的研究对于推动深度学习技术在健身领域的应用，提高健身动作识别的准确性和实时性，具有重要意义。

实现技术思路

一、算法理论基础

1.1 自顶而底的算法

       在人体骨骼关键点检测中，自顶向底的算法需要关注三个关键方面。首先，单人检测的准确性对整体定位有重要影响，其次，由于背景中可能存在与人体关节点相似的区域，需要使用较大的感受野以提高区分性，最后，由于不同关键点的检测难度不同，需要针对不同关节点采取不同的策略。为了解决这些问题，有三种经典的算法被提出，包括卷积位姿机（CPMs），级联金字塔网和区域多人姿态估算算法。卷积位姿机通过深度学习和多阶段卷积结构，提高了骨骼关键点检测的准确性。卷积位姿机网络通过利用不同阶段的响应图和特征图来传递数据，并受到关节点空间先验分布的指导，实现了对人体骨骼关键点的准确检测。网络采用多阶段中间重复监督来避免梯度消失问题，并随着网络阶段的增加逐渐增大感受野，使用大卷积核确保在人体部分遮挡情况下仍能保持检测质量，从而提高了骨骼关键点检测的鲁棒性和准确性。

       级联金字塔网络（Cascaded Pyramid Network）针对人体关节点检测的难度差异，采用分层次的检测策略，先检测明显的可见关节点，接着检测相对不太明显的部位，最后再解决最难的遮挡关节点的检测问题，这样的结构设计提高了网络在人体骨骼关键点检测任务中的准确性和鲁棒性。

       卷积位姿机网络通过利用部位响应图来编码部位间的空间约束，将响应图和特征图作为数据在网络中传递，并受到关节点空间先验分布的指导。多阶段中间重复监督机制有效防止了梯度消失问题，而随着网络阶段的增加，网络的感受野逐渐增大，大卷积核的使用确保了在人体部分遮挡情况下仍能保持高检测质量，这些设计提高了网络在人体骨骼关键点检测任务中的性能。

1.2 单杠位置检测

       在肯尼边缘检测中，选择合适大小的高斯核是关键的第一步，因为它会影响图像的模糊程度和后续边缘检测的效果。其次，通过计算梯度强度和方向，可以识别出图像中灰度变化剧烈的像素点，并确定这些边缘的位置和方向。使用索贝尔算子来计算像素点在x轴和y轴上的差分值，并通过这些值计算出梯度强度和方向，从而实现对图像边缘的准确检测。非极大值抑制是用于细化索贝尔算子检测出的边缘的一种技术，它通过比较每个像素点的梯度强度与周围像素点，只保留那些在局部区域梯度强度最大的像素点作为边缘，从而缩窄边缘并过滤掉非边缘点，提高边缘检测的准确性和精确度。

       上下双阈值检测法是在非极大值抑制的基础上，为了进一步去除由颜色变化和噪声引起的伪边缘像素点，通过设置高阈值（Upper Threshold）和低阈值（Lower Threshold）来区分强边缘像素点、弱边缘像素点和非边缘像素点。强边缘像素点是真实的边缘点，而弱边缘像素点如果与强边缘点连通，则也被视为真实边缘点；否则，被排除。这种方法有助于提高边缘检测的准确性和鲁棒性。

       霍夫直线段检测是一种利用霍夫变换来检测图像中直线段的方法。霍夫变换将图像空间中的直线段转换到参数空间中，使得在参数空间中检测点的极值成为在图像空间中寻找直线段的等价问题。通过将图像中的边缘像素点映射到霍夫参数空间，形成曲线，并在这些曲线上寻找交点，这些交点对应于原图像中的直线段。当某个交点对应的曲线数量超过设定的阈值时，认为该点表示一条直线段。这种方法能够有效处理图像中的直线检测问题，尤其是在直线被遮挡或存在噪声的情况下。

1.3 骨骼关键点检测

       为了检测引体向上运动中的违规行为，需要实时追踪和定位受测者的全身关节点。本文提出了一种改进的卷积位姿机网络，该网络能够在不牺牲检测准确性的前提下，实现实时追踪受测者的关节点位置。卷积位姿机网络采用了序列化和多阶段的卷积神经网络结构，用于学习图像的空间信息和纹理特征。此外，为了解决深层网络中的梯度消失问题，在每个阶段都采用了监督训练学习。

       为了满足引体向上计数对实时性的需求，对原始卷积位姿机网络进行了两项改进。首先，将原本的六阶段网络简化为四阶段网络，减少了中国网络的迭代次数、参数量和模型大小，从而提高了检测速度。其次，通过引入跳跃连接，使得网络中不同阶段之间可以共享更多的图像底层细节，这样不仅增强了网络在不同阶段间的数据共享，还提升了网络的表达能力和对细节的保留能力，从而在保持高识别准确性的同时，提高了检测的实时性，以满足引体向上场景的特殊要求。

二、 数据集

2.1 数据集

       由于网络上没有现有的合适的数据集，我决定自己进行拍摄，收集健身者进行引体向上动作的视频并制作了一个全新的数据集。这个数据集包含了各种健身者进行引体向上动作的视频片段，其中包括不同年龄、不同性别的健身者。通过现场拍摄，我能够捕捉到真实的动作情况和多样的健身环境，这将为我的研究提供更准确、可靠的数据。我相信这个自制的数据集将为基于深度学习的健身动作（引体向上）识别计数系统研究提供有力的支持，并为该领域的发展做出积极贡献。

2.2 数据扩充

       数据扩充是提高模型鲁棒性和泛化能力的重要手段。在本研究中，我们对收集到的健身视频数据进行了多样化的数据扩充。包括使用图像处理技术生成新的训练样本，如旋转、缩放、裁剪等。这些扩充后的数据能够帮助模型更好地学习和理解健身视频的多样性和复杂性，提高模型在实际应用中的表现力。同时，数据扩充还可以增加模型的泛化能力，使其在面对未见过的数据时仍能保持良好的性能。

三、实验及结果分析

3.1 实验环境搭建

       引体向上系统经过实际测试，能够在Windows和Linux系统上运行。对于硬件要求，系统需要至少2.5GHz的CPU频率或更高，GPU方面则需要至少4GB显存的独立显卡，例如NVIDIA的GTX1050ti(4G)或GTX1650等型号。同时，系统运行时主机内存需达到8GB或更大。这些硬件要求确保了系统能够高效运行，提供准确的引体向上计数功能。

3.2 模型训练

       实验环境设置和网络参数设置如下：在训练阶段，使用64位Ubuntu 18.04系统，16GB2的内存，Intel Xeon E5-2640 CPU，两块NVIDIA GTX1080ti 11GB显卡，Python 3.6.5环境，batch_size设置为14，使用Adam优化器，学习率为0.001，β1=0.9，β2=0.999。在测试阶段，使用64位Windows 10系统，8G2的内存，Intel i7-8750H CPU，NVIDIA 1060ti 6GB显卡，Python 3.6.5环境。

相关代码示例：

transform = transforms.Compose([
    transforms.Resize(256),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

train_dataset = ImageFolder('path_to_train_data', transform=transform)
test_dataset = ImageFolder('path_to_test_data', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(num_epochs):  # num_epochs是训练的轮数
    model.train()
    running_loss = 0.0
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item() * images.size(0)
    epoch_loss = running_loss / len(train_loader.dataset)
    print(f'Epoch {epoch+1}, Loss: {epoch_loss}')

model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
    print(f'Accuracy of the network on the test images: {100 * correct / total}%')

torch.save(model.state_dict(), 'model.pth')
model = CustomResNet()
model.load_state_dict(torch.load('model.pth'))

海浪学长项目示例：

最后

我是海浪学长,创作不易,欢迎点赞、关注、收藏。

毕设帮助，疑难解答，欢迎打扰！