一种运动图像处理方法、装置和可读存储介质

技术领域

本申请涉及数据处理和数据传输领域，更具体的，涉及一种运动图像处理方法、装置和可读存储介质。

背景技术

目前，健身人员在进行相关运动过程中，并不能先行评估自身状况(主要指单人完成的运动或两人完成的运动，非对抗性运动)，导致运动过程中产生损伤，如肌肉拉伤、骨折等情况，不但起不到运行健身的目的，而且还损伤了身体，得不偿失。

因此现有技术存在缺陷，急需改进。

发明内容

鉴于上述问题，为了解决上述现有技术手段的不足，本发明提出一种运动图像处理方法，能够对健身人员的运动情况和自身状况进行预先评估，得到评价结果，提示危险和给出运动建议。

本发明第一方面提供了一种运动图像处理方法，包括：

获取检测图像数据；

将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据；

根据所述检测图像数据进行分析得到用户身体状态信息；

根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；

根据所述难度系数对用户的健身方案进行调整。

本方案中，所述将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据，包括：

根据所述检测图像数据进行分析,得到人体关键点数据；

根据所述人体关键点数据绘制健身动作轨迹；

将所述健身动作轨迹与标准动作轨迹进行对比,判断用户的健身动作是否标准；

若标准,则记录为标准动作数据；

若不标准,则通过语音或图像对用户进行提醒,并记录为不标准动作数据；

将所述标准动作数据和所述不标准动作数据进行整合,得到用户的健身动作数据。

本方案中，所述根据所述检测图像数据进行分析得到用户身体状态信息，包括：

根据多帧连续的检测图像数据进行分析，得到肌肉颤抖数据；

根据所述肌肉颤抖数据绘制人体肌肉颤抖曲线；

根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息。

本方案中，所述根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息，包括：

在用户完成动作或保持动作时，根据人体肌肉颤抖曲线计算在第一预设时间内的平均颤抖频率或平均颤抖幅度；

对所述第一预设时间的平均颤抖频率或平均颤抖幅度中符合第一预设条件的数据进行标记，得到标记数据；

根据所述标记数据进行分析，判断第二预设时间内的标记数据的标记次数是否大于第一预设阈值；

若大于，则状态异常，将所述第二预设时间内的中值时间定义为用户的推荐运动时间，并将所述时间的平均颤抖数据定义为用户最大身体状态数据；

反之，则状态正常。

本方案中，所述根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数，包括：

将所述用户的健身动作数据和所述用户身体状态信息输入预设运动图像分析模型；

通过所述预设运动图像分析模型对未完成部分的健身动作进行模拟，得到模拟健身动作数据；

根据所述模拟健身动作数据与标准动作轨迹进行对比，得到用户完成当前健身方案的难度系数。

本方案中，所述根据所述难度系数对用户的健身方案进行调整，包括：

根据所述难度系数进行分析，判断所述难度系数是否大于第二预设阈值；

若是，则根据所述难度系数对用户的健身方案进行调整；

若否，则进行记录。

本发明第二方面提供了一种运动图像处理装置，包括：

获取模块，获取检测图像数据；

分析模块，用于将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据；根据所述检测图像数据进行分析得到用户身体状态信息；根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；

调整模块，用于根据所述难度系数对用户的健身方案进行调整。

本方案中，所述将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据，包括：

根据所述检测图像数据进行分析,得到人体关键点数据；

根据所述人体关键点数据绘制健身动作轨迹；

将所述健身动作轨迹与标准动作轨迹进行对比,判断用户的健身动作是否标准；

若标准,则记录为标准动作数据；

若不标准,则通过语音或图像对用户进行提醒,并记录为不标准动作数据；

将所述标准动作数据和所述不标准动作数据进行整合,得到用户的健身动作数据。

本方案中，所述根据所述检测图像数据进行分析得到用户身体状态信息，包括：

根据多帧连续的检测图像数据进行分析，得到肌肉颤抖数据；

根据所述肌肉颤抖数据绘制人体肌肉颤抖曲线；

根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息。

本方案中，所述根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息，包括：

在用户完成动作或保持动作时，根据人体肌肉颤抖曲线计算在第一预设时间内的平均颤抖频率或平均颤抖幅度；

对所述第一预设时间的平均颤抖频率或平均颤抖幅度中符合第一预设条件的数据进行标记，得到标记数据；

根据所述标记数据进行分析，判断第二预设时间内的标记数据的标记次数是否大于第一预设阈值；

若大于，则状态异常，将所述第二预设时间内的中值时间定义为用户的推荐运动时间，并将所述时间的平均颤抖数据定义为用户最大身体状态数据；

反之，则状态正常。

本方案中，所述根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数，包括：

将所述用户的健身动作数据和所述用户身体状态信息输入预设运动图像分析模型；

通过所述预设运动图像分析模型对未完成部分的健身动作进行模拟，得到模拟健身动作数据；

根据所述模拟健身动作数据与标准动作轨迹进行对比，得到用户完成当前健身方案的难度系数。

本方案中，所述根据所述难度系数对用户的健身方案进行调整，包括：

根据所述难度系数进行分析，判断所述难度系数是否大于第二预设阈值；

若是，则根据所述难度系数对用户的健身方案进行调整；

若否，则进行记录。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。

本发明公开了一种运动图像处理方法、装置和可读存储介质，方法包括：获取检测图像数据；将检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据；根据检测图像数据进行分析得到用户身体状态信息；根据用户的健身动作数据和用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；根据难度系数对用户的健身方案进行调整。本方案通过建立智能化管理系统，对健身人员的运动情况和自身状况进行预先评估，得到评价结果，提示危险和给出运动建议。

附图说明

图1示出了本发明一种运动图像处理方法的流程图；

图2示出了本发明一种用户的健身动作数据获取方法的流程图；

图3示出了本发明一种用户身体状态信息获取方法的流程图；

图4示出了本发明一种运动图像处理装置的框图。

具体实施方式

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，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

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。

图1示出了本发明一种运动图像处理方法的流程图。

如图1所示，本发明公开了一种运动图像处理方法，包括：

S102，建立预设运动图像分析模型；

S104，获取检测图像数据；

S106，将所述检测图像数据输入至预设运动图像分析模型中进行分析，

得到用户的健身动作数据；

S108，根据所述检测图像数据进行分析得到用户身体状态信息；

S110，根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；

S112，根据所述难度系数对用户的健身方案进行调整。

根据本发明实施例，运动设备发出多个运动指令，用户(健身人员)按照指令完成多个相应的动作，摄像头记录动作的图像或视频得到检测图像数据。然后将检测图像数据输入至预设运动图像分析模型中，分别通过动作姿态检测子模型和肌肉颤抖检测子模型对检测图像数据进行分析，绘制健身动作轨迹，提取健身动作轨迹中的动作幅度(如动作弯曲角度、长度等)，将其与系统预设标准动作轨迹中的动作幅度进行对比，得到用户的健身动作数据；同时判断完成动作或保持动作时的健身人员状态(是否有颤抖等情况)，并记录得到用户身体状态信息。基于记录的用户的健身动作数据和用户身体状态信息，通过模拟健身动作预测子模型拟合用户未完成部分的动作轨迹，以及计算完成动作的体力消耗、难度系数等。比较拟合动作轨迹和设备提供的标准动作轨迹，根据比较结果对健身方案进行调整，如进行减量或降低幅度等。

根据本发明实施例，还包括：

所述预设运动图像分析模型包括动作姿态检测子模型、肌肉颤抖检测子模型和模拟健身动作预测子模型。

需要说明的是，预设运动图像分析模型由动作姿态检测子模型、肌肉颤抖检测子模型和模拟健身动作预测子模型三个子模型组成，其中，动作姿态检测子模型用于检测用户的健身动作是否标准；肌肉颤抖检测子模型用于检测用户在健身过程中保持动作或完成动作静止状态下肌肉颤抖情况，从而判断用户的身体状态；模拟健身动作预测子模型通过用户已完成健身方案部分的健身动作数据和身体状态信息对未完成部分的健身情况进行预测，得到模拟健身动作数据，并根据模拟健身动作数据判断用户完成当前健身方案的难度系数。

图2示出了本发明一种用户的健身动作数据获取方法的流程图。

如图2所示，根据本发明实施例，所述将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据，包括：

S202，根据所述检测图像数据进行分析,得到人体关键点数据；

S204，根据所述人体关键点数据绘制健身动作轨迹；

S206，将所述健身动作轨迹与标准动作轨迹进行对比,判断用户的健身动作是否标准；

S208，若标准,则记录为标准动作数据；

S210，若不标准,则通过语音或图像对用户进行提醒,并记录为不标准动作数据；

S212，将所述标准动作数据和所述不标准动作数据进行整合,得到用户的健身动作数据。

需要说明的是，人体关键点数据包括鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左踝、右踝这17个人体关键点，通过这17个人体关键点可以得到用户健身时的动作状态，通过提取连续多帧的检测图像中的人体关键点数据，并将相对应的人体关键点数据进行相连，从而绘制健身动作轨迹。然后提取健身动作轨迹中的动作幅度(如动作弯曲角度、长度等)，将其与系统预设标准动作轨迹中的动作幅度进行对比，对用户的健身动作进行评分，其中，评分区间为0-10分,8分及以上为标准，8分以下为不标准。针对于不标准的动作数据，系统可以通过语音提醒或动画引导的方式对用户进行提醒并引导用户对动作进行调整。

图3示出了本发明一种用户身体状态信息获取方法的流程图。

如图3所示，根据本发明实施例，根据所述检测图像数据进行分析得到用户身体状态信息，包括：

S302，根据多帧连续的检测图像数据进行分析，得到肌肉颤抖数据；

S304，根据所述肌肉颤抖数据绘制人体肌肉颤抖曲线；

S306，根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息。

需要说明的是，基于检测图像建立坐标轴，并基于该坐标轴获取人体重点区域(如手臂、大腿、腹部等位置)的肌肉关键点坐标，将首张图像定义为标准图像，其图像中的肌肉关键点坐标为(0，0)，计算每一帧图像中肌肉关键点坐标与标准图像中肌肉关键点坐标的距离，得到肌肉颤抖数据，并将其数据输入至坐标轴中，其中，坐标轴x轴表示时间、y轴表示肌肉关键点坐标与距离标准图像中肌肉关键点坐标的距离，将所有的坐标点进行连接，得到人体肌肉颤抖曲线。然后通过人体肌肉颤抖曲线得到用户在健身时的肌肉颤抖情况，包括颤抖幅度和颤抖频率，对其肌肉颤抖情况进行分析，得到用户身体状态信息。

根据本发明实施例，所述根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息，包括：

在用户完成动作或保持动作时，根据人体肌肉颤抖曲线计算在第一预设时间内的平均颤抖频率或平均颤抖幅度；

对所述第一预设时间的平均颤抖频率或平均颤抖幅度中符合第一预设条件的数据进行标记，得到标记数据；

根据所述标记数据进行分析，判断第二预设时间内的标记数据的标记次数是否大于第一预设阈值；

若大于，则状态异常，将所述第二预设时间内的中值时间定义为用户的推荐运动时间，并将所述时间的平均颤抖数据定义为用户最大身体状态数据；

反之，则状态正常。

需要说明的是，用户完成动作或保持动作时指用户完成健身动作处于站立休息的状态或平板支撑、静态臀桥等静止动作，在这些状态下，获取第一预设时间内的人体肌肉颤抖曲线的平均颤抖频率和平均颤抖幅度，并将其分别与第一预设条件下的颤抖频率和颤抖幅度进行对比，若二者其中任意一项的数值大于第一预设条件下的数值，则对当前时间内的数据进行标记，得到标记数据。然后统计在第二预设时间内标记次数，并将其标记次数与第一预设阈值进行对比，从而判断用户身体状态是否存在异常，并根据分析结果给用户设置最大身体状态数据，基于设置的最大身体状态数据对用户在健身过程中的身体状态进行监测。

其中，第一预设时间、第二预设时间、第一预设条件和第一预设阈值均由系统结合历史健身数据进行自动设置，例如，第一预设时间为2秒，第二预设时间为6秒，第一预设条件为满足颤抖频率大于5次/秒或平均颤抖幅度大于1mm条件之中至少一种，第一预设阈值为3次。

根据本发明实施例，所述根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数，包括：

将所述用户的健身动作数据和所述用户身体状态信息输入预设运动图像分析模型；

通过所述预设运动图像分析模型对未完成部分的健身动作进行模拟，得到模拟健身动作数据；

根据所述模拟健身动作数据与标准动作轨迹进行对比，得到用户完成当前健身方案的难度系数。

需要说明的是，可以通过标准动作数据和不标准动作数据中的模拟健身动作预测子模型对未完成部分的健身动作进行模拟，将模拟健身动作数据中的拟合动作轨迹与标准动作轨迹进行对比，预测在模拟健身动作情况下的用户的健身动作完成情况以及健身过程中肌肉颤抖情况，从而得到用户完成当前健身方案的难度系数。

用户完成当前健身方案的难度系数x的具体计算方法为模拟健身动作数据中标准动作占总动作中的占比(即健身动作标准率)×50％加上在模拟健身动作数据中正常身体状态占总状态的占比×50％。

根据本发明实施例，所述根据所述难度系数对用户的健身方案进行调整，包括：

根据所述难度系数进行分析，判断所述难度系数是否大于第二预设阈值；

若是，则根据所述难度系数对用户的健身方案进行调整；

若否，则进行记录。

需要说明的是，第二预设阈值为60％，若用户完成当前健身方案的难度系数大于60％，则表示用户可以完成当前健身方案；反之，则表示用户完成当前健身方案存在难度，在健身过程中可能会对身体造成损伤，应及时提醒用户进行减量或降低幅度。

用户完成当前健身方案的难度等级可以分为三个等级，其中，0％＜x≤60％为困难；60％＜x≤80％为一般；80％＜x≤100％为简单。例如，模拟健身动作情况下的用户的健身动作标准率为95％，正常身体状态占总状态的占比为100％，则用户完成当前健身方案的难度系数为97.5％，为简单难度；模拟健身动作情况下的用户的健身动作标准率为50％，正常身体状态占总状态的占比为60％，则用户完成当前健身方案的难度系数为55％，为困难难度。

根据本发明实施例，还包括：

获取智能穿戴设备记录的肌肉颤抖数据；

将所述智能穿戴设备记录的肌肉颤抖数据与人体肌肉颤抖曲线进行对比，得到差值数据；

根据所述差值数据对模型进行修正。

需要说明的是，肌肉颤抖检测子模型主要通过计算每一帧图像中肌肉关键点坐标与标准图像中肌肉关键点坐标的距离来绘制人体肌肉颤抖曲线，但是,在一些情况下,从图像中获取的肌肉颤抖数据可能缺少峰值数据，导致绘制的人体肌肉颤抖曲线与真实数据之间存在差异，为了保证数据的准确性，可以通过人体肌肉颤抖曲线上相邻周期的颤抖幅度和颤抖频率结合智能穿戴设备所记录的实际肌肉颤抖数据对肌肉颤抖检测子模型进行优化，提高模型的分析能力。

根据本发明实施例，还包括：

根据所述检测图像数据进行分析，得到用户运动状态和重复运动次数；

若所述用户处于静止动作，则对所述用户的肌肉颤抖情况进行分析，得到静止颤抖数据；

根据所述静止颤抖数据对所述用户的最大运动次数进行预测，得到推荐重复运动次数；

判断所述重复运动次数是否大于所述推荐重复运动次数；

若大于，则发送语音对用户进行提醒；反之，则不做任何处理。

需要说明的是，针对于重复性动作的健身项目(引体向上、深蹲、卧推等)在每次动作进行过程中或结束动作后会存在短时间的静止状态(例如站立休息、保持动作状态等)。首先根据检测图像数据判断用户是否处于静止状态，若用户处于静止状态，则通过肌肉颤抖检测子模型根据当前状态下的检测图像数据绘制人体肌肉颤抖曲线，通过人体肌肉颤抖曲线得到静止状态下的肌肉颤抖幅度和肌肉颤抖频率，即静止颤抖数据。然后根据每次重复性动作过程中记录的静止颤抖数据对用户的最大运动次数进行预测，得到推荐重复运动次数，并将当前统计的重复运动次数与推荐重复运动次数进行对比，判断是否达到系统预测的用户最大运动次数，若是，则通过语音对用户进行提醒，避免用户因锻炼过度造成身体损伤。

图4示出了本发明一种运动图像处理装置的框图。

如图4所示，本发明第二方面提供了一种装置。该装置包括：

获取模块，获取检测图像数据；

分析模块，用于将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据；根据所述检测图像数据进行分析得到用户身体状态信息；根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；

调整模块，用于根据所述难度系数对用户的健身方案进行调整。

根据本发明实施例，运动设备发出多个运动指令，用户(健身人员)按照指令完成多个相应的动作，摄像头记录动作的图像或视频得到检测图像数据。然后将检测图像数据输入至预设运动图像分析模型中，分别通过动作姿态检测子模型和肌肉颤抖检测子模型对检测图像数据进行分析，绘制健身动作轨迹，提取健身动作轨迹中的动作幅度(如动作弯曲角度、长度等)，将其与系统预设标准动作轨迹中的动作幅度进行对比，得到用户的健身动作数据；同时判断完成动作或保持动作时的健身人员状态(是否有颤抖等情况)，并记录得到用户身体状态信息。基于记录的用户的健身动作数据和用户身体状态信息，通过模拟健身动作预测子模型拟合用户未完成部分的动作轨迹，以及计算完成动作的体力消耗、难度系数等。比较拟合动作轨迹和设备提供的标准动作轨迹，根据比较结果对健身方案进行调整，如进行减量或降低幅度等。

根据本发明实施例，还包括：

所述预设运动图像分析模型包括动作姿态检测子模型、肌肉颤抖检测子模型和模拟健身动作预测子模型。

需要说明的是，预设运动图像分析模型由动作姿态检测子模型、肌肉颤抖检测子模型和模拟健身动作预测子模型三个子模型组成，其中，动作姿态检测子模型用于检测用户的健身动作是否标准；肌肉颤抖检测子模型用于检测用户在健身过程中保持动作或完成动作静止状态下肌肉颤抖情况，从而判断用户的身体状态；模拟健身动作预测子模型通过用户已完成健身方案部分的健身动作数据和身体状态信息对未完成部分的健身情况进行预测，得到模拟健身动作数据，并根据模拟健身动作数据判断用户完成当前健身方案的难度系数。

根据本发明实施例，所述将所述检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据，包括：

根据所述检测图像数据进行分析,得到人体关键点数据；

根据所述人体关键点数据绘制健身动作轨迹；

将所述健身动作轨迹与标准动作轨迹进行对比,判断用户的健身动作是否标准；

若标准,则记录为标准动作数据；

若不标准,则通过语音或图像对用户进行提醒,并记录为不标准动作数据；

将所述标准动作数据和所述不标准动作数据进行整合,得到用户的健身动作数据。

需要说明的是，人体关键点数据包括鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左踝、右踝这17个人体关键点，通过这17个人体关键点可以得到用户健身时的动作状态，通过提取连续多帧的检测图像中的人体关键点数据，并将相对应的人体关键点数据进行相连，从而绘制健身动作轨迹。然后提取健身动作轨迹中的动作幅度(如动作弯曲角度、长度等)，将其与系统预设标准动作轨迹中的动作幅度进行对比，对用户的健身动作进行评分，其中，评分区间为0-10分,8分及以上为标准，8分以下为不标准。针对于不标准的动作数据，系统可以通过语音提醒或动画引导的方式对用户进行提醒并引导用户对动作进行调整。

根据本发明实施例，根据所述检测图像数据进行分析得到用户身体状态信息，包括：

根据多帧连续的检测图像数据进行分析，得到肌肉颤抖数据；

根据所述肌肉颤抖数据绘制人体肌肉颤抖曲线；

根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息。

需要说明的是，基于检测图像建立坐标轴，并基于该坐标轴获取人体重点区域(如手臂、大腿、腹部等位置)的肌肉关键点坐标，将首张图像定义为标准图像，其图像中的肌肉关键点坐标为(0，0)，计算每一帧图像中肌肉关键点坐标与标准图像中肌肉关键点坐标的距离，得到肌肉颤抖数据，并将其数据输入至坐标轴中，其中，坐标轴x轴表示时间、y轴表示肌肉关键点坐标与距离标准图像中肌肉关键点坐标的距离，将所有的坐标点进行连接，得到人体肌肉颤抖曲线。然后通过人体肌肉颤抖曲线得到用户在健身时的肌肉颤抖情况，包括颤抖幅度和颤抖频率，对其肌肉颤抖情况进行分析，得到用户身体状态信息。

根据本发明实施例，所述根据所述人体肌肉颤抖曲线进行分析，得到用户身体状态信息，包括：

在用户完成动作或保持动作时，根据人体肌肉颤抖曲线计算在第一预设时间内的平均颤抖频率或平均颤抖幅度；

对所述第一预设时间的平均颤抖频率或平均颤抖幅度中符合第一预设条件的数据进行标记，得到标记数据；

根据所述标记数据进行分析，判断第二预设时间内的标记数据的标记次数是否大于第一预设阈值；

若大于，则状态异常，将所述第二预设时间内的中值时间定义为用户的推荐运动时间，并将所述时间的平均颤抖数据定义为用户最大身体状态数据；

反之，则状态正常。

需要说明的是，用户完成动作或保持动作时指用户完成健身动作处于站立休息的状态或平板支撑、静态臀桥等静止动作，在这些状态下，获取第一预设时间内的人体肌肉颤抖曲线的平均颤抖频率和平均颤抖幅度，并将其分别与第一预设条件下的颤抖频率和颤抖幅度进行对比，若二者其中任意一项的数值大于第一预设条件下的数值，则对当前时间内的数据进行标记，得到标记数据。然后统计在第二预设时间内标记次数，并将其标记次数与第一预设阈值进行对比，从而判断用户身体状态是否存在异常，并根据分析结果给用户设置最大身体状态数据，基于设置的最大身体状态数据对用户在健身过程中的身体状态进行监测。

其中，第一预设时间、第二预设时间、第一预设条件和第一预设阈值均由系统结合历史健身数据进行自动设置，例如，第一预设时间为2秒，第二预设时间为6秒，第一预设条件为满足颤抖频率大于5次/秒或平均颤抖幅度大于1mm条件之中至少一种，第一预设阈值为3次。

根据本发明实施例，所述根据所述用户的健身动作数据和所述用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数，包括：

将所述用户的健身动作数据和所述用户身体状态信息输入预设运动图像分析模型；

通过所述预设运动图像分析模型对未完成部分的健身动作进行模拟，得到模拟健身动作数据；

根据所述模拟健身动作数据与标准动作轨迹进行对比，得到用户完成当前健身方案的难度系数。

需要说明的是，可以通过标准动作数据和不标准动作数据中的模拟健身动作预测子模型对未完成部分的健身动作进行模拟，将模拟健身动作数据中的拟合动作轨迹与标准动作轨迹进行对比，预测在模拟健身动作情况下的用户的健身动作完成情况以及健身过程中肌肉颤抖情况，从而得到用户完成当前健身方案的难度系数。

用户完成当前健身方案的难度系数x的具体计算方法为模拟健身动作数据中标准动作占总动作中的占比(即健身动作标准率)×50％加上在模拟健身动作数据中正常身体状态占总状态的占比×50％。

根据本发明实施例，所述根据所述难度系数对用户的健身方案进行调整，包括：

根据所述难度系数进行分析，判断所述难度系数是否大于第二预设阈值；

若是，则根据所述难度系数对用户的健身方案进行调整；

若否，则进行记录。

需要说明的是，第二预设阈值为60％，若用户完成当前健身方案的难度系数大于60％，则表示用户可以完成当前健身方案；反之，则表示用户完成当前健身方案存在难度，在健身过程中可能会对身体造成损伤，应及时提醒用户进行减量或降低幅度。

用户完成当前健身方案的难度等级可以分为三个等级，其中，0％＜x≤60％为困难；60％＜x≤80％为一般；80％＜x≤100％为简单。例如，模拟健身动作情况下的用户的健身动作标准率为95％，正常身体状态占总状态的占比为100％，则用户完成当前健身方案的难度系数为97.5％，为简单难度；模拟健身动作情况下的用户的健身动作标准率为50％，正常身体状态占总状态的占比为60％，则用户完成当前健身方案的难度系数为55％，为困难难度。

根据本发明实施例，还包括：

获取智能穿戴设备记录的肌肉颤抖数据；

将所述智能穿戴设备记录的肌肉颤抖数据与人体肌肉颤抖曲线进行对比，得到差值数据；

根据所述差值数据对模型进行修正。

需要说明的是，肌肉颤抖检测子模型主要通过计算每一帧图像中肌肉关键点坐标与标准图像中肌肉关键点坐标的距离来绘制人体肌肉颤抖曲线，但是,在一些情况下,从图像中获取的肌肉颤抖数据可能缺少峰值数据，导致绘制的人体肌肉颤抖曲线与真实数据之间存在差异，为了保证数据的准确性，可以通过人体肌肉颤抖曲线上相邻周期的颤抖幅度和颤抖频率结合智能穿戴设备所记录的实际肌肉颤抖数据对肌肉颤抖检测子模型进行优化，提高模型的分析能力。

根据本发明实施例，还包括：

根据所述检测图像数据进行分析，得到用户运动状态和重复运动次数；

若所述用户处于静止动作，则对所述用户的肌肉颤抖情况进行分析，得到静止颤抖数据；

根据所述静止颤抖数据对所述用户的最大运动次数进行预测，得到推荐重复运动次数；

判断所述重复运动次数是否大于所述推荐重复运动次数；

若大于，则发送语音对用户进行提醒；反之，则不做任何处理。

需要说明的是，针对于重复性动作的健身项目(引体向上、深蹲、卧推等)在每次动作进行过程中或结束动作后会存在短时间的静止状态(例如站立休息、保持动作状态等)。首先根据检测图像数据判断用户是否处于静止状态，若用户处于静止状态，则通过肌肉颤抖检测子模型根据当前状态下的检测图像数据绘制人体肌肉颤抖曲线，通过人体肌肉颤抖曲线得到静止状态下的肌肉颤抖幅度和肌肉颤抖频率，即静止颤抖数据。然后根据每次重复性动作过程中记录的静止颤抖数据对用户的最大运动次数进行预测，得到推荐重复运动次数，并将当前统计的重复运动次数与推荐重复运动次数进行对比，判断是否达到系统预测的用户最大运动次数，若是，则通过语音对用户进行提醒，避免用户因锻炼过度造成身体损伤。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。

本发明公开了一种运动图像处理方法、装置和可读存储介质，方法包括：获取检测图像数据；将检测图像数据输入至预设运动图像分析模型中进行分析，得到用户的健身动作数据；根据检测图像数据进行分析得到用户身体状态信息；根据用户的健身动作数据和用户身体状态信息进行分析，得到用户完成当前健身方案的难度系数；根据难度系数对用户的健身方案进行调整。本方案通过建立智能化管理系统，对健身人员的运动情况和自身状况进行预先评估，得到评价结果，提示危险和给出运动建议。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-On lyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。