一种卡路里估算方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种卡路里估算方法、装置、设备及存储介质。

背景技术

随着人们对身体健康的关注度的增加，健康饮食和训练课程练习成为维持身体健康的基本方式。通过饮食摄入营养元素并控制热量摄入；通过训练课程练习消耗热量，提升身体机能。科学化的训练课程需要对训练课程中的每一个训练动作消耗的卡路里进行精准估算。一般训练课程卡路里的计算是通过心率、训练时间及训练者各项身体指标来进行卡路里估算。

由于用户课程训练的过程中并不一定佩戴心率采集设备，在没有佩戴心率采集设备时，动作训练的卡路里将无法预估。现有技术是通过整个课程的卡路里计算来进行卡路里预估，但使用整个课程的卡路里计算来进行卡路里预估无法细分到训练课程训练的各个动作，导致智能训练计划和自编课程的无法进行卡路里预估。

发明内容

本发明提供一种卡路里估算方法、装置、设备及存储介质，以实现根据用户体征信息和训练课程视频帧序列对用户训练课程对应卡路里值的准确预估。

第一方面，本发明实施例提供了一种卡路里估算方法，该方法包括：

根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

进一步的，所述根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率，包括：

根据所述标准训练动作库中训练者体征信息及所述用户体征信息，确定用户完成标准训练动作库中训练动作对应的比例参数；

根据所述训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中标准训练动作的动作特征及所述用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数；

根据所述用户完成匹配的标准训练动作的完成参数与所述训练课程视频帧序列中每帧图像中动作的完成参数，确定所述训练课程视频帧序列中每帧图像中用户完成动作的完成率。

进一步的，所述根据所述标准训练动作库中训练者体征信息及所述用户体征信息，确定用户完成标准训练动作库中训练动作对应的比例参数，包括：

根据所述标准训练动作库中训练者体征信息中身高、体重、四肢比例、活动关节点与所述用户体征信息中身高、体重、四肢比例、活动关节点，确定所述用户完成标准训练动作库中训练动作对应的比例参数。

进一步的，所述根据所述训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中标准训练动作的动作特征及所述用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数，包括：

根据所述训练课程视频帧序列，确定所述训练课程视频帧序列中每帧图像的动作特征及用户动作的完成参数；

如果根据所述训练课程视频帧序列中每帧图像的动作特征在所述标准训练动作库中标准训练动作的动作特征匹配出对应的标准训练动作，则根据所述对应的标准训练动作的完成参数、所述用户完成标准训练动作库中训练动作对应的比例参数及用户体征信息，确定用户完成匹配的标准训练动作的完成参数。

进一步的，所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到，包括：

获取样本训练课程视频帧序列、样本训练课程视频帧序列对应的训练数据及所述样本训练课程视频帧序列中样本用户体征信息；

根据所述样本训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中训练动作的动作特征、所述样本训练课程视频帧序列中样本用户体征信息及所述标准训练库中训练者特征信息，确定所述样本训练课程视频帧序列中每帧图像的动作完成率；

根据所述样本训练课程视频帧序列对应的训练数据、所述样本训练课程视频帧序列，确定所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；

将所述样本训练课程视频帧序列中相邻两帧图像、所述样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率、所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里输入深度学习网络模型，得到卡路里估算模型。

进一步的，所述根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里之前，还包括：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则将所述标准训练库中训练开始动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

进一步的，所述根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里之前，还包括：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则根据所述训练课程视频帧序列中的首帧图像的动作特征在所述标准训练动作库中匹配动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

第二方面，本发明实施例还提供了一种卡路里估算装置，该装置包括：

完成率确定模块，用于根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

卡路里确定模块，用于将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

总消耗确认模块，用于根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任一所述的卡路里估算方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行任一所述的卡路里估算方法。

本发明通过根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。解决在无心率采集设备的情况下，导致智能训练计划和自编课程无法进卡路里预估问题，实现根据用户体征信息和训练课程视频帧序列对用户训练课程对应卡路里值的准确预估效果。

附图说明

图1是本发明实施例一中的一种卡路里估算方法的流程图；

图2是本发明实施例二中的一种卡路里估算方法的流程图；

图3是本发明实施例三中的一种卡路里估算装置的结构示意图；

图4是本发明实施例四中的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种卡路里估算方法的流程图，该方法可以适用于各种需要进行卡路里估算的场景中，基于训练课程视频帧序列。该方法由卡路里估算装置来执行，该装置可以通过软件和/或硬件的方法来实现，并具体可继承于具备存储和计算能力来进行卡路里估算的电子设备中。

如图1所示，提供一种卡路里估算方法，包括：

步骤S110，根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

本发明实施例中，用户的体征信息可以理解为训练课程视频帧序列中的训练用户的身高、年龄、体重、性别、四肢长度、四肢比例、活动关节点等相关信息。用户的训练课程视频帧序列可以理解为用户训练过程中拍摄的训练课程对应的视频按拆分为一张一张图像帧，并且这些图像帧按照拍摄的时间顺序排列。标准训练动作库可以理解为根据大数据库中标准动作训练课程视频帧序列添加的数据库。其中，所述标准训练动作库包括：大数据库中标准训练课程视频帧序列中每帧图像、大数据库中标准训练课程视频帧序列中每帧图像的动作特征、训练者体征信息。训练课程视频帧序列中每帧图像的动作完成率可以理解为根据用户体征信息与训练者体征信息计算出训练课程视频帧序列中每帧图像的动作完成标准训练动作库中匹配动作的完成百分比。

本发明实施例中，根据用户体征信息、用户的训练课程视频帧序列确定用户训练课程视频帧序列中每帧图像的动作。根据用户体征信息和标准训练动作库中训练者信息，确定用户完成标准训练动作库中训练动作对应的完成参数；根据用户训练课程视频帧序列中每帧图像的动作完成参数与用户完成标准训练动作库中训练动作对应的完成参数，确定用户训练课程视频帧序列中每帧图像的动作完成率。

步骤120，将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

本发明实施例中，训练课程视频帧序列中相邻两帧图像可以理解为训练课程视频帧序列中多个帧图像中按照拍摄时间顺序排列的相邻的两帧图像。相邻两帧图像对应的动作完成率可以理解为训练课程视频帧序列中多个图像中按照拍摄时间顺序排列的相邻的两帧图像对应的完成率。卡路里估算模型可以理解为根据用户体征信息、训练课程视频帧序列中相邻两帧图像及相邻两帧图像对应的动作完成率计算出相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里的估算模型。前一帧图像上的训练动作可以理解为训练课程视频帧序列中相邻两帧图像中拍摄时间较后一帧图像来说靠前的图像帧。后一帧图像上的训练动作可以理解为训练课程视频帧序列中相邻两帧图像中拍摄时间较前一帧图像来说靠后的图像帧。相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里可以理解为用户从前一帧图像上的训练动作变化到后一帧图像上的训练动作自身消耗的卡路里值。

本发明实施例中，将用户体征信息、训练课程视频帧序列中相邻两帧图像及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里。如果训练课程视频帧序列中一共有N帧图像，则训练课程视频帧序列中相邻两帧图像有N-1对，需要将输入N-1次相邻两帧图像计算出所有训练课程视频帧序列中相邻两帧图像对应的相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里。

步骤S130，根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

本发明实施例中，首帧图像可以理解为训练课程视频帧序列中图像帧中第一帧图像。训练课程视频帧序列的总消耗卡路里可以理解为用户首帧图像帧上的训练动作变化到最后一帧图像上训练动作的总消耗卡路里。

本发明实施例中，将训练课程视频帧序列中相邻两帧图像对应有N帧图像，则需要将依次输入N-1次相邻两帧图像，计算出N-1个训练课程视频帧序列中相邻两帧图像对应的相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里。将计算出的N-1个训练课程视频帧序列中相邻两帧图像对应的相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里进行累加，得到训练课程视频帧序列的总消耗卡路里。

进一步的，所述根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率，包括：

根据所述标准训练动作库中训练者体征信息及所述用户体征信息，确定用户完成标准训练动作库中训练动作对应的比例参数；

根据所述训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中标准训练动作的动作特征及所述用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数；

根据所述用户完成匹配的标准训练动作的完成参数与所述训练课程视频帧序列中每帧图像中动作的完成参数，确定所述训练课程视频帧序列中每帧图像中用户完成动作的完成率。

本发明实施例中，用户完成标准训练动作库中训练动作对应的比例参数可以理解为用户完成标准训练动作库中训练动作四肢、主干躯体、活动关节点、水平地面、用户重心位置及头部在每个活动关节点形成的空间角度、离开水平面的距离及用户重心位置等比例参数。标准训练动作库中标准训练动作的动作特征可以理解为标准训练动作库中标准训练动作的动作属性信息，例如：用户重心位置偏移程度，训练动作中的涉及肢体，通过活动关节点相连形成的空间角度及肢体与水平面的距离。训练课程视频帧序列中每帧图像的动作特征可以理解为训练课程视频帧序列中每帧图像上用户的训练动作的动作属性信息。训练课程视频帧序列中每帧图像中动作的完成参数可以理解为用户完成训练课程视频帧序列中每帧图像中动作时，用户肢体所需要到达的数据参数。用户完成匹配的标准训练动作的完成参数可以理解为根据用户完成标准训练动作库中训练动作对应的比例参数确定用户完成标准训练动作时，用户肢体所需要达到的数据参数。其中，位置的确定可采用6轴传感器、空间定位算法及深度摄像机或RGB摄像机进行确定。

本发明实施例中，根据标准训练动作库中训练者体征信息及用户体征信息确定身高比例、体重比例、四肢比例、活动关节点位置、年龄差距及性别相同与否，确定户完成标准训练动作库中训练动作对应的比例参数。根据训练课程视频帧序列中每帧图像的动作特征与标准训练动作库中标准训练动作的动作特征进行匹配确定出训练课程视频帧序列中每帧图像对应的标准训练动作，根据标准训练动作及用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数。根据用户完成匹配的标准训练动作的完成参数与训练课程视频帧序列中每帧图像中动作的完成参数，确定训练课程视频帧序列中每帧图像中用户完成动作的完成率。

进一步的，所述根据所述标准训练动作库中训练者体征信息及所述用户体征信息，确定用户完成标准训练动作库中训练动作对应的比例参数，包括：

根据所述标准训练动作库中训练者体征信息中身高、体重、四肢比例、活动关节点与所述用户体征信息中身高、体重、四肢比例、活动关节点，确定所述用户完成标准训练动作库中训练动作对应的比例参数。

本发明实施例中，根据标准训练动作库中训练者体征信息及用户体征信息确定身高比例、体重比例、四肢比例、活动关节点位置、年龄差距及性别相同与否，确定户完成标准训练动作库中训练动作对应的比例参数。例如：根据用户四肢比例确定活动关节点位置移动的范围与训练者四肢比例确定活动关节点位置移动范围的比值，确定用户四肢比例与活动关节点相对应位置比例参数。

进一步的，所述根据所述训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中标准训练动作的动作特征及所述用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数，包括：

根据所述训练课程视频帧序列，确定所述训练课程视频帧序列中每帧图像的动作特征及用户动作的完成参数；

如果根据所述训练课程视频帧序列中每帧图像的动作特征在所述标准训练动作库中标准训练动作的动作特征匹配出对应的标准训练动作，则根据所述对应的标准训练动作的完成参数、所述用户完成标准训练动作库中训练动作对应的比例参数及用户体征信息，确定用户完成匹配的标准训练动作的完成参数。

本发明实施例中，用户动作的完成参数可以理解为用户完成训练课程视频帧序列中每帧图像上动作对应的完成参数，例如：训练课程视频帧序列中每帧图像中用户脚点离开水平地面的距离及、各个活动关节点空间位置及通过各个活动关节点连接的肢体形成的空间角度。

本发明实施例中，通过训练课程视频帧序列识别出训练课程视频帧序列中每帧图像的动作特征，根据识别出训练课程视频帧序列中每帧图像的动作特征在标准训练动作库中匹配与训练课程视频帧序列中每帧图像的动作特征对应的标准训练动作。如果根据识别出训练课程视频帧序列中每帧图像的动作特征在标准训练动作库中匹配出训练课程视频帧序列中每帧图像的动作特征对应的标准训练动作，则根据标准训练动作多的完成参数、用户完成标准训练动作库中训练动作对应的比例参数及用户体征信息计算出用户完成匹配的训练动作的完成参数。如果根据识别出训练课程视频帧序列中每帧图像的动作特征在标准训练库中匹配不出训练课程视频帧序列中每帧图像的动作特征对应的标准训练动作，则根据识别出训练课程视频帧序列中每帧图像的动作特征则在训练动作数据库中继续匹配对应的训练动作直至找到与之匹配的训练动作，重复上述标准训练库中操作计算出用户完成匹配的训练动作的完成参数。

本发明通过根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。解决在无心率采集设备的情况下，导致智能训练计划和自编课程无法进卡路里预估问题，实现根据用户体征信息和训练课程视频帧序列对用户训练课程对应卡路里值的准确预估效果。

实施例二

图2是本发明实施例二中一种卡路里估算方法的流程图，本发明实施例的技术方案在上述技术方案的基础上进一步细化，具体主要包括如下步骤：

步骤210，获取样本训练课程视频帧序列、样本训练课程视频帧序列对应的训练数据及所述样本训练课程视频帧序列中样本用户体征信息；

本发明实施例中，样本训练课程视频帧序列可以理解为训练卡路里估算模型时输入的样本训练课程拆分的视频帧序列，也可以理解为训练视频库中的历史训练课程拆分的视频帧序列。样本训练课程视频帧序列对应的训练数据可以理解为样本训练课程视频帧序列中每帧图像所在时间点对应累计卡路里值、样本训练课程视频帧序列中间歇休息时间对应的时间点和时间段。样本训练课程视频帧序列中样本用户体征信息可以理解为样本训练课程视频帧序列中训练用户的体征信息，例如：训练用户的身高、年龄、体重、性别、四肢长度、四肢比例、活动关节点等相关信息。

本发明实施例中，从历史训练视频库中获取样本训练课程视频并将获取的样本课程视频拆分样本训练课程视频帧序列，并同时获取样本训练课程视频帧序列对应的训练数据及样本训练课程视频帧序列中样本用户体征信息，用于计算样本训练课程视频帧序列中每帧图像的动作完成率。

本发明实施例中，样本训练课程拆分的视频帧序列中间歇休息时间可以理解为视频帧序列中可忽略视频帧序列或视频帧序列中无用户画面的视频帧序列图像。也可以将间歇休息时间理解为视频帧序列分割点，将完整的视频帧序列分为两个部分进行相关的卡路里计算最终累计成整个视频帧序列的总消耗的卡路里。

步骤220，根据所述样本训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中训练动作的动作特征、所述样本训练课程视频帧序列中样本用户体征信息及所述标准训练库中训练者体征信息，确定所述样本训练课程视频帧序列中每帧图像的动作完成率；

本发明实施例中，样本训练课程视频帧序列中每帧图像的动作特征可以理解为样本训练课程视频帧序列中每帧图像上用户的训练动作的动作属性信息。样本训练课程视频帧序列中每帧图像的动作完成率可以理解为根据样本用户体征信息与训练者体征信息计算出样本训练课程视频帧序列中每帧图像的动作完成标准训练动作库中匹配动作的完成百分比。

本发明实施例中，根据样本用户体征信息、样本用户的样本训练课程视频帧序列确定样本用户训练课程视频帧序列中每帧图像的动作。根据样本用户体征信息和标准训练动作库中训练者信息，确定样本用户完成标准训练动作库中训练动作对应的完成参数；根据样本用户训练课程视频帧序列中每帧图像的动作完成参数与样本用户完成标准训练动作库中训练动作对应的完成参数，确定样本用户训练课程视频帧序列中每帧图像的动作完成率。

步骤230，根据所述样本训练课程视频帧序列对应的训练数据、所述样本训练课程视频帧序列，确定所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；

本发明实施例中，样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里可以理解为样本用户从前一帧图像上的训练动作变化到后一帧图像上的训练动作自身消耗的卡路里值。

本发明实施例中，通过样本训练课程视频帧序列对应的训练数据中样本训练课程视频帧序列中每帧图像所在时间点对应累计卡路里值，将样本训练课程视频帧序列中相邻两帧图像中后一帧图像所在时间点对应累计卡路里值减去前一帧图像所在时间点对应的累计卡路里值，得到本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里。

步骤240，将所述样本训练课程视频帧序列中相邻两帧图像、所述样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率、所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里输入深度学习网络模型，得到卡路里估算模型。

本发明实施例中，深度学习网络模型可以理解为能够学习样本数据的内在规律和表示层次的机器学习算法。深度学习网络模型可以采用但不限于线性回归、多项式回归。岭回归、神经网络等机器学习模型。

本发明实施例中，将样本训练课程视频帧序列中相邻两帧图像、样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率、样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里输入深度学习网络模型，进而深度学习网络模型根据输入的样本训练课程视频帧序列中相邻两帧图像、样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率分析样本训练课程视频帧序列中相邻两帧图像、样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率内在规律及特征并进行训练，得到卡路里估算模型。

可选的，根据样本用户体测训练课程视频帧序列、样本用户体测训练课程视频帧序列对应的训练数据及样本用户体征信息输入深度学习网络模型，得到用户卡路里估算模型。

可选的，根据样本用户训练课程视频帧序列、样本用户训练课程视频帧序列对应的训练数据及样本用户体征信息输入深度学习网络模型，得到简单卡路里估算模型。

本发明实施例中，可以根据当前状况下获取的数据计算出能够输入的数据，可以从卡路里估算模型、用户卡路里估算模型及简单卡路里估算模型中选择出合适的估算模型进行卡路里估算。

进一步的，所述根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里之前，还包括：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则将所述标准训练库中训练开始动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

本发明实施例中，标准训练库中训练开始动作可以理解为标准训练课程对应的开始动作。标准训练库中训练开始动作对应的卡路里可以理解为训练者从自然站立动作进入标准训练库中训练开始动作对应的卡路里消耗。

本发明实施例中，在将训练课程视频帧序列的总消耗卡路里作为用户训练训练课程时对应的总消耗卡路里时，需要将训练课程视频帧序列中首帧图像上训练动作的动作特征与标准训练库中训练开始动作的动作特征进行匹配，如果训练课程视频帧序列中首帧图像的动作特征与标准训练动作库中训练开始动作匹配，则将标准训练库中训练开始动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

进一步的，所述根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里之前，还包括：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则根据所述训练课程视频帧序列中的首帧图像的动作特征在所述标准训练动作库中匹配动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

本发明实施例中，在将训练课程视频帧序列的总消耗卡路里作为用户训练训练课程时对应的总消耗卡路里时，需要将训练课程视频帧序列中首帧图像上训练动作的动作特征与标准训练库中训练开始动作的动作特征进行匹配，如果训练课程视频帧序列中首帧图像的动作特征与标准训练动作库中训练开始动作不匹配，则根据训练课程视频帧序列中的首帧图像的动作特征在标准训练动作库中匹配动作对应的卡路里计入训练课程视频帧序列的总消耗卡路里。其中，匹配动作对应的卡路里可以理解为训练者从自然站立动作进入标准训练库中训练匹配动作对应的卡路里消耗。

本发明通过获取样本训练课程视频帧序列、样本训练课程视频帧序列对应的训练数据及所述样本训练课程视频帧序列中样本用户体征信息；根据所述样本训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中训练动作的动作特征、所述样本训练课程视频帧序列中样本用户体征信息及所述标准训练库中训练者特征信息，确定所述样本训练课程视频帧序列中每帧图像的动作完成率；根据所述样本训练课程视频帧序列对应的训练数据、所述样本训练课程视频帧序列，确定所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率将所述样本训练课程视频帧序列中相邻两帧图像、所述样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率、所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里输入深度学习网络模型，得到卡路里估算模型。解决在无心率采集设备的情况下，导致智能训练计划和自编课程无法进卡路里预估问题，实现根据用户体征信息和训练课程视频帧序列对用户训练课程对应卡路里值的准确预估效果。

实施例三

图3为本发明实施例提供的一种卡路里估算装置，该装置包括：完成率确定模块310、卡路里确定模块320和总消耗确认模块330；

完成率确定模块310，用于根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

卡路里确定模块320，用于将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

总消耗确认模块330，用于根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

进一步的，完成率确定310模块具体用于：

根据所述标准训练动作库中训练者体征信息及所述用户体征信息，确定用户完成标准训练动作库中训练动作对应的比例参数；

根据所述训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中标准训练动作的动作特征及所述用户完成标准训练动作库中训练动作对应的比例参数，确定用户完成匹配的标准训练动作的完成参数；

根据所述用户完成匹配的标准训练动作的完成参数与所述训练课程视频帧序列中每帧图像中动作的完成参数，确定所述训练课程视频帧序列中每帧图像中用户完成动作的完成率。

进一步的，完成率确定310模块具体用于：

根据所述标准训练动作库中训练者体征信息中身高、体重、四肢比例、活动关节点与所述用户体征信息中身高、体重、四肢比例、活动关节点，确定所述用户完成标准训练动作库中训练动作对应的比例参数。

进一步的，完成率确定模块310具体用于：

根据所述训练课程视频帧序列，确定所述训练课程视频帧序列中每帧图像的动作特征及用户动作的完成参数；

如果根据所述训练课程视频帧序列中每帧图像的动作特征在所述标准训练动作库中标准训练动作的动作特征匹配出对应的标准训练动作，则根据所述对应的标准训练动作的完成参数、所述用户完成标准训练动作库中训练动作对应的比例参数及用户体征信息，确定用户完成匹配的标准训练动作的完成参数。

进一步的，卡路里确定模块320具体还用于：

获取样本训练课程视频帧序列、样本训练课程视频帧序列对应的训练数据及所述样本训练课程视频帧序列中样本用户体征信息；

根据所述样本训练课程视频帧序列中每帧图像的动作特征、所述标准训练动作库中训练动作的动作特征、所述样本训练课程视频帧序列中样本用户体征信息及所述标准训练库中训练者特征信息，确定所述样本训练课程视频帧序列中每帧图像的动作完成率；

根据所述样本训练课程视频帧序列对应的训练数据、所述样本训练课程视频帧序列，确定所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；

将所述样本训练课程视频帧序列中相邻两帧图像、所述样本训练课程视频帧序列中样本用户体征信息、以及相邻两帧图像对应的动作完成率、所述样本训练课程视频帧序列中相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里输入深度学习网络模型，得到卡路里估算模型。

进一步的，总消耗确认模块330具体还用于：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则将所述标准训练库中训练开始动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

进一步的，总消耗确认模块330具体还用于：

如果所述训练课程视频帧序列中首帧图像的动作特征与所述标准训练动作库中训练开始动作匹配，则根据所述训练课程视频帧序列中的首帧图像的动作特征在所述标准训练动作库中匹配动作对应的卡路里计入所述训练课程视频帧序列的总消耗卡路里。

本发明实施例所提供的一种卡路里估算装置可执行本发明任意实施例所提供的一种卡路里估算方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例4提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种卡路里估算方法，该方法包括：

根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

实施例五

本发明实施例五还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种卡路里估算方法，该方法包括：

根据用户体征信息、用户的训练课程视频帧序列和标准训练动作库，得到所述训练课程视频帧序列中每帧图像的动作完成率；

将所述用户体征信息、所述训练课程视频帧序列中相邻两帧图像，以及相邻两帧图像对应的动作完成率输入卡路里估算模型，得到所述相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里；所述卡路里估算模型通过样本训练课程视频帧序列中样本用户体征信息、相邻两帧图像、相邻两帧图像对应的动作完成率以及相邻两帧图像中前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里对深度学习网络模型训练得到；

根据所述训练课程视频帧序列中除首帧图像外前一帧图像上的训练动作变化到后一帧图像上训练动作消耗的卡路里，得到所述训练课程视频帧序列的总消耗卡路里。

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例如可以是但不限于电、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(ROM)、可擦式可编程只读存储器(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。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。