基于计算机视觉进行训练动作识别的方法、装置
文献发布时间:2023-06-19 12:02:28
技术领域
本申请实施例图像处理技术领域,尤其涉及一种基于计算机视觉进行训练动作识别的方法、装置及计算机存储介质。
背景技术
在健身的过程中,训练动作是否标准极大的影响了健身的效果。为判断训练动作是否标准,现有技术中一般通过视频抓拍的方式记录下锻炼者在锻炼过程中所有的视频,由健身教练根据其人工经验并结合视频中呈现的锻炼动作进行训练动作的标准与否判断,由此导致训练动作的标准与否需要依赖于专业的教练,错误的训练的动作得不到实时调整。
发明内容
有鉴于此,本申请实施例所解决的技术问题之一在于提供一种基于计算机视觉进行训练动作识别的方法、装置及计算机存储介质,用以克服或者缓解现有技术中上述缺陷。
一种基于计算机视觉进行训练动作识别的方法,其包括:
根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;
基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;
根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;
根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别。
可选地,所述根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,之后包括:根据所述训练动作是否标准,则对所述形成训练动作的各个关联的人体特征点之间的位置关系分别不同的颜色标注。
可选地,所述根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述,包括:构建所述形成技术动作的各个关联的人体特征点与地面之间的相对角度,并用第一特征化标志进行标注以表征形成技术动作的各个关联的人体特征点与地面的位置关系;构建所述形成技术动作的各个关联的人体特征点之间的相对角度,并用第二特征化标志进行标注以表征所述形成技术动作的各个关联的人体特征点之间的位置关系。
可选地,所述根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述,包括:构建所述形成训练动作的各个关联的人体特征点与地面之间的相对角度,并用第三特征化标志进行标注以表征形成训练动作的各个关联的人体特征点与地面的位置关系;构建所述形成训练动作的各个关联的人体特征点之间的相对角度,并用第四特征化标志进行标注以表征所述形成训练动作的各个关联的人体特征点之间的位置关系。
可选地,所述第一特征化标志、所述第三特征化标志为虚线,所述第二特征化标志、所述第四特征化标志为实线。
可选地,所述根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,包括:根据所述第一特征化标志与所述第三特征化标志之间的匹配度,以及所述第二特征化标志与所述第四特征化标志之间的匹配度对所述训练动作是否标准进行识别。
可选地,还包括:
确定所述形成训练动作的各个关联的人体特征点在人体的位置,并根据所述位置对所述形成训练动作的各个关联的人体特征点进行分组形成左组人体特征点以及右组人体特征点;
统计所有所述左组人体特站点的置信概率的总和以及所述所有所述右组人体特站点的置信概率的总和;
根据所述有所述左组人体特站点的置信概率的总和以及所有所述右组人体特站点的置信概率的总和的差值,判断对锻炼者进行视频捕获的图像拍摄装置的视角关系,以确定与所述视角关系对应的所述技术动作的数字化描述;
若所述差值位于设置的置信区间内,且所述左组人体特站点的置信概率的总和大于所有所述右组人体特站点的置信概率的总和,则判定所述摄像头位于所述锻炼者的左边,否则,判定所述摄像头位于所述锻炼者的右边;
若所述差值位于所述置信区间外,且统计到的脸部特征的概率之和位于所述置信区间内,则判定所述摄像头位于所述锻炼者的正面,否则,判定所述摄像头位于所述锻炼者的背面。
可选地,还包括:对锻炼器械所形成的图片进行色值提取以形成器械描述矩阵,并对器械识别模型进行训练,以根据所述器械识别模型对所述锻炼者使用的锻炼器械进行识别;
所述根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述,之后包括:根据识别出的锻炼器械的运动轨迹,记录所述形成训练动作的各个关联的人体特征点的运动轨迹,以根据所述运动轨迹判断训练动作的完整性。
一种基于计算机视觉进行训练动作识别的装置,其包括:
第一数字化描述单元,用于根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;
计算机视觉单元,用于基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;
第二数字化描述单元,用于根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;
训练动作识别单元,用于根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别。
一种计算机存储介质,其上存储与执行本申请任一实施例所述的基于计算机视觉进行训练动作识别的方法的计算机程序。
本申请实施例中,根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,从而无需依赖专业的教练进行训练动作的标准与否判断,使得锻炼者在锻炼的过程中可以自我进行训练动作的客观判断,并进行训练动作的调整。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应所述理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例基于计算机视觉进行训练动作识别的方法流程示意图;
图2为本申请实施例图像拍摄装置与锻炼者位置关系的判断方法流程示意图;
图3为本申请实施例中锻炼器械的判断方法流程示意图;
图4为本申请实施例一种基于计算机视觉进行训练动作识别的装置结构示意图;
图5为本申请实施例图像拍摄装置与锻炼者位置关系的判断单元的结构示意图;
图6为本申请实施例中锻炼器械的判断单元结构示意图;
图7为本申请实施例电子设备的结构示意图。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例的具体实现。
本申请实施例中,根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,从而无需依赖专业的教练进行训练动作的标准与否判断,使得锻炼者在锻炼的过程中可以自我进行训练动作的客观判断,并进行训练动作的调整。
图1为本申请实施例基于计算机视觉进行训练动作识别的方法流程示意图;如图1所示,其包括:
S101、根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;
可选地,所述根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述,包括:构建所述形成技术动作的各个关联的人体特征点与地面之间的相对角度,并用第一特征化标志进行标注以表征形成技术动作的各个关联的人体特征点与地面的位置关系;构建所述形成技术动作的各个关联的人体特征点之间的相对角度,并用第二特征化标志进行标注以表征所述形成技术动作的各个关联的人体特征点之间的位置关系,从而便于通过直观简洁的方式将技术动作客观地展现给锻炼者。
可选地,人体特征点可以包括但不限于颈部,肩部,手腕,胯部,膝盖,脚踝。
S102、基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;
本实施例中,所述计算机视觉的具体实现具体可以通过具有摄像功能的电子设备来实现,比如手机、或者摄像头,作为图像拍摄装置,从而降低方案实施的成本。比如,直接在电子设备上安装具有计算机视觉功能的应用程序。
具体地,可以通过对捕获的视频流进行分割得到若干图片,从该图片上上提取形成训练动作的各个关联的人体特征点,从而提高数据处理的速度,增强实时性。
在锻炼过程中,由于从不同的视角,技术动作会有不同的体现,为此,在上述步骤S101中,可以基于图像拍摄装置和锻炼者的位置关系,建立多个视角下技术动作的数字化描述,以便于更加准确地判断训练动作的标准与否。
S103、根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;
可选地,所述根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述,包括:构建所述形成训练动作的各个关联的人体特征点与地面之间的相对角度,并用第三特征化标志进行标注以表征形成训练动作的各个关联的人体特征点与地面的位置关系;构建所述形成训练动作的各个关联的人体特征点之间的相对角度,并用第四特征化标志进行标注以表征所述形成训练动作的各个关联的人体特征点之间的位置关系,从而便于通过直观简洁的方式将训练动作客观地展现给锻炼者。
可选地,所述第一特征化标志、所述第三特征化标志为虚线,所述第二特征化标志、所述第四特征化标志为实线,从而准确反映出技术动作和训练动作。
S104、根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别。
可选地,所述根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,包括:根据所述第一特征化标志与所述第三特征化标志之间的匹配度,以及所述第二特征化标志与所述第四特征化标志之间的匹配度对所述训练动作是否标准进行识别,从而实现了训练动作和技术动作的直接比对。
可选地,所述根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别,之后包括:根据所述训练动作是否标准,则对所述形成训练动作的各个关联的人体特征点之间的位置关系分别不同的颜色标注,从而提醒锻炼者其训练动作是否标准。
图2为本申请实施例图像拍摄装置与锻炼者位置关系的判断方法流程示意图;该方法可以在形成训练动作的各个关联的人体特征点之后执行,形成所述训练动作的数字化描述之前执行,具体地,该判断方法包括如下步骤:
S201、确定所述形成训练动作的各个关联的人体特征点在人体的位置,并根据所述位置对所述形成训练动作的各个关联的人体特征点进行分组形成左组人体特征点以及右组人体特征点;
S202、统计所有所述左组人体特站点的置信概率的总和以及所述所有所述右组人体特站点的置信概率的总和;
S203、根据所述有所述左组人体特站点的置信概率的总和以及所有所述右组人体特站点的置信概率的总和的差值,判断对锻炼者进行视频捕获的图像拍摄装置的视角关系,以确定与所述视角关系对应的所述技术动作的数字化描述;
若所述差值位于设置的置信区间内,且所述左组人体特站点的置信概率的总和大于所有所述右组人体特站点的置信概率的总和,则判定所述摄像头位于所述锻炼者的左边,否则,判定所述摄像头位于所述锻炼者的右边;
若所述差值位于所述置信区间外,且统计到的脸部特征的概率之和位于所述置信区间内,则判定所述摄像头位于所述锻炼者的正面,否则,判定所述摄像头位于所述锻炼者的背面。
在判断出图像拍摄装置与锻炼者的位置关系后,从所有技术化动作的数字描述中,选择该位置关系对应的技术化动作的数字描述,以进行后续训练动作的标准与否判断。
本实施例中,具体可以通过姿态识别技术来实现上述判断方法,该姿态识别技术比如为AlphaPose姿态识别技术,从而快速有效地进行上述图2所示的判断方法。
图3为本申请实施例中锻炼器械的判断方法流程示意图;如图3所示,该方法可以在得到形成训练动作的人体特征点之前或者之后,且在形成训练动作的数字化描述之后执行,具体地,锻炼器械的判断方法包括:
S301、对锻炼器械所形成的图片进行色值提取以形成器械描述矩阵;
比如,从图片中基于红色或者白色或者黑色进行色值提取,形成器械描述矩阵,与此同时,消除掉图片中的人体,避免干扰。
进一步地,为了降低运算难度,可以忽略特定颜色,提取到色值之后,统一转换成单一颜色的色值,并形成基于单一颜色的器械描述矩阵。
S302、对器械识别模型进行训练,以根据所述器械识别模型对所述锻炼者使用的锻炼器械进行识别。
在训练时,根据所述器械训练模型输出的概率值,来判断锻炼器械属于什么类别的器械。
所述根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述,之后包括:根据识别出的锻炼器械的运动轨迹,记录所述形成训练动作的各个关联的人体特征点的运动轨迹,以根据所述运动轨迹判断训练动作的完整性。
当然,在其他实施例中,也可以基于锻炼器械的形态进行识别,比如识别图片中的圆形,取圆形的圆形作为杠铃片的中心,作为杠铃杆的顶端。如果图片中未能识别出完整的圆形,则将图片中的长直线作为杠铃杆,将左右作为杠铃杆的顶端。
图4为本申请实施例一种基于计算机视觉进行训练动作识别的装置结构示意图;如图4所示,其包括:
第一数字化描述单元,用于根据形成技术动作的各个关联的人体特征点与地面的位置关系,以及所述形成技术动作的各个关联的人体特征点之间的位置关系,形成所述技术动作的数字化描述;
计算机视觉单元,用于基于计算机视觉实时捕获训练过程中的视频流,并从所述视频流中实时提取形成训练动作的各个关联的人体特征点;
第二数字化描述单元,用于根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述;
训练动作识别单元,用于根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别。
可选地,所述第一数字化单元具体可以包括:
第一构建子单元,用于构建所述形成技术动作的各个关联的人体特征点与地面之间的相对角度,并用第一特征化标志进行标注以表征形成技术动作的各个关联的人体特征点与地面的位置关系;
第二构建子单元,用于构建所述形成技术动作的各个关联的人体特征点之间的相对角度,并用第二特征化标志进行标注以表征所述形成技术动作的各个关联的人体特征点之间的位置关系,从而便于通过直观简洁的方式将技术动作客观地展现给锻炼者。
可选地,人体特征点可以包括但不限于颈部,肩部,手腕,胯部,膝盖,脚踝。
本实施例中,所述计算机视觉的具体实现具体可以通过具有摄像功能的电子设备来实现,比如手机、或者摄像头,作为图像拍摄装置,从而降低方案实施的成本。比如,直接在电子设备上安装具有计算机视觉功能的应用程序。
具体地,可以通过对捕获的视频流进行分割得到若干图片,从该图片上上提取形成训练动作的各个关联的人体特征点,从而提高数据处理的速度,增强实时性。
在锻炼过程中,由于从不同的视角,技术动作会有不同的体现,为此,在上述第一数字化单元在工作时,可以基于图像拍摄装置和锻炼者的位置关系,建立多个视角下技术动作的数字化描述,以便于更加准确地判断训练动作的标准与否。
可选地,所述第二数字化单元可以包括:
第三构建子单元,用于构建所述形成训练动作的各个关联的人体特征点与地面之间的相对角度,并用第三特征化标志进行标注以表征形成训练动作的各个关联的人体特征点与地面的位置关系;
第三构建子单元,用于构建所述形成训练动作的各个关联的人体特征点之间的相对角度,并用第四特征化标志进行标注以表征所述形成训练动作的各个关联的人体特征点之间的位置关系,从而便于通过直观简洁的方式将训练动作客观地展现给锻炼者。
可选地,所述第一特征化标志、所述第三特征化标志为虚线,所述第二特征化标志、所述第四特征化标志为实线,从而准确反映出技术动作和训练动作。
可选地,所述训练动作识别单元根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别时,根据所述第一特征化标志与所述第三特征化标志之间的匹配度,以及所述第二特征化标志与所述第四特征化标志之间的匹配度对所述训练动作是否标准进行识别,从而实现了训练动作和技术动作的直接比对。
可选地,基于计算机视觉进行训练动作识别的装置还包括颜色标准单元,用于在根据所述训练动作的数字化描述以及所述技术动作的数字化描述,对所述训练动作是否标准进行识别之后,根据所述训练动作是否标准,则对所述形成训练动作的各个关联的人体特征点之间的位置关系分别不同的颜色标注,从而提醒锻炼者其训练动作是否标准。
基于计算机视觉进行训练动作识别的装置还可以包括图像拍摄装置与锻炼者位置关系的判断单元,具体地,参见图5为本申请实施例图像拍摄装置与锻炼者位置关系的判断单元的结构示意图;该判断的过程可以在形成训练动作的各个关联的人体特征点之后执行,形成所述训练动作的数字化描述之前执行,具体地,该判断单元包括:
分组子单元,用于确定所述形成训练动作的各个关联的人体特征点在人体的位置,并根据所述位置对所述形成训练动作的各个关联的人体特征点进行分组形成左组人体特征点以及右组人体特征点;
统计子单元,用于统计所有所述左组人体特站点的置信概率的总和以及所述所有所述右组人体特站点的置信概率的总和;
视觉判断子单元,用于根据所述有所述左组人体特站点的置信概率的总和以及所有所述右组人体特站点的置信概率的总和的差值,判断对锻炼者进行视频捕获的图像拍摄装置的视角关系,以确定与所述视角关系对应的所述技术动作的数字化描述;
若所述差值位于设置的置信区间内,且所述左组人体特站点的置信概率的总和大于所有所述右组人体特站点的置信概率的总和,则判定所述摄像头位于所述锻炼者的左边,否则,判定所述摄像头位于所述锻炼者的右边;
若所述差值位于所述置信区间外,且统计到的脸部特征的概率之和位于所述置信区间内,则判定所述摄像头位于所述锻炼者的正面,否则,判定所述摄像头位于所述锻炼者的背面。
在判断出图像拍摄装置与锻炼者的位置关系后,从所有技术化动作的数字描述中,选择该位置关系对应的技术化动作的数字描述,以进行后续训练动作的标准与否判断。
本实施例中,具体可以通过姿态识别技术来实现上述判断方法,该姿态识别技术比如为AlphaPose姿态识别技术,从而快速有效地进行上述图2所示的判断方法。
基于计算机视觉进行训练动作识别的装置还可以包括锻炼器械的判断单元,具体地,图6为本申请实施例中锻炼器械的判断单元结构示意图;如图6 所示,该判断单元的工作过程可以在得到形成训练动作的人体特征点之前或者之后,且在形成训练动作的数字化描述之后执行,具体地,锻炼器械的判断单元包括:
色值提取子单元,用于对锻炼器械所形成的图片进行色值提取以形成器械描述矩阵;
比如,从图片中基于红色或者白色或者黑色进行色值提取,形成器械描述矩阵,与此同时,消除掉图片中的人体,避免干扰。
进一步地,为了降低运算难度,可以忽略特定颜色,提取到色值之后,统一转换成单一颜色的色值,并形成基于单一颜色的器械描述矩阵。
训练子单元,用于对器械识别模型进行训练,以根据所述器械识别模型对所述锻炼者使用的锻炼器械进行识别。
在训练时,根据所述器械训练模型输出的概率值,来判断锻炼器械属于什么类别的器械。
进一步地,在其他实施例中,基于计算机视觉进行训练动作识别的装置还可以包括运动轨迹判断单元,用于在根据形成训练动作的各个关联的人体特征点与地面的位置关系,以及所述形成训练动作的各个关联的人体特征点之间的位置关系,形成所述训练动作的数字化描述之后,根据识别出的锻炼器械的运动轨迹,记录所述形成训练动作的各个关联的人体特征点的运动轨迹,以根据所述运动轨迹判断训练动作的完整性。
当然,在其他实施例中,也可以基于锻炼器械的形态进行识别,比如识别图片中的圆形,取圆形的圆形作为杠铃片的中心,作为杠铃杆的顶端。如果图片中未能识别出完整的圆形,则将图片中的长直线作为杠铃杆,将左右作为杠铃杆的顶端。
本申请实施例还提供一种计算机存储介质,其上存储与执行本申请任一实施例所述的基于计算机视觉进行训练动作识别的方法的计算机程序。
图7为本申请实施例电子设备的结构示意图;如图7所示,该电子设备的硬件结构可以包括:处理器701,通信接口702,计算机可读介质703和通信总线704;
其中,处理器701、通信接口702、计算机可读介质703通过通信总线 704完成相互间的通信;
可选的,通信接口702可以为通信模块的接口,如GSM模块的接口;
其中,处理器701具体可以配置为运行存储器上存储的可执行程序,从而执行上述任一方法实施例的所有处理步骤或者其中部分处理步骤。
处理器701可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子装置。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来运行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他一实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
- 基于计算机视觉进行训练动作识别的方法、装置
- 一种基于布鲁姆教学目标分类法进行课堂提问的分类模型训练方法、方法、装置和存储介质