基于Fast-OpenPose的仰卧起坐姿态估计研究

当前,许多学校体质测试项目中的仰卧起坐测试仍需通过手动计数,这不仅耗费人力,而且效率较低。为了促进体质健身的智能化发展,提出了一种基于人体姿态估计模型Fast-OpenPose和支持向量机(support vector machine,SVM)融合实现的仰卧起坐行为计数方法。通过OpenPose检测出仰卧起坐连续视频流中人体关键点的位置信息,再用SVM对获取到的每一帧人体关键点的坐标数据进行动作特征分类。鉴于原OpenPose网络复杂度高、模型参数量大、检测耗时长的缺陷,用FasterNet对其主干特征提取部分进行轻量化改进,并在预测分支中优化更为高效的单分支网络结构和卷积类型,最后引入空间注意力(spatial group-wise enhance,SGE)来弥补精度损失。在CoCo2017数据集的基础上,额外扩充1000张仰卧起坐场景的图片数据进行模型训练,实验结果表明,改进后的Fast-OpenPose在损失部分精度但不影响仰卧起坐姿态估计的情况下,模型参数量缩减近80%,关键点检测速度提升110%。与同系列其他改进模型相比,在保持相近平均精度均值(mAP)的同时,更具有轻量化与速度优势。