本发明涉及视频动作识别，具体为一种自适应运动节奏学习的视频动作识别方法及系统。
背景技术：
1、通过健身教学视频学习健身动作进行运动是当前常见的模式，其对运动人员的时间和空间要求较低，可操作性和健身效果良好。健身教学视频的内容包括哑铃运动、瑜伽和健身操等，有效扩展了健身的内容和方式。
2、在运动人员刚接触健身教学视频的过程中，由于对动作和流程不熟悉，容易出现跟不上视频节奏、动作不准确等问题；不仅打击了运动者的积极性，还起不到应有的锻炼效果；因此需要对运动人员动作进行识别，并根据结果对健身视频进行调整，以提高运动锻炼的效果。
3、现有技术中，申请号为cn202410146629.0的专利提出了基于自适应运动节奏学习的视频动作识别方法及系统；将所述压缩后视频特征和前向输入特征，融合得到第一输出特征后，将所述运动相关张量和所述第一输出特征，以元素添加的形式进行融合，得到第二输出特征；基于所述第二输出特征，识别出视频所属的动作类别；提高了基于视频的动作识别方法的性能。申请号为cn202210517629.8的专利提出了一种基于时空平滑特征网络的动作识别方法；通过网络模型通过服务器读取视频数据，进行等间隔的分帧；使用动作检测器，对视频信息进行特征提取，使用时空平滑特征融合方法，对时间域与空间域的特征进行平滑处理，完成特征提取，使用深度学习的方法，对特征进行综合分析，判断目标动作，准确地检测待目标动作。申请号为cn202311338628.8的专利提出了一种基于视频序列的人体动作识别方法、系统及存储介质；利用运动分支和空间分支以及两分支的融合实现运动信息，外观信息，多频域信息的特征融合，并在融合过程中加入自适应多频域自注意力交叉融合模块，以更加灵活的方式提高频率适应性，提高识别效果。
4、现有技术主要是对运动人员的动作进行识别，没有建立起运动人员与健身视频的联动与反馈机制，不能很好地解决运动人员跟不上视频节奏而导致的运动效果不好的情况。
5、为此，提出一种自适应运动节奏学习的视频动作识别方法及系统。
技术实现思路
1、本发明的目的在于提供一种自适应运动节奏学习的视频动作识别方法及系统，对教学视频进行拆分得到教学子视频；对教学子视频进行识别得到动作标记数据集；对运动人员的练习子视频进行逐帧分解得到练习图像集；通过动作标记数据集对练习图像集进行识别，得到动作完成系数、动作标准系数和动作流畅系数，并对播放速度进行加权，得到修正播放速度；通过练习子视频获得运动数据，通过运动人员个人信息确定阈值，根据运动数据和阈值得到疲劳系数；根据疲劳系数对休息时间进行加权计算，得到修正休息时间；本发明通过对教学视频的播放速度和休息时间进行调整，有效地提高运动人员学习和运动的效果。
2、为实现上述目的，本发明提供一种自适应运动节奏学习的视频动作识别方法，包括：
3、对教学视频的动作进行分解，得到教学视频数据集；所述教学视频数据集包括教学子视频和休息时间；对所述教学子视频进行动作识别和标记，得到动作标记数据集；
4、收集运动人员的个人信息，并进行存储；在所述教学子视频开始播放时，通过拍摄装置拍摄得到搜索图像集；根据所述搜索图像集和所述个人信息识别确定所述运动人员的位置；
5、对所述运动人员的动作进行跟踪拍摄，获取教学子视频开始到结束的时间段内所述运动人员的运动视频，得到练习子视频；
6、通过所述教学子视频的动作标记数据集对所述练习子视频进行识别，得到所述运动人员的动作完成系数、动作标准系数和动作流畅系数；根据所述动作完成系数、所述动作标准系数和所述动作流畅系数计算得到动作识别系数；根据所述动作识别系数对下一个教学子视频的视频播放速度进行调整，得到修正播放速度；
7、对所述练习子视频中的所述运动人员进行数据收集，得到运动数据集；通过所述运动数据集和所述个人信息计算得到疲劳系数；根据所述运动人员的疲劳系数对休息时间进行调整，得到修正休息时间。
8、所述个人信息包括运动人员的性别、年龄、身高、体重、既往病史和面部图像；所述运动数据集包括运动视频内运动人员的心率、呼吸频率数据和视频截图。
9、所述动作完成系数、动作标准系数和动作流畅系数的获取步骤为：
10、获取教学子视频，对所述教学子视频内的动作进行识别确定标志动作；根据所述标志动作获得动作标记数据集，所述动作标记数据集包括教学标记图像和教学标记时间点；
11、获取与所述教学子视频对应的练习子视频；对所述练习子视频进行逐帧分割，得到练习图像集；按照时间顺序遍历所述练习图像集，获得练习图像和第一教学标记图像的动作相似度；当所述动作相似度大于阈值时，判定该练习图像为第一练习标记图像，所处的时间点记为第一练习标记时间点；
12、对所述练习图像集进行更新，删去所述第一练习标记时间点以及第一练习标记时间点之前的运动图像，得到第二练习图像集；根据第二教学标记图像对所述第二练习图像集进行遍历，识别得到第二练习标记图像，并更新得到第三练习图像集；
13、以上述方法进行遍历识别和练习图像集的更新，当所述练习图像的动作相似度均小于阈值或者所述教学标记点图像全部识别完毕时终止识别，并获得最后识别得到的练习标记图像和练习标记时间点；
14、根据最后识别得到的练习标记时间点和所述教学子视频总时间，获得动作完成系数；所述动作完成度系数的计算公式为：
15、
16、其中，acti表示第i个教学子视频的动作完成系数；tj为最后识别得到的所述练习标记时间点得到对应的教学标记时间点；ti第i个教学子视频总时间；
17、根据所述教学标记图像和所述练习标记图像的动作相似度，识别得到动作标准系数；
18、
19、其中，stai表示第i个教学子视频的动作标准系数；sim()表示动作相似度识别模型；mvc表示第c个教学标记图像；fvc表示第c个练习标记图像；j表示练习标记图像的总数；
20、通过所述教学标记时间点和所述练习标记时间点，识别得到动作流畅系数；
21、
22、其中，flui表示第i个教学子视频的动作流畅系数；td表示第d个教学标记图像所处的教学标记时间点；tod表示第d个练习标记图像所处的练习标记时间点。
23、所述修正播放速度的计算公式为：
24、ai＝α1*exp(acti-1)+α2*stai+α3*flui；
25、
26、其中，ai表示第i个练习子视频的动作识别系数；α1表示第一权重；acti表示第i个练习子视频的动作完成系数；α2表示第二权重；stai表示第i个练习子视频的动作标准系数；α3表示第三权重；flui表示第i个练习子视频的动作流畅系数；playi+1表示第i+1个教学子视频的修正播放速度；pmax表示教学子视频的播放速度上限；pmin表示教学子视频的播放速度下限；ph表示动作识别系数阈值；exp表示以自然常数为底的指数函数。
27、所述疲劳系数的测算流程为：获取所述运动人员的个人信息；根据所述运动人员的个人信息设置运动阈值；根据所述运动数据和所述运动阈值计算得到运动人员的疲劳系数；
28、
29、其中，ftgi为第i个练习子视频的疲劳系数；breathei表示第i个练习子视频的呼吸异常系数；sweati表示脱水预测量；st表示脱水量阈值；heari表示最大心率；ht表示心率阈值。
30、根据所述运动人员的疲劳系数对休息时间进行调整，得到修正休息时间；
31、resti＝rei*ln(e+ftgi)；
32、其中，resti表示第i个修正休息时间；rei第i个休息时间；ftgi表示第i个练习子视频的疲劳系数；e表示自然常数；ln表示以自然常数为底的对数函数。
33、一种自适应运动节奏学习的视频动作识别系统，包括：
34、教学视频分解模块，对教学视频的动作进行分解，得到教学视频数据集；所述教学视频数据集包括教学子视频和休息时间；对所述教学子视频进行动作识别和标记，得到动作标记数据集；
35、运动人员定位模块，收集运动人员的个人信息，并进行存储；在所述教学子视频开始播放时，通过拍摄装置拍摄得到搜索图像集；根据所述搜索图像集和所述个人信息识别确定所述运动人员的位置；
36、运动视频获取模块，对所述运动人员的动作进行跟踪拍摄，获取教学子视频开始到结束的时间段内所述运动人员的运动视频，得到练习子视频；
37、播放速度调整模块，通过所述教学子视频的动作标记数据集对所述练习子视频进行识别，得到所述运动人员的动作完成系数、动作标准系数和动作流畅系数；根据所述动作完成系数、所述动作标准系数和所述动作流畅系数计算得到动作识别系数；根据所述动作识别系数对下一个教学子视频的视频播放速度进行调整，得到修正播放速度；
38、休息时间调整模块，对所述练习子视频中的所述运动人员进行数据收集，得到运动数据集；通过所述运动数据集和所述个人信息计算得到疲劳系数；根据所述运动人员的疲劳系数对休息时间进行调整，得到修正休息时间。
39、所述修正播放速度的计算公式为：
40、ai＝α1*exp(acti-1)+α2*stai+α3*flui；
41、
42、其中，ai表示第i个练习子视频的动作识别系数；α1表示第一权重；acti表示第i个练习子视频的动作完成系数；α2表示第二权重；stai表示第i个练习子视频的动作标准系数；α3表示第三权重；flui表示第i个练习子视频的动作流畅系数；playi+1表示第i+1个教学子视频的修正播放速度；pmax表示教学子视频的播放速度上限；pmin表示教学子视频的播放速度下限；ph表示动作识别系数阈值；exp表示以自然常数为底的指数函数。
43、所述疲劳系数的测算流程为：获取所述运动人员的个人信息；根据所述运动人员的个人信息设置运动阈值；根据所述运动数据和所述运动阈值计算得到运动人员的疲劳系数；
44、
45、其中，ftgi为第i个练习子视频的疲劳系数；breathei表示第i个练习子视频的呼吸异常系数；sweati表示脱水预测量；st表示脱水量阈值；hearti表示最大心率；ht表示心率阈值。
46、根据所述运动人员的疲劳系数对休息时间进行调整，得到修正休息时间；
47、resti＝rei*ln(e+ftgi)；
48、其中，resti表示第i个修正休息时间；rei第i个休息时间；ftgi表示第i个练习子视频的疲劳系数；e表示自然常数；ln表示以自然常数为底的对数函数。
49、与现有技术相比，本发明的有益效果为：
50、1、本发明对教学视频进行拆分，得到教学子视频；对所述教学子视频进行识别拆分，得到动作标记数据集；对获得的练习子视频进行逐帧分解，得到练习图像集；通过所述动作标记数据集对所述练习图像集进行识别，得到练习标记图像和练习标记时间点；进而计算得到动作完成系数、动作标准系数和动作流畅系数；准确地对练习子视频的动作进行衡量。
51、2、本发明获取健身教学视频播放速度的上限与下限，并通过获得的动作完成系数、动作标准系数和动作流畅系数对播放速度进行加权，得到修正播放速度；准确地根据当前运动人员的动作情况对视频速度进行调整。
52、3、通过呼吸频率数据获取运动人员的呼吸异常系数；通过视频截图获得脱水量预测，通过检测设备获得运动人员的心率；根据运动人员的个人信息和数据确定运动的阈值；根据所获得的运动数据和运动阈值，准确计算得到运动人员的疲劳系数；根据疲劳系数对休息时间进行加权计算，得到修正休息时间，准确地根据运动人员的运动情况调整休息时间。
1.一种自适应运动节奏学习的视频动作识别方法，其特征在于，包括：
2.根据权利要求1所述的一种自适应运动节奏学习的视频动作识别方法，其特征在于：
3.根据权利要求1所述的一种自适应运动节奏学习的视频动作识别方法，其特征在于：
4.根据权利要求1所述的一种自适应运动节奏学习的视频动作识别方法，其特征在于：
5.根据权利要求1所述的一种自适应运动节奏学习的视频动作识别方法，其特征在于：
6.根据权利要求1所述的一种自适应运动节奏学习的视频动作识别方法，其特征在于：
7.一种自适应运动节奏学习的视频动作识别系统，其特征在于：
8.根据权利要求7所述的一种自适应运动节奏学习的视频动作识别系统，其特征在于：
9.根据权利要求7所述的一种自适应运动节奏学习的视频动作识别系统，其特征在于：
10.根据权利要求7所述的一种自适应运动节奏学习的视频动作识别系统，其特征在于：
