基于人工智能動作比對分析的視頻教學平臺

林條達，林夏想，崔月娟，吳浩森，蔡奇倡，何韋穎（通訊作者）

（廣州理工學院 廣東 廣州 510540）

1 引言

我國的智能體育在20世紀90年代就已起步。隨著大數據和算法的突破性進展以及我國體育業務和市場需求的擴大，人工智能現已在競技體育領域不斷推進，也在全民健身領域逐漸鋪開，傳統觀念中的體育設備和場景離人們的生活越來越遠，取而代之的是一件件高科技、高智能化的產品。跑步用咕咚、睡覺靠手環、健身可預約已經幾乎是所有運動達人的標配。隨著科技的快速發展，社會變得越來越美好，但同時加速了人們的生活節奏，導致了人們的壓力大。同時，很多人開始擔心身體健康狀態，所以利用空閑時間進行個人運動成為大部分上班族放松、鍛煉的好途徑。為了在有限的時間達到更好的運動效果，人們可能嘗試了各種途徑，諸如看運動視頻、周末報健身班等，但可能效果不佳。此時，基于人工智能的運動對比分析的視頻教練平臺應運而生?；谌斯ぶ悄艿囊曨l運動比對分析教學平臺，主要是以人工智能算法為依托，借助平臺，既可以免費在線觀看學習健身運動的教學視頻，又可以在線對比訓練，實時對比正確動作并進行評分，訓練完成后生成運動報告，指出你在訓練過程中的錯誤動作，方便學習改正，以使自己在沒有人指導的情況下獲得高正確率的指導。

2 需求的分析與構思設計

2.1 平臺可行性

隨著人工智能的發展，特別是越來越準確的各類行為及物品識別的發展讓軟件自動識別視頻成為了一種可能，如行人行為分析、課堂教學分析、人流車流擁堵分析、值班人員狀態分析、駕駛人員疲勞分析等。由于以上都是實時或以視頻形式出現，所以就要利用視頻處理技術和人工智能識別技術相結合的方式來解決這些問題。用到的技術有opencv、ffmpeg、YOLO.人臉識別、OCR等，其中ffmpeg是視頻處理的基礎，opencv是處理圖像的基礎，YOLO.人臉識別、OCR等是識別分析技術。在opencv可以直接使用dnn加載各種模型處理后，有些識別技術可以由opencv 直接來實現。

下面就以一個實例來實現基于分析視頻行為進行視頻分類?？傮w設計思路是，先以指定的間隔時間提取視頻圖像[1]，比如隔30 s提取1次，每30 min的視頻提取圖片數為60張。然后，按提取順序進行圖像中行為分析，如有無正面人臉、有無人頭、有無站立的人、有無教學白板等。根據st教學法的判斷方法，最后得出視頻的類型。

隨著計算機軟硬件以及互聯網的飛速發展，計算機視覺在各個領域得到了廣泛的關注。其中，視頻中的人體動作識別技術已經在安防和監控等領域具有重要作用，同樣也可以在視頻教學中得到很好的應用?，F有的基本硬件設施足以運行我們的平臺，而沒有指導想要做出正確的運動是非常困難的，所以說這樣的平臺正是我們需要的。

2.2 實時運動錄像匹對分析

對比傳統的運動視頻教學，我們不難發現，它們以單純的灌輸式知識講解為主，有著快速且繁多的動作，用戶們可能會覺得枯燥無味、難以記住動作要領。我們可以采取最近火爆的人工智能、圖像識別技術，對教學視頻中的人物運動動作特征進行提取，同時通過攝像頭捕獲用戶的學習畫面。將這兩者進行比對并對其進行評分，實時返回分數并顯示給用戶界面，讓用戶一目了然，對達不到標準的動作可以及時更正，以達到更好地指導用戶學習的效果。運動結束后，會根據運動期間的錄像，進行一個總評分，并給出該項運動的一些建議和技巧。同時，也可以知道運動能耗、時間、動作的正確度是否標準，讓用戶更好地掌控自己的運動情況。

2.3 自主上傳錄像

考慮到部分用戶不喜歡、比較介意實時錄像，所以我們也設計了可直接上傳錄像功能。平臺根據用戶上傳的錄像，同樣進行拆分，與該類型運動的標準視頻進行一個匹配，生成一個左右分屏的對比視頻。左邊為標準動作視頻，右邊為錄像運動視頻，在給出視頻動作指正的時候，同時給出實時評分，這樣擴展了平臺的使用范疇，也提高了平臺的可行性，方便用戶在運動后還能了解運動情況，方便改正與學習。

2.4 運動教學視頻推薦

一個好的教學平臺，當然需要我們利用大數據算法去“捕獲”用戶的喜好。我們在用戶上傳視頻后，對用戶喜好的運動進行歸類，以及記錄次數。對歸類中的運動類型進行分析，找出相似運動的視頻教學，便可以推薦用戶最近喜愛的運動教學視頻了。

3 平臺和各種客戶端的實現

3.1 平臺和客戶端的確定

模仿是重要能力發展的先決條件。有相當多的研究探討了如何最有效地教授這一關鍵技能，但許多流行的教學策略存在著實施困難、缺乏普遍性等問題。本研究試圖確定視頻建模（VM）是否可以成功地替代教學模仿，有關虛擬機的文獻表明，它可以是一種非常有效地技術，傳授各種技能。此外，虛擬機已被確定為易于實施。然而，關于VM何時、對誰最有效，仍然有許多問題。目前的研究通過分析VM和live modeling（LM）之間的比較來回答其中的一些問題。然后，對學習行為所需的標準進行實驗比較，結果表明，兩種類型之間存在顯著差異，其結果對模仿訓練有著廣泛的意義，因為它們驗證了社交技能和模仿之間的關系，證明了虛擬記憶可以有效地模仿。首先我們實現了超多平臺的使用，其次考慮到我們的功能需要用攝像頭，或者使用錄播方式，所以推出了安卓客戶端、IOS客戶端、微信小程序、網頁端以及平臺的管理后臺。

3.2 運動視頻分析

以興趣休閑主題全面運營的企業的網頁內容為對象，利用社交大數據分析了用戶關系。研究方法運用網絡分析方法，分析文本分析與頁面使用者之間的評論關系。通過文本分析和單詞的頻率分析，掌握了信息的主題，追蹤和視覺化使用者之間通過評論建立的關系，觀察了交流關系。分析結果，首先，比起形象，對視頻造型的反應更高，對于鏈接其他內容的造型反應相對較低。其次，以關注度高的內容為中心，使用者之間的關系活躍，確認了興趣和休閑內容之間發生了差異。因此，本研究結果在對中小企業的營銷層面上，可以提供實務上有用的價值。特別是，作為興趣休閑領域的新研究方法，有社會、政策的啟示，今后需要對廣泛的社交媒體進行研究。運動分析功能是重中之重，運動檢測分析、姿勢分析，以及實時反饋。我們需要應用圖像處理技術，把圖片解剖成多個部分，然后再實現讓視頻與學習者進行實時的動作分析與互動，以及運用圖像處理算法堆視頻進行特征檢查和識別，實時反饋給學習者相似度和學習建議，從而使學習者在家也能用科技的力量體驗到標準動作更加良好的指導。

3.3 數據管理

大數據分析在現代運營管理（OM）中至關重要。在本研究中，我們首先探討現有的大數據相關分析技術，并找出它們的優勢、劣勢以及主要功能。然后，我們討論各種大數據分析策略，以克服各自的計算和數據挑戰。之后，我們研究了文獻，揭示了不同類型的大數據方法（技術、策略和架構）如何應用于不同的OM主題領域，即預測、庫存管理、收入管理和營銷、運輸管理、供應鏈管理和風險分析[2]。我們還通過案例研究調查了大數據分析在頂級品牌企業中的實際應用。最后，對本研究進行了總結，并對未來的研究進行了展望。對于用戶學習記錄數據，可實現多級數據權限，比如省市區區域級別。同時，也可以按個人、用戶組、區域、運動項目統計運動數據，并進行自定義時間區間的對比。根據用戶在平臺使用時間、使用周期、課程類別等其他數據進行分析，分析用戶愛好特征及人群劃分。

3.4 運動視頻推薦的實現

用戶在使用時，比如實時運動錄像對比，首先會選擇運動類型相對應的教學視頻。此時，我們就會有一個記錄，并將用戶的標準視頻運動類型存入用戶的相關記錄表中。通過用戶幾次使用后，我們根據用戶的運動類型進行一個評估，占比較高的可以大致視為用戶最近喜歡的或者最近正在學習的運動，我們就可以據此推薦該類型的視頻給用戶。

3.5 主要功能

智能體育運動理念普及程度不夠是目前科技在體育應用發展過程中的一個難題。根據艾瑞咨詢的調查數據，健身APP“Keep”目前擁有1.7億的注冊用戶，3500萬活躍用戶，但用戶中30歲以下的占比 80%，一二線城市人群占比60%。因此，采集到的運動數據都集中在這部分領域，而其他人群和其他項目的運動數據明顯缺失。數據采集量的不平衡導致存在數據失真、維度單一、不夠完備和結構化不足等問題。此外，各類體育數據服務商系統間相互隔離也是智能體育應用過程中產生的一個難題[3]。比如學員使用的智能可穿戴設備不一樣，有的用運動手環，有的用運動手表，大家使用的設備不同，如果想要后臺統計數據十分不方便。本文主要是實現3個方面的功能：（1）通過攝像頭捕捉的用戶動作及軌跡，在教學視頻播放時同步顯示用戶動作軌跡和實時相似度；（2）開發娛樂平臺，包含資源管理、用戶管理、運動管理等功能模塊；（3）針對系統用戶產生的運動數據，能夠分析用戶興趣愛好。

4 結語

基于人工智能的視頻運動比對分析教學平臺，我們選定運動健身作為應用場景。通過系統預先初始化的運動視頻，用戶選擇該項目后，系統將播放視頻，用戶在攝像頭前做出相同動作，系統實時計算相似度，在運動結束后做出總體評價。