Human Motion Morphology Capture Based on Computer Vision and Image Segmentation Algorithms
Notice bibliographique
Résumé
Although human motion form capture is widely used in multiple fields, it often requires a significant amount of time and cost to learn how to operate the device during use.Therefore, this article attempted to apply computer vision (CV) technology and image segmentation algorithms to human motion form capture technology, simplifying the operation scheme and improving recognition accuracy and efficiency.This article provided an in-depth analysis of human motion form capture technology.Firstly, it identified several parts of the current human motion form capture technology that can be optimized, and introduced the effects of these optimized parts on human motion form capture in sports training.This article took the form capture of aerobics athletes as a sample and extracted 50 keyframe images containing aerobics scoring actions from 100 aerobics activity videos.The extraction interval for these keyframe images was at least 10 seconds.Next, this article used histogram equalization to enhance the image, while segmenting and recognizing the human motion forms of the five types of actions in the keyframe images, highlighting the level of action standards of athletes in aerobics.Finally, this article selected 6 key frame images containing different movements of aerobics athletes for comparative experimental analysis.In this experiment, both commonly used optical unlabeled capture techniques and motion morphology capture techniques combining CV and image segmentation algorithms were used to capture the human body in the image.The addition of CV technology and image segmentation has improved the overall performance of human motion morphology capture technology by approximately 26.02%.The integration of CV technology and image segmentation algorithms into human motion form capture technology has greatly improved image processing efficiency.At the same time, CV technology and image segmentation algorithms have also enabled better image processing accuracy in human motion form capture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».