基于图像处理的引体向上计数系统及计数方法

摘要

本发明基于图像处理的引体向上计数系统及计数方法，在给定单杠高度、摄像机参数、拍摄环境的条件下，根据拍摄到的图像序列运用数字图像处理理论中的直线检测、人脸检测、肤色检测获取单杠、人脸、人手的位置，并将检测到的相关区域根据图像旋转不变矩理论求其二值图像的零阶矩和一阶矩，确定准确的人脸和人手质心位置及人脸面积。然后追踪记录整个图像序列中的人脸和人手位置变化及特定区域的图像灰度值变化，通过编程分析，求出运动员的引体向上次数。由于采用非接触测量技术，所以抗环境干扰能力强。位置检测技术成熟，计数误差低。具有较小的计算机性能要求和执行时间，达到快速、可靠和计数准确的实时要求。在不同身高、不同性别的运动员进行测试计数时，不需要改变程序。

说明书

技术领域

本发明涉及图像处理和机器视觉领域，具体是一种基于图像处理的引体向上计数系统及计数方法。

背景技术

引体向上，中考体育和高中体育会考选择项目，主要测试上肢肌肉力量的发展水平，为男性上肢力量的考查项目，是通过上臂力量克服自身重力的悬垂力量练习，是最基本的锻炼背部的方法，也是衡量男性体质的重要参考标准和项目之一，快速准确地统计出引体向上次数具有十分重要的意义。

当前对引体向上项目的计数工作主要是依靠人工完成，费时、耗力、人力成本较高，长时间的一对多测试容易造成监考官注意力下降，身体疲惫，计数出错。

而且引体向上项目动作标准比较严格，人工计数主观性比较大，容易由于动作标准不统一造成误判及不公平现象。

另外，对于学生成绩的记录与保存一般由监考官手动记录，然后人工输入相关成绩管理系统，程序繁琐，容易出错。

因此，对于会考项目的引体向上计数，急需一种引体向上自动化计数装置，以便解放人力负担、提升检测效率、维护考试公平、实现计数自动化。

目前，国内也出现了相关的多个引体向上计数装置，但是都是在单杠结构上的改进，且大多采用安装红外探头传感器、超声波传感器等传感器，这类引体向上计数装置算法、结构简单，依然不能完全解决人工计数引起的一系列问题，且计数结果受外界干扰影响较大，误判率高，没有达到实用的要求。也有部分计数装置采用影像传感器，但是利用到专有设备，价格昂贵且算法复杂，无法达到实时性要求。

中国专利CN105944363A公开了一种超声波引体向上测试仪及其控制方法，该测试仪包括以及与其相连的超声波探头、红外探头、语音播报器、电子显示屏等，所述超声波探头用以实时测量人体头顶位移间距并记录人体引体向上的次数,所述红外探头用以检测手腕或前臂前端是否位于其检测路径上以及位于其检测路径上的时长。本方法采用超声波探头实时测量人体头顶位移间距,把有效距离的变化重复次数转化成电信号,结合红外探头进行人体感应和计时,记录引体向上次数的计数方法。该方法采用超声波探头和红外探头，收外界环境干扰大，对于不同测试者采用相同的标准，因此存在不公平性，而且此测试仪操作难度大，对被测试者是一种负担。

赵素芳描述了一种结合深度图像的引体向上自动测试系统，该系统研究了结合深度图像的引体向上自动测试，利用获取深度图像，根据深度信息结合彩色图像来进行头部跟踪和图像分割以确定横杠和人脸下颚的位置。测试前通过深度信息先确定单杠横杠的水平高度，对每个对象测试初通过人脸跟踪和骨骼跟踪确定其下颚到头部骨骼点的距离，测试中通过更快的骨骼跟踪测定头部骨骼点，然后减去下颚到头部骨骼点距离，从而有效判断下颚水平位置是否位于横杠之上。头部骨骼跟踪结果也用于对手臂伸直的判断。测试初先通过肩关节定位测定其与单杠横杠的最大高度差，乘以系数作为测试者手臂伸直判断阈值，测试中通过头部骨骼跟踪得到的下颚位置，计算其与横杠的高度差，超过阈值则判断为手臂伸直。该系统在一定程度上解放了人力，提高了引体向上的自动化程度，但是该系统的图像传感器是用的微软公司的Kinect,该传感器价格昂贵，Kinect采集到的深度图像数据集非常大，导致对计算机性能要求高，很难达到实时性的要求。

综合来看，当前引体向上计数装置虽然在自动化程度和计数准确性上有一定提高，但是依然达不到实用的程度。

发明内容

为了解决上述问题，本发明提供了一种基于图像处理的引体向上计数系统及计数方法。

实现本发明目的的技术方案是：

基于图像处理的引体向上计数系统，包括主控制器、图像采集模块、数据显示模块、辨别信息统计模块和动作计数模块，主控制器分别与数据显示模块、辨别信息统计模块、动作计数模块连接，图像采集模块通过预处理模块、人脸人手识别模块、坐标提取模块与主控制器连接。

进一步的，还设有外部数据导入模块，与主控制器连接。

进一步的，还设有光源，与主控制器连接。

采用上述计数系统计数的方法是：

(1)获取特定动作图像：采集被测试者在指定位置呈特定动作的图像；

(2)图像预处理：将彩色RGB图像转化成8位灰度图像，然后对灰度图像进行滤波平滑，以除去噪声干扰，利用Canny算子对灰度图像进行边缘检测生成边缘二值图像，并以图像左上角为坐标原点，垂直向下方向为X轴，水平向右方向为Y轴建立图像坐标系；

(3)直线线段检测：在极坐标系中，用参数极径r和极角θ表示一条直线，表达式为：

其中，为直线斜率，为直线截距；

由于图像中检测到的直线不止一条，因此对检测到的直线增加直线斜率以及直线长度值的限制，最后剩单杠上下边缘两条最为明显的边缘直线，分别取x轴上两条直线中心点值x₁和x₂，求其均值，

因此，单杠高度为：

(4)人脸人手检测：收集正面人脸图像和人手图像作为训练集，然后使用haar-like矩形特征表示人脸和人手，计算每一个像素点的特征值，挑选出最能代表人脸和人手的矩形特征，并通过检测窗口位置和比例的不断调整找到人脸和人手；

(5)旋转不变矩计算：用相应的外轮廓将步骤(4)找到的人脸和人手的大致位置包围起来，并将图像转化成二值图像，呈一个二维密度分布f(x,y)，

图像f(x,y)的(p+q)阶几何矩函数为：

其中f(x,y)为点(x,y)处图像的亮度值，是图像亮度f(x,y)定义的像素空间区域，x^py^q是变换核，M^pq称为p+q阶几何矩，

零阶几何矩m₀₀代表图像总亮度，在二值图像中，m₀₀是目标区域的几何面积；

一阶几何矩m₁₀，m₀₁是图像关于x轴和y轴的亮度矩，其亮度矩心(X₀,Y₀)公式为：

在二值图像中，点(X₀，Y₀)为图像区域的几何中心，即质心，

因此，求二值图像的零阶矩m₀₀便求得人脸面积，再除以一阶矩m₁₀，m₀₁便得到人脸、人手的质心；

(6)通过上述步骤得到横杠高度值x₀，人脸面积s₁脸，人脸质心坐标(x_1手，y_1脸)和人手质心坐标(x_1手，y_1手)，用横杠高度值x₀，人脸面积s₁，人脸和人手心距离h＝x_1手-x_1手，三个数值作为判断引体向上动作是否合格的阈值；

(7)获取引体向上图像序列：采集并记录被测试者在整个引体向上计数考核中的图像序列，直至整个计数考核结束；

(8)图像序列预处理：对图像序列进行灰度化，高斯模糊；将彩色RGB图像转化成8位灰度图像，然后对灰度图像进行滤波平滑，以除去噪声干扰，利用Canny算子对灰度图像进行边缘检测生成边缘二值图像，并以图像左上角为坐标原点，垂直向下方向为X轴，水平向右方向为Y轴建立图像坐标系；

(9)运动人体检测和前景提取：以运动物体为前景，其余为背景，对背景进行建模，通过减除法用当前帧减除背景，将运动人体从整个图像序列中提取出来进行分析计数；为了保证前景图像有更好的结果，对特定区域进行形态学变换，以消除特定区域的噪声干扰。计算感兴趣区域前景像素点灰度总和；

(10)人体肤色检测：将图像序列从RGB颜色空间转化为YCrCb颜色空间，转化函数为：

其中：在YCrCb颜色空间中,Y指亮度信息，C_b指色调，C_r指饱和度。在RGB颜色空间中，R代表红色分量，G代表绿色分量、B代表蓝色分量；

在CrCb二维空间中皮肤像素点会近似成一个椭圆分布。如果该坐标(Cr,Cb)在椭圆分布内，此像素点就被认定为皮肤像素点，如果在椭圆分布外，此像素点就被认定为非皮肤像素点。

将在采集到的肤色样本点投影到CbCr平面，投影后对其进行非线性K-L变换，对皮肤像素点进行统计分析形成了肤色椭圆模型；

椭圆肤色模型描述为：

其中，c_x＝109.38，c_y＝152.02，θ＝2.53，ec_x＝1.6，ec_y＝2.41，a＝25.39，b＝14.03；加入相应的限制条件，检测出图像序列中的人脸；

(11)旋转不变矩计算：用相应的外轮廓将步骤(10)检测出图像序列中的人脸包围起来，并将图像转化成二值灰度图像，呈一个二维密度分布f(x,y)，

图像f(x,y)的(p+q)阶几何矩函数为：

其中f(x,y)为点(x,y)处图像的亮度值，是图像亮度f(x,y)定义的像素空间区域，x^py^q是变换核，M^pq称为p+q阶几何矩，

零阶几何矩m₀₀代表图像总亮度，在二值图像中，m₀₀是目标区域的几何面积；

一阶几何矩m₁₀，m₀₁是图像关于x轴和y轴的亮度矩，其亮度矩心(X₀,Y₀)公式为：

在二值图像中，点(X₀，Y₀)为图像区域的几何中心，即质心，

因此，求二值图像的零阶矩m₀₀便求得人脸面积，再除以一阶矩m₁₀，m₀₁便得到图像序列中人脸质心(x₂，y₂)；

(12)引体向上动作判定及计数

图像序列中人脸质心离单杠距离为：

h₁＝x₂-x₀(10)

随着图像序列的变化，s和h₁也在不断变化中；

当s>＝s1脸时，即表示运动员完成一次合格的上拉动作，人脸下巴过横杠；完成上拉动作以后，当h1>＝h时，即表示运动员完成一次合格的手臂伸直动作，此时记一次合格的引体向上动作；

(13)当整个图像序列结束时，整个计数过程停止，存储并输出引体向上动作次数。

步骤(2)所述图像预处理的步骤包括：

1)彩色RGB图像转化为8位灰度图像，转化函数如下：

其中：R、G、B分别为彩色图像每个像素的颜色分量，R代表红色分量，G代表绿色分量，B代表蓝色分量，Grey为灰度图像每个像素的灰度值；

2)滤波平滑操作为：

用一个5*5的高斯模板扫描图像中的每一个像素，对模板确定的邻域内像素值做加权平均，用加权平均的值去代替该中心点像素的值；

其中：模板中的数值为中心像素点邻域内像素的加权系数。

卷积函数为：

g(i，j)＝∑_k，lf(i+k，j+l)h(k，l)(12)

其中：g(i，j)为输出像素值，f(i+k，j+l)为输入像素值，h(k，l)为滤波加权系数，k，l取值为1，2，3，4，5；

3)边缘检测操作为：

运用一对分别作用于x方向和y方向的卷积阵列对灰度图像做卷积，求取灰度图像x方向和y方向的一阶梯度G_x和G_y；

选用的卷积模板为：

然后使用下列公式计算梯度幅值和方向；

其中G_x、G_y分别为x方向和y方向的梯度值，p_x、p_y分别为x方向和y方向上的卷积模板，G(x，y)和θ(x，y)分别为在(x，y)点的梯度幅值和方向，θ范围为[0～180]度；

然后根据双阀值法根据设定阈值赋予像素值1或0，并将候选像素点拼接成轮廓，便生成二值边缘图像。

步骤(3)所述直线线段检测表达式化简可得：

r＝xcosθ+ysinθ(17)

所以对于点(x₀，y₀)，可以将通过这个点的直线统一定义为：

γ_θ＝x₀cosθ+y₀sinθ(18)

其中，每一对(r，θ)代表一条通过点(x₀，y₀)的直线；

因此只要把图像中具有相同(r，θ)值的点的个数超过阈值的点相连就为检测到的图像中的直线；

由于图像中检测到的直线不止一条，因此对检测到的直线增加直线斜率以及直线长度值的限制，最后剩单杠上下边缘两条最为明显的边缘直线，分别取x轴上两条直线中心点值x₁和x₂，求其均值；

因此，单杠高度为：

步骤(4)所述人脸人手检测，包括如下步骤：

1)收集正面人脸图像作为训练集，人脸图像大小为24*24，然后使用矩形特征表示人脸，计算每一个像素点的特征值；

积分图为坐标(x，y)其左上角的所有像素之和；

积分图函数为：

ii(x，y)＝∑_{x′≤x，y′sy}i(x′，y′)(20)

其中ii(x，y)表示积分图的值，i(x′，y′)表示原始图像在(x′，y′)点的值，在彩色图像中指颜色值，在灰度图像中指灰度值；

2)使用boosting算法挑选出一些最能代表人脸的矩形特征，即弱分类器；

弱分类器函数为：

其中，x为检测子窗口，f为矩形特征，f(x)为子窗口的Haar-like特征值，p只能为正负，指代方向，θ为阈值，对于每个矩形特征f，训练一个弱分类器h(x，f，p，θ)，实质就是求解θ的最优解，使得这个弱分类器h(x，f，p，θ)对所有的训练样本的分类误差最低；

3)将弱分类器训练组合成一个强分类器；过程如下：

A)给定训练样本(x₁，y₁)，……，(x_n，y_n)，n个样本图像，y_i＝1表示正样本，y_i＝0负样本。其中，i≤n，设置的迭代次数为T；

B)初始化负样本和正样本权重为

其中，m代表负样本，l代表正样本的数目；

C)从第1次迭代到第T次迭代：

a.归一化权重：

b.根据最小加权错误率筛选最优弱分类器：

∈_t＝min_f，p，θ∑_iw_i|h(x_i，f，p，θ)-y_i|(23)

c.更新权值：

其中：如果x_i分类错误，e_i＝0,否则e_i＝1，

D)T轮后级联成强分类器：

其中

E)通过不停的检测窗口的位置和比例进行调整找到人脸；

此外,人脸检测和人手检测流程相似，只是用于训练的图像为手掌图像。

所述弱分类器训练的过程包括如下步骤：

A)对每个矩形特征f，通过积分图计算所有训练样本的特征值；

B)对特征值进行排序；

C)分别计算每个特征值全部负例的概率和T^-；全部正例的概率和T⁺；该特征值前正例的权重和S⁺；该特征值前负例的权重和S^-；

D)选取当前元素的特征值和它前面的一个特征值之间的数作为阈值，所得到的弱分类器即为分类误差最低的弱分类器，这个阈值对应的弱分类器遍将当前特征值前和后的特征值像素点分类成人脸和非人脸，该阈值的分类误差为：

e＝min(S⁺+(T^--S^-)，S^-+(T⁺-s⁺))(26)。

步骤(9)所述建模的算法流程为：

1)每个新检测到的像素值x_t同当前k个高斯模型按函数式(23)进行比较，如果像素点同该模型的均值偏差在2.5σ内，便认为该模型为匹配新像素值的分布模型：

|x_t-u_i，t|≤2.5σ_i，t-1(27)

2)如果所匹配的模式符合背景要求，则该像素认定为无意义的背景，否则认定为有意义的前景；

3)各构成单高斯模型权值按公式(24)进行更新，其中α是学习速率，M_k，t为匹配模式，取值为M_k，t＝1，M_k，t＝0，然后对各模型的权重进行归一化：

w_k，t＝(1-α)*w_k，t-1+α*M_k，t(28)

4)没有匹配模式的均值μ与标准差σ不变，参数按照如下公式进行更新：

ρ＝α*η(x_t|u_k，σ_k)(29)

u_t＝(1-ρ)*μ_t-1+ρ*x_t(30)

5)如果步骤1)中没有任何模式得到匹配，则权重最小的模式被替换掉，即该模式的标准差为初始较大值，权重为最小值，均值为当前像素值；

6)各模式根据ω/σ²按降序排列，权重大、标准差小的模式排列靠前；

7)选择前B个模式当为背景，B满足下式：

其中，参数T表示背景所占比例。

8)用当前帧减除建模获得的背景，剩下的即为前景；

为了保证前景图像有更好的结果，对特定区域进行形态学变换，以消除特定区域的噪声干扰，

选用的形态学变换操作为腐蚀，腐蚀核为：

腐蚀算法为：用结构元素(腐蚀核)扫描图像中的每一个像素点，用结构元素与其覆盖的二值图像做“与”操作。如果都为1，结果图像的该像素值为1，否则为0。

本发明的特点在于：

1.选用摄像头为引体向上检测计数传感器，利用非接触测量技术，所以抗环境干扰能力强。

2.图像位置检测技术成熟，计数误差低。

3.具有较小的计算机性能要求和执行时间，达到快速、可靠和计数准确的实时要求。

4.在不同身高、不同性别的运动员进行测试计数时，不需要改变程序。

5.设备结构简单，易于安装和操作。

附图说明

图1是本发明实施例的实物结构示意图。

图2是本发明实施例的整体方法流程图。

图3为本发明实施例的装置结构示意图。

图中：1、单杠，2、被测试者，3、摄像机，4、光源，5、摄像机支架，6、主机，7、数据传输线，8、人手位置标志线，9、拍照站立点标志

具体实施方式

实施例：

为了保证本计数装置对不同时刻、不同被测试者间的计数准确性和公平性，整个计数装置应该按照图1实物结构示意图进行安放，其中有几个硬性安放要求如下：

(1)摄像机高度大致为1.7m-1.8m,且位置在单杠横杠中间，焦线与单杠组成的平面垂直。

(2)摄像机正对的背景为单一颜色固定背景，最好为白色，杜绝背景色为与人肤色相近的颜色出现。

(3)被测试者应该按照装置规定的位置和动作进行图像视频采集。

具体实施流程如下：

1、特定动作图像获取：采集被测试者在指定(标记)位置呈特定动作的图像。特定动作标准为:运动员站立双臂向上伸直，双手手指并拢手掌面向正前方，目视摄像机。

2、图像预处理：将彩色RGB图像转化为8位灰度图像，然后对灰度图像进行滤波平滑，以除去噪声干扰，利用Canny算子对灰度图像进行边缘检测生成边缘二值图像，并以图像左上角为坐标原点，垂直向下方向为x轴，水平向右方向为y轴建立图像坐标系。

具体步骤为：

(1)彩色RGB图像转化为8位灰度图像，转化函数如下：

其中：R、G、B分别为彩色图像每个像素的颜色分量，R代表红色分量，G代表绿色分量，B代表蓝色分量，Grey为灰度图像每个像素的灰度值。

(2)滤波平滑操作为：

用一个5*5的高斯模板扫描图像中的每一个像素，对模板确定的邻域内像素值做加权平均，用加权平均的值去代替该中心点像素的值。

本发明装置采用的模板为5*5的高斯模板：

其中：模板中的数值为中心像素点邻域内像素的加权系数。

卷积函数为：

g(i，j)＝∑_k，lf(i+k，j+l)h(k，l)(35)

其中：g(i，j)为输出像素值，f(i+k，j+l)为输入像素值，h(k，l)为滤波加权系数，k，l取值为1，2，3，4，5。

(3)边缘检测操作为：

运用一对分别作用于x方向和y方向的卷积阵列对灰度图像做卷积，求取灰度图像x方向和y方向的一阶梯度G_x和G_y。

选用的卷积模板为：

然后使用下列公式计算梯度幅值和方向。

其中G_x、G_y分别为x方向和y方向的梯度值，p_x、p_y分别为x方向和y方向上的卷积模板，G(x，y)和θ(x，y)分别为在(x，y)点的梯度幅值和方向，θ范围为[0～180]度。

然后根据双阀值法根据设定阈值赋予像素值1或0，并将候选像素点拼接成轮廓，便生成二值边缘图像。

3、直线线段检测：

在极坐标系中，可以用参数极径r和极角θ表示一条直线，表达式为：

其中，为直线斜率，为直线截距。

化简可得：

r＝xcosθ+ysinθ (41)

所以对于点(x₀，y₀)，可以将通过这个点的直线统一定义为：

r_θ＝x₀cosθ+y₀sinθ(42)

其中，每一对(r，θ)代表一条通过点(x₀，y₀)的直线。

因此只要把图像中具有相同(r，θ)值的点的个数超过阈值的点相连就为检测到的图像中的直线。

由于图像中检测到的直线不止一条，因此对检测到的直线增加直线斜率以及直线长度值的限制，最后剩单杠上下边缘两条最为明显的边缘直线，分别取x轴上两条直线中心点值x₁和x₂，求其均值，

因此，单杠高度为：

4、人脸人手检测

此过程主要分三个步骤完成：

(1)收集正面人脸图像作为训练集，人脸图像大小为24*24，然后使用矩形特征表示人脸，使用“积分图”计算每一个像素点的特征值。

积分图为坐标(x，y)其左上角的所有像素之和。

积分图函数为：

ii(x，y)＝∑_{x′sx，y′sy}i(x′，y′)(44)

其中ii(x，y)表示积分图的值，i(x′，y′)表示原始图像在(x′，y′)点的值，在彩色图像中指颜色值，在灰度图像中指灰度值。

(2)使用boosting算法挑选出一些最能代表人脸的矩形特征(弱分类器)。

弱分类器函数为：

其中，x为检测子窗口，f为矩形特征，f(x)为子窗口的Haar-like特征值，p只能为正负，指代方向，θ为阈值。对于每个矩形特征f，训练一个弱分类器h(x，f，p，θ)，实质就是求解θ的最优解，使得这个弱分类器h(x，f，p，θ)对所有的训练样本的分类误差最低。

弱分类器训练的过程可分为如下几步：

A)对每个矩形特征f，通过积分图计算所有训练样本的特征值。

B)对特征值进行排序。

C)分别计算每个特征值全部负例的概率和T^-；全部正例的概率和T⁺；该特征值前正例的权重和S⁺；该特征值前负例的权重和S^-。

D)选取当前元素的特征值和它前面的一个特征值之间的数作为阈值，所得到的弱分类器即为分类误差最低的弱分类器，这个阈值对应的弱分类器遍将当前特征值前和后的特征值像素点分类成人脸和非人脸。该阈值的分类误差为：

e＝min(S⁺+(T^--S^-)，S^-+(T⁺-S⁺))(46)

(3)将弱分类器训练组合成一个强分类器。

具体操作如下：

A)给定训练样本(x₁，y₁)，……，(x_n，y_n)，n个样本图像，y_i＝1表示正样本，y_i＝0负样本。其中，i≤n，设置的迭代次数为T。

B)初始化负样本和正样本权重为

其中，m代表负样本，l代表正样本的数目。

C)从第1次迭代到第T次迭代：

1.归一化权重：

2.根据最小加权错误率筛选最优弱分类器：

∈_t＝min_f，p，θ∑_iw_i|h(x_i，f，p，θ)-y_i|(48)

3.更新权值：

其中：如果x_i分类错误，e_i＝0，否则e_i＝1，

D)T轮后级联成强分类器：

其中

E)通过不停的检测窗口的位置和比例进行调整找到人脸。

此外，人脸检测和人手检测流程相似，只是用于训练的图像为手掌图像。

5、旋转不变矩计算

在流程(4)中，已经找到了人脸和人手的大致位置，并用相应的外轮廓包围起来。

将轮廓内区域灰度值设置为0，轮廓外区域灰度值设置为255，图像便转化成二值图像。

将图像看成一个二维密度分布f(x,y)。

图像f(x,y)的(p+q)阶几何矩函数为：

其中f(x,y)为点(x,y)处图像的亮度值，是图像亮度f(x,y)定义的像素空间区域，x^py^q是变换核，M^pq称为p+q阶几何矩。

零阶几何矩m₀₀代表图像总亮度，在二值图像中，m₀₀是目标区域的几何面积。

一阶几何矩m₁₀，m₀₁是图像关于x轴和y轴的亮度矩，其亮度矩心(X₀,Y₀)公式为：

在二值图像中，点(X₀，Y₀)为图像区域的几何中心，即质心。

因此，求二值图像的零阶矩m₀₀便求得人脸面积，再除以一阶矩m₁₀，m₀₁便得到人脸、人手的质心。

6、通过以上环节已经得到了横杠高度值x₀，人脸面积s₁脸，人脸质心坐标(x_1手，y_1脸)和人手质心坐标(x_1手，y_1手)。用横杠高度值x₀，人脸面积s₁，人脸和人手心距离h＝x_1手-x_1手，三个数值作为判断引体向上动作是否合格的阈值。

7、引体向上图像序列获取

采集并记录运动员在整个引体向上计数考核中的视频序列，直至整个计数考核结束。

8、图像序列预处理

对图像序列进行灰度化，高斯模糊。选用的灰度化函数和高斯模板与步骤2中一样。

为避免处理整幅图像序列带来的程序处理速度慢、运行时间长的问题，选取图像序列中单杠高度x₀值以上，图像序列宽度到位置处的矩形区域，作为整个图像序列的感兴趣区域。

9、运动人体检测和前景提取

在本发明中，运动的人体是检测的中心，对动作标准的判定和计数都是建立在对运动人体动作的分析上，与图像序列中出现的其他物体无关。因此我们只需要将运动人体从整个图像序列中提取出来进行分析计数。

在图像处理中，有意义的运动物体为前景，其他无意义的为背景。因此，采用建模的思想，首先对背景进行建模，然后通过减除法，用当前帧减除背景，剩下的即为运动人体(前景)。

对于图像序列中的每一个像素点，在整幅序列图像中的灰度值可以看成是不断变化的随机过程，并且可以用高斯分布来描述像素点的灰度值变化规律。因此，图像序列的每一个像素点的变化情况可以按照具有不同权值和参数的多个高斯分布的叠加来建模，每个高斯分布对应一个可能产生像素点所呈现灰度值变化的状态，每个高斯分布的权值和分布参数随时间更新。

对于图像序列像素点灰度值x的观测值数据集{x₁，x₂......x_n},x_t为t时刻像素的采样样本，每个采样点x_t服从的概率密度函数为：

τ_i，t＝δ_i，t²I(55)

其中k为分布模式总数，η(x_t，u_i，t，τ_i，t)为t时刻第i个高斯分布，u_i，t为其均值，τ_i，t为其协方差矩阵，δ_i，t为方差，I为三位单位矩阵，w_i，t为t时刻第i个高斯分布的权重。

详细建模算法流程为：

(1)每个新检测到的像素值x_t同当前k个高斯模型按函数式(56)进行比较，如果像素点同该模型的均值偏差在2.5σ内，便认为该模型为匹配新像素值的分布模型。

|x_t-u_i，t|≤2.5σ_i，t-1(56)

(2)如果所匹配的模式符合背景要求，则该像素认定为无意义的背景，否则认定为有意义的前景。

(3)各构成单高斯模型权值按公式(57)进行更新，其中α是学习速率，M_k，t为匹配模式，取值为M_k，t＝1，M_k，t＝0，然后对各模型的权重进行归一化。

w_k，t＝(1-α)*w_k，t-1+α*M_k，t(57)

(4)没有匹配模式的均值μ与标准差σ不变，参数按照如下公式进行更新：

ρ＝α*η(x_t|u_k，σ_k)(58)

u_t＝(1-ρ)*μ_t-1+ρ*x_t(59)

(5)如果步骤(1)中没有任何模式得到匹配，则权重最小的模式被替换掉，即该模式的标准差为初始较大值，权重为最小值，均值为当前像素值，。

(6)各模式根据ω/σ²按降序排列，权重大、标准差小的模式排列靠前。

(7)选择前B个模式当为背景，B满足下式。

其中，参数T表示背景所占比例。

(8)用当前帧减除建模获得的背景，剩下的即为前景。

为了保证前景图像有更好的结果，对特定区域进行形态学变换，以消除特定区域的噪声干扰。

选用的形态学变换操作为腐蚀，腐蚀核为：

腐蚀算法为：用结构元素(腐蚀核)扫描图像中的每一个像素点，用结构元素与其覆盖的二值图像做“与”操作。如果都为1，结果图像的该像素值为1，否则为0。

10、人体肤色检测

颜色空间是用来描述和表示图像颜色的。在人脸检测中最常用到颜色空间为YCrCb颜色模型，因为相对于RGB颜色空间，YCrCb颜色空间受Y(亮度)的影响较小甚至忽略，肤色在此颜色空间中会产生很好的类聚效应。这样就把三维的YCrCb颜色空间转化为二维的CrCb颜色空间，人体肤色点可以在以Cr和Cb为坐标的分布中形成一个椭圆形状。因此首先将图像序列从RGB颜色空间转化为YCrCb颜色空间。转化函数为：

其中：在YCrCb颜色空间中,Y指亮度信息，C_b指色调，C_r指饱和度。在RGB颜色空间中，R代表红色分量，G代表绿色分量、B代表蓝色分量。

经大量皮肤统计信息可以知道，如果将皮肤信息从RGB颜色空间映射到YCrCb空间，在CrCb二维空间中皮肤像素点会近似成一个椭圆分布。如果该坐标(Cr,Cb)在椭圆分布内，此像素点就被认定为皮肤像素点，如果在椭圆分布外，此像素点就被认定为非皮肤像素点。

将在采集到的肤色样本点投影到CbCr平面，投影后对其进行非线性K-L变换，对皮肤像素点进行统计分析形成了肤色椭圆模型。

椭圆肤色模型描述为：

其中，c_x＝109.38，c_y＝152.02，θ＝2.53，ec_x＝1.6，ec_y＝2.41，a＝25.39，b＝14.03。

通过此过程，加入相应的限制条件，便能够检测出图像序列中的人脸。

11、旋转不变矩计算

此过程与过程(5)操作一致。但求取的目标为图像序列中的人脸的质心。

由上述过程，便得到图像序列中人脸质心(x₂，y₂)。

12、引体向上动作判定及计数

图像序列中人脸质心离单杠距离为：

h₁＝x₂-x₀(64)

随着图像序列的变化，s和h₁也在不断变化中。

当s>＝s1脸时，即表示运动员完成一次合格的上拉动作，人脸下巴过横杠；完成上拉动作以后，当h1>＝h时，即表示运动员完成一次合格的手臂伸直动作，此时记一次合格的引体向上动作。只有上拉动作或者手臂伸直动作全部完成才是一次合格的引体向上动作。

13、当整个图像序列结束时，整个计数过程停止，存储并输出引体向上动作次数。