Summary： 针对部队日常体能训练中引入功能性动作筛查（FMS）的困难，提出

　　业领域广泛推广FMS存在很大的困难。一是相关领域缺乏大量专业的指导教练;

　　二是人工指导往往缺乏耐心无法保证测量的有效性;三是FMS需要多测量及时的

　　kinect[2]为例该设备仅适用于简单的空间定位，并不适用于跟踪人体关节运动。

　　现有基于传感器人体姿态测量不仅成本高而且用户体验不佳。研究[6-8]只需一

　　家同样的技术水开云体育官方入口平。目前有单人姿态识别技术如CPM[6]，Hourglass[7];多人

　　的姿态识别算法OpenPose[8]。已经在相关数据集[3-5]上取得了优秀的成绩，

　　CPM[6]，使用顺序化卷积架构拟合图片中的空间信息和纹理信息，具有较强的

　　下的方法，如文献[9-10]。通过目标检测出单个的人再利用单人姿态识别实现

　　的方法，如文献[8]。首先预测出所有的人体关节，再将各个关节组装成个体。

　　OpenPose是自底向上的多人姿态识别方法（先通过特征识别所有可能的关节点，

　　OpenPose网络设计，为多阶段提取特征的网络结构。输入为一帧图像，经过卷

　　输出为相邻两个关节点之间肢体的向量场Part Confidence Maps（表征肢体连

　　OpenPose 算法鲁棒性强，关节点识别准确率高满足FMS 测量对关节点预测准确

　　的计算机上部署使用。为了推广使用FMS 系统需要解决在资源受限的硬件平台

　　量只有15%，但是识别精度只损失1%。在CPU 上推理速度可以达到26fps。底层

　　特征提取模块作者使用MobileNet 代替VGG，减少了网络深度同时降低了计算量

　　量将原有两个子网络改成一个网络，只在输出阶段利用1*1 卷积分别获取关节

　　点预测结果和人体亲和场预测结果。轻量级OpenPose 网络通过将较大卷积核替

　　应对现有姿态识别算法的不足，本文提出基于视觉的FMS 动作测量方案如图2

　　间运动变化信息，从而提高FMS 测量准确度。首先利用轻量级OpenPose 网络提

　　维骨架模型方便对FMS 动作分类，便于后续的FMS 评分。相邻两帧之间时间较

　　将关节点状态描述为四维向量[sk=[x，y，vx，vy]]，其表示为：关节点在[x]

　　差由于运动时间很短约为（0.05s）可以将误差设置较小，初始化为高斯噪声，

　　Kalman 滤波器对姿态识别网络的结果进行滤波后，获得了一组较为稳定的关节

　　向量夹角作为人体骨架模型的特征。这些特征作为FMS 动作识别的依据。同样，

　　由于FMS 测量所规定的七个动作在测量过程简单可控，在动作识别阶段不需要

　　定义人体关节集合[D={d0，d1，...，d13}]，其中[di]为系统预测的关节点坐

　　标[x，y];根据图二人体骨骼模型定义向量集合[J={J1=（d0（x）-

　　d1（x），d0（y）-d1（y）），...，J13}]，对各个向量单位化;定义各个标准

　　的相似性比对，可以对测量动作进行分类，以及提取待测动作进行FMS 评分。

　　为了验证本文提出的基于视觉FMS 测量方案的有效性，选取一组FMS 测量动作

　　进行分析。在测试视频中同一时刻分别取直接利用lightweight OpenPose 网络

　　稳定，如未检出（t=4 时刻），偏移（t=8 时刻），错误（t=5，9）的问题。关

　　节点在连续帧检测不稳定的问题，会导致后续FMS 动作测量可靠性不高。而本

　　前帧检测精度。本文所提FMS 姿态识别框架将关节点在较短时间内的运动假设

　　用kalman 滤波特性重新评估当前时刻关节点位置，从而避免了部分检测出错的

　　情况发生。稳定、准确的关节点预测，有利于提高FMS 动作识别准确率，也为

　　本文利用lightweightOpenpose 网络结合时空信息更新视频中关节点位置预测

　　段FMS 评分提供了可靠依据。人体姿态识别技术是自动化运动分析的关键技术fms人体姿态估计。

　　[1] 黄孝齐，田畅.提高部队体能训练科学性的思考与探究[J].军事体育学报，

　　[2] 孟明，杨方波，佘青山，孙曜，罗志增.基于Kinect 深度图像信息的人体

　　[12] 朱佳华，王攀，邓运龙.对特种兵功能性动作筛查与军事训练伤的调查分

　　[13] 王攀，周志雄，邓运龙，姜杨，党鑫华.装甲步兵功能性动作筛查的应用