一种运动平台激光校准系统

摘要

本发明提供了一种运动平台激光校准系统，包括：运动识别模块：用于通过激光对运动目标进行捕捉识别，获取第一运动数据；轨迹预测模块：用于根据所述运动数据进行运动轨迹计算，确定运动轨迹预测模型；校准模块：用于在预设时间内检测运动目标，获取第二运动数据，并与所述运动轨迹预测模型进行差值计算，生成校准数据；通过准确的捕捉运动目标的运动动作，提高了运动轨迹预测效率，对运动动作进行校正提高了运动安全性和健康性，提升了运动合格率和运动效率。

权利要求

1.一种运动平台激光校准系统，其特征在于，包括：运动识别模块：用于通过激光对运动目标进行捕捉识别，获取第一运动数据；

轨迹预测模块：用于根据所述运动数据进行运动轨迹计算，确定运动轨迹预测模型；

校准模块：用于在预设时间内检测运动目标，获取第二运动数据，并与所述运动轨迹预测模型进行差值计算，生成校准数据；

所述运动识别模块包括：

捕捉单元：用于通过激光捕捉运动目标的动作，获得动作捕捉信息；其中，所述激光捕捉包括：激光图像扫描、激光反射识别；其中，所述激光图像扫描通过激光扫描运动目标，获得扫描区域的激光图像，并通过对所述扫描区域内的运动目标进行激光反射识别，判断出动作节点；

所述动作捕捉信息包括：捕捉时间段、动作节点、节点分布信息、时间段内动作变化数据；

识别单元：用于根据所述动作捕捉信息进行动作识别分析，获取第一运动数据；其中，所述动作识别分析包括：动作幅度分析、动作方向识别；其中，所述动作幅度分析通过在捕捉时间段内，根据所述时间段内的动作变化数据，生成动作变化轨迹，获取动作幅度变化信息；

所述动作方向识别通过动作节点的分布信息，判断每个节点在预设时间内的不同变化轨迹，确定动作方向；

所述轨迹预测模块包括：

数据分析单元：用于对第一运动数据进行归类分析，获取归类数据组；其中，所述归类分析包括：数据类型分析、数据组合分析、动作性质分析、数据频率分析；

所述归类数据组包括：运动节点分组数据、节点时间段内轨迹分类数据、实际运动时间数据；

轨迹预测单元：用于根据所述归类数据组进行轨迹预测计算，获取预测数据；

模型建立单元：用于根据所述预测数据进行模型拟合处理，确定运动轨迹预测模型；其中，所述运动轨迹预测模型包括：动作节点预测数据、节点轨迹预测数据、节点类型预测数据；

所述校准模块包括：

检测单元：用于检测预设时间内运动目标的运动轨迹，生成第二运动数据；其中，所述第二运动数据包括：动作节点实际数据、节点轨迹实际数据、节点类型实际数据；

对比单元：用于将所述第二运动数据与运动轨迹预测模型进行数据差值计算，获取对比数据组；

调节单元：用于对所述对比数据组进行校准分析，生成校准数据，并进行校准调节。

2.如权利要求1所述的一种运动平台激光校准系统，其特征在于，所述运动识别模块还包括：分类整合单元：用于对通过激光采集到的动作信息进行数据分类整合，获取动作整合数据；

动作第一分类单元：用于根据所述动作整合数据对运动目标的动作进行初步分类判断，确定第一分类结果；其中，所述第一分类结果包括：连贯动作、独立动作；

动作第二分类单元：用于根据所述第一分类结果，结合运动整合数据，进行第二次判断，确定第二分类结果，并获取动作类别信息；其中，所述第二分类结果包括：健身动作、体育动作、日常动作、未识别动作。

3.如权利要求1所述的一种运动平台激光校准系统，其特征在于，所述轨迹预测模块还包括：扩展检测单元：用于根据运动数据扩展运动动作检测范围，获取扩展检测数据；其中，所述扩展检测数据包括：扩展范围内节点数量、扩展节点分布、扩展节点运动数据；

预测辅助单元：用于对扩展检测数据进行辅助预测分析，获取辅助预测数据，确定辅助预测模型。

4.如权利要求3所述的一种运动平台激光校准系统，其特征在于，所述辅助预测分析包括如下步骤：步骤一：将扩展检测数据与运动数据进行数据合并，获取运动延展数据；其中，所述运动延展数据包括：新运动节点组合分布、新运动节点组合数量、运动时间、新运动信息；

步骤二：将所述运动延展数据进行数据偏移计算，获取预设时间内的运动差值；其中，所述数据偏移计算包括：运动节点偏移计算、运动节点连接偏移计算；

所述运动差值包括：运动节点偏移角度、运动节点偏移距离、运动节点偏移率、运动节点连接偏移率；

步骤三：对所述运动差值和运动延展数据进行数据归类，生成辅助预测数据，并确定辅助预测模型；其中，所述数据归类包括：数据类型归类、数据作用归类、数据大小归类；

所述辅助预测模型包括：动作节点辅助预测数据、节点轨迹辅助预测数据、节点类型辅助预测数据。

5.如权利要求1所述的一种运动平台激光校准系统，其特征在于，所述校准模块还包括：校准检测单元：用于对校准处理后的模型进行校准检测，获取校准检测信息；其中，所述校准检测包括：校准方向检测、校准目标数量检测、校准坐标系检测；其中，所述校准坐标系检测包括如下步骤：步骤S01：对校准数据进行数据提取，生成坐标数据组；其中，所述数据提取包括：校准数据解析、校准数据分类、校准数据提取；

步骤S02：根据所述坐标数据组建立轨迹坐标系，并进行轨迹坐标变化值统计，生成坐标系变化数据；

步骤S03：将所述坐标系变化数据与校准后运动轨迹模型数据进行对比，生成轨迹对比值，并进行判断；其中，当所述轨迹对比值在预设的阈值范围内时，则校准效果良好；

当所述轨迹对比值不在预设的阈值范围内时，则校准效果不佳，进行二次校准。

6.如权利要求1所述的一种运动平台激光校准系统，其特征在于，所述运动识别模块还包括：人像识别单元：用于对运动目标进行人脸识别，获取目标信息；其中，所述目标信息包括：编号信息、用户名信息、目标运动概览信息；

针对性分析单元：根据所述目标信息进行动作习惯整合，并生成对应的专属运动数据，根据所述专属运动数据对用户的运动进行专属校正识别和校正判断，获取校正结果。

7.如权利要求1所述的一种运动平台激光校准系统，其特征在于，所述校准模块还包括：运动评分单元：用于将运动数据进行整理，生成运动序列数组，将所述运动序列数组与预设运动数据库中对应的运动数组进行对比分析，生成对比度，并进行评分判断；其中，所述运动序列数组包括：运动类型数据、运动分步数据、运动轨迹数据；

当所述对比度不在预设的阈值范围内时，则进行二次对比；

当所述对比度在预设的阈值范围内时，则判断对比度评分区间，获取运动评分；其中，所述评分区间包括：不及格运动、及格运动、良好运动、优秀运动、完美运动。

说明书

一种运动平台激光校准系统

技术领域

[0001] 本发明涉及人工智能技术领域，特别涉及一种运动平台激光校准系统。

背景技术

[0002] 目前，随着对人们对健康的预发重视，运动在生活中占的比重也越来越高，并且大家对运动的规范性和正确性有着愈强的要求，特别是对于专业运动员，有着参加比赛争夺好名次的需求，对运动规范的需求更甚，同时标准专业的运动姿势有助于运动员延长职业生涯，提高突破自我的可能，就像我国田径运动员苏炳添，他屡次打破100米田径比赛的记录，在他发表的《新时代中国男子100m短跑_回顾与展望》中多次提到规范性动作的重要性，而在平日的运动、健身或训练中，大多数人只能通过教练在旁边指导才能看到运动动作的问题所在，但也会发生漏掉一部分不规范动作的情况；目前的部分动作捕捉校准设备需要通过穿戴全身触感设备进行电脑捕捉识别，其成本高、操作难，通常用于影视三维模型的动作设定；同时，目前的体感游戏，除了大部分通过硬件感应实现动作捕捉外，还有利用摄像头进行识别，其感应识别动作较为依赖外物，或需要与感应器保持特别近的距离，再加上多为游戏体验设计，动作类型和内容较少，本发明为我们日常生活中的运动校准问题带来了更精准、更高效的解决方案。

发明内容

[0003] 本发明提供一种运动平台激光校准系统，用以解决在运动时，运动动作不规范带来不良影响，无法及时有效校正的情况。

[0004] 本发明提供了一种运动平台激光校准系统，包括：

[0005] 运动识别模块：用于通过激光对运动目标进行捕捉识别，获取第一运动数据；

[0006] 轨迹预测模块：用于根据所述运动数据进行运动轨迹计算，确定运动轨迹预测模型；

[0007] 校准模块：用于在预设时间内检测运动目标，获取第二运动数据，并与所述运动轨迹预测模型进行差值计算，生成校准数据。

[0008] 作为本技术方案的一种实施例，在于所述运动识别模块包括：

[0009] 捕捉单元：用于通过激光捕捉运动目标的动作，获得动作捕捉信息；其中，[0010] 所述激光捕捉包括：激光图像扫描、激光反射识别；其中，

[0011] 所述激光图像扫描通过激光扫描运动目标，获得扫描区域的激光图像，并通过对所述扫描区域内的运动目标进行激光反射识别，判断出动作节点；

[0012] 所述动作捕捉信息包括：捕捉时间段、动作节点、节点分布信息、时间段内动作变化数据；

[0013] 识别单元：用于根据所述动作捕捉信息进行动作识别分析，获取第一运动数据；其中，

[0014] 所述动作识别分析包括：动作幅度分析、动作方向识别；其中，[0015] 所述动作幅度分析通过在捕捉时间段内，根据所述时间段内的动作变化数据，生成动作变化轨迹，获取动作幅度变化信息；

[0016] 所述动作方向识别通过动作节点的分布信息，判断每个节点在预设时间内的不同变化轨迹，确定动作方向。

[0017] 作为本技术方案的一种实施例，在于所述轨迹预测模块包括：

[0018] 数据分析单元：用于对第一运动数据进行归类分析，获取归类数据组；其中，[0019] 所述归类分析包括：数据类型分析、数据组合分析、动作性质分析、数据频率分析；

[0020] 所述归类数据组包括：运动节点分组数据、节点时间段内轨迹分类数据、实际运动时间数据；

[0021] 轨迹预测单元：用于根据所述归类数据组进行轨迹预测计算，获取预测数据；

[0022] 模型建立单元：用于根据所述预测数据进行模型拟合处理，确定运动轨迹预测模型；其中，

[0023] 所述运动轨迹预测模型包括：动作节点预测数据、节点轨迹预测数据、节点类型预测数据。

[0024] 作为本技术方案的一种实施例，在于所述校准模块包括：

[0025] 检测单元：用于检测预设时间内运动目标的运动轨迹，生成第二运动数据；其中，[0026] 所述第二运动数据包括：动作节点实际数据、节点轨迹实际数据、节点类型实际数据；

[0027] 对比单元：用于将所述第二运动数据与运动轨迹预测模型进行数据差值计算，获取对比数据组；

[0028] 调节单元：用于对所述对比数据组进行校准分析，生成校准数据，并进行校准调节。

[0029] 作为本技术方案的一种实施例，在于所述运动识别模块还包括：

[0030] 分类整合单元：用于对通过激光采集到的动作信息进行数据分类整合，获取动作整合数据；

[0031] 动作第一分类单元：用于根据所述动作整合数据对运动目标的动作进行初步分类判断，确定第一分类结果；其中，

[0032] 所述第一分类结果包括：连贯动作、独立动作；

[0033] 动作第二分类单元：用于根据所述第一分类结果，结合运动整合数据，进行第二次判断，确定第二分类结果，并获取动作类别信息；其中，

[0034] 所述第二分类结果包括：健身动作、体育动作、日常动作、未识别动作。

[0035] 作为本技术方案的一种实施例，在于所述轨迹预测模块还包括：

[0036] 扩展检测单元：用于根据运动数据扩展运动动作检测范围，获取扩展检测数据；其中，

[0037] 所述扩展检测数据包括：扩展范围内节点数量、扩展节点分布、扩展节点运动数据；

[0038] 预测辅助单元：用于对扩展检测数据进行辅助预测分析，获取辅助预测数据，确定辅助预测模型。

[0039] 作为本技术方案的一种实施例，在于所述辅助预测分析包括如下步骤：

[0040] 步骤一：将扩展检测数据与运动数据进行数据合并，获取运动延展数据；其中，[0041] 所述运动延展数据包括：新运动节点组合分布、新运动节点组合数量、运动时间、新运动信息；

[0042] 步骤二：将所述运动延展数据进行数据偏移计算，获取预设时间内的运动差值；其中，

[0043] 所述数据偏移计算包括：运动节点偏移计算、运动节点连接偏移计算；

[0044] 所述运动差值包括：运动节点偏移角度、运动节点偏移距离、运动节点偏移率、运动节点连接偏移率；

[0045] 步骤三：对所述运动差值和运动延展数据进行数据归类，生成辅助预测数据，并确定辅助预测模型；其中，

[0046] 所述数据归类包括：数据类型归类、数据作用归类、数据大小归类；

[0047] 所述辅助预测模型包括：动作节点辅助预测数据、节点轨迹辅助预测数据、节点类型辅助预测数据。

[0048] 作为本技术方案的一种实施例，在于所述校准模块还包括：

[0049] 校准检测单元：用于对校准处理后的模型进行校准检测，获取校准检测信息；其中，

[0050] 所述校准检测包括：校准方向检测、校准目标数量检测、校准坐标系检测；其中，[0051] 所述校准坐标系检测包括如下步骤：

[0052] 步骤S01：对校准数据进行数据提取，生成坐标数据组；其中，

[0053] 所述数据提取包括：校准数据解析、校准数据分类、校准数据提取；

[0054] 步骤S02：根据所述坐标数据组建立轨迹坐标系，并进行轨迹坐标变化值统计，生成坐标系变化数据；

[0055] 步骤S03：将所述坐标系变化数据与校准后运动轨迹模型数据进行对比，生成轨迹对比值，并进行判断；其中，

[0056] 当所述轨迹对比值在预设的阈值范围内时，则校准效果良好；

[0057] 当所述轨迹对比值不在预设的阈值范围内时，则校准效果不佳，进行二次校准。

[0058] 作为本技术方案的一种实施例，在于所述运动识别模块还包括：

[0059] 人像识别单元：用于对运动目标进行人脸识别，获取目标信息；其中，[0060] 所述目标信息包括：编号信息、用户名信息、目标运动概览信息；

[0061] 针对性分析单元：根据所述目标信息进行动作习惯整合，并生成对应的专属运动数据，根据所述专属运动数据对用户的运动进行专属校正识别和校正判断，获取校正结果。

[0062] 作为本技术方案的一种实施例，在于所述校准模块还包括：

[0063] 运动评分单元：用于将运动数据进行整理，生成运动序列数组，将所述运动序列数组与预设运动数据库中对应的运动数组进行对比分析，生成对比度，并进行评分判断；其中，

[0064] 所述运动序列数组包括：运动类型数据、运动分步数据、运动轨迹数据；

[0065] 当所述对比度不在预设的阈值范围内时，则进行二次对比；

[0066] 当所述对比度在预设的阈值范围内时，则判断对比度评分区间，获取运动评分；其中，

[0067] 所述评分区间包括：不及格运动、及格运动、良好运动、优秀运动、完美运动。

[0068] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

[0069] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0070] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

[0071] 图1为本发明实施例中一种运动平台激光校准系统的功能图；

[0072] 图2为本发明实施例中一种运动平台激光校准系统中运动识别模块的功能图；

[0073] 图3为本发明实施例中一种运动平台激光校准系统中轨迹预测模块的功能图；

[0074] 图4为本发明实施例中一种运动平台激光校准系统中校准模块的功能图。

具体实施方式

[0075] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0076] 本发明实施例提供了一种运动平台激光校准系统，包括：

[0077] 运动识别模块：用于通过激光对运动目标进行捕捉识别，获取第一运动数据；

[0078] 轨迹预测模块：用于根据所述运动数据进行运动轨迹计算，确定运动轨迹预测模型；

[0079] 校准模块：用于在预设时间内检测运动目标，获取第二运动数据，并与所述运动轨迹预测模型进行差值计算，生成校准数据；

[0080] 上述技术方案的工作原理为：与现有技术方案中的运动平台仅有提供正确运动姿势和运动时间不同，现有技术方案对运动目标的运动动作进行分析识别和校正，通过运动识别模块，用激光对运动目标进行动作捕捉，获取第一运动数据，再根据第一运动数据进行运动轨迹预测，建立运动目标的运动轨迹预测模型，这里的运动轨迹也可以说是运动动作的轨迹，在预设时间内对运动目标进行检测，这时检测出第二运动数据，将第二运动数据与刚刚获取的预测模型进行比较，获得校准数据，根据运动动作的偏差情况进行校正；

[0081] 上述技术方案的有益效果为：通过准确的捕捉运动目标的运动动作，提高了运动轨迹预测效率，通过对运动动作进行校正提高了运动安全性和健康性，提升了运动合格率和运动效率。

[0082] 在一个实施例中，所述运动识别模块包括：

[0083] 捕捉单元：用于通过激光捕捉运动目标的动作，获得动作捕捉信息；其中，[0084] 所述激光捕捉包括：激光图像扫描、激光反射识别；其中，

[0085] 所述激光图像扫描通过激光扫描运动目标，获得扫描区域的激光图像，并通过对所述扫描区域内的运动目标进行激光反射识别，判断出动作节点；

[0086] 所述动作捕捉信息包括：捕捉时间段、动作节点、节点分布信息、时间段内动作变化数据；

[0087] 识别单元：用于根据所述动作捕捉信息进行动作识别分析，获取第一运动数据；其中，

[0088] 所述动作识别分析包括：动作幅度分析、动作方向识别；其中，[0089] 所述动作幅度分析通过在捕捉时间段内，根据所述时间段内的动作变化数据，生成动作变化轨迹，获取动作幅度变化信息；

[0090] 所述动作方向识别通过动作节点的分布信息，判断每个节点在预设时间内的不同变化轨迹，确定动作方向；

[0091] 上述技术方案的工作原理为：与现有技术方案中通过热感应来识别人体动作波动不同，上述技术方案中通过捕捉单元，采用激光图像扫描和激光反射识别方式，对运动目标的运动动作进行识别，捕捉运动动作的信息，分别记录捕捉的时间段和捕捉到的运动动作节点、节点分布等数据，再根据识别单元将捕捉到的数据进行动作幅度分析和动作方向识别，将获取的动作变化轨迹及变化幅度等信息整合，生成第一运动数据；

[0092] 上述技术方案的有益效果为：通过激光捕捉，大大提高了运动动作的全面性和准确性，通过识别单元和节点的分析，提高了运动分析效率。

[0093] 在一个实施例中，所述轨迹预测模块包括：

[0094] 数据分析单元：用于对第一运动数据进行归类分析，获取归类数据组；其中，[0095] 所述归类分析包括：数据类型分析、数据组合分析、动作性质分析、数据频率分析；

[0096] 所述归类数据组包括：运动节点分组数据、节点时间段内轨迹分类数据、实际运动时间数据；

[0097] 轨迹预测单元：用于根据所述归类数据组进行轨迹预测计算，获取预测数据；

[0098] 模型建立单元：用于根据所述预测数据进行模型拟合处理，确定运动轨迹预测模型；其中，

[0099] 所述运动轨迹预测模型包括：动作节点预测数据、节点轨迹预测数据、节点类型预测数据；

[0100] 上述技术方案的工作原理为：与现有技术方案中通过描边轮廓进行预测判断不同，上述技术方案通过数据分析单元，将第一数据进行数据类型分析、数据组合分析、动作性质分析、数据频率分析，获取运动节点分组数据、节点时间段内轨迹分类数据、实际运动时间数据，通过获取的这些数据，进行轨迹预测，获取预测轨迹数据，建立预测模型，其中包括：动作节点预测数据、节点轨迹预测数据、节点类型预测数据；

[0101] 上述技术方案的有益效果为：通过数据归类分析，大大提高了数据的解析度，为后续计算降低数据过大的负担，提高数据处理效率，轨迹预测的计算大幅度提高了运动轨迹预测模型的精准性，同时提高模型建立效率。

[0102] 在一个实施例中，所述校准模块包括：

[0103] 检测单元：用于检测预设时间内运动目标的运动轨迹，生成第二运动数据；其中，[0104] 所述第二运动数据包括：动作节点实际数据、节点轨迹实际数据、节点类型实际数据；

[0105] 对比单元：用于将所述第二运动数据与运动轨迹预测模型进行数据差值计算，获取对比数据组；

[0106] 调节单元：用于对所述对比数据组进行校准分析，生成校准数据，并进行校准调节；

[0107] 上述技术方案的工作原理为：与现有技术方案中对运动动作进行直接纠正不同，上述技术方案中通过检测单元，对预设时间内运动目标的运动动作轨迹进行检测，生成动作节点实际数据、节点轨迹实际数据、节点类型实际数据，再通过对比单元将这些数据与预测运动动作模型进行数据差值计算，生成对比的数据组，最后通过对比数据组生成校准数据，根据校准数据进行校准调节

[0108] 上述技术方案的有益效果为：通过预设时间内的检测，大大提高了数据准确性，通过与预测运动动作轨迹模型对比，提高了模型精度，最后通过对比数据组进行校准，提高了校准效率。

[0109] 在一个实施例中，所述运动识别模块还包括：

[0110] 分类整合单元：用于对通过激光采集到的动作信息进行数据分类整合，获取动作整合数据；

[0111] 动作第一分类单元：用于根据所述动作整合数据对运动目标的动作进行初步分类判断，确定第一分类结果；其中，

[0112] 所述第一分类结果包括：连贯动作、独立动作；

[0113] 动作第二分类单元：用于根据所述第一分类结果，结合运动整合数据，进行第二次判断，确定第二分类结果，并获取动作类别信息；其中，

[0114] 所述第二分类结果包括：健身动作、体育动作、日常动作、未识别动作；

[0115] 上述技术方案的工作原理为：与现有技术方案中对人体动作进行热识别并按动作幅度分类不同，上述技术方案中通过分类整合单元，将采集到的动作信息进行动作分类，首先经过动作第一分类单元将运动目标的动作进行初步判断，分析出其属于连贯动作还是独立动作，再根据动作第二分类单元，判断动作类别信息，分析其属于健身动作、体育动作、日常动作、未识别动作的具体类别；

[0116] 上述技术方案的有益效果为：通过对运动动作进行两层动作分类，一方面提高了动作分类效率，一方面提升运动动作分类的详细程度与精确度。

[0117] 在一个实施例中，所述轨迹预测模块还包括：

[0118] 扩展检测单元：用于根据运动数据扩展运动动作检测范围，获取扩展检测数据；其中，

[0119] 所述扩展检测数据包括：扩展范围内节点数量、扩展节点分布、扩展节点运动数据；

[0120] 预测辅助单元：用于对扩展检测数据进行辅助预测分析，获取辅助预测数据，确定辅助预测模型；

[0121] 上述技术方案的工作原理为：与现有技术中心完成运动动作分类行为不同，上述技术方案中通过对预测过的运动动作轨迹进行预测范围扩展，获取比预测时选取面积更大的一部分区域，进行扩展预测，通过扩展检测单元，获取扩展范围内节点数量、扩展节点分布、扩展节点运动数据，在进行包含扩展部分的辅助预测，获得辅助预测模型；

[0122] 上述技术方案的有益效果为：通过扩展运动动作的检测范围，进行更大范围的检测和预测，为之前的预测提供了很好的参考，提高运动预测的准确性。

[0123] 在一个实施例中，所述辅助预测分析包括如下步骤：

[0124] 步骤一：将扩展检测数据与运动数据进行数据合并，获取运动延展数据；其中，[0125] 所述运动延展数据包括：新运动节点组合分布、新运动节点组合数量、运动时间、新运动信息；

[0126] 步骤二：将所述运动延展数据进行数据偏移计算，获取预设时间内的运动差值；其中，

[0127] 所述数据偏移计算包括：运动节点偏移计算、运动节点连接偏移计算；

[0128] 所述运动差值包括：运动节点偏移角度、运动节点偏移距离、运动节点偏移率、运动节点连接偏移率；

[0129] 步骤三：对所述运动差值和运动延展数据进行数据归类，生成辅助预测数据，并确定辅助预测模型；其中，

[0130] 所述数据归类包括：数据类型归类、数据作用归类、数据大小归类；

[0131] 所述辅助预测模型包括：动作节点辅助预测数据、节点轨迹辅助预测数据、节点类型辅助预测数据；

[0132] 上述技术方案的工作原理为：与现有技术方案中通过线段偏移判断不同，上述技术方案中，首先通过将扩展检测数据与运动数据进行数据合并，获取到新运动节点组合分布、新运动节点组合数量、运动时间、新运动信息，再将这些数据进行运动节点偏移计算、运动节点连接偏移计算，判断预设时间内，运动动作的运动节点偏移角度、运动节点偏移距离、运动节点偏移率、运动节点连接偏移率，最后，通过对这些数据进行数据类型归类、数据作用归类、数据大小归类，确定出动作节点辅助预测数据、节点轨迹辅助预测数据、节点类型辅助预测数据；

[0133] 上述技术方案的有益效果为：通过数据合并，提高了数据综合性和适用性，提高了运动偏移的计算效率和准确度，也提高了辅助预测模型的精度。

[0134] 在一个实施例中，所述校准模块还包括：

[0135] 校准检测单元：用于对校准处理后的模型进行校准检测，获取校准检测信息；其中，

[0136] 所述校准检测包括：校准方向检测、校准目标数量检测、校准坐标系检测；其中，[0137] 所述校准坐标系检测包括如下步骤：

[0138] 步骤S01：对校准数据进行数据提取，生成坐标数据组；其中，

[0139] 所述数据提取包括：校准数据解析、校准数据分类、校准数据提取；

[0140] 步骤S02：根据所述坐标数据组建立轨迹坐标系，并进行轨迹坐标变化值统计，生成坐标系变化数据；

[0141] 步骤S03：将所述坐标系变化数据与校准后运动轨迹模型数据进行对比，生成轨迹对比值，并进行判断；其中，

[0142] 当所述轨迹对比值在预设的阈值范围内时，则校准效果良好；

[0143] 当所述轨迹对比值不在预设的阈值范围内时，则校准效果不佳，进行二次校准；

[0144] 上述技术方案的工作原理为：与现有技术方案中完成动作校准就结束不同，上述技术方案中通过校准检测单元，对校准后的模型通过校准方向检测、校准目标数量检测、校准坐标系检测进行检测，其中校准坐标系检测是首先对校准数据分别进行校准数据解析、校准数据分类、校准数据提取，生成坐标数据组，再建立轨迹坐标系，并进行轨迹坐标变化值统计，生成坐标系变化数据，最后将校准后的运动轨迹模型与坐标系变化数据对比，计算出轨迹对比值，判断校准效果；

[0145] 上述技术方案的有益效果为：通过对校准效果的判断，提高了校准效果，保证了校准质量。

[0146] 在一个实施例中，所述校准坐标系检测包括如下步骤：

[0147] 步骤S10：建立空间坐标系，获取校准前运动动作坐标组与其对应的时间组
和校准后运动动作坐标组
与其对应的时间组
计算校准前运动动作与校准后运动动作的X轴坐标动作差值α1：

[0148]

[0149] 其中， 为校准前运动动作坐标组中第n+1个X轴坐标， 为校准前运动动作坐标组中第n个X轴坐标， 为校准后运动动作坐标组中第m+1个X轴坐标， 为校准后运动动作坐标组中第m个X轴坐标， 为校准前运动动作坐标组中第n+1个X轴坐标对应的时间， 为校准前运动动作坐标组中第n个X轴坐标对应的时间， 为校准后运动动作坐标组中第m+1个X轴坐标对应的时间， 为校准后运动动作坐标组中第m个X轴坐标对应的时间，x为X轴坐标影响参数；

[0150] 步骤S20：根据运动动作坐标组P1，P2以及对应的时间组，计算校准前运动动作与校准后运动动作的Y轴坐标动作差值β1：

[0151]

[0152] 其中， 为校准前运动动作坐标组中第n+1个Y轴坐标， 为校准前运动动作坐标组中第n个Y轴坐标， 为校准后运动动作坐标组中第m+1个Y轴坐标， 为校准后运动动作坐标组中第m个Y轴坐标，y为Y轴坐标影响参数；

[0153] 步骤S30：根据运动动作坐标组P1，P2以及对应的时间组，计算校准前运动动作与校准后运动动作的Z轴坐标动作差值γ1：

[0154]

[0155] 其中， 为校准前运动动作坐标组中第n+1个Z轴坐标， 为校准前运动动作坐标组中第n个Z轴坐标， 为校准后运动动作坐标组中第m+1个Z轴坐标， 为校准后运动动作坐标组中第m个Z轴坐标，z为Z轴坐标影响参数；

[0156] 步骤S30：根据所述校准前运动动作与校准后运动动作的X轴坐标动作差值α1、Y轴坐标动作差值β1、Z轴坐标动作差值γ1，计算出校准前运动动作与校准后运动动作的整体对比值l1：

[0157]

[0158] 其中，t为整体对比总时间，d为整体对比影响参数；

[0159] 上述技术方案的工作原理为：通过建立空间坐标系，分别对运动动作校准前和运动动作校准后的X、Y、Z轴方向惊醒坐标数据统计，并分别统计其对应的时间，对X轴方向的动作校准前后坐标进行检测时间内的差值计算，并对其进行求和，算出每一个坐标点的检测时间内变化值，同理对Y轴方向和Z轴方向同样做求和差值计算，最后计算出整体对比值，可以用于校准前后对比判断；

[0160] 上述技术方案的有益效果为：分别对X、Y、Z轴三个方向进行动作校准前后的计算，大大提高了运动动作变化计算的精准度，同时提高了计算效率。

[0161] 在一个实施例中，所述运动识别模块还包括：

[0162] 人像识别单元：用于对运动目标进行人脸识别，获取目标信息；其中，[0163] 所述目标信息包括：编号信息、用户名信息、目标运动概览信息；

[0164] 针对性分析单元：根据所述目标信息进行动作习惯整合，并生成对应的专属运动数据，根据所述专属运动数据对用户的运动进行专属校正识别和校正判断，获取校正结果；

[0165] 上述技术方案的工作原理为：与现有技术方案中热成像人体识别是针对整个人体面积不同，上述技术方案中除了动作识别外，额外增加了人像识别单元，通过不同的人的运动动作习惯不同，因人身体而异的动作标准也有不同，先对运动目标进行人脸识别，再对其进行专属的运动动作识别和校正；

[0166] 上述技术方案的有益效果为：通过对人像识别，识别对应的运动动作习惯，极大提高了用户体验，保证了不同用户运动动作校正的准确性。

[0167] 在一个实施例中，所述校准模块还包括：

[0168] 运动评分单元：用于将运动数据进行整理，生成运动序列数组，将所述运动序列数组与预设运动数据库中对应的运动数组进行对比分析，生成对比度，并进行评分判断；其中，

[0169] 所述运动序列数组包括：运动类型数据、运动分步数据、运动轨迹数据；

[0170] 当所述对比度不在预设的阈值范围内时，则进行二次对比；

[0171] 当所述对比度在预设的阈值范围内时，则判断对比度评分区间，获取运动评分；其中，

[0172] 所述评分区间包括：不及格运动、及格运动、良好运动、优秀运动、完美运动；

[0173] 上述技术方案的工作原理为：与现有技术方案中对动作进行校正不同，上述技术方案通过运动评分单元将运动数据进行整理，生成运动序列数组，并把序列组与数据库中对应的数据进行对比，生成对比度，来得到当前运动动作的评分，并判断是属于哪个评分区间；

[0174] 上述技术方案的有益效果为：通过对运动目标的运动动作进行评分和分级，极大提高了目标动作规范的积极性；

[0175] 在一个实施例中，所述运动评分包括如下步骤：

[0176] 步骤S100：根据检测到的运动动作数据组T1＝{p1，p2，…，pv}与预设数据中标准运动动作数据组T2＝{r1，r2，…，ru}，分别得到对应矩阵 和建立两个矩阵的符合度矩阵ρ：

[0177]

[0178] 其中， 为检测到的运动动作数据组中p1对应的矩阵因子， 为预设数据中标准运动动作数据组里r1对应的矩阵因子， 为检测到的运动动作数据组中p2对应的矩阵因子， 为预设数据中标准运动动作数据组里r2对应的矩阵因子， 为检测到的运动动作数据组中pv对应的矩阵因子， 为预设数据中标准运动动作数据组里ru对应的矩阵因子，其中，u，v为常数，且1≤u，v；

[0179] 步骤S200：根据矩阵 分别对应的向量值和矩阵 对应的向量值 计算出运动动作的评分值

[0180]

[0181] 其中， 为矩阵 分别对应的第pε的向量值，其中，1≤ε≤v， 为矩阵 对应的第rσ的向量值，其中，1≤σ≤u；

[0182] 上述技术方案的工作原理为：通过计算检测的运动动作数据组和对应数据库中标准动作数据组的相异符合度，来给当前运动动作进行评分，通过建立符合度矩阵，对两组动作的各个节点动作分别进行判断，最后再通过对应的向量值计算出当前动作的评分；

[0183] 上述技术方案的有益效果为：通过将当前检测动作与标准动作进行对比，利用矩阵，提高了对比计算的精确度，通过评分计算，鼓励用户做动作更加标准化。

[0184] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。