Die menschliche Körperhaltungsschätzung und Bewegungserkennung haben eine wichtige Anwendungsbedeutung in den Bereichen Sicherheit, Medizin und Sport. Um Probleme bei der Schätzung der Körperhaltung und der Erkennung verschiedener Sportbewegungen unter unterschiedlichen Hintergründen und Blickwinkeln zu lösen, wird in diesem Artikel ein verbessertes YOLOv7-POSE-Algorithmus vorgeschlagen und ein Datensatz mit verschiedenen Aufnahmewinkeln für das Training erstellt. Der Algorithmus basiert auf YOLOv7, wobei dem ursprünglichen Netzwerkmodell eine Klassifikationsfunktion hinzugefügt wurde, und im Backbone-Hauptnetzwerk wurde ein CA-Faltungs-Achtsamkeitsmechanismus eingeführt, der die Fähigkeit des Netzwerks zur Erkennung wichtiger Merkmale für die Klassifikation von menschlichen Skelettgelenken und Bewegungen verbessert. Die HorNet-Netzwerkstruktur ersetzt den ursprünglichen CBS-Faltungskern und verbessert die Genauigkeit der menschlichen Schlüsselpunkt-Erkennung und die Genauigkeit der Bewegungsclassification. Die Raumpyramiden-Pooling-Struktur der Head-Schicht wurde durch eine dilatierte Raumpyramiden-Pooling-Struktur ersetzt, was die Erkennungsgenauigkeit verbessert und die Modellkonvergenz beschleunigt. Die Regressionsfunktion des Zielerkennungsrahmens wurde von CIOU auf EIOU umgestellt, was die Genauigkeit der Koordinatenregression erhöht. Zwei Gruppen von Kontrollversuchen wurden entworfen, die Versuchsergebnisse zeigen, dass das verbesserte YOLOv7-POSE auf dem Validierungssatz eine mAP von 95,7 % erreicht, was eine Steigerung von 4 % gegenüber dem ursprünglichen YOLOv7-Algorithmus darstellt. Die Genauigkeit der Erkennung verschiedener Sportbewegungen hat deutlich zugenommen, Fehl- und Leckerkennungen der Schlüsselpunkte in der praktischen Inferenz wurden deutlich reduziert, und der Fehler bei der Schätzung der Position der Schlüsselpunkte wurde signifikant verringert.

Bildverarbeitung;Erkennung von Schlüsselpunkten;Haltungsschätzung;Aufmerksamkeitsmechanismus;Dilatierte Raumpyramiden-Pooling