随着国民经济的发展和国家对“全民健身”的提倡,通过运动健身来收获健康的理念日益深入人心。徒手健身相比于器械运动而言,运动难度更低、不需要任何额外的器械、对运动场地大小要求低,因此受众范围更为广泛。然而对于大多数徒手健身者而言都是从视频、文字等描述中获取相对标准的动作,因为缺乏相应的监督和评估反馈,导致很多健身者长期进行错误的锻炼,轻者造成肌肉分布不均,严重者甚至会在训练中意外受伤。造成上述问题的主要原因之一就是徒手健身活动领域缺乏相应的低成本、并且能够自动化的识别和评估的系统。本课题主要研究如何通过人体动作识别技术评估训练者的健身动作是否标准。要完成这项工作,就要先使用人体检测技术从图片或者视频中把人体的位置找到,即定位人体的位置,并以骨架的方式表现出来,然后将检测出来的骨架节点和坐标数据一起传给后面的分类网络做进一步的识别。最后将识别出来的动作与标准动作进行比对,以评估出训练者的动作是否标准。为此,本文主要完成了如下内容:首先,为了使得该系统可用于移动设备,对人体检测模型Open Pose进行轻量化处理,主要做了如下几个方面工作:1)通过缩小卷积核的大小,以减少参数的数量,来轻量化卷积结构;2)改小卷积核后网络会变得更深,为了防止过深的网络带来的梯度消失、难以训练的问题,每3个卷积核短接一次,即增加1条由1×1卷积核构成的跳跃连接;3)为了进一步减少网络的参数量,对每一个3×3卷积核使用深度可分离卷积;4)引入时空关节点补齐算法,通过时间维度和空间维度两个方面来减少遮挡等情况的对骨架提取的影响。其次,通过在时空图注意力网络系统中导入模型融合策略,通过改变了空间图卷积网与时间卷积方法网络系统中的融合方法,克服了时空图注意力网络系统中必须通过多级网络系统才能使节点高效地提取其他节点特征,增加了更多信息损失的提问,同时,通过对时间图卷积方法网络系统中导入多尺度的卷积核,实现对不同动作的特征完成提取操作,同时在网络中增加了残差连接,用来防止多层网络存在的训练更加困难的情况。最后以上述改进的网络为基础,通过运用Python语言和Py Torch深度学习框架实现了一个健身评估系统,该系统利用上文改进好的检测和识别网络,先检测出骨架,再识别出是哪一种动作,最后用检测出的骨架对照着识别出的动作的标准动作进行比对,从动作的持续时间、运动速度和标准度三个方面依次比较,并将三者的平均得分划分为优良差三个等级,以指导训练者动作的规范性。