AI辅助智能体测技术解析：2025高教社杯数学建模竞赛E题实战指南

1次阅读

没有评论

共计 2127 个字符，预计需要花费 6 分钟才能阅读完成。

2025 年高教社杯数学建模竞赛 E 题要求开发 AI 辅助智能体测系统，核心需求包括：

动作识别：准确识别俯卧撑、引体向上等体测动作
自动计数：统计规范动作的完成次数
标准度评估：量化分析动作完成质量（如关节角度、速度等）

优势：
直接测量物理量（如加速度、角速度）
受环境光线干扰小
劣势：
需要佩戴设备，影响测试自然性
不同动作需要不同传感器配置
设备成本高，难以大规模应用

优势：
非接触式测量，用户体验好
单摄像头即可支持多种动作检测
硬件成本低（普通摄像头即可）
挑战：
需要处理复杂背景干扰
对光照条件敏感
计算复杂度较高

推荐使用 OpenPose 算法，其优势包括：

开源且社区支持完善
支持多人实时检测
提供 18 个关键点输出（足够用于体测动作分析）

# OpenPose 关键点索引示例
# 0: 鼻子 1: 颈部 2: 右肩 3: 右肘 4: 右手腕 5: 左肩...
KEYPOINTS = {
    "nose":0, "neck":1, 
    "r_shoulder":2, "r_elbow":3, "r_wrist":4,
    "l_shoulder":5, "l_elbow":6, "l_wrist":7
}

使用向量法计算关键关节角度：

提取相邻关键点坐标
构建肢体向量（如上臂向量 = 肘部坐标 - 肩部坐标）
通过向量点积公式计算夹角

import numpy as np

def calculate_angle(a,b,c):
    """计算三个关键点之间的夹角"""
    ba = a - b
    bc = c - b
    cosine = np.dot(ba, bc) / (np.linalg.norm(ba)*np.linalg.norm(bc))
    return np.degrees(np.arccos(cosine))

以俯卧撑为例的计数算法：

持续监测肘关节角度变化
当角度 <90°时标记为下潜阶段
当角度恢复 >160°时完成计数
添加滞后阈值防止抖动误判

import cv2
import numpy as np
from openpose import OpenPose  # 假设已封装 OpenPose 接口

# 初始化模型
op = OpenPose(model_path='pose_model.pb')

# 视频处理主循环
cap = cv2.VideoCapture(0)
counter = 0
stage = None  # 'down' or 'up'

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 姿态估计
    keypoints = op.detect(frame)

    # 提取关键点
    try:
        shoulder = keypoints[KEYPOINTS['r_shoulder']]
        elbow = keypoints[KEYPOINTS['r_elbow']]
        wrist = keypoints[KEYPOINTS['r_wrist']]

        # 计算肘关节角度
        angle = calculate_angle(shoulder, elbow, wrist)

        # 俯卧撑计数逻辑
        if angle < 90:
            stage = "down"
        if angle > 160 and stage == 'down':
            stage = "up"
            counter += 1
            print(f"Count: {counter}")

        # 可视化
        cv2.putText(frame, f"Count: {counter}", (50,50), 
                   cv2.FONT_HERSHEY_SIMPLEX, 1, (255,0,0), 2)
        cv2.putText(frame, f"Angle: {angle:.1f}", (50,100), 
                   cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)
    except:
        pass

    cv2.imshow('AI Fitness Test', frame)
    if cv2.waitKey(10) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()