高抬腿动作智能识别数据

1. 动作识别算法训练：作为高抬腿动作专用识别模型的训练数据，提升AI系统在多样用户体型和动作速率下的检测准确率。 2. 达标判定阈值调优：基于大量标注数据统计分析膝髋高度差分布，优化达标判定的高度阈值参数（当前为≥100px，约身高×0.25）。 3. 动作质量评估模型开发：基于动作规范率、动作速率、连续达标帧数等多维指标，开发高抬腿动作质量量化评估模型。 4. 智能运动训练系统：为AI健身教练应用提供实时高抬腿动作判定与计数功能，替代人工计数的主观性和低效性。 5. 学校体育教学评估：为体育课堂中的高抬腿测试项目提供标准化自动评估，输出每个学生的动作合格率等级。 6. 居家健身指导平台：为健身APP提供高抬腿动作规范反馈，实时提示用户调整抬腿高度和动作节奏。 7. 军警体能考核系统：为军事和警务体能测试中的高抬腿项目提供自动化考核工具，确保考核标准统一。1.数据采集：从数据库中提取60fps、1500帧高抬腿视频，经YOLOv8-Pose逐帧提取关键点坐标。记录帧序号、时间戳、累计时间。2.关键点衍生字段计算：左髋-左膝高度差(px) =左髋Y(Col10)−左膝Y(Col6)。正值=抬腿，负值=下落；右髋-右膝高度差(px)同理。左支撑腿伸直角度(°) =170−左腿高度差波形值×25（波形值来自sin^k归一化0~1）。右腿抬高→左腿绷直→接近170°；右腿落下→角度减小。右支撑腿伸直角度(°) 同理，基于右腿高度差。躯干倾斜角度(°) =atan2(髋中点Y−肩中点Y,髋中点X−肩中点X)，输出度。髋中点=(Col9+Col11)/2,(Col10+Col12)/2；肩中点=(Col13+Col15)/2,(Col14+Col16)/2。正值前倾，负值后仰。身体重心水平偏移(px) =髋中点X−肩中点X。正值重心偏右（左抬腿时），负值偏左。抬腿侧：若Col17≥100px且大于Col18→"左"；若Col18≥100px且大于Col17→"右"；否则"无"。阈值100px≈身高×0.25，排除小幅晃动。动作状态：三态有限状态机（等待抬腿、抬腿中、落下中）。高度差<100px且未上升→等待；≥100px且持续上升→抬腿中；脱离峰值后持续下降→落下中。趋势反转需连续升降≥3px防抖动。左膝达标 =若Col17(左髋-左膝高度差)≥100px则输出1（达标），否则0（未达标）。右膝达标 =若Col18(右髋-右膝高度差)≥100px则输出1（达标），否则0（未达标）。该帧达标(GT) =Col25ORCol26（任一达标为1，否则0），作为人工标注基准。连续达标帧数(GT)：若Col27=1则前值+1，否则归零。反映单次抬腿持续帧数。3.算法加工字段算法检测结果：若Col27=0则输出0；若Col27=1，以概率p独立判定检出（p由外部模型决定，此处略）。算法连续检测帧数：若Col29=1则前值+1，否则归零。本组累计检测次数 =该用户150帧内ΣCol29（算法检出总数）。理论应达标次数 =该用户150帧内ΣCol27。检测准确率(%) =Col31÷Col32×100，保留1位小数。动作速率(次/30s) =该用户150帧内由Col24状态转移统计的完整周期数。

搜集汇总

背景与挑战

背景概述

该数据集记录高抬腿动作的识别与分析结果，包含1500条基于关键点坐标计算的高度差、角度、重心偏移等衍生特征，以及达标判定、检测准确率和动作速率等指标。数据可用于训练动作识别模型、优化达标阈值、开发动作质量评估系统，并支持智能健身指导、学校体育教学评估、军警体能考核等应用场景。