原文towardsdatascience.com/running-efficiency-with-computer-vision-a-comparative-analysis-with-eliud-kipchoge-736eb80c574f如何利用计算机视觉提高跑步效率https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ec0fabcc62a9ef19b6c0f684853a5018.png彼得·奥卡瓦提供的图像来源unsplashTLDR我创建了一个实验——通过尝试各种鞋型来实现埃利乌德·基普乔格的跑步效率。出人意料的是——结果是人字拖不适合跑步而碳纤维鞋则非常出色https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/c05420b8b082113f61d538e285c939cf.png作者提供的图像穿人字拖跑步摘要跑步效率——在覆盖一定距离的同时消耗最少能量的能力——是运动表现的一个主要因素。传统的评估跑步效率的方法大多依赖于主观评估或侵入性的生理测量——因此往往限制了适用性和客观性。这个实验介绍了一种使用人工智能测量跑步效率的现代方法。换句话说我正在使用计算机视觉CV技术来评估跑步效率。通过使用 TensorFlow 中的 MoveNet我从专业跑者的视频资料中提取了包括埃利乌德·基普乔格在内的 17 个关键点。埃利乌德是马拉松跑的GOAT尤其以其非凡的效率而闻名。通过分析从视频材料中提取的关键点我开发了一个相似度回归函数该函数量化了跑者步态与基普乔格典范形式的相似度。该函数提供了关于姿势关键点相对于彼此的位置和运动关键点从一帧到另一帧的运动的客观反馈。基于这种方法我对自己跑步风格与埃利乌德的比较分析进行了迭代并尝试了各种鞋型以接近埃利乌德的表现。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1723c50b78244ba4ff685c7cd9b15838.png彼得·奥卡瓦提供的图像来源unsplash…/Images/24337ba88109da48010ce8cf2b0e2b8c.png基于源文件[1]创建的作者图像专业风格https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/d793ba00bd9d9e1616f02d4b07b17941.png作者创建的图像业余风格引言运行效率是一个复杂的概念它涵盖了各种生物力学因素。这些因素包括(1) 步长(2) 步频(3) 地面接触时间以及(4) 能量消耗。理论告诉我们优化这些因素可以显著提高跑步性能同时降低跑步受伤的风险。传统上研究通过使用主观方法如视觉观察或专家意见来评估跑步效率。显然这可能导致高度可变性可能无法提供详细的定量洞察。目标是检索侵入性生理测量如代谢测试和步态分析这些测量提供了更精确的评估然而在人工智能时代之前这些测量往往不切实际且成本高昂。显然机器学习技术的出现为跑步效率的客观和定量评估开辟了新的可能性。具体来说计算机视觉模型可以提取关于跑步者运动的各种详细信息包括关节角度、身体位置和运动模式。通过分析这些数据我们可以更深入地了解跑步效率的生物力学基础并更容易、更可靠、更快地识别出改进的领域。方法在这项研究中我使用了 TensorFlow 的MoveNet模型。MoveNet 是一种用于人体姿态估计的顶尖计算机视觉模型。如上所述MoveNet 从视频素材中提取 17 个关键点提供了对跑步者身体姿势和运动的全面表示。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/2779b1e483117922e97470d2b45dc1b4.pngMoveNet 架构 – (Ronny Votel 和 Na Li谷歌研究2021)技术功能MoveNet 的架构由两个基本组件组成(1) 特征提取器和(2) 一组预测头。MoveNet 中的特征提取器建立在 MobileNetV2 之上并由特征金字塔网络 (FPN) 补充。总的来说MoveNet 架构集成了四个预测头。每个头都专门用于估计特定的姿态相关信息如下面的四个步骤所示https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/815d850fbd74996719e2ffb8b50cba2e.pngMoveNet 架构 – (Ronny Votel 和 Na Li谷歌研究2021)步骤 1定位人体中心使用人体中心热图在帧中识别“跑步者”的中心。这是通过评估每个像素成为人体中心的概率来完成的。然后选择得分最高的位置并按与帧中心的逆距离进行加权。结果是“跑步者”的估计中心。步骤 2生成初始关键点通过从对应于估计中心的像素中切割关键点回归输出为“跑步者”创建一个初始的关键点集。步骤 3精炼关键点定位接下来我对关键点热力图中的每个像素应用一种加权方案。权重与像素和相应回归关键点之间的距离成反比。这种加权确保只接受来自实际“跑步者”的关键点——而背景关键点通常由于与回归关键点的距离较远而具有较低的权重。步骤 4精炼和选择关键点最后我在每个关键点通道中识别最大热力图值的坐标。这些坐标代表每个关键点最可能的位置。我们将相应的局部 2D 偏移预测添加到这些坐标中从而获得“跑步者”关键点的精炼估计。我后来利用这个输出开发了一个相似度回归函数该函数量化了跑步者的步态与基普乔格的典范形式之间的相似度。提取关键点的模型model_namemovenet_thundermodulehub.load(https://tfhub.dev/google/movenet/singlepose/thunder/4)input_size256defmovenet(input_image):modelmodule.signatures[serving_default]input_imagetf.cast(input_image,dtypetf.int32)outputsmodel(input_image)keypoints_with_scoresoutputs[output_0].numpy()returnkeypoints_with_scores为了训练相似度回归函数我创建了一个包含基普乔格以不同速度和距离跑步的视频剪辑数据集。这些剪辑由我仔细标注以识别每帧的相应关键点。然后我在这个标记的数据集上训练回归函数使用提取的关键点作为特征将基普乔格步态的相似度作为目标变量。进一步需要注意的是在户外跑步或在跑步机上跑步并不是静态的因为在连续的相机帧中每一步都是相等或处于相同的位置。因此需要对步幅的“起始位置”和“结束位置”进行归一化以便使步幅可比较。换句话说关键点归一化过程确保了不同步幅的关键点可以进行比较。这很重要因为步幅的长度可能会根据跑步者的速度和步频而变化。我最终使用支持向量回归SVR模型来完成这项任务以更好地处理输入特征关键点和输出变量与基普乔格步态的相似度之间的非线性关系。此外我发现 SVR 是一个鲁棒的模型对异常值不太敏感这在当前情况下很重要因为步态数据可能会由于各种因素而变得嘈杂例如a相机角度和b照明条件等。我最终得到了 0.02 的 RMSE这表明该方法能够以良好的精度预测与基普乔格步态的相似度。换句话说我们现在有一个能够有效捕捉关键点与基普乔格步态相似度之间关系的模型。最后我将脚/膝部运动的重要性提高了两倍相对于上半身关键点。理论认为下半身这些关键点对于跑步效率的重要性高于上半身关键点。这种加权方案使得模型能够专注于对跑步效率贡献最大的步态关键方面。我将最终的模型命名为 –基普乔格效率指数 (KEI)– 这个名字直接指出了模型通过以埃利乌德·基普乔格历史上最有效率的跑者之一为基准来评估跑步效率的能力。相关系数:SVR 模型预测值与基真值之间的相关系数为 0.98这表明有很强的相关性。换句话说关键点和基普乔格步态相似度之间存在很强的线性关系。平均绝对误差 (MAE):SVR 模型预测值与基真值对基普乔格步态相似度的 MAE 为 0.02。这个结果也表明模型的预测非常接近基真值。均方根误差 (RMSE):如上所述SVR 模型预测值与基真值对基普乔格步态相似度的 RMSE 为 0.02这是一个很好的值。这表明模型的预测是准确的。外部验证:KEI 在基普乔格以不同速度和距离跑步的四个其他视频剪辑的独立数据集上进行了验证。结果显示KEI 能够以合理的准确性预测与基普乔格步态的相似度。总体而言这些结果提供了证据表明通过关键点测量运动和姿势相似性的方法是一种有效且可靠的评估跑步效率的方法。使用包括相关系数、MAE、RMSE 和外部验证在内的多个测量指标展示了发现结果的稳健性和重要性。因此我们可以得出结论机器学习是一种有效的评估身体运动如跑者的方法。实验内容在构建KEI-模型之后我能够预测自己的跑步效率。因此我收集了大量自己在跑步机上以 2 至 20km/h 的速度跑步的视频资料。整个实验过程中摄像角度和照明保持一致。作为一项实验我迭代了各种鞋型以评估跑步效率的任何潜在变化https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/54b46fea3b3d240f938aa7de81c12998.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/c36da68f015d1c06cea325a83e574996.png作者创建的图像实验 – 多种鞋型结果训练好的相似度回归函数有效地衡量了跑者的步态与基普乔格的步态之间的相似度。我将该函数应用于自己的跑步视频并获得了表示相对于基普乔格效率水平的定量分数。我确定了几个改进领域包括增加步幅和增加步频。除了跑步技巧之外我发现专业跑步鞋极大地有助于提高跑步效率。具体来说我发现穿着碳纤维鞋跑步与我与埃利乌德的跑步风格最为相似而穿着人字拖跑步则产生了显著的负面影响。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/4d17bb598b221a14b1933cc42dea3bd8.png由作者创建的图像实验结果赤脚跑步导致高跑步效率74%。这可以归因于赤脚跑步的自然步态和最大限度的本体感觉这促进了高效的运动模式。尽管如此我感受到了其他负面效果——这些效果在这里没有测量例如水泡。人字拖表现出最低的跑步效率38%。最少的减震和支撑导致不高效的跑步机制和增加的冲击力从而降低了效率。这一点我感受很明显——即使在低速度跑步时也是如此。普通跑步鞋提供了适度的跑步效率62%。减震和支撑的平衡提供了舒适且相对高效的跑步体验。我明显感觉到这些鞋子是为跑步而设计的。碳纤维专业跑步鞋在跑步效率方面超越了所有其他鞋型82%。从理论上讲广泛的减震和支撑以及如运动控制和稳定性元素等先进功能优化了跑步机制并最小化了能量消耗。我主观上也觉得在碳纤维鞋中跑步感觉最好。军靴虽然提供稳定性和支撑但阻碍了跑步效率45%。刚性的设计和有限的地面感觉限制了自然运动并使适应不同地形变得困难最终降低了效率。尽管如此军靴的结果比人字拖好——但由于鞋子重量大、结构不灵活主观感受最差。这些结果表明鞋型在影响跑步效率方面起着重要作用。赤脚跑步由于其关注自然步态和本体感觉成为一种有效的方法——但由于跑步机皮带摩擦水泡可能导致的即时伤害无法在跑步机上持续进行。普通跑步鞋如预期般表现而碳纤维专业跑步鞋则优于其他所有鞋型。人字拖和军靴虽然提供特定的好处但在跑步效率方面不足——显然不推荐用于跑步尤其是长距离跑步。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ab4ce786ff473aab2e8b4ed5fe37c5b4.png作者创建的图像结果表格以下是基于理论和我的经验列出的一些潜在优点和缺点***赤脚跑步自然步态**我感觉赤脚跑步促进了与人体生物力学相符合的自然步态减少了肌肉紧张并提高了跑步经济性。**最大本体感觉**理论认为赤脚跑步增强了本体感觉即身体对其位置和运动的感觉这有助于更好的平衡、协调和高效的能量消耗。**最大冲击力**最后赤脚跑步增加了冲击力因为没有缓冲可以吸收冲击。因此在跑步过程中肌肉和肌腱受到最大的攻击——这最终导致随着时间的推移跑步效率降低。***拖鞋最小缓冲**我感觉拖鞋缺乏缓冲使得脚直接与地面接触增加了关节的压力容易起水泡——从而降低了跑步效率。**有限支撑**显然拖鞋对脚踝的支撑非常有限增加了不稳定和受伤的风险可能导致跑步力学效率低下。**不均匀地面接触**根据理论拖鞋的柔韧鞋底可能导致不均匀的地面接触和增加冲击力这可能会阻碍跑步效率。***普通跑鞋平衡缓冲和支撑**我真心觉得几乎所有‘普通跑鞋’都提供了可接受的缓冲来吸收冲击并对脚踝提供支撑以稳定脚部从而促进舒适且相对高效的跑步体验。**考虑足弓内翻**此外一些普通跑鞋提供控制足弓内翻的功能这对脚部过度内翻的跑者可能有益可能提高跑步效率。**碳纤维专业跑鞋**充分缓冲理论和营销告诉我们碳纤维专业跑鞋提供充分的缓冲以最小化冲击力并保护关节同时促进平稳高效的跑步步态。这是因为碳纤维鞋底由轻质且坚固的碳纤维板组成通常比传统泡沫鞋底提供更优越的缓冲和能量回弹——这在我们的普通跑鞋中可以找到。最终这意味着高科技跑鞋可以在每一步中吸收更多的冲击能量然后将其释放回跑步者以更大的力量推动他们前进——从而提高跑步效率。精确贴合根据保罗·查尔德斯/路透社的个人经验我可以告诉您碳纤维专业跑鞋的精确贴合可以提供更个性化和高效的跑步体验。然而一个人必须找到适合自己的“正确”碳纤维跑鞋。加速恢复理论指出碳纤维鞋底还可以帮助跑步后的恢复过程。减少肌肉疲劳和改善跑步力学可以帮助身体更快地从剧烈跑步或间歇训练中恢复过来。**军靴**刚性设计军靴的刚性设计限制了自然运动可能会阻碍跑步者适应不同地形的能力从而在跑步机上降低跑步效率。地面感觉有限军靴厚实的鞋底可能会阻碍地面感觉减少跑步者对步态进行细微调整的能力最终影响效率。重量和体积军靴增加的重量和体积可能会增加跑步所需的努力并可能导致不经济的运动模式。讨论与结论我的跑步研究证明了 CV 技术在客观和定量评估跑步效率方面的潜力。我的方法使用 MoveNet 模型和相似度回归函数提供了一种实用有效的工具用于评估跑步姿势和确定改进领域。通过将我的跑步风格与世界级运动员埃利乌德·基普乔格的风格进行基准测试我可以获得关于最佳生物力学模式的宝贵见解并努力提高效率——也许有一天能打破世界纪录未来研究方向包括进一步细化相似度回归函数以纳入额外的生物力学参数如步长、步频和地面接触时间。此外我强烈建议开发实时应用程序可以在跑步者训练期间提供反馈这将非常有益于优化他们的训练和表现。总结来说使用人工智能驱动的 CV 模型提供了一种有前景的方法来客观评估跑步效率并指导训练策略。通过利用机器学习技术我们可以赋予运动员实现其全部潜能并提升其整体表现的能力。最后的评论——尽管我接近了 Eliud 的跑步效率——我仍在寻找那双能让我在挑战不可能的任务中占据优势的完美鞋子。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e69d5e702ed9c8f4976a4ab886209118.png作者使用 Imagen v2.4 创建的图片限制虽然开发的模型在评估跑步效率方面显示出有希望的结果但重要的是要认识到从我这边来说存在某些需要进一步研究的限制。人类限制个体差异人体结构、肢体长度和肌肉组成等人类属性很可能显著影响跑步风格和效率。因此对于具有独特解剖特征的个体模型的评估可能不太准确。因此一个更通用的模型将是有益的它可以处理并消除由于跑步者个体生理特征而产生的潜在偏差。可变跑步速度跑步速度可以影响跑步机制而模型的评估可能不适用于不同速度跑步的个体。因此强烈建议未来的研究将跑步速度作为一个参数纳入分析。个体步长步长是一个高度可变的参数受跑步速度、地形和个体生物力学等因素的影响。我的模型评估可能不会完全敏感于步长的变化。技术限制相机角度影响捕获跑步动作的相机角度可以影响关键点的检测从而影响模型的评估。此外视频材料的分辨率也受到限制以便允许更快的推理时间。光照条件光照条件的变化如低照度或强烈的阴影可能会降低关键点检测的准确性可能导致效率评估不准确。因此强烈建议利用良好的光照条件和对比丰富的服装。帧率一致性一致的帧率对于可靠的关键点检测和跟踪至关重要。帧率的波动可能会在模型的评估中引入伪影和不准确性。换句话说需要恒定的帧率。模型和数据限制主观效率测量跑步效率的概念本质上是主观的没有普遍接受的定义或量化方法。模型的评估可能无法完全捕捉到专家感知到的人类跑步效率的细微差别。训练数据有限模型的训练数据仅限于一位精英跑者埃利乌德·基普乔格和一位业余跑者的视频。这个有限的数据集可能无法完全代表个人跑步风格和效率水平的多样性。此外由于有限的视频训练材料世界纪录保持者凯文·基普图姆在模型训练中被忽视。模型偏差和相似度函数用于比较跑步风格的相似度函数可能会引入模型偏差可能过分强调跑步力学的一些方面而低估其他方面。尽管相似度回归函数在研究中已被充分理解但评估每个关键点在相似度重要性方面的单独重要性是至关重要的——以达到有意义的成果。短视频序列模型的评估基于短视频序列可能无法捕捉到跑者生物力学和跑步风格的全部范围。这种限制对于长距离跑者尤其如此——跑步风格可能会在整个跑步过程中变化以利用不同的肌肉群。自定义损失函数和关键点权重很明显在模型训练中使用的自定义损失函数和关键点权重可能会引入反映训练数据特定特征的偏差。尽管存在这些限制但开发的模型代表了一个有趣的工具和第一步用于分析跑步效率和识别改进领域。进一步的研究是必要的以解决已识别的限制扩大训练数据集并细化模型的评估指标。这将使模型能够为更广泛的个人和运动提供更准确和可推广的跑步效率评估。尽管如此我希望我的实验是一个良好的起点并为未来的发展提供潜在的想法。免责声明不要在家尝试。这个实验仅用于教育目的不应被视为医疗、运动或个人建议。最终模型不是谷歌产品也不与任何品牌或公司有关。这个实验的结果包括鞋子可能不适用于所有跑者并可能因个人因素如跑步经验、生物力学和受伤史而有所不同。我强烈建议在改变您的跑步习惯或鞋类之前咨询医疗保健专业人员。参考文献MoveNet-Paper:ieeexplore.ieee.org/document/9406043MoveNet on TF-Hub:www.tensorflow.org/hub/tutorials/movenet使用 MoveNet 和 TensorFlow.js 进行下一代姿态检测blog.tensorflow.org/2021/05/next-generation-pose-detection-with-movenet-and-tensorflowjs.html[1]www.nike.com/de/laufen/breaking2