文摘

与世界各地的人民生活水平的提高,人们对体育的爱也增加;篮球更是深受人们喜爱。听起来是非常重要的提供为篮球运动指令。为此,本文全面调查的最佳释放之间的依赖条件和相应的拍摄篮球运动员的手臂运动。我们进行运动特性分析篮球运动视频,提出了一个混合CNN-LSTM模型,该模型可以预测的弧线射击帕里,和识别的关键动作手臂关节产生最佳的释放速度,角度,逆转在短期,中期,长期的镜头。实验表明,该模型有三个刚性平面与转动关节,模仿的肩膀,肘、腕关节的上臂、前臂、手,更好的指导最优球释放速度、角度,逆转为不同的球员以最快的球的速度约为4.6 m / s,最慢的是约为1.7 m / s。

1。介绍

随着全球生活水平的提高,人们对体育的爱也增加;特别是,篮球是爱的人。装饰,例如,NBA,体育和奥运会也是一个至关重要的比赛。因此,它是非常重要的提供合理的篮球运动指令(1]。

在篮球,一个合适的投手弧可以提高击球率。因此,许多研究分析篮球运动的运动学特征进行视频(2,3]。好篮球运动员把球扔一个漂亮的弧线,适当向下旋转,和最小的横向偏离最优射击飞机。他们操纵的肩膀、手肘和手腕来产生最好的球的速度,角度和角速度。投篮手臂的运动学分析是至关重要的理解好射击(4]。这项研究在5)提出了跳投六个教学要点基于任何篮球投篮研究和提到照相制版工艺研究并没有明确指出人类共同的最优协调运动。

几位以前的研究6- - - - - -8)测量了肩、肘、腕关节运动在一个投手的跳投和报道范围增加的效果。罚球,工作在9]代表投篮手臂的运动关节和调查技术成功率高的镜头。他们的发现和测量不同,调查不同的射击技能和情况。据我们所知,还没有人使用一个动态仿真模型包含球和射击的手臂的运动学分析篮球投篮。在轮椅篮球,工作在10)使用一个二维的三态仿真模型探讨最佳罚球释放条件和相应的手臂运动模式。

也有许多项目,探索篮球运动实现运动学特性分析篮球运动视频(11]。例如,传统的动作识别方法有静态特性基于形状和轮廓,和基于光流的动态特性和运动信息。这项研究在12)旨在实现动作识别通过形状匹配的关键从视频中提取视频帧保存原始的行动。这项研究在13)计算光流场的视频中的目标使用模糊光学流特性和实现在线行动通过模板匹配识别。这项研究在14]提出表达关键的行动目标的识别特征点运动的历史。传统的特征提取方法是手工设计特性,因此动作识别的性能不高。

近年来,许多基于深度学习的动作识别方法已经出现。这项研究在15)是一个普通的美国有线电视新闻网CNN一个3 d的延伸与时间序列信息。网络执行特性表示空间和时间维度的视频数据,并引入3 d卷积内核更有利于分析视频中的人物的行动信息。P-CNN模型提出的(16]捕捉视频中的动作信息的人通过使用一个单帧视频数据以及光流信息。这项研究在17]是最典型的深度学习的框架,这是一个深dual-stream CNN结合时空特性,同时建议只使用的交接点部分人类的姿势从CNN的视频特征提取。这项研究在18)提出了part-aware长期短期记忆(LSTM)网络,主要使用收集到的骨骼数据实现人类构成的分析。总之,这些深学习方法的主要思想是捕获的高层语义特征的行动基于CNN模型。然而,它不能指导或预测一个特定的运动员的篮球的动作。

我们更充分地调查最佳释放之间的依赖条件和相应的短臂运动。在这篇文章中,我们进行运动特性分析篮球运动视频,提出了一个混合CNN-LSTM模型,该模型可以预测的弧线射击帕里,和识别的关键动作手臂关节产生最佳的释放速度,角度,逆转在短期,中期,和远程投篮。

2。相关技术

2.1。LSTM

LSTM属于,是复发性神经网络的优化(RNNs),其主要应用在时间序列分析和预测16,19]。其内部结构比较复杂,它是一个更复杂的周期性的神经元网络结构通过一个独特的选通单元选择性地传输信息(6,20.]。 在哪里LSTM单元的输入向量;LSTM单元的输出向量;W,U,b权重矩阵和偏见向量参数;代表了乙状结肠(6]激活函数;和双曲正切是双曲正切函数。在图1,代表输入门,代表输出门,代表忘记门口,代表记忆的闸门。盖茨的输入和输出,相应的每个门的重量计算和乙状结肠作为激活功能。乙状结肠值内 。如果输出值是1,应该存储相应的价值,但如果是0,完全对应的值应该被丢弃。双曲正切函数在内存门用于确定多少新的信息应反映在细胞状态。然后,前面计算和值被添加到计算的值的点积忘记门,前面的细胞状态值,和的点积计算中反映的信息 。最后,计算出的值输出门是通过计算单一制国家价值乘以双曲正切(16计算输出值 ,和输出结果发送到注意力机制(21]。

2.2。注意机制

注意是一个众所周知的概念,深度学习的有用的工具。神经网络与注意力已经成功在机器翻译5],图像警告[16),和语音识别21]。众所周知,RNN经常有梯度的问题消失,因为时间序列太长了。LSTM可以有效地解决这个问题通过获取长时间序列的相关性比RNN更容易。然而,实验观察到在某些情况下,特别是在很长的序列,LSTM并不总是记得长相互依赖关系和相关性正确(13]。这将导致减少神经网络的性能随着时间的推移,导致所谓的远程依赖问题。注意减轻这个问题通过保留所有源输入隐藏状态序列在每个时间步和更多的关注和重视最相关的部分序列产生的输出。

为了更好地掌握有用的信息在新代码和获得重要的时空特性,注意引入我们的模型。通过分配不同的概率体重,注意与兴趣它遵循一些趋势或改变发生在训练数据集和分配更多的概率权重提高编码的新功能。关注的数学公式如下: 在哪里表示之间的关系和值,W是重量,是偏见,的值表示注意力的软件功能,表示输出的最终状态经过的注意。我们使用上面的公式来计算相应的新代码的重量以生成一个新的代码增强特性。

2.3。美国有线电视新闻网

CNN是一个主导的人工神经网络在各种计算机视觉任务13,22,23]。卷积操作的关键特性是重量共享:共享内核对所有图像的位置。体重共享创建以下特性的卷积操作:离开当地的特色模式提取由内核不变随着内核对所有图像位置和检测学习当地的模式,学习的空间层次结构特征模式通过将采样结合池操作获得越来越大的视野与一个完全连接的神经网络相比,和改进模型通过减少有效学习参数的数量(19,24]。池是常用在cnn减少了参数的数量和冗余的函数,它可以训练重量和过滤器。的一个最典型的池操作是马克斯池。完全连接层形成最后一维输出数据,并计算它的分数按照下列公式: 在哪里的输出是什么神经元完全连接层,N输入数据的长度,表示神经元之间的重量输入值和神经元,b是偏见。一旦结果计算,完全连接层将这些值发送给高级连接单元通过激活函数来确定他们为下一个预测。激活函数如下:

是激活的输出函数。我们使用ReLU [17,21)的激活函数,它可以有效地防止过度拟合(16,25]。输出最终结果之前,发送数据到另一个激活函数,称为线性激活函数如下:

3所示。篮球运动模型

3.1。单手投篮和跳投

单手定位和在现代篮球跳投是最常用的。凶手手里拿着球靠近他的前额,电梯和他的肘部延伸,并猛烈抨击他的手腕。nonshooting臂球帮助支持和允许在拍摄所需的释放位置。几个以前的研究已经表明凶手应该保持球,手腕、肘部和肩膀在一个平面垂直于目标(26]。球应与适当的逆转和良好的弧和释放不应该偏离最优平面拍摄,包括目标和球释放点。

3.2。弹臂几何

我们使用一臂模型类似于二维三节模型(27]。假设投篮臂在垂直移动飞机,有三个刚性连杆,上臂、前臂、和手转动关节,以及肩,肘,腕关节。拍摄的胳膊,篮球的坐标系如图2。

在球触及篮或边缘之前,球的中心移动的平面角速度矢量球和连杆垂直于这个平面的初始行程路径(18,28]。

主题B和点表示篮球和球的中心。的长度上臂、前臂、手,球的半径 , , ,和 ,分别。指尖的位置可以编写使用以下角度:从水平面上臂链接,从上臂到前臂连接,从前臂手联系。的单位向量我,J,K连接到地面。的JK平面是垂直的,K向量。另一个单位向量连接连杆和球如图2。

3.3。投篮手臂运动学

我们考虑三连杆平面上的位置和姿态的镜头。指尖关节角和速度之间的关系。指尖的水平和垂直分量速度对肩关节(假定为固定)可以表示为

球的表面速度在指尖接触点可以被描述为 在哪里速度球的中心,ω球的角速度,是单位向量从指尖到球的中心。当释放等于 ,球离开了指尖,不滑的指尖和球之间的表面,和角速度的球可以写成 ,在哪里手连杆之间的角度和线包括指尖和球的中心。

3.4。发射的手臂的关节角位移释放

一些先前的研究测量肩膀的关节角,手肘和手腕在释放期间运动员跳投和罚球28]。这项研究在29日)显示了一个跳跃动作,上臂与水平面之间的夹角是51度,手和前臂的夹角是180度,和前臂与水平面之间的夹角释放约80度。这项研究在30.)显示了一个木制的图形表示坚持射击运动,在前臂与水平面之间的夹角是90度,前臂和手之间的角度是173度到201度(31日]。这项研究在32)表明,测量上臂水平角度从28到38度,平均夹角135度的上臂和前臂和手腕平均角释放约190度。

我们估计可能释放关节角基于短程(水平距离的先前的研究l= 2米从篮子里的中心和垂直距离h= 0.05 m从篮子里的中心),中期(l= 4米,h= 0.15)、和远程(l= 7米,h= 0.30 m)拍摄地点。图1显示了一个示例的肩、肘、腕关节角度与陆= 3.0 m,低频= 3.0 m, LH = 2.0 m远程的镜头当球释放位置和肩膀的位置。肩关节的角度与水平面范围从45度(前臂和手腕关节时垂直)59度(当肘角接近18度(0)。手动链接位于一条直线,包括球的中心在发布17,33]。

3.5。CNN-LSTM模型

这项研究在34)发现,视频数据具有时空相关性特性,这使得视频流连接地区之间相互影响。同时增加了视频序列的时空特征提取,本文提出了加强CNN-LSTM预测模型的鲁棒性和收敛使用RAdam优化算法(24],它降低了该模型的预测误差,同时减少模型训练时间,最后获得一个好的预测精度(35]。本文中的模型设计如图3。

本文模型构建过程包括数据预处理,包括消除异常值、线性插值、数据归一化处理。预处理篮球视频数据输入到LSTM模型,和一系列新的序列生成特定宽度的篮球视频序列作为输入和输出。新数据序列发送注意机制来提高时间特性。CNN模型提取图像的空间特性输出数据,减少了参数,并实现了冗余函数通过他们的最大池层。最后,通过完全连接层发送数据和线性激活函数的最后一个隐层产生最终的预测输出。

在这项研究中,改进CNN-LSTM模型是实现以下处理步骤:步骤1。输入历史视频数据首先构造包含视频时空相关性特征矩阵 ,定义为 在哪里收集的篮球视频帧的位置吗在时间 ,和 收集到的历史数据流量在位置吗 。步骤2。输入特征矩阵多层CNN,提取视频流数据的空间特性,并获得视频序列的特征向量。步骤3。多层LSTM网络输入特征向量提取时间特性。步骤4。在完成建筑模型的网络结构,辍学层(26,36介绍和RAdam优化算法应用于培训过程,以防止过度拟合的数据和训练收敛时间长。RAdam优化算法中描述的算法1。步骤5。模型的训练和测试后,最终的输出预测视频序列的描述 在哪里的视频流量预测的时间吗t,是视频流量预测序列。

4所示。结果和分析

4.1。大步跳投技术的运动

时间相位分割是研究的一个重要组成部分的技术动作,这是有利于运动结构的更详细和深入的研究(5]。在过去,颞部的行动结构主要是基于操作的的活动序列结构或者力量在行动17),但本文的颞部大步跳跃动作是基于组合的动作脚和地面和序列的联合活动在整个技术动作。为了确定行动的结构,促进分工的阶段,结合篮球视频拍摄,我们首先确定跨步跳投篮动作的特征图像;即基于脚和地面的作用和联合活动的顺序,可以确定不同动作的临界点如下:左脚脚后跟落地的那一刻起,那一刻的右脚离开地面,右腿向前挥拍,手臂的时刻提高球,右脚着陆的那一刻,弯曲膝盖垫,髋关节和膝关节扩展的时刻,跳的那一刻,当双脚离开地面,双脚落在地上的时候缓冲7特征照片。因此,跨步跳投的整个行动过程分为6个阶段,即左脚着陆和制动阶段,右腿向前挥拍阶段,球提升阶段,跳跃阶段,空相,和着陆缓冲阶段,如图4。

图4(一个)显示了从存储的弹性势能的左脚的脚跟先着地的那一刻整个左脚着地。

图4(b)显示了时间从右脚离开地面的那一刻右脚再次落到地面上。

图4(c)表明,球从肘关节的屈曲肩关节的相对固定,在这段时间里,球从肘关节的屈曲的解除武器肩关节的延伸,并显著增加球的范围。

图4(d)显示的时间从臀部开始扩展的时候脚离开地面。

图4(e)显示了球的时候叶子的手从脚离开地面。在此阶段,下肢关节逐渐扩展为体重上升和右上肢,这是拍摄的手臂,完成前的手肘扩展和手腕摇晃身体上升到最高点。

图4(f)显示了时间从身体开始从最高点下降到脚撞到地面。

4.2。大步跳投技术的运动学特征

除以时间阶段的六步跳投的行动阶段,射击行动基于着陆缓冲阶段;因此,只有前五个技术研究阶段。

4.2.1。准备时间跨越跳投技术的特征

每个操作的时间特征阶段的跨步跳投技术如表所示1。通过数据的分析,我们可以了解到整个行动过程中所花费的时间是最长的在空中拍摄阶段,其次是球提升阶段,紧随其后的是右腿摇摆跳跃,最短的在左脚着陆阶段。每个运动阶段的耗时情况有一定影响整个技术动作的完成质量。左脚着陆后的制动方法从脚跟过渡到整个脚,左脚着陆阶段的和最短的时间是由这种特殊形式的行动;最长的时间跳跃阶段是由于这一事实,开始跳的动作,首先扩展,躯干和这个行动会导致小降低身体的重心,也增加下肢的缓冲幅度,进而增加下肢搅拌的持续时间。在右腿摆动阶段所花费的时间主要是受到的摆动右腿的变化和不同的着陆距离右脚;在空中拍摄阶段所花费的时间主要是受到跳的高度和拍摄的时间;时间越长球提升阶段是由于球起重行动开始之前,右腿摆动撞击地面,贯穿整个跳跃过程,当身体进入空气状态结束。方面的结合形式跨步跳投技术,该技术可以被看作是一个跨步动作和原地跳投动作。因此,在每一个阶段的特征时间的行动也可以反映跨步动作之间的接合的连贯性和原地跳投动作。

4.2.2。每个阶段的技术特点步跳投

(1)在左脚的起飞阶段,此时,右脚还没有离开地面,身体的反应力是推动和右脚。右脚后推在地上,左脚迅速离开地面,左脚着陆有利于保持身体平衡的过程中快速向前运动的方向。通过篮球视频和数据的分析,左下肢关节角的特点的运动员降落在左脚派生时,如表所示2。分析表明,踝关节的角度之间和 ,膝关节的角度之间和 ,和髋关节之间的角度和 ;三个关节的不同角度反映了不同姿势的左下肢当运动员土地在左脚上。膝关节角特征表明,运动员的身体重心降低不同程度的着陆左脚,但降低重心并不一致:降低身体重心有利于快速向前运动的运动员的身体完成制动迅速的左脚。髋关节的不同角特征表明,运动员的躯干已经不同程度的向前倾斜,此时身体姿势的变化主要是维持平衡的状态,身体的快速向前运动。(2)右腿向前摆动阶段从右脚脚离开地面的那一刻是完全在地上了。根据摆姿势的变化的右腿向前摆动的过程中,它可以分为两个不同的姿势,“膝盖弯曲”和“膝盖扩展”;右腿的姿势的变化这一阶段不仅有利于身体的平衡维护的单一左脚的支持,也有利于正确的脚地上快速制动。结合分析篮球视频和数据表3,我们知道关节角的右腿在前摆动基本上显示髋关节的值大于的踝关节和膝关节;原因是,右下肢激起前面离地面摇摆的跺脚的时候,地面反作用力有一定的速度,并激起离地面的髋关节屈曲效应也增加右下肢的摆动速度。髋关节的不同角特征反映了不同运动员髋关节的扩展,另一方面,他们也可以反映不同地面的右下肢马镫的地面反作用力。膝关节的内在角特征反映了不同的折叠位置的上部和下部的腿,和踝关节的角度反映了不同程度的弯曲的脚气后搅拌。早期的右腿,右髋关节向前弯曲,小腿逐渐折叠的大腿膝盖弯曲的影响下,和髋关节用作权力共同加速;后期的摇摆,髋关节屈曲的振幅逐渐减小,下肢逐渐扩展的影响下膝盖扩展,和脚踝关节逐渐弯曲,弯曲准备着陆行动。摆姿势的变化在向前摆动腿的不仅有助于维护单腿支撑身体平衡状态,但也使右脚能快速土地和制动double-legged形成一个稳定的支持。(3)球提升阶段开始前右脚击中地面,但球提升行动主要是基于手肘关节的弯曲;右脚踩地上,刹车后,球提升行动逐渐从肘部的弯曲变化的提升肩膀关节为轴,和球的振幅明显加速。身体后进入空气状态,降低身体的升力,球起重的振幅与肩膀关节明显减少,身体是固定的,球起重行动结束。图5表明,球运动员在这个阶段不同,速度最快的球速度约为4.6 m / s,最慢的是约为1.7 m / s。球速度的差异不仅反映出球的振幅不一致解除的运动员,但也反映了不同振幅的上肢运动。分析篮球视频和数据表4表明,双臂屈肘的程度是不同的在球提升阶段,主要是因为屈肘在射击的手臂更加明显,主导射击产生的手腕的手掌向外旋转球举起手臂升降过程中运动,和右手臂的关节都高于左臂的最终稳定射击位置。右手臂的每个关节的位置高于左臂的最终稳定射击位置。(4)跳跃阶段:跳的过程远端连接作为一种固定的爆炸性的肌肉运动。右脚着陆后,跨步动作结束,身体的重心降低再次降落的右脚。降低身体的重心不仅有利于增加腿部肌肉的伸展幅度,但也会增加脚与地面之间的力,哪个更有利于脚的跳跃阶段和快速扩展的下肢关节。结合篮球视频和数据表5,我们知道,当跳,下肢脚踝,膝盖和髋关节移动以不同的顺序。髋关节是第一个扩展下臂升力的作用。髋关节的扩展使躯干和下肢保持在同一垂直面尽可能跳时,这样身体就可以更有效地使用垂直速度。此时,内部髋关节角度区别是反映在跳跃时人体的不同倾向度。躯干倾向差异越大,越运动员的弹跳力。例如,运动员的躯干的倾向3号和7号高达20度。这个姿势不仅不利于运动员的难度在跳的过程中,也对身体不利。踝关节的角度的差异在这个阶段体现在外部动作的形式的不同功率序列踝关节在跳,没有区别。4,没有。6是最重要的,主要是由于踝关节的扩展不一致造成的不同的着陆的脚。 The angle difference at the knee joint reflects the different degrees of passive stretching of the leg muscles after landing on one hand, and the stirrups and extensions of the lower limbs during the jump are not carried out simultaneously on the other. In the analysis of the video of the jumping phase, it was found that, with the extension of the hip and knee joints, the feet left the ground from the heel first and gradually transitions to the forefoot and finally the forefeet of both feet stomped off the ground.(5)脚离开地面后,臀部、膝盖,和脚踝关节完全弯曲和扩展的重心逐渐上升,和肩膀关节形成一个相对稳定的状态随着身体上升和减缓。另一方面,这有助于维护稳定的投篮手臂与身体的姿势,因为它上升。

枪退出时间引用在不同时刻身体上升到最高点,在空退出阶段,退出拍摄时间影响整个投篮技术动作的完成质量。视频的分析运动员的空出位置相表明,跨步跳投技术,在不同时刻拍摄拍摄完成之前,运动员的身体上升到最高点。通过分析球之前和之后它的速度离开图6,我们可以学习,增加速度不同程度在球离开后,和球的变化速度离开手后主要的手动作的影响,这是因为一方面,射击arm的最后环节,具有重要影响的速度球,球的力量,在空中球的轨迹运行。

4.3。投手弧分析讨论

角速度组合的肩,肘,腕关节在每组策划图所示1生产最优球释放速度、角度和逆转为4.58 m / s, 47.5°,短距离的rad / s;6.62 m / s, 46.0°, 4πrad / s中等距离;和9.04 m / s, 46.0°, 6πrad / s为长途(16,30.]。当肩膀速度SN是零,没有滑动的指尖和球之间的表面释放。合理的条件 (肘的垂直分量速度通常是积极的) (前臂和手的角速度通常是负面的,和角速度的大小大于手的前臂)用于计算。

图7显示的角速度的肩,肘,腕关节最佳释放条件shoulder-elbow-wrist角速度空间。数据8(一个)和8 (b)显示的顶部和侧面视图角速度在图8。每一行是一个函数 , 和 功能。

为 和 (前臂和手的位置垂直)释放,指尖速度的垂直分量的函数 ,但无论是的函数 和的函数 。为短期、中期和长期,肩膀的角速度可以计算的= 15 9.22.4和30.7 rad / s。肩膀旋转导致的垂直分量球速度,重要的是一个好的弧球的轨迹。

一些先前的研究测量角速度的肩,肘,腕关节在释放射手。米勒和巴特利特(37]表示手臂关节的角速度产生三种不同的球释放速度。随着球释放速度的增加,肘部角速度的大小增加,而手腕角速度的大小减少,和几乎没有区别的角速度的肩膀三球释放速度。运动学分析显示可能的组合的角速度的肩,肘,腕关节。这可能是一个不同的结果的原因之前拍摄的手臂运动的测量。

图9显示了中档释放的角速度组合与不同的逆转: , ,和rad / s。的版本 和 (前臂和手都垂直),肩旋转导致球的垂直分量释放速度,和手肘和手腕旋转主要影响逆转。

5。结论

本研究全面调查的最佳释放之间的依赖条件和相应的拍摄篮球运动员的手臂运动。在这篇文章中,我们进行运动特性分析篮球运动视频;举例来说,一个二维射击的手臂的运动学模型推导,包括篮球用于短程、中程和远程射击。运动学模型估计的角度和角速度的肩,肘,和手腕对于一个给定的球释放速度,角度和逆转。对于每个释放条件,许多组合的肩,肘,腕关节角速度以最快的球的速度约为4.6 m / s,最慢的是1.7 m / s。我们也提出一个混合CNN-LSTM模型预测的弧线射击和识别的关键动作手臂关节产生最佳的释放速度,角度,和逆转短期,中期和长期的。

使用先前的研究和我们的结果,我们发现,射手有一个广泛的手臂关节的角速度产生球他们渴望释放条件。

数据可用性

本文中使用的数据集可从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作得到了辽宁省自然科学基金项目(指导计划)批准号SK2018167。