文摘
存在一些问题在视频智能的描述和分析的过程中排球、贫困等有效信息提取速度和动态跟踪效果差。在此基础上,结合网络长期和短期记忆和注意力机制,本文设计一个智能的描述模型排球视频基于深度学习算法,研究如何提高排球的萃取率通过智能视频信息检测硬件和图像识别技术。本文首先介绍了图像识别技术的应用和深入学习算法的智能描述排球视频,然后设计了基于深排球视频和图像识别模型学习算法根据排球视频智能的需求描述,并选择相关的三个相关因素指标的影响排球技能。本研究选择三个特征参数与排球相关视频分析索引,即起飞,反弹,和手的运动,结合图像传感硬件辅助传感器网络实现实时监控的行动在排球视频分析系统。相比,实验结果表明,与目前的主流体育视频智能分析和图像识别方法和数据分析为核心,智能排球运动视频智能描述和图像识别系统集成的基础上深入学习算法和传感器硬件援助具有良好的检测效果,数据有效性高,成本低,效率高的排球运动视频分析。它可以有效地提高排球视频智能描述的效率。
1。介绍
近年来,中国的体育产业已经进入了一个快速发展的新时期。排球比赛中发挥着重要作用(1]。智能运动视频分析系统基于智能算法的处理是现代教育体系的重要组成部分和促进排球的多元化的一个重要组成部分。它包括一个视频采集模块收集教学视频,视频处理模块进行处理教学视频,视频输出模块输出检测结果。视频采集模块包括一个多元化的室内摄像机和一个图像预处理模块与摄像机相连。通过教学像素级建模和处理,完成和高质量教学检测移动目标识别奠定了良好的基础和行为判断(2]。运动反映了民族教育的发展水平,科学和技术从侧面3]。然而,在竞争的过程中,中国当前的运动常常只注意运动员掌握运动技能和实战,但忽视如何有效的帮助下实现更高效的排球视频检测当前成熟的传感技术硬件和智能算法(4]。描述排球视频事件的过程中,由于视频信息提取效果的问题,评论人士往往只关注体育的技能掌握需求但忽视排球的“重复”检测视频,这违反了发展观的“智能排球视频和智能描述”5]。深入学习算法在图像识别技术可以实现有限的深部开采数据信息在视频或图像在各种各样的领域,高智商的功能,稳定性好,和广泛的应用范围6]。在这种背景下,结合网络长期和短期记忆和注意力机制,本文研究排球视频的智能描述模型基于深度学习算法。
针对低程度的有效信息在信息描述和特征提取的排球视频、数据挖掘分析方法首先使用。结合长期和短期记忆网络,注意力机制,和图像识别技术,本文研究了智能描述模型的排球视频基于深度学习算法。本文分为四个部分。第一部分简要介绍了研究背景和研究框架。第二部分总结了研究现状和分析智能描述和信息提取的排球视频。第三部分,结合长期和短期记忆网络,注意机制,和图像识别技术,三个相关特性参数相关指数的影响排球视频智能描述质量的选择,和排球视频智能描述模型基于相关因子特征参数和深度学习算法。第四部分设计相关的实验来验证智能模型提出了本研究的可行性,使实验结果的客观定量评价定量评价方法得出结论。
与当前主流排球视频智能描述模型(主要是贪婪迭代算法或关键特性智能提取数据分析算法),本文提出一种改进的创新深入学习算法结合长期和短期记忆网络,注意机制,和图像识别技术。它可以充分利用信息的排球视频智能描述技术实现整个捕获和信息提取的关键行动排球。结合图像识别技术,它可以实现提取,分析,和相关符合目标信息,完成符合分析影响因素的定量指标,并实现体育视频智能的关键信息的分析描述。
2。国家的艺术
到目前为止,大多数中国排球视频智能分析和描述基础薄弱和低智力的问题,尤其是在建设体育视频智能描述和检测系统(7]。此外,在先前的研究在国外排球视频分析系统,使用的方法的识别效果很差(8]。针对在排球训练效率低的问题,Qi et al .,加上长期和短期记忆网络和视频特征获取方法,提出一种实时反馈排球教学分析模型,可以有效地提高大学生的行动纠错效果的过程中,排球。然而,大量的数据样本需要实现一定程度的自适应学习策略(9]。Bisagno等人提高排球视频分析的过程中结合现有金字塔算法和提出了金字塔算法结合神经网络的想法。使用的数据判断维度排球视频信息提取的过程中,他们意识到的信息深度学习和高精度识别排球行动,但其识别效率缓慢(10]。Benelguemar等人提出了一种快速识别方法通过分析排球运动,根据行为的独特性与明显的区别显示排球的过程,但该方法的识别类型不11]。为了提高识别的速度行动在排球视频中,根据不同的信息不同的运动员在排球的性能相同类型的行动,结合图像处理技术,并针对同样的排球比赛,周等人提出一个排球视频分析方法,可以快速、准确的排球运动员之一。然而,它的应用范围非常有限(12]。南等人发现,识别当前排球运动的影响与周围的环境信息,所以他们提出了一个排球视频分析方法来消除环境噪声的影响,但也有识别精度低,稳定性差的问题13]。蕨类植物等人发现,在分析的过程中在排球体育赛事有关行动,关键视频分析节点有一个很大的影响对整个识别效果精度(14]。Gui等人结合金字塔算法提出了一种快速识别模型的关键在排球运动行动视频。实验结果表明,该识别方法具有较高的识别效率和识别速度比传统的排球视频分析方法,但它是不可能有效利用排球动作数据的视频。也不可能在数据层面进行深入分析(15]。周等人提出了一个新的“点对点”排球视频智能分析模型,通过研究和分析的性能稳定和行为相似性运动员在排球表演的过程中(16]。MTB等人的深度学习识别模型的有效性验证排球视频分析的过程中通过实际实验几位排球运动员17]。
综上所述,可以看出,当前排球视频分析系统和传统的图像识别模型一般有识别效果差的问题,识别精度低,稳定性差,在排球视频分析数据利用率低(18,19]。另一方面,在现有排球视频分析系统中,绝大多数的排球视频智能识别方法只能识别一个排球视频信息并不能区分排球运动有明显差异,所以他们没有智能特性20.- - - - - -22]。的利用率和数据挖掘效果获得了排球运动在识别过程中数据信息也非常贫穷23,24]。因此,它是很有价值的进行研究排球视频智能描述网络技术相结合的长期和短期记忆和注意力机制。
3所示。方法
3.1。应用图像识别技术和深学习算法在排球视频分析模型
图像识别技术是人工智能的一个重要领域。它指的是图像目标识别技术识别目标和对象的不同的模式(25]。如果排球的动作需要提取的视频智能分析和描述,它需要实现了智能算法在图像识别技术(26]。随着人工智能技术的发展,视频信息的数据处理,基于深度学习算法的图像识别技术已成为一个研究热点和发展趋势领域的视频和图像信息挖掘和数据关联分析(27,28]。视频智能描述技术需要解决的是将目标数据集在图像或视频组分成多个组根据一定的相关法律。一般来说,这是一个过程,分为一组数据按照相似性或贡献的目标任务,和相关数据信息的差异或贡献是分为不同的群体。本文在排球的信息处理相关的视频和图片,观察对象排球数据和观察指数之间的管理学位,在排球视频数据。数据库学习的深度学习算法是排球比赛视频,体育教学视频,其他排球视频,等等,在互联网上发布。的总量数据算法通过仿真获得的基于网络视频。通过深入学习,获得数据库直接输出。结果表明,数据的总量超过1000万次。学习规则包括输入层、隐层和输出层。排球视频输入层和隐层是对输入数据进行数学计算的过程。 The calculation method is mainly an adaptive iterative cyclic calculation mode based on successive error reduction, and the output layer is the target data result (that is, the intelligent description of volleyball video). The data processing process of the deep learning analysis model combining long-term and short-term memory and attention mechanism is shown in Figure1。
3.2。排球视频智能建设基于长期和短期记忆网络描述模型和深学习算法
基于深度学习排球的视频识别算法用于分析和处理的图像。不同运动轨迹的排球运动在不同的场景拍摄,和一些照片输入到系统中作为模型的训练集训练。最后,模型测试。上述类型的照片不同的样本集作为测试集测试模型的拟合程度。根据测试结果,模型可以不断的优化,以提高识别精度和系统性能。
关注的结合机制和长期和短期记忆力与注意力机制可以提高质量评价的准确性。该方法克服了缓慢的缺点文本模型训练和适应的端到端模型的数据分析功能。通过识别的方法、表示和特征权重,长文本准确分类质量评级。
这个排球视频分析模型基于深度网络学习算法结合了长期和短期记忆和注意力机制来简化复杂的数据的处理在排球视频信息。因此,智能描述模型需要检查multidata的许多因素,以便判断有密切相关的因素在不同的数据。通过这种方式,它不仅可以使用这些密切相关因素的综合平均指数或其中的一个代表各种各样的因素,但也使这些multidata处理。视频和图像所携带的信息不是严重扭曲。排球视频智能的数据分析过程描述模型如图2。
首先,我们假设处理数据对象(运动员特性信息,视频和图像的过程中,排球),这被称为实现对象;然后位置序列的表达排球在排球视频在三维空间中 在哪里 排球的空间轨迹坐标信息, , , 排球在三维空间的运动位置,然后呢排球的总量不同视频特征点。
结合后的长期和短期记忆变量函数 和注意力机制规则功能 ,相应的空间位置表达式是排球
长期和短期记忆变量函数的表达式 和注意力机制规则函数 分别是,
其中, , ,和是排球的运动位置函数在三维空间中,是视频特征点的总量不同的排球运动,然后呢 排球运动的空间轨迹坐标信息。当一组信号不同于排球视频信号,结合分析的长期和短期记忆网络功能,偏差比例,积分,和微分可以组合起来以形成控制量,和积分表达式在排球获得视频智能分析模型如下: 在哪里代表偏差,代表控制数量,代表时间常数。
3.3。数据处理的过程,基于深度学习排球视频智能描述系统
在这项研究中,一旦确定体育视频的智能描述决定,排球视频所需的深度学习方程可以确定。为了研究深度学习的影响次视频信息特征提取,没有长期和短期记忆力和注意力机制,结合仿真结果的特征信息提取和行动识别两类(10组)排球视频在不同深度学习时间如图3和4。
从数据可以看出3和4当长期和短期记忆力和注意力机制不相结合,在不同深度学习,深入学习算法有逐渐增加的趋势从排球的视频提取特征信息两类(10组每组),但自学时间大于91时,特征信息提取的最大价值因素是只有5。动作识别而言,他们都是在识别精度范围0 - 0.6。这是因为为了确定最佳排球视频智能描述和检测计划,没有长期和短期记忆和注意力机制,导致需要逆向操作数组数据的过程中学习;即决定根据关联度确定独立的基本视频智能之间的关系描述的两个相邻段。深下的运动技能视频智能描述模型学习算法将实时监测传感器硬件传感器网络,然后记录下体育基本视频智能描述系统。生成的数据优化处理并分析深度学习算法,这些数据信息将被转换成二进制数字。然后由计算机网络系统数据处理实现排球视频数据的分析。
排球视频智能描述模型基于深度学习算法和传感器硬件辅助融合,加上长期和短期记忆的关键因素变量和注意力机制规则,仿真结果的特征信息提取和行动识别排球视频在不同深度学习时间如图5和6。
从数据可以看出5和6之后,结合长期和短期记忆变量和注意力机制的关键因素规则,对应的特征信息提取和行动识别效率将显著提高自学的数量的增加。这是因为,在寻找的过程中边界条件的基于传感器的运动视频分析系统硬件辅助融合,深度学习模型可以获得一个或一系列的状态转换引用值通过多个周期的学习步骤。一般来说,通过长期和短期记忆的结合网络和注意力机制,排球运动过程中相关数据的旋转可以深入挖掘和分析,和多重比较分析可以根据排球动作进行法律的深度学习数据库。数据处理和操作后,可以进行最优概率分析。
4所示。结果分析和讨论
4.1。验证和实验设计的排球视频智能描述系统
当设置验证性实验,深入学习的数据库是排球事件视频,物理教育教学视频和其他排球视频发布在互联网上。数据的总量超过1000万次。学习规则包括输入层、隐藏层和输出层,输入层是排球的视频。隐层是对输入数据执行数学计算。其计算方法主要是一种自适应迭代循环计算模式基于连续错误减少,和输出层(即目标数据结果。、智能的描述排球视频)。在评估的应用深度休息学习算法在排球视频智能描述系统,它从许多方面需要评估。因此,本研究选择三个排球相关特征参数,视频分析指标,即开始跳跃,和手的运动,结合图像传感硬件辅助传感器网络实现实时监控的行动状态在排球视频分析系统中,然后传送这些数据终端数据库监控信息检测系统。通过动态的处理算法和灰色关联熵分析方法,提取有效数据信息。获得的大量数据信息(图像传感硬件辅助传感器网络)系统中生成的排球视频智能描述技术的融合算法和基于视频的智能描述传感硬件获得援助,并得到相应的定量评价结果。在实验中,对三种类型的数据(根据排球运动的变化程度,它可以分为三种类型的数据,和两组排球视频选择为每个类型的数据),当网络的长期和短期记忆和注意力机制不介绍,初步实验结果有效信息提取速度在排球视频图所示7随着迭代的数量的增加操作。
在长期和短期记忆网络的引入和注意力机制,有效信息提取的初步实验结果率排球视频图所示8。
从数据可以看出7和8之后,介绍了长期和短期记忆网络和注意力机制,在深入学习算法,用迭代操作的数量的增加,相应的排球视频信息提取速度大大提高。这是因为大学排球视频的智能描述系统模型基于深度学习算法具有自学习的智能特点的深入分析,这些特点可以实现多个迭代分析有效信息的排球网络视频根据长期和短期记忆和注意力机制的规则,以减少损失的有效信息。
4.2。实验结果和反馈智能体育视频分析系统的分析
实验中三种类型的数据(根据排球运动的变化程度,它可以分为三种类型的数据,和每种类型的数据选择两组排球视频),基于深度学习算法的分析结果如表所示1,其中S1表示第一个排球视频和D1表示第一个描述结果和(Sx, Dy)代表的定量描述结果x排球的视频y时间。
归一化定量评价和分析结果的误差程度的实验结果如图9。
从图可以看出9中,三种类型的实验数据(6组实验数据),相应的定量评价结果的变化规律是相似的。错误的增加逐渐减少的数量误差迭代计算。这是因为虽然有明显差异的特性分析三种类型的实验数据,这排球视频智能分析后的描述模型,不同类型的视频数据可以规范化,可以减少错误和稳定在一定范围内随着迭代的数量的增加,这也表明,在这项研究中提出的模型有一定的迁移应用程序和应用程序的范围,可以分析不同类型的排球与高精度视频。另一方面,排球视频的智能描述模型基于深度学习算法分类信息根据每个玩家之间的个体差异在6个不同组的排球视频和视频时打排球。使用图像传感硬件和传感器网络融合技术、排球的整个过程视频实现动态监测和动态过程监控数据。源数据传输系统的终端通过互联网,然后通过智能数据深度挖掘技术和图像识别技术深入学习算法的基础上,以提高智能的描述的准确性和效率排球视频(见图10)。
5。结论
随着互联网技术的普及,体育产业如何使用图像识别技术和智能分析方法来智能地描述和准确地识别排球视频已经变得越来越重要。在此基础上,结合长期和短期记忆网络和注意力机制,一个智能描述模型基于深度的排球视频学习算法设计,以及如何提高排球的萃取率视频信息通过智能检测硬件和图像识别技术进行了研究。与当前主流排球视频智能描述模型(主要是贪婪迭代算法或关键特性智能提取数据分析算法),本文提出一种改进的创新深入学习算法结合长期和短期记忆网络,注意机制,和图像识别技术。它可以充分利用信息在排球视频智能描述技术实现排球的整体捕获和信息提取关键动作。本文首先介绍了图像识别技术的应用和深度在排球视频智能学习算法描述,然后设计了基于深排球视频和图像识别模型学习算法根据排球视频智能的需求描述,并选择相关的三个相关因素影响排球技术的指数。实验结果表明,该智能排球视频智能描述和图像识别系统的基础上,结合深入学习算法和传感器硬件援助具有良好的检测效果,数据效率高、低成本和高排球视频分析的效率。它可以有效地提高排球视频智能描述的效率。然而,该系统只考虑排球视频数据的信息分析,但没有考虑影响排球运动员的运动习惯排球轨迹,所以它可以从这方面进一步优化。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。