文摘

随着社会经济的不断发展,体育得到了越来越多的关注。如何提高体育的质量已成为研究的重点。介绍了计算机数字3 d视频图像处理在本文中,以射击为起点,计算机数字化技术是用于收集的图像序列目标通过结合拍摄的操作流程,监控拍摄的结果和数据和处理3 d视频图像,进行分析和我根据相应的统计学处理结果,并评估相应的培训。仿真实验证明了计算机数字3 d视频图像处理是有效的,可以科学支持sports-assisted培训。

1。介绍

随着社会经济的发展,体育已收到越来越多的关注作为一种重要的方式运动。在竞争激烈的竞争,如何提高运动员的质量和有效性是非常重要的1,2]。传统训练方法通常是由教练,他们是通过经验判断和修正实现的集成训练节奏和方法(3,4]。但是,大多数运动员的体育有强烈要求平衡,注意,协调,和时间感。因此,如何定量地提高运动员的训练性能是进一步研究的重点5,6]。计算机技术的发展导致了许多辅助技术的发展,和计算机相关技术引入体育培训业内人士进一步提高运动规则的总结和锻炼效果,从而达到科学有效的运动训练(7,8]。

在运动训练过程中,计算机技术可以代替各种各样的角色和功能,如模拟运动并获取相应的3 d仿真运动(拳击、乒乓球等);三维模拟和仿真的跳高动作通过3 d电影意识到培训执行分析的真实性和分析运动员的运动(9- - - - - -11]。因此,在实际的运动训练过程中,有必要整合图像捕捉和三维仿真。通过图像处理、清洗和分析,实现运动员的三维运动仿真。同时,相应的动态数据和公式是用来模拟运动员的动作,实现同步的角度和同步培训根据培训需求和需求,并为运动训练提供参考(12- - - - - -14]。

对于射击运动,它更关注注意力,临界状态等。传统的训练通常使用视觉人工判断。在实际训练中,经常有不准确判断的问题,长时间,无法分析相关数据。因此,为了应对这种需求,介绍了计算机数字3 d视频图像处理,计算机图像是用来识别射击目标环通过射击运动过程的分析,计算和射击结果参数的变化实时实现培训结果的评估,旨在为运动训练提供辅助参考,以提高培训的质量和效果。

2。计算机数字3 d视频图像处理

计算机数字3 d视频图像处理,具体原理如图1。首先,需要可视化的模拟数据。其次,根据需要,典型的特征区域应选择相关样本数据分类。这些样本存储在相应的培训网络保存结果,和相应的数据识别是通过功能收购(15,16]。在实际处理过程中,特征样本可以根据相应的需求和要求,选择和培训迭代可以实现功能进行可视化。

2.1。特征检测和识别

特征检测和识别,实时交互式处理是必需的。特征检测和识别算法在CPU上执行,为了提高速度,方法以临界点的面积为候选单位采用。为了实现实时交互的特征检测和识别,本文设计了基于gpu的特征检测和识别算法。基本思想是将流场转换成块和纹理片段使用GPU的并行特征和可编程性高将BP神经网络识别特征转化为处理纹理碎片。基本流程如图2。该算法主要包括以下步骤:

步骤1。结构转换:它负责将流场数据转化为一个颜色由GPU纹理很容易的过程。

步骤2。GPU处理:它负责特性识别当前片段所在的区域。

步骤3。保存结果:它负责阅读GPU的识别结果和保存到相应的数据结构。
因为GPU特征识别过程是一个平行的过程,本文不采用临界点地区候选单元方法,但是使用顺序遍历方法。原因分析如下:当使用临界点候选单位方法或GPU上的遍历方法,假设结构转换过程的时间和 ,GPU处理过程和 ,结果保存过程和 ,整个管道的处理时间 和 ,分别。自从步1和步骤3需要同时对这两种方法,即 , ,管道的长度取决于处理时间和X 。临界点面积候选单位法需要区分片段片段着色器的类型。如果当前片段对应的临界点,然后进行识别判断;否则,跳过这个过程。假设片段着色器对应于临界点片段类型和处理时间 ,和片段着色器对应于非关键点类型和处理时间 。虽然 ,由于GPU并行处理过程,计算时间最长的材质中片段着色器构成识别算法的瓶颈,因此 。同样,也 遍历方法,每个片段的处理时间。因为段类型判断过程句子添加临界点地区候选单元方法,必须有 ,所以 。在GPU处理过程中,遍历方法的速度比临界点候选单位的方法。(算法1)。
首先,获取特征区域的节点数据根据当前的纹理坐标,然后进行特征识别计算,设置当前片段颜色根据识别结果。功能的实现代码识别过程基本上是在CPU上的一样,但是texture-speed反向计算首先需要;此外,为了确保质地转换过程不会丢失数据准确性,纹理格式使用一个32位浮点类型。
本文还使用了压力场数据正确的BP神经网络的特点。在实验中,气旋和反气旋主要是提取的特点,和气旋和反气旋对应低压力场和高压中心,分别。有一个压力 为强热带风暴的中心 反气旋的中心。风场数据,假设的位置使用BP神经网络特征检测是后获得 ,和位置检测后得到相应的压力字段数据使用的压力振幅的方法 。如果 ,检测结果被认为是正确的和输出 ;否则,检测的结果被认为是错误的,是欧拉距离误差阈值。

2.2。多分辨率渲染

由于图像的不均匀,需要把相应的空间八叉树。具体的原理如图3。

泰森多边形法图是一个空间划分结构生成基于最近的邻居的原理,及其定义如下:假设S是一个二维平面问这是任何几何点,X 是一组离散点欧几里得平面。该地区是一组满足下列条件: ,然后被称为泰森多边形法面积与对象相关 ,和被称为增长这一领域的对象。让 ;调用泰森多边形法图上所产生的年代o .泰森多边形法图技术是空间划分成一组多边形,每个多边形区域对应一个点目标。多边形的各个点的距离相应的点目标比其他小点目标。泰森多边形法图可分为向量法和网格法根据其生成方法,考虑到实验数据作为常规电网结构。

提出了泰森多边形法图数据组织方法提出了基于网格的方法。的步骤如下:

步骤4。根据棋盘距离图4,提取相应的点距离的定义。

第5步。执行本地传播的距离计算为每个点的目标,如以下公式所示: 周围的节点到目标的距离计算。在算法1,D(我,j)代表节点之间的距离与序列号(我,j)一定程度的目标。

步骤6。根据图5,每个功能区域和邻近区域节点组织成一个树状结构,称为一个特征树。如果上标是用来指示功能树中节点的层数,下标表示层中的序号,如代表了我th节点米th层特征树,那么功能树的具体施工过程如下:

步骤7。初始化,设置子节点为根节点是空白的。

步骤8。2.1 - -2.3进行迭代,直到所有图像处理完成。

第9步。创建一个新节点 。设置相应的属性根据功能分类,并设置节点的我th的子节点R。

第10步。创建一个新节点 并加入功能树作为第一个子节点的节点 ;获取节点的距离D≤1图中作为子节点和连接节点反过来,如图5。

步骤11。获得周边节点的距离图2≤D≤3,形成团体根据筛查比例因子一个和过滤掉父节点加入的节点 根据筛选规则。
节点邻近区域的筛选规则,以最小的方法维度节点采用本文中的实验,也就是说,如果邻近的节点组米包含节点和 ,和 ,然后选择(17,18]。采用功能树的方法后,任何特性区域树节点对应于一个独特的功能,它有效地解决了绘图功能区域中的低效率问题当数据字段由一个八叉树表示。时变磁场特性的生成和灭绝只对应的添加和删除功能树中的一个节点。数据结构更容易维护。功能树和全球八叉树生成后,鱼眼视图技术用于多分辨率渲染。鱼眼视图技术是由Furnas首次提出的。它的基本思想是细粒度的信息显示给用户的关注区和粗粒度的信息背景区。在获得特征树和全球八叉树,多分辨率渲染过程主要包括两个步骤:(1)绘制全球八叉树中的节点根据背景现场细节控制参数β;(2)绘制相应的功能树中的节点。为了确保数据的可视化的真实性,适当地恢复原始图像数据通过保持数据可视化图表聚焦区域和背景区域的大小相同。

3所示。视觉教具训练系统

对于射击运动训练,它可以依靠计算机翻译和阅读射击指示结果同时实现拍摄过程回溯,会计射击分布规律、射击偏差错误,和历史数据分析,通过这些数据的整体分析;为了实现运动训练的帮助下,特定的系统框图如图6。

通过设置多个3 d相机工具,可以收集,目标图像和拍摄位置的多个处理结果和数据可以被监控。多个3 d图像的计算机集合后,实现视频数据的统一处理,最后实现三维图像预处理,如变形校正,图像分割,图像计算,目标识别和定位的决心,,根据相应的处理结果之前拍摄数据。

对于目标图像的处理,识别、统计和分析的目标可以实现。与此同时,偏差计算是根据现有的设计结果,进行并给出相应的射击校正。最终,射击训练的质量和效率提高。

4所示。射击数据处理

射击数据处理,主要分析和认识到数字化3 d视频图像,计算相应的射击环数,并实现统一和显示结果。3 d视频图像数据处理可以分为图像滤波、几何校正、图像分割、计算处理、数据存储等步骤。具体处理如图7。

图像的预处理主要是意识到通过执行灰度变化和3 d视频图像的滤波处理。图像灰度变换的目的是减少图像数据的维数,提高处理速度。图像滤波的作用是消除图像中的噪声信号,提高后续处理的可靠性。目前,常用的图像处理算法通常适用于RGB图像。因为目标很简单,基本上是固定形状的图像处理系统,在灰度图像上执行处理。

4.1。图像预处理

3 d视频图像我(RGB)转换为灰度图像经过预处理,具体见以下公式: 在哪里我(x,y)是灰度图像的灰度值的坐标(x,y), 的灰度值的红色分量的RGB图像坐标(x,y), 是RGB图像的灰度值的坐标(x,y)。绿色部分的灰度值的坐标(x,y), 的灰度值的蓝色分量的RGB图像坐标(x,y)。

方程(2)一般用于灰度转换的场合,但对图像用不同的色调和亮度,获得的3 d图像是不同的。在某些情况下,获得的三维图像特征并不一定是最突出的。因此,对于特定环境通常采用加权求和法计算,具体见以下公式: 在哪里 , ,和的重量是RGB彩色图像的组件,可以通过实验获得的。

假设图像加权滤波模板如下公式所示:

以下所示的图像加权滤波算法公式: 在哪里 的元素值吗在(x+我,y+j)。

一般来说, 。

4.2。图像分割和模型修正

根据目标的决心,single-threshold分割方法用于计算,具体如下公式所示: 在哪里B是分段二进制图像,分割阈值。

为了进一步定量计算和模拟,实现识别和计算的有效性,该模型取代了3 d视频图像和集成的实际目标,这不仅可以减少工作量也减少相应的干扰,实现准确的模拟。因此,图像需要首先分段实现有效的位置环的识别。

除以目标,中心和戒指是有区别的,和实现目标的侧面,和3 d视频图像的失真进一步修正获得更准确的目标模型。特定的成像图如图8。

由于设备的位置和目标之间的偏差,会有变形时获取图像。如图8,夹角越大θ,变形越大。

5。计算机辅助训练仿真实验

获得一枪的数据后,系统可以根据检测到的特征进行微量分析数据和一个完整的镜头后,根据数据分布特点和变化。与此同时,它还可以分析运动员表现的变化基于历史数据的变化,评估运动员和教练的训练效果,并提供参考培训计划基于数据的特征。

5.1。单一Data-Aided培训

修正的计算变量是给一个参考校正值基于当前偏差和偏差。在正常情况下,这被认为是射击校正的结果是基于之前的拍摄数据,根据理论计算和修正偏差校正的情况,然后适当的调整计划是基于当前偏差估计。如果当前是第一枪,在中心位置的数据最后一球数据,修正后的偏差引起的并不是。回调后,有系统偏差,所以最后一个优秀的目标是调整点调整。

5.2。完整的流程协助培训

假设已经完成10次,命令数据集 ;根据数据集、环数变化、位置变化,子弹点分布、数据有效性的变化,和重点系统偏差进行了宏观分析,和子弹点分散执行评估。

5.2.1。分析数据变化

通过重点数据曲线,可以观察运动员的表现的变化在整个拍摄过程中,分析国家的最好和最坏点,并提供一个参考在拍摄过程中调整状态。

5.2.2。分析数据的统计特征

分析数据的统计特征包括中心点的平均偏差数据,统计圆子弹点集的坐标和半径,分散的数据,每个数据的可信度。中心点偏差数据计算使用点的数量的平均值。

可以计算通过使用数据的可信度之间的距离拍摄点和圆的统计。统计圆中心越近,越高的可信度。远离统计圆,较低的可信度。

5.2.3。辅助训练

辅助培训内容主要包括以下:(我)校正的系统偏差(2)拍摄期间心理调整参考(3)在拍摄参考姿态调整(iv)拍摄期间呼吸调整参考(v)进一步提高性能的建议

5.3。培训过程的跟踪和评估

培训的评估过程包括两个层次:运动员和教练。

5.3.1。运动员的训练过程的评价

如果长期的训练不显著降低这偏差并显示常规的变化,训练方法或运动员是否适合这项运动应该重新评估。

5.3.2。教练培训的评估过程

除了上述辅助训练、辅助训练系统还可以统计分析拍摄性能的影响和其他因素。(我)射击性能和拍摄环境温度之间的相关性(2)射击性能之间的相关性和晴天和雨天(3)射击性能与四季的变化(iv)射击性能和时间之间的关系等。

上述情况的具体分析提供了一个参考为提高优势,避免劣势,加强培训有目的地。

假设有两个动作片段mi (t)和m2 (t),他们可以连接到一个新的行动序列使用镜像运动和运动过渡技术。最后的姿势m1 (t)和第一个姿势m2 (t)设置

根据不同的 之间的方向和确定行动m2 (t)需要镜像,结果可能仍是记录为m2 (t)。

假设虚拟蹦床的长边是一致的X方向,宽的一面是一致的Z方向,其坐标系统氧B是右撇子体系,根据定义及其假定初始位置配合全球坐标系统。选择的三个顶点 , ,和 蹦床的培训视频,和假设是常见的长边和顶点宽边,然后相机正交投影模型如下公式所示:

的点p₁,p₂,p₃可以映射到的点吗P₁(X₁,Y₁,Z₁),P₂(X₂,Y₂,Z₂),P₃(X₃,Y₃,Z₃分别在三维空间和相对深度和可以解决,确定虚拟射击的位置。仿真实验结果表明,计算机数字化3 d视频图像是有效的。

6。结论

体育锻炼是一个很重要的方式和手段来提高运动性能。因此,合理有效的体育锻炼是非常重要的。依靠计算机数字3 d视频图像的处理,协助设计培训体系是通过梳理拍摄过程。通过分析3 d图像处理,数据处理和分析在不同系列的拍摄水平是实现数据统计和挖掘,最终实现为运动训练提供支持。仿真实验的结果表明,计算机数字化3 d视频图像是有效的,可以支持sports-assisted培训。

数据可用性

数据共享不适用本文没有生成数据集或在当前的研究分析。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由河南大学经济学和法律。