文摘

目前的图像识别方法不能将图像数据的传输与图像之间的相互作用特性,所以图像识别的步骤太独立,和传统的方法需要长时间,不能完成图像去噪。因此,运动训练动作形象的识别方法基于软件定义网络(SDN)架构。SDN架构用于集成图像数据传输和交互过程和优化图像处理集中化。网络体系结构是由应用程序层、控制层、基础设施层。在此基础上,图像样本集的维数降低,和在任何方向构造边缘检测算子。图像边缘滤波器实现了通过计算的响应和阈值图像边缘利用滞后阈值和nonmaximum抑制(NMS)。霍夫变换算法改进优化检测范围。提取的社区特征运动训练动作,运动训练行动的识别图像基于SDN架构完成。仿真结果表明,该方法花费更少的时间和图像去噪效果更好。此外,该方法的F1测试结果高于文学,和收敛性更好。 Therefore, the performance of the proposed method is better.

1。介绍

大量的体育视频收集运动训练和教学的过程。准确识别运动动作的视频可以防止意外伤害和保护运动员的健康。在体育运动识别方面,计算机图像处理技术已经得到了广泛的应用。但目前,有各种各样的复杂的运动,在运动训练。很难判断错误的运动仅仅通过传统的轮廓检测方法,导致运动员无法得到正确的运动时间1]。在[2),相关学者总结的研究进展和意义的运动识别和总结成两个过程:动作捕捉和运动分类基于深度学习。首先,基于视频三种主流运动捕捉方法,深度相机,并详细介绍了惯性传感器,列出常用的运动数据集。第二,运动识别基于深度学习从两个方面描述:自动特征提取和多通道融合的特性。文献[3)提出了一种基于图像识别的自动跟踪方法认识到人类活动在高强度运动。首先,双卷积理论是用来分割图像高强度下的人类行为,和人类行为的特征提取。然后,结合高斯分布模型,获得人体运动图像目标和背景和前景信息处理获得人体运动图像的高斯分布模型的背景,和人类运动的跟踪轨迹图像是通过卡尔曼滤波器。最后,贝叶斯分类理论应用于构建目标模型的人体运动图像的灰色信息,解决人类最优峰值点的运动图像,并实现多个目标的分割和跟踪。文献[4)提取图像的构成特性,从本地区域和深度特性从整体形象探索运动识别的互补作用。首先,姿势表示方法。每个肢体的构成组件是由一组poselet检测成绩描述组件的构成。为了抑制检测错误,设计了一种基于组件的模型作为检测的基础。为了训练CNN网络从数量有限的数据集,使用pretraining和微调的方法。

然而,前面提到的方法不能将图像数据的传播与互动的特性,导致独立的图像识别的步骤,这需要时间和更高的噪声。因此,运动训练动作形象的识别方法提出了基于SDN架构。节2的这篇文章中,我们提出的方法识别运动训练动作形象的基础上SDN架构。节3,提出了仿真测试设计,测试的结果进行了分析验证提出的技术。最后,本文的结论部分4。

2。运动训练行动基于SDN架构的图像识别方法

本节提出的方法识别运动训练动作形象的基础上SDN架构。在这个过程中,我们首先定义了SDN网络。然后,减少图像尺寸是谈论。通过自适应阈值,图像的边缘过滤。此外,霍夫变换算法改进。最后,运动训练动作的邻域特征提取。

2.1。SDN网络

SDN软件定义网络,它是一个架构,简化和优化传统的网络。SDN结合应用程序服务和设备之间的数据传输和交互控制集中的网络,主要设备之间交互的应用程序和数据信息传输(5,6]。SDN网络架构如图1。

如图1,现有的网络架构是植根于传统的网络设备。传统网络单独控制每个设备分布式控制和严格的形式转发层和控制层。因为经理不能直接控制和转发数据中心,网络协议需要配置的影响通过网络协议转发行为。这种影响是固定的模式,所以它与传统的网络相比是相对封闭的,无法控制的设备和传统网络体系结构。换句话说,它是难以管理和控制现有的网络。

SDN的传统网络体系结构是由应用程序层、控制层、基础设施层。它使用东西方接口通信控制器之间保持流表的一致性。

2.2。图像降维

集 代表要处理的样本集,减少样本集的维数。具体运动训练图像容易受到设备参数,照明,时间,和其他因素在收集的过程中,有更多的无用的运动训练图像数据和信息,从而导致更长的时间认识当地多变的特征图像。的方法识别当地多变的特性的具体运动训练图像删除无用的数据和信息的图像通过降维7]。首先,全球离散矩阵可以减少解决全球问题的离散矩阵。全局最优离散矩阵利用PCA算法获得。 在哪里代表了权重因子;代表了阶级之间的离散矩阵;和在课堂上是离散矩阵。

组内离散矩阵由下面公式来更新全局加权离散矩阵。结果是

的表达,是全球离散系数。

为了实现之间的转换的线性判别分析(LDA)减少和主成分分析(PCA)的减少空间,下面的公式是用来计算第二个更新结果课堂上的离散矩阵:

的公式,对应的样本总数集群数量 , 对应的群集中心聚类数 ,和代表数量样本聚类数 。

PCA的原则是实现相关变量的主成分空间上的投影,投影的通过主成分分析PCA子空间的映射来完成特定的运动训练图像的降维8]。

2.3。基于自适应阈值图像边缘过滤

运动训练图像边缘滤波是图像边缘检测算子在任何方向,它使用滞后阈值和NMS实现图像边缘过滤(9,10]。它主要有两部分:计算并选择阈值图像边缘响应。

2.3.1。选择自适应阈值

边缘反应后强度的运动训练图像边缘检测算子的计算,有必要定位运动训练图像的边缘。当定位图像边缘,滞后阈值方法可以连接图像边缘梯度图像的空间信息。滞后阈值的方法,有必要设置高门槛、低阈值。阈值越大,图像边缘检测的抗干扰能力越强,但图像的边缘容易丢失。当选择滤波器的大小,当滤波器的尺寸比较小,小的边缘图像能被探测到,但抗干扰能力差的现象就会出现。

通过前面提到的分析,可以看出,当使用一个小型过滤器来检测运动训练图像的边缘,一个大门槛应该选择定位图像边缘的形状,可以改善图像边缘滤波的抗干扰能力。当选择一个大过滤器,应该选择一个小阈值来定位图像边缘形状,以避免损失的图像边缘,和滞后阈值方法应该被用来确定(11]。

设置高门槛、低阈值和 ,分别和图像边缘检测滤波器的大小 。这个值的大小确定阈值的值,然后 在哪里代表候选人的阈值, ,当 ,和选择最大的候选阈值。为了使图像边缘滤波有更好的实时性能,两个阈值选择方法用于确定候选阈值,即图像梯度直方图和图像边缘阈值确定方法的精明的经营者(12]。

在现有的图像边缘阈值计算方法,更常见的方法是确定图像边缘响应阈值根据图像梯度的概率。让运动训练的梯度图像归一化,这样像素的数量 ,图像的灰色区间 ,灰色的水平 ,像素的数量 ,和概率是

然后,

梯度直方图运动训练的图像可以通过 ,的峰态和偏态相对于灰度,分别 在哪里代表了 - - - - - -相对于第一阶中心距灰色的水平 。

运动训练的梯度图像可以表示为 在哪里代表图像边缘角的数量 。根据有关规定,角度 , , ,和 。当使用公式(8)计算图像边缘响应,它是必要的,以确定的价值在和 。有一个高斯分布和高斯函数之间的紧密关联。高斯分布的概率分布 范围小于0.05。让过滤器模板窗口的大小 , 是奇数, ,和过滤器的大小是重要的参数。函数的形状和由这个参数决定。

为了确定图像的边缘阈值通过ROI,首先被用来计算灰度值的组内的方差的运动训练在ROI图像,图像灰度值和最大方差被选中的图像边缘阈值。设置ROI相对直方图之间的灰度值 ,并计算每个灰度的组内的方差 的形象。计算公式如下: 其中

当 ,的最大灰度图像是图像边缘候选阈值。一般来说,精明的算子的图像边缘阈值确定的总数nonedge运动训练图像像素点。设置像素的总数和nonedge点的比例 。当图像点的数量积累 ,图像的梯度值是图像边缘候选阈值。在运动训练图像有噪声时,滞后阈值的选择和过滤器的大小直接影响到图像边缘滤波效果。大型过滤器可以减少噪声,提高图像边缘过滤效果通过改变滤波器的大小。

假设nonedge像素的比例相对于和在图像和 ,这

假设过滤器大小的范围内 ,当初始值 ,的价值根据确定迭代。计算后的图像边缘响应和自适应阈值的选择,运动训练的形态组合过滤图像边缘终于意识到。表达式如下:

2.3.2。边缘形状响应计算

在图像处理的过程中,高斯函数具有良好的滤波性能和广泛用于图像滤波和图像恢复。一般来说,高斯算子 有以下表达式:

沿着两个轴的微分算子可以通过差异化的高斯算子和轴。表达式如下:

基于公式(14)和(15),运动训练图像的形态学边缘检测算子建立了: 在哪里代表图像边缘角,和代表了线性算子。旋卷的输入运动训练图像与公式(13)获得的边缘响应运动训练图像的图像边缘角方向,表达式是: 在哪里是卷积计算,还有吗 和 。后解决运动训练图像的边缘响应在不同的方向,总可以得到图像边缘响应。

2.4。改进的霍夫变换算法

如果有一条直线与拦截和斜率在平面坐标系统、直线方程如下:

以下功能与截距和斜率作为参数公式来源于前面提到的公式:

根据公式,基于平面坐标系统、公式描述直线与拦截一个和负斜率 。

基于前面提到的两个直线方程,得到了两个关键点:一个点 在平面上对应于一条直线 在平面上。中包含的点群 在平面上对应于集群在平面上。线行组成的集群是由每个斜坡和每个拦截。所有线都有共同的交点 。

因此,极坐标方程是用来定义直线在平面上;也就是说,垂直距离直线和原点之间的夹角法线和水平轴是用来确定任何图像点 在图像空间。表达式如下,直线的方向的夹角决定 :

通过使用线性方程和垂直距离原点的表达,这一点 在图像空间映射到蓄电池 在踝关节空间,所有点在图像空间中两个公式是正确的数字添加到相应的蓄电池实现霍夫变换算法的计算(13,14]。如果图像中有一条线,然后累加器有一个局部最大值。与预设阈值相比,线的存在。当阈值大于局部最大值,不存在直线;否则,直线的存在。线性参数可以根据参数空间的峰值。

由于参数空间在当前主要采用霍夫变换算法和参数,这限制了图像的探测范围在某种程度上,这是优化的。具体过程描述如下。步骤1。预设全局阈值和宽容 。步骤2。选择不。1种子点 :如果二进制图像的大小和特征点的数量 ,可以使用这些特征点组成。1种子点集 。在没有。1种子点集 ,选择的特征点作为没有。1种子点 。如果当前种子点处理,把特征点,。1种子点是由下一个功能点之前,未经处理的种子点。基于不。1种子点,一组 存储。2种子点是构造。在设定的初始阶段,特征点包含一个没有。1种子点不到 。步骤3。种子点的选择和解决方案不。2:同样,种子点 不。2是获得种子点 ,并与种子点 不。1获得直线图1。原点的直线的长度 ,垂直线之间的角度和横向轴 。计算公式如下所示: 确定特征点的直线两图所示2。步骤4。累计的脚腕空间:假设是零初始蓄电池,可以得到一条直线所示公式(3根据每个特征点之间的角度值 和获得的图像,如图2。如果是有区别的起源和线的长度和 ,和偏差范围的差异小于公差 ,然后选择的特征点是位于行定义的种子点对。蓄电池加1 ,然后删除特征点: 确定特征点和夹角线如图3。第5步。迭代操作步骤4的下一个特征点,迭代终止的完成所有的特征点。步骤6。保留的结果:如果全球阈值大于蓄电池的价值,然后直线不存在,跳转到步骤8;否则,直线的存在,发现线性参数和计算使用公式(4)和(5);步骤7。删除一行中包含的特征点:一行中包含的特征点检测到从没有删除。1种子点集来降低计算的复杂性。步骤8。种子点更新。1,没有。2:删除选择种子点集的种子点,选择下一个特征点作为种子点,并执行下一次迭代,直到满足终止条件。

2.5。社区体育训练行动的特征提取

因为不同的数据采集设备,收集到的数据可能会在不同的坐标系统。因此,下面的法兰克福坐标系统是用来测量人体轮廓协调统一。统一协调后,标准化的规模是必要的。设置人类等值线之间的距离1需要扩展3 d轮廓线。当人体模特和规范化,人体表面的最大曲率需要设置为球体的中心为半径,画一个球体和该地区范围中包含的有效区域(15]。

因为有明显差异恢复三维面部模型和真实的人体模型,本文主要使用形态学特征点来判断。其中,应考虑以下两个因素中特征点的选择。(1)特征点是明显和容易划分。(2)它是相对稳定的,不会大幅变化表达式或重量。

首先,鼻尖坐标,分析了不同坐标点之间的时间间隔,和身体形象设置垂直于身体和脸。同时,在实际应用中,需要判断顶点在剖切面。如果是,那么顶点之间的距离,飞机是0;否则,需要提取部分的相邻点为顶点,和判断顶点之间的距离和剖切面的帮助下设置的阈值。

3 d模型处理的过程中,所有的3 d模型中的特征点的邻域多尺度离散尺度参数的设置方法,和社区的数量计算,以确保的描述性特征算法有效地改善了。此外,社区规模的大小也将产生重大影响整个算法的有效性。其中,社区的大小需要通过相关的先验知识和完成人机交互(16]。

自适应社区需要分析的内在特征图像首先,然后获得不同的邻域点的动态变化。因为不同的组合功能结构,图像的邻域点是不同的,但是他们都有多尺度。在实际应用的过程中,没有必要考虑邻域点的数量(17]。其中,一级社区对应特征点被选中参与特征点的计算,和平均曲率的计算公式的区别特征点之间和特征点显示如下:

在前面提到的公式,和分别代表了最大曲率和曲率最小。

协方差描述符是由相应的运动训练图像的特征点,和三维人体模型转化为协方差描述符序列。其中,三维人体模型的相似性问题也可以转换成不同的描述符序列的相似性问题。在实际应用程序中,用于表示恢复人体模型,是用来表示真实的人体模型,恢复人类之间的相似性模型和真实的人体模型是用来描述不同的描述符之间的相似性。下列措施主要是基于对数欧几里得黎曼,然后,建立社区功能。具体计算公式如下:

在前面提到的公式,代表恢复侏儒特征点的特征描述符 ; 代表了特征点的特征描述符对应于真正的侏儒;表示矩阵的对数。

几何特征的表达公式方差的特征点描述符是

在前面提到的公式,代表的平均价值几何特征向量对应特征点的三维人体模型;代表参与社区的节点数量计算;代表对称矩阵。

3所示。仿真试验设计和结果分析

实验的环境下进行运动训练图像英特尔酷睿2双核cpu2.33ghz / 2 gb, Windows Vista业务和MATLAB 2020。基于深度相机的多通道人体运动识别方法提出了(2基于构成特性),图像运动识别方法提出了(4),该方法分别测试。比较三种方法的时间来确定当地形象的多变的特征。测试结果如图4。

通过分析图4,可以看出,该方法的识别时间小于多通道的人体运动识别方法提出基于深度相机在2)和运动图像识别方法基于态度特征提出了(4]。因为当地的多变特性特定运动训练图像的识别方法降低维度的具体运动训练图像通过调整组内的离散矩阵和组内离散矩阵确定当地形象的多变特性之前,删除无用的信息和数据在特定的运动训练图像,并减少计算的数据量识别当地形象的多变特性,它缩短了时间用来识别特定运动训练的当地多变的特征图像。

基于深度相机的多通道人体运动识别方法提出了(2)和运动图像识别方法基于构成特征提出了(4不删除冗余和无用的信息在特定的运动训练图像和花更多的时间计算大量数据。通过前面提到的分析,可以看出当地的特定运动训练图像的特征识别方法可以实现当地多变的识别功能在短时间内,证实,当地多变的特征识别方法的识别效率的具体运动训练图像高。

基于前面提到的实验结果,基于深度相机的多通道人体运动识别方法提出了(2)基于姿势和运动图像识别方法特征提出了(4)是用作控制方法。该方法的去噪效果与该方法的比较。测试结果如图5- - - - - -8。

根据实验结果数据6- - - - - -8,该方法有更好的去噪效果的图像。根据各种方法的比较,多模式的人体运动识别方法提出基于深度相机在2)基于姿势和运动图像识别方法特征提出了(4)运动训练图像处理,仍然有噪音和不完整的噪声去除将直接影响图像识别的准确性。因此,实验结果表明,该方法的应用效果更好的图像去噪和图像质量改进中的应用。

以F1值为指标来衡量运动训练图像识别的性能,如果你想表明,该方法具有较强的性能,F1值应该越高。比较实验设计。基于深度相机的多通道人体运动识别方法提出了(2)基于姿势和运动图像识别方法特征提出了(4)选为该方法的比较方法。运动训练的F1值结果图像识别的三种方法在不同样本数据在图中描述9。

对图的分析9表明本文方法的F1值总是高于其他两种方法,样本的数量继续增加,F1值显示了一个上升趋势,逐渐提高性能的方法。多通道的F1值基于深度相机提出了人体运动识别方法(2]接近方法在这篇文章中,但当样本数量的增加,300 - 500年F1值显示一个下降的趋势和方法的性能稳定性很差。的F1值基于态度特征提出了图像运动识别方法(4]大大地影响样本的数量,波动剧烈,总是以最低的价值。与这些数据相比,该方法具有良好的体育训练图像识别性能和良好的稳定性。

测试运动训练的收敛特征图像识别方法,测试结果如图10。

根据图10,该方法的收敛是人类运动比基于深度相机的多通道识别方法提出了(2基于态度)和图像运动识别方法特征提出了(4),该方法的收敛特点是相对稳定的。SDN架构用于紧密结合的图像数据传输和交互过程,并优化图像处理的集中可以提取图像的全局特征,因此该算法仍能获得最好的融合特征在图像分辨率降低,所以算法的收敛特性好。

4所示。结论

SDN架构的基础上,提出了一种运动训练图像识别方法,旨在解决的问题再识别时间和更高的图像噪声在当前图像识别方法。SDN架构是由应用程序、控制和基础设施层。本研究结合了图像数据传输和交互过程SDN架构在一个集中的方式来处理图像。此外,我们优化图像特征提取和识别的全面性。基于降维的图像样本,构造了一个具有任意方向的图像边缘检测算子来实现图像边缘过滤。通过优化霍夫变换算法扩大探测范围的图像,运动训练行动的识别图像基于SDN架构实现。实验结果表明,该方法花费更少的时间和时间总是小于20米,和图像去噪效果更好,可以获得更好的图像识别效果。F1的结果提出方法0.7∼0.8,这显然高于现有的方法。实验结果表明,该方法取得了良好的仿真测试结果,可为这一领域提供可靠的理论依据。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

由于是由于(1)教育部、安徽省,研究大学体育发展的布局和响应的背景下大型体育赛事:基于第15届运动会的实证研究安徽省coorganized滁州职业技术学院,SK2019A0952;(2)教育部、安徽省,研究体育资源共享的现状及路径在大学公园在小城市:一个案例研究的2022个省级运动会滁州共同主办的高等教育园区,SK2019A0950;(3)教育部、安徽省的实际基础的大学生羽毛球,2019 mooc427。