文摘
传球是一个相对排球的基本技术。在排球教学中,训练正确的传球技术起着非常重要的作用。正确的传递不仅可以准确地掌握球的方向点和滴点也有效地连接防守和进攻。为了提高排球传球训练的效率和质量,提高运动目标的精确提取,减少冗余特性信息,和改进算法的泛化性能和非线性拟合能力,本文研究基于嵌套排球卷积神经网络模型,通过训练错误的运动检测方法。卷积神经网络的结构提高了嵌套mlpconv层,和高斯混合模型用于有效地、准确地提取视频中的前景对象。嵌套多层mlpconv层自动学习的深层特征前景目标,和生成的地图矢量化和输入特性将Softmax分类器连接到完全连接层传递错误的行为检测在排球训练。基于检测的近1000名运动员的动作数据,仿真实验结果表明,该算法减少了冗余信息的采集,缩短算法的计算时间和学习时间,和改进的卷积神经网络泛化性能和非线性。拟合能力已得到改进,和排球传球异常行为的检测取得了更高的准确率。
1。介绍
1.1。排球传球技术
对于排球传球技术是一个非常基本的技术。能够传球准确,必须相应的传递技术。排球传球技术看起来简单,但实际上它是一种非常微妙和复杂的技术,需要手腕强度高。排球传球的过程中训练,学生学习动作后第一次,神经和肌肉之间的连接的主体运动的不精确,所以错误的动作往往伴随运动期间,所以如何正确排球的过程中通过教学和防止错误动作的基本要求是体育教师提高排球教学的质量。根据相关的调查和研究,在过去的排球传球训练行为的校正,无法准确地检测到错误的行为,所以不能及时纠正错误的行为1- - - - - -3]。由国际体育的一般趋势,排球体育活动继续进入人们的视野,人们开始关注排球训练(4,5]。在实际的训练过程中,排球传球技术看起来相对简单,但它是相对难学。通过技术学习过程中,许多学生经常有不协调的身体动作,手指和手腕显然是不够的。通过排球时更容易擦手。许多学生害怕等不同的情况下通过。这将导致更多的困难在教学排球传球技术。在这种情况下,它需要通过训练排球。教师在中学可以有效地指出和纠正错误动作的运动员6]。
1.2。神经网络的作用
近年来,使用机器学习建立模式识别检测器已成功应用于视觉检测领域,如人脸识别和汽车识别(7]。检测的排球运动员,有两个主要挑战:第一,目标可能扭曲由于姿势的变化和规模8]。其次,图像的分辨率较低,和目标对象可能小于200像素表示。目前,运动员在运动视频检测的新方法是学习演算法(9),首先从运动员的矩形图像提取哈尔特征,然后使用学习演算法级联弱分类器构建强分类器(10),实现良好的检测性能。然而,它需要太多的特性,检测速度慢,不能满足实时的要求。相关领域研究的进一步发展,卷积神经网络已经被广泛应用于人类行为识别的过程(11和目标探测12]。它能意识到操作的进一步处理样品,导致穷人应用这种方法的适用性检测错误的行为在物理教育培训。
因此,为了弥补上述缺陷排球传球训练过程中错误的行为检测,本文提出了一种改进的卷积神经网络人群异常行为识别方法,提高了卷积神经网络结构的嵌套mlpconv层和使用的混合高斯模型来有效地、准确地提取前景目标排球通过视频。嵌套多层mlpconv层自动学习depth-level前景目标的特点,和生成的特征图矢量化和输入将Softmax分类与异常行为的完全连接层探测器排球传球训练。仿真实验结果表明,该算法减少了冗余信息的采集,缩短算法的计算时间和学习时间,和改进的卷积神经网络泛化性能和非线性拟合能力有所提高,和排球是异常的传递。行为检测达到一个高的准确率。
本文的剩余的结构组织如下:部分2介绍了卷积神经网络架构。部分3给出了详细设计排球传球训练计划。部分4丰富的结果报告。最后,部分5本文总结道。
2。卷积神经网络架构
一个卷积神经网络13)是一种分层神经网络基于局部神经元之间的连接。与传统的机器学习方法相比,它有一个更复杂的网络结构和学习和表达能力更强大的功能。视觉模式,分解为多个子模型和子模型飞机连接一步一步处理的特性,所以目标可以认可甚至用小变形(14]。卷积神经网络由六种不同类型的脑回的层。输入层收到21×43灰度图像,和C1输入图像卷积。层由四个特征图,每个共享一个接受字段和偏见。S1层进行二次抽样和当地平均操作图像,形成四个特征图。二次抽样操作减少了两个维度的输入和提高图像翻译的不变性,缩放和变形。此外,混合特性的输出地图结合不同的特点,这有助于提取更复杂的信息。C2层并非完全与S1层,输出图像的S1层是在3×3接受域卷积生成14个特征图。S2层具有相同的函数作为S1层,由14个特征图。N1层中的每个神经元连接到功能的地图S2层。 The N2 layer is the output layer and is fully connected to the N1 layer. The N2 layer uses a typical sigmoid neuron. After completing feature extraction and input dimensionality reduction, the role of the N1 and N2 layers is to perform output classification. The output of the neurons in the N2 layer is the identifier of the input image for the athlete or nonathlete, −1 for nonathletes and +1 for athletes.
3所示。提出了排球传球训练检测方案
3.1。排球传球的检测和提取运动目标
在实际的排球传球训练,尤其是在户外运动,运动目标的环境和背景是不断变化的,经常有一些不属预定目标的小型体育视频图像的背景,比如排球和颤抖。为了避免背景转换和干扰目标的影响排球的检测效果,研究人员提出了一个混合高斯背景建模。如果目标区域的灰度值之间的差别和视频图像中的背景信息大,视频图像的灰度直方图是double-peak-valley类型,其中一个峰值代表了移动目标,另一个峰值代表图像的背景。对于更复杂的图像,由此产生的灰度直方图是多通道,它可以被视为使用多个单高斯模型来描述某一像素的变化在一段时间内,这是一个混合高斯背景建模。简而言之,混合高斯背景建模是正确的描述像素的特征。通过设置多个高斯模型为每个像素,以改善其能力来描述背景,准确地描述图像背景的目的是实现,从而获得一个完整的移动目标。高斯模型通常选择在不同的文档的数量是3和5之间15]。对于更复杂的场景,更多的模型选择改善模型描述背景的能力。对于简单的场景,选择少量的模型可以避免overdepicting背景的模型,导致移动目标的损失(16]。
目前,有三种主要方法,通过在排球训练视频目标检测:光流法、帧间差分法,背景差分法(17]。在这篇文章中,高斯混合模型(GMM) [18在背景差分法被选中。与其他前景目标提取方法相比,该模型不仅能成功地探测排球传球目标也减少的影响小重复背景场景中的对象前景目标检测。通过检测的目标在排球训练视频,首先,使用高斯分布为每个像素建立背景模型,然后自动更新背景模型参数。最后,成功传递目标的检测和提取排球训练视频。
3.1.1。混合高斯背景建模
对于任何像素,可以追溯其历史像素序列如下: 在哪里 的灰度值吗的时刻。
在时间 ,像素的概率函数的计算公式 如下(19]: 在哪里是模型权重值在时间 ; 的平均值高斯分布时 ; 的协方差的时间吗 ;和 的概率密度函数的时间吗 。计算公式如下:
3.1.2。高斯混合模型参数的更新
帧的像素值的高斯分布 根据优先级排序和公式(4)是满意,表示帧的像素值 匹配的高斯分布成功,高斯分布的参数的帧的像素值 按照公式(4)和方程(8)更新;方程(4)是不满意的,帧的像素值 匹配的高斯分布失败,高斯分布的参数保持不变,体重值更新根据方程(9)。 在哪里和 ,分别代表了学习速率和高斯混合模型的更新速度。
3.1.3。提取排球通过目标的高斯混合模型
后生成每个像素的高斯混合模型,高斯分布是根据的值按降序排列 ,和第一高斯分布得到背景模型(20.]。公式如下: 在哪里是设置的阈值。
第一个高斯分布得到的背景模型,和当前的像素值 是与生成的背景。如果当前像素值 不是成功与生成的背景,那么当前像素 是一个很好的目标排球传球。否则,当前像素 点是背景点。上述过程后,高斯混合模型实现传递目标的检测和提取的排球训练视频。
3.2。获得排球通过特征信息
3.2.1之上。Mlpconv层
mlpconv层由一层线性卷积和一个多层感知器(MLP)和输入映射在当地认识视野对应特征向量。mlpconv层使用多个完全连接层与非线性激活函数提取排球通过目标的特征信息,将提取的特征信息转换成一个功能图,然后使用特征映射的输入下一层(21]。
mlpconv层的计算过程如下: 在哪里 是像素的位置特征地图,是输入块集中在像素点吗 , , ,和通道数字地图功能,是中长期规划层数。
3.2.2。批标准化技术
在神经网络学习过程中,每一层的参数的变化,尤其是初始化算法的学习速率和重量,它将需要很长时间才能找到一个合适的值,这样可以减少神经网络的训练速度。当使用饱和非线性激活函数训练一个神经网络模型,输入数据会错误地输入饱和区域的激活函数,这减少了神经网络的收敛速度。
约飞et al。22)BN(批正常化)技术用于标准化的输入每一层来解决上述问题。BN技术使输入数据为零均值和单位方差:
正常化后,相应的参数需要扩展和翻译: 在哪里在位置的值是输入数据吗 , 是地图频道数的特性,然后呢和新引入的变焦和翻译参数在网络培训。
3.3。建立一个嵌套的卷积神经网络模型
卷积神经网络嵌套模型的核心思想如下:嵌套网络模型可以自动学习优异地深层特性。这个模型获得的深层功能主要是地方特色。当嵌套网络模型获得运动目标的特征信息,尤其是在后台的分离目标,当地的功能将发挥重要作用。此外,嵌套网络模型也具有一定程度的鲁棒性在后台在处理重大变化的目标。
当网络嵌套模型的训练,首先,卷积神经网络模型的权值初始化包含单个mlpconv层,然后是卷积神经网络训练。整个训练过程结束后,更新和权重单一mlpconv层;然后,它是连接到第二个mlpconv层。第二mlpconv层的输入是输出的第一个mlpconv层。第二个mlpconv层的权重是初始化,然后是卷积神经网络训练。整个训练过程结束后,和一个更新的第二个mlpconv层是收到的重量。当添加一个新的mlpconv层、体重初始化,卷积神经网络训练,和重量更新执行根据上述过程。
此外,卷积计算后BN技术的使用也使非线性单元产生一个相对稳定的分布,实现减饱和的影响。BN操作添加到嵌套mlpconv层,和特征映射的模型的计算方法如下: 在哪里代表了BN层, 是像素的位置特征地图,是输入块集中在像素点吗 , , ,和通道数字地图功能,是中长期规划层数。
4所示。实验和结果分析
在3.0 GHz CPU, 64位Windows 7操作系统,使用MATLAB的2016,和开放的简历作为仿真实验的开发工具。为了证明智能和高效排球通过培训的有效性检测基于卷积神经网络建模方法,一个实验是必要的。实验数据收集的收集对象排球传球训练体育学院的1000名学生。两个室内和室外的场景和选择不同的拍摄角度来记录不同的排球传递行为。输入数据是作物每帧80×60灰度图像。卷积内核中使用的三个卷积层卷积神经网络模型是9×7,7×7、6×4鳞片。卷积内核中使用两个downsampling层都是3×3尺度。输入80×60×9排球通过视频块终于变成了一个128维的特征向量。在此基础上,所有的实验数据都分为两组,一组用于深卷积神经网络训练,另一组用于实验测试。
4.1。实验结果
在实验过程中,本文中使用的数据集是一个非公开的数据集。机器视觉技术是用来捕捉排球传球训练动作,和捕获的结果进行去噪,提高实验结果的准确性。在仿真实验中,定量评价采用AUC评价指标,等于错误率(曾经)和运行时间(时间),和其他索引。本文选择算法,取得了很好的识别利率在上面的数据库比较,如TCP模型(23),AMDN(双融合)模型(24),运动能量模型(23),时空的卷积神经网络(ST-CNN)模型(25),和骚动模型(26]。从表可以看出1使用框架水准仪测量测试,本文算法在曾经有一个优势,AUC评估指标,并改进了该算法的耗时。
六个方法用于检测排球传球训练对实验样品错误的操作,不同方法的误码率排球传递错误的行动检测比较,比较结果是用来测量综合有效性的六种不同方法检测排球传球训练错误的行为。比较结果如表所示2。分析表2表明实验的数量的不断增加,本文方法的检测错误率排球传球训练错误一直保持在低水平。错误检测的平均错误率排球传球训练摘要大约是0.027%,这比其他方法低。当使用本文方法检测错误的行动的排球传球训练,误差可以控制在合理区域。
为了验证该方法的有效性和鲁棒性的检测错误的行为在排球传球训练,四个测试指标,ACC(准确率),TPR(灵敏度),玻璃钢(特异性),PPV和(阳性预测率),采用。为定量的比较,具体的计算公式如下:
其中,TP意味着积极的样本的数量,这实际上是积极的样本的数量;FP意味着积极的样本的数量但实际上负样本的数量;TN意味着负样本的数量,实际上是负样本的数量;FN表明样品的数量判断是负的,但事实上,它是积极的样本的数量。ACC和TPR,越高越低玻璃钢PPV和更好的检测性能。
表3测试的实验结果是错误的动作检测在物理教育培训。从表3中,六个排球传球训练误差检测方法,ACC的四个参数,玻璃钢,PPV, TPR,这种方法比其他五个方法,以及该方法的检测精度达到95%以上,因此,实验结果验证了性能优越的深卷积神经网络。
4.2。时间复杂度的分析和比较
一个算法的时间复杂度是一个函数,定量描述了算法的运行时间。
4.2.1。准备时间复杂度的一个回旋的层
时间复杂度是指执行算法所需要的计算工作量。一个卷积层的时间复杂度计算如下: 在哪里代表每一个卷积的边长内核输出特性图;代表每一个卷积的边长内核;代表每个卷积核的数量的渠道,也就是说,输入通道的数量(前一层的输出通道数量);和代表卷积层中的卷积核的数量,也就是说,输出通道的数量。
它可以看到从方程(16)的时间复杂度卷积层是由输出特性映射区域 ,卷积核区 ,输入 ,和输出通道的数量 ;地图输出特性是反过来的大小取决于输入矩阵的大小 ,和卷积核的大小是由 。和表达式的长度输出的功能图如下:
4.2.2。的总时间卷积神经网络的复杂性
一个单层卷积神经网络计算的复杂性由方程(16)。的总体时间复杂度卷积神经网络(包括多层结构)是每一层的时间复杂度的总和。计算公式如下: 在哪里代表了卷积神经网络的层数,也就是说,网络深度;代表了lth卷积神经网络层;表示的输出通道数l卷积神经网络层 ,也就是说,卷积核的数量在这一层;的输入通道的数量lth卷积层;和X5是输出通道的数量(l−1)卷积层。
的时间复杂度,本文选择TCP模型,AMDN(双融合)模型,运动能量模型,时空卷积神经网络模型和骚动模型与本文算法进行比较。从方程(12),可以计算出每一个算法的时间复杂度。因为每个算法的具体参数数据不清楚,本文只计算顺序算法的时间复杂度属于。共同的时间复杂度的关系 。
如表所示4,该算法和其他算法的时间复杂度是主要的秩序。其他算法的神经网络结构模型分析,输出特性映射区域 ,卷积核区 ,输入 ,和输出通道数都是更复杂的比本文的算法。本文可以得出结论,该算法比其他算法的时间复杂度。
5。结束语
由于传统方法不能准确地获取错误在排球运动的特点,通过训练,导致的减少检测精度,本文提出一种检测错误的方法在排球运动基于卷积神经网络经过训练。卷积神经网络结构提高了嵌套mlpconv层。混合高斯模型用于从排球训练视频序列中提取传递目标有效和准确。混合高斯模型显示鲁棒性的复杂场景的背景,这不仅可以成功地检测到排球传球训练目标也减少的影响小重复背景场景中的对象通过目标检测。嵌套多层mlpconv层自动学习排球的深层传递特性的目标提取,和改进的卷积神经网络减少了冗余信息的采集。实验表明,该方法能有效地检测错误的行为的运动员在排球传球训练过程中,检测精度高,检测误差可以有效地控制,可以及时准确地判断和错误的行为。和改进的卷积神经网络具有良好的泛化性能和非线性拟合能力。
数据可用性
所有数据用来支持这个研究的发现包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的山东省社会科学规划研究项目(批准号21 ctyj18)。