文摘

随着数字图像技术的发展和人类的身体传感器网络,网球发球动作的错误识别模型由人类基于此技术也吸引了越来越多的网球爱好者的关注。在传统方法中,网球发球错误识别方法主要包括网球发球错误识别方法基于特征分辨率重建,但是很难实现网球发球错误识别。网球发球动作的传统方法误差识别有可怜的功能识别能力和检测和识别能力。摘要网球发球错误识别方法基于人体传感器网络(身体区域网络)提出,并进行仿真试验分析。实验结果表明,该方法性能优越在提高网球发球错误识别的能力。相关的研究不仅可以提高网球运动误差识别的准确性,而且有效地促进技术应用和理论改进这项技术在相关领域。

1。介绍

随着数字图像技术的发展,图像信息处理和信息识别技术相结合,一个网球发球动作错误建立识别模型。图像信息融合方法用于处理图像信息的网球发球动作,和网球发球动作误差特性分析模型建立(1,2]。网球发球动作错误信息分析相结合共同特性分析和图像边缘轮廓检测方法。提高网球运动的分析能力特点,研究相关网球发球动作错误识别方法已经[引起了极大关注3- - - - - -6]。

相关研究需要面对技术诊断的困难。网球的行动是基于各种运动系统,这是一个机械系统。每一个人类行为都有一个基本的机械结构。找出每个操作的关键力学特性是评估的关键动作的质量。然而,运动系统由多个人工链接。是否分析相对简单的步态或优化复杂的网球技术,它涉及到多个人类的运动和稳定的链接。由此产生的大量的生物力学数据需要全面分析了来自多个学科的专家。针对数据处理的复杂性,在1960年代,外国专家领域的人体开始尝试使用计算机来收集和处理人类步态的生物力学数据,推断出数据,并绘制医疗反应疾病运动控制的建议,以协助临床医生手术和治疗。目前,已经有几个电脑程序的建设取得重大突破基于人体传感器网络,它主要分为两种不同的方法:专家系统和神经网络技术。

近年来,随着技术的变化,WBAN身体区域网络(无线)已经受到了学术界和产业界的广泛关注(7- - - - - -9]。WBAN集许多尖端技术,如无线通信、传感器数据采集与处理、智能穿着和人类健康,这将对人类的生产和生活带来巨大的变化和影响。它可以广泛应用于医学(10,11)、物理康复(12- - - - - -14),军事15,16)、运动(17- - - - - -19),和其他领域。尤其是体育竞赛,WBAN网络由传感器节点具有不同功能合理分布在体育设施根据各自的需要和特点。传感器的位置可以位于身体,身体表面,或在体内。它可以进行各种运动特征参数的实时和动态监测的球体,并扩大各种应用程序在此基础上,以更好地服务人类体育的竞争生活和护送人类健康的原因20.- - - - - -22]。

网球,作为一个非常受欢迎的运动模式,有很强的对抗和利益,需要很高的技术要求。因此,它需要专业的指导和培训。然而,这部分的成本超过某些人的支付能力,同时也需要特别的约会时间,导致公民参与的可行性的衰落这项运动(23]。为了解决这个问题,许多体育软件在市场上出现。人们可以用这个软件看教学视频,这是许多运动员和业余爱好者欢迎。然而,这个软件只能机械地显示人体运动行为,交互性差,并且不能及时纠正网球错误,导致学习效果下降。到目前为止,已经取得了一些进展领域的错误动作识别。例如,linshuiqiang et al。24]提出了构成序列有限状态的方法来提高用户的普遍性和效率的自然行为的识别,建立肢体节点坐标系统。以用户为起点,在描述边缘节点的数量用户的行为,它不再是设备空间,但是用户空间。实验表明,该方法可以扩展和具有较强的适用性。它可以满足躯体感觉交互的应用程序的需要,但识别精度很低;Shixiangbin et al。25)采用k - means聚类算法在人类运动视频序列聚类,以提高运动识别的可行性和准确性,减少计算机在计算过程的复杂性。通过提取人体运动视频的关键帧序列的聚类数据,他们有两个特点:关节的位置点在关键帧和骨骼夹角人体的各个部分,支持向量机分类器(26- - - - - -28)用于分类操作序列。实验结果表明,识别精度不是很高。

相关研究需要面对技术诊断的困难。人类行为是建立在肌肉骨骼系统,这是一个机械系统。每一个人类行为都有一个基本的机械结构。找出每个动作的关键力学特性是评估的关键动作的质量。然而,肌肉骨骼系统是由多个人工链接。是否分析相对简单的步态或优化复杂的网球技术,它涉及到多个人类的运动和稳定的链接。由此产生的大量的生物力学数据需要全面分析了来自多个学科的专家。针对数据处理的复杂性,在1960年代,外国专家领域的人体开始尝试使用计算机来收集和处理人类步态的生物力学数据,推断出数据,并想出医疗反应疾病运动控制的建议,以帮助临床医生在手术和治疗29日]。目前,已经有几个建设取得重大突破基于人工智能方法的计算机程序,它主要分为两种不同的方法:专家系统和神经网络技术。值得注意的是,各种体育活动,包括网球,二十世纪以来已经成为流行。尽管他们带来了很多好处,人们的身心健康,肌肉骨骼系统的损伤也增加。这种损伤是常见的,不仅在专业运动员中,而且在公众参与体育休闲活动。因此,越来越多的受到关注人类运动的运动质量。其中,更成熟的FMS运动检测系统由美国建立物理治疗师灰色库克(30.]。目前,各种智能产品为专业运动员的生理监测已经相对成熟,但是人工智能产品对人类运动质量监控并没有出现在中国。

基于上述研究背景,针对上述研究的缺陷,本文结合现有技术,充分分析了现有技术的应用前景,将机器视觉技术应用到体育网球技术动作错误的识别,并构建相关错误的行为识别模型,为了提高体育网球技术动作错误的识别能力。

2。图像采集和特性分析网球发球

2.1。图像采集的网球发球

为了实现网球发球动作的错误识别在图像分割的基础上,有必要首先建立网球发球动作的图像采集模式。结合网球发球动作视频采集图像的特征分析,输出模板特征匹配模型建立了网球发球动作图像采集利用模板匹配和优化功能检测方法,结合图像模板特征匹配和信息融合方法,通过数据库操作的匹配结果,边缘轮廓特征进行检测,联合图像分割技术是用于匹配的位置信息和行动网球发球动作,从而实现错误检测。总体结构如图1。

根据总体结构模型如图1,我们可以使用纹理检测和模糊特性匹配技术来检测图像采集过程的角落网球发球动作。根据联合信息特征点扫描方法,我们可以实现图像的纹理匹配的网球发球动作,和图像的像素分布如下: 地点: 网球发球动作,代表了与图像相关的参数代表与图像相关的像素值的网球发球动作,和 代表图像的识别特征系数的网球发球动作。

计算地图预测结果网球发球的形象,这是表示为: 地点: 是图像的非重要特性,是相关的因素。使用相关检测方法,结合网球发球的特性降噪技术视频捕捉图像,网球发球的灰色像素值视频捕获图像 。通过模板匹配和信息过滤分析,网球发球视频信息检测模型建立特征分析和角落,和优化的结果集合网球发球视频捕捉图像。

2.2。图像采集的网球发球

结合远程信息识别方法,建立了网球发球图像特征检测模型。结合尺度转换方法,网球发球图像的特征集合进行,和网球发球的稀疏融合模型图像。然后,网球发球的模糊融合控制功能视频采集图像 地点:代表了网球发球动作的规模组件边缘图像。

使用边缘规模特性分割方法,顺序混合累积量网球发球动作的图像表示为: 地点:特性集。四阶累积混合特性的网球发球动作图像表示为: 地点:功能和趋势是图像的方向性特征。根据轮廓特征点信息采集的结果网球视频采集图像,网球发球的边界特征数量视频采集图像重建,这是表示如下: 地点:指的动作频率。通过多模状态检测结果,网球发球的多通道高频分量和低频分量视频捕捉图像。结合多尺度检测结果的网球发球视频捕捉图像,边缘规模信息组件的网球发球视频捕捉图像 地点:图像特征点集分布。开展多模特性校准的纹理信息特征分布分网球发球视频捕捉图像获得的噪声峰度比网球发球视频捕捉形象: 地点:是指网球发球的动作跟踪。双边指数随机分布的检测采用的方法实现网球发球视频捕获图像的特征提取。

3所示。识别和优化网球运动误差

3.1。网球发球的分析误差特征

结合尺度转换方法,网球发球视频捕捉图像的多尺度特征分割进行(31日],网球发球的边缘轮廓特征检测模型视频捕捉图像。网球发球的平均像素集视频捕捉 地点: 是误差分布模板匹配的网球发球视频捕捉图像,然后呢T是网球的像素分布密度为视频捕捉图像。

的错误信息检测模型的视频捕捉形象多网球发球,和分布式像素组误差向量的网球发球的视频捕捉形象得到如下:

计算错误的像素强度频率响应系数 网球发球的视频捕捉图像。根据像素强度的差异,网球发球的动态图像自适应检测矩阵视频捕捉被描述为:

根据地图特性匹配,网球视频捕捉图像采集和融合,和网球的像素特征分量视频捕捉图像得到如下: 地点:代表的像素值输入网球视频捕获图像。根据边缘像素分布的网球发球视频捕捉图像,边缘特征权重函数的信息网球发球的视频捕捉图像得到如下:

网球发球的误差特性分析模型运动视频捕捉图像,和错误识别进行了不同程度的运动误差(31日]。

3.2。造型为老年人的个人目标

通过自适应学习和尺度转换方法,联合特征点的位置和运动模糊特征检测网球视频捕获图像进行服务。网球发球的分段表达式视频图像记录: 地点: , 代表图像的统计二学位,代表图像的像素分布跟踪。

设置过滤输入的功率谱密度 ,并结合图像滤波和优化功能检测技术获得网球发球视频采集的动态分布函数如下: 地点:是 方向矩阵;是一个 图像信号向量。根据图像分割结果,网球发球的模糊边界误差函数获得视频捕获图像如下: 地点:代表网球视频服务的不变矩特征分布是元向量组网球视频图像。因此,网球发球的动作错误识别输出 地点:是网球发球动作的先验信息错误,然后呢是卷积操作。因此,根据图像分割结果,网球运动误差识别优化实现。实现过程如图2。

4所示。设计识别方法对体育网球错误的技术动作

4.1。提取错误技术动作的特点在体育网球

根据人体结构的理解,人体可以分为五个部分,即主干、左胳膊,右臂,左腿,右腿。主干是支持人体的一个重要组成部分。一些人体的腰部关节可以反映其运动特征的信息,而运动信息特征所代表的手和脚的关节四肢的这部分。的五个主要部分的划分结果人体图所示3。

通过人体结构的划分,这五个部分的组合可以用来表示人体的一些基本动作,所以采用分层策略分类。第一级:五个相关的行动组合模式应该总结成一个大的类别。例如,只有两个手臂动作的结合第二部分和第三部分,也就是粗运动分类的结果。级别2:重新分类的行为相同的组合模式来确定行动的详细分类。关节角特征向量由二维平面上的投影是验证17个关节角的人体,它作为人类运动的第一个粗略的分类特征。根据运动学原理,人体的功能相同的组合提取(8]。根据运动学原理,人体的功能相同的组合提取。网球运动员的完整动作可分为积极和辅助运动。主要动作反映了整体的运动模式,而辅助行动反映了当地的运动模式。只有结合主要和辅助操作的特点我们可以更准确地表达这个动作。对于人体的五个主要部分,如主干、左胳膊,右臂,左腿,右腿,肢体向量的三维空间坐标,分别表示为下面的公式: 在那里,表示三维空间;表明当肢体动作; , , , 和 ,分别代表了人体的肢体向量的树干,左胳膊,右臂,左腿和右腿在三维空间中。运动网球,表达人类运动的贡献是不同的。选择两个关节角从每个部分活动关节角。下面的公式可以用来计算每个关节角的大小的人体三维空间,所以人类关节角的角速度 :

人体的运动序列是随时间连续变化。当螺旋角变化时,角速度值将被生成。肢体向量和角速度的活动关节角的性能的整体协调运动人体躯干和四肢,和联合点之间的距离的变化代表了人类的四肢和躯干的弯曲。人体也项目YOZ端平面方向从左视图。五个部分的距离的网球选手联合点 在那里, 代表两个关节之间的欧几里得距离的运动网球选手。为了消除不同个体之间的差异运动网球,每一项(18)和(20.),以及人类的肩膀的宽度和关节之间的欧几里得距离的平均值是标准化的获得: 地点:指人体肩的宽度;代表了关节之间的欧几里得距离的平均值在人体的五个主要部分。

根据划分结果五个部分的人体,人体的肢体向量的树干,左胳膊,右臂,左腿,右腿在三维空间坐标,然后错误的运动网球技术动作特点提取通过五个部分之间的距离人体的骨骼和关节。

4.2。运动跟踪和调整基于身体区域网络技术

在运动网球教学视频或游戏的实时视频,摄像头的位置是动态的。因此,有许多非静态图片在运动网球比赛视频。因为相机总是移动,它不能反映运动员的信息。因此,有必要使用机器视觉技术来追踪移动目标获取运动员的活动领域,并调整运动员的形象在这个范围内,以抵消外部因素的影响。

在跟踪目标区域扩大,对称的垂直和水平进行跟踪移动目标的生成和调整图像。计算目标区域的“质心”坐标(22),移动质心坐标 根据中央区域,然后生成网球选手图像目标跟踪。

这样处理后,可以调整目标跟踪图像序列。调整图像序列只包含了运动员的肢体运动和运动产生的球拍,并不能反映原始图像的摄像机运动。

通过跟踪体育网球目标,网球运动员的活动区域。通过计算质心坐标的运动网球错误的技术动作识别领域,体育网球技术动作错误跟踪图像生成实现体育网球的跟踪和调整错误的技术动作。

4.3。设计体育网球的识别过程错误的技术动作

体育网球错误技术动作的基础上,识别过程的运动网球错误的技术动作是由计算运动网球技术动作错误的描述符。

机器视觉技术是基于光流的特点。建立了光流信息集合的每个像素的位移,这需要高精度的光学流。为了移动视频的光流矢量转换成一个向量场,然后形成一个可移动的空间分布关系,尤其是需要对光学流场分析。因为光学流只能反映在网球运动信息的前景图像跟踪的图像时,跟踪图像中的背景会影响光流的计算。所以,我们必须先清理后台。不仅应考虑背景颜色的一致性,而且全球网球运动员应该得到的前景图像处理区域增长算法基于高斯混合模型。消除athlete-centered背景颜色如图4。

根据相机的定义,用户可以手动调整体育网球错误技术动作图像序列,然后估计光场的长度。首先,根据变化程度的闪光灯和相机强度、行动的亮度图像的运动网球技术实时跟踪错误,这将导致光流计算结果的误差。因此,图像亮度差异应该被用来区分和消除亮度变化造成的影响。其次,通过分析生物视觉系统的理论,可以看出机器视觉细胞非常敏感的边缘运动对象。的方向和速度,不同的光流的形成是由于不同的图像来反映人类视觉系统对物流活动的影响。基于图像的区别,Horn-Schunck算法估计网球运动员如何跟踪Horn-Schunck光学流场,如下: 地点:指跟踪运动网球错误技术动作的不同形象图片和 ; 是指角Schunck算法的估计表达式;代表光流场;N表示图像序列比对体育网球的数量错误的技术动作。

有运动员的位置之间的相关性和身体的相对位移的形象调整错误的技术动作的运动网球,和这位移存在于相应的图像区域。不同姿势的网球运动员,光流场的空间分布是不同的。

根据体育网球的核密度估计和网格直方图错误技术动作的形象,光流直方图作为体育网球运动员的运动描述符在摆动过程中。给定光学流场光学向量的坐标P,在水平和垂直方向上的组件和 ,分别。振幅和方向角体育网球运动员的错误的技术动作可以定义通过使用下列公式,这是表示如下:

综上所述,基于机器视觉技术、体育网球错误技术动作的特征提取。通过跟踪和调整体育网球技术动作错误,体育网球技术动作错误的描述符计算,和体育网球的识别错误的技术动作实现。

5。模拟测试分析

5.1。错误技术动作识别测试

为了验证体育网球的性能错误技术动作识别方法基于人体传感器网络(身体区域网络)技术,运动员的技术动作在网球比赛中收集的数据,2016年奥运会,2017年中国主人,苏迪曼杯,中国公开赛。体育网球错误技术动作视频存储在mpeg 1压缩格式,和每个视频帧的大小是352288年。网球的类型错误的技术动作在上面的四场比赛都在手动模式。实验数据如表所示1。

为了定量评价体育网球错误技术动作的识别方法基于机器视觉技术,介绍了召回率指标和准确率指标来确定每个swing的识别能力在体育网球错误的技术动作。召回率指数的计算方法和准确率指标如下: 地点:指体育网球的数量错误的技术动作正确识别;是指识别运动网球的数量错误的技术动作;表明体育网球的数量错误的技术动作不正确识别。

召回率测试结果基于身体的网球技术动作错误识别区域网络图所示5,准确率测试结果如图6。

根据实验数据表1,三个交叉验证策略被用来形成训练集和测试集的实验。以体育网球错误技术动作的数量为独立变量,方法在文献[24]和文献[25]介绍了作为比较。三个迭代后,召回率的三个动作识别方法进行了测试。结果如图所示5。从结果可以看出在图5当错误技术动作的运动网球的数量小于250,动作识别召回率的三个动作识别方法基本上是相同的。当行动的数量超过250,该方法用于识别运动网球技术动作错误,体育网球技术动作错误识别的召回率越来越高。根据文献[的方法24),由于低质量的识别运动网球错误的技术动作视频,召回率出现了一个转折点,当操作的数量是300,开始逐渐减少。然而,由于摄像机运动的影响,文献[的召回率25)显示了一个上升趋势,但上升趋势是相对较慢。因此,可以得出结论:体育网球技术动作错误的基于机器视觉技术的识别方法具有良好的性能在召回率测试体育网球技术动作识别错误。

从结果可以看出在图6的数量的增加体育网球错误的技术动作,在文学的方法(24]和文献[25)不能有效区分当网球选手的运动方向发生变化时,导致逐渐减少体育网球技术动作错误识别的准确性。然而,当该方法用于识别运动网球技术动作错误,识别的准确性的趋势是缓慢的。当体育网球错误技术动作的数量达到500,动作识别的准确性高达77%。

5.2。错误的测试服务行动

为了测试的实现方法,本文设定的像素采样数量网球视频信息服务是250,图像的帧的数量是120,和图像分割系数为0 18。图像检测的正则化融合参数是0 14。根据上述参数设置,网球发球动作错误进行识别,和原始收集网球发球动作图像采集结果如图7。

形象图7为研究对象,网球发球动作错误识别是实现和图像错误识别结果如图8。

据图分析8,网球发球错误识别的图像分辨率高,此方法和识别能力很好。网球发球错误识别的准确性通过不同的方法进行测试,并比较结果如表所示2。

根据表2,在上面的三个不同的网球发球动作识别方法,错误率显示负相关趋势与网络迭代次数的增加,但是对于不同的方法,错误率是截然不同的。当该方法用于识别网球服务操作错误,其识别精度高于文献[24]和文献[25),最大误差接近于零。当使用文献24和文学25识别网球服务操作误差,误差远远大于本文中使用的方法。这个实验验证,网球运动识别模型基于人体区域传感器网络(身体区域网络)有良好的识别能力和特定的使用优势。

6。结论

建立一个网球发球错误识别模型,并使用图像信息融合方法来处理图像信息的网球发球。本文提出一种基于图像分割的网球发球错误识别方法。通过数据库操作的匹配结果,进行边缘轮廓特征检测和联合图像分割技术是用于匹配的位置信息和行动网球发球动作。通过自适应学习和尺度转换方法,联合特征点位置和模糊动作特征检测的网球发球动作视频捕捉图像实现优化进行网球发球动作错误识别。研究表明,该方法具有更好的错误和识别性能在网球发球错误识别。

为了纠正错误技术动作的运动网球,本文提出了一个网球错误技术动作识别方法基于人体区域传感器网络(身体区域网络)。人体区域传感器网络技术用于提取运动网球的具体特点错误的技术动作。通过跟踪和调整体育网球技术动作错误,体育网球错误的技术动作识别过程的设计。实现体育网球的识别错误的技术动作。实验结果表明,与其他方法相比,该方法具有更好的识别性能,更高的精度,错误率最低,适用性强。这证明这个研究具有较高的可靠性和适用性强,和相关的技术和理论也可以提供可靠的理论支持相关研究的发展。

数据可用性

数据用于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。