文摘
为了解决的问题不准确的信息采集、不完整的信息收集,收集的和不一致的图片收集传统运动损伤的方法,移动目标信息感知技术的应用方法提出了智能监管系统。通过判断和分析潜在的运动损伤的姿态运动姿态智能跟踪图像,收集到的情报跟踪运动图像判断。智能跟踪图像矩阵可以弥补传统图像的缺陷不连接,完成识别,及时发现潜在的损害,并采取有针对性的预防措施和手段。最后,根据目标检测算法和目标跟踪算法,结合OpenCV计算机视觉库和QT图像库,一个智能视频监控目标跟踪仿真系统。算法研究是实现目标跟踪功能的智能视频监控系统。通过实验结果的比较,设计方法能够准确地收集损害态度信息,没有计算连续值,使用三维图像定位过程中可以从多个角度分析损伤的态度。
1。介绍
运动员的错误在日常比赛和训练最终会导致受伤。除了引进现代科学技术运动,一些研究和技术已经被用于标识和记录运动的细节,以避免受伤的运动员在运动过程中(1]。程序通常记录运动损伤过程的物理数据通过限制体育锻炼、成像和图像计数系统。数据来自已知断层位置通过微分和数据输出是错误数据和偏移量数据,包括建模方法,一些错误和数据的限制。人类运动姿态的准确分析和预测可以为运动训练提供有效的数据支持。通过获得人类运动的相关数据和纠正运动员的细节的操作结合标准数据库的数据,我们可以提高运动员的运动水平(2]。一个聪明多对象跟踪系统采用先进的图像检测、识别、跟踪技术和配合精密运动控制系统实现连续和快速跟踪和捕获多个移动目标的大场景,如图1。它集成了多目标跟踪与检测和视频分析功能在一个大场景变成一个独立的系统。通过视频的智能分析信息收集的前端摄像机,它会自动收集和分类异常行为和事件和联动报警。同时,后台可以看到实时分析数据和记录视频,和视频提取和取证可以通过事件进行检索(3]。系统的最大优点是,它可以识别和监控在同样的场景中多个目标的不同行为模式在同一时间。它可广泛应用于各种大型公共场所,如机场、车站、监狱、港口、矿山、油田,养老院,街道,社区,购物中心,和其他重要的地方,用于探测、分类、跟踪,并记录过往行人、车辆、和其他可疑对象,判断是否有异常行为,给警报。
2。文献综述
儿子现在和其他人相信所有个人活动活跃,发展迅速,人类健康正逐渐扩大,运动员受伤的感情就会变得越来越普遍。随着隐藏的危险运动的重要性,也对体育的需求,防止损伤(4]。Kadupitiya等建议,本文考虑心理健康等因素之间的关系风险和决策的精神运动。Kadupitiya等人表示,从运动心理学的角度来看,风险认知等心理因素之间的相关性,冒险精神,锻炼能力,运动损伤的经验,和大众健身人群的运动损伤是探索。上述情况下的运动损伤及其性别差异与实际物理研究工作以建立理论依据的减少和预防运动损伤(5]。徐和其他人的研究在运动损伤位置平台在这个舞台上已经显示在某种程度上运动损伤的影响,和运动员相信他们保护自己和他们的教练从伤病和其他专业人士(6]。Rohei和其他一些人认为,运动损伤预防课程只有在体育领域的专业人士。因为每个运动不同属性和防御,运动员不能识别损伤,导致问题的防御,保护运动员,导致复苏,浪费了资源,降低了效率(7]。Assaqty和其他人认为,防止运动损伤的能力是广泛用于大型体育。基于新的预防策略,预防战略开发对所有伤害在操场上,研究和实现复杂的过程和干预措施涉及损伤和损伤数据。复杂和密切相关的损失数据信息进行分析和加工效率和方便8]。Moradi和Ehsanian相信运动损伤的风险因素在这个阶段是手腕,臀部和膝盖。他们中的大多数被监禁,通常是慢性,运动员的健康构成严重风险(9]。普拉萨德等人表示,最大的问题在体格检查可能的受伤运动员每日能量和二维成像技术,如手腕、臀部、膝盖和其他部分不能保证,不能直观地观察和损伤的变化。内部分配内部信息运动的重要性不能被有效地分布。结果,错误和扭曲的好姿势分析这部分很大,不能结合临床实践(10]。夸克和其他人说,在计算机视觉的迅速发展,智能视频监控系统技术也取得了一些进展,和目标跟踪方法研究智能视频监控系统已成为一个热点在计算机vision-related专业研究[11]。帕沙克和其他人相信目标跟踪是智能视频监控系统的核心功能和智能的基础目标监视系统目标识别、行为分析、和其他工作,具有重要的研究价值12]。
3所示。方法
3.1。图像去噪
噪声是指造成不利影响的因素的处理或分析图像。在大多数情况下,噪声是一种随机信号和不可预知的,但它可以在数学上所描述的概率和统计的方法。噪音来自图像采集、传输、压缩、和其他链接,收购阶段是最严重的链接。当噪音太大,它将影响图像处理和分析的结果和产生大的错误13]。因此,图像分析的第一步是降噪图像,抑制了噪声的影响,提高加工精度。的不断深入研究图像噪声,图像噪声分类,主要由噪声和高斯噪声花白。灰色图像是最简单的一种图像,图像中的亮度存在形式的二维分布。噪音 的灰度图像可以被视为干涉图像亮度。噪声的描述完成的概率统计的平均值和方差14]。
噪声的平均价值通常是用来描述全球噪声强度,见以下方程:
噪声的方差是用来表达声音的密度分布图像,见以下方程:
3.1.1。常见的图像噪声
根据概率,图像噪声可分为高斯噪声和脉冲噪声。下面简要介绍了这些声音。
(1)高斯噪声。高斯噪声是一种常见的噪声,其数学表达式是相对简单的,见以下方程:
在公式(3),是像素的灰度,的平均值 , 标准差,的形式存在于正态分布。
(2)脉冲噪声(噪音)花白。在图像分割中,噪声发生频繁,具体表现为光噪声在黑暗的区域。光领域的暗噪声的分布函数可以由以下方程:
3.1.2。常见的图像去噪算法
(1)中值滤波。这是一个有效的降噪方法使用分类统计。其核心算法是计算的平均灰度值附近的一个点,描述一个点的灰度值,和孤立的噪声点过滤过滤掉在这个位置像素的干扰。傅里叶变化后,灰色梯度的高频分量很大。这种方法可以平滑的图像效果,但它可以部分摧毁低频分量(15]。该方法的数学表达式所示如下方程:
和 分别输入和输出。是过滤的社区规模,主要是 或 广场、线性或圆形的,可以用作社区范围的中值滤波。
通过处理图像与噪声花白,它可以发现图像的中值滤波具有良好的过滤效果和噪音,花白恢复程度高和非常明显的图像轮廓16]。这是因为满头花白的声音是离散的点。满头花白的灰度值的平均值噪声部分是用来替换原来的像素值来过滤满头花白干涉图像。然而,过滤后,图像的清晰度降低,将会有轻微的锯齿波的边界。
(2)高斯过滤。高斯滤波属于一类线性滤波,可以更好的过滤图像中的高斯噪声,并广泛应用于图像去噪领域。高斯滤波的本质是去除噪声通过加权平均计算。任意点的像素值的加权平均获得的图像的初始值点和附近的其他点的值的大小。高斯滤波可以获得滤波结果在两个方面:第一个是,第二个是卷积计算傅里叶变换与离散化窗口设置社区(17]。第二种方法是比较常见的,但是当设置一个大型社区,计算量非常大。这是第一个方法,可以使用。在高斯滤波,每个像素的权重是由采用高斯函数。常用的高斯函数所示以下方程:
在公式(6),是标准差,高斯函数的宽度变化与该参数的大小。
在去除噪声、高斯滤波通常使用离散二维零均值高斯函数,见以下方程:
高斯滤波器进行加权平均操作在任何点的灰度值选择的社区和使用操作结果来代替像素值在社区的中心。
3.2。改进算法
上述算法都是连续算法基于目标检测初始化的特点。跟踪效果不是特别理想当目标特征变化。本文提出了一种在线学习目标跟踪算法。的最大区别它和传统跟踪算法相结合的检测算法和跟踪算法。它使用semisupervised学习机制不断更新跟踪目标。具有良好的跟踪性能为目标的变化和部分遮挡,可以适应更复杂的跟踪环境,具有较高的鲁棒性(18]。改进后的算法包括三个模块:检测、跟踪和学习,如图2。
跟踪模块是整个系统的基础。估计的位置目标在下一帧图像中目标的位置上一帧图像。改进算法,跟踪模块可以进入工作模式只有当检测模块确定目标的存在。在跟踪模块的工作流程,将其添加到生成的跟踪跟踪积极训练集样本的学习模块。
检测模块的主要功能是估计的结果的误差跟踪模块。当误差大于给定的阈值,干预跟踪结果和正确的结果。其主要工作原理是遍历图像像素的滑动窗口,标志着职位类似于目标跟踪作为正样本,其余是负样本。通过分类结果的学习模块,并选择一个积极的样本以最大的信心从现在的结果作为初始位置跟踪目标跟踪目标在下一帧。
学习模块主要采用积极和消极传播从最初的训练集样本和检测模块,不断提高分类器通过迭代的方法来改善其分类精度。
跟踪之前,有必要对马克的位置手动跟踪目标初始图像,然后输入位置跟踪模块,通过均值达到跟踪方法跟踪它,并将其传输到后学习模块获取跟踪结果。在学习模块,初始化目标选择积极的样本训练集的输入,和背景的一部分区域是选为负样本训练集训练检测模块。这样一个初始化过程后,检测模块有判断的能力,然后,随后的图像可以输入到追踪。追踪获得检测结果时,它使用探测器和正确的判断,输出修正后的结果,并将结果输入到学习模块,以提高检测器的性能,确保检测的准确性。在线模型建立在学习模块判断的结果跟踪模块和确定目标图像中存在。该模型也将在线更新。
改进算法的跟踪和检测结果被传输到学习模块作为样本,和更新的在线模型更新跟踪和检测模块,确保稳定跟踪跟踪目标时变形(19]。
3.3。实现运动损伤的姿势收购
本文采用智能跟踪确定运动员的损伤数据。首先,它需要确认受伤的智能跟踪。不可能确定损伤的程度,因为专家的指导被用来确定路径上面的过程。假设智能跟踪图像数据的损失 ,它的破坏行动表达的重复数据 。创伤的结构矩阵所示以下方程:
在哪里和代表了运动损伤和象征意义 。通过同时正常化,方程(9)得到:
解释的时差运动损伤决策矩阵,见以下方程:
因为不同的智能跟踪图像有不同的拍摄角度,它会影响形象的定义。数据的状态改变如方程所示(11为了避免图像失真和数据丢失:
在哪里运动员的伤病校准数据通过损伤的变换矩阵和损伤智能跟踪和图像显示相关参数的损伤。为了实现定位数据的态度,作为判断数据,和运动姿态矩阵的参数。
损坏的数据可以通过确定模型的约束矩阵和计算方差。如果差异小于所需的理论价值,它可以用来减去理论值(20.]。运动损伤的实现过程的态度基于智能采集方法跟踪图像分析在本文设计如图3。
4所示。结果和分析
Arduino的软件设计获得DMP信号从一个InvenSense微处理器- 6050 IMU信号传输到电脑通过一个XBee-PRO无线串行连接。插入的DMP IMU和可以使用的主机处理器改变计算的操作算法。DMP接收数据从加速度的米和陀螺仪提供了一个集成融化输出。收到XBee显示和检索数据,他开发了一个计算机程序,开发数据文本使用一个通信端口。受试者之间放置四个Kinect摄像头,记录和躯干运动的受试者与定制的软件(21]。使用校准步骤的变换矩阵,缝合一起四个摄像头的每一帧的图像可以获得一组三维点云的信息。通过比较每一帧的点云,测试人的运动变化可以准确推断。为了演绎人员行为的变化,Geomagic Studio 2012用来计算设置macrodata创建。综上所述,实验数据的记录和推理步骤如下:加载每个点云从定制的软件出口,建立一个三维网格,网格,和平滑网格与网格诊断工具。为了确保身体运动的准确分析,有必要限制分析范围,也就是说,在初始图像边界和限制体积计算领域的人类的树干。实验获得的数据库包含2235条记录的144个不同的主题,而执行各种复杂的操作。因为许多记录采样在120赫兹,而其他采样60 Hz,前面测试抽样降低到60赫兹。为评价预处理H3.6M数据集用于列车当前模型与100帧和1660毫秒的时间窗口。在这篇文章中,整个运动序列分类而不是单个运动序列。 The prediction ability of three models (S-TE, C-TE, and H-TE) is compared with the recently proposed ERD classification prediction algorithm. These models have been trained by recording the H3.6M data set. Reduce the sampling frequency to 25 Hz and convert the joint angle into an exponential graph. When the time window covers about 1660 Ms, the cyclic network will be initialized to 40 frames, equivalent to 1600 Ms. For each action, a separate pretraining recursive model is used. Although LSTM3l performs better than some models in the initial prediction, the time encoder C-TE shows better performance in the prediction of 160 ms or more. Because human action is a complex nonstationary action, it is difficult for the cyclic network to make a short-term prediction, but the model can infer the future prediction framework. In most predictions, the symmetric time encoder S-TE and convolutional time encoder C-TE are better than the layered time encoder H-TE, which shows that the structure a priori is beneficial to motion prediction. The hybrid coding method reduces the prediction error of fine-tuning specific actions and can effectively classify and predict the actions not included in the original training data. Movement processes in a simulation environment are obtained using computer simulations that mimic the damage of various processes. The measurement criteria are shown in Table1。
建模一个智能跟踪图像检测方法基于环境渗透的方向潜在有害的操作系统。利用运动性能,创建一个移动环境和图像检测差异控制技能。模拟姿态判断潜在的运动损伤是基于智能跟踪图像分析。
破坏现有的和新工艺进行各种体育领域的例子,如图4。
的 - - - - - -轴在图4代表了时间在几分钟内。的 - - - - - -轴代表了运动损伤的速度。在不同的角度,传统检测速度慢,效率低。实际损害的传统和新流程序列在游戏环境检查使用多个点的例子,如图5。
在图5, - - - - - -轴表示大小的顺序。的 - - - - - -轴代表运动决策的准确性。许多发现都是相似的,但其结果往往不准确。
在一个体育环境中,运动员损伤的程度与正常和新技术,如图6。
在图6, - - - - - -轴代表时间。的 - - - - - -轴表示程度的身体伤害。仿真时间是相同的,但是技术运动的伤害总是很高。从仿真结果,身体健康的建模基于三角分析提高最初的健身信息的不完全性,这可以防止损伤的特征是有限的,只有根据指令。与专家的参与运动的连续性的伤害将会改善,受伤的进化将会更清楚地理解,和运动员将正确的平均分布22]。运动员可以减少受伤的风险,改善损伤决策的速度和准确性,减少运动员损伤的发生率,提高了性能。这降低了发病率失明的运动员和防止资源浪费。
5。结论
本文提供了一种基于智能图像分析得到一个受伤的运动技能。引入智能成像分析技术监测运动损伤的位置,使用智能模拟控制技术计算程序,正确的运动限制,和计算程序的使用而不是传统的选择过程可以避免避免多个程序改变数量和终于明白运动损伤的现场收集信息。在这个阶段,分析和研究来确定潜在的运动损伤的位置显示,有不足的规则定位在自我限制的环境中运动损伤预防运动损伤。我们提供一个智能控制成像分析基于模型,可以用来决定物理伤害。使用计算过程而不是传统的选择过程可以有效地避免过程量的选择和变化量,最终实现信息采集的运动损伤的姿势。模拟试图证明的准确性,采用的方法观察大幅图片移动的空间,和解决现有运动员的伤病的问题。是不可能做出正确和及时的结论。这满足了不可持续的需要智能跟踪图像在沉重的工作环境。它能准确、快速记录跟踪图像的智能运动员来识别一个受伤的运动员的身体。它有效地提高了防止运动伤害能力,确保运动员的安全与健康。
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。