文摘

为了帮助羽毛球运动员制定合理的训练计划,实现一个全面的掌握训练的过程中,本文主要是识别和感知羽毛球运动员的姿势基于边缘移动计算的方法。首先,从移动边缘运动分析的角度,考虑移动边缘形成的向量场向量作为可移动的空间分布信息,移动边缘场的空间分布模型实现。其次,运动员通过肢体运动,与计算机交互的整体姿态运动员分为几个部分,每个部分分别被认为。最后,在人类的姿势评估模块,一个算法对人类姿态评估提出了在平面图像像素。通过比较实验,运动识别算法可以有效地识别的三个典型的摇摆运动羽毛球运动员的视频和提高现有识别算法的整体性能。

1。介绍

在运动和收集数据分析数据完成态势感知是一个热点在近年来体育产业的智能化。在羽毛球比赛中,运动员的态度感知信息可以成为一个重要的语义线索来理解竞争的过程中,发现技术细节,并提取了(1,2]。细度的视觉内容分析,羽毛球运动员的运动轨迹信息可以被视为一个粗粒度的描述,即macroperformance整个游戏。羽毛球运动员的态度观念可以被看作是一个细粒度的描述,它可以体现游戏的细节(3,4]。为了更详细地分析和理解体育视频内容,有必要确定运动员的动作和收集运动员的训练信息和姿态信息,以便制定合理的培训安排(5]。大量数据的基础上分析,我们可以认识到运动训练过程的一个全面的把握。

主要有两个研究方向的认知态度。一个是基于惯性传感器感知的态度。例如,在文献[6),三轴加速度传感器用于收集用户操作数据,并实现手势识别时间序列建模基于隐马尔科夫模型。文献[7)使用主成分分析感知人类姿态基于三轴加速度传感器采集的数据。另一种是使用视频监控和图像处理手势感知。例如,在[8),对复杂环境,深度图像技术用于手势识别和姿态的平均识别率可以达到98.4%。在球拍运动识别基于图像和视频数据采集,(9)建立了一个事件隐藏马尔可夫模型与二进制分类根据球员在场上的位置。文献[10)提出了一个羽毛球游戏基于二维序列图像的数据挖掘方法。文献[11)分类压缩的羽毛球拍视频和标识类型的攻击轨迹球通过检测羽毛球。研究课题基于羽毛球中,其中大部分集中在球拍的速度和球的速度之间的关系,预测球的速度,和球员状态的监测特征。很少有研究检测、分析和培训控制步骤的分类、识别、和训练的动作。击球动作和控制步骤是两个羽毛球技术的重要组成部分。通过分析不同的打击行动和比较运动员的击球动作特征和不同的技术水平,这是一个重要的方法提高羽毛球技巧。

本文将羽毛球比赛视频为研究对象,跟踪和识别羽毛球运动员的摆动时间序列图像。基于局部运动视觉分析和网格的概念分类,提出了一种基于边缘移动计算和构造运动描述符一个运动员的态度看法和评价算法进行分类和识别三个典型的摇摆运动的羽毛球运动员12]。第一部分是引言,主要介绍了研究意义和国内外研究现状。第二部分是基于边缘移动计算摇摆运动知觉,主要关注的是感知、分割、识别羽毛球运动员的摇动。第三部分是羽毛球运动员的姿势评估,主要评估人类感知的姿势,帮助运动员提高运动的标准。第四部分是实验结果和分析,第五部分是全文的总结与展望。

2。基于移动计算边缘摇摆运动知觉

运动员的三维态势感知技术的基础上实现运动训练辅助系统。为了进行三维模拟运动员的运动姿态,调整人才培养模式,提高训练水平,本文研究的应用没有标记的三维态势感知方法培训助理系统[13,14]。而运动员通过肢体运动与计算机交互,他们采用局部估计的方法,也就是说,运动员的整体姿态分为多个部分姿势,每个部分分别被认为。然后,产生的总体态势是姿势的一部分,从而实现运动员的运动姿态的估计。算法框图如图1。它包括一个动作分割模块和模式识别模块。动作分割模块的目的是段动作间隔的原始数据,以提取数据的单一动作的运动员,包括信号选择、平滑处理,分割点收购。

2.1。移动边缘计算

基于机器学习的15- - - - - -17)方法,提出了一种描述符描述不同类型的运动后计算移动玩家跟踪时间序列图像的边缘特征。使用边缘移动计算的关键是特征获得大量嘈杂的视频是非常不准确的。使用移动过程中视觉分析计算,移动边缘被认为是时间视频帧,每个像素的位移信息,提出了更高的要求,边缘移动计算的准确性(18]。为了有效利用大量噪声的边缘移动特性移动视频,我们开始移动边缘场的分析和考虑移动边缘形成的向量场向量作为可移动的空间分布信息。然后,紧凑表达式的运动描述符的帮助下,这些特性的鲁棒性增强。这些图像的运动是运动员的相对位移的结果的四肢和躯干。来表示这些相对运动跟踪图像的不同区域(19]。这些地方特色不能有效地表达的全球特性。目前,我们可以使用当地的分析技术基于网格分类调整图像的边缘移动领域划分为不重叠的子域。每个子域称为网格。通过每个网格的直方图统计数据、移动边缘场的空间分布模型可以实现。

移动边缘特性基于跟踪图像只能反映运动员的运动信息图像前景,和跟踪图像中的背景会影响移动计算边缘。因此,有必要明确的背景。考虑体育的背景颜色的统一的特征,有必要采用基于高斯混合模型的建模方法和使用该地区增长后处理算法获取运动员与全球前景(20.]。

光场可以通过调整估计图像序列根据玩家与清晰的背景。然而,考虑到以下几点,有必要使用相邻的区别跟踪图像计算光场。首先,运动员的跟踪图像的亮度会有所不同,由于相机闪光灯的变化和光照强度在体育场。这种差异将导致错误的边缘移动计算(21]。因此,有必要使用图像差分计算消除亮度变化的影响。其次,生物视觉系统的学术研究表明,人类视觉细胞更敏感对象边缘的方向和速度运动。因此,移动计算基于图像边缘差异可以更好地反映人类视觉系统的机理对物体运动的反应。基于微分的图像,角Schunck算法来估计运动跟踪图像边缘的球员。整个计算过程可以形式化

的方程,是跟踪图像和微分图像。是移动计算边缘的领域。是图像序列比对的数量。

2.2。摇摆运动分割

2.2.1。动作分割算法

动作分割算法用于独立运动员的动作在一段时间内,每个动作的起点和终点。运动分割算法的准确性将直接影响运动识别和运动计数的准确性。本文分割算法的操作可以分段连续复杂的行为,这有助于提高动作识别和计数的准确性。

运动分割算法需要选择一个信号相对较大的信号振幅和相对较少的地方9信号的波峰和波谷x -,y- - - - - -,z设在加速度、角速度和姿态角。这有利于消除当地高峰和低谷后的平滑滤波和改善行动分割的准确性。由于三轴姿态角信号范围−180°- 180°,姿态角超过180°时,信号会突然改变−180°,容易误判的高峰和低谷,所以只有三轴加速度的波形。图2反映了六个信号波形的加速度和角速度当运动员不断执行乒乓球正手击球动作。它可以发现,当地的山峰的数量z设在一个动作周期中相对较小,振幅大,哪个更适合有限的平滑处理。图中的箭头表示各轴的加速度信号方向的MEMS传感器,和每个轴的角速度方向符合人体的右手螺旋法则。当人体执行秋千,行走,跑步,手臂会旋转z -轴。之后,各种轴的羽毛球正手的信号,散步,跑步,和其他运动比较。的z设在角速度信号仍然可以反映良好的可分性。因此,该算法使用这个信号作为分割的信号。

钻石代表的高峰和低谷,圆圈代表了零点。平滑的波形更容易找到信号峰值,槽,使用程序和零点,和左右相邻的零起点或终点低谷和高峰,分别。为了进一步减少当地的波峰和波谷所引起的行动细节,本文增加了动作的最小阈值Tmin间隔时间轴。它通常被认为是人体的行动最快的完成时间是0.2秒。所有零发生在这个时期将被删除;否则,识别错误率和计数误差时间将会增加。因此,Tmin选为0.2 s。通过使用人体探测器探测的位置球员羽毛球视频片段,球员的位置视频帧检测和标注一个长方形的盒子。然后,只有内部区域的特征点的矩形被检测到,和该地区检测到的特征点跟踪。通过这种方式,位置信息的轨迹不仅可以获得视频帧,这减少了算法的计算量,而且还排除了其他不必要的背景中的运动轨迹,这有效地提高了算法的鲁棒性。

2.2.2。特征值提取

平均合成加速度一个是合成三轴加速度信号的平均值的行动。公式如下:

N行动的数量的采样点。复合加速度方差如下:

的峰谷值合成加速度如下:

平均合成角速度ω。合成三轴角速度信号的平均值的计算操作如下:

复合加速度方差如下:

公式如下:

姿态角的变化 , ,和的x,y,和z轴分别由以下方程表示。

2.3。摇摆运动的认识

如上所述,运动员在调整图像的运动是由相对位移引起的他的身体,和这些运动存在于相应的图像区域。不同的手势,移动边缘场的空间分布是不同的。swing识别的整个过程包括数据采集、窗口拦截、特征提取和选择,识别算法的研究。在图3的移动向量图像的边缘摇摆球拍是人口分布在图像的上半部分。在正常的左摆拍的照片,左边的边缘移动领域比这更集中在右边。相比之下,在正确的摆拍的图片,右边比左边的密度。通常的行为识别方法只使用分布特征和基于局部分析的概念来描述它们。本文提出了一个有效的区域划分方法,称为分格。

移动边缘场平滑和去噪后分为nonintersecting网格区域的垂直和水平方向调整的形象。从理论上讲,网格可以构建在任何空间形式。具体来说,垂直和水平网格的数量是随机的。然而,考虑到球员的身体结构的调整和计算复杂度的图像,我们使用3∗3网格细分。太简单的分区模型不能给出一个完整描述空间分布的边缘移动。然而,太复杂的分区,如5和7 5∗∗7将减少网格的区域,所以它的直方图估计移动边缘将变得稀疏。密集的轨迹算法可以选择作为羽毛球swing识别的基本算法,然后提出优化措施在该算法的基础上,所以该算法可以更有效地识别羽毛球摇摆。

其主要原则是确定像素的一个明显的颜色变化或数字图像的亮度变化。这些像素的显著变化往往代表了这部分的重要改变图像的属性,包括深度不连续、不连续的方向,和亮度的不连续。基于核密度估计的颜色布局和网格方向梯度直方图,基于网格划分的一个移动的边缘直方图作为球员的运动描述符。对于一个光学向量与坐标P在给定运动边缘领域,其水平和垂直组件和 ,分别。然后,使用方程(2)定义的振幅和方向角 :

网格划分的主要思想是基于移动边缘直方图是对每个网格区域,边缘移动向量的坐标r后角加权量化的大小。量化加权策略不仅会考虑自己的振幅还用核密度估计方法考虑相邻边缘移动向量的分布信息。

使用现有的运动姿态数据库C运动姿态样本集D可以通过分类。新运动员姿态形象,运动员的姿势只能通过寻找确定的最大概率的样本 。X代表了一个特定的姿势状态变量部分Z代表了运动员的姿势状态变量的姿态形象。

首先,我们需要边缘分布的样本集运动的态度D;然后, 在哪里 用于表示位置的姿势状态变量x;也就是说,它符合运动员的姿势状态变量Z。与此同时,它属于运动态度的概率样本库D。

假设的位置状态变量的态度x和运动态度样本库D是相互独立的,有吗

然后,这个方程可以被改变

它假定所有的态度态度样本库中的样品是均匀分布的,和的概率p(D)是统一的。然后,可以简化为后验概率

分类后,一组样本的类别D可以合理地认为是高斯分布;也就是说,它符合下列要求:

是样本的均值和协方差的概率样本集运动态度D。然后,发生的概率的姿势状态变量对运动员的姿态图像

蒙特卡罗近似计算的方程(5),首先,概率p(x|c)需要采样和计算。然后,信心计算每个采样点的。最后,所有采样点的加权和的信心。

然后,根据上述方程(4的条件下),给运动员的姿势状态变量z的后验概率可以计算为每个运动姿态的例子吗y在运动姿态数据库D。通过这个值,我们可以判断运动员之间的相似性的当前姿态和数据库中的样本的姿态,以评估运动员的姿势。为了提出要分析操作的缺点在执行过程中,我们需要和标准动作之间的区别。

3所示。态势评估的羽毛球运动员

过程中羽毛球运动员的运动,有高要求的标准程度的自己的行动,但在训练中,他们总是依靠教练的校正羽毛球运动员的姿势,也没有更准确的评价体系。分析后,人体姿势评估系统设计一个算法:取一组骨点坐标的羽毛球运动员在摄像机坐标系的单帧图像作为输入,比较它与羽毛球运动员的标准姿势库从同样的角度来看,然后计算匹配的标准姿势和累积误差。累积误差反映了相似性匹配标准的态度。累积误差越低,相似度越高。

3.1。人类的姿势评估算法

3.1.1。算法流程

人类的姿势评估算法的总体流程如图4。

具体过程如下:(1)坐标转换是人类骨骼点的坐标上执行符合13点人类的姿势模型,图像像素坐标系统转换为直角坐标系与起源点(0,每个人类骨骼和向量的坐标点对点0和向量之间的夹角和骨点形成的正方向x分别设在直角坐标系统的计算。(2)设置每个骨骼点的优先级,根据优先级依次取一骨点,计算累积差异与相应的骨点候选人提出的所有构成模型集,和输出累积的区别。毕竟骨点构成模型的测量计算,进入步骤(3)。其中,累积的区别是之差的绝对值骨骼点的夹角在步骤(1)中,和候选人的姿势是人类最初预设的姿势标准库。(3)计算累积误差,找到态度模型与最小的累积误差候选人的态度,和输出的序列号态度模型和累积误差。累积误差累积的总和差异每个骨骼点的态度态度模型的模型来衡量候选人的态度。

3.1.2。算法分析

目前主流态势评估算法是人类姿态评估在世界坐标系中。相机坐标系的转换(图片像素坐标系统)为世界坐标系统需要一个深度相机。与此同时,有一个原点(0,0,0)的转换过程。通过比较向量集人类的姿势在世界坐标系中,我们可以实现实时跟踪和评价人类的姿势。

该算法不同于目前大多数人类构成评价算法。虽然它是人类带来更全面的评估在三维空间中,成本的方法如深度相机和双目视觉补充丢失的信息转换过程太高了。因此,这个算法匹配下的人体姿势的标准姿势库图像像素坐标系统,以获得评价结果,使标准人体姿势库(正手,反手,跳球)羽毛球进行测试。

评价人类构成的一部分评价算法有三个步骤:(1)输入骨点坐标的坐标变换,(2)与标准态度库匹配,和(3)匹配结果处理。

图像像素坐标系统,改变人类的姿态坐标集不仅影响羽毛球运动员在羽毛球场上的位置(如前后半场,左和右半场),也影响相机模型,所以它不能直接与标准的姿势。如果我们想与人类姿态坐标集,上述两个问题必须解决。该算法的思想是将输入坐标。转换步骤主要分为两个步骤,如图5。

转换步骤(a)进行,因为运动员在羽毛球场上不同位置会导致匹配问题与标准的姿势。即使某些姿态出现在羽毛球场上不同位置,它将显示不同的坐标相机的视角。因此,该算法提出一个想法:转换输入坐标系统的坐标系统由运动员自己的人体,所以其他12个骨点的位置确定相对于颈部。不管标准姿势或输入运动员的姿势,脖子上的一点是原点,可以消除由于不同位置的问题。

执行转换步骤(b)的原因是有个体差异的身体形状,这将导致不确定的匹配结果,即使每个人做出同样的姿势。因此,基于“余弦相似性”,(b)的转换步骤提出:将图像像素坐标系转换为直角坐标系与颈部点为原点,并解决向量之间的夹角由另一分和原点、正方向x设在,为了消除这种个体差异带来的不确定性。

3.2。匹配的人体姿态与标准库

在人类的姿态评价体系,人类的标准姿势数据库也是一个重要指标。如果人体标准姿势本身并不是标准化的,人体姿势评估的准确性无法保证。由于建模的复杂性和深度学习的效果,持续改进的人体姿态估计逐渐专注于深度学习,但估计速度和ReLU优化仍然是一个新的挑战。因此,为了节目效果,该算法选择三个动作:正手,反手画,和跳球,这样一个运动员可以做一个标准的姿势,然后计算参数标准姿势的人体通过流程如图6。计算相似性之间的行动,这种行动的标准动作,然后使用计分公式来计算得分通过相似的行动。

其余点的坐标变换后在人体姿态模型中,序列号是调整。右上肢区域包含三个骨点:右肩,右手肘,右手腕。调整后的坐标数字是0、1和2。左上肢区域包含三个骨点:左肩,左肘,离开了手腕。调整协调数字3、4、5所示。下肢的正确的区域包括三个骨点:右臀部,右膝,右脚踝。调整后的坐标数字是6、7、8;左下肢的区域包含三个骨点:左臀部,左膝和左脚踝。调整后的坐标数字9、10和11所示。

整个匹配过程分为9个小阶段,匹配0,1,2,6,7,8,9,10和11个地区,分别。每个小区域采取相应的夹角的态度评估和候选人的标准在前阶段,计算它们之间的差异的绝对值,也就是后来被称为累积误差。如果累积误差的容许误差小于或等于这个阶段,人体的标准姿势符合这个阶段,评估和标准姿势是放入候选标准构成的这个阶段。

在这个过程中可能有两种评价结果:(1)的角度对被评估在这个阶段是损耗角由于没有骨头的输入),这个阶段的候选人标准姿势是候选标准姿势在前面的阶段,也就是说,跳过这个阶段。(2)所有匹配完成后,如果没有候选人在这一阶段,标准姿势比较输出结果是直接结束。输出结果包括所有的标准姿势匹配,匹配的最后阶段,和造成的损失积累积累的匹配过程中的错误。

后人类的姿势评估算法,输出结果有两种:一是人类最合适的标准姿势序列号,和其他的相似性匹配标准人体姿势,表达的损失。匹配的结果在人类姿态评估算法还需要处理。

如果“−1”、“0”和“1”出现,这表明左上肢的面积的比较是没有完成,并输出“匹配失败”。因为羽毛球运动员的姿态匹配的关键是左上肢的面积,它代表了羽毛球运动员的球拍握着的姿势,这是判断的关键领域羽毛球动作是否标准。如果发生“匹配失败”,这表明运动员的姿势在帧图像不符合标准库中的任何姿势。

如果出现其他信息,匹配的结果出现了。序号越高,更好的匹配结果。损失反映了相似性的标准姿势满足匹配条件和人类姿态匹配在同一阶段。降低损失,相似度越高。如何介绍这个反馈到人类态势评估的过程仍然是后续工作的重点,也是一个突破人类的姿势评估算法来提高评价的准确性。

如何介绍这个反馈到人类态势评估的过程仍然是后续工作的重点,也是一个突破人类的姿势评估算法来提高评价的准确性。在后续的研究中,我们不仅需要行动之间的相似性进行分析,标准动作也给它们之间的差别,以提供后续的修正意见的基础措施进行分析。

4所示。实验结果和分析

我们从广播和电视节目使用羽毛球比赛和伦敦奥运会。视频存储在mpeg - 2压缩格式,视频帧的大小是352∗288。类型不同的波动在这些比赛中被标记为手动模式。真正的价值是在地面真理,表中列出1和图7,包括游戏名称,播放器,视频时间长度和三个波动的数量。

为了定量评价算法,定义了三个评价指标。首先,召回率(R)和准确率(P)定义来确定每个swing的识别能力。

4.1。动作识别结果

羽毛球的视频数据表所示1,训练一个分类器来判断球员的行为。所有数据使用三倍交叉验证策略形成训练集和测试集,也就是说,2/3的数据作为训练样本,其余的测试样本。三个迭代测试后,三个评价数据的平均值被认为是最终结果。表2显示了该算法的实验结果。动作识别的实验比较结果如图所示8。

从表可以看出2羽毛球比赛,本文提出的方法具有良好的识别精度,可达到87.6%。在测试视频,移动图像有30∼40像素。由于低质量的视频等因素和相机运动,摇摆动作不明显在每一个细节。上述研究结果证实,该运动描述符和识别策略是非常有效的。在这项实验中,摇摆运动的识别错误是因为高级运动员会用一些非常规的swing技术困难返回球游戏。这些异常的摇摆运动的光流场分布不同于正常的情况,所以移动边缘直方图基于网格划分不能准确地描述这些运动。

4.2。态度感知分析

而评估基于运动分析的运动识别方法,基于运动的有效性方法构成特征分析和识别方法相比,本文。基于运动姿态特征分析的方法是跟踪运动员的行动轨迹获取目标区域。轮廓的运动员的动作姿势是通过处理背景,和行动轮廓信息映射到特征空间,Karttunen Loeve KL变换。然后,特征值按降序排列,第一特征向量米最大的行动构成了明显的描述符和姿态。最后,使用最近邻分类器识别动作序列根据这些描述符。在上面的实验中,三个交叉验证策略应用于独立的所有数据为训练集和测试集。在实验中,动作的结构描述符被修改和简化选择的比例明显的排序向量。这里使用的数据集达到最好的准确性当第一个视图选择向量的80%。评价结果基于行动的态度特征分析方法如表所示3。效果对比如图9。

从表可以看出3本文提出的方法比特性分析方法。这是因为这种方法不能有效区分相机角度的变化或运动员的工作方向运动视频,所以基于动作姿态轮廓重建的描述符没有优秀的分类的鲁棒性。通过比较,可以得出结论,本文的运动描述符是比其他运动描述符的鲁棒性。

六个视频用于人体姿态评价模块的姿态计算帧的数量应该在每个视频发现,名为“帧来衡量。“计数的数量在每个视频帧的态度实际上发现被称为“测量帧。“数据比较如表所示4和效果比较图所示10。

5。结论

在羽毛球比赛中,运动员的态度感知信息可以成为一个重要的语义线索来理解竞争的过程中,发现技术细节,并提取了。因此,本文研究羽毛球运动员的态度看法基于移动计算边缘。参加羽毛球比赛视频为研究对象,羽毛球运动员的摇摆动作时间序列图像跟踪和识别。采用分段三维姿态估计方法实现三维感知羽毛球运动员的姿势。动作分割算法被用来确定每个动作的起点和终点,和计算功能实现各种操作。提出了一种基于边缘的运动描述符计算,和音频关键字策略用于查找玩家的摇摆不定的形象。最后,一群骨点坐标的羽毛球运动员相机坐标系的单帧图像作为输入。与羽毛球运动员的标准姿势库从同样的角度来看,匹配的标准姿势和累积误差计算。在未来,我们可以用当前流行的大数据和云计算相关技术为大数据分析,构建云平台进行数据挖掘和数据分析大量的球员的比赛和训练数据,分析各种运动员的技术优势和弱点,以便更快地提高运动员的技术水平。

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

所有的作者没有任何可能的利益冲突。

确认

这项研究是由宁夏高等教育一流学科建设(教育学学科)资助项目(项目编号:NXYLXK2017B11)。