文摘
随着科学技术的不断进步,轮滑运动发展迅速,游戏的技术水平变得越来越高。其运动性能迅速提高。然而,中国的轮滑是相对较晚,仍有一定的差距与许多西方发达国家相比。为了提高中国轮滑的性能,本研究以具有代表性的中外优秀速度滑冰运动员为研究对象,比较了中外优秀速度滑冰运动员短跑技术通过使用图像测量和图像分析得到运动员短跑技术的运动学参数和数据处于竞争状态。针对当前视频目标跟踪算法的问题很容易跟踪多个目标,进一步研究多目标检测和跟踪算法的视频与改善跟踪学习检测(TLD)研究的滑冰选手视频为研究对象。失去了目标,卡尔曼滤波算法的预报函数是用来跟踪的轨迹典型目标的视频,和轨迹跟踪卡尔曼滤波算法用于补偿失去的TLD算法的一部分,以获得完整的轨迹典型目标的改善,进一步研究多目标跟踪的准确性视频视频。从现有的轨迹预测算法的局限性准确性差,social-long短期记忆(Social-LSTM)基于网络的视频典型目标轨迹预测算法预测典型目标的轨迹序列结合上下文环境信息,并能够检测到多个目标轨迹之间的交互关系到Social-LSTM网络。仿真结果表明,该轨迹预测算法优于传统LSTM算法,隐马尔可夫模型算法和混合高斯模型算法,这有助于提高视频滚轴溜冰者目标轨迹预测的准确性,并跟踪成功率是0.98。
1。介绍
“滑旱冰也叫轮滑;这是一个冰运动土地辅助培训过程中逐渐演变形成的运动。“不断发展和增长的体育运动,轮滑也已蓬勃发展,和现代的新项目出现了滑旱冰和多元化,发展速度滑冰等不同形式的运动,轮滑球,极端的滑旱冰,花样滑冰,这是受人欢迎1]。国际轮滑联合会成员被正式承认为国际奥委会(IOC)在布拉格举行的国际奥委会会议,捷克斯洛伐克,2007年(2]。速度滑冰是一项运动,它使用溜冰鞋或滑冰工具确定胜利或失败的字段或道路速度、滑旱冰的一个组成部分,它是体育运动最能体现滑旱冰的特点,如竞争力,技巧,和激烈的对抗3]。速度滑冰是一个相对年轻的运动,但在许多西方国家,速度滑冰已经普及。
目前,世界的速度滑冰已经达到一个相当高水平的竞争,和运动性能不断提高4]。在中国,轮滑运动在一个成熟的阶段,和很多国家相比有很大差距,尤其是在西欧。尽管如此,近年来,中国的速度滑冰项目发展迅速,尤其是在长途项目效果很好,如金和获得银牌的中国选手世界轮滑锦标赛马拉松比赛,相对于一些高水平的国家,我们的差距还是很明显的5,6]。例如,在男子个人计时赛世界轮滑锦标赛的2007年,我们的运动员他鑫只有排名第一,没有进入决赛。因此,是很有意义的研究速度滑冰的短途项目在中国,一方面,可以提供一定的培训中国速滑教练员的理论参考,从而提高中国的速度滑冰运动员的技术水平在短途项目,提高运动性能,另一方面,提供帮助推广中国的速度滑冰技术,并能促进中国速滑运动的进一步发展。它还可以促进我国速度滑冰的进一步发展和发挥间接作用的实现在中国最新的全国健身计划(7,8]。
因为个人计时赛开始具有一定的独特性和项目是一个激烈的项目来决定比赛的赢家,一开始就尤为重要,个人计时赛开始的特点是速度溜冰不听枪声的起动器开始9),但根据自己的巧合秒的准备时间来决定开始,电子定时器的红外电子计时器时切断的跑步者的轮子,计时器将自动计算时间10]。这种方式,这是非常有利的跑步者,有主见和足够的时间来调整身体的最佳状态,这样更有利于最大脉冲开始后开始,以最短的时间得到的速度。冲刺是一个加速的过程开始后;目的是快速实现从静态动态,在最短的时间和最节能的方式得到最好的速度。它有一个非常重要的作用在一代的初始速度,所以短跑技术的研究是非常重要的11]。短跑技术动作过程非常复杂,和每个技术动作的细节变化short-sprinting阶段,如身体姿势、踏板角度,步频,步幅和关节角度。这些元素是短跑技术的关键,和这些元素的变化将直接影响运动员的运动水平,他们相互影响,相互关联的,有几个因素的连锁反应。
2。相关工作
2.1。从技术
“刀的运动学开始中国的优秀的男速滑运动员的技术研究”(12)揭示了运动员的下肢的开始阶段冰搅拌过程中包含运动法,丰富速度滑冰的技术理论,为教学、培训、和科学研究提供参考依据短道速滑开始技术分析;本文介绍了短道速滑是中国占主导地位的项目,和工作在13,14]介绍了短道速滑是占主导地位的运动在中国,特别是女运动员一直是世界各国领导人在这个运动。他们的优势在于起始阶段,强调在反应速度、爆发力,开始技术。在开始训练通过不断总结,技术应该有一个更深层次的理解。在[15),通过分析国内外优秀的动员技术开始,深入的描述开始短道速滑技术要点及其训练方法。结合项目的竞争规则,提出合理化建议,充分发挥其特点和优势16]。为短途开始技术的要点和培训项目的青少年速度滑冰运动员“总结青年运动员应抓住关键技术点的培训实践,不断改进训练方法和手段不断开始为了提高技术水平。审判开始Claypool滑冰技术”预测,随着技术水平的提高和掌握,有潜力Claypool滑冰的再次提高启动性能(17]。
2.2。运动生物力学研究
“优秀速度滑冰运动员生物力学分析的技术”(18)的比较分析新旧溜冰鞋开始国内优秀速度滑冰运动员使用照相制版工艺方法,技术,得出以下结论。目前,距离重心投影到前面支持点的新类型的溜冰鞋站开始我们的运动员大的时候开始,向前倾斜角度和回踩踏板的角度的新型溜冰鞋一般大。角和仰泳角一般大,导致瞬时水平运动员冲刺阶段的速度下降。运动员使用高频滑冰快速完成冲刺阶段,进入滑翔阶段(19]。本文从新旧比较照相制版工艺分析的滑冰技术国内优秀速度滑冰运动员开始,试图找出的照相制版工艺参数和各自的特点,为了提高速度滑冰技术和提高速度滑冰训练水平开始。“开始运动的比较研究中国和日本人的速度滑冰运动员在米”(20.)旨在揭示中国和日本运动员的开始运动的特点。作者得出的结果,中国运动员开始预备姿势支持点间距和小前稳定角及其重心向前,创造有利条件,完成了从静态状态过渡到快速启动搅拌状态,及其稳定性略低于日本运动员。运动分析的一个优秀速滑运动员Yu Fengtong开始技术(21]表明,更高的步频的开始阶段是Yu Fengtong起动速度快的一个重要因素。在启动过程中,重心不太波动,和箍筋的角度接近的上身向前倾斜的角度,这样更大的重心速度,和起始马镫完成更高的频率(22]。
2.3。本文的算法
在本文中,我们提出一个,进一步研究多目标检测和跟踪算法基于改进视频TLD获得完整的移动目标轨迹。移动轨迹数据进行了分析,Social-LSTM-based视频典型目标预测算法来提高预测的准确性通过结合上下文特征信息。
2.4。改善,进一步研究多目标检测和跟踪算法TLD-Based视频
视频目标轨迹采集主要包括视频目标检测和视频目标跟踪,检测视频目标的位置(23]。然后,视频目标跟踪和视频目标的位置在每个图像帧标记形成视频中目标的运动轨迹。视频目标轨迹采集方法主要可以分为基于深度学习的跟踪方法结合相关过滤,基于预测的跟踪方法,基于光流跟踪方法(24]。经典算法的三种方法是有效的卷积算子ECO (25)特性和相关跟踪算法结合深度过滤(13)、卡尔曼滤波算法和Lucas-Kanade(路)26光流算法。尽管这三个算法可以检测视频目标轨迹在一个特定的环境,仍存在一些问题检测视频中目标轨迹。
鲁棒跟踪算法需要在复杂的场景设计来解决不可避免的实际应用中存在的问题,如照明变化和障碍闭塞。深度特性获得的深度学习方法比传统的手动功能更准确,但跟踪实时性能低。频域相关过滤转换计算,大大提高跟踪速度。结合深度学习与相关过滤可以充分利用这两种方法的优点。
当视频场景中有多个目标,多个目标的有效跟踪,不可行的单一依赖当前的跟踪算法(15]。有必要选择一个合理的从当前主流跟踪算法和跟踪算法结合几种不同跟踪算法的补充研究和设计的优点和缺点的移动目标轨迹跟踪算法。
TLD算法是一种tracking-while-detecting算法;当有阻碍视频中的对象,目标不会被发现,失去了;没有阻塞对象时,该算法是稳定和有效的算法。为了提高视频目标跟踪的准确性,本文提出了进一步研究多目标轨迹的视频采集算法与改进的TLD跟踪和获取正在运行的行为目标的目标运动的轨迹。TLD算法作为基本的跟踪算法和卡尔曼滤波算法作为辅助跟踪算法。轨迹通过卡尔曼滤波算法用于补充丢失的TLD算法得到的轨迹的一部分,和完整的视频目标轨迹。算法的具体步骤如下:步骤1:视频输入。步骤2:TLD算法和卡尔曼滤波算法初始化。步骤3:使用TLD的视频目标跟踪和检测算法,并确定是否检测到目标概要文件在当前视频帧;如果是,则执行步骤4;否则,卡尔曼滤波的状态方程预测更新阶段,和执行步骤6。步骤4:确定检测到目标轮廓是完成;如果是,则执行步骤5;否则,卡尔曼滤波的状态方程预测阶段更新和执行步骤6.1。第五步:培训TLD学习模型参数更新。第六步:记录视频目标的位置,它是决定视频是否完成。如果视频,视频目标轨迹数据输出;否则,执行步骤1。
2.5。视频目标轨迹预测算法结合上下文特征
典型目标运动轨迹的视频时间相邻帧之间的依赖关系,而不同的运动目标在同一帧可能相互影响。如果不能合理解决这两个问题,视频典型目标运动轨迹预测的准确性会受到影响。为了解决上述问题,本文提出一种Social-LSTM-based视频目标轨迹预测算法(27]。该算法使用LSTM过程时间相同类型目标运动轨迹之间的关系在不同的视频帧。在处理多个典型目标,LSTM用于单独预测每个目标的轨迹,和社会统筹层添加多个LSTMs之间处理多个目标之间的相互作用,以预测的典型目标的轨迹更准确的视频。
2.6。Social-LSTM施工方法
LSTM Social-LSTM是一种进步,是一个网络模型,增加了一个S-Pooling LSTM结构来预测目标的轨迹的影响考虑邻近目标在同一框架在其轨迹。这个S-Pooling允许LSTMs空间近端分享每个网络的隐状态序列。Social-LSTM模型有效地考虑影响视频典型目标的运行规则和其他目标在同样的场景中,共同预测所有典型目标的运动轨迹在那个场景28]。Social-LSTM网络的结构如图1。在图1,(我= 1,…,n)表示预测LSTM对应的轨迹我视频目标在同一场景和n是视频目标的数量在同一场景的隐藏状态吗我视频目标在同一场景。
图1代表一个LSTM神经网络,每个LSTM用来预测的轨迹是一个典型的目标在视频中。因为LSTM网络使用无监督学习,每个LSTM需要学习历史轨迹数据获取它的重量参数和使用网络来预测坐标轨迹的视频目标在未来的时刻。从视频中目标的轨迹可能会影响到周边的运动目标,本文的LSTM网络连接目标与周边的LSTM网络检测到目标通过一个S-Pooling层形成一个新的网络,即Social-LSTM,并使用这个网络来预测目标的轨迹被探测到。
S-Pooling的作用是把周边的影响目标的运动目标预测(即。上下文信息),和的公式 在哪里代表的隐藏状态我th视频目标对应LSTM网络t; 代表了指示功能。如果轨迹坐标(x, y) (米,n)神经元的网格 值为1; 代表的轨迹坐标我视频目标时间t, 代表的轨迹坐标j视频目标时间t, 代表的轨迹坐标之间的区别jth和我th视频在时间t;代表的运动属性我th相邻视频目标;和代表了LSTM预测轨迹对应j视频目标时间T1。
计算后的隐藏状态S-Pooling层,隐藏状态的目标是发现和自己的运动状态与S-Pooling熔融层计算目标的轨迹检测,计算公式如下所示: 在哪里 , 是嵌入的权重矩阵;是LSTM的权重矩阵;和汇集社会隐藏状态张量和坐标,分别;和表示的预测LSTM轨迹我视频目标时间t。
Social-LSTM-based视频目标轨迹预测算法使用LSTM处理时间之间的关系相同的目标运动轨迹不同的帧。在处理多个目标,LSTM分别用来预测每个目标的轨迹,和一个S-Pooling层添加多个LSTMs之间处理多个目标之间的相互作用,所以视频的一个典型目标的轨迹可以更准确地预测29日]。
Social-LSTM能够考虑到邻近的目标轨迹之间的影响因素并添加S-Pooling的影响因素。这个网络模型可以考虑视频目标的轨迹模式和其他邻近目标的影响在其轨迹和融合两个预测视频目标的轨迹,这有助于提高典型目标轨迹预测的准确性。
2.7。上下文特征提取方法
视频和图片之间最大的区别是时间维度信息的占有。上下文特性,即。,the dependence of video motion targets in the two frames before and after the video image and the influence of other motion targets in the same frame on the trajectory of the target, are to be detected. In order to accurately predict the trajectory of a typical target and eliminate the influence of other neighboring targets on its trajectory, this paper adds an S-Pooling to LSTM to extract the contextual features of a typical target in the same frame, and the network can take into account the influence of other moving targets in a grid on its trajectory in the same frame.
自LSTM网络可以存储的内存单元的运行状况的典型目标在前面的帧,典型目标的运行状况在当前帧可以考虑LSTM self-looping单位的网络。在本文中,我们使用的内存单元LSTM网络之间的依赖关系来提取典型的目标在前面和接下来的两帧。
2.8。Social-LSTM-Based预测算法的典型目标轨迹的视频
在本文中,我们提出一个典型Social-LSTM-based视频目标轨迹预测算法预测典型目标的轨迹在视频。由于LSTM使用无监督学习,网络中的重量参数只能通过学习训练数据。在这个网络计算重量参数,意味着二元正态分布 ,标准偏差 ,和相关系数是用来预测的轨迹坐标视频目标t+ 1使用隐藏的状态,和均值、标准差和相关系数的二维高斯分布可以发现5×D次权重矩阵 。视频目标的轨迹的计算时间t预测的隐藏状态显示如下: 在哪里表示的典型目标的轨迹坐标时的视频t预测通过使用隐藏的状态; 表示二维高斯分布。均值、标准差和相关系数的二维高斯分布计算如下:
为了在这个网络找到重量参数,负对数似损失函数定义在这篇文章中,在这个网络和未知的重量参数获得的发现负对数似损失函数的最小值,和负对数似损失函数是定义在以下形式: 在哪里每个视频目标轨迹的损失函数;预计开始时间;预计的结束时间;和 的条件概率预测轨迹对二维高斯分布(30.]。
自从加入S-Pooling不引入额外的未知参数,网络只需要找到LSTM结构重量参数。基于视频的历史轨迹数据目标和损失函数的最小值,未知的事物 , ,和可以找到LSTM结构重量参数。
网络学习完成后,视频目标轨迹的测试数据输入,和视频的轨迹预测目标推导出根据方程(4);使用预测轨迹,隐藏状态的视频目标推导出根据方程(3),周边视频场景中目标的轨迹。
3所示。数据预处理
精明的边缘检测是一个非常受欢迎的边缘检测算法,提出的是(31日]。这是一个多级算法,即。,它由多个步骤组成。首先是图像降噪。我们知道梯度算子可用于增强图像,本质上是通过增强边缘轮廓;即。,我t我年代possible to detect the edges. However, they are all heavily affected by noise. Then, our first step is to think of removing the noise first because noise is where the gray scale changes a lot, so it is easy to be identified as a pseudoedge. The purpose of doing this is to keep only strong edge contours then. Some edges may not be closed and need to be supplemented from the point that meets between low and high to make the edges as closed as possible, as shown in Figure2。
4所示。旱滑预报
4.1。冲刺阶段之间的相关性分析和最终的性能
作为个人计时赛是一段距离项目是一个项目来决定比赛的赢家的时候,最初的速度有一个相对重要的影响最终结果(23]。短跑技术主要反映在舞台的距离开始后,进入滑冰之前运行。新规则的距离大约是世界滑冰联盟从起点到进入曲线米的距离。相关系数可以直接表明,速度滑冰sprint与仪表的性能密切相关,直接影响仪表的性能。本研究的相关系数可以通过sprint的性能和计算计性能,相关系数,因此,表明sprint在速度滑冰的表现有显著相关性的最终表现个人计时赛,这会直接影响这个项目的性能。它可以通过表1,我们的速度滑冰运动员的冲刺速度在第一计明显低于世界上最好的运动员,世界上最好的速度滑冰运动员的平均性能在米冲刺阶段,和我们在冲刺的速度滑冰运动员的平均性能,这是不同的世界水平。中国最好的短途滑冰选手,他鑫,春天比世界平均水平,和刘Zhicong冲刺比世界平均水平,因此仍有改进的余地。通过改进技术、身体力量和灵活性,可以提高短跑速度,哪个更有利于计性能的提高。
4.2。分析的步频、步幅和冲刺速度
4.2.1。准备比较研究的频率
一步频率的重要因素之一来确定速度、频率和步骤的次数是两条腿交替的时间单位,主要由踏板时间等因素的影响和支持;此外,运动员的身体协调,力量,灵活性,高度,和许多其他因素对步频率有一定的影响(14]。
从表2,我们可以看到,速度滑冰运动员使用高频同步技术在冲刺阶段,这是符合速滑冲刺的技术特点。在次秒级选手的步伐频率,标准差是次秒级。表的分析表明,我们的速度滑冰运动员和世界平均水平之间的差异在次秒级。虽然步频与先天的个人条件,但是,从另一个方面,它反映了存在一定差距的身体力量和协调速度滑冰运动员在中国,和歌曲的频率步庆阳在同一亚洲地区能达到次秒级,和高度是米。
所以,相比之下,我们的运动员在这方面仍然缺乏,通过训练可以提高身体的一次方,还有很多需要改进的地方,如表所示3。然而,要注意的强度负荷训练;太多的负荷会影响完成动作的速度,如果重量太小,很难实现快速力量,和运动员应该经历的最大力量和最大速度的感觉。
4.3。步幅的比较研究
步幅主要受到马镫的力和速度的影响,而身高、腿的长度和灵活性的运动员都是影响步幅大小的因素。短跑的运动效果主要反映在步速度。步频和步幅的合理组合可以提高运动员在短跑的性能。
国内外优秀运动员冲刺阶段步幅统计比较如表所示4。步幅和步频是综合因素决定步速度冲刺过程中,它可以直接反映出运动员的短跑和效果的一个重要指标来评估是否速滑运动员的短跑技术是合理的。优秀运动员能突出步频和步幅的特点在竞争中通过培训和自己的身体条件。
如图3在游戏中,大型步幅可以抓住机会,但是从速滑开始冲刺阶段分析后,第一步不应太大,如果步幅过大,它肯定会引起身体的重心过高和踏板角度变大,导致踏板的水平力的减少。sprint的初始速度和加速度的影响,进而影响启动速度。一开始的第一步应该是小;从马镫,马镫角很小,试图使身体向前推力,马镫反应力水平方向的力将会更大,有利于更大推力的开始。
在速度滑冰冲刺过程中,脚支持点的位置总是变化的,当脚接触地面搅拌过程的开始后,提出改变滑冰,和电力推进的方向不是落后,而是侧;尽管惯性滑冰可以增加步幅,但是因为没有足够的惰性开始后,速度滑冰运动员在短跑过程中增加车轮和轨道之间的摩擦系数,从而获得相对较高的速度。然而,有必要加快频率,克服摩擦阻力产生的车轮和轨道之间的联系,因此,在速度滑冰冲刺过程中,适当的减少步幅更有利于提高短跑速度。因此,如果你保持相同的力每一步踩在冲刺阶段,可以通过改变控制行进的速度骑车的频率。
从比较分析中外速度溜冰的冲刺阶段的步频、步幅和第一个sprint的六个步骤,可以看出中国的优秀男性溜冰的速度有一定的差距在冲刺阶段的步频和步幅与国外优秀运动员;前两个步骤的冲刺阶段开始后,我们的运动员的平均价值是第一步,第二步是米,而前两个步骤的外国运动员的冲刺阶段相对较小。冲刺阶段的前两个步骤相对小于外国运动员的前两个步骤。因此,主要因素导致的差异速度滑冰运动员的表现在冲刺阶段的步频和步幅。
4.4。仿真证明
为了证明算法的有效性轮滑过程的手臂滑冰图像轨迹跟踪方法,有必要进行模拟;实验对象选择从15个男性优秀的运动员我们学校的体育教育,专业培训时间约8年;这些运动员在实验阶段是没有运动损伤和精通轮滑基本动作要领和是一个很好的代表,如图4。整个滑旱冰过程拍摄固定相机,和标记点在滑旱冰武器申请5米的范围内得到一个完整的每个运动员的轮滑动作,共计50图像。仿真主要是实现在MATLAB软件环境下Windows7多系统使用不同的方法来探测和跟踪滑冰图像目标在滑冰选手的过程(7,17]。
首先,滑冰的手臂的误差曲线的坐标位置和实际位置滑冰手臂在滑冰的过程在本文的方法,模板更新方法,和最小二乘方法,如图3。
对图的分析3显示相应的坐标位置的模板更新方法和最小二乘线性方法偏离真正的位置,而相应的坐标位置跟踪误差曲线的滑冰的过程,本文的滑冰手有一个小错误,表明本文的方法更接近真正的滑冰滑臂轨迹的过程和跟踪效果更好。
跟踪三种不同方法的成功率比较表5。跟踪成功率(%)的三种方法进行比较,结果如表所示5,跟踪成功率=像素总数准确跟踪N/目标区域像素的总数的滑冰手的目标。
分析表5显示跟踪滑冰选手的滑冰部门目标的成功率远远高于模板更新方法和最小二乘线性的方法,这主要是因为该方法首先提取的轮廓滑冰选手的滑冰部门目标,构建全球匹配近似函数的滑冰手目标基于溜冰者的位置和大小的滑冰部门目标,因此,决定了滑冰的手臂目标跟踪的成功率。这使得跟踪成功率滚轴溜冰者的轮滑部门的目标更高。
滑臂的轨迹跟踪实验在溜冰过程中运动目标进行了本文的模板更新方法和最小二乘线性方法,分别。跟踪时间(年代)三种方法进行比较,结果如图所示5。这主要是因为这种方法提取的目标轨迹滑冰选手的滑冰手滑臂微分高斯模型参数估计的图像,引入边界检测算子构造滑冰的手臂运动边界图像,然后提取目标轨迹的滑冰选手的滑冰手臂在滑冰的过程。在此基础上,使用形态学算子来计算目标区域的身体比例和紧张的滑冰的手臂。这个过程解决之间的矛盾的计算和信息的数量在一定程度上,这使得本文的方法来跟踪目标轨迹的滑冰的手臂在滑冰的过程溜冰者在更短的时间。运动员应加强腿部训练和其他链接。
5。结论
在本文中,我们使用视频测量和图像分析获取运动员短跑技术的运动学参数和数据竞争,开展比较研究优秀速度滑冰运动员的短跑技术在中国和国外。摘要视频多目标检测和跟踪算法改善了TLD的选手视频。实验结果表明,该轨迹预测算法比传统的LSTM算法,马尔可夫模型算法和混合高斯模型算法,这有助于提高目标轨迹预测的准确性的视频时,和跟踪成功率是0.98。
数据可用性
本文中使用的数据集可以从相应的作者。
的利益冲突
作者声明没有关于这项工作的利益冲突。
确认
这项工作是支持的研究项目在河北体育局体育科技,中国的现状调查和测试分析的基本体能河北省冬季运动团队(批准号20211001)。