文摘
针对图像跟踪效果差的问题,精度低,和长时间的过程中图像跟踪排球运动员的手臂打,一个排球运动员的手臂打基于基于算法的图像跟踪方法。分析的基本概念、基本原理和基本方程,基于算法和收集臂行程轨迹图像三维可视模型下的排球运动员。使用小波多尺度分解方法,排球运动员的手臂中风轨迹是过滤、中风和手臂的边缘轮廓特征点的图像提取排球运动员。使用灰度直方图的特征提取方法,排球运动员的灰色信息的手臂撞击轨迹图像增强。结合像素自适应增强技术,关键行动排球运动员的手臂达到图像的特征点轨迹。基于基于算法,排球运动员的手臂达到图像轨迹调整和修改,实现排球运动员的手臂达到图像的正确跟踪轨迹。实验结果表明,排球运动员的手臂的轨迹跟踪效果达到形象更好,可有效提高跟踪精度和缩短跟踪时间。
1。介绍
目前,随着计算机技术的迅速发展,图像处理技术和图像识别技术,人类运动轨迹识别技术已广泛应用于不同的行业,如娱乐和用户界面,及其在运动训练领域的应用变得越来越广泛的(1- - - - - -3]。将图像处理技术应用于运动训练是提高校正的关键能力的体育运动和体育训练的效果(4]。排球比赛中,运动员的手臂运动是否科学、合理确定飙升的质量。排球打运动复杂,技术难度高。有必要进行实时分析和规范性的校正技术运动改善体育规划的能力(5]。为了掌握扣球技术更好,有必要跟踪排球运动员的手臂轨迹。排球手臂中风是得分的关键。跟踪图像排球手臂中风的轨迹,轨迹分析,结合图像处理技术来提高排球的准确性具有重要意义的手臂中风(6,7]。在这种情况下,如何有效地认识到排球运动员的手臂轨迹已经成为要解决的主要问题。
目前,学者在相关领域取得了一些进步运动轨迹跟踪。朴和金8)提出了一个基于向后semi-Lagrangian轨迹跟踪方法的方法。向后semi-Lagrangian方法用于追踪解决指导中心所需的轨迹模型。离散系统的数值解的柯西问题设计,和所需的触发点是发现的插值方法。估计价值的基础上改进的物理量,起始点的插值计算解决方案解决中心模型所需的轨迹跟踪指导。该方法具有一定的可靠性。Zhang et al。9)提出了一个semiglobal有限时间轨迹跟踪方法,基于高阶滑模干扰非线性系统。通过高阶滑模积分有限时间扰动前馈解耦过程,nonrecursive设计框架提出了简化增益调节机制。一种固有的非光滑控制律是由系统信息。通过提出一个semiglobal跟踪控制目标,实现轨迹跟踪没有限制性的非线性增长的约束。这个方法是简单和有效的。然而,上面的方法有轨迹跟踪效果差的问题,精度低,长时间。
针对上述问题,排球运动员的手臂撞击的轨迹跟踪方法基于基于算法的图像。边缘轮廓特征点的轨迹是由过滤提取臂行程轨迹排球运动员的形象。的灰色信息跟踪图像增强来定位的关键行为特征点跟踪。基于基于算法,排球运动员的手臂撞击的轨迹图像调整和纠正,实现正确的轨迹跟踪。这种方法的跟踪效果良好,可有效提高跟踪精度和缩短跟踪时间。
2。基于算法的基本理论
2.1。基于算法的基本概念
动态规划(基于)算法是一种优化方法应用于解决多级决策问题(10- - - - - -12]。目前,基于算法已广泛应用于资源理论、化学工程、变分法、经济学、和最优控制理论。它是用来解决一些优化问题。这类问题指的是这样一种活动,可以划分为若干个相互关联的阶段,在每个阶段需要做出决策。这个决定要求整个过程达到最好的活动效果(13,14]。在这里,选择在每个阶段的决策不是随意决定。其决心取决于当前状态,影响其后续状态。假设它分为十个阶段,当确定这10个阶段的决策,这些决策形成一个决策序列。一个活动路线可以确定整个过程的决策序列,解决了这一问题。多级决策问题是显示在图1。
从图可以看出1,这些相互关联的阶段可以促进问题的解决方案。在面对不同的过程,问题可以分为不同的阶段,这不是不变的。通常一个变量用于描述阶段。这种变量称为阶段变量。在大多数情况下,这个变量是离散的,用 。第一阶段从A点到B点,第二阶段从B到C点,第三阶段是C, D,第四个阶段从D e点一个点在图1通常被称为一个国家,和使用的变量来描述每个州被称为状态变量(15]。这种状态变量不需要号码;它也可以是一组数字,甚至可以用一个向量来描述状态。为了便于理解的状态变量阶段解决问题时,它通常是由 。第一阶段是由国家之一一个,第二阶段由三个州B1,B2,B3所示。同样的,C1,C2,C3,C4代表第四阶段的状态,分别D1,D2,e分别代表阶段4和5的状态。当某一阶段的状态是已知的,有必要选择从这个状态的下一个阶段,这个阶段,这种选择是一个决定。为了便于理解,通常用来表示决策变量,在哪里代表了的状态阶段。状态变量一样,一个数字,一组数字,甚至还可以使用一个向量作为决策变量来描述决策。的战略决策。战略可以说是一群在不同阶段决策序列。在大多数问题,从一个状态转换到另一个国家并不是随机的。它遵循一定的准则,称为传递方程(16]。根据状态转移方程,当状态变量的阶段,其决策变量众所周知,国家的 可以通过计算阶段。
2.2。基于算法的基本原理
基于算法的基本思想是找到曲线上的点与点之间的最大距离连接行显示曲线的两端一定跟踪路线和判断最大距离大于给定的阈值。基于算法的原理图所示2。
AB是给定的曲线。为了找到曲线上的拐点,遍历曲线AB一个来B,计算曲线上的点的距离AB的连接线,并找出距离的最大值,这显然是点C1。如果距离大于设定的阈值,曲线分为两个部分C1作为边界,即曲线AC1 C1B。在这两个部分的曲线,拐点根据上述同样的方法被发现。当设置适当的最大距离阈值,两个拐点,也就是说,C1,C2,可以找到。它可以从搜索过程,确定拐点不会出现在序列根据轮廓曲线。因为特征点不会出现在序列根据轮廓曲线,获得特征点后,为了适应曲线特征点应该存储在二叉树的形式,和每个特征点应该获得一阶时,当使用中间存储和秩序。(1)优化原则:多级决策问题的最优解必须包含子问题的最优解。决策是选择在每个阶段,多层次的选择构成决策策略17]。在图中的最短路径问题1从A到E,最短路径和子路径从中间节点到终点E也必须从当前中间节点的最短路径的终点大肠这个问题,决策的选择下一个位置每一点从A点称为当前位置的状态。的路径选择在每个州的最后一点是决定策略。(2)状态转换原则:基于算法不能直接应用于目标状态,实现基于算法的前提是目标状态空间离散化和连续状态变为离散状态(18- - - - - -20.]。这个时候,目标空间将被分为单位的大小 。同样,目标的速度空间也将分为单位 ,在哪里 定义1分辨率单元/框架。为了区别于连续状态 ,表示为离散状态 。国家 的框架之间的关系 框架和框架表示为 当目标机动时,状态转换的数量会受到严重影响。增加目标机动性将导致增加状态转换 ,因为只有通过增加状态转换的数量的扩张所带来的目标状态的变化目标速度感到满意。假设每个州在时间被称为 ,有可能的有效状态 相应的时间 。(3)逆序递推原理:倒序复发是基于算法的具体实现方法来解决最优策略;它推导出向前的最终状态和记录可行的决策在前一个阶段和相应的成本在接下来的决策评价的总体决策成本(21]。以这种方式,最终可行的决策集是通过递归在相反的顺序,直到初始状态,选择和最优策略根据记录成本值,然后整个追溯到决定订单。在最短路径问题,总体成本是路径长度,决定成本是体重两个节点之间的距离。
使用基于算法的思想来解决多级决策问题是将所需的最终解决方案的最短路径作为最优策略的多级决策(22,23]。基于算法的多级决策问题分为多个子问题的组合,然后获得最优策略的最优性原理和逆递推原理基于算法。基于算法具有以下优点:(1)它可以减少计算:使用基于算法来解决这一问题需要31倍和19个比较次,大大减少计算量。当段的数量很大,选择多个段大,基于算法的优点是更加突出;和基于算法能够很方便的使用大型计算机计算的迭代方法。(2)计算结果丰富:使用基于计算的算法,我们不仅可以得到最短路径和相应的距离从A到E也得到最短路径和相应的距离任何时候大肠可以看出整个可获得最优决策基于算法的基础上,基于算法是一种有效的方法来解决多级决策问题。
2.3。基于算法的基本方程
基于算法的问题可以归结为选择阶段的战略 以便达到最优值函数表达式
在公式(2),代表了整个策略的最优值函数24]。设置函数可以表示为
在公式(3), 代表的成本阶段。基于算法的最优性原则有以下关系:
最初被认为是成本
公式(4)和公式(5)方程用于计算战略价值函数,称为基于算法的基本方程。递归形式的公式(6)可以通过结合前两个公式:
在公式(6),代表阶段价值函数,有
假设初始条件
公式(7)是基于算法的基本方程的一般形式,和最优策略可以表示为
在公式(9), 是对应于每一阶段决策的最优策略记录系统的递归过程。
3所示。跟踪方法,手臂打排球运动员的形象轨迹
3.1。收集臂行程轨迹排球运动员的形象
为了实现排球运动员的手臂中风图像基于基于轨迹跟踪算法,首先,需要收集的数字特征排球运动员的手臂中风轨迹,使用数字成像设备跟踪排球运动员的手臂中风轨迹可视化,并结合计算机三维视觉采集方法(25,26)进行图像采集和特性分析。
计算机三维视觉采集帧差异,定义了排球运动员的手臂射轨迹 ,离散采样率 ,和块的边缘轮廓信息素单帧排球运动员的手臂轨迹跟踪图像
由公式(获得的信息素10)是组合成一个图像,成像序列的收购,它假定 是高频部分 跟踪图像的排球运动员的手臂击球。在计算机三维成像空间,使用空间不变的功能分解方法(27,28),获得的二进制映像的排球运动员的手臂射轨迹
根据二进制图像结果,动作图像的纹理信息传播模型在排球运动员的手臂中风构造轨迹跟踪,描述如下:
在公式(12), 的概率密度函数的位置分布排球运动员的手臂在空中射击轨迹图像,然后呢 是排球运动员的手臂的协调点轨迹跟踪。
根据视觉信息传播功能结构,上面的像素空间坐标点重建,和排球背景图像和前景图像缩放和信息融合得到的噪声分布模型排球运动员的手臂撞击轨迹。排球运动员的手臂撞击轨迹分布模块分为 子群,和图像信息融合跟踪方程表示为
在公式(13), 是本地信息特征点的分布特征量的排球运动员的手臂撞击轨迹。通过上述步骤,排球运动员的手臂射轨迹图像采集是实现。
3.2。预处理的排球运动员的手臂撞击轨迹
基于图像采集排球运动员的手臂中风的轨迹,小波多尺度分解方法用于过滤排球运动员的手臂中风轨迹。盲噪声分离进行了成像区域的形象,和小波分析方法用于获得排球运动员的内核多色差别矩阵的手臂轨迹跟踪,这是标记为(29日- - - - - -31日]
在公式(14),代表了国家相关估计特征值的排球运动员的手臂轨迹,代表了相关系数,代表特征匹配程度,的线性组件是排球运动员的手臂轨迹。集作为边缘像素组排球运动员的手臂撞击轨迹,使用自适应块特征匹配方法来分割图像轮廓的排球运动员的手臂撞击轨迹(32- - - - - -34),把色谱图像分成 子群的 ,并获得的特性分布矩阵排球运动员的手臂撞击轨迹跟踪如下:
我们有
在公式(16), 代表的规模块融合的排球运动员的手臂射轨迹。小波多尺度分解方法用于过滤排球运动员的手臂射轨迹,和一维小波变换用于获得的常规特性分布像素集排球运动员的手臂射轨迹(35,36]
在公式(17), 是块表面特性量的排球运动员的手臂撞击轨迹。
通过以上步骤,排球运动员的手臂射轨迹滤波过程从而实现。
3.3。提取排球运动员的手臂射的轨迹特征的形象
基于小波多尺度分解方法过滤排球运动员的手臂中风轨迹,排球运动员的手臂中风轨迹跟踪。提出了一种轨迹跟踪方法,排球运动员的手臂达到图像基于基于算法,提取边缘轮廓特征点的排球运动员的手臂达到图像轨迹,并给出了排球运动员的手臂打母小波函数图像滤波轨迹如下:
为相邻点,排球运动员的手臂达到图像的图像分解轨迹是母小波基函数的执行。以像素 作为父特征点轨迹的排球运动员的手臂达到图像基于小波变换的多尺度小波分解方法用于动态过滤的轨迹排球运动员的手臂打形象,和灰色的像素组排球运动员的手臂打图得到轨迹:
在公式(19),的欧几里得距离边界像素排球运动员的手臂拍摄图像的轨迹,然后呢 是当地的活动轮廓组件在4×4次网格图像的。排球运动员的边缘轮廓特征点的手臂打形象轨迹提取,和灰度直方图特征提取方法用于提高排球运动员的手臂的灰色信息轨迹图像。中心像素集和边缘像素的排球运动员的手臂形象轨迹 窗口表示如下:
在公式(20.), 代表了相似的特性。结合小波多尺度分解方法,多尺度功能优化,排球运动员的边界几何特征的手臂可以获得图像轨迹跟踪,从而实现排球运动员的手臂达到图像的特征提取轨迹。
3.4。跟踪图像的排球运动员的手臂撞击
根据上述提取轨迹特点,排球运动员的手臂打形象,排球运动员的手臂达到图像的轨迹算法设计。将边缘信息的规模排球运动员的手臂射图像轨迹,并使用RGB分解方法,像素功能组件排球运动员的手臂达到图像轨迹得到如下:
在公式(21),代表了边缘自相关特性的排球运动员的手臂射图像轨迹,和代表了边缘自相关特性的功能。结合像素自适应增强技术,关键行动排球运动员的手臂拍摄图像的特征点轨迹,并输出
基于算法是用来跟踪的轨迹排球运动员的手臂打形象。基于算法的优化过程如下:
我们有
基于算法用于块融合处理的排球运动员的手臂中风轨迹图像,和输出排球运动员的手臂中风图像轨迹跟踪地图如下:
在公式(25),代表的符号距离函数从排球运动员的手臂拍摄图像中提取轨迹特征。通过以上分析,基于算法用于调整和纠正错误的排球运动员的手臂达到图像跟踪轨迹,从而实现的正确跟踪排球运动员的手臂撞击轨迹图像。算法的实现过程如图3。
通过以上步骤,排球运动员的手臂中风轨迹图像收集三维可视模型下,排球运动员的手臂中风轨迹由小波多尺度分解方法,过滤和边缘轮廓特征点的排球运动员的手臂中风图像提取轨迹。灰色的直方图特征提取方法用于提高排球运动员的手臂撞击的灰色信息轨迹图像。结合块特征匹配技术,关键行动特征点的排球运动员的手臂撞击轨迹图像。基于算法用于调整和修改图像排球运动员的手臂中风的轨迹,从而实现正确的轨迹跟踪排球运动员的手臂中风的形象。
4所示。实验模拟和分析
4.1。设置实验环境
为了验证排球运动员的轨迹跟踪方法的有效性的手臂达到图像基于基于算法,在MATLAB进行仿真实验。排球运动员的手臂射轨迹图像采集和扫描频率是16 kHz,和接收等功能在MATLAB用于收集排球运动员的手臂射轨迹图像。排球运动员的特征匹配的手臂撞击轨迹进行5×5块模式,和三维视觉收集样本集的排球是1000图片。根据上面的仿真环境和参数设置,排球运动员的手臂中风的仿真实验图像进行轨迹跟踪。首先,电脑三维视觉收购排球运动员的手臂中风轨迹图像,和原始图像采集结果图4。
4.2。轨迹跟踪的影响排球运动员的手臂打形象
为了验证排球运动员的手臂的轨迹跟踪效果图像,排球运动员的手臂达到图像的轨迹跟踪是实现。需要过滤获得结果的原始排球运动员的手臂图像,提取的轨迹特征排球运动员的手臂打形象,和特征点定位的关键行动。使用该方法,排球运动员的手臂达到图像的轨迹跟踪是意识到,和排球运动员的手臂的轨迹跟踪效果达到该方法如图的形象5。
根据图5,该方法能有效地跟踪排球运动员的手臂达到图像轨迹,捕捉排球运动员的手臂达到图像轨迹,和定位的关键行动排球运动员的手臂达到图像的特征点轨迹。可以看出,排球运动员的手臂达到图像的轨迹跟踪基于该方法更好。
4.3。轨迹跟踪精度的排球运动员的手臂打形象
为了进一步验证排球运动员的手臂的轨迹跟踪精度达到图像的方法,位置的均方根误差(RMSE)作为评价指标。RMSE值越小,跟踪精度越高的方法。计算方法如下:
在公式(26),代表了许多实验,代表处理帧的数量,和代表的目标的坐标框架的实验。使用的方法8),的方法9),该方法,排球运动员的手臂中风图像轨迹跟踪,跟踪精度的比较结果手臂中风的图像轨迹的排球运动员不同的方法给出了图6。
从图可以看出6与实验的数量的逐渐增加,手臂中风的RMSE值图像增加排球运动员不同的轨迹跟踪控制方法。当实验的数量是40,排球运动员的手臂中风的RMSE值图像轨迹跟踪的方法,文献[8)是0.46,排球运动员的手臂中风的RMSE值图像轨迹跟踪的方法,文献[9)是0.57,而排球运动员的手臂中风的RMSE值图像轨迹跟踪方法只有0.2。因此,该方法的RMSE值很小,可有效提高排球运动员的手臂的轨迹跟踪精度达到形象。
4.4。轨迹跟踪的排球运动员的手臂打形象
在此基础上,排球运动员的手臂的轨迹跟踪时间验证该方法的图像。排球运动员的手臂达到图像的轨迹追踪的使用的方法8],[的方法9分别,该方法。轨迹跟踪时间的比较结果的排球运动员的手臂打不同的方法给出了图的形象7。
从图可以看出7,随着越来越多的实验,臂的轨迹跟踪时间打排球运动员的形象与不同的方法增加。当实验的数量达到40,排球运动员的手臂的轨迹跟踪时间中风的图像的方法843.2 s,排球运动员的手臂的轨迹跟踪时间中风的图像的方法9)是55.6秒,而排球运动员的手臂中风的轨迹跟踪时间图像的方法只有24.3秒。可以看出,排球运动员的手臂的轨迹跟踪时间图像是短暂的。
5。结论
不断创新的技术和战术竞技排球水平和计算机性能的不断提高,对羽毛球运动员提出了更高的要求。通过研究的作用和轨迹排球运动员的手臂在打排球的过程,一方面,它可以为排球爱好者提供科学和有效的锻炼方法;另一方面,它有助于改善和发展排球运动员的技术和战术理论。因此,图像轨迹跟踪方法的排球运动员的手臂打基于基于算法进行了研究。通过实验验证了这一方法的有效性;也就是说,它可以提高排球运动员的轨迹跟踪精度的手臂打形象和缩短的轨迹跟踪时间排球运动员的手臂打形象。
然而,算法的复杂性和背景和噪声对跟踪效果的影响不考虑过程中跟踪的轨迹排球运动员的手臂打形象。因此,在未来的研究中,我们可以以高斯白噪声为背景和扩展算法,进一步验证该方法的轨迹跟踪效果。
数据可用性
原始数据支持了本文的结论将会提供相应的作者,没有过度的预订。
的利益冲突
作者宣称没有利益冲突的这方面的工作。