文摘
人体姿态估计是一个重要的任务在物理教育,可以为教师和学生提供一个有价值的参考。我们提出一个基于关联部分的人体姿态估计方法。首先,肢体之间的相关位置信息和方向信息的区域是由部分关联字段。然后肢体姿势是本地化的关键部分信心地图,最后,集成部分关联字段关联所有获得的功能要点获取人体姿态估计。计算机视觉技术的帮助下,学生的训练动作可以与标准的动作。它使学生觉得标准运动和羽毛球击球点更直观。在实验中,我们建立了一个比较实验比较本文方法的教学模式与传统教学模式。实验结果证明我们的方法的教学模式,学生有更多的标准中风,更加平滑切换技能羽毛球和中风,中风和提高羽毛球的分数。同时,这种教学体系增加了很多有趣的课程,使学生的参与度更高。
1。介绍
羽毛球是全世界流行的运动,在我们在我们的生活中。作为一项运动,要求快速反应和移动捕捉球(1]。它需要一个协同中风羽毛球参与者之间的变化。因此,羽毛球也是一种体育测试人体的敏捷性,由于其快速打击和战略跟踪和预测羽毛球降落点,将羽毛球转化为high-spectator体育竞争。另一方面,从专业的角度来看,羽毛球是一项极其复杂的运动(2)高要求球员们的身体和精神的力量。根据羽毛球专业机构的统计报告,据估计,大约有1.5亿个羽毛球爱好者和全球约1000万名专业羽毛球运动员3,4]。
羽毛球的关键性能指标主要反映在法院的使用领域,中风分布、技术动作,和中风的有效性。像网球5- - - - - -7)、南瓜(8- - - - - -10),和乒乓球11- - - - - -13),关键绩效指标主要反映在战术。成功的羽毛球比赛将对手的空间压力,打击对手的羽毛球最不利的地区。运动员击球时扩大了与对手的差距,诱导对方来创建一个大型球之间的距离,从而无法返回球在下一轮中,同时消耗对手的体力(14,15]。职业羽毛球运动员应该学会完全控制的整合空间,时间,和战术。教练,另一方面,可以获得培训细节每一场比赛的数据,可以参考在未来的训练(16]。对羽毛球教学、教学专业羽毛球技能动作分解的方式可以达到良好的教学效果。如图1。人体姿态估计可以更好的改正错误的羽毛球中风。
随着羽毛球的普及,羽毛球已经成为高校体育教育课程。目前,大部分的羽毛球教学采用传统体育课模式。体育老师将首先解释的规则系统,操作点,战术技能,通过理论和得分技术的羽毛球。然后实际面对面的教学,主要是为了解释一些行动规范,用桶装技术,预防运动损伤。这种传统说教的课程不允许学生真正感到行动的细节,和学生盲目模仿可能会导致运动压力和肌肉损伤的问题。这将导致无效的体育教育(17,18]。这个老师带着学习方式,学生只能通过模仿学习羽毛球感觉羽毛球动作,通过反复实践后觉得羽毛球技能。这使得羽毛球教学的质量工作的一半。从长远来看,学生将取决于体育教师的示范指导,在实践中,通常不会明白这一点。通过这种传统的教学方式羽毛球,学生常常不亲自感受羽毛球的要点,它可以降低他们的动机和参与,他们不学习羽毛球的主要观点认为下课后19]。相关研究已经证明,有一个直接联系学生的动机和他们的学习经验。使用智能策略教学在物理教育可以更好的提高学生的参与和利益(20.]。
研究员进行了固体三维建模的球员位置和中风在羽毛球和轨迹分析中风轨迹和得分点之间的关系。这是一个有意义的和高度表达研究。羽毛球的演示模型转换从一个纯粹的旁观者的角度数据透视图。数据可视化可以更好地帮助羽毛球教学与训练(21]。一些研究者也开始与过去的羽毛球事件的视频和解剖的细节羽毛球技能从视频分析的角度。通过动作分解算法,每一帧的行动是完全呈现,学生的注意力从观众的角度转移到技能学习链接,这样学生有一个直观的理解服务和打击技能(22]。朱等人记录空间之间的联系和中风类型在羽毛球视频分析和提出一个分类检测模型来分析中风技术特点。虽然这种分析方法的羽毛球运动员的表现模式能够存在评分细节复杂的匹配,空间和opponent-related运动细节不以集成的方式分析23,24]。羽毛球、高强度的运动,对运动员的快速反应能力有很高的要求。因此,对手在太空的技术细节应该结合之前和之后的详细参考帧多元性能分析,和更有益的整合分析运动员之间的比赛和对手25]。
随着科技的迅速发展,体育产业迫切需要人工智能技术的干预。传统的羽毛球教学模式难以调动学生的积极性和参与。它使学生无法迅速获得羽毛球动作要领和羽毛球教学的质量很低。与计算机视觉技术的升级,姿态估计技术已经被应用在羽毛球教学的能力。这些技术的发展直接推动羽毛球教学和提高学生解读与羽毛球运动和交互。引入新的技术系统对羽毛球教学和实践做法是直接关系到羽毛球教学的质量。了解羽毛球的技术动作是相当重要的,运动发生在羽毛球比赛的数量非常高,和羽毛球教学很难解释运动分解的方式,使学生理解的技术动作,从而理解要点。
在本文中,我们分析了羽毛球的现状,发现羽毛球教学质量不容乐观。为了进一步提高羽毛球教学的质量和学生的参与。我们认为人工智能技术的引入到体育教育。人工智能技术的协助下,将极大地改进体育教育的质量。我们分析了研究结果与人体姿态估计和考虑将它集成到体育。最后,我们构建了一个人机交互式的羽毛球教学系统将计算机视觉技术和神经网络算法。我们提出一个人类姿态估计算法关联的所有要点获得人类特性基于关联领域的一部分。因此,人体姿态估计和预测。最后,我们将演示通过比较实验与传统的教学模式,教学模式通过我们的方法会导致更标准化的中风,中风羽毛球成绩更高,更光滑技能切换羽毛球和中风。此外,通过我们的方法,羽毛球教学更直观、有趣,能极大地激发学生学习。
2。相关工作
昂等人以灵感来自花授粉算法(FPA)和使用FPA的实时跟踪视频动作的运动员事件。实时跟踪运动员质量重心的像素坐标,和搜索窗设置自适应法。实验表明本文所提出的方法的检测精度测试,以满足精度要求(26]。为了解决这一问题的预测范围运动员的姿势估计不支持节能点对点运动,王在2012年开发了一个线性定常系统。系统能够控制最优时间来完成点对点运动控制和降低成本,由于设备容量损失能量优化策略,实现85%的准确性在最终系统的态度估计实验(27]。Rutten等人开始了羽毛球交互式机器人的研究和提出了一个进化操作推导方法。最优模式的能量从保障水平,确保最佳的羽毛球中风轨迹。并通过模拟羽毛球运动员的中风,中风对手的轨迹预测来实现回归(28]。
人类面临的最大挑战的姿态是人类外表的变化,这是具有挑战性的在预测关键点的坐标在人类太空29日,30.]。人体姿态估计是一个必要的许多行业,联合技术和主题一直在投资于研究和发展各种产业在最近几年。人体姿态估计有不同的否决的人数,和单人姿势估计比多人姿势估计有更好的准确性和稳定性。单人姿势估计,只有一个人在指定的图像和局部,然后它的要点。多人姿势估计,有必要首先指定要检测到的人数,然后提取个人最高的人类从图像识别重量,然后定位其要点捕获的空间坐标。显然,多人姿势估计是更具挑战性,尤其是涉及非结构化环境的影响,如人群、遮挡,和多人交互。主体结构的人体姿态估计算法是一种卷积神经网络。本文估计羽毛球的姿势动作使用这种方法,我们选择多人姿态估计。多人姿势估计,主要有两种方法:自顶向下和自底向上。
自顶向下方法首先检测人体通过目标识别CNN网络然后标签的形式一个长方形的盒子。然后用作边界矩形边界定位人体质心点在矩形框。相同的操作则用于定位别人出现在指定的图像在相同数量的人数。因此,多人姿态估计的计算成本密切相关的人数指定。这种类型的算法使用主要人类探测器技术注释的矩形框,然后姿势估计适用于每个检测到的人。那么多人姿态估计算法的检测结果的准确性很大程度上取决于人类探测器(31日]。人类的姿势估计基于卷积神经网络都可以以热图的形式呈现,一个更深层次的表现代表了丰富的节点捕获。卷积造成机器被添加到每个网络的输出级,已到达网络监督训练的作用,从而解决梯度消失问题[32]。此外,堆放沙漏网络可以有效地扩大知觉领域,是一个必要的连续结构池和人类造成upsampling估计网络(33]。当然,一些研究者也采用了金字塔的结构特性来处理功能的地图不同的决议34]。然而,在这篇文章中,一个级联金字塔网络(35)采用池一起功能映射来实现多尺度检测和人类获得多尺度特性。文献[36)提出了一个算法为人类带来关键点预测方法相结合,可以准确地预测带来的抵消热图和特征点,然后执行偏移校正获得准确的人类空间关键点坐标。其他研究人员已经尝试边界框的端到端算法回归和关键点估计人类的姿势,如面具RCNN [37]和更快的R-CNN [38]。
自底向上的方法明显不同,因为它首先检测关键点坐标的多人全地图,然后执行关键点结合个体的基础上获得对估计结果。文献[39)设计灵感来源于整数线性规划(独立)算法和检测人口分为集群。然后集群与标记个体来获得最终的姿势估计坐标信息。文献[40]包含ResNet [41]基于前执行两两匹配操作的自适应图像通过有条件的约束。这些方法都是独立的代表方法,但这种方法的计算成本太高,许多研究人员采用。之后,纽厄尔等人提出的部分地图和像素嵌入方法成功匹配构成要点到相应的人在不同的集群,从而获取姿势估计信息(42]。文献[31日]深刻调查性能和速度之间的平衡的方法,在后来的研究有效地节省计算成本。只是因为它的高稳定性和适应性和低计算成本,这个算法是选为人类带来估算方法的基础。
3所示。方法
3.1。部分关联字段
在姿态估计算法的输入,输入图像被认为是大小 。输入是入一个卷积神经网络预测的身体关节获得信心的地图和一部分亲和力场() , 为每一个肢体。地图的信心 显示的存在信心地图在整个姿势估计, 。 表示的平均位置每个人体在图像的关键点,整个没有区分个体而言,及其标签信息是由一个高斯分布。拥堵的 , 表示数量的向量场,和每个肢体被分配一个向量场, 。 表示独立单位向量生成真实的信息对于每个肢体,和每个单位向量对应一个关键点和 ,和矩形边界内的所有向量的方向指向 。考虑到真正的标签 和模型预测 ,使用均方误差模型是训练有素的 ,定义如下: 在哪里P表示二维坐标的关键点,W表示二进制掩模,主要为区域与非结构因素(例如,重叠遮挡情况下像人群),和 。面具的目的主要是防止真正的预测在训练过程中误删除。此外,监管单位被添加在每个阶段定期补偿梯度消失的梯度,防止发生43]。总体目标是 。
在解析过程中,我们使用一组两个赋值方法,以便更好地匹配身体的部分候选匹配。首先,我们设置检测候选区域的关键点的最大位置地图的信心。然后,我们匹配要点之间的线性积分,然后获得人体关节的信心成绩计算。最后,所有信心得分结合,造成估计的最终结果是通过贪婪的相关法律。
3.2。信心部分地图
为了评估在方程(2),我们选择开始在二维地图和产生信心从注释的关键点。每个信心地图对应一个相应的肢体的网站,和每个肢体的网站都有一个相应的像素坐标表示在二维坐标。理想情况下,如果一个人发现在检测过程中,峰值出现在地图的每个肢体部分信心。如果检测到不止一个人,一个峰值出现同样为每一个可见的部分的每个人 。
假设每个人生成一个地图对应的个人信心 ,在哪里 表示身体部位的真正位置的每个人的形象。然后位置的值 在定义如下: 在哪里是控制器的峰值大小;卷积神经网络预测第一名获得一个信心地图,然后聚集通过多个最大运营商获得最后的地面实况图映射为一个单一的信心。
网络预测的过程中,我们把信心地图的平均值,而不是最大值为了保持相同精度的附近的山峰。如图2,在我们的实验测试,当我们预测信心地图,我们倾向于选择no-maximal抑制方法获得独立机构部分候选人。在对比实验中,我们选择高斯曲线不同P值,即高斯1和高斯2。从实验结果可以看出,高斯1和高斯2之间的交集是nonmaximum抑制的最佳射程,因为我们采取高斯1和高斯2定义nonmaxima抑制的上界。
3.3。检测和协会
图像首先被送入卷积神经网络生成特征图需要在第一阶段,然后调整VGG-19初始层初始化。在第一阶段, ,代表部分关联字段(改善),每组代表网络初始化后的第一个推理结果。在随后的阶段,每一轮的原始图像和特征预测将基于前一个阶段的结果,然后是拥堵的逻辑将计算得到准确的预测。 在哪里表示卷积神经网络推理和阶段表示的总数拥堵的阶段。在每一轮的迭代,拥堵的最新预测是通过信心图检测模块。 在哪里CNN用于推理阶段和总数量的信心映射阶段。
与文献中提到的方法(31日),巴基斯坦空军和信心地图在每个卷积神经网络推理精制阶段。多亏了细化过程中,参数的数量在每个推理阶段是减半。我们的初步实验验证表明,关联字段预测信心结果成正比。更普遍的是,拥堵的每个通道的输出融合结果可以用来推断相应的身体部位。然而,如果我们只是零碎的关于身体部位的信息,我们获得拥堵的信道信息和相关的映射结果的信心。
关联字段的细化的效果在不同阶段如图3。所有的信心映射结果展开预测在拥堵的一定范围内,这也创造了一个问题之间没有显著差异变化的所有阶段的信心地图。在神经网络的迭代过程,为了确保身体关节的正确匹配点的特性。我们添加损失函数L2每个阶段结束时,应用于拥堵的身体部位在第一分支和信心地图在第二分支。最后,真正的图形和字段相匹配。此外,为了解决数据集的缺点,我们使用了一个空间损失函数加权。
3.4。人体姿态估计网络
我们建议的人体姿态估计网络的结构如图4。编码部分预测是由迭代方法,主要分为两个部分:一部分亲和力和检测信心地图 。基于文献中提到的网络结构(32),我们通过设计优化阶段预测其信心地图作为连续预测,在此基础上,在那里 ;每个阶段都包含监管单位。
相比之下,网络结构在文献[31日摘要],人类的姿势估计网络层。最初conv 7×7被连续三conv 3×3,这种改进是灵感来自谷歌提出的初始结构,这种结构优化后,网络的参数的数量可以大大减少,从而减少计算成本。此外,我们也指DenseNet的方法(44),以三个卷积内核为组织和连接每组的输出。这样的一个操作可以增加非线性层的数量也从最大的知觉中提取高和低级别功能领域。
4所示。实验
4.1。数据集
羽毛球是一项运动,没有专门的羽毛球世界上立场的数据集。为了验证我们的方法的性能,我们从有关部门请求的数据从羽毛球比赛。然后我们根据羽毛球教学执行手动分类点,然后使用视频编辑软件羽毛球动作分割,然后为每个分类操作执行人工注释。最后,所有收集到的数据分为训练集和测试集,和30000运动产生5000运动训练集和测试集。所有以下实验结果分析是基于这个数据集。
4.2。培训
本文中所有实验进行Ubuntu 16.04与python 3.7版本配置为编程语言环境。实验硬件环境使用RTX 3080 Ti GPU,英特尔i7 - 7700 CPU和50 GB的RAM。在训练使用的规范化标准是。它可以优化模型和改进模型的整体鲁棒性和稳定性,和方法提出了基于随机政策评估作为一个替代选择。为了避免过度拟合的难度深网络的训练期间,早期停止法用于训练。相关的训练参数如表所示1。
4.3。实验的程序
根据学校体育教育任务,羽毛球类每周举行一次90分钟。出于这个原因,我们建立了一个实验对照组:a组的教学方法应用本文的人体姿态估计方法和B组的传统教学方法。为此,我们做了详细规划的羽毛球教学进度如表所示2。
A组的学生遵循人机交互模型。课堂环境的机器视觉的安排。我们使用了深度相机Kinect DK作为计算机视觉传感器通过深度相机捕捉羽毛球教学情况,然后喂给算法处理单元,如图5。
首先,人体姿态估计算法是用于执行行动羽毛球中风的分解,然后根据要点解释道。然后让学生在机器视觉领域,捕捉学生理解羽毛球动作的要点;学生也可以想象自己的行动细节在大银幕上,比较的标准动作;学生可以根据标准动作纠正自己的行为,从而达到教学目的。的课上,老师将与大评论个别学生运动差异和发表评论。视频课的人体姿态估计然后给学生以视频的形式。学生能理解和思考羽毛球运动后再上课。人机交互系统的业务流程小组教学模式如图6。
学生们在B组完全遵循传统的教学模式学习羽毛球。老师会先口头介绍羽毛球相关要点,然后通过实践证明每个羽毛球操作的要点,然后让学生练习减少每个羽毛球动作和感觉。老师会给学生个人指令不合格的姿势。下课后,学生需要反思教学视频,然后写一个总结。
4.4。羽毛球发球的评估
关于羽毛球发球质量的评估,这个评估准则随访两组A和b是由于大量的羽毛球运动技能、评估指导方针,每个动作都有细微的差别。为了反映比较性能的研究中,我们选择了两个技能动作,反手和正手,比较实验分析。我们评估了预处理和检测后的分数在四个主要领域:接触点,动作流畅,行程轨迹,和中风的分数。我们总结了羽毛球中风的得分点,和具体得分点在图所示7。羽毛球只是分裂的评分规则根据羽毛球场,和额外的点的困难面糊的行为分别计算。我们主要研究羽毛球场上的得分情况。
我们也评估了方差的加权分数,平等的和测试差异隐含满意的运动技能两组评估。防止分数上的差异由于学生健身的差异,我们也使用ANCOVA分析,主要是用来比较一个变量在两个或两个以上的总量,同时考虑其他变量。具体的评估结果如表所示3。
从实验结果可以看出,A组优于B组在整体服务质量评估,接触点的平均值反手行动是由0.35 A组高于B组,A组的动作的流畅是超过0.31 B组,A组的行程轨迹比由0.25 B组,A组的平均总分是1.09之前,B组。实验证明,在羽毛球教学中,人机交互的教学模式使用人类的态势评估方法,学生的服务质量和得分都是优秀的。学生掌握羽毛球运动是更精确。学生更流利的总体运动一致性羽毛球陪练。
5。结论
在本文中,我们分析了羽毛球的现状,发现羽毛球教学质量不容乐观。为了进一步提高羽毛球教学的质量和学生的参与。我们人类的姿态估计算法集成到羽毛球教学和构造一个人机交互式的羽毛球教学系统将计算机视觉技术和神经网络算法。在这篇文章中,我们提出一个人体姿态估计算法,首先维护肢体之间的相关位置信息和方向信息的区域通过部分关联字段。然后,重心要点本地化的信心部分地图的肢体姿势,最后,根据获得的功能要点都是相关部分关联字段。然后每一帧的关键点是集成获得时间维度的特性,和姿态估计和预测。与我们的方法,可以实现实时姿态估计对羽毛球教学,和学生可以观察他们的动作和标准之间的差距的人机接口,从而更加深入的感觉羽毛球中风的必需品。此外,这样一个教学系统使羽毛球课更生动有趣,充分调动学生的好奇心和积极性。最后,我们建立了一个比较实验,比较本文的教学模式与传统教学模式的方法。实验结果证明了我们的方法的教学模式,学生的中风更标准化,技能切换羽毛球服务和中风更流利,和羽毛球中风得分高。
由于广泛的羽毛球技术动作,当前构建数据集只包含两个技巧动作。神经网络算法,数据集的数量决定了模型的性能。因此,在未来的研究中,我们将进一步扩大更专业的羽毛球运动,提高模型的泛化能力。
数据可用性
可以访问的数据集。
的利益冲突
作者宣称没有利益冲突。