視覺感知下籃球訓(xùn)練投籃角度矯正研究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了視覺感知下籃球訓(xùn)練投籃角度矯正研究范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。

［摘要］針對(duì)現(xiàn)有籃球訓(xùn)練投籃角度矯正方法中存在的矯正精度低、自適應(yīng)性差的問題，提出基于視覺感知的籃球訓(xùn)練投籃角度矯正方法。采用視覺特征采集方法，提取出視頻中的籃球訓(xùn)練投籃角度行為信息，根據(jù)低秩學(xué)習(xí)和空間參數(shù)融合方法，建立籃球訓(xùn)練投籃角度行為參數(shù)分析模型;結(jié)合具體行為參數(shù)學(xué)習(xí)結(jié)果，建立籃球訓(xùn)練投籃角度的空間解算模型;通過分塊檢測(cè)和分段樣本融合方法，建立多尺度卷積核的籃球訓(xùn)練投籃角度矯正參數(shù)感知模型，獲取不同感受視覺分析模型下的籃球訓(xùn)練投籃角度矯正參數(shù)，將原始籃球訓(xùn)練投籃角度參數(shù)視頻分割為多段，通過視覺感知方法，實(shí)現(xiàn)籃球訓(xùn)練投籃角度矯正和自適應(yīng)誤差反饋，降低籃球訓(xùn)練投籃角度誤差。

［關(guān)鍵詞］視覺感知;籃球訓(xùn)練;投籃;角度矯正;尺度卷積

0引言

在計(jì)算機(jī)視覺和圖像處理技術(shù)日益成熟的背景下，采用機(jī)器視覺對(duì)圖像進(jìn)行識(shí)別，對(duì)采集的體育運(yùn)動(dòng)圖像進(jìn)行視頻參數(shù)分析，并反饋到人機(jī)交互系統(tǒng)和專家系統(tǒng)中，實(shí)現(xiàn)運(yùn)動(dòng)訓(xùn)練的指導(dǎo)［1］。根據(jù)這一思路，研究籃球訓(xùn)練投籃角度矯正方法，提取籃球訓(xùn)練的投籃角度信息特征量，分析籃球訓(xùn)練投籃角度參數(shù)和訓(xùn)練動(dòng)作特性，指導(dǎo)籃球訓(xùn)練動(dòng)作的矯正改進(jìn)［2］。針對(duì)籃球訓(xùn)練投籃角度視覺特征建模困難等問題，結(jié)合機(jī)器視覺分析，實(shí)現(xiàn)籃球訓(xùn)練投籃角度矯正，相關(guān)籃球訓(xùn)練投籃角度矯正方法研究在體育學(xué)界和計(jì)算機(jī)視覺參數(shù)分析領(lǐng)域均得到了較好的應(yīng)用［3－4］。何波提出一種借助角點(diǎn)對(duì)籃球訓(xùn)練投籃角度進(jìn)行矯正方法［5］。該方法根據(jù)籃球訓(xùn)練投籃角度的交互可視化分析，對(duì)籃球訓(xùn)練中肢體繞動(dòng)及小臂旋轉(zhuǎn)參數(shù)進(jìn)行分析，通過Hari角點(diǎn)檢測(cè)，進(jìn)行動(dòng)態(tài)校準(zhǔn)，該方法可有效提取籃球投籃角度，但該方法的視覺融合性較差，導(dǎo)致角度矯正效果較差。苗俊提出采用超像素特征分解的投籃角度校正和可視化分析方法［6］。該方法采用動(dòng)力傳感敏感跟蹤元件實(shí)現(xiàn)籃球訓(xùn)練投籃角度數(shù)據(jù)采集，構(gòu)建籃球訓(xùn)練投籃角度數(shù)據(jù)特征分析模型，結(jié)合運(yùn)動(dòng)學(xué)參數(shù)融合和動(dòng)態(tài)識(shí)別方法進(jìn)行籃球訓(xùn)練投籃角度數(shù)據(jù)的分類檢測(cè)。該方法可有效改善籃球投籃角度矯正的精度，但該方法在提取投籃角度時(shí)計(jì)算過程復(fù)雜，抗干擾能力較差。針對(duì)上述問題，本文提出基于視覺感知的籃球訓(xùn)練投籃角度矯正方法。首先采用視覺特征采集方法，提取出視頻中的籃球訓(xùn)練投籃角度行為信息，然后建立多尺度卷積核的籃球訓(xùn)練投籃角度矯正參數(shù)感知模型，獲取不同感受視覺分析模型下的籃球訓(xùn)練投籃角度矯正參數(shù)，采用圖像分析方法，實(shí)現(xiàn)視覺感知分析，完成籃球訓(xùn)練投籃角度矯正。與傳統(tǒng)方法相比，該方法具有一定優(yōu)勢(shì)。

1籃球訓(xùn)練投籃角度視覺采樣和預(yù)處理

1．1籃球訓(xùn)練投籃角度視覺感知

采用視覺特征采集方法，提取出視頻中籃球訓(xùn)練投籃角度行為信息，采用3D人體姿態(tài)融合參數(shù)估計(jì)方法，構(gòu)建籃球訓(xùn)練投籃角度圖像視覺估計(jì)模型，通過3D姿態(tài)的空間方位分布，采用深度圖像轉(zhuǎn)換方法，實(shí)現(xiàn)對(duì)籃球訓(xùn)練投籃角度圖像參數(shù)估計(jì)和角點(diǎn)跟蹤，通過梯度信息參數(shù)估計(jì)方法，實(shí)現(xiàn)對(duì)籃球訓(xùn)練投籃角度圖像視覺融合和連續(xù)幀采樣。建立籃球訓(xùn)練投籃角度行為參數(shù)分析模型［7］，結(jié)合具體的行為參數(shù)學(xué)習(xí)結(jié)果，采用體元數(shù)據(jù)融合，應(yīng)用人體動(dòng)力學(xué)先驗(yàn)參數(shù)估計(jì)，實(shí)現(xiàn)投籃角度估計(jì)?；@球訓(xùn)練投籃角度參數(shù)采集流程如圖1所示:在籃球訓(xùn)練投籃角度采集中，采用兩級(jí)級(jí)聯(lián)結(jié)構(gòu)參數(shù)估計(jì)方法，引入3D幾何約束，進(jìn)行籃球訓(xùn)練投籃角度動(dòng)作圖像矯正參數(shù)的采集。然后采用聯(lián)合特征分析方法和關(guān)鍵技術(shù)動(dòng)作參數(shù)分析，在多視角特征融合下，得到籃球訓(xùn)練的動(dòng)作圖像矯正幀結(jié)構(gòu)模型為:u(t)=rect(kT)(1)式中，T表示籃球訓(xùn)練投籃動(dòng)作目標(biāo)函數(shù)，在第k個(gè)平面(1≤k＜P)中，基于三維圖像信息和幾何約束的方法，采用尺度不變性估計(jì)方法，得到籃球訓(xùn)練中小臂內(nèi)旋視覺像素集I(x，y)中的點(diǎn)x對(duì)應(yīng)的3D人體姿態(tài)真值為:(2)其中，為尺度空間3D人體姿態(tài)真值分布集，將2D人體姿態(tài)估計(jì)模型融合到籃球投籃訓(xùn)練的人體三維空間中，實(shí)現(xiàn)籃球訓(xùn)練投籃角度視覺感知。

1．2籃球訓(xùn)練投籃角度視覺參數(shù)融合處理

根據(jù)低秩學(xué)習(xí)和空間參數(shù)融合的方法，建立籃球訓(xùn)練投籃角度行為參數(shù)分析模型，結(jié)合具體的行為參數(shù)學(xué)習(xí)結(jié)果［8］，得到2D圖像向2D姿態(tài)轉(zhuǎn)化的分布集I(i，j)為:I(i，j)=∑Pk=1I(k)(i，j)×2k－1(3)采用姿態(tài)匹配的方法，結(jié)合RGB分量解析，得到籃球訓(xùn)練投籃角度可視化融合分布式為:(4)其中，表示籃球訓(xùn)練投籃角度信息，∧表示2D骨架序列為輸入的3D姿態(tài)聯(lián)合分布集，∨表示2D骨架序列為輸入的3D姿態(tài)的G分量與B分量的位置，\表示按位取反，每個(gè)全連接層的Wt可表示為:(5)以3D人體姿態(tài)真值作為神經(jīng)網(wǎng)絡(luò)的輸入層，在參考像素的塊匹配空間內(nèi)，在數(shù)據(jù)集Proto-col內(nèi)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNet-work，RNN)［9］實(shí)現(xiàn)對(duì)籃球訓(xùn)練投籃角度的空間視覺融合，即:式中，s代表籃球訓(xùn)練投籃角度的空間縮放因子，θ是籃球訓(xùn)練投籃角度估計(jì)值，tx和ty分別為計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)視覺下的特征分量。

2籃球訓(xùn)練投籃角度矯正

2．1籃球訓(xùn)練投籃角度視覺特征分析

在上述籃球訓(xùn)練投籃角度相關(guān)參數(shù)提取基礎(chǔ)上，建立籃球訓(xùn)練投籃角度的空間解算模型。采用分段檢測(cè)方法得到籃球訓(xùn)練投籃角度視覺分解結(jié)果為:Φ(t)=∫u(t)(t－A)dt(7)假設(shè)籃球訓(xùn)練投籃角度視覺分布時(shí)間平移為t*，投籃角度對(duì)應(yīng)的軌跡為:Φ(t，τ*)=1－|1－t|Wt/A(8)其中，τ=(1－a)t0表示籃球訓(xùn)練投籃角度視覺采樣時(shí)延，基于判別算法得到特征量，籃球訓(xùn)練投籃角度檢測(cè)的判決表達(dá)式為:Wf=maxτ|∫T0u(t)1槡tΦ(t，τ*)dt|(9)采用小波降噪對(duì)籃球訓(xùn)練投籃角度視覺信息執(zhí)行降噪處理，通過籃球訓(xùn)練投籃角度視覺圖像降噪，提高輸出信噪比，得到籃球訓(xùn)練投籃角度視覺融合分量為:L=Wf－∑Ni=1ai{Φ(t)+J(w，e)+φ(xi)}(10)其中，ai表示籃球訓(xùn)練投籃角度視覺圖像s'在網(wǎng)格點(diǎn)(x'，y')處的灰度信息，J(w，e)為籃球訓(xùn)練投籃角度視覺信息采樣的亞像素級(jí)，φ(xi)表示籃球訓(xùn)練投籃角度視覺分布函數(shù)。結(jié)合籃球訓(xùn)練投籃角度誤差補(bǔ)償，得到籃球訓(xùn)練投籃角度補(bǔ)償尺度定為:Fi(v)=mnlog(L/φ(xi))(11)其中，n表示籃球訓(xùn)練投籃角度檢測(cè)的轉(zhuǎn)元組數(shù)，m表示馬爾科夫鏈的蒙特卡洛分配函數(shù)。其中，馬爾科夫鏈的蒙特卡洛位移為:D=Fi(v){Si，j(t)，Ti，j(t)，Ui，j(t)}(12)其中，Si，j(t)表示最優(yōu)解的姿態(tài)融合分量，Ti，j(t)表示多種結(jié)構(gòu)化預(yù)測(cè)參數(shù)，Ui，j(t)表示人體關(guān)節(jié)點(diǎn)標(biāo)定窗口函數(shù)，由此得到籃球訓(xùn)練投籃角度視覺特征檢測(cè)輸出:II(n1，n2)=14J∑1i1=0∑1i2=0II－1(2c1+i1，2c2+i2)(13)其中，J為籃球訓(xùn)練投籃角度視覺檢測(cè)的Harris分量，i為當(dāng)前尺度空間Ic的灰度值，c為籃球訓(xùn)練投籃檢測(cè)的迭代次數(shù)。采用基于直接回歸的籃球訓(xùn)練投籃角度估計(jì)算法，實(shí)現(xiàn)視覺感知和特征分析。

2．2投籃角度矯正實(shí)現(xiàn)

采用深度學(xué)習(xí)的方法進(jìn)行籃球訓(xùn)練投籃角度估計(jì)，得到圖像邊緣輪廓檢測(cè)矩陣J(x，y，σ):提取部分的CNN層作為籃球訓(xùn)練投籃角度估計(jì)的初始化模型，根據(jù)籃球訓(xùn)練投籃角度視覺像素特征分解結(jié)果，得到特征檢測(cè)過程為:其中，G(σI)表示鄰域檢測(cè)系數(shù)，σI為Harris尺度，σD為籃球投籃角度的邊緣分布尺度，x，y為空間坐標(biāo)系。將2D姿態(tài)估計(jì)結(jié)果與來自圖像的特征進(jìn)行級(jí)聯(lián)，對(duì)投籃角度的交互可視化分析，基于相對(duì)位置信息交互，得到籃球訓(xùn)練投籃角度檢測(cè)的模糊度匹配系數(shù)為:(16)其中，u∈{1，2}，u為投籃角度在鄰域p(i，j)的淺層網(wǎng)絡(luò)學(xué)習(xí)函數(shù)，(i，j)為關(guān)節(jié)之間的結(jié)構(gòu)邊緣特征量。通過上述設(shè)計(jì)，獲取不同感受視覺分析模型下的籃球訓(xùn)練投籃角度矯正參數(shù)，將原始籃球訓(xùn)練投籃角度參數(shù)視頻分割為多段，實(shí)現(xiàn)了籃球訓(xùn)練投籃角度交互和可視化分割［10］(如圖2所示)。

3實(shí)驗(yàn)測(cè)試

3．1實(shí)驗(yàn)方案

實(shí)驗(yàn)在Matlab上進(jìn)行仿真測(cè)試，采用多個(gè)VGA攝像機(jī)采集投籃現(xiàn)場(chǎng)角度信息，對(duì)籃球訓(xùn)練投籃角度的視覺采樣的3D幾何約束參數(shù)設(shè)置為0．344，像素值設(shè)置為240*360，投籃次數(shù)與初始根據(jù)表1的參數(shù)，進(jìn)行籃球訓(xùn)練投籃的角度校準(zhǔn)，設(shè)計(jì)的原始視覺感知(如圖3所示)。

3．2實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證該方法的有效性，實(shí)驗(yàn)分析了以該方法、何波提出的方法以及苗俊提出的方法對(duì)樣本籃球投籃角度進(jìn)行跟蹤的相關(guān)數(shù)據(jù)，以驗(yàn)證角度矯正方法的自適應(yīng)性，得到的結(jié)果如圖4所示:分析圖4可以看出，在相同實(shí)驗(yàn)條件下，采用該方法、何波方法以及苗俊方法對(duì)籃球投籃角度跟蹤的效果存在一定差異。其中，何波方法以及苗俊方法對(duì)籃球投籃角度跟蹤的效果在合理的誤差范圍內(nèi)，但相比之下，該文方法對(duì)籃球投籃角度跟蹤的效果最好，存在的誤差最小。這是由于該方法采用視覺感知方法對(duì)其投籃角度數(shù)據(jù)進(jìn)行提取，進(jìn)而提升了該文方法的有效性。為進(jìn)一步驗(yàn)證該方法的有效性，實(shí)驗(yàn)分析了三種方法對(duì)樣本投籃角度矯正的精度，得到的實(shí)驗(yàn)結(jié)果如表2所示。分析表2中數(shù)據(jù)可以發(fā)現(xiàn)，隨著投籃次數(shù)的不斷改變，三種方法對(duì)投籃角度矯正的精度存在一定差異。其中，本文方法的投籃角度矯正的精度最高約為92．5%，何波方法的投籃角度矯正的精度最高約為52．4%，苗俊方法的投籃角度矯正的精度最高約為73．0%。相比之下本文方法的矯正精度遠(yuǎn)高于其他兩種方法，驗(yàn)證了該方法的有效性。

4結(jié)束語

針對(duì)籃球投籃角度矯正方法中存在的不足，文章提出籃球訓(xùn)練投籃角度矯正方法。根據(jù)提取籃球訓(xùn)練的投籃角度信息特征量，分析籃球訓(xùn)練投籃角度參數(shù)和訓(xùn)練動(dòng)作特性，指導(dǎo)籃球訓(xùn)練動(dòng)作的矯正改進(jìn)。對(duì)投籃角度的交互可視化分析，基于相對(duì)位置信息交互，獲取不同感受視覺分析模型下的籃球訓(xùn)練投籃角度矯正參數(shù)，將原始籃球訓(xùn)練投籃角度參數(shù)視頻分割為多段，實(shí)現(xiàn)籃球訓(xùn)練投籃角度矯正。實(shí)驗(yàn)結(jié)果表明:采用本方法對(duì)籃球訓(xùn)練投籃角度矯正效果較好，對(duì)籃球運(yùn)動(dòng)員投籃訓(xùn)練具有一定幫助。

作者:任立耀 單位:山西工程科技職業(yè)大學(xué)