視覺感知下籃球訓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，敬請閱讀。

［摘要］針對現(xiàn)有籃球訓練投籃角度矯正方法中存在的矯正精度低、自適應性差的問題，提出基于視覺感知的籃球訓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練投籃角度行為信息，根據低秩學習和空間參數(shù)融合方法，建立籃球訓練投籃角度行為參數(shù)分析模型;結合具體行為參數(shù)學習結果，建立籃球訓練投籃角度的空間解算模型;通過分塊檢測和分段樣本融合方法，建立多尺度卷積核的籃球訓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練投籃角度矯正參數(shù)，將原始籃球訓練投籃角度參數(shù)視頻分割為多段，通過視覺感知方法，實現(xiàn)籃球訓練投籃角度矯正和自適應誤差反饋，降低籃球訓練投籃角度誤差。

［關鍵詞］視覺感知;籃球訓練;投籃;角度矯正;尺度卷積

0引言

在計算機視覺和圖像處理技術日益成熟的背景下，采用機器視覺對圖像進行識別，對采集的體育運動圖像進行視頻參數(shù)分析，并反饋到人機交互系統(tǒng)和專家系統(tǒng)中，實現(xiàn)運動訓練的指導［1］。根據這一思路，研究籃球訓練投籃角度矯正方法，提取籃球訓練的投籃角度信息特征量，分析籃球訓練投籃角度參數(shù)和訓練動作特性，指導籃球訓練動作的矯正改進［2］。針對籃球訓練投籃角度視覺特征建模困難等問題，結合機器視覺分析，實現(xiàn)籃球訓練投籃角度矯正，相關籃球訓練投籃角度矯正方法研究在體育學界和計算機視覺參數(shù)分析領域均得到了較好的應用［3－4］。何波提出一種借助角點對籃球訓練投籃角度進行矯正方法［5］。該方法根據籃球訓練投籃角度的交互可視化分析，對籃球訓練中肢體繞動及小臂旋轉參數(shù)進行分析，通過Hari角點檢測，進行動態(tài)校準，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］。該方法采用動力傳感敏感跟蹤元件實現(xiàn)籃球訓練投籃角度數(shù)據采集，構建籃球訓練投籃角度數(shù)據特征分析模型，結合運動學參數(shù)融合和動態(tài)識別方法進行籃球訓練投籃角度數(shù)據的分類檢測。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計算過程復雜，抗干擾能力較差。針對上述問題，本文提出基于視覺感知的籃球訓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練投籃角度行為信息，然后建立多尺度卷積核的籃球訓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練投籃角度矯正參數(shù)，采用圖像分析方法，實現(xiàn)視覺感知分析，完成籃球訓練投籃角度矯正。與傳統(tǒng)方法相比，該方法具有一定優(yōu)勢。

1籃球訓練投籃角度視覺采樣和預處理

1．1籃球訓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練投籃角度行為信息，采用3D人體姿態(tài)融合參數(shù)估計方法，構建籃球訓練投籃角度圖像視覺估計模型，通過3D姿態(tài)的空間方位分布，采用深度圖像轉換方法，實現(xiàn)對籃球訓練投籃角度圖像參數(shù)估計和角點跟蹤，通過梯度信息參數(shù)估計方法，實現(xiàn)對籃球訓練投籃角度圖像視覺融合和連續(xù)幀采樣。建立籃球訓練投籃角度行為參數(shù)分析模型［7］，結合具體的行為參數(shù)學習結果，采用體元數(shù)據融合，應用人體動力學先驗參數(shù)估計，實現(xiàn)投籃角度估計?；@球訓練投籃角度參數(shù)采集流程如圖1所示:在籃球訓練投籃角度采集中，采用兩級級聯(lián)結構參數(shù)估計方法，引入3D幾何約束，進行籃球訓練投籃角度動作圖像矯正參數(shù)的采集。然后采用聯(lián)合特征分析方法和關鍵技術動作參數(shù)分析，在多視角特征融合下，得到籃球訓練的動作圖像矯正幀結構模型為:u(t)=rect(kT)(1)式中，T表示籃球訓練投籃動作目標函數(shù)，在第k個平面(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方法，得到籃球訓練中小臂內旋視覺像素集I(x，y)中的點x對應的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)估計模型融合到籃球投籃訓練的人體三維空間中，實現(xiàn)籃球訓練投籃角度視覺感知。

1．2籃球訓練投籃角度視覺參數(shù)融合處理

根據低秩學習和空間參數(shù)融合的方法，建立籃球訓練投籃角度行為參數(shù)分析模型，結合具體的行為參數(shù)學習結果［8］，得到2D圖像向2D姿態(tài)轉化的分布集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，結合RGB分量解析，得到籃球訓練投籃角度可視化融合分布式為:(4)其中，表示籃球訓練投籃角度信息，∧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，每個全連接層的Wt可表示為:(5)以3D人體姿態(tài)真值作為神經網絡的輸入層，在參考像素的塊匹配空間內，在數(shù)據集Proto-col內，采用循環(huán)神經網絡(RecurrentNeuralNet-work，RNN)［9］實現(xiàn)對籃球訓練投籃角度的空間視覺融合，即:式中，s代表籃球訓練投籃角度的空間縮放因子，θ是籃球訓練投籃角度估計值，tx和ty分別為計算機視覺和機器學習視覺下的特征分量。

2籃球訓練投籃角度矯正

2．1籃球訓練投籃角度視覺特征分析

在上述籃球訓練投籃角度相關參數(shù)提取基礎上，建立籃球訓練投籃角度的空間解算模型。采用分段檢測方法得到籃球訓練投籃角度視覺分解結果為:Φ(t)=∫u(t)(t－A)dt(7)假設籃球訓練投籃角度視覺分布時間平移為t*，投籃角度對應的軌跡為:Φ(t，τ*)=1－|1－t|Wt/A(8)其中，τ=(1－a)t0表示籃球訓練投籃角度視覺采樣時延，基于判別算法得到特征量，籃球訓練投籃角度檢測的判決表達式為:Wf=maxτ|∫T0u(t)1槡tΦ(t，τ*)dt|(9)采用小波降噪對籃球訓練投籃角度視覺信息執(zhí)行降噪處理，通過籃球訓練投籃角度視覺圖像降噪，提高輸出信噪比，得到籃球訓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表示籃球訓練投籃角度視覺圖像s'在網格點(x'，y')處的灰度信息，J(w，e)為籃球訓練投籃角度視覺信息采樣的亞像素級，φ(xi)表示籃球訓練投籃角度視覺分布函數(shù)。結合籃球訓練投籃角度誤差補償，得到籃球訓練投籃角度補償尺度定為:Fi(v)=mnlog(L/φ(xi))(11)其中，n表示籃球訓練投籃角度檢測的轉元組數(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)表示多種結構化預測參數(shù)，Ui，j(t)表示人體關節(jié)點標定窗口函數(shù)，由此得到籃球訓練投籃角度視覺特征檢測輸出:II(n1，n2)=14J∑1i1=0∑1i2=0II－1(2c1+i1，2c2+i2)(13)其中，J為籃球訓練投籃角度視覺檢測的Harris分量，i為當前尺度空間Ic的灰度值，c為籃球訓練投籃檢測的迭代次數(shù)。采用基于直接回歸的籃球訓練投籃角度估計算法，實現(xiàn)視覺感知和特征分析。

2．2投籃角度矯正實現(xiàn)

采用深度學習的方法進行籃球訓練投籃角度估計，得到圖像邊緣輪廓檢測矩陣J(x，y，σ):提取部分的CNN層作為籃球訓練投籃角度估計的初始化模型，根據籃球訓練投籃角度視覺像素特征分解結果，得到特征檢測過程為:其中，G(σI)表示鄰域檢測系數(shù)，σI為Harris尺度，σD為籃球投籃角度的邊緣分布尺度，x，y為空間坐標系。將2D姿態(tài)估計結果與來自圖像的特征進行級聯(lián)，對投籃角度的交互可視化分析，基于相對位置信息交互，得到籃球訓練投籃角度檢測的模糊度匹配系數(shù)為:(16)其中，u∈{1，2}，u為投籃角度在鄰域p(i，j)的淺層網絡學習函數(shù)，(i，j)為關節(jié)之間的結構邊緣特征量。通過上述設計，獲取不同感受視覺分析模型下的籃球訓練投籃角度矯正參數(shù)，將原始籃球訓練投籃角度參數(shù)視頻分割為多段，實現(xiàn)了籃球訓練投籃角度交互和可視化分割［10］(如圖2所示)。

3實驗測試

3．1實驗方案

實驗在Matlab上進行仿真測試，采用多個VGA攝像機采集投籃現(xiàn)場角度信息，對籃球訓練投籃角度的視覺采樣的3D幾何約束參數(shù)設置為0．344，像素值設置為240*360，投籃次數(shù)與初始根據表1的參數(shù)，進行籃球訓練投籃的角度校準，設計的原始視覺感知(如圖3所示)。

3．2實驗結果分析

為驗證該方法的有效性，實驗分析了以該方法、何波提出的方法以及苗俊提出的方法對樣本籃球投籃角度進行跟蹤的相關數(shù)據，以驗證角度矯正方法的自適應性，得到的結果如圖4所示:分析圖4可以看出，在相同實驗條件下，采用該方法、何波方法以及苗俊方法對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籃球投籃角度跟蹤的效果在合理的誤差范圍內，但相比之下，該文方法對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其投籃角度數(shù)據進行提取，進而提升了該文方法的有效性。為進一步驗證該方法的有效性，實驗分析了三種方法對樣本投籃角度矯正的精度，得到的實驗結果如表2所示。分析表2中數(shù)據可以發(fā)現(xiàn)，隨著投籃次數(shù)的不斷改變，三種方法對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高于其他兩種方法，驗證了該方法的有效性。

4結束語

針對籃球投籃角度矯正方法中存在的不足，文章提出籃球訓練投籃角度矯正方法。根據提取籃球訓練的投籃角度信息特征量，分析籃球訓練投籃角度參數(shù)和訓練動作特性，指導籃球訓練動作的矯正改進。對投籃角度的交互可視化分析，基于相對位置信息交互，獲取不同感受視覺分析模型下的籃球訓練投籃角度矯正參數(shù)，將原始籃球訓練投籃角度參數(shù)視頻分割為多段，實現(xiàn)籃球訓練投籃角度矯正。實驗結果表明:采用本方法對籃球訓練投籃角度矯正效果較好，對籃球運動員投籃訓練具有一定幫助。

作者:任立耀 單位:山西工程科技職業(yè)大學