到目前為止,在體育運動領(lǐng)域中主要依賴于教練員在現(xiàn)場觀察運動員的表現(xiàn)來為運動員制定合適的訓練計劃,這對教練員的專業(yè)素養(yǎng)有著極高的要求。隨著近年來人們對體育運動熱情的持續(xù)攀升,專業(yè)教練員的數(shù)量變得難以滿足廣大體育運動愛好者的需求量,而這一現(xiàn)象在我國的中小城市中表現(xiàn)得更為明顯�；谏鲜鲂枨�,本文基于智能鞋墊設計了一個針對體育運動愛好者的運動動作識別系統(tǒng),并且出于驗證該系統(tǒng)對于不同體育運動領(lǐng)域的適用性的目的,針對籃球動作和競走動作進行了實驗。本文的研究內(nèi)容和創(chuàng)新點包括:（1）提出了基于卷積神經(jīng)網(wǎng)絡的籃球動作識別方案。首先采用一維中值濾波、一維數(shù)字濾波和Z-score標準化對傳感器數(shù)據(jù)進行預處理,之后通過調(diào)整網(wǎng)絡結(jié)構(gòu)以及卷積層和池化層中的卷積核大小和卷積步長等超參數(shù)來使得神經(jīng)網(wǎng)絡的性能表現(xiàn)達到最優(yōu)值。實驗結(jié)果顯示,卷積神經(jīng)網(wǎng)絡可以在籃球動作識別中獲得99.3%的總體識別準確率。（2）由于一個籃球動作在一整段實戰(zhàn)籃球動作數(shù)據(jù)中隨機地出現(xiàn)并且持續(xù)隨機長度的時間,提出了一個基于滑動窗口切分和相鄰多窗口聯(lián)合判定的方法來識別實戰(zhàn)籃球動作。實驗表明,利用該方法來識別實戰(zhàn)籃球動作可以獲得92.2%的總體識別準... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

基于視頻錄像的動作識別系統(tǒng)

第一章緒論3運動動作的識別。智能可穿戴設備可以被方便地穿戴于運動者的身上，其動作識別效果也不會受到周遭環(huán)境的影響。此外，使用智能可穿戴設備采集到的慣性傳感器數(shù)據(jù)也只來自目標運動者，從而避免了其他物體或運動者的存在對動作識別的效果產(chǎn)生影響。因此，與基于計算機視覺的動作識別系統(tǒng)相比，基于可穿戴設備的動作識別系統(tǒng)更適用于體育運動動作的識別。早期的部分基于可穿戴設備的動作識別系統(tǒng)研究利用閾值實現(xiàn)動作的識別。每個運動者做同一動作時的運動風格不盡相同，導致不同運動者做同一動作產(chǎn)生的傳感器數(shù)據(jù)差別較大，所以這種解決方案產(chǎn)生的系統(tǒng)模型僅適用于來自特定運動者的數(shù)據(jù)，而且即使是同一名運動者每次做同一動作產(chǎn)生的傳感器數(shù)據(jù)也會有所差別。圖1.2是以類正弦波的形式簡化表達的兩個運動者分別做某一動作時產(chǎn)生的傳感器信號的波形，其中藍色線條為運動者A產(chǎn)生的數(shù)據(jù)，紅色線條為運動者B產(chǎn)生的數(shù)據(jù)�，F(xiàn)在制定圖中以綠色線條表示的閾值，并規(guī)定若波形在上升時越過閾值線條并在下降時再次越過閾值線條則預測運動者做了一次該動作。這一閾值對于運動者A前兩次做該動作產(chǎn)生的數(shù)據(jù)是有效的，對于第三次動作則發(fā)生了漏檢。而該閾值對于運動者B產(chǎn)生的數(shù)據(jù)則完全無效。人工智能算法可以依據(jù)數(shù)據(jù)的特征來識別動作，并且不會拘泥于某一特定的數(shù)據(jù)，其引進使得基于可穿戴設備的動作識別系統(tǒng)可以自適應地識別體育運動動作。圖1.2基于閾值的動作識別系統(tǒng)Fig1.2Threshold-basedmotionrecognitionsystem1.2國內(nèi)外研究現(xiàn)狀1.2.1基于視頻錄像的動作識別近年來，存在大量的研究者利用視頻錄像進行體育動作的識別[18-19]，其中部分研究者利用圖像識別技術(shù)來識別籃球運動者投籃后的進球結(jié)果，其研究對象為籃

合肥工業(yè)大學碩士學位論文4球本身，其攝像機的監(jiān)控視角通常如圖1.3所示。劉舟檻使用區(qū)域分割方法將圖像中的籃筐區(qū)域和籃筐之外的區(qū)域分割開來，之后利用背景差分法在籃筐區(qū)域內(nèi)識別籃球是否進入籃筐[20]。張明月利用Hough圓變換算法從圖像中識別出籃筐區(qū)域，然后將背景差分法和三幀差分法相結(jié)合來識別籃球是否進球，該方法與背景差分法相比對于光線發(fā)生突變等場景更具適用性[21]。圖1.3籃球進球識別系統(tǒng)中攝像機的監(jiān)控視角Fig1.3Cameramonitoringperspectiveinbasketballgoalrecognitionsystem另一部分研究者則將人體本身的動作作為研究對象，這也正是本文的識別目標。JungsooLee等人提出了一種使用確定有窮自動機來識別體育運動動作的動作識別系統(tǒng)，該系統(tǒng)可以被用于識別視頻中運動員和裁判的動作。作者分別針對籃球動作和足球動作組織實驗來驗證該系統(tǒng)的性能表現(xiàn)。對于籃球動作，該系統(tǒng)的識別準確率在40%左右，在一定程度上并不高，而當利用該系統(tǒng)識別足球動作時，其識別準確率約為85%，這說明該算法更適合于足球動作的識別[22-23]。此外，JungsooLee等人先后嘗試了利用二維卷積神經(jīng)網(wǎng)絡（Two-dimensionalconvolutionalneuralnetwork，2DCNN）以及三維卷積神經(jīng)網(wǎng)絡（Three-dimensionalconvolutionalneuralnetwork，3DCNN）來識別足球比賽錄像中的動作。實驗結(jié)果為使用3DCNN時的識別準確率高于使用2DCNN時的識別準確率，這表明借助3DCNN提取得到的特征比使用2DCNN提取得到的特征更能反映原始數(shù)據(jù)的真實情況[24-25]。YuxiHong等人開發(fā)了一種利用深度遷移學習方法進行場景識別和動作檢測的分類器[26]。而在WeiDu等人的研究中，作者使用多個攝像機協(xié)同跟蹤運動員，這種解決方案可以解決部分視圖中運動員受到遮擋從而影響識別效果的問題，但是?


本文編號：3136943