CN103182172B - 高尔夫挥杆的诊断方法 - Google Patents

Abstract

照相机（10）拍摄对高尔夫球杆进行挥杆以击打高尔夫球的高尔夫玩家以及高尔夫球杆。通过拍摄获得图像数据。计算部（16）从图像数据提取多个帧。计算部（16）从多个帧中确定高尔夫玩家处于预定姿势的检查帧。计算部（16）从检查帧确定高尔夫玩家的外形。计算部（16）从高尔夫玩家的外形判定挥杆。在判定挥杆中确定构成外形的极值。从极值确定特征点。使用特征点来诊断挥杆。

Description

高尔夫挥杆的诊断方法

该申请要求关于2011年12月29日提交的第2011-290298号日本专利申请的优先权，通过引用将其全部内容结合在这里。

技术领域

本发明涉及高尔夫挥杆的品质的诊断方法。

背景技术

相关技术的描述

当高尔夫玩家击打高尔夫球时，高尔夫玩家瞄准击球，以致连接左右脚尖的线大致平行于击打方向。在用右手的高尔夫玩家的瞄准击球中，左脚位于击打方向的前侧，并且右脚位于击打方向的后侧。在瞄准击球中，高尔夫球杆的头部靠近高尔夫球。高尔夫玩家从这个状态开始向后拉杆，并且向后然后向上地举起头部。头部被完全举起的位置为顶部。从顶部开始向下挥动。向下挥动的起点被称为回击。在回击之后，向下击打头部，并且头部与高尔夫球碰撞（撞击）。在撞击之后，高尔夫玩家向前然后向上地挥过高尔夫球杆（随势动作），并且到达最后阶段。

在提高高尔夫玩家的技巧方面，重要的是学到适当的挥杆方式。实施挥杆诊断，以便有助于技巧的提高。在挥杆诊断中，由摄影机拍摄挥杆。为了收集对于高尔夫装置的开发有用的资料，可以拍摄挥杆。

在典型的挥杆诊断中，教学专业人士等等观看移动图像，并且指出挥杆期间的问题。另一方面，同样使用图像处理来实施诊断挥杆的尝试。在图像处理中，必须从许多帧中提取诊断所需的帧。必需从这些帧中提取拍摄对象的轮廓。用于提取拍摄对象的轮廓的方法的实例在日本专利申请特开第2005-210666号公报（美国2005/0143183)以及特开第2011-78069号公报中被公开。

在日本专利申请第2005-210666号公报中公开的方法中，通过使用差分处理来区分拍摄对象和背景。通过该差分处理来提取拍摄对象的轮廓。在日本专利申请第2011-78069号公报中公开的方法中，通过使用轮廓提取方法来区分拍摄对象和背景。在该轮廓提取方法中，通过使用构成帧的像素的辉度直方图和颜色直方图来提取拍摄对象的轮廓。

例如，从多个提取的轮廓中指定预定轮廓，诸如瞄准击球的轮廓。从指定的轮廓来判定挥杆的品质。可以通过从轮廓提取合适的信息来使品质判断自动化。当提取的信息合适时，可以准确地判定挥杆的品质。

本发明的目的是提供一种能够容易地并且准确地诊断挥杆的品质的方法。

发明内容

根据本发明的高尔夫挥杆的诊断方法，包含以下步骤：

用照相机拍摄对高尔夫球杆进行挥杆以击打高尔夫球的高尔夫玩家以及所述高尔夫球杆，以便获得图像数据；

从所述图像数据获得多个帧，并且从所述多个帧中确定所述高尔夫玩家处于预定姿势的检查帧；

从所述检查帧确定所述高尔夫玩家的外形；和

从所述高尔夫玩家的所述外形判定所述挥杆。

在判定所述挥杆的步骤中确定构成所述外形的极值；从所述极值确定特征点；以及使用所述特征点来诊断所述挥杆。

较佳地，在该诊断方法中，所述极值构成头部的外形、腰部的外形或者脚后跟的外形。

较佳地，在该诊断方法中，确定两个以上的极值或者从所述极值获得的基准点。所述外形上的点是所述特征点，其中，通过所述两个基准点的直线和所述外形上的所述点之间的距离被最大化或者最小化。

较佳地，在该诊断方法中，确定两个以上的极值或者从所述极值获得的基准点。所述外形上的点被确定为贝济埃曲线的控制点，其中，通过所述两个基准点的直线和所述外形上的所述点之间的距离被最大化或者最小化。利用所述贝济埃曲线来近似所述外形。当所述外形被最近似时，基于所述贝济埃曲线，确定又一个特征点。

较佳地，在该诊断方法中，基于所述极值，所述外形上的所述点被确定为基准点；包含所述基准点的所述外形经受多项式近似，以便获得近似线；以及作为所述极值的所述近似线上的点是又一个特征点。

较佳地，在该诊断方法中，所述外形的指定来自所述特征点的相对位置的一部分是模板。所述模板与所述外形的另一个部位相匹配。当所述模板最近似于所述外形的另一个部位时，与从所述模板指定的所述特征点相对应的位置的点是又一个特征点。

较佳地，在该诊断方法中，在从所述另一个特征点延伸的直线上、并且具有最大边缘的点是又一个特征点。

较佳地，在该诊断方法中，从所述极值、从所述极值获得的基准点或者所述特征点中，基于人体的部位的几何位置关系确定的点是又一个特征点。

较佳地，在该诊断方法中，所述人体的所述部位的所述几何位置关系是所述高尔夫玩家处于所述预定姿势的所述检查帧中的位置关系。

较佳地，在该诊断方法中，设定基于所述极值、从所述极值获得的基准点或者所述特征点的预定搜索区域。作为所述搜索区域中的所述极值的点是又一个特征点。

较佳地，在该诊断方法中，基于所述极值、所述基准点或者所述特征点和所述人体的所述部位之间的几何位置关系，设定所述预定搜索区域。

较佳地，所述人体的所述部位的所述几何位置关系是所述高尔夫玩家处于所述预定姿势的所述检查帧中的位置关系。

较佳地，在从所述检查帧确定所述高尔夫玩家的所述外形的步骤中，从所述检查帧获得所述高尔夫玩家的轮廓的二值图像。从所述二值图像确定所述高尔夫玩家的所述外形。

较佳地，在从所述检查帧确定所述高尔夫玩家的所述外形的步骤中，通过使所述多个帧经受差分处理来获得差分图像。从所述差分图像确定所述高尔夫玩家的所述外形。

较佳地，该诊断方法进一步包含实施照相机抖动校正的步骤，并且从所述图像数据获得的所述多个帧经受所述照相机抖动校正。

较佳地，在实施所述照相机抖动校正的步骤中，所述图像数据经受所述照相机抖动校正。

根据本发明的高尔夫挥杆的诊断系统包括：

(A)照相机，拍摄对高尔夫球杆进行挥杆以击打高尔夫球的高尔夫玩家以及所述高尔夫球杆；

(B)存储拍摄的图像数据的存储器；以及

(C)计算部。该计算部包括：

(C1)从所述图像数据提取多个帧的功能；

(C2)从所述多个帧中确定所述高尔夫玩家处于预定姿势的检查帧的功能；

(C3)确定所述检查帧的所述高尔夫玩家的外形的功能；

(C4)从所述外形确定极值的功能；

(C5)从所述极值确定特征点的功能；以及

(C6)使用所述特征点的位置信息来诊断所述挥杆的功能。

较佳地，诊断系统的计算部具有使所述图像数据经受照相机抖动校正的功能。

在根据本发明的方法中，从外形确定极值。从极值确定特征点。使用特征点的位置信息来诊断高尔夫挥杆的品质。通过使用极值和特征点，可以容易地和准确地诊断高尔夫挥杆的品质。

附图说明

图1是显示根据本发明的一个实施例的挥杆诊断系统的概念图。

图2是显示由图1的系统实施的高尔夫挥杆的诊断方法的流程图；

图3是显示图1的照相机的屏幕的说明图；

图4是显示检查帧的确定方法的流程图；

图5是显示确定瞄准击球的帧的方法的流程图；

图6是用于索贝尔（Sobel）算法的说明图；

图7是二值图像；

图8是显示确定撞击的帧的方法的流程图；

图9A是显示第44个帧和基准帧之间的差分的结果的图像；图9B是显示第62个帧和基准帧之间的差分的结果的图像；图9C是显示第75个帧和基准帧之间的差分的结果的图像；图9D是显示第76个帧和基准帧之间的差分的结果的图像；图9E是显示第77个帧和基准帧之间的差分的结果的图像；图9F是显示第78个帧和基准帧之间的差分的结果的图像；

图10是显示差分值的图表；

图11是显示确定顶部的帧的方法的流程图；

图12是显示差分值的图表；

图13是显示确定向后拉杆的预定位置的帧的方法的流程图；

图14A是显示第30个帧和基准帧之间的差分的结果的图像；图14B是显示第39个帧和基准帧之间的差分的结果的图像；图14C是显示第41个帧和基准帧之间的差分的结果的图像；图14D是显示第43个帧和基准帧之间的差分的结果的图像；图14E是显示第52个帧和基准帧之间的差分的结果的图像；图14F是显示第57个帧和基准帧之间的差分的结果的图像；

图15是显示通过轮廓提取来确定外形的方法的流程图；

图16是用于显示图15的轮廓提取的掩模(mask)的说明图；

图17是显示图15的轮廓提取的一些步骤的细节的流程图；

图18是某个像素的辉度直方图；

图19是另一个像素的辉度直方图；

图20是又一个像素的辉度直方图；

图21是图18的像素的颜色直方图；

图22是图19的像素的颜色直方图；

图23是图20的像素的颜色直方图；

图24是显示图15的方法的判定步骤的第一阶段的流程图；

图25是显示图15的方法的判定步骤的第二阶段的流程图；

图26是显示图15的方法的判定步骤的第三阶段的流程图；

图27是用于显示在图15的方法中获得的轮廓的说明图；

图28是用于显示图27的轮廓的外形的说明图；

图29是使用特征点的判定方法的流程图；

图30是用于从瞄准击球的外形确定特征点的说明图；

图31是用于从瞄准击球的外形确定另一个特征点的说明图；

图32是用于从瞄准击球的外形确定又一个特征点的说明图；

图33是用于从瞄准击球的外形确定又一个特征点的说明图；

图34是用于从瞄准击球的外形确定又一个特征点的说明图；

图35是用于从瞄准击球的外形确定又一个特征点的说明图；

图36是用于从瞄准击球的外形确定又一个特征点的说明图；

图37是用于从向后拉杆期间的预定位置的外形确定特征点的说明图；

图38是用于从向后拉杆期间的预定位置的外形确定另一个特征点的说明图；

图39是用于从向后拉杆期间的预定位置的外形确定又一个特征点的说明图；

图40是用于从顶部的外形确定特征点的说明图；

图41是用于从顶部的外形确定另一个特征点的说明图；

图42是用于确定顶部的外形确定又一个特征点的说明图；

图43是用于从撞击的外形确定特征点的说明图；

图44是用于从撞击的外形确定另一个特征点的说明图；

图45是用于从瞄准击球的外形判定挥杆的说明图；和

图46是用于从经受差分处理的图像确定特征点的说明图。

具体实施方式

在下文中，将参考附图，基于较佳实施例，以下详细描述本发明。

图1中显示的诊断系统2设置有移动电话4和服务器6。移动电话4和服务器6借助于通信线路8彼此连接。移动电话4被设置有照相机10、存储器12和发送/接收部14。存储器12的具体实例包含RAM、SD卡（包含小型SD和微型SD等等）及其他存储介质。服务器6被设置有计算部16、存储器18以及发送/接收部20。计算部16典型地是CPU。

在图2中显示由图1的系统2实施的高尔夫挥杆的诊断方法的流程图。在该诊断方法中，由照相机10实施拍摄（步骤1）。在图3中显示开始拍摄之前的屏幕。该屏幕被展示在移动电话4的监视器（未显示）上。具有高尔夫球杆22的高尔夫玩家24的瞄准击球被拍摄在该屏幕上。在该屏幕上，从后侧拍摄该高尔夫玩家24。第一方框26和第二方框28被显示在该屏幕上。这些方框26和28通过在移动电话4的CPU（未显示）上执行的软件被展示。方框26和28有助于摄影者确定照相机10的角度的情况。摄影者确定照相机10的角度，以使第一方框26包含手柄30并且第二方框28包含头部32。此外，方框26和28有助于确定照相机10和高尔夫玩家24之间的距离。

从图3中显示的状态开始拍摄。在开始拍摄之后，高尔夫玩家24开始挥杆。继续拍摄，直到高尔夫球（未显示）被击打并且挥杆结束为止。通过拍摄获得移动图像数据。该数据包含大量帧。这些帧被存储在存储器12中（步骤2）。每个帧的像素数例如是640×480。每个像素具有RGB系统颜色信息。

摄影者或者高尔夫玩家24操作移动电话4，以将移动图像数据发送到服务器6（步骤3）。数据从移动电话4的发送/接收部14被发送到服务器6的发送/接收部20。借助于通信线路8来实施该发送。该数据被存储在服务器6的存储器18中（步骤4）。

计算部16实施照相机抖动校正（步骤5）。如稍后描述的，根据本发明的诊断方法实施帧之间的差分处理。照相机抖动校正提高了差分处理中的精确度。在帧之间转移特征点。照相机抖动校正增加了特征点的位置的精确度。在日本专利申请第2011-78066号公报中公开了用于照相机抖动校正的方法的实例。当移动电话4具有充分的照相机抖动校正功能时，可以省略由计算部16实施的照相机抖动校正。

计算部16从大量帧中确定为了判定挥杆的品质而呈现的帧（步骤6）。在下文中，该帧被称为检查帧。例如，提取对应于以下项目（1）到（6）的帧：

(1)瞄准击球

(2)在向后拉杆期间的预定位置

(3)顶部

(4)回击

(5)撞击

(6)最后阶段

在向后拉杆期间的预定位置包含手臂是水平的位置。回击意味着紧接在向下挥杆开始之后的状态。在回击中，手臂基本上是水平的。将稍后描述检查帧的提取步骤（步骤6）的细节。

计算部16在每个检查帧中确定拍摄对象的外形（步骤7）。具体地，计算部16确定高尔夫玩家24的身体的外形或者高尔夫玩家24的身体的外形和高尔夫球杆22的外形。计算部16基于该外形来判定挥杆的品质（步骤8）。

该判定结果从服务器6的发送/接收部20被发送到移动电话4的发送/接收部14（步骤9）。该判定结果被展示在移动电话4的监视器上（步骤10）。观看监视器的高尔夫玩家24可以知道挥杆中应当被校正的部分。系统2能够有助于提高高尔夫玩家24的技巧。

如上所述，计算部16确定检查帧（步骤6）。计算部16具有以下功能：

（1）获得从图像数据提取的帧的边缘图像的功能；

（2）基于预定阈值使边缘图像经受二值化以便获得二值图像的功能；

（3）使二值图像经受霍夫变换处理以便提取高尔夫球杆22的柄的位置、并且指定高尔夫球杆22的顶端坐标的功能；

（4）对比不同帧的顶端坐标以便确定瞄准击球时的临时帧的功能；

（5）通过从临时帧之后的第预定数量个帧开始反向发送来计算每个帧的基准区域中的颜色信息、以及基于颜色信息的变化来确定瞄准击球时的帧的功能；

（6）使用瞄准击球时的帧之后的第预定数量个帧作为基准帧、计算基准帧之后的每个帧和该基准帧之间的差分值、以及基于该差分值的变化确定撞击的帧的功能；

(7)计算撞击的帧之前的多个帧中的每个帧和它前一帧之间的差分值、以及基于该差分值确定顶部的帧的功能；

（8）计算瞄准击球的帧之后的多个帧中的每个帧和瞄准击球的帧之间的差分值的功能；

（9）使每个帧的差分值经受霍夫变换处理，以便提取柄的位置的功能；和

（10）基于柄的位置的变化，确定向后拉杆期间的预定位置的帧的功能。

图4中显示检查帧的确定方法的流程图。该确定方法包含确定瞄准击球的帧的步骤（步骤61）、确定撞击的帧的步骤（步骤62）、确定顶部的帧的步骤（步骤63）、确定向后拉杆的预定位置的帧的步骤（步骤64）、和确定最后阶段的帧的步骤（步骤65）。向后拉杆的预定位置例如是手臂是水平的位置。可以省略确定最后阶段的帧的步骤（步骤65）。

确定最后阶段的帧的步骤（步骤65）例如可以将撞击的帧之后的第预定数量个帧确定作为最后阶段的帧。确定最后阶段的帧的步骤（步骤65）可以与确定顶部的帧的步骤（步骤63）相同。

可以基于由图4中显示的方法确定的帧来确定其他检查帧。例如，撞击的帧之前的第预定数量个帧可以被限定为回击的帧。

图5中显示用于确定瞄准击球的帧的方法的流程图。在该方法中，每个帧从RGB图像被转换成为灰度级图像（步骤611）。为了便于随后的边缘检测，实施该转换。例如，通过以下数值表达式来计算灰度级图像中的值V。

V=0.30·R+0.59·G+0.11·B

从灰度级图像检测该边缘，并且获得边缘图像（步骤612）。在该边缘中，值V的变化是大的。因此，通过对值V的变化进行微分或者进行差分来检测该边缘。在微分或者差分的计算过程中较佳地除去噪音。索贝尔（Sobel）算法被示范作为检测边缘的方法的实例。可以通过其他方法来检测该边缘。普里威特（Prewitt）算法被示范作为其他方法。

图6是用于索贝尔算法的说明图。图6中的字符A到I代表像素的值V。通过索贝尔算法，从值E计算值E’。该值E’是边缘强度。通过以下数值表达式获得该值E’。

E’=(f_x ²+f_y ²)^1/2

在该数值表达式中，通过以下数值表达式来获得f_x和f_y。

f_x=C+2·F+I-(A+2·D+G)

f_y=G+2·H+I-(A+2·B+C)

边缘图像的每个像素被二值化（步骤613）。根据天气和时间等等，适当地确定用于二值化的阈值。通过二值化获得黑白图像。在图7中显示该黑白图像的实例。

黑白图像的数据被呈现用于霍夫变换（步骤614）。霍夫变换是使用几何形状的规则性，从图像提取线的方法。直线、圆圈和椭圆等等可以通过霍夫变换被提取。在本发明中，通过霍夫变换提取对应于高尔夫球杆22的柄的直线。

直线可以由垂直于该直线的线和x轴之间的角度θ、以及该直线和原点之间的距离ρ表示。角度θ是以原点（0，0）为中心的顺时针的角度。原点在左上方。x-y平面上的直线对应于θ-ρ平面上的点。另一方面，x-y平面上的点（x_i，y_i）在θ-ρ平面上被转换成为由以下数值表达式表示的正弦曲线。

ρ=x_i·cosθ+y_i·sinθ

当在x-y平面上，相同的直线上的点被转换到θ-ρ平面时，所有的正弦曲线在一个点交叉。当在θ-ρ平面中，大量正弦曲线通过的点变得明确时，对应于该点的x-y平面上的直线变得明确。

尝试通过霍夫变换来完成对应于柄的直线的提取。在向后拉杆中的柄是水平的帧中，柄的轴线方向大致与照相机10的光轴一致。在该帧中，不能提取对应于柄的直线。在该实施例中，ρ没有被指定；θ被指定为30度以上以及60度以下；x被指定为200以上以及480以下；并且y被指定为250以上以及530以下。因此，尝试直线的提取。因为θ被指定为该范围，所以对应于直立的杆子的直线没有被提取。对应于放置在地上并且在水平方向上延伸的物体的直线同样没有被提取。通过将θ指定为30度以上以及60度以下，防止没有对应于柄的直线被误识别为对应于柄的直线。在该实施例中，在投票数（一条直线通过的像素的数量）等于或者大于150的直线中，具有最多投票数的直线被认为是对应于该柄的直线。在对应于该柄的直线通过霍夫变换被提取的帧中，获得柄的顶端坐标（直线的顶端位置）（步骤615）。

在该实施例中，通过从开始拍摄之后的第50个帧开始反向发送来获得该顶端坐标。与前后帧两者之间的顶端的移动距离等于或小于预定值的帧被确定为瞄准击球的临时帧（步骤616）。在该实施例中，顶端在第二方框28（参见图4）中并且第（f-1）个到第（f+2）个的移动距离的总和等于或者小于40的第f个帧被定义为临时帧。

计算临时帧前后的多个帧的SAD（颜色信息）（步骤617）。通过以下数值表达式（1）计算SAD。

SAD=(RSAD+GSAD+BSAD)/3…(1)

在数值表达式（1）中，通过以下数值表达式（2）来计算RSAD；通过以下数值表达式（3）来计算GSAD；并且通过以下数值表达式（4）来计算BSAD。

RSAD=(Rf1-Rf2)²…(2)

GSAD=(Gf1-Gf2)²…(3)

BSAD=(Bf1-Bf2)²…(4)

在数值表达式（2）中，Rf1表示第f个第二方框28中的R值；Rf2表示第（f+1）个第二方框28中的R值。在数值表达式（3）中，Gf1表示第f个第二方框28中的G值；并且Gf2表示第（f+1）个第二方框28中的G值。在数值表达式（4）中，Bf1表示第f个第二方框28中的B值；以及Bf2表示第（f+1）个第二方框28中的B值。

通过从临时帧之后的第预定数量个帧开始反向发送来计算每个帧的SAD。在该实施例中，计算从临时帧之后的第7个帧到临时帧之前的第10个帧的SAD。SAD最初小于50的帧被确定为瞄准击球的真实帧（步骤618）。该帧是检查帧。当SAD小于50的帧不存在时，SAD最小的帧被确定为瞄准击球的真实帧。

在图8中显示用于确定撞击的帧的方法的流程图。因为已经确定了瞄准击球的帧，所以瞄准击球的帧之后的第预定数量个帧被确定为基准帧（步骤621）。该基准帧是高尔夫球杆22没有被反映在第二方框28中的撞击之前的帧。在该实施例中，瞄准击球的帧之后的第25个帧被定义为基准帧。

在该基准帧和该基准帧之后的每个帧之间实施差分处理（步骤622）。差分处理是已知的一种图像处理的处理。在图9A到9F中显示差分图像。图像的细节如下。

图9A：第44个帧和基准帧之间的差分图像

图9B：第62个帧和基准帧之间的差分图像

图9C：第75个帧和基准帧之间的差分图像

图9D：第76个帧和基准帧之间的差分图像

图9E：第77个帧和基准帧之间的差分图像

图9F：第78个帧和基准帧之间的差分图像

对于差分处理之后的图像，计算第二方框28中的差分值（步骤623）。在图10的图表中显示该差分值。该图表显示第77个帧的差分值是最大的。第77个帧被确定为撞击的帧（步骤624）。该帧是检查帧。

在图11中显示用于确定顶部的帧的方法的流程图。已经确定了撞击的帧。实施从撞击的帧到该撞击之前的第预定数量个帧的差分处理（步骤631）。在该帧和该帧之后的第1个帧之间实施差分处理。通过差分处理获得差分值。在图12中显示该差分值。在该实施例中，在撞击之前的第15个帧和撞击的帧之间，选择差分值是最小的帧（步骤632）。在图12的实例中，第77个帧是撞击的帧；并且第65个帧是顶部的帧。第65个帧是检查帧。

在图13中显示用于确定向后拉杆的预定位置的方法的流程图。已经确定了瞄准击球的帧。实施瞄准击球的帧之后的帧的差分处理（步骤641）。瞄准击球的帧被用作基准帧，并且在该基准帧和其他帧之间实施差分处理。在图14A到14F中显示差分图像。图像的细节如下。

图14A：第30个帧和基准帧之间的差分图像

图14B：第39个帧和基准帧之间的差分图像

图14C：第41个帧和基准帧之间的差分图像

图14D：第43个帧和基准帧之间的差分图像

图14E：第52个帧和基准帧之间的差分图像

图14F：第57个帧和基准帧之间的差分图像

在这些差分图像中，纵向y的像素数是640，并且横向x的像素数是480。这些差分图像经受霍夫变换（步骤642）。可以通过霍夫变换来计算对应于柄的直线。在每个差分屏幕中，判定满足以下条件的直线的存在或者不存在（步骤643）。

θ：5度以上以及85度以下

ρ：没有指定

x：0以上以及240以下

y：0以上以及320以下

投票数：等于或大于100

在从中提取满足这些条件的直线的帧中，柄位于高尔夫玩家24的腰部的左侧。瞄准击球的帧之后的帧（在下文中，称为“匹配帧”）是检查帧，最初从瞄准击球的帧之后的帧提取满足这些条件的直线。在匹配帧之后的第预定数量个帧可以被确定为检查帧。在匹配帧之后的第2个帧中，已经根据经验明确了用右手的高尔夫玩家24的左手臂几乎是水平的。

计算部16从该检查帧确定外形（步骤7）。在图15中显示用于从检查帧确定外形的流程图。计算部16对于每个像素产生包含所有帧的全部帧集合（步骤71）。计算部16确定每个帧的每个像素是否是无彩色或者彩色，并且对于每个像素产生彩色帧集合和无彩色帧集合（步骤72）。

计算部16对于全部帧集合产生辉度直方图（步骤73）。在辉度直方图中，频率是帧数并且等级是辉度（第一颜色信息）。可以基于另一个颜色信息生产辉度直方图。计算部16对于彩色帧集合和无彩色帧集合产生颜色直方图（第二直方图）（步骤74）。在该颜色直方图中，频率是帧数；用于彩色帧集合的等级是色调（第二颜色信息）；并且用于无彩色帧集合的等级是辉度（第三颜色信息）。用于彩色帧集合的等级可以是除了色调以外的颜色信息。用于无彩色帧集合的等级可以是除了辉度以外的颜色信息。

计算部16基于辉度直方图和颜色直方图，判定每个像素的每个帧是否是背景或者拍摄对象（步骤75）。以下，将详细地描述主要步骤的实例。

在该实施例中，图16中显示的掩模36被设定在第一帧中。从图16显而易见的是，掩模36包含图3中显示的高尔夫玩家24和高尔夫球杆22。掩模36的外边缘在高尔夫玩家24的外边缘之外，并且在高尔夫球杆22的外边缘之外。在确定每个像素是否是无彩色或者彩色的过程中，包含在掩模36中的像素不是计算的对象。

在图17的流程图中，显示了确定每个像素是否是无彩色或者彩色、以及对于每个像素产生无彩色帧集合和彩色帧集合的步骤（步骤72）的细节。

在该方法中，计算像素的色度值sf（步骤721）。例如，当基于第一个帧到第60个帧的六十个帧来提取轮廓时，每一个像素的辉度值sf的数量是60。

判定六十个辉度值sf中的每个是否小于阈值θs。阈值θs可以被适当地确定。本发明人使用的阈值θs是0.15。换句话说，辉度值sf小于0.15的像素的颜色被认为是无彩色或者实质上的无彩色。通过辉度值sf小于阈值θs的帧来获得最初的无彩色帧集合Fm（步骤722）。

计算不属于无彩色帧集合Fm的帧f中的像素的颜色矢量Cf和集合Fm之间的最小颜色距离d（Cf）（步骤723）。基于以下的数值表达式实施该计算。

$d\left(c_f\right)=\underset{n\∈F^M}{\min }\left(\sqrt{(c_f-c_n){(c_f-c_n)}^T}\right)$

基于该数值表达式，检索当无彩色帧集合Fm中的帧f和n之间的颜色距离是最小时的n。

判定获得的d（Cf）是否小于阈值θd（步骤724）。阈值θd可以被适当地确定。本发明人使用的阈值θd是3.0。换句话说，d（Cf）小于3.0的像素的颜色被认为是无彩色或者实质上的无彩色。当d（Cf）小于阈值θd时，帧被添加到无彩色帧集合Fm（步骤725）。通过添加来更新无彩色帧集合Fm。当d（Cf）等于或大于阈值θd时，该帧被区分为彩色帧集合（步骤726）。重复该流程，直到完成所有的帧被区分为彩色和无彩色为止。

对于除了掩模36之外的所有像素，实施图17中显示的流程。例如，当除了掩模36之外的像素的数量是150000、并且帧的数量是60时，计算9000000（150000×60）的辉度值sf。

计算部16对于全部帧集合产生辉度直方图（步骤73）。在图18中显示用于某个像素的辉度直方图的实例。在该辉度直方图中，等级是辉度。该直方图包含1到100的100个等级。在该直方图中，频率是帧数。该频率可以经受平滑处理。在图19中显示另一个像素的辉度直方图的实例。在图20中显示又一个像素的辉度直方图的实例。在每个辉度直方图中，帧的总数是98。

计算部16对于彩色帧集合和无彩色帧集合产生颜色直方图（步骤74）。在图21中显示用于某个像素的颜色直方图的实例。通过组合彩色帧集合的直方图与无彩色帧集合的直方图，获得该颜色直方图。在该颜色直方图中，彩色帧集合的等级是色调。色调的等级包含1到100的100个等级。在该颜色直方图中，无彩色帧集合的等级是辉度。辉度的等级包含1到100的100个等级。等级的总数是200。在该颜色直方图中，频率是帧数。该频率可以经受平滑处理。在图22中显示另一个像素的颜色直方图的实例。在图23中显示又一个像素的颜色直方图的实例。在每个颜色直方图中，帧的总数是98。

基于辉度直方图和颜色直方图，判定每个像素是否是背景或者拍摄对象（步骤75）。该判决由计算部16实施。该判定包含第一阶段、第二阶段和第三阶段。在下文中，将详细地描述这些阶段。

图24是显示第一阶段的流程图。对于每个像素实施第一阶段。在第一阶段中，首先判断是否满足条件1（步骤7511）。该条件1如下。

条件1：在辉度直方图中，所有的帧被包含在等级宽度等于或小于20的范围中。

除了“20”以外的值也可以被用作等级宽度。

在图18的辉度直方图中，所有的帧被包含在辉度是12到19（也就是说，宽度是8）的范围中。因此，该辉度直方图满足条件1。在图19的辉度直方图中，等级的最小值是12，而且它的最大值是72。因此，该辉度直方图不满足条件1。在图20的辉度直方图中，等级的最小值是13，而且它的最大值是77。因此，该辉度直方图不满足条件1。

接下来，判断是否满足条件2（步骤7512）。该条件2如下。

条件2：在颜色直方图中，所有的帧被包含在等级宽度等于或小于20的范围中。

除了“20”以外的值也可以被用作等级宽度。

图21是用于图18的像素的颜色直方图。图22是用于图19的像素的颜色直方图。图23是用于图20的像素的颜色直方图。在图21的颜色直方图中，所有的帧被包含在色调是59到66（也就是说，宽度是7）的范围中。因此，该颜色直方图满足条件2。在图22的颜色直方图中，色调的等级的最小值是40，而且它的最大值是65。此外，在图22的直方图中，辉度的等级具有频率。因此，该颜色直方图不满足条件2。在图23的颜色直方图中，色调的等级的最小值是16，而且它的最大值是64。此外，在图23的直方图中，辉度的等级具有频率。因此，该颜色直方图不满足条件2。

在图18和21中显示的像素中，辉度直方图满足条件1，并且颜色直方图满足条件2。当高尔夫玩家24挥杆时，高尔夫玩家24移动。由于该运动，高尔夫玩家24和背景两者都可以以像素被拍摄。当高尔夫玩家24和背景两者都被拍摄时，像素的辉度或者色调波动。满足条件1和2两者的像素是辉度和色调的波动小的像素。换句话说，认为高尔夫玩家24没有在第一个帧和最后的帧之间以像素被拍摄。在所有的帧中，满足条件1和2的像素被判定为“背景”（步骤7513）。

具有相同辉度的彩色和无彩色不能在该辉度直方图中被区分，但是可以在颜色直方图中被区分。具有相同色调和不同辉度的两种彩色不能在颜色直方图中被区分，但是可以在辉度直方图中被区分。当在根据本发明的轮廓提取方法中满足条件1和2两者时，在所有的帧中，像素被判定为“背景”。换句话说，通过考虑辉度直方图和颜色直方图两者来实施判定。因此，不是背景的像素几乎从未被误识别为背景。

甚至在第一个帧和最后的帧之间仅仅拍摄高尔夫玩家24的像素也可以满足条件1和2。然而，如上所述，因为高尔夫玩家24通过掩模36而受到屏蔽，所以在所有的帧中，满足条件1和2的像素可以被判定为“背景”。

在第一个帧和最后的帧之间拍摄高尔夫玩家24和背景两者的像素并不满足条件1或者2。不满足条件1或者2的像素的判定被留待至第二阶段。

在下文中，将详细地描述第二阶段。在第一阶段中，判断为“拍摄高尔夫玩家24和背景两者”的像素在第二阶段中被进一步考虑。图25是显示第二阶段的流程图。对于每个像素实施该第二阶段。在第二阶段中，首先判断是否满足条件3（步骤7521）。该条件3如下。

条件3：在辉度直方图中，等级宽度等于或小于20的范围包含60％以上的所有帧。

除了“20”以外的值也可以被用作等级宽度。除了“60％”以外的值也可以用作比率。

在图19的辉度直方图中，辉度是12到19（也就是说，宽度是8）的范围包含80个（亦即，81.6％的）帧。因此，满足条件3。在图20的辉度直方图中不满足条件3。

接下来，判断是否满足条件4（步骤7522）。该条件4如下。

条件4：在颜色直方图中，等级宽度等于或小于20的范围包含60％以上的所有帧。

除了“20”以外的值也可以被用作等级宽度。除了“60％”以外的值也可以被用作比率。

在图22的颜色直方图中，辉度是59到65（也就是说，宽度是7）的范围包含72个（亦即，73.5％的）帧。因此，满足条件4。在图23的颜色直方图中不满足条件4。

在图19和22中显示的像素中，辉度直方图满足条件3，并且颜色直方图满足条件4。当等级宽度等于或小于20的范围包含60％以上的所有帧时，认为辉度或者色调的波动在该等级宽度中的帧群的像素中是小的。另一方面，该等级宽度之外的帧群的像素的辉度或者色调被认为与该等级宽度中的帧的像素的辉度或者色调非常地不同。从现象上，认为在第一个帧和最后的帧之间，背景主要以像素被拍摄，并且高尔夫玩家24的人体被临时地拍摄。对于满足条件3和4的像素，在等级宽度中的帧被判定为“背景”，并且其他帧被判定为“拍摄对象”（步骤7523）。

具有相同辉度的彩色和无彩色不能在该辉度直方图中被区分，但是可以在颜色直方图中被区分。具有相同色调和不同辉度的两种彩色不能在颜色直方图中被区分，但是可以在辉度直方图中被区分。在根据本发明的轮廓提取方法中，基于条件3和4两者来实施判定。换句话说，通过考虑辉度直方图和颜色直方图两者来实施判定。因此，抑制了误识别。

呈现如图20和23所示直方图的像素的判定被留待至第三阶段。

在下文中，将详细地描述第三阶段。留待在第二阶段中的像素以及对应于掩模36的像素在第三阶段中被进一步考虑。在下文中，已经实施“背景”或者“拍摄对象”的判定的像素被称为“判定完成像素”。另一方面，还没有实施“背景”或者“拍摄对象”的判定的像素被称为“判定未完成像素”。

图26是显示第三阶段的流程图。在第三阶段中，对于判定未完成像素产生距离图像dxy（步骤7531）。通过将深度数据添加到二维数据来获得距离图像dxy。在此，深度数据是到边界的距离。

当阈值θd的初始值是1时，考虑判定完成像素是否存在于dxy小于θd的判定未完成像素附近的八个位置（步骤7532）。在此，“判定未完成像素附近的八个位置”意指位于该判定未完成像素的左面位置、左上方位置、上方位置、右上方位置、右面位置、右下方位置、下方位置以及左下方位置的八个像素。

当判定完成像素完全不存在于判定未完成像素附近的八个位置时，在所有的帧中，该像素被判定为“拍摄对象”（步骤7533）。当一个或者两个以上的判定完成像素存在于判定未完成像素附近的八个位置时，判断是否满足以下的条件5（步骤7534）。该条件5如下。

条件5：满足以下数式的帧群存在于辉度直方图中。

min(LQ)>min(LB)-θw

max(LQ)<max(LB)+θw

在这些数值表达式中，min（LQ）是判定未完成像素的辉度直方图中的帧群的等级宽度的最小值；max（LQ）是判定未完成像素的辉度直方图中的帧群的等级宽度的最大值；min（LB）是作为存在于判定未完成像素附近的八个位置的一个判定完成像素的辉度直方图中的背景的帧群的等级宽度的最小值；max（LB）是作为存在于判定未完成像素附近的八个位置的一个判定完成像素的辉度直方图中的背景的帧群的等级宽度的最大值。θw被适当地设定。本发明人使用6作为θw。

当一个或者两个以上的判定完成像素存在于判定未完成像素附近的八个位置时，进一步判断是否满足以下条件6（步骤7535）。该条件6如下。

条件6：满足以下数值表达式的帧群存在于颜色直方图中。

min(CQ)>min(CB)-θw

max(CQ)<max(CB)+θw

在这些数值表达式中，min（CQ）是判定未完成像素的颜色直方图中的帧群的等级宽度的最小值；max（CQ）是判定未完成像素的颜色直方图中的帧群的等级宽度的最大值；min（CB）是作为存在于判定未完成像素附近的八个位置的一个判定完成像素的颜色直方图中的背景的帧群的等级宽度的最小值；以及max（CB）是作为存在于判定未完成像素附近的八个位置的一个判定完成像素的颜色直方图中的背景的帧群的等级宽度的最大值。θw被适当地设定。本发明人使用6作为θw。

满足条件5和6的帧群的像素被判定为“背景”。不满足条件5和6的帧群的像素被判定为“拍摄对象”（步骤7536）。当在与判定完成像素的关系中不满足条件5或者6、并且其他判定完成像素存在于判定未完成像素附近的八个位置时，在与其他判定完成像素的关系中判断是否满足条件5和6。

在对于所有的判定未完成像素完成条件5和6的考虑之后，“1”被加到θd（步骤7537）。从判定完成像素是否存在于判定未完成像素附近的八个位置的考虑（步骤7532）到判定（步骤7536）的流程被重复。实施该重复，直到θd达到θdmax为止。θdmax是距离图像中的最大值。

通过该流程，所有帧的所有像素被区分为“背景”和“拍摄对象”中的任何一个。在每个帧中，作为拍摄对象的像素的集合是拍摄对象的轮廓。在图27中显示被指定为瞄准击球的帧的轮廓。在图27中，由黑色显示拍摄对象的像素，由白色显示其他的像素。从图27显而易见的是，通过该方法，拍摄对象的外形几乎被如实地再现。

在图28中显示了图27的轮廓和背景之间的边界。该边界是拍摄对象（高尔夫玩家24）的外形。图28显示瞄准击球中的高尔夫玩家24的外形。计算部16基于该外形来判定挥杆的品质（步骤8）。

在图29中显示了用于从拍摄对象的外形判定挥杆的流程图。该计算部16从外形确定特征点（步骤81）。该特征点是表现诸如高尔夫玩家24或者高尔夫球杆22的拍摄对象的部位的点。该特征点是表现用于判定的拍摄对象的部位的点。具体地，计算部16确定用于判断诸如脖子的根部、腰部、膝关节或者肘部的高尔夫玩家24的姿势的特征点、以及用于判断诸如高尔夫球杆22的手柄端的高尔夫球杆的位置的特征点。该计算部16获得特征点的位置信息（步骤82）。计算部16从该位置信息来判定挥杆的品质（步骤83）。

将参考图30描述用于确定瞄准击球中的脖子的根部的特征点的方法。瞄准击球的帧包含480×640的像素。在图30中，该帧被表现为x-y坐标，该x-y坐标以左上端的点P0（0，0）为原点，每个像素为一个单位。右上端是点P1（479，0）；左下端是点P2（0，639），以及右下端是点P3（479，639）。在图30中设置头部搜索区域38。图30的点P101表现从右上端的点P1开始最接近外形上的点。当外形上的点以及点P1和该点之间的距离被用作函数时，该点P101是极值，其中该距离被最小化。在此，函数的最大值或者最小值被设定为极值。例如，具有采用x-y坐标上的最大值或者最小值的x值的外形上的点以及具有采用最大值或者最小值的y值的外形上的点两者都是极值。在某个点以及该某个点和线之间的距离的函数中，或者在某个点以及该某个点和另一个点之间的距离的函数中，引起最大化或者最小化距离的某个点是极值。点P101的x坐标的值被表现为x₁₀₁，而且y坐标的值被表现为y₁₀₁。类似地，点P102的x是x₁₀₂，并且y是y₁₀₂。在以下描述中，除非另有说明，每个点的x和y的值如点P101和点P102那样表现。

点P102是极值，其中x在头部搜索区域38中的构成外形的像素是最大值x₁₀₂。点P103是极值，其中y在头部搜索区域38中的构成外形的像素中是最小值y₁₀₃。头部搜索区域38是以点P101作为基点的预定范围。例如，该头部搜索区域是像素范围，在该像素范围中，x是x₁₀₁-30以上以及x₁₀₁+30以下，并且y是y₁₀₁-30以上以及y₁₀₁+30以下。点P101到点P103指定高尔夫玩家24的头部。可以从拍摄对象的部位的几何位置关系来限定预定范围。换句话说，基于极值和人体的部位的几何位置关系来设定该搜索区域。以下描述的另一个搜索区域的预定范围同样可以被类似地设定。

在图30中设置头后部搜索区域40。该头后部搜索区域40是以点P103作为基点的预定范围。点P104是极值，其中，在头后部搜索区域40中的构成外形的像素中，x的值是最小值x₁₀₄。点P104显示头后部的位置。点P104是从作为极值的点P101确定的基准点。例如，该头后部搜索区域40是像素范围，在该像素范围中，x是x₁₀₃-10以上x₁₀₃以下，并且y是y₁₀₃以上以及y₁₀₃+10以下。

点P105是极值，其中，该外形上的x的值是最小值x₁₀₅。点P105显示腰后部的位置。双点划线L101是通过作为基准点的点P104和作为极值的点P105的直线。计算直线L101和外形之间的距离。位于直线L101左侧的外形和直线L101之间的距离被限定为-（负的）。位于直线L101右侧的外形和直线L101之间的距离被限定为+（正的）。外形上的点被限定为点P106，其中，外形上的该点和直线L101之间的距离被最大化。点P106显示脖子的根部的特征点。

将参考图31描述用于确定手柄端的特征点的的方法。图31的直线L102显示柄线。通过使顶部的帧和瞄准击球的帧经受差分处理而获得柄线L102。在该差分处理之后通过霍夫变换获得该柄线L102。通过在图27的轮廓上层叠该柄线L102而获得图31。

在图31中设置手柄端搜索区域42。例如，第一方框26被用于手柄端搜索区域42。点P109和点P110显示外形和柄线L102之间的交点。在该手柄端搜索区域42中，具有小的x值的交点被限定为手柄端。在图31中，x₁₀₉小于x₁₁₀。该点P109被限定为手柄端。

在手柄端的特征点的确定过程中，外形和柄线L102之间的交点的数量可以是1。例如，它是手部和腹部互相形成为一体的轮廓的情况。在这种情况下，检测到一个点。当没有检测到两个点时，判定手柄端没有被检测到。可以利用从诊断处理排除的一个点来诊断挥杆。

将参考图32描述用于确定右膝盖点和右膝关节的特征点的方法。在图32中设置脚后跟搜索区域44。该脚后跟搜索区域44是以点P105为基点的预定范围。例如，该脚后跟搜索区域44是像素范围，在该像素范围中，x是x₁₀₅以上479以下，并且y是y₁₀₅以上以及639以下。点P111是在脚后跟搜索区域44中的外形上的点。点P111是最接近点P2的点，并且是极值。该点P111显示脚后跟。

双点划线L103是通过作为极值的点P105和作为极值的点P111的直线。在点P105到点P111的外形上的点与外形上的该点和直线L103之间的距离的函数中，点P112是极值，其中，距离被最大化。该点P112显示临时膝盖后部。从临时膝盖后部的点P112开始，使用贝济埃曲线（Beziercurve）来确定膝盖后部的特征点P113。

如图33所示，基于临时膝盖后部的点P112，在预定范围中设定控制点。在此，作为实例，利用贝济埃曲线，该外形在以等间隔布置的七个控制点Pc1到Pc7处被近似。控制点Pc1到Pc7是外形上的点。预定范围的上端点是点Pc1，并且它的下端点是点Pc7。在点P105和点P112之间，该外形被四等分。通过将该外形四等分，从点P105侧朝向点P112侧，中间点被限定为点Pc1，点Pc2和点Pc3。点P112被限定为点Pc4。点P112和点P111之间的外形被四等分。通过将该外形四等分，从点Pc4侧朝向点P111侧，中间点被限定为点Pc5，点Pc6和点Pc7。

例如，通过使用总评估值VAL来实施贝济埃曲线的近似。具体地，当在图33中显示的点Pc1到点Pc7的范围中，y值小于控制点Pc4的部分的评估值被限定为val（a），以及y值大于控制点Pc4的部分的评估值被限定为val（b）时，通过以下数值表达式来计算总评估值VAL。

VAL=(val(a)+val(b))-ABS(val(a)-val(b))

评估值val（a）是在点Pc1到点Pc4的范围中，贝济埃曲线和外形之间的差分的总值。评估值val（b）是在点Pc4到点Pc7的范围中，贝济埃曲线和外形之间的差分的总值。在此，ABS（val（a）-val（b））是评估值val（a）和评估值val（b）之间的差分的绝对值。

随着点Pc4被固定在点P105和点P111之间，设定点Pc1到点Pc7的多个实例。在多个实例中，当总评估值VAL被最大化时，贝济埃曲线被确定。当总评估值VAL被最大化时，贝济埃曲线最近似于该外形。

基于临时膝盖后部的点P112，在预定范围中设置临时特征点P112’。例如，该预定范围是像素范围，在该像素范围中，x的值x_112′是恒定的，并且y的值是y₁₂₂-20到y₁₁₂+30。值x_112′大于值x₁₁₂。因此，点P112’位于点Pc1到点Pc7的外形的x轴方向的+（正的）侧。点P112’的y值被增加和减少。点P112’上下移动，并且以点P112’为控制点，再次利用贝济埃曲线近似该外形。当总评估值VAL如贝济埃曲线中的近似那样被最大化时，贝济埃曲线最近似于该外形。从点P112’开始最靠近外形上的点被限定为膝盖后部的特征点P113，该点P112是当该贝济埃曲线被最近似时的控制点。

图32的双点划线L104是通过点P113的直线。双点划线L104是与直线L103正交的直线。点P114是直线L104和该外形之间的交点。点P114被限定为临时膝盖点。基于点P114，利用贝济埃曲线来近似该外形。如在特征点P113中，贝济埃曲线被近似为该外形以便确定特征点。如此，点P115被确定为膝盖点的特征点。

图32的点P116显示点P113和点P115的中点。点P116被限定为膝关节的特征点。基于人体的部位的几何位置关系来确定作为膝关节的特征点的点P116。

将参考图34描述用于确定右脚尖和脊椎线的特征点的方法。图34的双点划线L105是通过点P111的直线。该直线平行于x轴。点P117是直线L105和外形之间的交点。点P117是右脚尖的特征点。

图34的前腰搜索区域46是以点P105为基点的预定范围。前腰搜索区域46是像素范围，在该像素范围中，x是x₁₀₅以上以及x₁₁₇以下并且y是y₁₀₅以上以及y₁₁₄以下。点P118是外形上的点。点P118是极值，其中，点P118和点P105之间的距离被最小化。点P118是前腰的特征点。双点划线L106是通过点P105和P118的直线。点P119是直线L106上的点。当点P105和点P118之间的距离被限定为D1时，点P119离开点P105的距离为D1的1/3倍。点P119显示腰部的特征点。基于人体的部位的几何位置关系来确定点P119。双点划线L107是通过点脖子的根部的点P106和点P119的直线。直线L107是瞄准击球中的脊椎线。

将参考图34描述用于确定右大腿线的方法。图34的双点划线L108是通过点P119和点P116的直线。该直线L108是右大腿线。

将参考图35描述用于确定足底和右脚踝的特征点的方法。图35的点P120是直线L105上的点。当点P111和点P117之间的距离被限定为D2时，点P120是离开点P111的距离为D2的6/7倍的点。点P120显示足底的特征点。基于人体的部位的几何位置关系来确定点P120。

图35的点P121是直线L105上的点。点P121是离开点P111的距离是D2的3/8倍的点。点P121显示右脚踝的特征点。基于人体的部位的几何位置关系来确定点P121。

将参考图36描述用于确定右肩的特征点的方法。图36的直线L109是通过点P106和P109的直线。点P122是直线L109上的点。当点P106和点P109之间的距离被限定为D3时，点P122是离开点P106的距离为D3的3/8倍的点。双点划线L110是通过点P122并且沿着x轴的方向延伸的直线。点P123是直线L101和直线L110之间的交点。点P124是直线L110上的点。点P124位于点P122和点P123之间。当点P123和点P122之间的距离被限定为D4时，点P124是离开点P123的距离为D4的3/4倍的点。点P124显示右肩的特征点。基于人体的部位的几何位置关系来确定点P124。

如此，从高尔夫玩家24的外形来确定特征点。计算部16确定高尔夫玩家的脖子根部的特征点P106、右膝关节的特征点P116以及腰部的特征点P119等等。计算部16从这些特征点确定脊椎线（直线L107）以及大腿线（直线L108）等等。

将参考图37到39描述用于从向后拉杆期间的预定位置的高尔夫玩家24的外形确定特征点的方法。在图37中，高尔夫玩家24的好使的手臂处于水平的状态。如瞄准击球的外形那样，通过轮廓提取来获得外形。

将参考图37描述用于确定脖子的根部的特征点的方法。点P201、点P202、点P203、点P204、点P205以及直线L201如点P101、点P102、点P103、点P104、点P105以及直线L101那样被确定，并且在此省略它们的描述。

点P206是位于直线201左侧的轮廓S1部分的重心。直线L202是从点P206开始沿着y轴方向延伸的直线。点P207是直线L202和外形之间的交点，并且是基准点。点P207具有小于点P206的y值。直线L203是通过点P204和点P207的直线。点P208是位于点P204和点P207之间的外形上的点，其中，直线L203和点P208之间的距离被最大化。点P208显示脖子的根部的特征点。在向后拉杆中，难以像在瞄准击球的点P106中那样指定脖子的根部的特征点。这里，通过使用点P207作为基准点，容易地确定点P208。对于每个检查帧，拍摄对象的姿势是不同的。如此，确定了适合于不同姿势的极值、基准点和特征点。因此，可以容易地和准确地判定挥杆的品质。

将参考图38描述用于确定脊椎线的方法。点P209是前腰的特征点。如同前腰的特征点P118那样确定点P209，并且这里省略它的描述。直线L204是通过点P205和点P209的直线。点P210是直线L204上的点。当点P205和点P209之间的距离被限定为D5时，点P210是离开点P205的距离为D5的1/2倍的点。点P210显示腰部的特征点。基于人体的部位的几何位置关系来确定点P210。双点划线L205是通过点P208和点P210的直线。直线L205是脊椎线。

虽然如同点P105那样确定图38的点P205，但是代替点P205的另一个特征点也可以被确定。例如，包含点P205的外形上的多个点被确定作为基准点。利用最小二乘法，该外形被近似为多项式。在近似为多项式的近似线上并且具有最小x的点可以是特征点。通过使用代替作为极值的点P205的特征点，对应于点P210直线L204和直线L205的点和直线可以被指定。

将参考图39描述用于确定左脚尖的特征点方法。如同右脚尖的特征点P117那样确定右脚尖的特征点P211。包含点P211的右脚尖的外形被准备作为模板。包含点P211的模板与外形相匹配。与模板最相匹配的外形的部分被限定作为左脚尖。当实施匹配时，点P212是对应于点P211的位置的点。点P212显示左脚尖的特征点。这里，随着具有从特征点P211指定的相对位置的右脚尖的外形作为模板，该模板与左脚尖相匹配。与从右脚尖的模板指定的特征点P211相对应的位置的点被指定作为点P212。瞄准击球的右脚尖的特征点P117和包含该点P117的外形可以被用作模板。

图39的直线L206是通过点P212的直线。直线L206沿着x轴的方向延伸。直线L207显示柄线。通过使向后拉杆期间的预定位置的帧和瞄准击球的帧经受差分处理而获得柄线L207。在该差分处理之后通过霍夫变换获得该柄线L207。通过在图27的轮廓上层叠该柄线L207而获得图39。双点划线L208是柄线L207的延长线。点P213是直线L206和直线L208之间的交点。

图39的点P214显示了击打之前的球的中心位置的特征点。通过使撞击之前的帧和撞击之后的帧经受差分处理而获得击打之前的球的轮廓。例如，在球的轮廓中，点P214被获得作为x轴方向和y轴方向的中点。

将参考图40到42描述用于顶部的高尔夫玩家24的外形确定特征点的方法。如瞄准击球的外形那样，通过轮廓提取来获得外形。

将参考图40描述用于确定手腕的特征点的方法。点P301、点P302、点P303、点P304、点P305、直线L301以及直线L302分别如同点P204、点P208、点P205、点P209、点P210、直线L204以及直线L205那样被确定，并且在此省略它们的描述。包含点P204和点P208的头部的外形可以被准备作为模板，并且该模板可以被匹配。图40的外形可以与模板相匹配，并且对应于点P204和点P208的点可以分别被确定为点P301和点P302。

图40的手腕搜索区域48是以点P301为基点的预定范围。手腕搜索区域48是像素范围，在该像素范围中，x是0以上以及x₃₀₁以下，并且y是0以上以及y₃₀₅以下。点P306的y在手腕搜索区域48中是最小值。点P306是手部的特征点。点P307是从点P306沿着y轴的方向移动预定量的点。例如，点P307的y坐标的值y₃₀₇是y₃₀₆+10。点P307是手腕的特征点。基于人体的部位的几何位置关系来确定点P307。

将参考图41描述用于确定右肘和右手臂线的特征点的方法。点P308是是从点P305沿着y轴的方向移动预定量的点。例如，点P308的y坐标的值y₃₀₈是y₃₀₅-50。右肘搜索区域50是以点P301为基点的预定范围。右肘搜索区域50是像素范围，在该像素范围中，x是0以上以及x₃₀₁以下，并且y是0以上以及y₃₀₈以下。点P310的x在右肘搜索区域50中是最小值。点P311是从点P310沿着x轴的方向移动预定量的点。例如，点P311的x坐标的值x₃₁₁是x₃₁₀+10。点P311是右肘的特征点。基于人体的部位的几何位置关系来确定点P311。双点划线L302是通过点P307和点P311的直线。直线L302是右手臂线。

将参考图42描述用于确定左右膝盖点的特征点的方法。点P312是右膝盖后部的特征点。如同瞄准击球的点P113那样确定点P312。双点划线L303是从点P312沿着x轴的方向延伸的直线。点P313是直线L303和外形之间的交点。点P314的x在点P313周围是最大值。点P314是临时左膝盖点。基于点P314，利用贝济埃曲线来近似该外形。如在特征点P113中，贝济埃曲线被近似为该外形，并且确定特征点。如此，点P315被确定为左膝盖点的特征点。

虽然附图中没有显示，但是通过使用顶部的帧的边缘图像，腰部到右膝盖后部的区域的外形被线性地近似。例如，通过使用最小平方法来线性地近似该外形。图42的双点划线L304显示了该近似的直线。膝盖外形搜索区域52是以点P303为基点的预定范围。例如，该膝盖外形搜索区域52是像素范围，在该像素范围中，x是x₃₀₄-30以上以及x₃₀₄以下，并且y是y₃₀₃+35以上以及y₃₁₂以下。在边缘图像中，在膝盖外形搜索区域52中搜索几乎平行于直线L304的直线。直线L305显示了平行于在边缘图像中确定的直线L304的直线。点P316是直线L305和直线L303之间的交点。点P316显示右膝盖点的特征点。

代替确定直线L305，可以预先测量脚的宽度。利用膝盖点侧的脚的宽度的间隙，可以相对于直线L304画出平行线。平行线和直线L303之间的交点可以是右膝盖点的特征点。

在图43和44中显示从检查帧获得的撞击的高尔夫玩家24的外形。将参考图43和44描述用于从高尔夫玩家24的外形确定特征点的方法。通过轮廓提取获得外形。

图43的点P401、点P402、点P403、点P404、直线L401以及直线L402分别如同点P208、点P205、点P209、点P210、直线L204以及直线L205那样被确定，并且在此省略它们的描述。点P405是直线L401上的点。当点P404和点P403之间的距离被限定为D6时，点P405是离开点P404的距离为D6的1/2倍的点。从人体的部位的几何位置关系来确定点P405。在点P401的确定中，包含点P208的头部的外形可以被准备作为模板，并且该模板可以被匹配。图40的外形可以与模板相匹配，以将对应于点P208的点确定为点P401。

图43的右膝盖点搜索区域54是以前腰的特征点P403为基点的预定范围。例如，该预定范围是像素范围，在该像素范围中，x是x₄₀₃-30以上以及x₄₀₄+50以下，并且y是y₄₀₃以上以及y₂₁₂以下。在右膝盖点搜索区域54中具有x为最大值的点P406被限定为临时膝盖点。基于点P406，利用贝济埃曲线来近似该外形。如在特征点P113中，贝济埃曲线被近似为该外形，并且确定特征点。如此，点P407被确定为右膝盖点的特征点。

虽然附图中没有显示，但是通过使用撞击的帧的边缘图像，在从点P407沿x轴的负方向搜索边缘。当该边缘在高尔夫玩家24的轮廓的区域中时，边缘的位置被限定为点P408。点P408显示右膝盖后部的特征点。

在用于确定点P408的方法中，可以预先测量脚的宽度。可以利用离开点P407的脚的宽度的间隙来确定右膝盖后部的特征点P408。当边缘没有在高尔夫玩家24的轮廓的区域中被发现时，可以使用该方法。

双点划线L403是通过点P407和P408的直线。点P409位于直线L403上，并且位于点P407和点P408之间。当点P408和点P407之间的距离被限定为D7时，点P409是离开点P408的距离为D7的1/2倍的点。点P409是右膝关节的特征点。

双点划线L404是通过点P405和P409的直线。直线L404显示右大腿线。

将参考图44描述用于确定右脚踝和小腿线的特征点的方法。点P111是在瞄准击球中确定的脚后跟的特征点。点P410是脚尖的特征点。点P410使用瞄准击球的脚尖的特征点P117。可以从撞击的外形确定点P410。双点划线L405是通过点P111和点P410的直线。点P411是直线L405上的点。点P411位于点P111和点P410之间。当点P111和点P410之间的距离被限定为D8时，点P411是离开点P111的距离为D8的1/2倍的点。

脚后跟搜索区域56是以点P402为基点的预定范围。例如，该预定范围是像素范围，在该像素范围中，x是x₄₀₂以上以及x₄₁₁以下，并且y是y₄₀₂以上以及y₁₁₁-10以下。点P412是该外形上的点，其中，在脚后跟搜索区域56中，位于脚后跟搜索区域56的左下角的点P5和点412之间的距离被最小化。点P412显示脚后跟的特征点。双点划线L406是通过点P412和P410的直线。点P413是直线L406上的点。点P413位于点P412和点P410之间。当点P412和点P410之间的距离被限定为D9时，点P413是离开点P412的距离为D9的3/10倍的点。点P413显示右脚踝的特征点。双点划线L407是通过点P413和P409的直线。直线L407显示小腿线。

计算部16基于这些特征点以及从这些特征点确定的线来判定高尔夫玩家24的姿势的品质。基于多个不同的检查帧的特征点的位置以及从该特征点确定的线的位置，判定高尔夫玩家的姿势和挥杆的品质（步骤83）。

将参考图45，作为实例描述用于判定瞄准击球的品质的方法。图45的双点划线L502是平衡点线。双端箭头α1是脊椎线L107相对于水平方向的倾斜度。平衡点线L502是通过足底的特征点P120并且沿垂直方向延伸的直线。

例如，计算部16获得特征点的位置信息。从位置信息，在瞄准击球中计算以下判断指标E1到E4。

E1＝x₁₂₄-x₁₂₀

E2=x₁₁₅-x₁₂₀

E3=α1

E4=x₁₀₉-x₁₁₈

当判断指标E1在预定范围中时，计算部16判断右肩的位置靠近平衡点线L502。该计算部16判断右肩的位置是极好的。当判断指标E1在预定范围之外时，计算部16判断平衡是差的。在平衡差的瞄准击球中，击球容易不稳定。例如，该预定范围是-10以上以及+10以下。

类似地，当判断指标E2在预定范围中时，计算部16判断膝盖的位置靠近平衡点线L502。该计算部16判断膝盖的位置是极好的。当判断指标E2在预定范围之外时，计算部16判断平衡是差的。在平衡差的瞄准击球中，击球容易不稳定。例如，该预定范围是-10以上以及+10以下。

判断指标E3是脊柱角度。当判断指标E3在预定范围中时，计算部16判断脊柱角度是极好的。当判断指标E3小于预定范围时，高尔夫玩家24难以使用下半身的力量。飞行距离的损失增加。当判断指标E3大于预定范围时，转动轴是不稳定的。击球容易不稳定。例如，判断指标E3的预定范围是50度以上以及70度以下。

当判断指标E4在预定范围中时，计算部16判断手柄的位置是极好的。当判断指标E4小于预定范围时，高尔夫玩家24难以挥臂。飞行距离的损失增加。当判断指标E4大于预定范围时，高尔夫玩家24难以维持身体和手臂的移动平衡。例如，该预定范围是5以上以及20以下。

这里，瞄准击球被描述作为实例。然而，同样可以在向后拉杆期间的预定位置、顶部、回击、撞击以及最后阶段检查帧中判断每个姿势。通过比较检查帧的判断指数来评估挥杆的品质。例如，通过比较瞄准击球的脊柱角度α1和在向后拉杆期间的预定位置的脊柱角度，可以判断转动轴是否稳定。计算部16基于预定的判断指标，在每个检查帧中，判定挥杆的品质。计算部16比较从两个以上的不同检查帧获得的判断指标，以判定挥杆的品质。当所有的判断指标的判断完成时，挥杆的品质的判定完成（步骤8）。

在该诊断方法中，从图像数据确定多个检查帧（步骤6）。实施各种姿势中的挥杆诊断。在不同的姿势之间，诊断姿势的变化的品质。该诊断方法可以用于挥杆的综合诊断。

在该诊断方法中，确定作为极值的外形上的点。从该极值，将脖子的根部、膝关节、脊椎线、大腿线、脚踝以及腰部等等确定为特征点。外形上的极值容易地被确定，并且可以抑制错误的确定。因为基于极值来确定特征点，所以容易地确定特征点，并且抑制了错误的确定。该判断方法能够实现准确的判定。该判断方法可以缩短用于该判定的处理时间。

此外，这些特征点、高尔夫球杆的柄线以及球位置被指定，因此可以准确地判定高尔夫玩家的挥杆的品质。

在实施例中，通过轮廓提取，从二值图像确定外形。然而，也可以通过其他方法来确定外形。例如，可以通过使多个帧经受差分处理来确定外形。如上所述，可以对于外形确定特征点。

将参考图46描述根据本发明的另一个实施例的诊断方法。在该实施例中，使用通过差分处理获得的差分图像。在图46中显示通过使瞄准击球和顶部经受差分处理所获得的差分图像。该差分图像经受照相机抖动校正。

该差分图像首先经受收缩处理，以去除圆点噪音等等。较佳地，该收缩处理被实施多次。例如，该收缩处理被实施三次。接下来，实施标记处理。在标记处理中，具有预定数量以上的像素的面积的区域被留下，并且具有预定数量以下的像素的面积的区域被去除。例如，在该标记处理中的预定数量的像素是150。接下来，实施膨胀处理。通过该膨胀处理，图像的大小返回到收缩处理之前的状态。较佳地，该膨胀处理被实施多次。例如，该膨胀处理被实施四次。

这里，在差分处理之后，实施收缩处理、标记处理和膨胀处理。因此，可以更加准确地和容易地识别高尔夫玩家24的外形。可以基于该外形容易地确定特征点。

将参考图46描述用于确定瞄准击球中的特征点的方法的实例。该图像包含480×640的像素。在图46中，该帧被表现为x-y坐标，该x-y坐标以左上端的点P0（0，0）为原点，每个像素为一个单位。右上端是点P1（479，0）；左下端是点P2（0，639），以及右下端是点P3（479，639）。

虽然没有显示在附图中，但是，如同实施例中那样，设置头部搜索区域和头后部搜索区域。图46的点P601、点P602、点P603、点P604、点P605以及直线L601如同图30的点P101、点P102、点P103、点P104、点P105以及直线L101那样被确定。这里，省略它们的描述。

这里，显示了一种方法，该方法用于使瞄准击球和顶部经受差分处理，以便确定瞄准击球的头部的极值和腰后部的极值。在多个帧中，经受差分处理的帧的组合被代替，并且通过使用差分图像来确定另一个极值。可以从该极值确定特征点。可以确定另一个姿势中的特征点。

虽然在该实施例中，服务器6的计算部16实施每个处理，但是移动电话4的计算部16也可以实施每个处理。在该情况下，移动电话4和服务器6的连接是不必要的。

根据本发明的方法可以诊断在高尔夫球场、练习范围、高尔夫商店、普通家庭的花园等等中进行的挥杆。

Claims (17)

1.一种高尔夫挥杆的诊断方法，其特征在于，包含以下步骤：

用照相机拍摄对高尔夫球杆进行挥杆以击打高尔夫球的高尔夫玩家以及所述高尔夫球杆，以便获得图像数据；

从所述图像数据获得多个帧，并且从所述多个帧中确定所述高尔夫玩家处于预定姿势的检查帧；

从所述检查帧确定所述高尔夫玩家的外形；和

从所述高尔夫玩家的所述外形判定所述挥杆，

其中，在判定所述挥杆的步骤中确定构成所述外形的极值；

从所述极值确定特征点；以及

使用所述特征点来诊断所述挥杆，

其中，确定两个以上的极值和从所述极值获得的两个以上的基准点；以及

在所述外形上的、与通过所述两个以上的基准点中的两个基准点的直线之间的距离最大或者最小的点是所述特征点。

2.如权利要求1所述的诊断方法，其特征在于，所述极值构成头部的外形、腰部的外形或者脚后跟的外形。

3.如权利要求1所述的诊断方法，其特征在于，在所述外形上的、与通过所述两个基准点的直线之间的距离最大或者最小的点被确定为贝济埃曲线的控制点，

利用所述贝济埃曲线来近似所述外形，并且当所述外形被最近似时，基于所述贝济埃曲线，再确定另一个特征点。

4.如权利要求1所述的诊断方法，其特征在于，基于所述极值，在所述外形上确定作为基准点的点；

包含所述基准点的所述外形经受多项式近似，以便获得近似线；以及

作为所述极值的所述近似线上的点是又一个特征点。

5.如权利要求1所述的诊断方法，其特征在于，所述外形的指定来自所述特征点的相对位置的一部分是模板；

所述模板与所述外形的另一个部位相匹配；以及

当所述模板最近似于所述外形的另一个部位时，与从所述模板指定的所述特征点相对应的位置的点是又一个特征点。

6.如权利要求3所述的诊断方法，其特征在于，在从所述另一个特征点延伸的直线上的、并且具有最大边缘的点是又一个特征点。

7.如权利要求1所述的诊断方法，其特征在于，从所述极值、从所述极值获得的基准点或者所述特征点中，基于人体的部位的几何位置关系确定的点是又一个特征点。

8.如权利要求7所述的诊断方法，其特征在于，所述人体的部位的所述几何位置关系是所述高尔夫玩家处于所述预定姿势的所述检查帧中的位置关系。

9.如权利要求1所述的诊断方法，其特征在于，设定基于所述极值、从所述极值获得的基准点或者所述特征点的预定搜索区域；并且作为所述搜索区域中的所述极值的点是又一个特征点。

10.如权利要求9所述的诊断方法，其特征在于，基于所述极值、所述基准点或者所述特征点和人体的部位之间的几何位置关系，设定所述预定搜索区域。

11.如权利要求10所述的诊断方法，其特征在于，所述人体的所述部位的所述几何位置关系是所述高尔夫玩家处于所述预定姿势的所述检查帧中的位置关系。

12.如权利要求1所述的诊断方法，其特征在于，在从所述检查帧确定所述高尔夫玩家的所述外形的步骤中，从所述检查帧获得所述高尔夫玩家的轮廓的二值图像；并且从所述二值图像确定所述高尔夫玩家的所述外形。

13.如权利要求1所述的诊断方法，其特征在于，在从所述检查帧确定所述高尔夫玩家的所述外形的步骤中，通过使所述多个帧经受差分处理来获得差分图像；以及

从所述差分图像确定所述高尔夫玩家的所述外形。

14.如权利要求1所述的诊断方法，其特征在于，进一步包含实施照相机抖动校正的步骤，其中，从所述图像数据获得的所述多个帧经受所述照相机抖动校正。

15.如权利要求14所述的诊断方法，其特征在于，在实施所述照相机抖动校正的步骤中，所述图像数据经受所述照相机抖动校正。

16.一种高尔夫挥杆的诊断系统，其特征在于，包含：

(A)照相机，拍摄对高尔夫球杆进行挥杆以击打高尔夫球的高尔夫玩家以及所述高尔夫球杆；

(B)存储拍摄的图像数据的存储器；以及

(C)计算部，

其中，所述计算部包括：

(C1)从所述图像数据提取多个帧的功能；

(C2)从所述多个帧中确定所述高尔夫玩家处于预定姿势的检查帧的功能；

(C3)确定所述检查帧的所述高尔夫玩家的外形的功能；

(C4)从所述外形确定极值的功能；

(C5)从所述极值确定特征点的功能；以及

(C6)使用所述特征点的位置信息来诊断所述挥杆的功能，

其中，所述计算部确定两个以上的极值和从所述极值获得的两个以上的基准点；以及

在所述外形上的、与通过所述两个以上的基准点中的两个基准点的直线之间的距离最大或者最小的点是所述特征点。

17.如权利要求16所述的高尔夫挥杆的诊断系统，其特征在于，所述计算部具有使所述图像数据经受照相机抖动校正的功能。