CN105617638B

CN105617638B - 羽毛球挥拍动作识别方法和装置

Info

Publication number: CN105617638B
Application number: CN201510991323.6A
Authority: CN
Inventors: 宋志聪; 叶景泰
Original assignee: Cruel Billow Cloud In Shenzhen Calculates Co Ltd
Current assignee: Cruel Billow Cloud In Shenzhen Calculates Co Ltd
Priority date: 2015-12-25
Filing date: 2015-12-25
Publication date: 2019-04-05
Anticipated expiration: 2035-12-25
Also published as: CN105617638A; WO2017107494A1

Abstract

本发明提供了一种羽毛球挥拍动作识别方法，所述方法包括：获取跟踪羽毛球拍产生的原始数据，所述原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到；端点检测所述原始数据得到有效数据段；通过动态时间规整算法匹配所述有效数据段和预置的模板，所述预置的模板对应于羽毛球挥拍动作的动作类型；根据匹配结果得到对应的羽毛球挥拍动作识别结果。此外，还提供了一种与该方法匹配的羽毛球挥拍动作识别装置。上述羽毛球挥拍动作识别方法和装置能够提高识别率，避免出现羽毛球挥拍动作识别中的误判。

Description

羽毛球挥拍动作识别方法和装置

技术领域

本发明涉及交互应用技术领域，特别涉及一种羽毛球挥拍动作识别方法和装置。

背景技术

羽毛球运动中，随着其周边设备的不断扩充，跟踪并识别羽毛球挥拍过程已经成为羽毛球运动中的重要交互式应用。

现有的羽毛球挥拍动作跟踪和识别主要分为基于图像视频的识别技术和基于传感器的识别技术。前者是利用高速摄像机拍摄设置在羽毛球拍上的标志点，从而获取球拍运动信息，此过程依赖于图像和视频处理。

而基于传感器的识别技术则是要利用传感器来测量出挥拍过程中的运动轨迹空间、速度和旋转角度等原始数据，对原始数据根据特征值识别羽毛球挥拍动作。

然而，基于图像识别的识别技术需要使用高速摄像机，而高速摄像机价格昂贵，携带不便，只适用于专业训练场景下，并且对硬件平台的专业性要求和处理能力均要求非常高，运用范围受局限。

另一方面的，基于传感器的识别技术虽然成本和运用范围均不会受到局限，但是由于各种羽毛球挥拍动作之间作为特征值的加速度和角速度等信息都比较相似，比较难提取各动作类型的特征值，因此造成较高的复杂性和较低的可分性，进而所得到的羽毛球挥拍动作识别结果的误判过多。

发明内容

基于此，有必要提供一种羽毛球挥拍动作识别方法，所述方法能够提高识别率，避免出现羽毛球挥拍动作识别中的误判。

另外，还有必要提供一种羽毛球挥拍动作识别装置，所述装置能够提高识别率，避免出现羽毛球挥拍动作识别中的误判。

为解决上述技术问题，将采用如下技术方案：

一种羽毛球挥拍动作识别方法，包括：

获取跟踪羽毛球拍产生的原始数据，所述原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到；

端点检测所述原始数据得到有效数据段；

通过动态时间规整算法匹配所述有效数据段和预置的模板，所述预置的模板对应于羽毛球挥拍动作的动作类型；

根据匹配结果得到对应的羽毛球挥拍动作识别结果。

在其中一个实施例中，所述通过动态时间规整算法匹配所述有效数据段和预置的模板之前，所述方法还包括：

通过预置的特征值对所述有效数据段预先进行区分；

判断所述有效数据段是否能够通过特征值区分得到动作类型，若为是，则输出区分得到的动作类型为羽毛球挥拍动作识别结果，若为否，则

进入所述通过动态时间规整算法匹配所述有效数据段和预置的模板的步骤。

在其中一个实施例中，所述通过预置的特征值对所述有效数据段预先进行区分的步骤包括：

读取预置的特征值，所述预置的特征值用于识别部分羽毛球挥拍动作，对应于部分动作类型；

比对所述特征值和有效数据段，在所述有效数据段与所述特征值相符时所述特征值对应的动作类型为区分得到的动作类型。

在其中一个实施例中，所述通过动态时间规整算法匹配所述有效数据段和预置的模板的步骤包括：

在所述有效数据段中进行姿态融合得到三轴重力分量的时间序列；

由动作类型模板库中预置的模板分别与所述时间序列通过动态时间规整算法进行匹配，得到所述时间序列与任一模板之间的匹配距离；

提取最小匹配距离，判断所述最小匹配距离是否小于阈值，若为是，则

根据所述最小匹配距离生成匹配结果。

在其中一个实施例中，所述方法还包括：

为羽毛球挥拍中的动作类型采集预设数量的测试数据，所述测试数据由羽毛球拍上的传感器在同一挥拍动作的挥拍过程中采集得到；

对同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到所述临时模板与其它测试数据之间的匹配距离之和；

选取匹配距离之和最小的测试数据作为所述动作类型的预置模板，并保存。

一种羽毛球挥拍动作识别装置，包括：

原始数据获取模块，用于获取跟踪羽毛球拍产生的原始数据，所述原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到；

端点检测模块，用于端点检测所述原始数据得到有效数据段；

模板识别模块，用于通过动态时间规整算法匹配所述有效数据段和预置的模板，所述预置的模板对应于羽毛球挥拍动作的动作类型；

结果输出模块，用于根据匹配结果得到对应的羽毛球挥拍动作识别结果。

在其中一个实施例中，所述装置还包括：

特征值区分模块，用于通过预置的特征值对所述有效数据段预先进行区分；

判断模块，用于判断所述有效数据段是否能够通过特征值区分得到动作类型，若为是，则输出区分得到的动作类型为羽毛球挥拍动作识别结果，若为否，则通知所述模板识别模块。

在其中一个实施例中，所述特征值区分模块包括：

读取单元，用于读取预置的特征值，该预置的特征值用于识别部分羽毛球挥拍动作，对应于部分动作类型；

比对单元，用于比对所述特征值和有效数据段，在所述有效数据段与所述特征值相符时所述特征值对应的动作类型为区分得到的动作类型。

在其中一个实施例中，所述模板识别模块包括：

姿态融合单元，用于在所述有效数据段中进行姿态融合得到三轴重力分量的时间序列；

匹配单元，用于由动作类型模板库中预置的模板分别与所述时间序列通过动态时间规整算法进行匹配，得到所述时间序列与任一模板之间的匹配距离；

距离判断单元，用于提取最小匹配距离，判断所述最小匹配距离是否小于阈值，若为是，则根据所述最小匹配距离生成匹配结果。

在其中一个实施例中，所述装置还包括：

测试数据采集模块，用于为羽毛球挥拍中的动作类型采集预设数量的测试数据，所述测试数据由羽毛球拍上的传感器在同一挥拍动作的挥拍过程中采集得到；

测试数据匹配模块，用于对同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到所述临时模板与其它测试数据之间的匹配距离之和；

距离选取模块，用于选取匹配距离之和最小的测试数据作为所述动作类型的预置模板，并保存。

由上述技术方案可知，羽毛球挥拍过程中，将获取跟踪羽毛球拍产生的原始数据，该原始数据是由羽毛球拍上的传感器在挥拍过程持续采集得到的，在原始数据中进行端点检测，以提取有效数据段，通过动态时间规整算法对有效数据段和每一预置的模板进行匹配得到相应的匹配结果，根据匹配结果即可获知有效数据段所对应的羽毛球拍的动作类型，进而得到对应的羽毛球挥拍动作识别结果，在此过程中依赖于整个有效数据段与模板的匹配，因此，并不需要通过单一的特征值来实现羽毛球挥拍动作的识别，并且此匹配过程是通过动态时间规整算法实现的，将得以保证了匹配过程中的精准性，在此基础上所得到的羽毛球挥拍动作识别将提高了识别率，有效避免了羽毛球挥拍动作识别中的误判。

附图说明

图1是一个实施例中羽毛球挥拍动作识别方法的流程图；

图2是另一个实施例中羽毛球挥拍动作识别方法的流程图；

图3是图2中通过预置的特征值对有效数据段预先进行区分；

图4是图1中通过动态时间规整算法匹配有效数据段和预置的模板的方法流程图；

图5是另一个实施例中羽毛球挥拍动作识别方法的流程图；

图6是一个实施例中羽毛球挥拍动作识别装置的结构示意图；

图7是另一个实施例中羽毛球挥拍动作识别装置的结构示意图；

图8是图7中特征值区分模块的结构示意图；

图9是图6中模板识别模块的结构示意图；

图10是另一个实施例中羽毛球挥拍动作识别方法的结构示意图。

具体实施方式

体现本发明特征与优点的典型实施方式将在以下的说明中详细叙述。应理解的是本发明能够在不同的实施方式上具有各种的变化，其皆不脱离本发明的范围，且其中的说明及图示在本质上是当作说明之用，而非用以限制本发明。

如前所述，为实现各种场景下羽毛球挥拍动作识别的应用，大都采用基于传感器的识别技术来实现，也将是说，将特定的传感器置于羽毛球拍上，以对羽毛球拍在空间中的运动进行跟踪，并将由此所得到的原始数据进行特征提取，分类规划等处理方可得到相应的羽毛球挥拍动作识别结果。

但是，此识别处理过程由于是基于特征值所得到的，因此误判率较高，特别是对于不同的挥拍者而言，由于不同挥拍者挥拍动作习惯的差异性，导致了即便同一动作类型，所对应的特征值也是有非常大的差异，因此，在现有的识别处理基础上亟待解决识别率低下的缺陷，以保证羽毛球挥拍动作识别在各种场景下的应用。

由此，特提出了一种羽毛球挥拍动作识别方法。在一个实施例中，具体的，该羽毛球挥拍动作识别方法如图1所示，包括：

步骤110，获取跟踪羽毛球拍产生的原始数据，该原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到。

原始数据是传感器在挥拍过程中持续采集并输出的，其体现了挥拍过程中的运动轨迹、速度、角度等各种与羽毛球挥拍姿态相关的参数。该原始数据的采集在挥拍过程中持续进行，直至挥拍结束。

步骤130，端点检测原始数据得到有效数据段。

在获取得到挥拍过程中的原始数据之后，由于此原始数据是与整个挥拍过程相对应的，而羽毛球挥拍动作仅仅是整个挥拍过程中的一部分，因此，需要对原始数据进行分割处理，提取出有效挥拍动作所对应的一段数据，即进行有效数据段的提取。

此提取过程将通过端点检测来实现。具体的，将通过基于双门限比较法来进行端点检测，通过传感器上X轴的角度度幅值来确定有效挥拍的端点。在优选的实施例中，在此通过基于双门限比较法来进行的端点检测中，设置一较大角速度幅值T_n来确认有效的挥拍动作，以此作为阈值来比较，然后又设定一个稍微较小的角速度幅值T₁作为截拍的终止点，由此便提取得到有效挥拍所对应的有效数据段。

原始数据中有效数据段的截取将是每一有效挥拍动作识别的关键，因此通过对原始数据进行端点检测将极大地保障了后续最终得到的羽毛球挥拍动作识别结果的精准性。

步骤150，通过动态时间规整算法匹配有效数据段和预置的模板，预置的模板对应于羽毛球挥拍动作的动作类型。

预置了一套动作类型模板库，该动作类型模板库中存储了若干个预置的模板，每一模板均有对应的动作类型，并且各模板之间所对应的动作类型各不相同。

在此，将以有效数据段为输入进行匹配处理。具体的，通过动态时间规整算法将有效数据段与预置的每一模板进行匹配，以根据有效数据段与预置的每一模板之间的匹配结果来获知该有效数据段与哪一模板相近似，而该模板所对应的动作类型即为对应的羽毛球挥拍动作识别结果。

进一步的，由于每一次所得到的有效数据段的长度是不一样的，并且有效数据段与模板之间的长度也是各不相同的，换而言之，即时间长度各不相同，因此，需要采用动态时间规整算法进行有效数据段和模板之间的匹配。动态时间规整算法用以解决有效数据段和模板之间长度不等的问题，相比通过欧式距离所进行的匹配，如果通过欧式距离对此进行匹配，那么即便有效数据段与一模板之间相似度很高，但所求出的欧式距离却很大，进而得到不相似的匹配结果，这是由于欧式距离对时间长度的变化很敏感，无法通过欧式距离来实现准确匹配。

而对于动态时间规整算法则能够解决有效数据段和模板之间长短不一的问题，进而适用于进行有效数据段和模板之间的匹配，并准确得到相应的匹配距离，匹配距离越小，则有效数据段与模板越相似。

步骤170，根据匹配结果得到对应的羽毛球挥拍动作识别结果。

通过如上所述的过程，在端点检测和动态时间规整算法的配合下，实现了任意挥拍过程中动作的精准识别，在此基础上所进行的羽毛球挥拍动作识别能够应用于各种场景，并且由于复杂性不高，且成本较低，因此，易于进行推广。

在如上所述的过程中，原始数据和截取得到的有效数据段均是三轴重力分量的形式，三轴重力分量的形式对于正手扣杀和正手挑球而言存在较为明显，可分性较大。

在一个实施例中，如图2所示，该步骤150之前，如上所述的方法还包括：

步骤210，通过预置的特征值对有效数据段预先进行区分。

特征值用于区分特定的羽毛球挥拍动作，也就是说，如若有效数据段与特征值相符，则说明此特征值能够区分这一有效数据段，所对应的羽毛球挥拍动作就是特征值所能够识别的动作类型。

步骤230，判断有效数据是否能够通过特征值区分得到动作类型，若为是，则进入步骤250，若为否，则返回步骤150。

如果通过预置的特征值能够对有效数据段进行区分，则不再需要与预置的模板通过动态时间规整算法进行匹配，而直接输出所区分得到的动作类型即可。

如果通过预置的特征值不能够对有效数据段进行区分，则只能通过如前所述的匹配进行处理。

步骤250，输出区分得到的动作类型为羽毛球挥拍动作识别结果。

在此过程中，通过引入特征值对有效数据段预先进行区分，在确定无法区分后才进行模板匹配，此优化过程将有效地减少了所需要预置的模板数量，进而相应减少了有效数据段与模板之间进行匹配的次数，以提高识别速度。

实际中，尽管寻找将羽毛球挥拍动作区分开来的特征值较难，但是对于一些动作，如扣杀和挑球等动作类型，还是能够通过特征值来区分识别的，因此，通过特征值预先进行区分，将使得不需要为扣杀和挑球等动作类型预置相应的模板，也不需要进行匹配处理。

羽毛球挥拍动作所对应的动作类型有多种，单是大球动作，如扣杀、挑球、平抽等动作类型，并且加上正反手动作以及其它的一些不规范动作，因此，通过特征值的引入，将不需要对于所有的动作类型都建立与之对应的模板，也不需要对所有的动作类型都进行匹配，进而极大地减少了耗费的时间，提高了匹配的速度效率。

在优选的实施例中，该特征值将是重力分量的形式，例如，其可为羽毛球挥拍时最大速度点所对应的重力分量，此最大速度点所对应的重力分量能够区分上手球和下手球，进而将扣和挑的动作区分开。

进一步的，在本实施例中，该步骤210如图3所示，包括：

步骤211，读取预置的特征值，该预置的特征值用于识别部分羽毛球挥拍动作，对应于部分动作类型。

预先进行了特征值存储，也就是说，可通过特征值区分的部分动作类型中，任一动作类型均有对应的特征值。

步骤213，比对特征值和有效数据段，在有效数据段与特征值相符时特征值对应的动作类型为区分得到的动作类型。

在进行端点检测以提取得到有效数据段之后，将首先进行有效数据段与特征值的逐一比对，如果该有效数据段与某一动作类型所对应的特征值相符，则说明此有效数据段所在的羽毛球挥拍动作是归属于这一动作类型的，在此，可直接得到羽毛球挥拍动作识别结果。

在一个实施例中，如图4所示，该步骤150包括：

步骤151，在有效数据段中进行姿态融合得到三轴重力分量的时间序列。

对有效数据进行姿态融合处理后得到三轴重力分量所分别对应的时间序列。其中，该原始数据是三轴加速度和三轴陀螺仪所输出的。

步骤153，由动作类型模板库中预置的模板分别与时间序列通过动态时间规整算法进行匹配，得到时间序列与任一模板之间的匹配距离。

对于任一需要进行识别的有效数据段，将通过动态时间规整算法与动作类型模板库中预置的模板逐一进行匹配，其中，与之相对应的，该预置的模板也为三轴重力分量所对应的形式。

具体的，按照三轴重力分量，在时间序列和模板之间，将分别运算每一重力分量之间的匹配距离，并将所运算得到的三个匹配距离之和置为时间序列与模板之间的匹配距离。

详细运算过程如下所述：

模板所对应的三轴重力分量分别为：Templet_x、Templet_y和Templet_z，时间序列所对应的三轴重力分量为test_x、test_y和test_z，对此分别在Templet_x和test_x之间、Templet_y和test_y之间，以及Templet_z和test_z之间进行匹配，分别得到匹配距离DTW（Templet_x，test_x）、DTW（Templet_y，test_y）和DTW（Templet_z，test_z）。

此时，有效数据段和模板之间的匹配距离Distance= DTW（Templet_x，test_x）+DTW（Templet_y，test_y）+ DTW（Templet_z，test_z）。

步骤155，提取最小匹配距离，判断最小匹配距离是否小于阈值，若为是，则进入步骤157，若为否，则结束。

通过前述过程，有效数据段与每一模板之间均通过匹配得到相应的匹配距离，因此，匹配得到的多个匹配距离中，将提取其中数值最小的匹配距离，以得到最小匹配距离。

预先设置了用于进行匹配距离判断的阈值，该阈值将用于衡量有效数据段与最相近的模板之间的相似程度对于羽毛球挥拍动作的识别而言，是否是可接受的，如果判断得到最小匹配距离小于阈值，则说明匹配运行得到最小匹配距离的模板与有效数据段匹配的匹配结果。

如果判断得到最小匹配距离仍然大于阈值，则说明有效数据段所在的羽毛球挥拍动作不属于动作类型模板库中任何一种动作类型。

步骤157，根据最小匹配距离生成匹配结果。

在另一个实施例中，如上方法还包括了模板构建的过程。具体的，如图5所示，如上所述的方法还包括：

步骤310，为羽毛球挥拍中的动作类型采集预设数量的测试数据，该测试数据由羽毛球拍上的传感器在同一挥拍动作的挥拍过程中采集得到。

在进行羽毛球挥拍动作识别之前，针对羽毛球挥拍的动作类型，分别采集预设数量的测试数据，测试数据是测试者手握羽毛球拍，按照当前所指定的动作类型挥拍后传感器所输出的数据，按照指定的动作类型完成了预设数量次数的羽毛球挥拍动作之后所得到的预设数量的测试数据将用于进行这一指定的动作类型的模板构建。

需要说明的是，与前述原始数据、有效数据段所对应的，测试数据也为三轴重力分量的形式。

步骤330，对于同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到临时模板与其它测试数据之间的匹配距离之和。

羽毛球挥拍动作的动作类型有多个，而对于一动作类型，都将进行预设数量的测试数据的采集，并在这些测试数据中进行匹配，以得到最佳的测试数据作为模板。

具体的，测试数据为三轴重力分量的形式，即V_x、V_y和V_z，每一测试数据均作为临时模块，与其它测试数据进通过动态时间规整算法分别进行匹配，以得到对应的匹配距离，并由此运算所有匹配距离之和，即该临时模板所对应的总匹配距离。

步骤350，选取匹配距离之和最小的测试数据作为动作类型的预置模板，并保存。

该总匹配距离最小的测试数据将是与动作类型所对应的其它测试数据中最为相似的，其是用来作为模板的最优数据。

需要说明的是，如上所述的模板构建以及原始数据的处理中涉及的匹配过程中，都是通过动态时间规整算法来实现的，以保证其精准性。

具体的，在此动态时间规整算法所实现的匹配中，将基于有效数据段和模板构建矩阵网格，以此来进行有效数据段和模板之间对应关系的，进而所得到的有效数据段和模板之间的映射，以相应运算得到匹配距离，匹配距离越大则相似度越低。

在此动态时间规整算法所实现的匹配中，在优选的实施例中，还将对此进行优化，以对算法内部搜索匹配路径进行限制，以提高匹配速度和匹配成功率。

具体的，在有效数据段和模板的长度，或者测试数据之间的长度较为接近，且长度已知时，建立长度的查找表，以在表中保存长度与对应搜索范围的下边界。每一次匹配，只需要根据斜率推导出限制范围的上边界即可。

如上所述的过程中，对于进行匹配的有效数据段和测试数据，其都可在其中进行二次提取，以减少匹配序列长度，例如，采用取奇数点舍弃偶数点的方式来减少匹配序列长度，进而极大减少匹配的时间，在此情况下，将相比之前减少了几乎一半的匹配时间，进一步提高了识别效率。

在一个实施例中，还相应地提供了一种羽毛球挥拍动作识别装置，如图6所示，包括原始数据获取模块410、端点检测模块430、模板识别模块450和结果输出模块470，其中：

原始数据获取模块410，用于获取跟踪羽毛球拍产生的原始数据，该原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到。

端点检测模块430，用于端点检测原始数据得到有效数据段。

模板识别模块450，用于通过动态时间规整算法有效数据段和预置的模板，预置的模板对应于羽毛球挥拍动作的动作类型。

结果输出模块470，用于根据匹配结果得到对应的羽毛球挥拍动作识别结果。

在一个实施例中，如图7所示，如上所述的装置还包括特征值区分模块510和判断模块530，其中：

特征值区分模块510，用于通过预置的特征值对有效数据段预先进行区分。

判断模块530，用于判断有效数据段是否能够通过特征值区分得到动作类型，若为是，则输出区分得到的动作类型为羽毛球挥拍动作识别结果，若为否，则通知模板识别模块450。

进一步的，在本实施例中，如图8所示，特征值区分模块510包括读取单元511和比对单元513，其中：

读取单元511，用于读取预置的特征值，该预置的特征值用于识别产吩羽毛球挥拍动作，对应于部分动作类型。

比对单元513，用于比对特征值和有效数据段，在有效数据段与特征值相符时特征值对应的动作类型为区分得到的动作类型。

在一个实施例中，模板识别模块450如图9所示，包括姿态融合单元451、匹配单元453和距离判断单元455，其中：

姿态融合单元451，用于在有效数据段中进行姿态融合得到三轴重力分量的时间序列。

匹配单元453，用于由动作类型模板库中预置的模板分别与时间序列通过动态时间规整算法进行匹配，得到时间序列与任一模板之间的匹配距离。

距离判断单元455，用于提取最小匹配距离，判断最小匹配距离是否小于阈值，若为是，则根据最小匹配距离生成匹配结果。

在一个实施例中，如上所述的装置如图10所示，还包括测试数据采集模块510、测试数据匹配模块530和距离选取模块550，其中：

测试数据采集模块510，用于为羽毛球挥拍中的动作类型采集预设数量的测试数据，测试数据由羽毛球拍上的传感器在同一挥拍动作的挥拍过程中采集得到。

测试数据匹配模块530，用于对同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到临时模板与其它测试数据之间的匹配距离之和。

距离选取模块550，用于选取匹配距离之和最小的测试数据作为动作类型的预置模板，并保存。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

虽然已参照几个典型实施方式描述了本发明，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施方式不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims

1.一种羽毛球挥拍动作识别方法，其特征在于，包括：

获取跟踪羽毛球拍产生的原始数据，所述原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到，是与羽毛球拍姿态相关的参数，并且是三轴重力分量的形式；

端点检测所述原始数据，在X轴上通过所设定较大角速度幅值来确认有效的挥拍动作，又通过所设定较小角速度幅值作为截拍的终止点，以提取得到有效挥拍所对应的有效数据段；

根据匹配结果得到对应的羽毛球挥拍动作识别结果；

其中，所述通过动态时间规整算法匹配所述有效数据段和预置的模板的步骤包括：

在所述有效数据段中进行姿态融合得到三轴重力分量的时间序列，由动作类型模板库中预置的模板分别与时间序列通过动态时间规整算法进行匹配，得到所述时间序列与任一模板之间的匹配距离；

提取最小匹配距离，判断所述最小匹配距离是否小于阈值，若为是，则根据所述最小匹配距离生成匹配结果。

2.根据权利要求1所述的方法，其特征在于，所述通过动态时间规整算法匹配所述有效数据段和预置的模板之前，所述方法还包括：

通过预置的特征值对所述有效数据段预先进行区分；

3.根据权利要求2所述的方法，其特征在于，所述通过预置的特征值对所述有效数据段预先进行区分的步骤包括：

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到所述临时模板与其它测试数据之间的匹配距离之和，所述匹配距离之和是所述临时模板所对应的总匹配距离；

选取匹配距离之和最小的所述临时模板作为所述动作类型的预置模板，并保存。

5.一种羽毛球挥拍动作识别装置，其特征在于，包括：

原始数据获取模块，用于获取跟踪羽毛球拍产生的原始数据，所述原始数据由羽毛球拍上的传感器在挥拍过程持续采集得到，是与羽毛球拍姿态相关的参数，并且是三轴重力分量的形式；

端点检测模块，用于端点检测所述原始数据，在X轴上通过所设定较大角速度幅值来确认有效的挥拍动作，又通过所设定较小角速度幅值作为截拍的终止点，以提取得到有效挥拍所对应的有效数据段；

结果输出模块，用于根据匹配结果得到对应的羽毛球挥拍动作识别结果；

根据所述最小匹配距离生成匹配结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

7.根据权利要求6所述的装置，其特征在于，所述特征值区分模块包括：

8.根据权利要求5所述的装置，其特征在于，所述装置还包括：

测试数据匹配模块，用于对同一动作类型的预设数量测试数据，将以一测试数据为临时模板匹配得到与其它测试数据之间的匹配距离，运算得到所述临时模板与其它测试数据之间的匹配距离之和，所述匹配距离之和是所述临时模板所对应的总匹配距离；

距离选取模块，用于选取匹配距离之和最小的所述临时模板作为所述动作类型的预置模板，并保存。