CN106096509A - 羽毛球拍的动作识别方法和装置 - Google Patents

Abstract

本发明提供了一种羽毛球拍的动作识别方法，包括：采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数，提取所述差异化有效重力分量参数的特征向量，采用分类法对所述特征向量进行分类，得到分类结果，根据所述分类结果，识别出羽毛球拍的动作类型。此外，还提供了一种与该方法匹配的羽毛球拍的动作识别装置。上述羽毛球拍的动作识别方法和装置能够提高对羽毛球拍动作识别的准确率。

Description

羽毛球拍的动作识别方法和装置

技术领域

本发明涉及动作识别技术领域，特别涉及一种羽毛球拍的动作识别方法和装置。

背景技术

目前，对羽毛球挥拍动作类型识别方法主要分为基于图像和视频识别技术和基于运动传感器的识别技术。基于图像和视频识别技术主要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，这种方式依赖于图像和视频分析处理。而基于运动传感器的识别技术则主要利用加速度传感器以及陀螺仪传感器，测量出各种羽毛类型的运动轨迹空间，速度以及旋转角度等参数信息来进一步分析处理，进而识别挥拍动作。

基于图像和视频识别技术的识别方法需要高速摄像机，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,运用范围受局限。并且该技术完全依赖于图像和视频分析处理，专业性要求和对硬件平台处理能力要求都较高。

基于运动传感器的识别技术则是目前最受欢迎的，因为它体积小，携带方便，适用于普遍羽毛球爱好者。基于运动传感器的识别技术通过采集羽毛球拍挥拍过程的加速度以及角速度等数据信息进行特征值提取，然后进行分类整理，从而识别出动作类型。

但目前基于运动传感器的识别技术存在误判率较高，用户体验差的问题。因为各种羽毛球拍挥拍动作的加速度和角速度的波形参数都比较相似，难以提取各类型动作的区别特征值，并且不同人的挥拍动作习惯的差异性，导致即使同一种的动作类型,也存在较大的差异。因此在特征值的提取就变得很复杂并且可分性不高，最后导致动作识别的误判率较高。

发明内容

基于此，有必要提供一种羽毛球拍的动作识别方法，所述方法能够提高对羽毛球拍动作识别的准确率。

另外，还有必要提供一种羽毛球拍的动作识别装置，所述装置能够提高对羽毛球拍动作识别的准确率。

为解决上述技术问题，将采用如下技术方案：

第一方面，提供了羽毛球的动作识别方法，包括：

采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数；

提取所述差异化有效重力分量参数的特征向量；

采用分类法对所述特征向量进行分类，得到分类结果；

根据所述分类结果，识别出羽毛球拍的动作类型。

结合第一方面，在第一种可能的实现方式中，所述采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数的步骤包括：

采集一段时间内挥拍过程中羽毛球拍的运动数据；

根据所述运动数据截取出有效挥拍动作；

从所述运动数据中提取出所述有效挥拍动作的差异化有效重力分量参数。

结合第一方面第一种可能的实现方式，在第二种可能的实现方式中，所述根据所述运动数据截取出有效挥拍动作的步骤包括：

提取出所述运动数据中的角速度X轴分量；

根据所述角速度X轴分量截取出有效挥拍动作。

结合第一方面第二种可能的实现方式，在第三种可能的实现方式中，所述提取所述差异化有效重力分量参数的特征向量的步骤包括：

构建重力分布空间；

提取所述差异化有效重力分量参数在所述重力分布空间的特征向量。

结合第一方面第三种可能的实现方式，在第四种可能的实现方式中，所述采用分类法对所述特征向量进行分类，得到分类结果的步骤包括：

获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合；

将所述特征向量与所述特征向量样本集合进行比较，得到比较结果；

根据所述比较结果对所述特征向量对应的挥拍动作进行分类，得到分类结果。

第二方面，提供了羽毛球的动作识别装置，包括：

重力分量提取模块，用于采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数；

特征向量提取模块，用于提取所述差异化有效重力分量参数的特征向量；

分类模块，用于采用分类法对所述特征向量进行分类，得到分类结果；

动作识别模块，用于根据所述分类结果，识别出羽毛球拍的动作类型。

结合第二方面，在第一种可能的实现方式中，述重力分量提取模块包括：

采集单元，用于采集一段时间内挥拍过程中羽毛球拍的运动数据；

截取单元，用于根据所述运动数据截取出有效挥拍动作；

提取单元，用于从所述运动数据中提取出所述有效挥拍动作的差异化有效重力分量参数。

结合第二方面第一种可能的实现方式，在第二种可能的实现方式中，所述截取单元包括：

角速度X轴分量提取子单元，用于提取出所述运动数据中的角速度X轴分量；

有效动作截取子单元，用于根据所述角速度X轴分量截取出有效挥拍动作。

结合第二方面第二种可能的实现方式，在第三种可能的实现方式中，所述特征向量提取模块包括：

构建单元，用于构建重力分布空间；

特征向量提取单元，用于提取所述差异化有效重力分量参数在所述重力分布空间的特征向量。

结合第二方面第三种可能的实现方式，在第四种可能的实现方式中，所述分类模块包括：

集合获取单元，用于获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合；

比较单元，用于将所述特征向量与所述特征向量样本集合进行比较，得到比较结果；

动作分类单元，用于根据所述比较结果对所述特征向量对应的挥拍动作进行分类，得到分类结果。

在对羽毛球拍的动作识别过程中，通过采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数，根据差异化有效重力分量参数，提取出有效重力分量参数的特征向量，采用分类法对差异化有效重力分量参数的特征向量进行分类，得到分类结果，根据分类结果，识别出羽毛球拍的动作类型。由于不同挥拍动作的有效重力分量参数在空间分布的差别较大，从而大大提高了对羽毛球拍动作识别的准确率，克服了基于图像和视频识别技术在实际应用中要考虑环境和硬件平台等局限性，同时也克服了基于加速度等参数的动作识别技术误判率较高的局限性。

附图说明

图1是一个实施例中羽毛球拍的动作识别的方法流程图；

图2是一个实施例中针对图1中采集并提取差异化有效重力分量参数的方法流程图；

图3是一个实施例中针对图2中根据所述运动数据截取出有效挥拍动作的方法流程图；

图4是一个实施例中针对图1中提取所述差异化有效重力分量参数的特征向量的方法流程图；

图5是一个实施例中针对图1中采用分类法对所述特征向量进行分类，得到分类结果的方法流程图；

图6是一个实施例中羽毛球拍动作识别装置的结构示意图；

图7是一个实施例中针对图6中重力分量提取模块的结构示意图；

图8是一个实施例中针对图7中截取单元的结构示意图；

图9是一个实施例中针对图6中特征向量提取模块的结构示意图；

图10是一个实施例中针对图6中分类模块的结构示意图。

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。

基于此，为提高对羽毛球拍动作识别的准确率，特提出一种羽毛球拍的动作识别方法，该羽毛球拍的动作识别方法由计算机程序实现，与之相对应的，所构建的羽毛球拍的动作识别装置则被存储于终端设备中，以在该终端设备中运行，进而实现羽毛球拍的动作识别。

在一个实施例中，具体的，该羽毛球拍的动作识别方法如图1所示，包括：

步骤S110，采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数。

重力分量参数是指羽毛球拍重力在其本身的物体坐标系下的沿空间X，Y，Z三轴分布的参数。

一个正常的挥拍动作过程包括前期引拍、有效挥拍和后期收拍这三个阶段，有效重力分量参数就是这三个阶段中有效挥拍阶段的重力分量参数。各种羽毛球拍动作类型的差异主要体现在前期引拍、有效挥拍和后期收拍这三个阶段中的有效挥拍阶段，对各种羽毛球拍动作类型的识别也主要是对有效挥拍阶段进行动作识别，因此，需提取出有效挥拍阶段的重力分量参数作为有效重力分量参数，以便进行动作识别。

差异化有效重力分量参数是指在多次挥拍动作中不完全相同的有效重力分量参数。一段时间内挥拍过程中的多次挥拍动作不尽相同，有扣球动作、抽球动作及其他类型的动作，而且即使是同一类型的挥拍动作，其动作轨迹也不是完全相同的，或多或少的存在一些差异，从而使得多次挥拍动作中的有效重力分量参数也不尽相同。

步骤S120，提取差异化有效重力分量参数的特征向量。

特征向量是对差异化有效重力分量参数进行数据处理之后的数据形式，特征向量的数据形式能够更好的进行分类处理。

步骤S130，采用分类法对特征向量进行分类，得到分类结果。

分类法是按照一定的规则对特征向量进行分类处理的方法，将符合同一类规则的特征向量分成一类。

得到挥拍过程中的差异化有效重力分量参数的特征向量后，通过预设的分类法对特征向量进行分类处理。

步骤S140，根据分类结果，识别出羽毛球拍的动作类型。

由于每一种类型的羽毛球拍动作的差异化有效重力分量参数的特征向量具有一定的相似性，不同类型羽毛球拍动作的差异化有效重力分量参数的特征向量存在明显差别，因此根据分类结果，就能得出羽毛球拍的动作类型。

由此，不同羽毛球拍动作类型的有效重力分量参数存在明显差别，根据差异化有效重力参数对羽毛球拍动作进行识别，提高了羽毛球拍动作识别的准确率。

进一步的，如图2所示，在一个实施例中，步骤S110包括：

步骤S111，采集一段时间内挥拍过程中羽毛球拍的运动数据；

运动数据是描述羽毛球拍运动状况的参数，不同的羽毛球拍挥拍动作的运动数据是不相同的。

在一段时间的挥拍过程中，羽毛球拍在空中呈现一定的运动轨迹，通过采集可以得到这一段时间内羽毛球拍的运动数据。

步骤S112，根据运动数据截取出有效挥拍动作。

一个正常的挥拍动作过程包括前期引拍、有效挥拍和后期收拍这三个阶段，而有效挥拍阶段对应在空中击球的这一段过程，体现了挥拍动作的动作类型。将有效挥拍阶段从挥拍动作过程的三个阶段中截取出来，作为有效挥拍动作单独进行识别分析，能够更加简便和准确的识别出挥拍动作的动作类型。

由于运动数据描述了一段时间内整个挥拍过程的运动状况，而一个挥拍动作中，有效挥拍阶段的运动数据和前期引拍和后期收拍这二个阶段的运动数据存在明显的不同，通过这些各个阶段不同的运动数据，将一段时间内整个挥拍过程中各个挥拍动作的有效挥拍阶段截取出来，并将这些有效挥拍阶段作为整个挥拍过程的有效挥拍动作。

例如，一段时间内整个挥拍过程中有3个挥拍动作，整个挥拍过程包括第1个挥拍动作的前期引拍阶段A1、有效挥拍阶段B1和后期收拍阶段C1这3个阶段，第2个挥拍动作的前期引拍阶段A2、有效挥拍阶段B2和后期收拍阶段C2这3个阶段和第3个挥拍动作的前期引拍阶段A3、有效挥拍阶段B3和后期收拍阶段C3这3个阶段，即，整个挥拍动作的过程分为9个阶段：A1、B1、C1、A2、B2、C2、A3、B3、C3。根据采集到的各个阶段不同的运动数据，截取出有效挥拍阶段为B1、B2和B3。

步骤S113，从运动数据中提取出有效挥拍动作的差异化有效重力分量参数。

截取出有效挥拍动作后，从采集到的运动数据中提取出相应的差异化有效重力分量参数。

例如，一段时间内，整个挥拍动作的所有阶段为A1、B1、C1、A2、B2、C2、A3、B3、C3，对应的整个挥拍过程各个阶段的重力分量参数为GA1、GB1、GC1、GA2、GB2、GC2、GA3、GB3、GC3，截取出的有效挥拍阶段为B1、B2和B3，从整个挥拍过程的重力分量参数提取得到差异化有效重力分量参数为GB1、GB2和GB3。

由此，通过从整个挥拍过程中截取出决定挥拍动作类型的有效挥拍阶段，进而对有效挥拍阶段的动作类型进行识别，提高了羽毛球拍动作识别的简便性及有效性。

更进一步的，如图3所示，在一个实施例中，步骤S112包括：

步骤S1121，提取出运动数据中的角速度X轴分量。

角速度X轴分量是羽毛球球拍挥拍的过程中采集到的角速度沿X轴方向的分量，从采集到的运动数据中将其提取出来。

步骤S1122，根据角速度X轴分量截取出有效挥拍动作。

在一个正常的挥拍动作过程中，有效挥拍阶段的角速度X轴分量与另外二个挥拍阶段的角速度X轴分量的正负方向是相反的，并且角速度X轴分量的数值是在有效挥拍阶段中达到最大。

具体的，在一个挥拍动作过程中，通过分析提取到的运动数据中的角速度X轴分量，找到角速度X轴分量绝对值的最大值，并记录下角速度X轴分量的正负，然后从角速度X轴分量的绝对值最大值开始，往X轴的两端走，当角速度X轴分量的正负发生变化，即与角速度X轴分量最大值的正负不同时，就停止截取。那么现在截取出的这一段，即包含角速度X轴分量绝对值最大值的这一段就是有效挥拍阶段。根据同样的方法，截取出一段时间内整个挥拍过程中多个挥拍动作的有效挥拍阶段，并将这些有效挥拍阶段作为整个挥拍过程的有效挥拍动作。

由此，在整个挥拍动作过程中，通过各个挥拍动作中有效挥拍阶段的角速度X轴分量与其他两个阶段不同，截取出有效挥拍阶段，进而对有效挥拍阶段单独分析，提高了羽毛球拍动作识别的有效性及准确率。

在另一个实施例中，如图4所示，S120步骤包括：

步骤S121，构建重力分布空间。

重力分布空间是重力在空间中的坐标系。在挥拍过程中，羽毛球拍在空间运动时，其重力分量参数也会发生变化，为更加直观准确地对重力分量参数进行分析，需对重力分量参数进行数据处理，因此构建重力分布空间，以提取差异化有效重力分量参数在重力分布空间的特征向量。

具体的，例如，如下表所示，X、Y、Z分别为构建的重力分布空间的X轴、Y轴和Z轴三个坐标轴，F为重力分布空间中的象限，整个空间被分为8个象限：F1、F2、F3、F4、F5、F6、F7、F8。

X	+	+	-	-	+	-	+	-
									Y	+	-	+	-	+	+	-	-
Z	+	+	+	+	-	-	-	-
									F(象限)	1	2	3	4	5	6	7	8

步骤S122，提取差异化有效重力分量参数在重力分布空间的特征向量。

特征向量是差异化有效重力分量参数在重力分布空间各个象限的分布情况，每个象限的特征值组成特征向量，特征值是单个挥拍动作在各个象限分布的采集时间点数与单个挥拍动作的总采集时间点数的比值。

Fi＝n(i)/N；

其中：n(i)为分布在第i象限的采集时间点的个数，N为挥拍动作的总采集时间点数。

整个挥拍过程中采集的运动数据是由多个采集时间点的运动数据组成的，因此，差异化有效重力分量参数也是由多个采集时间点的重力分量参数组成。提取出差异化有效重力分量参数对应的每个采集时间点时重力分量参数在重力分布空间各个象限的特征值，构成差异化有效重力分量参数在重力分布空间的特征向量。

由此，通过提取挥拍动作差异化有效重力分量参数的特征向量，进而对特征向量进行分类识别出动作类型，使挥拍动作识别更加简便化，并提高了羽毛球拍动作识别的准确率。

在一个实施例中，如图5所示，步骤S130包括：

步骤S131，获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合。

标准动作是各种挥拍动作类型的规范动作，通过提取出各种挥拍动作类型的多次标准动作的差异化有效重力分量参数在重力分布空间的特征向量，由此组成特征向量样本集合，作为挥拍动作类型识别的样本集合。

例如，假设挥拍动作共有3种A、B、C，挥拍动作类型A的多次标准动作A1、A2、A3……AN，挥拍动作类型B的多次标准动作B1、B2、B3……BN，挥拍动作类型C的多次标准动作C1、C2、C3……CN，分别提取标准动作A1、A2、A3……AN，B1、B2、B3……BN，C1、C2、C3……CN的差异化有效重力分量参数的特征向量，标准动作A1、A2、A3……AN构成挥拍动作类型A的特征向量样本TA，标准动作B1、B2、B3……BN构成挥拍动作类型B的特征向量样本TB，标准动作C1、C2、C3……CN构成挥拍动作类型C的特征向量样本TC，而特征向量样本TA、TB、TC构成这个挥拍动作类型识别的样本集合。

步骤S132，将特征向量与特征向量样本集合进行比较，得到比较结果。

提取出差异化有效重力分量参数的特征向量后，将这些特征向量中多个有效挥拍阶段对应的特征向量逐个与特征向量样本集合进行比较，得出特征向量中每一个有效挥拍阶段对应的特征向量的比较结果。

步骤S133，根据比较结果对特征向量对应的挥拍动作进行分类，得到分类结果。

由于特征向量样本集合中每一个特征向量样本都是同一种动作类型的特征向量，因此特征向量趋于相同。整个挥拍过程对应的特征向量是由每一个有效挥拍阶段对应的特征向量组成，根据比较结果都能得到一种与每一个有效挥拍阶段对应的特征向量差别最小的特征向量样本，每一种特征向量样本都代表一种挥拍动作类型，从而识别出每一个有效挥拍阶段对应的动作类型，进而识别出整个挥拍过程中各个挥拍动作的动作类型。

通过将挥拍动作有效重力分量参数的特征向量与多次标准动作的有效重力分量参数的特征向量集合进行比较分类识别，提高了羽毛球拍动作识别的有效性及准确率。

在一个实施例中，还相应地提供了一种羽毛球拍的动作识别装置，如图6所示，该装置包括重力分量提取模块110、特征向量提取模块120、分类模块130和动作识别模块140，其中：

重力分量提取模块110，用于采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数；

特征向量提取模块120，用于提取差异化有效重力分量参数的特征向量；

分类模块130，用于采用分类法对特征向量进行分类，得到分类结果；

动作识别模块140，用于根据分类结果，识别出羽毛球拍的动作类型。

在一个实施例中，如图7所示，重力分量提取模块110包括采集单元111、截取单元112和提取单元113，其中：

采集单元111，用于采集一段时间内挥拍过程中羽毛球拍的运动数据；

截取单元112，用于根据运动数据截取出有效挥拍动作；

提取单元113，用于从运动数据中提取出有效挥拍动作的差异化有效重力分量参数。

进一步的，在一个实施例中，如图8所示，截取单元112包括角速度X轴分量提取子单元1121和有效动作截取子单元1122，其中：

角速度X轴分量提取子单元1121，用于提取出运动数据中的角速度X轴分量；

有效动作截取子单元1122，用于根据角速度X轴分量截取出有效挥拍动作。

在一个实施例中，如图9所示，特征向量提取模块120包括构建单元121和特征向量提取单元122，其中：

构建单元121，用于构建重力分布空间；

特征向量提取单元122，用于提取差异化有效重力分量参数在重力分布空间的特征向量。

在一个实施例中，如图10所示，分类模块130包括集合获取单元131、比较单元132和动作分类单元133，其中：

集合获取单元131，用于获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合；

比较单元132，用于将特征向量与特征向量样本集合进行比较，得到比较结果；

动作分类单元133，用于根据比较结果对特征向量对应的挥拍动作进行分类，得到分类结果。

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 (10)

1.一种羽毛球拍的动作识别方法，其特征在于，所述方法包括：

采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数；

提取所述差异化有效重力分量参数的特征向量；

采用分类法对所述特征向量进行分类，得到分类结果；

根据所述分类结果，识别出羽毛球拍的动作类型。

2.根据权利要求1所述的方法，其特征在于，所述采集并提取差异化有效重力分量参数的步骤包括：

采集一段时间内挥拍过程中羽毛球拍的运动数据；

根据所述运动数据截取出有效挥拍动作；

从所述运动数据中提取出所述有效挥拍动作的差异化有效重力分量参数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述运动数据截取出有效挥拍动作的步骤包括：

提取出所述运动数据中的角速度X轴分量；

根据所述角速度X轴分量截取出有效挥拍动作。

4.根据权利要求1所述的方法，其特征在于，所述提取所述差异化有效重力分量参数的特征向量的步骤包括：

构建重力分布空间；

提取所述差异化有效重力分量参数在所述重力分布空间的特征向量。

5.根据权利要求1所述的方法，其特征在于，所述采用分类法对所述特征向量进行分类，得到分类结果的步骤包括：

获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合；

将所述特征向量与所述特征向量样本集合进行比较，得到比较结果；

根据所述比较结果对所述特征向量对应的挥拍动作进行分类，得到分类结果。

6.一种羽毛球拍的动作识别装置，其特征在于，所述装置包括：

重力分量提取模块，用于采集并提取出一段时间内挥拍过程中羽毛球拍动作的差异化有效重力分量参数；

特征向量提取模块，用于提取所述差异化有效重力分量参数的特征向量；

分类模块，用于采用分类法对所述特征向量进行分类，得到分类结果；

动作识别模块，用于根据所述分类结果，识别出羽毛球拍的动作类型。

7.根据权利要求6所述的装置，其特征在于，所述重力分量提取模块包括：

采集单元，用于采集一段时间内挥拍过程中羽毛球拍的运动数据；

截取单元，用于根据所述运动数据截取出有效挥拍动作；

提取单元，用于从所述运动数据中提取出所述有效挥拍动作的差异化有效重力分量参数。

8.根据权利要求7所述的装置，其特征在于，所述截取单元包括：

角速度X轴分量提取子单元，用于提取出所述运动数据中的角速度X轴分量；

有效动作截取子单元，用于根据所述角速度X轴分量截取出有效挥拍动作。

9.根据权利要求6所述的装置，其特征在于，所述特征向量提取模块包括：

构建单元，用于构建重力分布空间；

特征向量提取单元，用于提取所述差异化有效重力分量参数在所述重力分布空间的特征向量。

10.根据权利要求6所述的装置，其特征在于，所述分类模块包括：

集合获取单元，用于获取多种挥拍动作类型的多次标准动作的差异化有效重力分量参数，并提取特征向量，得到特征向量样本集合；

比较单元，用于将所述特征向量与所述特征向量样本集合进行比较，得到比较结果；

动作分类单元，用于根据所述比较结果对所述特征向量对应的挥拍动作进行分类，得到分类结果。