CN106778477A - 网球拍动作识别方法及装置 - Google Patents

Abstract

本公开揭示了一种网球拍动作识别方法及装置，属于计算机技术领域。述方法包括：采集网球拍的挥拍数据，通过有效击中点在所述挥拍数据中提取有效挥拍数据段，对所述有效挥拍数据段和预置的模板数据进行匹配运算，所述预置的模板数据对应于网球拍的动作类型，根据匹配运算结果得到对应的网球拍动作识别结果。上述网球拍动作识别方法及装置能够保证匹配过程中的精准性，提高动作类型识别的准确率，有效避免了网球拍挥拍动作类型识别中的误判。

Description

网球拍动作识别方法及装置

技术领域

本公开涉及计算机应用技术领域，特别涉及一种网球拍动作识别方法及装置。

背景技术

随着信息化和智能化技术的发展，对网球运动的智能识别研究也在不断深入。现有的网球拍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。

基于图像视频识别技术主要利用高速摄像机拍摄设置在网球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等，测量出各种网球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。

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，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，但是由于各种网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，进而所得到的网球挥拍动作识别结果的误判过多。

发明内容

为了解决相关技术中网球挥拍动作识别误判率较高的技术问题，本公开提供了一种网球拍动作识别方法及装置。

一种网球拍动作识别方法，包括：

采集网球拍的挥拍数据；

通过有效击中点在所述挥拍数据中提取有效挥拍数据段；

对所述有效挥拍数据段和预置的模板数据进行匹配运算，所述预置的模板数据对应于网球拍的动作类型；

根据匹配运算结果得到对应的网球拍动作识别结果。

一种网球拍动作识别装置，包括：

挥拍数据采集模块，用于采集网球拍的挥拍数据；

有效数据提取模块，用于通过有效击中点在所述挥拍数据中提取有效挥拍数据段；

模板匹配模块，用于对所述有效挥拍数据段和预置的模板数据进行匹配运算，所述预置的模板数据对应于网球拍的动作类型；

动作识别模块，用于根据匹配运算结果得到对应的网球拍动作识别结果。

本公开的实施例提供的技术方案可以包括以下有益效果：

对网球拍的动作类型进行识别时，采集网球拍的挥拍数据，通过有效击中点在挥拍数据中提取有效挥拍数据段，进而对有效挥拍数据段和预置的模板数据进行匹配运算，预置的模板数据对应于网球拍的动作类型，根据匹配运算结果得到对应的网球拍动作识别结果。在动作识别过程中通过有效击中点在挥拍数据中提取有效挥拍数据段，滤出无意义动作对动作类型识别的干扰，进而根据有效挥拍数据段与模板数据的匹配识别挥拍的动作类型，保证了匹配过程中的精准性，提高了动作类型识别的准确率，有效避免了网球拍挥拍动作类型识别中的误判。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种实施环境中智能硬件的示意图；

图2是根据一示例性实施例示出的一种网球拍动作识别方法流程图；

图3是图2对应实施例的通过有效击中点在挥拍数据中提取有效挥拍数据段步骤的流程图；

图4是图3对应实施例的确定挥拍数据发生瞬时突变的数据采集点，将数据采集点作为有效击中点步骤的流程图；

图5是图2对应实施例的对有效挥拍数据段和预置的模板数据进行匹配运算步骤的流程图；

图6是图2对应实施例的对有效挥拍数据段和预置的模板数据进行匹配运算步骤的流程图；

图7是根据一示例性实施例示出的一种网球拍动作识别装置的框图；

图8是图7对应实施例示出的有效数据提取模块的框图；

图9是图8对应实施例示出的有效击中点确定子模块的框图；

图10是图7对应实施例示出的模板匹配模块的框图；

图11是图7对应实施例示出的模板匹配模块的框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在一个实施例中，本公开涉及的实施环境包括：智能硬件和装设在智能硬件上的网球拍动作识别模组。其中，智能硬件具有独立操作系统，独立运行空间，可以安装软件以及第三方服务商提供的软件，例如，智能硬件可以是各种智能系统处理硬件等。网球拍动作识别模组是能够对网球拍的动作类型进行识别的硬件模块。

图1是根据一示例性实施例示出的一种装置100的框图。装置100可以应用于上述实施环境中的计算机设备。

参考图1，装置100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。

处理组件101通常控制装置100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。

存储器102被配置为存储各种类型的数据以支持在装置100的操作。这些数据的示例包括用于在装置100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成图2、图3、图4、图5和图6任一所示方法中的全部或者部分步骤。

电源组件103为装置100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为装置100生成、管理和分配电力相关联的组件。

多媒体组件104包括在所述装置100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

音频组件105被配置为输出和/或输入音频信号。例如，音频组件105包括一个麦克风(MIC)，当装置100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，音频组件105还包括一个扬声器，用于输出音频信号。

传感器组件107包括一个或多个传感器，用于为装置100提供各个方面的状态评估。例如，传感器组件107可以检测到装置100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测装置100或装置100一个组件的位置改变以及装置100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。

通信组件108被配置为便于装置100和其他设备之间有线或无线方式的通信。装置100可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行下述方法。

图2是根据一示例性实施例示出的一种网球拍动作识别方法流程图。如图2所示，该网球拍动作识别方法可以包括以下步骤。

在步骤S110中，采集网球拍的挥拍数据。

挥拍数据是在挥拍过程中对网球拍持续采集到的，其体现了挥拍过程中的运动轨迹、速度、角度、加速度等各种与网球拍挥拍动作相关的参数。该挥拍数据的采集在挥拍过程中持续进行，直至挥拍结束。

可选的，通过一定的采样频率对网球拍挥拍过程进行挥拍数据的采集。在一个具体的示例性实施例中，以100HZ的数据采样频率进行挥拍数据的采集。

在一个示例性实施例中，挥拍数据包括三轴陀螺仪数据、三轴加速度计数据及其融合产生的三轴合力分量数据，每帧数据的输出格式为包含六轴特征属性的矩阵形式。在通过挥拍数据进行网球拍的动作类型识别过程中，采用的挥拍数据为采集的挥拍数据中的一种或多种。

在步骤120中，通过有效击中点在挥拍数据中提取有效挥拍数据段。

由于挥拍数据是与整个挥拍过程相对应的，而一个正常的挥拍动作包括有效动作和无效动作，而网球拍的动作类型主要体现在有效动作中。

在一个示例性的实施例中，有效动作包括各种挥拍动作的有效挥拍、击球动作；无效动作包括各种错误的挥拍、击球动作及各种杂质动作。杂质动作包括空挥、敲打球拍、向地面敲击球拍、拆卸传感器等各种无意义动作。

因此，网球拍的有效动作仅仅是整个挥拍过程中的一部分，需要对挥拍数据进行分割处理，提取出有效动作所对应的一段数据，即进行有效挥拍数据段的提取。

有效挥拍数据段的提取通过有效击中点检测来实现。有效击中点是网球拍击中网球时的数据采集点。

具体的，根据有效击中点时的挥拍数据特征，进而以有效击中点为基准，选取包含该有效击中点的一段连续时间范围内的数据采集点，将在这些数据采集点采集到的挥拍数据作为有效挥拍数据段。

由于网球的动作类型主要体现在击球阶段，因此，通过有效击中点进行有效挥拍数据段的提取有利于保障网球挥拍动作识别结果的准确性。

在步骤130中，对有效挥拍数据段和预置的模板数据进行匹配运算，预置的模板数据对应于网球拍的动作类型。

预置挥拍动作各种动作类型的挥拍数据作为模板数据，不同动作类型的模板数据是不相同的，不同的模板数据均有其对应的动作类型。

对不同的动作类型及无意义击球动作，分别提取挥拍数据，并作为模板数据进行预存储。不同动作类型的模板数据是不相同的，不同的模板数据均有其对应的动作类型。

对有效挥拍数据段和预置的模板数据进行匹配运算。针对有效挥拍数据段，获取各模板数据与有效挥拍数据段的相似程度。

步骤140，根据匹配运算结果得到对应的网球拍动作识别结果。

根据有效挥拍数据段与各模板数据之间的相似程度，选取与有效挥拍数据段相似程度最高的模板数据，进而得到对应的网球拍动作类型。

例如，预置的模板数据有A、B、C，其对应的动作类型分别为X、Y、Z。有效挥拍数据段与模板数据A、B、C之间的相似程度值分别为90、30、70，则识别模板数据A对应的动作类型X为该有效挥拍数据段的动作类型。

利用如上所述的方法，通过有效击中点在挥拍过程的挥拍数据中提取有效挥拍数据段，并对有效挥拍数据段与预置的模板数据进行匹配运算，根据各模板数据与有效挥拍数据段的相似程度，将相似程度最高的模板数据对应的动作类型识别为网球拍挥拍的动作类型。在动作识别过程中通过有效击中点在挥拍数据中提取有效挥拍数据段，滤出无意义动作对动作类型识别的干扰，进而根据有效挥拍数据段与模板数据的匹配识别挥拍的动作类型，保证了匹配过程中的精准性，提高了动作类型识别的准确率，有效避免了网球拍挥拍动作类型识别中的误判。

图3是根据一示例性实施例示出的对步骤S120的细节的描述。该步骤S120可以包括以下步骤。

在步骤S121中，确定挥拍数据发生瞬时突变的数据采集点，将数据采集点作为有效击中点。

瞬时突变是挥拍数据突然发生较大的变化。

在正常挥拍过程中，挥拍数据通常是平缓地变化。当网球拍击中网球时，网球拍的运动轨迹将瞬时发生较大的变化，导致挥拍数据在网球拍击中网球时发生瞬时突变。因而，将挥拍数据发生瞬时突变的数据采集点作为有效击中点有利于提高数据提取的准确性。

在步骤S122中，根据有效击中点在挥拍数据中提取有效挥拍数据段。

由于挥拍过程的挥拍数据包含有效动作及无效动作的数据，因此，需在挥拍数据中提取出有效动作的有效挥拍数据段。

由于不同动作类型的有效动作主要是集中在有效击中点附近，因此，对于体现动作类型的有效挥拍数据段，有效挥拍数据段为包含有效击中点在内的一段时间的挥拍数据。

在一个示例性的实施例中，根据有效击中点，将有效击中点前后2w个数据采集点的挥拍数据作为有效挥拍数据段。

在一个示例性的实施例中，根据有效击中点前后数据采集点的数量提取有效挥拍数据段。例如，有效击中点为第i个数据采集点，效击中点前后的数据采集数量分别为l1、l2。若l1≥w且l2≥w，则提取挥拍数据中数据采集点i-w～i+w之间的挥拍数据为有效挥拍数据段；若l1≥w且l2＜w，则提取挥拍数据中数据采集点i-w～i+l2之间的挥拍数据为有效挥拍数据段；若l1＜w且l2≥w，则提取挥拍数据中数据采集点i-l1～i+w之间的挥拍数据为有效挥拍数据段；若l1＜w且l2＜w，则提取挥拍数据中数据采集点i-l1～i+l2之间的挥拍数据为有效挥拍数据段。

在一个具体的示例性的实施例中，w为50。

图4是根据一示例性实施例示出的对步骤S121的细节的描述。该步骤S121可以包括以下步骤。

在步骤S1211中，获取挥拍数据中各前后相邻两个数据采集点的数据值的相对差值。

在挥拍数据的采集过程中，各数据采集点均存在一定的时间先后顺序。前后相邻两个数据采集点是根据数据采集点的时间顺序而相邻的两个数据采集点。

例如，在挥拍数据的采集过程中，一段时间的数据采集点按照采集时间顺序分别为：A1、A2、A3、A4、A5，从而获取A1和A2的数据值之间的相对差值、A2和A3的数据值之间的相对差值、A3和A4的数据值之间的相对差值、A4和A5的数据值之间的相对差值。

在步骤S1212中，针对每两个相邻的相对差值，获取两个相邻的相对差值之间的相对距离。

相对差值为挥拍过程中，在相邻两个采集点之间网球拍的数据值变化量。而相对距离为相邻两个相对差值之间的相对差值。

例如，在挥拍数据的采集过程中，各数据采集点的挥拍数据按照采集时间顺序分别为：A1＝100、A2＝120、A3＝90、A4＝80、A5＝120，从而获取A1和A2的数据值之间的相对差值B1＝20、A2和A3的数据值之间的相对差值B2＝30、A3和A4的数据值之间的相对差值B3＝10、A4和A5的数据值之间的相对差值B4＝40。

在步骤S1213中，选取相对距离大于数据变化参考值的相邻两个相对差值，并在大的相对差值中选取对应的采集时间在后的数据采集点，确定数据采集点为备选击中点。

可选的，数据变化参考值为1000。

例如，在挥拍数据的采集过程中，各数据采集点的挥拍数据按照采集时间顺序分别为：A1＝1000、A2＝1800、A3＝900、A4＝1200、A5＝2400，从而获取A1和A2的数据值之间的相对差值B1＝800、A2和A3的数据值之间的相对差值B2＝900、A3和A4的数据值之间的相对差值B3＝300、A4和A5的数据值之间的相对差值B4＝1200，并在相对差值B4对应的两个数据采集点A4、A5中选取采集时间在后的A5采集点，即备选击中点。

在步骤S1214中，选取备选击中点之后第一预设数量的数据采集点，获取第一预设数量数据采集点的平均数据值。

备选采集点的挥拍数据发生突变，有可能是由于无效动作导致某个数据采集点的挥拍数据发生数据突变，或单独某个数据采集点的数据错误等情况，因此，需进一步通过挥拍数据对备选采集点的挥拍数据进行验证，提高确定有效击中点的准确性。

第一预设数量是预先设置的数据采集点数量。根据数据采集点的时间先后顺序，选取备选击中点之后的第一预设数量的数据采集点。可选的，第一预设数量为3。

针对获取第一预设数量数据采集点的平均数据值，采用的挥拍数据可以是与确定备选击中点采用的挥拍数据相同的种类，也可以是不同的种类，在此不作限定。

在步骤S1215中，判断平均数据值是否大于有效击中临界值，若为是，则确定备选击中点为挥拍数据发生瞬时突变的数据采集点,将备选击中点作为有效击中点，若为否，则确定备选击中点不是有效击中点。

有效击中临界值是预设的与平均数据值相同种类挥拍数据的数值。可选的，有效击中临界值为10000。

在备选击中点之后，第一预设数量数据采集点的平均数据值大于有效击中临界值，表明在备选击中点之后，一段挥拍数据均发生了较大的变化，此时挥拍数据的变化并非是备选击中点的挥拍数据采集错误，或无效动作导致某个数据采集点的挥拍数据发生数据突变等情况引起的。

利用如上所述的方法，通过对相邻两个数据采集点的数据值确定备选击中点，再对备选击中点之后的第一预设数量数据采集点的挥拍数据进行判断，确定有效击中点，保证确定有效击中点的准确性，进而根据有效击中点提取有效挥拍数据段后进行挥拍动作类型识别，提高了网球拍动作类型识别的准确性。

图5是根据一示例性实施例示出的对步骤S130的细节的描述。该步骤S130可以包括以下步骤。

在步骤S131中，将有效挥拍数据段与预置的模板数据通过动态时间规整算法进行匹配运算，得到有效挥拍数据段与各模板数据之间的匹配距离。

预置的模板数据是对网球拍各种动作类型的挥拍动作进行采集的挥拍数据。可选的，各种动作类型的挥拍动作还包括无意义的击球动作。

在进行网球拍挥拍动作识别之前，网球拍中与预置有各种挥拍动作类型的挥拍数据。模板数据是按照指定的动作挥拍后传感器所输出的数据，按照指定的动作完成了各动作类型的挥拍动作之后所得到的挥拍数据，并存储作为模板数据。

具体的，通过动态时间规整算法将有效挥拍数据段与预置的每一模板数据进行匹配运算，以根据有效挥拍数据段与预置的每一模板数据之间的匹配结果来获知与该有效挥拍数据段最相似的模板数据，而该模板数据所对应的动作类型即为对应的网球挥拍动作识别结果。

通过动态时间规整算法，获取表征有效挥拍数据段与各模板数据之间相似程度的匹配距离值，匹配距离越小，则有效挥拍数据段与模板数据越相似。

对于任一需要进行识别的有效挥拍数据段，将通过动态时间规整算法与预置的模板数据逐一进行匹配，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。

在一个实例性的实施例中，在有效挥拍数据段和模板数据之间，将针对每一动作类型的模板数据，分别按照三轴陀螺仪数据、三轴加速度计数据及其融合产生的三轴合力分量数据计算有效挥拍数据段与模板数据之间的匹配距离，并将所运算得到的三个匹配距离之和置为与该模板数据之间的匹配距离。

详细运算过程如下所述：

一种动作类型的模板数据为TemplateDate＝{Template_g，Template_a，Template_v}。其中三轴陀螺仪数据为Template_g＝[gx，gy，gz]，三轴加速度计数据为Template_a＝[ax，ay，az]，融合产生的三轴合力分量数据为Template_v＝[vx，vy，vz]。有效挥拍数据段为TestDate＝{Test_g，Test_a，Test_v}。针对每一种动作类型的模板数据，分别在Test_g和Template_g、Test_a和Template_a、Test_v和Template_v之间进行匹配运算，分别得到匹配距离DTW(Test_g，Template_g)、DTW(Test_a，Template_a)、DTW(Test_v，Template_v)。此时，有效挥拍数据段和该模板数据之间的匹配距离Distance＝DTW(Test_g，Template_g)+DTW(Test_a，Template_a)+DTW(Test_v，Template_v)。

在步骤S132中，提取最小匹配距离，根据最小匹配距离生成匹配运算结果。

匹配距离越小，有效挥拍数据段与该模板数据的相似程度就越高。该匹配距离最小的模板数据对应的动作类型将是与有效挥拍数据段的动作类型最为相似的。

如上所述的过程中，通过将有效挥拍数据与各动作类型的模板数据进行匹配运算，根据匹配运算后匹配距离最小的模板数据得到有效挥拍数据对应的动作类型，在提取有效挥拍数据段后通过模板数据进行匹配识别，大大提高了挥拍动作类型识别的准确性。

图6是根据一示例性实施例示出的对步骤S130的细节的描述。预置的模板数据中每一个动作类型均预置有多个模板数据，该步骤S130可以包括以下步骤。

在步骤S134中，针对各模板数据，对有效挥拍数据段通过动态时间规整算法进行匹配运算，得到有效挥拍数据段与各模板数据之间的匹配距离。

在步骤S135中，获取匹配距离的大小顺序，选取第二预设数量匹配距离最小的匹配距离。

可以理解的是，有效挥拍数据段与各模板数据的相似程度均存在一定的差别。因而有效挥拍数据段与各模板数据之间的匹配距离是不相同的。通过选取第二预设数量最小的匹配距离，进而对有效挥拍数据段进行动作类型，避免因与某个模板数据匹配运算误差而导致识别错误，提高了对有效挥拍数据段进行动作类型识别的准确性。

例如，模板数据共有M1、M2、M3、M4、M5、M6、M7、M8、M9、M10，有效挥拍数据段，有效挥拍数据段与模板数据M1、M2、M3、M4、M5、M6、M7、M8、M9、M10之间的匹配距离分别为50、100、120、30、10、20、35、15、80、90，预设数量的匹配距离为3个，从而选取与模板数据M5、M6、M8之间的匹配距离10、20、15。

在步骤S136中，获取第二预设数量匹配距离中各匹配距离对应的模板数据，根据模板数据对应的动作类型生成匹配运算结果。

根据选取匹配距离最小的各模板数据，将对应模板数据最多的动作类型识别为有效挥拍数据段的动作类型。

例如，选取的与有效挥拍数据段之间匹配距离最小的模板数据分别M5、M6、M8，而模板数据M5、M6、M8分别对应的动作类型为T1、T1、T2，则该有效挥拍数据段对应的动作类型为T1。

在一个具体的示例性实施例中，如果与模板数据匹配的网球拍动作类型为有效动作类型，则输出显示实时动作识别结果；如果与模板数据匹配的网球拍动作类型与无意义击球动作相匹配，则判断该有效挥拍数据段为无意义数据，对数据进行滤除。

可选的，第二预设数量根据可有效存储数据的内存大小与单类型模板数据大小及存储类型的数量决定。

如上所述的过程中，在各动作类型的模板数据均存在多个时，通过将有效挥拍数据与各模板数据进行匹配运算，匹配运算后选取一定数量匹配距离最小的模板数据，将对应模板数据最多的动作类型识别为有效挥拍数据的动作类型，避免了因与某个模板数据匹配运算误差而导致识别错误，大大提高了对有效挥拍数据段进行动作类型识别的准确性。

可选的，在一示例性实施例中，步骤S140之后还可以包括以下步骤。

在步骤中，根据所述有效挥拍数据段，判断有效击中点时的球旋大小及等级。

在有效击中点时，由于网球拍对网球的作用及网球拍与网球的相对运动关系，网球拍与网球之间会产生一定大小的摩擦力，该摩擦力将使网球运动产生球旋现象，摩擦力大小将受网球拍与网球的摩擦因子μ影响。球旋的大小及等级可由摩擦力的大小或根据有效击中点时网球拍与水平面的夹角大小计算判断。因此，通过有效击中点时网球拍与水平面的夹角大小对球旋大小及等级进行判断。

网球拍动作类型包括上旋、下旋、截击、高压等类型。对网球拍动作类型进行运动学与动力学分析。截击时，网球拍与地面形成夹角标准为90°，可变化范围为80°～90°；上旋或下旋时，网球拍与地面形成夹角标准为52.31±7.88°，可变化范围为45°～60°。

在一个具体的示例性实施例中，对球旋进行计算。有效击中点t时的挥拍数据ballScrewData＝[g_tx,g_ty,g_tz,a_tx,a_ty,a_tz,v_tx,v_ty,v_tz]，计算有效击中点t时网球拍运动的合加速度为网球拍运动方向与水平面的夹角Theta＝arcsin(|a_tx|/a_t合)*180/π。

在有效击中点t时开始的连续M个数据采集点，网球拍运动方向与水平面的夹角Theta_i。可选的，M＝2或3。

计算夹角Theta_i的平均值，记为Aver_Theta，则

根据Theta、夹角Theta_i的平均值Aver_Theta和Theta的相关性ε(ε＝|Aver_Theta-Theta|)判断球旋的大小和等级。

若Theta＝90°且ε<7，则说明无球旋产生，球旋等级为零级球旋；若80°<|Theta|<90°或0°≤|Theta|<45°，且ε<7，定义球旋等级为一级球旋；若60°<|Theta|≤80°且ε<7，定义球旋等级为二级球旋；若45°≤|Theta|≤60°且ε<7，定义球旋等级为三级球旋；

通过两个网球拍进行通信连接，接收对方网球拍采集到的挥拍数据，在识别对方网球拍的动作类型及球旋后进行显示，进而根据识别显示的网球拍的动作类型及球旋，选择合适接球动作类型，从而为网球的训练提供了帮助。

下述为本公开装置实施例，可以用于执行本上述网球拍动作识别方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开网球拍动作识别方法实施例。

图7是根据一示例性实施例示出的一种网球拍动作识别装置的框图，该装置包括但不限于：挥拍数据采集模块110、有效数据提取模块120、模板匹配模块130及动作识别模块140。

挥拍数据采集模块110，用于采集网球拍的挥拍数据；

有效数据提取模块120，用于通过有效击中点在挥拍数据中提取有效挥拍数据段；

模板匹配模块130，用于对有效挥拍数据段和预置的模板数据进行匹配运算，预置的模板数据对应于网球拍的动作类型；

动作识别模块140，用于根据匹配运算结果得到对应的网球拍动作识别结果。

上述装置中各个模块的功能和作用的实现过程具体详见上述网球拍动作识别方法中对应步骤的实现过程，在此不再赘述。

可选的，如图8所示，有效数据提取模块120包括但不限于：有效击中点确定子模块121和有效数据提取子模块122。

有效击中点确定子模块121，用于确定挥拍数据发生瞬时突变的数据采集点，将数据采集点作为有效击中点；

有效数据提取子模块122，用于根据有效击中点在挥拍数据中提取有效挥拍数据段。

可选的，如图9所示，有效击中点确定子模块121包括但不限于：相对差值获取单元1211、相对距离获取单元1212、备选击中点确定单元1213、平均值计算单元1214和有效击中点判断单元1215。

相对差值获取单元1211，用于获取挥拍数据中各前后相邻两个数据采集点的数据值的相对差值；

相对距离获取单元1212，用于针对每两个相邻的相对差值，获取两个相邻的相对差值之间的相对距离；

备选击中点确定单元1213，用于选取相对距离大于数据变化参考值的相邻两个相对差值，并在大的相对差值中选取对应的采集时间在后的数据采集点，确定数据采集点为备选击中点；

平均值计算单元1214，用于选取备选击中点之后第一预设数量的数据采集点，计算第一预设数量数据采集点的平均数据值；

有效击中点判断单元1215，用于判断平均数据值是否大于有效击中临界值，若为是，则确定备选击中点为挥拍数据发生瞬时突变的数据采集点,将备选击中点作为有效击中点。

可选的，如图10所示，模板匹配模块130包括但不限于第一模板距离获取子模块131和第一匹配结果生成子模块132。

第一模板距离获取子模块131，用于将有效挥拍数据段与的各动作类型的模板数据通过动态时间规整算法进行匹配运算，得到有效挥拍数据段与各动作类型的模板数据之间的匹配距离；

第一匹配结果生成子模块132，用于提取最小匹配距离，根据最小匹配距离生成匹配运算结果。

可选的，如图11所示，模板匹配模块130包括但不限于：第二模板距离获取子模块134、小匹配距离选取子模块135和第二匹配结果生成子模块136。

第二模板距离获取子模块134，用于针对各模板数据，对有效挥拍数据段通过动态时间规整算法进行匹配运算，得到有效挥拍数据段与各模板数据之间的匹配距离；

小匹配距离选取子模块135，用于获取匹配距离的大小顺序，选取第二预设数量匹配距离最小的匹配距离；

第二匹配结果生成子模块136，用于获取第二预设数量匹配距离中各匹配距离对应的模板数据，根据模板数据对应的动作类型生成匹配运算结果。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种网球拍动作识别方法，其特征在于，包括：

采集网球拍的挥拍数据；

通过有效击中点在所述挥拍数据中提取有效挥拍数据段；

对所述有效挥拍数据段和预置的模板数据进行匹配运算，所述预置的模板数据对应于网球拍的动作类型；

根据匹配运算结果得到对应的网球拍动作识别结果。

2.根据权利要求1所述的方法，其特征在于，所述通过有效击中点在所述挥拍数据中提取有效挥拍数据段步骤包括：

确定所述挥拍数据发生瞬时突变的数据采集点，将所述数据采集点作为有效击中点；

根据所述有效击中点在所述挥拍数据中提取有效挥拍数据段。

3.根据权利要求2所述的方法，其特征在于，所述确定所述挥拍数据发生瞬时突变的数据采集点，将所述数据采集点作为有效击中点步骤包括：

获取所述挥拍数据中各前后相邻两个数据采集点的数据值的相对差值；

针对每两个相邻的相对差值，获取两个相邻的相对差值之间的相对距离；

选取所述相对距离大于数据变化参考值的相邻两个相对差值，并在大的相对差值中选取对应的采集时间在后的数据采集点，确定所述数据采集点为备选击中点；

选取所述备选击中点之后第一预设数量的数据采集点，计算所述预设数量数据采集点的平均数据值；

判断所述平均数据值是否大于有效击中临界值，若为是，则确定所述备选击中点为所述挥拍数据发生瞬时突变的数据采集点, 将所述备选击中点作为有效击中点。

4.根据权利要求1所述的方法，其特征在于，所述对所述有效挥拍数据段和预置的模板数据进行匹配运算步骤包括：

将所述有效挥拍数据段与的各动作类型的模板数据通过动态时间规整算法进行匹配运算，得到所述有效挥拍数据段与各动作类型的模板数据之间的匹配距离；

提取最小匹配距离，根据所述最小匹配距离生成匹配运算结果。

5.根据权利要求1所述的方法，其特征在于，所述预置的模板数据中每一个动作类型均预置有多个模板数据，所述对所述有效挥拍数据段和预置的模板数据进行匹配运算步骤包括：

针对各模板数据，对所述有效挥拍数据段通过动态时间规整算法进行匹配运算，得到所述有效挥拍数据段与各模板数据之间的匹配距离；

获取所述匹配距离的大小顺序，选取第二预设数量匹配距离最小的匹配距离；

获取所述第二预设数量匹配距离中各匹配距离对应的模板数据，根据所述模板数据对应的动作类型生成匹配运算结果。

6.一种网球拍动作识别装置，包括：

挥拍数据采集模块，用于采集网球拍的挥拍数据；

有效数据提取模块，用于通过有效击中点在所述挥拍数据中提取有效挥拍数据段；

模板匹配模块，用于对所述有效挥拍数据段和预置的模板数据进行匹配运算，所述预置的模板数据对应于网球拍的动作类型；

动作识别模块，用于根据匹配运算结果得到对应的网球拍动作识别结果。

7.根据权利要求6所述的装置，其特征在于，所述有效数据提取模块包括：

有效击中点确定子模块，用于确定所述挥拍数据发生瞬时突变的数据采集点，将所述数据采集点作为有效击中点；

有效数据提取子模块，用于根据所述有效击中点在所述挥拍数据中提取有效挥拍数据段。

8.根据权利要求7所述的装置，其特征在于，所述有效击中点确定子模块包括：

相对差值获取单元，用于获取所述挥拍数据中各前后相邻两个数据采集点的数据值的相对差值；

相对距离获取单元，用于针对每两个相邻的相对差值，获取两个相邻的相对差值之间的相对距离；

备选击中点确定单元，用于选取所述相对距离大于数据变化参考值的相邻两个相对差值，并在大的相对差值中选取对应的采集时间在后的数据采集点，确定所述数据采集点为备选击中点；

平均值计算单元，用于选取所述备选击中点之后第一预设数量的数据采集点，计算所述第一预设数量数据采集点的平均数据值；

有效击中点判断单元，用于判断所述平均数据值是否大于有效击中临界值，若为是，则确定所述备选击中点为所述挥拍数据发生瞬时突变的数据采集点, 将所述备选击中点作为有效击中点。

9.根据权利要求6所述的装置，其特征在于，所述模板匹配模块包括：

第一模板距离获取子模块，用于将所述有效挥拍数据段与的各动作类型的模板数据通过动态时间规整算法进行匹配运算，得到所述有效挥拍数据段与各动作类型的模板数据之间的匹配距离；

第一匹配结果生成子模块，用于提取最小匹配距离，根据所述最小匹配距离生成匹配运算结果。

10.根据权利要求6所述的装置，其特征在于，所述模板匹配模块包括：

第二模板距离获取子模块，用于针对各模板数据，对所述有效挥拍数据段通过动态时间规整算法进行匹配运算，得到所述有效挥拍数据段与各模板数据之间的匹配距离；

小匹配距离选取子模块，用于获取所述匹配距离的大小顺序，选取第二预设数量匹配距离最小的匹配距离；

第二匹配结果生成子模块，用于获取所述第二预设数量匹配距离中各匹配距离对应的模板数据，根据所述模板数据对应的动作类型生成匹配运算结果。