CN108363959A - 一种针对乒乓球或羽毛球运动动作识别方法 - Google Patents

一种针对乒乓球或羽毛球运动动作识别方法 Download PDF

Info

Publication number
CN108363959A
CN108363959A CN201810058383.6A CN201810058383A CN108363959A CN 108363959 A CN108363959 A CN 108363959A CN 201810058383 A CN201810058383 A CN 201810058383A CN 108363959 A CN108363959 A CN 108363959A
Authority
CN
China
Prior art keywords
action
axis
calculate
indicates
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810058383.6A
Other languages
English (en)
Other versions
CN108363959B (zh
Inventor
李少辉
周军
李元良
李嘉昕
陈富东
李晓光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201810058383.6A priority Critical patent/CN108363959B/zh
Publication of CN108363959A publication Critical patent/CN108363959A/zh
Application granted granted Critical
Publication of CN108363959B publication Critical patent/CN108363959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种针对乒乓球或羽毛球运动动作识别方法，该方法通过加速度计和陀螺仪采集运动员的动作原始数据，利用动作的周期性实现动作分割，并对分割后的单个动作分别提取特征值生成动作的特征数据，这样提取到的若干种特征数据易于扩展且具有良好的泛化能力。选择三层BP神经网络作为识别器模型，其识别能力满足乒乓球和羽毛球动作识别的要求且结构简单易于实现。以提取到的特征数据作为神经网络的输入神经元，选择RELU函数和softmax函数分别作为输入层到隐含层，隐含层到输出层的激活函数，实现对动作特征等输入信息的非线性映射。训练1000次后得到识别器模型，将实施特征数据输入训练好的识别器模型中，实现动作识别。

Description

一种针对乒乓球或羽毛球运动动作识别方法
技术领域
本发明涉及一种针对乒乓球或羽毛球运动动作识别方法，属于模式识别与人工智能技术领域。
背景技术
近年来，随着智能穿戴产品及其技术推广不断深入，市场上的各种智能手环、智能手表层出不穷，但是产品的主要功能较为单一，尤其缺乏对于具体运动的动作识别功能。调查数据显示国内乒乓球和羽毛球运动的爱好者群体巨大，因此为用户提供一款用于乒乓球和羽毛球运动的动作识别方法，以此提高用户的球技和训练效率，具有很大的市场前景。
目前的动作识别方法主要为基于视觉的动作识别方法。但是视觉设备不宜携带，使用过程较为繁琐，对于业余爱好者来说不具有推广意义。针对乒乓球和羽毛球运动，手臂及腕部动作的标准性极为重要，因此相比之下，具有加速度计和陀螺仪且方便佩戴的腕带类电子设备可以作为乒乓球和羽毛球运动的动作识别的理想平台。
随着人工神经网络应用的普及，与此相关的模式识别领域的识别准确率也得到了很大提高。但是在动作识别中，需要将连续动作分割为单个动作才能进行后续的特征提取，针对乒乓球和羽毛球运动的动作识别方法，只有找到较为明显的识别特征才能有效的提高准确率。
发明内容
通过对乒乓球和羽毛球运动的动作特征的研究与分析，本发明提出一种针对乒乓球或羽毛球运动动作识别方法，该方法通过加速度计和陀螺仪采集运动员的动作原始数据，利用动作的周期性实现动作分割，并对分割后的单个动作分别提取特征值生成动作的特征数据，这样提取到的若干种特征数据易于扩展且具有良好的泛化能力。选择三层BP神经网络作为识别器模型，其识别能力满足乒乓球和羽毛球动作识别的要求且结构简单易于实现。以提取到的特征数据作为神经网络的输入神经元，选择RELU函数和softmax函数分别作为输入层到隐含层，隐含层到输出层的激活函数，实现对动作特征等输入信息的非线性映射。训练1000次后得到识别器模型，将实施特征数据输入训练好的识别器模型中，实现动作识别。
本发明的技术方案如下：
一种针对乒乓球或羽毛球运动动作识别方法，其特征在于包括如下步骤：
(1)、利用乒乓球或羽毛球运动员佩戴于腕部的信息采集设备来采集运动员的三轴加速度ax,ay,az，三轴角速度Wx,Wy,Wz和三轴姿态角θx,θy,θz，并上传至上位机中生成一组n行9列的矩阵，其中，n表示采集到的数据个数；
上述信息采集设备包括陀螺仪和加速度计。
(2)、以Z轴加速度信号的相邻两个波谷点作为动作的分割点，将采集到的n行原始运动数据分割成m组带有动作种类标记的数据，其中m表示动作个数；
(3)、用采集到的三轴加速度，三轴角速度和三轴姿态角数据来计算提取每个动作的10个特征值并生成特征矩阵；
上述步骤(3)中计算三轴加速度信号的合成加速度三轴角速度信号的合成角速度通过以下方法计算提取每个动作的特征值并生成特征矩阵：
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的均值， Ai＝(ai1+ai2+...+aik)/k，其中i表示第i个动作，k表示第i个动作的合成加速度数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的方差，其中j表示第i个动作的第j个合成加速度数据；
计算每个动作合成加速度信号[ai1,ai2,...aik]模的幅值， Ci＝max(aij)-min(aij)；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的均值， Di＝(Wi1+Wi2+...+Wik)/k，其中i表示第i个动作，k表示第i个动作的合成角速度数据个数；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的方差，其中j表示第i个动作的第j个合成角速度数据；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的幅值， Fi＝max(Wij)-min(Wij)；
计算每个动作的X轴角度信号[Xi1,Xi2,...Xik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的X轴角度信号数据个数；
计算每个动作的Y轴角度信号[Yi1,Yi2,...Yik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Y轴角度信号数据个数；
计算每个动作的Z轴角度信号[Zi1,Zi2,...Zik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]和合成角速度信号 [Wi1,Wi2,...Wik]协方差的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数。
最终得到形如的特征矩阵。
(4)、以10个特征值作为三层BP神经网络的输入层，训练识别器模型；
训练识别器模型的方法如下：
(a)建立一个3层BP神经网络，以10个特征值作为神经网络的输入层神经元，隐含层神经元个数为9个，学习率为0.01；
(b)将特征矩阵归一化处理，按行输入神经网络中，输入层到隐含层选则RELU非线性激活函数，隐含层到输出层选择softmax激活函数；
(c)采用随机梯度下降法不断减小训练误差，训练1000次后得到输入层到隐含层的权值矩阵偏置矩阵隐含层到输出层的权值矩阵偏置矩阵r表示可识别的动作种类数，以此得到识别器模型。
(5)、将采集到的实时运动数据进行动作分割并计算特征值后输入训练好的识别器模型中，输出识别结果。
本发明所达到的有益效果：
本发明通过腕带类电子设备采集乒乓球和羽毛球运动员的动作数据，对连续动作的数据进行分割并对每个动作提取10个特征值，以10个特征值作为BP神经网络的输入，得到识别器模型，然后实时采集运动员的动作数据并提取特征作为BP神经网络的输入进行实时识别。BP神经网络采用分布、并行的网状结构进行训练学习，使其容错性更高，处理速度更快，可以更好的完成实时识别。
附图说明
图1是针对乒乓球或羽毛球运动的动作识别的系统架构图。
图2是乒乓球和羽毛球动作数据Z轴加速度的波形图。
图3是基于BP神经网络的动作识别方案。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例：
(1)如图1所示，根据本发明提出的一种针对乒乓球或羽毛球运动动作识别方法的系统架构图，图中虚线以下部分是识别器模型的离线训练过程，虚线以上部分是动作的实时分类识别。应该了解，图1所示的根据本发明示例性实施例的针对乒乓球或羽毛球运动的动作识别方法可适用于具有加速度计和陀螺仪的任何腕带类电子设备。
在识别器模型的离线训练部分，利用带有陀螺仪和加速度计的腕带电子类设备，可采集标准运动员的标准动作数据。包括乒乓球运动员正手挥拍，反手挥拍，正手削球，反手削球，扣杀，捡球等，羽毛球运动员正手挥拍，反手挥拍，正手削球，反手削球，扣杀，挑高球，捡球等动作的三轴加速度ax,ay,az，三轴角速度Wx,Wy,Wz和三轴姿态角θx,θy,θz，并上传至上位机中生成一组n行9列的矩阵，其中，n表示采集到的数据个数。
(2)如图2所示，以Z轴角速度信号的相邻两个波谷点作为动作的分割点，将采集到的n行原始运动数据分割成m组带有动作种类标记的数据，其中m表示动作个数。
(3)用采集到的三轴加速度，三轴角速度和三轴姿态角数据来计算提取每个动作的10个特征值并生成特征矩阵；更具体的，计算三轴加速度信号的合成加速度三轴角速度信号的合成角速度通过以下方法计算提取每个动作的特征值并生成特征矩阵：
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的均值， Ai＝(ai1+ai2+...+aik)/k，其中i表示第i个动作，k表示第i个动作的合成加速度数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的方差，其中j表示第i个动作的第j个合成加速度数据；
计算每个动作合成加速度信号[ai1,ai2,...aik]模的幅值， Ci＝max(aij)-min(aij)；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的均值， Di＝(Wi1+Wi2+...+Wik)/k，其中i表示第i个动作，k表示第i个动作的合成角速度数据个数；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的方差，其中j表示第i个动作的第j个合成角速度数据；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的幅值， Fi＝max(Wij)-min(Wij)；
计算每个动作的X轴角度信号[Xi1,Xi2,...Xik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的X轴角度信号数据个数；
计算每个动作的Y轴角度信号[Yi1,Yi2,...Yik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Y轴角度信号数据个数；
计算每个动作的Z轴角度信号[Zi1,Zi2,...Zik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]和合成角速度信号 [Wi1,Wi2,...Wik]协方差的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数。
最终得到形如的特征矩阵。
(4)、以10个特征值作为三层BP神经网络的输入层，训练识别器模型；如图3所示，建立一个3层bp神经网络，隐含层神经元个数设定为9 个，学习率为0.01。将特征矩阵归一化处理，按行输入神经网络中，输入层到隐含层选择RELU非线性激活函数，隐含层到输出层选择softmax激活函数，输出层网络应用的类型编号：O＝[O1,O2,...,Ok,...,Ol],比如动作类型 1的编号对应[1,0,0,0,0,0,0,0],动作类型2的编号对应[0,1,0,0,0,0,0,0],以此类推。采用随机梯度下降法不断减小训练误差，训练1000次后得到输入层到隐含层的权值矩阵偏置矩阵隐含层到输出层的权值矩阵偏置矩阵(r表示可识别的动作种类数)。以此得到识别器模型。
(5)、将采集到的实时运动数据进行动作分割并计算特征值后输入训练好的识别器模型中，输出识别结果。
识别器模式实时分类识别部分，将采集到的实时运动数据进行分割并计算特征值后输入训练好的识别器模型中，得到一组输出形如 [O1,O2,...,Ok,...,Ol]的向量，例如得到的向量为[0.98,0.02,0,0,0,0,0,0]，识别结果即为动作类型1。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种针对乒乓球或羽毛球运动动作识别方法，其特征在于包括如下步骤：
(1)、利用乒乓球或羽毛球运动员佩戴于腕部的信息采集设备来采集运动员的三轴加速度ax,ay,az，三轴角速度Wx,Wy,Wz和三轴姿态角θx,θy,θz，并上传至上位机中生成一组n行9列的矩阵，其中，n表示采集到的数据个数；
(2)、以Z轴加速度信号的相邻两个波谷点作为动作的分割点，将采集到的n行原始运动数据分割成m组带有动作种类标记的数据，其中m表示动作个数；
(3)、用采集到的三轴加速度，三轴角速度和三轴姿态角数据来计算提取每个动作的10个特征值并生成特征矩阵；
(4)、以10个特征值作为三层BP神经网络的输入层，训练识别器模型；
(5)、将采集到的实时运动数据进行动作分割并计算特征值后输入训练好的识别器模型中，输出识别结果。
2.根据权利要求1所述的一种针对乒乓球或羽毛球运动动作识别方法，其特征在于：所述步骤(1)中的信息采集设备包括陀螺仪和加速度计。
3.根据权利要求1所述的一种针对乒乓球或羽毛球运动动作识别方法，其特征在于：所述步骤(3)中计算三轴加速度信号的合成加速度三轴角速度信号的合成角速度通过以下方法计算提取每个动作的特征值并生成特征矩阵：
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的均值，Ai＝(ai1+ai2+...+aik)/k，其中i表示第i个动作，k表示第i个动作的合成加速度数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]模的方差，其中j表示第i个动作的第j个合成加速度数据；
计算每个动作合成加速度信号[ai1,ai2,...aik]模的幅值，Ci＝max(aij)-min(aij)；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的均值，Di＝(Wi1+Wi2+...+Wik)/k，其中i表示第i个动作，k表示第i个动作的合成角速度数据个数；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的方差，其中j表示第i个动作的第j个合成角速度数据；
计算每个动作的合成角速度信号[Wi1,Wi2,...Wik]模的幅值，Fi＝max(Wij)-min(Wij)；
计算每个动作的X轴角度信号[Xi1,Xi2,...Xk]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的X轴角度信号数据个数；
计算每个动作的Y轴角度信号[Yi1,Yi2,...Yik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Y轴角度信号数据个数；
计算每个动作的Z轴角度信号[Zi1,Zi2,...Zik]的增量绝对值的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数；
计算每个动作的合成加速度信号[ai1,ai2,...aik]和合成角速度信号[Wi1,Wi2,...Wik]协方差的和，其中i表示第i个动作，k表示第i个动作的Z轴角度信号数据个数。
最终得到形如的特征矩阵。
4.根据权利要求1所述的一种针对乒乓球或羽毛球运动动作识别方法，其特征在于：所述步骤(4)训练识别器模型的方法如下：
(a)建立一个3层BP神经网络，以10个特征值作为神经网络的输入层神经元，隐含层神经元个数为9个，学习率为0.01；
(b)将特征矩阵归一化处理，按行输入神经网络中，输入层到隐含层选则RELU非线性激活函数，隐含层到输出层选择softmax激活函数；
(c)采用随机梯度下降法不断减小训练误差，训练1000次后得到输入层到隐含层的权值矩阵偏置矩阵隐含层到输出层的权值矩阵偏置矩阵r表示可识别的动作种类数，以此得到识别器模型。
CN201810058383.6A 2018-01-22 2018-01-22 一种针对乒乓球或羽毛球运动动作识别方法 Active CN108363959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810058383.6A CN108363959B (zh) 2018-01-22 2018-01-22 一种针对乒乓球或羽毛球运动动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810058383.6A CN108363959B (zh) 2018-01-22 2018-01-22 一种针对乒乓球或羽毛球运动动作识别方法

Publications (2)

Publication Number Publication Date
CN108363959A true CN108363959A (zh) 2018-08-03
CN108363959B CN108363959B (zh) 2021-12-10

Family

ID=63006635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058383.6A Active CN108363959B (zh) 2018-01-22 2018-01-22 一种针对乒乓球或羽毛球运动动作识别方法

Country Status (1)

Country Link
CN (1) CN108363959B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674683A (zh) * 2019-08-15 2020-01-10 深圳供电局有限公司 机器人手部动作识别方法和系统
CN110898409A (zh) * 2019-11-05 2020-03-24 五邑大学 智能羽毛球拍动作识别系统
CN110916577A (zh) * 2019-12-17 2020-03-27 小狗电器互联网科技（北京）股份有限公司 一种机器人静止状态的判断方法、装置及机器人
CN111860061A (zh) * 2019-04-29 2020-10-30 北京卡路里信息技术有限公司 羽毛球击球动作的识别方法、装置和可穿戴设备
CN114307116A (zh) * 2021-12-24 2022-04-12 杭州电子科技大学 基于系统评分的智能数字化乒乓球训练系统及其工作方法
CN114898525A (zh) * 2022-07-04 2022-08-12 湖北海纳天鹰科技发展有限公司 一种坠落防护安全带佩戴状态检测的方法及装置
CN117315780A (zh) * 2023-09-28 2023-12-29 江苏运动健康研究院 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005383A (zh) * 2015-07-10 2015-10-28 昆山美莱来工业设备有限公司 一种利用手势操控移动机器人的可穿戴臂环
CN105929940A (zh) * 2016-04-13 2016-09-07 哈尔滨工业大学深圳研究生院 基于细分特征值法的快速三维动态手势识别方法及系统
CN107036596A (zh) * 2017-04-12 2017-08-11 无锡研测技术有限公司 基于mems惯性传感器模组的工业手环

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005383A (zh) * 2015-07-10 2015-10-28 昆山美莱来工业设备有限公司 一种利用手势操控移动机器人的可穿戴臂环
CN105929940A (zh) * 2016-04-13 2016-09-07 哈尔滨工业大学深圳研究生院 基于细分特征值法的快速三维动态手势识别方法及系统
CN107036596A (zh) * 2017-04-12 2017-08-11 无锡研测技术有限公司 基于mems惯性传感器模组的工业手环

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王雪梅等: "基于MEMS 传感器的手臂运动测量和识别方法", 《中国惯性技术学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860061A (zh) * 2019-04-29 2020-10-30 北京卡路里信息技术有限公司 羽毛球击球动作的识别方法、装置和可穿戴设备
CN110674683A (zh) * 2019-08-15 2020-01-10 深圳供电局有限公司 机器人手部动作识别方法和系统
CN110674683B (zh) * 2019-08-15 2022-07-22 深圳供电局有限公司 机器人手部动作识别方法和系统
CN110898409A (zh) * 2019-11-05 2020-03-24 五邑大学 智能羽毛球拍动作识别系统
CN110916577A (zh) * 2019-12-17 2020-03-27 小狗电器互联网科技（北京）股份有限公司 一种机器人静止状态的判断方法、装置及机器人
CN114307116A (zh) * 2021-12-24 2022-04-12 杭州电子科技大学 基于系统评分的智能数字化乒乓球训练系统及其工作方法
CN114898525A (zh) * 2022-07-04 2022-08-12 湖北海纳天鹰科技发展有限公司 一种坠落防护安全带佩戴状态检测的方法及装置
CN117315780A (zh) * 2023-09-28 2023-12-29 江苏运动健康研究院 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统

Also Published As

Publication number Publication date
CN108363959B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN108363959A (zh) 一种针对乒乓球或羽毛球运动动作识别方法
Host et al. An overview of Human Action Recognition in sports based on Computer Vision
Li et al. An intelligent optimization method of motion management system based on BP neural network
CN107169435A (zh) 一种基于雷达仿真图像的卷积神经网络人体动作分类方法
CN108509910A (zh) 基于fmcw雷达信号的深度学习手势识别方法
Kim et al. Golf swing segmentation from a single IMU using machine learning
CN110490109A (zh) 一种基于单目视觉的在线人体康复动作识别方法
Pei et al. An embedded 6-axis sensor based recognition for tennis stroke
CN106874874A (zh) 一种运动状态的识别方法及装置
CN108205684A (zh) 图像消歧方法、装置、存储介质和电子设备
KR100907704B1 (ko) 인공지능형 캐디를 이용한 골퍼자세교정시스템 및 이를이용한 골퍼자세교정방법
Chu et al. Image recognition of badminton swing motion based on single inertial sensor
Nie et al. The construction of basketball training system based on motion capture technology
Kishore et al. Spatial Joint features for 3D human skeletal action recognition system using spatial graph kernels
Schöllhorn et al. Self-organizing maps and cluster analysis in elite and sub-elite athletic performance
Wang Basketball sports posture recognition based on neural computing and visual sensor
Zhang et al. [Retracted] Research on Pose Recognition Algorithm for Sports Players Based on Machine Learning of Sensor Data
CN108875578A (zh) 一种自适应群智能优化sar雷达空中飞行目标识别系统
Zhao et al. Recognition of Volleyball Player's Arm Motion Trajectory and Muscle Injury Mechanism Analysis Based upon Neural Network Model
Zhou et al. A Swarm Intelligence Assisted IoT-Based Activity Recognition System for Basketball Rookies
CN109011505A (zh) 一种低功耗高精度乒乓球运动的识别方法及装置
Abdullah et al. Recognition and Evaluation of Stability Movements in Gymnastics Based on Deep Learning
Wang et al. Return Strategy and Machine Learning Optimization of Tennis Sports Robot for Human Motion Recognition
Kim DNN-based human activity recognition by learning initial motion data for virtual multi-sports
CN114821812B (zh) 一种基于深度学习的花样滑冰选手骨骼点动作识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant