CN111860061A - 羽毛球击球动作的识别方法、装置和可穿戴设备 - Google Patents

Abstract

本发明公开了一种羽毛球击球动作的识别方法、装置和可穿戴设备。其中，该方法包括：采集羽毛球运动中手腕的运动轨迹数据；根据运动轨迹数据生成特征数据；将特征数据输入识别模型，由识别模型识别特征数据对应的羽毛球击球动作，其中，识别模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。本发明解决了相关技术中不能识别羽毛球击球动作的技术问题。

Description

羽毛球击球动作的识别方法、装置和可穿戴设备

技术领域

本发明涉及运动设备领域，具体而言，涉及一种羽毛球击球动作的识别方法、装置和可穿戴设备。

背景技术

目前为止，绝大多数手环、手表等智能可穿戴设备都具有六轴传感器(三轴加速度计+三轴陀螺仪)可以输出运动轨迹数据，但是这些智能手环、手表等都没有羽毛球运动记录功能，也不能够识别羽毛球击球动作。例如，在羽毛球运动中，不能识别哪些是杀球，哪些是挑球，以及一些其他的羽毛球击球动作。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种羽毛球击球动作的识别方法、装置和可穿戴设备，以至少解决相关技术中不能识别羽毛球击球动作的技术问题。

根据本发明实施例的一个方面，提供了一种羽毛球击球动作的识别方法，包括：采集羽毛球运动中手腕的运动轨迹数据；根据所述运动轨迹数据生成特征数据；将所述特征数据输入识别模型，由所述识别模型识别所述特征数据对应的羽毛球击球动作，其中，所述识别模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

可选地，所述特征数据包括直接特征数据和间接特征数据，根据所述运动轨迹数据生成特征数据包括:从所述运动轨迹数据直接提取特征数据，得到直接特征数据；和/或，将所述运动轨迹数据转化为离散特征数据，得到间接特征数据，其中，所述间接特征数据包括以下至少之一：动作时长，频率，震荡幅度，坡度，峰度。

可选地，根据所述运动轨迹数据生成特征数据还包括：根据羽毛球击球动作的运动特征，设置特征数据阈值；确定所述运动轨迹数据在所述特征数据阈值范围内的所述特征数据。

可选地，还包括，统计所述羽毛球击球动作，得到统计结果；在羽毛球运动中和/或羽毛球运动后，对所述统计结果进行显示和/或语音提示。

可选地，所述羽毛球击球动作包括以下至少之一：杀球，高远球，搓球，挡球，挑球，扑球，钩球，吊球。

可选地，所述运动轨迹数据为三轴运动轨迹数据。

根据本发明实施例的另一方面，还提供了一种羽毛球击球动作的识别装置，包括：采集模块，用于采集羽毛球运动中手腕的运动轨迹数据；生成模块，用于根据所述运动轨迹数据生成特征数据；识别模块，用于将所述特征数据输入识别模型，由所述识别模型识别所述特征数据对应的羽毛球击球动作，其中，所述识别模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

根据本发明实施例的另一方面，还提供了一种可穿戴设备，所述设备包括上述中所述的羽毛球击球动作的识别装置。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质存储有程序，其中，在所述程序被处理器运行时使得所述处理器执行上述中任意一项所述的羽毛球击球动作的识别方法。

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的羽毛球击球动作的识别方法。

在本发明实施例中，采用采集羽毛球运动中手腕的运动轨迹数据；根据所述运动轨迹数据生成特征数据；将所述特征数据输入识别模型，由所述识别模型识别所述特征数据对应的羽毛球击球动作，其中，所述识别模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作的方式，通过识别模型对羽毛球运动中手腕的运动轨迹数据进行识别，达到了识别羽毛球击球动作的目的，从而实现了快速、准确地识别羽毛球击球动作的技术效果，进而解决了相关技术中不能识别羽毛球击球动作的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的羽毛球击球动作的识别方法的流程图；

图2是根据本发明优选实施例的羽毛球击球动作的识别方法的流程图；

图3是根据本发明优选实施例的羽毛球挥拍动作的3D轨迹曲线的示意图；

图4是根据本发明实施例的羽毛球击球动作的识别装置的结构示意图；

图5是根据本发明实施例的可穿戴设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种羽毛球击球动作的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的羽毛球击球动作的识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，采集羽毛球运动中手腕的运动轨迹数据；

步骤S104，根据运动轨迹数据生成特征数据；

步骤S106，将特征数据输入识别模型，由识别模型识别特征数据对应的羽毛球击球动作，其中，识别模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

通过上述步骤，可以实现通过识别模型对羽毛球运动中手腕的运动轨迹数据进行识别，达到了识别羽毛球击球动作的目的，从而实现了快速、准确地识别羽毛球击球动作的技术效果，进而解决了相关技术中不能识别羽毛球击球动作的技术问题。

上述采集羽毛球运动中手腕的运动轨迹数据是通过智能可穿戴设备实现的，其中，智能可穿戴设备可以是手环，手表，还可以是其它可用于采集手腕的运动轨迹数据的设备。

上述根据运动轨迹数据生成特征数据，也就是从运动轨迹数据直接或间接提取数据，组成特征数据，作为后续识别模型的输入参数。

在构建上述识别模型以后，需要对识别模型进行训练，通过机器学习的方式对大量的数据进行训练，直至该识别模型收敛。其中，该识别模型可以是基于神经网络，向量机、随机森林等构建形成。通过该识别模型，可以根据输入的特征数据，快速、准确地识别出该特征数据对应的羽毛球击球动作,提高识别率。

可选地，特征数据包括直接特征数据和间接特征数据，根据运动轨迹数据生成特征数据包括:从运动轨迹数据直接提取特征数据，得到直接特征数据；和/或，将运动轨迹数据转化为离散特征数据，得到间接特征数据，其中，间接特征数据包括以下至少之一：动作时长，频率，震荡幅度，坡度，峰度。

作为一种可选的实施例，上述直接特征数据为直接从运动轨迹数据获得的数据，例如，加速度、角速度等。而间接特征数据，也即离散特征数据，是在运动轨迹数据基础上进行加工处理获得的数据，例如，动作时长，频率，震荡幅度，坡度，峰度等。

作为一种可选的实施例，上述接特征数据和间接特征数据可以单独使用，也可以联合使用，其获得的数据均用于后续击球动作识别模型的输入。

可选地，根据运动轨迹数据生成特征数据还包括：根据羽毛球击球动作的运动特征，设置特征数据阈值；确定运动轨迹数据在特征数据阈值范围内的特征数据。

作为一种可选的实施例，上述运动特征可以是击球力量，也可以是击球速度，在具体实施过程中，可以根据不同的用户羽毛球击球习惯来确定，进一步讲，也是根据不同的用户羽毛球击球特点来确定的。可以将单独使用其中一个运动特征设置特征数据阈值，也可以将多个运动特征结合起来，用于设置特征数据阈值，在实施中可以灵活选择。

作为一种可选的实施例，上述特征数据阈值可以包括最大特征数据阈值和最小特征数据阈值，进而确定运动轨迹数据在该特征数据阈值范围内的特征数据。需要说明的是，该特征数据阈值能够进行动态调整。而设置特征数据阈值以及利用该特征数据阈值确定特征数据，其目的是获得更加准确的轨迹特征数据，在一定程度上能够提高后续击球动作识别的准确性。

可选地，还包括，统计羽毛球击球动作，得到统计结果；在羽毛球运动中和/或羽毛球运动后，对统计结果进行显示和/或语音提示。

作为一种可选的实施例，可以实现对识别后的羽毛球击球动作的统计，例如，在羽毛球运动中，根据用户第一局击球，统计得到杀球10次、挡球35次、高远球5次、挑球8次，搓球2次。依次可以统计第二局、第三局等，以此类推，在运动结束后，可以直接显示结束前的所有羽毛球击球动作。其中，在羽毛球运动中统计的击球动作是每识别出一个击球动作，就累加前面的击球动作对应的类型中，这样可以实时显示每一类型的击球动作次数。另外，在羽毛球运动后可以显示本次运动中，羽毛球击球动作的总次数，以及每一类型的击球动作次数。进而，可以是用户及时、准确的了解自己在羽毛球运动中的击球动作，增加了运动的趣味性。

作为一种可选的实施例，还可以统计羽毛球击球动作，得到统计结果；在羽毛球运动中和/或羽毛球运动后，对统计结果进行语音提示。例如，在羽毛球运动中，可以当识别出当前的击球动作为“杀球”时，就会通过语音提示用户。同样的，可以根据实际需要，对各个类型的击球动作进行语音提示，还包括提示击球动作的次数。

作为一种可选的实施例，上述显示以及语音提示的方法，既可以单独使用，也可以结合使用，用户可以根据需要对显示或者语音提示的内容进行设置，例如，击球类型、击球次数，以及一些鼓励性的文字或者语言，如“加油”、“好厉害哦”等等。

可选地，羽毛球击球动作包括以下至少之一：杀球，高远球，搓球，挡球，挑球，扑球，钩球，吊球。

作为一种可选的实施例，可以识别多种类型的羽毛球击球动作，可以是杀球，高远球，搓球，挡球，挑球，还可以是扑球，钩球，吊球等羽毛球动作，当然，也可以是用户自创的击球动作等。

可选地，运动轨迹数据为三轴运动轨迹数据。

作为一种可选的实施例，选择三轴运动轨迹数据作为数据源，用于识别击球动作，是因为上述三轴运动轨迹数据能够更加直观的体现出挥拍击球的动作，而且该数据中包含更多的细节特征，对于准确识别击球动作具有很大的帮助。需要说明的是，三轴运动轨迹数据可以是直接用传感器获取，例如，三轴传感器，其中，三轴传感器包括以下至少之一：三轴加速度计，三轴陀螺仪；同样地，也可以是其他的获取方式，例如，六轴传感器，该六轴传感器包括三轴加速度计和三轴陀螺仪，然后将六轴运动数据融合得到三轴运动轨迹数据。

下面对本发明的优选实施方式进行说明。

针对羽毛球爱好者，可以通过基于运动轨迹的羽毛球击球动作的识别方法来实现对羽毛球击球动作的识别。该方法只要用户佩戴具有手环或者手表进行羽毛球运动时，可以进行挥拍击球动作自动识别分类，例如，杀球、高远球、搓球、挡球、挑球等，并记录运动数据。

图2是根据本发明优选实施例的羽毛球击球动作的识别方法的流程图，如图2所示，整个流程从用户打羽毛球开始，通过智能手环或手表采集手腕的三维空间运动轨迹数据，数据经过特征提取和机器学习模型的识别，最终得到当前的羽毛球击球动作，并在用户结束羽毛球运动后，记录并上传各种击球动作的统计结果。

下面对上述方法的关键步骤进行详细的说明：

一、特征提取

用户在佩戴手环或者手表打羽毛球时，采集一次挥拍动作的运动三轴轨迹数据，提取轨迹数据的特征，特征可以分为两种，一种是直接特征，即使用一次挥拍击球动作过程中采集的手腕运动轨迹数据直接作为特征，或者根据实际需要，做适当抽样；另一种是间接特征，即通过特征提取的方式，将挥拍动作的运动三轴轨迹数据转化为有限个离散特征，间接特征的种类包括但不限于动作时长、频率、震荡幅度、坡度和峰度等。

其中，直接特征和间接特征可以单独使用或者联合使用，将提取的一系列特征组成特征数据，用于后续击球动作识别模型的输入。

图3是根据本发明优选实施例的羽毛球挥拍动作的3D轨迹曲线的示意图，如图3所示，图3中是羽毛球挥拍动作的3D轨迹曲线，左图是正手高远球曲线，右图是正手挑球曲线。

二、机器学习模型

将提取到的特征数据输入到当前的机器学习模型中，输出即为当前动作的击球种类，即杀球、高远球、搓球、挡球、挑球等。机器学习模型是经过离线数据训练调试完成的分类模型，训练模型使用的特征种类，离线数据包括但不限于人工收集的数据、经验数据等，模型结构包括但不限于决策树模型、随机森林模型、支持向量机模型、神经网络模型等。

本发明实施例可以实时记录并统计当前击球动作，可根据实际需求显示实时击球动作或者结束羽毛球运动后显示击球动作统计数据。

本发明实施例在于使用用户的手腕运动三轴轨迹数据，三轴的轨迹数据更直观的体现出挥拍击球的动作，且该数据中包含更多细节特征，对于准确识别击球动作有很大帮助。

本发明实施例在采集佩戴手环手腕的运动轨迹数据后，对三轴运动轨迹进行特征提取，然后利用机器学习模型进行羽毛球击球动作识别分类。还可以根据不同用户的羽毛球击球习惯(如击球力量等)，动态调整阈值设置，以获得更加准确的轨迹特征数据，便于后续击球动作识别。另外，可以根据数据多样性，不断优化击球动作分类模型的结构，以便得到更优的结果。

图4是根据本发明实施例的羽毛球击球动作的识别装置的结构示意图，如图4所示，该羽毛球击球动作的识别装置40，包括：采集模块42，生成模块44和识别模块46。下面对该羽毛球击球动作的识别装置进行详细说明。

采集模块42，用于采集羽毛球运动中手腕的运动轨迹数据；生成模块44，连接至上述采集模块42，用于根据运动轨迹数据生成特征数据；识别模块46，连接至上述生成模块44，用于将特征数据输入识别模型，由识别模型识别特征数据对应的羽毛球击球动作，其中，识别模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

通过上述实施例，该羽毛球击球动作的识别装置可以实现通过识别模型对羽毛球运动中手腕的运动轨迹数据进行识别，达到了识别羽毛球击球动作的目的，从而实现了快速、准确地识别羽毛球击球动作的技术效果，进而解决了相关技术中不能识别羽毛球击球动作的技术问题。

上述采集羽毛球运动中手腕的运动轨迹数据是通过智能可穿戴设备实现的，其中，智能可穿戴设备可以是手环，手表，还可以是其它可用于采集手腕的运动轨迹数据的设备。

上述根据运动轨迹数据生成特征数据，也就是从运动轨迹数据直接或间接提取数据，组成特征数据，作为后续识别模型的输入参数。

在构建上述识别模型以后，需要对识别模型进行训练，通过机器学习的方式对大量的数据进行训练，直至该识别模型收敛。其中，该识别模型可以是基于神经网络，向量机、随机森林等构建形成。通过该识别模型，可以根据输入的特征数据，准确地识别出该特征数据对应的羽毛球击球动作。

图5是根据本发明实施例的可穿戴设备的结构示意图，如图5所示，设备包括上述中的羽毛球击球动作的识别装置40。

作为一种可选的实施例，上述可穿戴设备包括智能手环，手表等，其中，该设备包括羽毛球击球动作的识别装置。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质存储有程序，其中，在程序被处理器运行时使得处理器执行上述中任意一项的羽毛球击球动作的识别方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的羽毛球击球动作的识别方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种羽毛球击球动作的识别方法，其特征在于，包括：

采集羽毛球运动中手腕的运动轨迹数据；

根据所述运动轨迹数据生成特征数据；

将所述特征数据输入识别模型，由所述识别模型识别所述特征数据对应的羽毛球击球动作，其中，所述识别模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

2.根据权利要求1所述的方法，其特征在于，所述特征数据包括直接特征数据和间接特征数据，根据所述运动轨迹数据生成特征数据包括:

从所述运动轨迹数据直接提取特征数据，得到直接特征数据；

和/或，

将所述运动轨迹数据转化为离散特征数据，得到间接特征数据，其中，所述间接特征数据包括以下至少之一：动作时长，频率，震荡幅度，坡度，峰度。

3.根据权利要求2所述的方法，其特征在于，根据所述运动轨迹数据生成特征数据还包括：

根据羽毛球击球动作的运动特征，设置特征数据阈值；

确定所述运动轨迹数据在所述特征数据阈值范围内的所述特征数据。

4.根据权利要求1所述的方法，还包括，

统计所述羽毛球击球动作，得到统计结果；

在羽毛球运动中和/或羽毛球运动后，对所述统计结果进行显示和/或语音提示。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述羽毛球击球动作包括以下至少之一：杀球，高远球，搓球，挡球，挑球，扑球，钩球，吊球。

6.根据权利要求1所述的方法，其特征在于，所述运动轨迹数据为三轴运动轨迹数据。

7.一种羽毛球击球动作的识别装置，其特征在于，包括：

采集模块，用于采集羽毛球运动中手腕的运动轨迹数据；

生成模块，用于根据所述运动轨迹数据生成特征数据；

识别模块，用于将所述特征数据输入识别模型，由所述识别模型识别所述特征数据对应的羽毛球击球动作，其中，所述识别模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：特征数据和与该特征数据对应的羽毛球击球动作。

8.一种可穿戴设备，其特征在于，所述设备包括权利要求7中所述的羽毛球击球动作的识别装置。

9.一种存储介质，其特征在于，所述存储介质存储有程序，其中，在所述程序被处理器运行时使得所述处理器执行权利要求1至6中任意一项所述的羽毛球击球动作的识别方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的羽毛球击球动作的识别方法。

Images