CN114882591A - 一种基于深度学习的羽毛球比赛动作分析系统 - Google Patents

一种基于深度学习的羽毛球比赛动作分析系统 Download PDF

Info

Publication number
CN114882591A
CN114882591A CN202210485817.7A CN202210485817A CN114882591A CN 114882591 A CN114882591 A CN 114882591A CN 202210485817 A CN202210485817 A CN 202210485817A CN 114882591 A CN114882591 A CN 114882591A
Authority
CN
China
Prior art keywords
module
badminton
action
positioning
unit
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.)
Pending
Application number
CN202210485817.7A
Other languages
English (en)
Inventor
于力
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210485817.7A priority Critical patent/CN114882591A/zh
Publication of CN114882591A publication Critical patent/CN114882591A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及支付系统技术领域，具体涉及一种基于深度学习的羽毛球比赛动作分析系统；包括视角提取单元、定位单元、击球定位单元和动作识别单元；本发明提供了视角提取单元通过网络资源收集羽毛球比赛视频，羽毛球视频片段提取基础上制作元视频数据集，通过定位单元对球员的动作定位和动作识别研究，击球定位单元对羽毛球动作定位通过执拍手臂挥动幅度判别的方法，通过动作识别单元对球员击球动作结合羽毛球动作定位程序和识别程序，从而达到使击球动作的识别更具有实际意义，增强视频裁剪的自动化，需要事先对羽毛球视频进行精彩片段提取，并对片段中球员击球动作进行时域定位，实现羽毛球动作元视频的提取，增强羽毛球动作识别的端到端性能。

Description

一种基于深度学习的羽毛球比赛动作分析系统
技术领域
本发明涉及羽毛球技术领域，具体涉及一种基于深度学习的羽毛球比赛动作分析系统。
背景技术
羽毛球是一项隔着球网，使用长柄网状球拍击打用羽毛和软木制作而成的一种小型球类的室内运动项目，羽毛球比赛在长方形的场地上进行，场地中间有网相隔，双方运用各种发球、击球和移动等技战术，将球在网上往返对击，以不使球落在本方有效区域内，或使对方击球失误为胜。
专利申请号为CN112822460A的“一种台球比赛视频监控方法及系统”的专利，在说明书中记载有“获取台球比赛全程各方位的监控视频，并对所述监控视频进行预处理，得到目标监控视频；基于目标监控视频，锁定目标监控对象；提取所述目标监控对象在台球比赛全程各方位的动作信息；基于设定的比赛规则，判定所述目标监控对象在台球比赛全程各方位的动作信息是否存在作弊行为。通过获取比赛监控视频，并对视频中参赛人员在比赛中各方位的动作信息进行分析，并根据分析结果判断出参赛人员在比赛全程中是否存在作弊行为，提高判断参赛人员在比赛过程中是否作弊的准确性，确保了比赛公平公正”，但是此系统，难以增加视频裁剪的自动化，且难以实现羽毛球动作元视频的提取，难以增强羽毛球动作识别的端到端性能。
综上所述，研发一种基于深度学习的羽毛球比赛动作分析系统，仍是羽毛球领域中急需解决的关键问题。
发明内容
针对现有技术所存在的上述缺点，本发明在于提供一种基于深度学习的羽毛球比赛动作分析系统，本发明提供了视角提取单元通过网络资源收集羽毛球比赛视频，在羽毛球视频片段提取基础上制作元视频数据集，通过定位单元对球员的动作定位和动作识别研究，通过击球定位单元对羽毛球动作定位通过执拍手臂挥动幅度判别的方法，通过动作识别单元对球员击球动作结合羽毛球动作定位程序和识别程序，从而达到使击球动作的识别更具有实际意义，增强视频裁剪的自动化，需要事先对羽毛球视频进行精彩片段提取，并对片段中球员击球动作进行时域定位，实现羽毛球动作元视频的提取，增强羽毛球动作识别的端到端性能。
为实现上述目的，本发明提供了如下技术方案：
本发明的第一方面：提供了一种基于深度学习的羽毛球比赛动作分析系统，包括视角提取单元、定位单元、击球定位单元和动作识别单元，其中：
所述视角提取单元用于对赛后或比赛现场进行实时的分析，并通过观察比赛视频中经常出现的现浇，进行分类，以及收集提取的信息输送至定位单元；
所述定位单元用于对视角提取单元传输的信息进行接收，并建立模型对羽毛球运动员动作进行定位捕捉，所述视角提取单元与定位单元信号连接；
所述击球定位单元用于对定位单元传输的信息进行接收，并提取羽毛球动作元视频，在球员挥拍击球过程中，执拍手臂具有明显剧烈的挥动，其幅度在此时具有较大的波动起伏，而在非击球状态时挥动幅度相对较小，执拍手臂挥动幅度的变化状态来定位球员的击球瞬间，再对特征进行提取，所述击球定位单元与定位单元信号连接；
所述动作识别单元用于对击球定位单元传输的信号进行接收，并对运动员的动作进行识别，在进行分析，所述动作识别单元与击球定位单元信号连接。
本发明进一步设置为：所述视角提取单元包括下载模块、视角分类模块、特征输入模块、数据处理模块和，其中：
所述下载模块用于通过YouTube和bilibili下载羽毛球比赛视频,利用OpenCV将视频按照每30帧的间隔频率提取图片,总共制作成图片；
所述视角分类模块用于接收下载模块传输的信息，并对信息通过观察比赛视频中经常出现的现浇，分为广播视角，场边视角，无效视角三类，所述视角分类模块与下载模块信号连接。
本发明进一步设置为：所述定位单元包括GSP模块、提取模块、构建模块和，其中：
所述GSP模块的主体基本由基于CSP[19]结构组成，并对羽毛球运动员快速识别；
所述GSP模块包括轻量化GHO-CSP模块，基于轻量化GHO-CSP模块，并构建出轻量化YOLOv5s-Ghost模型；
所述轻量化GHO-CSP模块包括CBH模块，所述CBH模块包括k×k尺寸卷积层、BatchNormalized层和Hard-Swish激活函数，在卷积层后使用了Batch Normalized层来对数据进行归一化，以加快训练速度，再通过激活函数来激活有效特征。
本发明进一步设置为：所述击球定位单元包括COCO姿态模块和击球动作定位模块，其中：
所述COCO姿态模块用于对目标检测与分割、语义分割和人体关节点检测等任务，并将各关节点划分为0-17，表示18个人体重要的关节点；
所述击球动作定位模块用于接收COCO姿态模块传输的信号，并根据手臂的关节特征，人体手臂骨骼存在三个关节点，即肩部、肘部和手腕,手臂,肩部和肘部之间的部分为上肢，肘部和手腕之间的部分为下肢。
本发明进一步设置为：所述动作识别单元包括识别模块和性能测试模块，其中：
所述识别模块用于对运动员的动作进行识别；
所述性能测试模块用于接收识别模块传输的信号，并对传输的信号进行性能测试。
本发明进一步设置为：所述击球动作定位模块对手臂检测的击球动作定位的方法为：
在第n帧中，将检测出的肩部、肘部、手腕关节的二维坐标定义为
Figure BDA0003629118260000051
将上肢与下肢分别以矢量un、dn表示，其矢量坐标如式和，其中上肢与下肢在第n帧的挥动矢量分别为un-un-1，dn-dn-1，将第f帧中球员手臂的挥动幅度定义为手臂上下肢挥动矢量模的平方的线性加权之和，如式(3-13)所示，其中参数λ,1-λ分别代表肘部和腕部挥动矢量平方的权重，且矢量的平方可强化手臂在挥动时与未挥动时挥动幅度的差距，其公式为：
Figure BDA0003629118260000052
Figure BDA0003629118260000053
Figure BDA0003629118260000054
本发明进一步设置为：所述轻量化GHO-CSP模块的前一部分由一个1×1大小、输出通道数为输入通道数的一半、分组为1的CBH模块组成，后一部分以前一部分CBH模块输出的结果作为输入，经过一个3×3大小、输入输出通道数相同、但分组数与输入通道数相同的CBH模块，最后将两部分输出的特征图进行拼接操作，将其作为GHO的最终输出特征图，在GHO结构中对特征图的操作不会改变其高宽；
所述提取模块用于对GSP模块传输的信号进行接收，并对进行特征提取，使之能够降低大部分参数量，所述提取模块与GSP模块信号连接；
所述构建模块用于对提取模块传输的信号进行接收，并对传输的信息进行融合，实现不同尺寸目标的识别，所述构建模块与提取模块信号连接。
本发明进一步设置为：所述特征输入模块用于接收视角分类模块传输的信号进行接收，并对视角分类模块传输的信号进行提取，将提取的图像进行人工判别，将其划分到不同三个文件夹中作为Badminton-match-data数据集，用于网络模型的训练，测试，验证，所述特征输入模块与视角分类模块信号连接；
所述数据处理模块用于接收特征输入模块传输的信号进行接收，并因数据集有限，为防止出现过拟合的情况同时提高收敛速度以及提高模型精度，在进行模型训练前还需要对数据进行预处理，采用数据归一化与数据增强处理方法进行处理，所述数据处理模块与特征输入模块信号连接。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
本发明提供，在使用时，视角提取单元通过网络资源收集羽毛球比赛视频，在羽毛球视频片段提取基础上制作元视频数据集，通过定位单元对球员的动作定位和动作识别研究，通过击球定位单元对羽毛球动作定位通过执拍手臂挥动幅度判别的方法，通过动作识别单元对球员击球动作结合羽毛球动作定位程序和识别程序，从而达到使击球动作的识别更具有实际意义，增强视频裁剪的自动化，需要事先对羽毛球视频进行精彩片段提取，并对片段中球员击球动作进行时域定位，实现羽毛球动作元视频的提取，增强羽毛球动作识别的端到端性能。
附图说明
图1为本发明一种基于深度学习的羽毛球比赛动作分析系统的系统图；
图2为本发明一种基于深度学习的羽毛球比赛动作分析系统中视角提取单元的示意图；
图3为本发明一种基于深度学习的羽毛球比赛动作分析系统中定位单元的示意图；
图4为本发明一种基于深度学习的羽毛球比赛动作分析系统的击球定位单元的示意图；
图5为本发明一种基于深度学习的羽毛球比赛动作分析系统的动作识别单元的示意图；
图6为本发明一种基于深度学习的羽毛球比赛动作分析系统GHO结构流程图；
图7为本发明一种基于深度学习的羽毛球比赛动作分析系统各关节点的索引分布；
图8为本发明一种基于深度学习的羽毛球比赛动作分析系统GSP模块的示意图。
图中标号说明：
100、视角提取单元；110、下载模块；120、视角分类模块；130、特征输入模块；140、数据处理模块；200、定位单元；210、GSP模块；220、提取模块；230、构建模块；300、击球定位单元；310、COCO姿态模块；320、击球动作定位模块；400、动作识别单元；410、识别模块；420、性能测试模块。
具体实施方式
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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通；对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
请参照图1-8所示，本发明提供了一种基于深度学习的羽毛球比赛动作分析系统，包括视角提取单元100、定位单元200、击球定位单元300和动作识别单元400，其中：视角提取单元100用于对赛后或比赛现场进行实时的分析，并通过观察比赛视频中经常出现的现浇，进行分类，以及收集提取的信息输送至定位单元200；定位单元200用于对视角提取单元100传输的信息进行接收，并建立模型对羽毛球运动员动作进行定位捕捉，视角提取单元100与定位单元200信号连接；击球定位单元300用于对定位单元200传输的信息进行接收，并提取羽毛球动作元视频，在球员挥拍击球过程中，执拍手臂具有明显剧烈的挥动，其幅度在此时具有较大的波动起伏，而在非击球状态时挥动幅度相对较小，执拍手臂挥动幅度的变化状态来定位球员的击球瞬间，再对特征进行提取，击球定位单元300与定位单元200信号连接；动作识别单元400用于对击球定位单元300传输的信号进行接收，并对运动员的动作进行识别，在进行分析，动作识别单元400与击球定位单元300信号连接。
在本实施例中，在使用时，视角提取单元100通过网络资源收集羽毛球比赛视频，在羽毛球视频片段提取基础上制作元视频数据集，通过定位单元200对球员的动作定位和动作识别研究，通过击球定位单元300对羽毛球动作定位通过执拍手臂挥动幅度判别的方法，通过动作识别单元400对球员击球动作结合羽毛球动作定位程序和识别程序，从而达到使击球动作的识别更具有实际意义，增强视频裁剪的自动化，需要事先对羽毛球视频进行精彩片段提取，并对片段中球员击球动作进行时域定位，实现羽毛球动作元视频的提取，增强羽毛球动作识别的端到端性能。
在本发明中，视角提取单元100包括下载模块110、视角分类模块120、特征输入模块130、数据处理模块140和150，其中：下载模块110用于通过YouTube和bilibili下载羽毛球比赛视频,利用OpenCV将视频按照每30帧的间隔频率提取图片,总共制作成图片；视角分类模块120用于接收下载模块110传输的信息，并对信息通过观察比赛视频中经常出现的现浇，分为广播视角，场边视角，无效视角三类，视角分类模块120与下载模块110信号连接，特征输入模块130用于接收视角分类模块120传输的信号进行接收，并对视角分类模块120传输的信号进行提取，将提取的图像进行人工判别，将其划分到不同三个文件夹中作为Badminton-match-data数据集，用于网络模型的训练，测试，验证，特征输入模块130与视角分类模块120信号连接；数据处理模块140用于接收特征输入模块130传输的信号进行接收，并因数据集有限，为防止出现过拟合的情况同时提高收敛速度以及提高模型精度，在进行模型训练前还需要对数据进行预处理，采用数据归一化与数据增强处理方法进行处理，数据处理模块140与特征输入模块130信号连接。
在本实施例中，当进行使用时，下载模块110通过YouTube和bilibili下载羽毛球比赛视频,利用OpenCV将视频按照每30帧的间隔频率提取图片,总共制作成图片，此时视角分类模块120接收下载模块110传输的信息，并通过观察比赛视频中经常出现的现浇，分为广播视角，场边视角，无效视角三类，在通过特征输入模块130将视角分类模块120传输的信号进行接收，并提取传输的图像进行人工判别，此时再将其划分到不同三个文件夹中作为Badminton-match-data数据集，用于网络模型的训练，测试，验证，因数据集有限，为防止出现过拟合的情况同时提高收敛速度以及提高模型精度，通过数据处理模块140接收特征输入模块130传输的信号，并进行模型训练前还需要对数据进行预处理，首先采用数据归一化处理：通过将图像像素为[0，255]，通过对所有像素的归一化，将原始图像像素值缩放到[0，1]之间，加快梯度下降，提高模型收敛速度以及提高模型精度，再采用数据增强处理：为防止出现过拟合的现象，提高模型的泛化能力，本文通过在原始的Badminton-match-data数据集上对图片进行224*224的随机裁剪、水平镜像翻转处理。
在本发明中，定位单元200包括GSP模块210、提取模块220、构建模块230和240，其中：GSP模块210的主体基本由基于CSP[19]结构组成，并对羽毛球运动员快速识别；GSP模块210包括轻量化GHO-CSP模块，基于轻量化GHO-CSP模块，并构建出轻量化YOLOv5s-Ghost模型；轻量化GHO-CSP模块包括CBH模块，CBH模块包括k×k尺寸卷积层、Batch Normalized层和Hard-Swish激活函数，在卷积层后使用了Batch Normalized层来对数据进行归一化，以加快训练速度，再通过激活函数来激活有效特征，轻量化GHO-CSP模块的前一部分由一个1×1大小、输出通道数为输入通道数的一半、分组为1的CBH模块组成，后一部分以前一部分CBH模块输出的结果作为输入，经过一个3×3大小、输入输出通道数相同、但分组数与输入通道数相同的CBH模块，最后将两部分输出的特征图进行拼接操作，将其作为GHO的最终输出特征图，在GHO结构中对特征图的操作不会改变其高宽；提取模块220用于对GSP模块210传输的信号进行接收，并对进行特征提取，使之能够降低大部分参数量，提取模块220与GSP模块210信号连接；构建模块230用于对提取模块220传输的信号进行接收，并对传输的信息进行融合，实现不同尺寸目标的识别，构建模块230与提取模块220信号连接。
在本实施例中，当进行使用时，定位单元200接收视角提取单元100传输的信号，通过GSP模块210使用所提出GHO结构设计出轻量化GHO-CSP系统，用于对羽毛球运动员快速识别，在通过一个k×k尺寸卷积层、一个Batch Normalized层和一个Hard-Swish激活函数，在卷积层后使用了Batch Normalized层来对数据进行归一化，以加快训练速度，再通过激活函数来激活有效特征，其中，轻量化GHO-CSP模块的前一部分由一个1×1大小、输出通道数为输入通道数的一半、分组为1的CBH模块组成，后一部分以前一部分CBH模块输出的结果作为输入，经过一个3×3大小、输入输出通道数相同、但分组数与输入通道数相同的CBH模块，最后将两部分输出的特征图进行拼接操作，将其作为GHO的最终输出特征图，在GHO结构中对特征图的操作不会改变其高宽，此时通过提取模块220接收GSP模块210传输的信号进行接收，通过多层的卷积的堆叠来充分提取特征，特征图进入轻量化GHO-CSP模块后，首先分成两个分支分别进行运算，并对进行特征提取，使之能够降低大部分参数量，此时通过构建模块230对提取模块220传输的信号进行接收，并对多个含有不同信息的特征通过种方法进行融合，从而能在一组特征中包含更多的信息，且可让两个特征图所提取的特征细节进行融合，从而实现不同尺寸目标的识别，达到尺寸越大则能够检测出越小的目标，能检测不同尺度的目标。
在本发明中，击球定位单元300包括COCO姿态模块310和击球动作定位模块320，其中：COCO姿态模块310用于对目标检测与分割、语义分割和人体关节点检测等任务，并将各关节点划分为0-17，表示18个人体重要的关节点；击球动作定位模块320用于接收COCO姿态模块310传输的信号，并根据手臂的关节特征，人体手臂骨骼存在三个关节点，即肩部、肘部和手腕,手臂,肩部和肘部之间的部分为上肢，肘部和手腕之间的部分为下肢，击球动作定位模块320对手臂检测的击球动作定位的方法为：在第n帧中，将检测出的肩部、肘部、手腕关节的二维坐标定义为
Figure BDA0003629118260000131
Figure BDA0003629118260000132
将上肢与下肢分别以矢量un、dn表示，其矢量坐标如式3-11和3-12，其中上肢与下肢在第n帧的挥动矢量分别为un-un-1，dn-dn-1，将第f帧中球员手臂的挥动幅度定义为手臂上下肢挥动矢量模的平方的线性加权之和，如式(3-13)所示，其中参数λ0≤λ≤1,1-λ分别代表肘部和腕部挥动矢量平方的权重，且矢量的平方可强化手臂在挥动时与未挥动时挥动幅度的差距，其公式为：
Figure BDA0003629118260000141
Figure BDA0003629118260000142
Figure BDA0003629118260000143
在本实施例中，当进行使用时，通过COCO姿态模块310可对目标检测与分割、语义分割和人体关节点检测等任务，并将各关节点划分为0-17，表示18个人体重要的关节点，随后通过击球动作定位模块320可根据不同需要提取手臂的关节特征，人体手臂骨骼存在三个关节点，即肩部、肘部和手腕,手臂,肩部和肘部之间的部分为上肢，肘部和手腕之间的部分为下肢，其中，左臂的关节点索引为5，7，9，右臂关节点索引为6，8，10，最终定位至球员的双手臂示意，定位运动员的执拍手臂后，根据视频中相邻两端视频的初始帧和末尾帧称为时域界限。在遍历帧fn之后，因手臂挥拍动作具有一定延时性，帧fn的后续邻近帧的挥动幅度仍很可能高于阈值φt,因此需要跳过fn和fn+m之间的帧，避免出现冗余的挥动点。继续检测fn+m+1,直至遍历结束。其中参数m的取值范围取决于视频的时长。
在本发明中，动作识别单元400包括识别模块410和性能测试模块420，其中：识别模块410用于对运动员的动作进行识别；性能测试模块420用于接收识别模块410传输的信号，并对传输的信号进行性能测试。
在本实施例中，当进行使用时，通过识别模块410对运动员的动作进行识别，此时再通过识别模块410将信息传输至性能测试模块420中，并对传输的信号进行性能测试。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，包括视角提取单元(100)、定位单元(200)、击球定位单元(300)和动作识别单元(400)，其中：
所述视角提取单元(100)用于对赛后或比赛现场进行实时的分析，并通过观察比赛视频中经常出现的现浇，进行分类，以及收集提取的信息输送至定位单元(200)；
所述定位单元(200)用于对视角提取单元(100)传输的信息进行接收，并建立模型对羽毛球运动员动作进行定位捕捉，所述视角提取单元(100)与定位单元(200)信号连接；
所述击球定位单元(300)用于对定位单元(200)传输的信息进行接收，并提取羽毛球动作元视频，在球员挥拍击球过程中，执拍手臂具有明显剧烈的挥动，其幅度在此时具有较大的波动起伏，而在非击球状态时挥动幅度相对较小，执拍手臂挥动幅度的变化状态来定位球员的击球瞬间，再对特征进行提取，所述击球定位单元(300)与定位单元(200)信号连接；
所述动作识别单元(400)用于对击球定位单元(300)传输的信号进行接收，并对运动员的动作进行识别，在进行分析，所述动作识别单元(400)与击球定位单元(300)信号连接。
2.根据权利要求1所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述视角提取单元(100)包括下载模块(110)、视角分类模块(120)和特征输入模块(130)，其中：
所述下载模块(110)用于通过YouTube和bilibili下载羽毛球比赛视频,利用OpenCV将视频按照每30帧的间隔频率提取图片,总共制作成图片；
所述视角分类模块(120)用于接收下载模块(110)传输的信息，并对信息通过观察比赛视频中经常出现的现浇，分为广播视角，场边视角，无效视角三类，所述视角分类模块(120)与下载模块(110)信号连接。
3.根据权利要求2所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述定位单元(200)包括GSP模块(210)、提取模块(220)和构建模块(230)，其中：
所述GSP模块(210)的主体基本由基于CSP[19]结构组成，并对羽毛球运动员快速识别；
所述GSP模块(210)包括轻量化GHO-CSP模块，基于轻量化GHO-CSP模块，并构建出轻量化YOLOv5s-Ghost模型；
所述轻量化GHO-CSP模块包括CBH模块，所述CBH模块包括k×k尺寸卷积层、BatchNormalized层和Hard-Swish激活函数，在卷积层后使用了Batch Normalized层来对数据进行归一化，以加快训练速度，再通过激活函数来激活有效特征。
4.根据权利要求1所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述击球定位单元(300)包括COCO姿态模块(310)和击球动作定位模块(320)，其中：
所述COCO姿态模块(310)用于对目标检测与分割、语义分割和人体关节点检测等任务，并将各关节点划分为0-17，表示18个人体重要的关节点；
所述击球动作定位模块(320)用于接收COCO姿态模块(310)传输的信号，并根据手臂的关节特征，人体手臂骨骼存在三个关节点，即肩部、肘部和手腕,手臂,肩部和肘部之间的部分为上肢，肘部和手腕之间的部分为下肢。
5.根据权利要求1所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述动作识别单元(400)包括识别模块(410)和性能测试模块(420)，其中：
所述识别模块(410)用于对运动员的动作进行识别；
所述性能测试模块(420)用于接收识别模块(410)传输的信号，并对传输的信号进行性能测试。
6.根据权利要求4所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述击球动作定位模块(320)对手臂检测的击球动作定位的方法为：
在第n帧中，将检测出的肩部、肘部、手腕关节的二维坐标定义为
Figure FDA0003629118250000031
将上肢与下肢分别以矢量un、dn表示，其矢量坐标如式(3-11)和(3-12)，其中上肢与下肢在第n帧的挥动矢量分别为un-un-1，dn-dn-1，将第f帧中球员手臂的挥动幅度定义为手臂上下肢挥动矢量模的平方的线性加权之和，如式(3-13)所示，其中参数λ(0≤λ≤1),1-λ分别代表肘部和腕部挥动矢量平方的权重，且矢量的平方可强化手臂在挥动时与未挥动时挥动幅度的差距，其公式为：
Figure FDA0003629118250000041
Figure FDA0003629118250000042
Figure FDA0003629118250000043
7.根据权利要求3所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述轻量化GHO-CSP模块的前一部分由一个1×1大小、输出通道数为输入通道数的一半、分组为1的CBH模块组成，后一部分以前一部分CBH模块输出的结果作为输入，经过一个3×3大小、输入输出通道数相同、但分组数与输入通道数相同的CBH模块，最后将两部分输出的特征图进行拼接操作，将其作为GHO的最终输出特征图，在GHO结构中对特征图的操作不会改变其高宽；
所述提取模块(220)用于对GSP模块(210)传输的信号进行接收，并对进行特征提取，使之能够降低大部分参数量，所述提取模块(220)与GSP模块(210)信号连接；
所述构建模块(230)用于对提取模块(220)传输的信号进行接收，并对传输的信息进行融合，实现不同尺寸目标的识别，所述构建模块(230)与提取模块(220)信号连接。
8.根据权利要求2所述的一种基于深度学习的羽毛球比赛动作分析系统，其特征在于，所述特征输入模块(130)用于接收视角分类模块(120)传输的信号进行接收，并对视角分类模块(120)传输的信号进行提取，将提取的图像进行人工判别，将其划分到不同三个文件夹中作为Badminton-match-data数据集，用于网络模型的训练，测试，验证，所述特征输入模块(130)与视角分类模块(120)信号连接；
所述数据处理模块(140)用于接收特征输入模块(130)传输的信号进行接收，并因数据集有限，为防止出现过拟合的情况同时提高收敛速度以及提高模型精度，在进行模型训练前还需要对数据进行预处理，采用数据归一化与数据增强处理方法进行处理，所述数据处理模块(140)与特征输入模块(130)信号连接。
CN202210485817.7A 2022-05-06 2022-05-06 一种基于深度学习的羽毛球比赛动作分析系统 Pending CN114882591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210485817.7A CN114882591A (zh) 2022-05-06 2022-05-06 一种基于深度学习的羽毛球比赛动作分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210485817.7A CN114882591A (zh) 2022-05-06 2022-05-06 一种基于深度学习的羽毛球比赛动作分析系统

Publications (1)

Publication Number Publication Date
CN114882591A true CN114882591A (zh) 2022-08-09

Family

ID=82674134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210485817.7A Pending CN114882591A (zh) 2022-05-06 2022-05-06 一种基于深度学习的羽毛球比赛动作分析系统

Country Status (1)

Country Link
CN (1) CN114882591A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546491A (zh) * 2022-11-28 2022-12-30 中南财经政法大学 一种跌倒报警方法、系统、电子设备及存储介质
CN115908952A (zh) * 2023-01-07 2023-04-04 石家庄铁道大学 一种基于改进YOLOv5算法的高铁隧道卡具检测方法
CN117333947A (zh) * 2023-10-18 2024-01-02 首都体育学院 一种羽毛球动作分析方法与系统
CN117953588A (zh) * 2024-03-26 2024-04-30 南昌航空大学 一种融合场景信息的羽毛球运动员动作智能识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546491A (zh) * 2022-11-28 2022-12-30 中南财经政法大学 一种跌倒报警方法、系统、电子设备及存储介质
CN115546491B (zh) * 2022-11-28 2023-03-10 中南财经政法大学 一种跌倒报警方法、系统、电子设备及存储介质
CN115908952A (zh) * 2023-01-07 2023-04-04 石家庄铁道大学 一种基于改进YOLOv5算法的高铁隧道卡具检测方法
CN115908952B (zh) * 2023-01-07 2023-05-19 石家庄铁道大学 一种基于改进YOLOv5算法的高铁隧道卡具检测方法
CN117333947A (zh) * 2023-10-18 2024-01-02 首都体育学院 一种羽毛球动作分析方法与系统
CN117333947B (zh) * 2023-10-18 2024-05-10 首都体育学院 一种羽毛球动作分析方法与系统
CN117953588A (zh) * 2024-03-26 2024-04-30 南昌航空大学 一种融合场景信息的羽毛球运动员动作智能识别方法

Similar Documents

Publication Publication Date Title
CN114882591A (zh) 一种基于深度学习的羽毛球比赛动作分析系统
JP6080175B2 (ja) ボール運動の動作識別方法、装置及び動作支援装置
KR101078975B1 (ko) 가상 골프 시뮬레이션 장치에 이용되는 센싱장치 및 센싱방법
US9744421B2 (en) Method of analysing a video of sports motion
KR101048089B1 (ko) 가상 골프 시뮬레이션 장치와, 이에 이용되는 센싱장치 및 센싱방법
CN111444890A (zh) 一种基于机器学习的体育数据分析系统和方法
CN107982899B (zh) 一种羽毛球比赛数据记录管理系统
KR100907704B1 (ko) 인공지능형 캐디를 이용한 골퍼자세교정시스템 및 이를이용한 골퍼자세교정방법
WO2024051597A1 (zh) 一种引体向上的规范计数方法、系统及其存储介质
CN111184994B (zh) 击球训练方法、终端设备及存储介质
Promrit et al. Model for practice badminton basic skills by using motion posture detection from video posture embedding and one-shot learning technique
CN114788951B (zh) 手持运动分析系统与方法
CN111563443A (zh) 一种连续运动动作准确度评价方法
CN110910489A (zh) 一种基于单目视觉的智能球场运动信息采集系统与方法
KR20200080562A (ko) 스포츠 코트에서의 인아웃 판정 방법 및 장치
CN109663325B (zh) 一种击球类运动的计分系统及计分方法
CN115690895A (zh) 基于人体骨骼点检测的多人运动检测方法及装置
CN110490064B (zh) 体育视频数据的处理方法、装置、计算机设备及计算机存储介质
Peng et al. Accurate recognition of volleyball motion based on fusion of MEMS inertial measurement unit and video analytic
CN110610173A (zh) 基于Mobilenet的羽毛球动作分析系统及方法
CN112057833A (zh) 一种羽毛球正手高远球挥拍动作识别方法
US11707663B1 (en) System for tracking, locating and predicting the position of a ball in a game of baseball or similar
Ting et al. Kinect-based badminton motion analysis using intelligent adaptive range of movement Index
US11900678B2 (en) System for tracking, locating and calculating the position of an object in a game involving moving objects
TWI770787B (zh) 手持運動分析系統與方法

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