CN117315780A - 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 - Google Patents
一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 Download PDFInfo
- Publication number
- CN117315780A CN117315780A CN202311267524.2A CN202311267524A CN117315780A CN 117315780 A CN117315780 A CN 117315780A CN 202311267524 A CN202311267524 A CN 202311267524A CN 117315780 A CN117315780 A CN 117315780A
- Authority
- CN
- China
- Prior art keywords
- data
- action
- swing
- time
- real
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 83
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000004807 localization Effects 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
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
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种羽毛球挥拍动作识别与三维轨迹重建方法及系统,旨在为羽毛球运动员提供先进的训练支持。该系统结合了现代传感技术、数据处理技术、动作重建技术和人工智能分析,通过捕捉、处理和分析挥拍动作数据,能够高度准确地识别不同击球动作,同时实现羽毛球拍的三维轨迹重建。本发明的创新性技术方案将推动羽毛球训练水平的提高,为体育科技领域的发展开辟了新的前景。
Description
技术领域
本发明涉及动作识别技术领域,特别是涉及一种羽毛球挥拍动作识别与三维轨迹重建方法及系统。
背景技术
随着体育科技的不断进步,越来越多的运动领域开始采用高科技手段来提升训练效率和效果。羽毛球作为一项全球广受欢迎的运动,同样需要更精细、更高效的训练手段以满足运动员的需求。传统的羽毛球训练方法主要依赖于教练的经验和观察,这种方式存在训练效果难以量化、技术盲区难以发现的问题。
发明内容
本发明目的是针对背景技术中存在的问题,提出一种羽毛球挥拍动作识别与三维轨迹重建方法及系统,为运动员提供实时、有效的技术反馈,进而提高训练效率和竞技水平,同时协助教练员更直观地了解技术状态,以提高训练效率和竞技水平。
本发明的技术方案,一种羽毛球挥拍动作识别与三维轨迹重建方法,包括以下具体步骤:
S1、通过九轴传感器,捕捉运动员在训练或比赛中的挥拍动作数据,包括加速度(ax,ay,az),角速度(gx,gy,gz)和磁感应强度(mx,my,mz);
S2、将九轴传感器捕获的动作数据传输至数据处理中心,并对其进行预处理;
S3、基于真实的训练数据,利用时间窗口分割法对连续的动作数据进行分割,实现挥拍动作模型训练;
S4、将实时采集传感器数据,通过已在数据库中训练完成的神经网络模型进行挥拍动作的识别;
S5、基于动作识别结果,利用传感器数据进行数据融合与姿态估计,实现运动过程中羽毛球拍轨迹的三维重构。
S1中的九轴传感器包括加速度计、陀螺仪和磁力计。
S2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
S3还包括以下步骤:
S31、为了准确地分割出击球动作的数据,在采集真实的训练数据基础上,采用基于图像视频和九轴传感器相结合的方式,由九轴传感器记录动作数据,由视频确定击球动作发生的时刻。在羽毛球比赛中,球员的击球力量足够大,击球的声音在视频中能清晰地捕捉到,因此采用音视频相结合的方式,从视频中定位动作序列。具体来说,在视频帧中捕捉声音出现的时间点,并把此点命名为击点。以击点为终点,往前追溯一个时间窗口W,每个羽毛球的挥拍动作一般为0.8s,以100Hz的采样频率为例,惯性传感器采集的数据窗口为80组数据,落入动作窗口的传感器数据才作为动作数据。在此过程中,尽可能地删去不包含主要特征或被视为无用的动作片段,确保每个片段都包含足够的信息进行后续的识别和分析。
S32、挥拍动作特征提取;
根据分割后的动作数据,通过均值、方差、最大波动、合成值等计算出第i时刻代表每个挥拍动作的特征数据;具体计算公式包括:
第i时刻的合成加速度:
合成角速度:
特征值1:加速度强度:
特征值2:加速度方差:
特征值3:加速度偏度:
特征值4:加速度峰峰值:APP(Acc)=max(A)-min(A)
特征值5:加速度峰度:
特征值6:角速度强度:
特征值7:角速度方差:
特征值8:角速度偏度:
特征值9:角速度峰峰值:APP(Gyro)=max(G)-min(G)
特征值10:角速度峰度:
进一步利用主成分分析法(PCA),对特征数据进行处理,从中提取出对挥拍动作识别和分析影响较大的主要特征数据,包括加速度强度、加速度方差、角速度强度;具体步骤如下:
S321、将计算出的特征值合成新的特征矩阵X;
S322、通过XTX计算得到协方差矩阵Cov;
S323、求解Cov的特征值和特征向量,即特征分解;
S324、将特征值按从大到小排列,选出最大的M个特征值,并将对应的特征向量作为列向量排列得到W;
S325、通过XW=Y,得到降维后的新的特征矩阵;
其中,M的取值可设定一个门限γ,γ∈(0,1];将特征值从大到小排列为λ1≥λ2≥…≥λN,则M由下式给出:
S33、根据提取的特征数据以及通过视频采集的动作数据,对BP-神经网络模型进行训练,得到模型参数并存储到服务软件的数据库中。
S4中的挥拍动作可以包括高远、杀球、平抽、平档、挑球、搓球的击球动作。
S4包括以下具体步骤:
S41、实时数据采集。用户在训练或比赛中,实时地采集传感器数据,包括加速度、角速度和磁场数据,这些数据反映了挥拍动作的实际过程。
S42、挥拍动作识别。通过已训练好的神经网络模型,系统将实时采集的数据输入到模型中进行识别。模型将分析数据并确定当前挥拍动作的类型,例如高远、杀球、平抽等。这个识别过程是实时的,能够即时反映用户的动作。
S43、识别结果输出显示。将识别和分析结果展示给运动员和教练,以供其进行训练和技术调整。
S44、识别结果修正和优化。考虑到用户个体动作的差异性,系统会在识别过程中检测识别结果是否存在偏差。如果发现识别结果存在偏差,系统将允许用户将这些修正后的数据传回模型,以进行参数训练和优化。这个反馈机制允许系统逐渐适应不同用户的动作特点,提高识别的准确性和个性化程度。
S5包括以下具体步骤:
S51、传感器数据融合与准确性保证。系统使用九轴传感器获取的数据,并利用传感器数据融合技术,如卡尔曼滤波,以确保数据的连贯性和准确性。这一步骤还有助于减少各种环境因素,如磁场干扰以及传感器本身的误差,对数据的不良影响。
S52、实时姿态估计。系统通过四元数算法或欧拉角方法,基于加速度计、陀螺仪和磁力计的数据,实时计算出羽毛球拍的姿态,包括其在空间中的方向和位置。这些姿态信息将在后续的轨迹重建中发挥关键作用。
S53、实时运动数据预处理。传感器数据经过实时运动数据预处理,包括动作起始点提取、四元数坐标变换、方向修正、步长检测等步骤,以准备进行轨迹重建。
S54、实时定位与轨迹重建。在实时定位阶段,系统将处理过的传感器数据用于轨迹重建。这一过程包括实时定位和羽毛球拍轨迹的三维重建。
S55、动态模拟与渲染。采用专业的三维建模软件,如Blender或Maya,系统根据传感器数据建立羽毛球拍的三维模型。这个模型会实时根据姿态估计的结果进行更新,从而形成具有动态特性的挥拍动作模拟。利用三维建模软件的内置渲染引擎,进行羽毛球拍运动轨迹的动态模拟和高质量的动画渲染,以得到具有真实感的挥拍动画。
S56、交互与分析。通过交互式的分析工具,如Unity 3D或Unreal Engine,可以对三维的羽毛球拍运动轨迹进行实时交互。比如,教练和运动员可以放大、旋转和拖动三维模型,从不同的角度和尺度观察挥拍动作的每一个细节。
S57、运动员挥拍动作的分析。将三维重建模型与标准挥拍模型进行对比,以分析运动员挥拍动作的优点和需要改进的方面。为后续训练提供有价值的参考,帮助运动员和教练制定更有效的训练计划。
一种羽毛球挥拍动作识别与三维轨迹重建系统,包括:
数据采集模块:由分别放置于羽毛球拍底部和顶部的数据采集装置组成,其包括九轴传感器,用于实时捕捉羽毛球挥拍动作数据,包括加速度、角速度和磁场数据;该模块负责数据采集、传输和确保数据的实时性和可靠性;
数据处理模块:位于云服务器上,用以接收、存储和处理采集到的数据;还包括数据预处理、动作识别和三维重建子模块,以实现动作识别、三维重建功能。
数据预处理子模块:对从数据采集模块传输来的原始数据进行处理,包括数据滤波、去噪、时间同步和校正处理步骤,以消除传感器噪声、对齐数据并减少环境因素的影响,确保数据的质量和准确性;还包括数据归一化,将不同运动员的数据统一到相同的尺度,进行有效的比较和分析;
动作识别子模块:通过分析经过数据预处理的数据,识别并分类不同的羽毛球挥拍动作;使用预先训练的模型和算法,识别运动员的动作类型、挥拍速度、击球点位置关键技术参数;
三维重建子模块:基于动作识别结果,计算出球拍的实时姿态,包括方向和位置,实现羽毛球挥拍动作的三维重建;
显示模块:包含移动App和电脑网页显示两部分,移动App界面用于在移动设备上展示实时动作识别结果和动画,支持运动员在训练中使用;电脑网页界面提供在电脑上查看数据分析结果、训练建议和控制系统的功能,以支持教练和分析员的操作。
与现有技术相比,本发明具有如下有益的技术效果:
本发明提供的羽毛球挥拍动作识别与三维轨迹重建方法及系统在羽毛球训练领域具有显著的益处。首先,通过高精度的动作识别,系统能够准确识别不同挥拍动作类型、速度和击球点位置等关键技术参数,为运动员提供了全面的技术分析,有助于改进技术和提高竞技水平。
其次,三维动作重建技术使教练和运动员能够深入分析挥拍动作的细节,从而更好地理解和改善技术动作。
另外,多平台支持允许教练和运动员随时随地使用系统,实时监测和分析挥拍动作,为即时的技术指导提供支撑,使羽毛球技术改进变得更加便捷。
附图说明
图1为本发明实施例的一种羽毛球挥拍动作识别与三维轨迹重建方法流程图;
图2为本发明实施例的一种羽毛球挥拍动作识别与三维轨迹重建系统框图。
具体实施方式
实施例1
如图1所示,本发明提出的一种羽毛球挥拍动作识别与三维轨迹重建方法,包括以下具体步骤:
S1、通过九轴传感器,捕捉运动员在训练或比赛中的挥拍动作数据,包括加速度(ax,ay,az),角速度(gx,gy,gz)和磁感应强度(mx,my,mz);
S2、将九轴传感器捕获的动作数据传输至数据处理中心,并对其进行预处理;
S3、基于真实的训练数据,利用时间窗口分割法对连续的动作数据进行分割,实现挥拍动作模型训练;
S4、将实时采集传感器数据,通过已在数据库中训练完成的神经网络模型进行挥拍动作的识别;
S5、基于动作识别结果,利用传感器数据进行数据融合与姿态估计,实现运动过程中羽毛球拍轨迹的三维重构。
S1中的九轴传感器包括加速度计、陀螺仪和磁力计。
S2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
S3还包括以下步骤:
S31、为了准确地分割出击球动作的数据,在采集真实的训练数据基础上,采用基于图像视频和九轴传感器相结合的方式,由九轴传感器记录动作数据,由视频确定击球动作发生的时刻。在羽毛球比赛中,球员的击球力量足够大,击球的声音在视频中能清晰地捕捉到,因此采用音视频相结合的方式,从视频中定位动作序列。具体来说,在视频帧中捕捉声音出现的时间点,并把此点命名为击点。以击点为终点,往前追溯一个时间窗口W,每个羽毛球的挥拍动作一般为0.8s,以100Hz的采样频率为例,惯性传感器采集的数据窗口为80组数据,落入动作窗口的传感器数据才作为动作数据。在此过程中,尽可能地删去不包含主要特征或被视为无用的动作片段,确保每个片段都包含足够的信息进行后续的识别和分析。
S32、挥拍动作特征提取;
根据分割后的动作数据,通过均值、方差、最大波动、合成值等计算出第i时刻代表每个挥拍动作的特征数据;具体计算公式包括:
第i时刻的合成加速度:
合成角速度:
特征值1:加速度强度:
特征值2:加速度方差:
特征值3:加速度偏度:
特征值4:加速度峰峰值:APP(Acc)=max(A)-min(A)
特征值5:加速度峰度:
特征值6:角速度强度:
特征值7:角速度方差:
特征值8:角速度偏度:
特征值9:角速度峰峰值:APP(Gyro)=max(G)-min(G)
特征值10:角速度峰度:
进一步利用主成分分析法(PCA),对特征数据进行处理,从中提取出对挥拍动作识别和分析影响较大的主要特征数据,包括加速度强度、加速度方差、角速度强度;具体步骤如下:
S321、将计算出的特征值合成新的特征矩阵X;
S322、通过XTX计算得到协方差矩阵Cov;
S323、求解Cov的特征值和特征向量,即特征分解;
S324、将特征值按从大到小排列,选出最大的M个特征值,并将对应的特征向量作为列向量排列得到W;
S325、通过XW=Y,得到降维后的新的特征矩阵;
其中,M的取值可设定一个门限γ,γ∈(0,1];将特征值从大到小排列为λ1≥λ2≥…≥λN,则M由下式给出:
S33、根据提取的特征数据以及通过视频采集的动作数据,对BP-神经网络模型进行训练,得到模型参数并存储到服务软件的数据库中。
S4中的挥拍动作可以包括高远、杀球、平抽、平档、挑球、搓球的击球动作。
S4包括以下具体步骤:
S41、实时数据采集。用户在训练或比赛中,实时地采集传感器数据,包括加速度、角速度和磁场数据,这些数据反映了挥拍动作的实际过程。
S42、挥拍动作识别。通过已训练好的神经网络模型,系统将实时采集的数据输入到模型中进行识别。模型将分析数据并确定当前挥拍动作的类型,例如高远、杀球、平抽等。这个识别过程是实时的,能够即时反映用户的动作。
S43、识别结果输出显示。将识别和分析结果展示给运动员和教练,以供其进行训练和技术调整。
S44、识别结果修正和优化。考虑到用户个体动作的差异性,系统会在识别过程中检测识别结果是否存在偏差。如果发现识别结果存在偏差,系统将允许用户将这些修正后的数据传回模型,以进行参数训练和优化。这个反馈机制允许系统逐渐适应不同用户的动作特点,提高识别的准确性和个性化程度。
S5包括以下具体步骤:
S51、传感器数据融合与准确性保证。系统使用九轴传感器获取的数据,并利用传感器数据融合技术,如卡尔曼滤波,以确保数据的连贯性和准确性。这一步骤还有助于减少各种环境因素,如磁场干扰以及传感器本身的误差,对数据的不良影响。
S52、实时姿态估计。系统通过四元数算法或欧拉角方法,基于加速度计、陀螺仪和磁力计的数据,实时计算出羽毛球拍的姿态,包括其在空间中的方向和位置。这些姿态信息将在后续的轨迹重建中发挥关键作用。
S53、实时运动数据预处理。传感器数据经过实时运动数据预处理,包括动作起始点提取、四元数坐标变换、方向修正、步长检测等步骤,以准备进行轨迹重建。
S54、实时定位与轨迹重建。在实时定位阶段,系统将处理过的传感器数据用于轨迹重建。这一过程包括实时定位和羽毛球拍轨迹的三维重建。
S55、动态模拟与渲染。采用专业的三维建模软件,如Blender或Maya,系统根据传感器数据建立羽毛球拍的三维模型。这个模型会实时根据姿态估计的结果进行更新,从而形成具有动态特性的挥拍动作模拟。利用三维建模软件的内置渲染引擎,进行羽毛球拍运动轨迹的动态模拟和高质量的动画渲染,以得到具有真实感的挥拍动画。
S56、交互与分析。通过交互式的分析工具,如Unity 3D或Unreal Engine,可以对三维的羽毛球拍运动轨迹进行实时交互。比如,教练和运动员可以放大、旋转和拖动三维模型,从不同的角度和尺度观察挥拍动作的每一个细节。
S57、运动员挥拍动作的分析。将三维重建模型与标准挥拍模型进行对比,以分析运动员挥拍动作的优点和需要改进的方面。为后续训练提供有价值的参考,帮助运动员和教练制定更有效的训练计划。
实施例2
如图2所示,本发明提出的一种羽毛球挥拍动作识别与三维轨迹重建系统,相较于实施例1,本实施例所述的系统包括:
(1)数据采集模块,主要是放置于羽毛球拍底部和顶部的九轴传感器,实时捕捉羽毛球挥拍动作数据,包括加速度、角速度和磁场数据。该模块负责数据采集、传输和确保数据的实时性和可靠性。
(2)数据处理模块,位于云服务器上,用以接收、存储和处理采集到的数据。其进一步包括数据预处理、动作识别和三维重建子模块,以实现动作识别、三维重建等功能。
所述数据预处理子模块负责对从数据采集模块传输来的原始数据进行处理,包括数据滤波、去噪、时间同步和校正等处理步骤,以消除传感器噪声、对齐数据并减少环境因素的影响,确保数据的质量和准确性。同时,还包括数据归一化,将不同运动员的数据统一到相同的尺度,以便进行有效的比较和分析。
所述动作识别子模块通过分析经过数据预处理的数据,识别并分类不同的羽毛球挥拍动作。它使用预先训练的模型和算法,识别运动员的动作类型、挥拍速度、击球点位置等关键技术参数。还可识别潜在的技术问题,如挥拍动作不标准或存在异常。
所述三维重建子模块基于动作识别结果,计算出球拍的实时姿态,包括方向和位置,实现羽毛球挥拍动作的三维重建。
(3)显示模块,包含移动App和电脑网页显示两部分,移动App界面用于在移动设备上展示实时动作识别结果和动画,支持运动员在训练中使用。电脑网页界面提供在电脑上查看数据分析结果、训练建议和控制系统的功能,以支持教练和分析员的操作。
本发明上述实施例所述的一种羽毛球挥拍动作识别与三维轨迹重建方法及系统,结合了现代传感技术、数据处理技术、动作重建技术和人工智能分析,为羽毛球运动员和教练员提供了精确、实时的技术反馈和训练支持。通过采集、处理和分析挥拍动作数据,本系统不仅能够高度准确地识别不同击球动作,还能够重建羽毛球拍的三维轨迹,实现对运动员的个性化训练建议生成,为未来体育科技领域的发展提供了新的方向和机遇。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (8)
1.一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,包括以下具体步骤:
S1、通过九轴传感器,捕捉运动员在训练或比赛中的挥拍动作数据,包括加速度(ax,ay,az),角速度(gx,gy,gz)和磁感应强度(mx,my,mz);
S2、将九轴传感器捕获的动作数据传输至数据处理中心,并对其进行预处理;
S3、基于真实的训练数据,利用时间窗口分割法对连续的动作数据进行分割,实现挥拍动作模型训练;
S4、将实时采集传感器数据,通过已在数据库中训练完成的神经网络模型进行挥拍动作的识别;
S5、基于动作识别结果,利用传感器数据进行数据融合与姿态估计,实现运动过程中羽毛球拍轨迹的三维重构。
2.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S1中的九轴传感器包括加速度计、陀螺仪和磁力计。
3.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
4.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S3还包括以下步骤:
S31、在采集真实的训练数据基础上,采用基于图像视频和九轴传感器相结合的方式,由九轴传感器记录动作数据,由视频确定击球动作发生的时刻;采用音视频相结合的方式,从视频中定位动作序列;
在视频帧中捕捉声音出现的时间点,并把此点命名为击点;
以击点为终点,往前追溯一个时间窗口W,每个羽毛球的挥拍动作一般为0.8s,以100Hz的采样频率为例,惯性传感器采集的数据窗口为80组数据,落入动作窗口的传感器数据才作为动作数据;
删去不包含主要特征或被视为无用的动作片段;
S32、挥拍动作特征提取;
根据分割后的动作数据,通过均值、方差、最大波动、合成值计算出第i时刻代表每个挥拍动作的特征数据;具体计算公式包括:
第i时刻的合成加速度:
合成角速度:
特征值1:加速度强度:
特征值2:加速度方差:
特征值3:加速度偏度:
特征值4:加速度峰峰值:APP(Acc)=max(A)-min(A)
特征值5:加速度峰度:
特征值6:角速度强度:
特征值7:角速度方差:
特征值8:角速度偏度:
特征值9:角速度峰峰值:APP(Gyro)=max(G)-min(G)
特征值10:角速度峰度:
利用主成分分析法PCA,对特征数据进行处理,从中提取出对挥拍动作识别和分析影响较大的主要特征数据,包括加速度强度、加速度方差、角速度强度;具体步骤如下:
S321、将计算出的特征值合成新的特征矩阵X;
S322、通过XTX计算得到协方差矩阵Cov;
S323、求解Cov的特征值和特征向量,即特征分解;
S324、将特征值按从大到小排列,选出最大的M个特征值,并将对应的特征向量作为列向量排列得到W;
S325、通过XW=Y,得到降维后的新的特征矩阵;
其中,M的取值可设定一个门限γ,γ∈(0,1];将特征值从大到小排列为λ1≥λ2≥…≥λN,则M由下式给出:
S33、根据提取的特征数据以及通过视频采集的动作数据,对BP-神经网络模型进行训练,得到模型参数并存储到服务软件的数据库中。
5.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S4中的挥拍动作可以包括高远、杀球、平抽、平档、挑球、搓球的击球动作。
6.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S4包括以下具体步骤:
S41、实时数据采集;
用户在训练或比赛中,实时地采集传感器数据,包括加速度、角速度和磁场数据,这些数据反映了挥拍动作的实际过程;
S42、挥拍动作识别;
通过已训练好的神经网络模型,系统将实时采集的数据输入到模型中进行识别,模型将分析数据并确定当前挥拍动作的类型,该识别过程是实时的,能够即时反映用户的动作;
S43、识别结果输出显示;
将识别和分析结果展示给运动员和教练,以供其进行训练和技术调整;
S44、识别结果修正和优化;
考虑到用户个体动作的差异性,在识别过程中检测识别结果是否存在偏差;若发现识别结果存在偏差,则将允许用户将这些修正后的数据传回模型,以进行参数训练和优化。
7.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法,其特征在于,S5包括以下具体步骤:
S51、传感器数据融合与准确性保证;
使用九轴传感器获取的数据,并利用传感器数据融合技术确保数据的连贯性和准确性;
S52、实时姿态估计;
系统通过四元数算法或欧拉角方法,基于加速度计、陀螺仪和磁力计的数据,实时计算出羽毛球拍的姿态,包括其在空间中的方向和位置;
S53、实时运动数据预处理;
传感器数据经过实时运动数据预处理,包括动作起始点提取、四元数坐标变换、方向修正、步长检测等步骤,以准备进行轨迹重建;
S54、实时定位与轨迹重建;
在实时定位阶段,将处理过的传感器数据用于轨迹重建;该过程包括实时定位和羽毛球拍轨迹的三维重建;
S55、动态模拟与渲染;
采用三维建模软件,根据传感器数据建立羽毛球拍的三维模型;该模型会实时根据姿态估计的结果进行更新,从而形成具有动态特性的挥拍动作模拟;
S56、交互与分析;
通过交互式的分析工具,对三维的羽毛球拍运动轨迹进行实时交互;
S57、运动员挥拍动作的分析;
将三维重建模型与标准挥拍模型进行对比,分析运动员挥拍动作的优点和需要改进的方面。
8.一种羽毛球挥拍动作识别与三维轨迹重建系统,其特征在于,包括:
数据采集模块:由分别放置于羽毛球拍底部和顶部的数据采集装置组成,其包括九轴传感器,用于实时捕捉羽毛球挥拍动作数据,包括加速度、角速度和磁场数据;该模块负责数据采集、传输和确保数据的实时性和可靠性;
数据处理模块:位于云服务器上,用以接收、存储和处理采集到的数据;还包括数据预处理、动作识别和三维重建子模块,以实现动作识别、三维重建功能。
数据预处理子模块:对从数据采集模块传输来的原始数据进行处理,包括数据滤波、去噪、时间同步和校正处理步骤,以消除传感器噪声、对齐数据并减少环境因素的影响,确保数据的质量和准确性;还包括数据归一化,将不同运动员的数据统一到相同的尺度,进行有效的比较和分析;
动作识别子模块:通过分析经过数据预处理的数据,识别并分类不同的羽毛球挥拍动作;使用预先训练的模型和算法,识别运动员的动作类型、挥拍速度、击球点位置关键技术参数;
三维重建子模块:基于动作识别结果,计算出球拍的实时姿态,包括方向和位置,实现羽毛球挥拍动作的三维重建;
显示模块:包含移动App和电脑网页显示两部分,移动App界面用于在移动设备上展示实时动作识别结果和动画,支持运动员在训练中使用;电脑网页界面提供在电脑上查看数据分析结果、训练建议和控制系统的功能,以支持教练和分析员的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267524.2A CN117315780A (zh) | 2023-09-28 | 2023-09-28 | 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267524.2A CN117315780A (zh) | 2023-09-28 | 2023-09-28 | 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117315780A true CN117315780A (zh) | 2023-12-29 |
Family
ID=89242034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267524.2A Pending CN117315780A (zh) | 2023-09-28 | 2023-09-28 | 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315780A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061817A1 (en) * | 2015-08-28 | 2017-03-02 | Icuemotion, Llc | System for movement skill analysis and skill augmentation and cueing |
CN108363959A (zh) * | 2018-01-22 | 2018-08-03 | 河海大学常州校区 | 一种针对乒乓球或羽毛球运动动作识别方法 |
CN108686348A (zh) * | 2018-04-17 | 2018-10-23 | 南京邮电大学 | 基于传感器的网球拍运动轨迹重构系统及其重构方法 |
KR20190068083A (ko) * | 2017-12-08 | 2019-06-18 | 하동경 | 배드민턴 훈련 지원 장치 |
CN114788951A (zh) * | 2021-01-26 | 2022-07-26 | 王振兴 | 手持运动分析系统与方法 |
CN115337618A (zh) * | 2022-08-02 | 2022-11-15 | 广东工业大学 | 一种用于兵乒球运动的辅助训练装置、系统及方法 |
-
2023
- 2023-09-28 CN CN202311267524.2A patent/CN117315780A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061817A1 (en) * | 2015-08-28 | 2017-03-02 | Icuemotion, Llc | System for movement skill analysis and skill augmentation and cueing |
KR20190068083A (ko) * | 2017-12-08 | 2019-06-18 | 하동경 | 배드민턴 훈련 지원 장치 |
CN108363959A (zh) * | 2018-01-22 | 2018-08-03 | 河海大学常州校区 | 一种针对乒乓球或羽毛球运动动作识别方法 |
CN108686348A (zh) * | 2018-04-17 | 2018-10-23 | 南京邮电大学 | 基于传感器的网球拍运动轨迹重构系统及其重构方法 |
CN114788951A (zh) * | 2021-01-26 | 2022-07-26 | 王振兴 | 手持运动分析系统与方法 |
CN115337618A (zh) * | 2022-08-02 | 2022-11-15 | 广东工业大学 | 一种用于兵乒球运动的辅助训练装置、系统及方法 |
Non-Patent Citations (2)
Title |
---|
PAUL LIU等: "MonoTrack: Shuttle trajectory reconstruction from monocular badminton video", 2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS, 23 August 2022 (2022-08-23), pages 3512 - 3521 * |
张小楠;路来冰;: "非持拍手臂动作在羽毛球技术、步伐中的作用", 邵阳学院学报(自然科学版), no. 01, 20 March 2013 (2013-03-20), pages 78 - 81 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110711374B (zh) | 多模态舞蹈动作评价方法 | |
CN110321754B (zh) | 一种基于计算机视觉的人体运动姿态纠正方法及系统 | |
KR101078975B1 (ko) | 가상 골프 시뮬레이션 장치에 이용되는 센싱장치 및 센싱방법 | |
US8824802B2 (en) | Method and system for gesture recognition | |
AU2012231931B2 (en) | Virtual golf simulation apparatus and sensing device and method used for same | |
CN111437583B (zh) | 一种基于Kinect的羽毛球基本动作辅助训练系统 | |
CN101836237B (zh) | 用于选择所呈现图形的观看配置的方法和系统 | |
CN110327612B (zh) | 一种基于视觉识别的高尔夫球轨迹预测方法 | |
CN110738154A (zh) | 一种基于人体姿态估计的行人摔倒检测方法 | |
US20220277463A1 (en) | Tracking dynamics using a computerized device | |
CN111369629B (zh) | 一种基于挥拍击球动作双目视觉感知的回球轨迹预测方法 | |
CN106846372B (zh) | 人体运动质量视觉分析与评价系统及其方法 | |
Zhang et al. | MV-Sports: a motion and vision sensor integration-based sports analysis system | |
Kim et al. | Sports motion analysis system using wearable sensors and video cameras | |
US20230148135A1 (en) | Tracking user and object dynamics using a computerized device | |
KR101624595B1 (ko) | 골프 스윙 모니터링 시스템과 그에 연동되는 골프 클럽 | |
CN117315780A (zh) | 一种羽毛球挥拍动作识别与三维轨迹重建方法及系统 | |
Kelly et al. | Visualisation of tennis swings for coaching | |
WO2016035464A1 (ja) | 解析方法、システムおよび解析装置 | |
CN113673327B (zh) | 一种基于人体姿态估计的罚球命中预测方法 | |
KR102671307B1 (ko) | 골프 스윙 분석 장치, 골프 스윙 분석 방법 및 기록매체에 저장된 프로그램 | |
CN117095472B (zh) | 基于ai的泳姿犯规动作判断方法及系统 | |
KR102593654B1 (ko) | 3d 캐릭터 리타게팅 기반 인공지능 골프 스윙 분석/교정 시스템 및 방법 | |
Zhou et al. | Kinematics parameter analysis of long jump based on human posture vision | |
KR20230163756A (ko) | 골프 스윙 분석 장치, 골프 스윙 분석 방법 및 기록매체에 저장된 프로그램 |
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 |