CN117333947B - 一种羽毛球动作分析方法与系统 - Google Patents
一种羽毛球动作分析方法与系统 Download PDFInfo
- Publication number
- CN117333947B CN117333947B CN202311353926.4A CN202311353926A CN117333947B CN 117333947 B CN117333947 B CN 117333947B CN 202311353926 A CN202311353926 A CN 202311353926A CN 117333947 B CN117333947 B CN 117333947B
- Authority
- CN
- China
- Prior art keywords
- action
- ball
- badminton
- training
- match video
- 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.)
- Active
Links
- 230000009471 action Effects 0.000 title claims abstract description 218
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 239000012634 fragment Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
-
- 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
- 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
- G06V10/776—Validation; Performance evaluation
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种羽毛球动作分析方法与系统，涉及动作分析领域；该方法包括：获取训练数据；基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的；将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。本发明能够更加准确地识别和定位羽毛球比赛视频中的各种技术动作，从而提高技术分析的准确性和深度。
Description
技术领域
本发明涉及动作分析领域，特别是涉及一种羽毛球动作分析方法与系统。
背景技术
羽毛球是一种隔网竞技运动，其对抗依赖于运动员的进攻击球与防守，在竞技运动中分析其技术就变得尤为重要。其技术问题主要包括打法技术、战术策略、身体与心理素质等。在打法技术方面，羽毛球比赛中，选手需要掌握各种不同的打法技术，如正手、反手、扣杀、挑球、下压球、高远球等等。不同的打法技术需要选手具备不同的技术动作和手腕力量，同时还需要对比赛的节奏、对手的状态等进行实时调整，才能够在比赛中占据优势。因此，进行羽毛球的技术分析对于评估羽毛球运动员的能力、进而指导其能力提升具有重要意义。然而目前多数羽毛球的分析多采用人工逐个观看的方式，耗费人力物力，因此亟需一种高效而准确的系统辅助羽毛球运动员进行动作识别与分析。
专利申请号为CN114882591的“一种基于深度学习的羽毛球比赛动作分析系统”的专利，在说明书中记载有“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”，其对羽毛球训练的动作分析做出了一定的贡献。
现有技术往往在动作的分析层面没有完成对具体动作的识别与时序定位，难以提高动作分析的精度与深度；而一些使用时序动作定位的系统没有选择合适的深度学习模式，在动作分类方面没有达到理想的效果。动作识别与时序定位不足：现有技术在动作分析层面往往没有完成对羽毛球击球具体动作的识别与时序定位，仅仅停留在对动作的简单描述。这种方法难以提高动作分析的精度和深度。对于不同的羽毛球动作类型，其时序特征可能存在巨大的差异，必须精确地进行识别和定位才能够对羽毛球的技术进行更加准确和全面的分析。
另一个问题是一些使用时序动作定位的系统没有选择合适的深度学习模型，在动作分类方面没有达到理想的效果。在时序动作定位技术中，动作分类是非常重要的一步，它决定了后续分析和应用的方向。如果击球动作的分类效果不佳，会影响到后续的羽毛球技术的分析质量。
发明内容
本发明的目的是提供一种羽毛球动作分析方法与系统，能够更加准确地识别和定位羽毛球比赛视频中的各种技术动作，从而提高技术分析的准确性和深度。
为实现上述目的，本发明提供了如下方案：
一种羽毛球动作分析方法，所述羽毛球动作分析方法包括：
获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球；
基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的；
将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。
可选地，获取训练数据，具体包括：
获取羽毛球比赛视频；
将所述羽毛球比赛视频转换为图像序列；
对所述图像序列进行特征提取，得到关键帧；
采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段；
提取每个动作片段的特征数据；
分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
可选地，所述损失函数为：
其中，表示训练模型输出的动作片段为第c个动作标签的概率；/>表示训练模型输出的动作片段为背景标签的概率；/>表示前背景损失；/>表示背景类背景损失；/>表示动作感知背景损失；yfg表示动作片段在羽毛球比赛视频对应的动作标签；ybg表示动作片段在羽毛球比赛视频对应的背景标签；S表示动作标签总数；λfg表示前背景损失的权重；λbg表示背景类背景损失的权重；λabg表示动作感知背景损失的权重。
可选地，提取每个动作片段的特征数据，具体包括：
采用Inflated3D ConvNet模型提取每个动作片段的特征数据。
一种羽毛球动作分析系统，所述羽毛球动作分析系统应用于上述所述的羽毛球动作分析方法，所述羽毛球动作分析系统包括：
获取模块，用于获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球；
训练模块，用于基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的；
预测模块，用于将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。
可选地，所述获取模块，具体包括：
获取单元，用于获取羽毛球比赛视频；
转换单元，用于将所述羽毛球比赛视频转换为图像序列；
关键帧提取单元，用于对所述图像序列进行特征提取，得到关键帧；
标注单元，用于采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段；
特征数据提取单元，用于提取每个动作片段的特征数据；
分析单元，用于分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的羽毛球动作分析方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如上述所述的羽毛球动作分析方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种羽毛球动作分析方法与系统，该方法包括：获取训练数据；基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；本发明能够更加准确地识别和定位羽毛球比赛视频中的各种技术动作，从而提高技术分析的准确性和深度。所述训练模型是基于机器学习建立的；将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中羽毛球动作分析方法的流程图。
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。
本发明的目的是提供一种羽毛球动作分析方法与系统能够更加准确地识别和定位羽毛球比赛视频中的各种技术动作，从而提高技术分析的准确性和深度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明一种羽毛球动作分析方法，所述羽毛球动作分析方法包括：
步骤101：获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球。
步骤102：基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的。
该模型结合分段建模的思想对标注数据进行分析，提取出对应的特征数据，然后利用特征数据训练动作定位模型。生成的动作定位模型可以对羽毛球比赛视频进行动作类型定位，从而实现对羽毛球技术的准确识别和分析。
步骤103：将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。
本发明首先对视频进行时序分割，将视频分成多个时序片段。然后，对每个时序片段进行动作识别，通过对时序片段进行特征提取和分类，来判断该时序片段中的动作类型。最后，将所有时序片段的动作类型连接起来，得到视频中动作的完整识别和分割结果。
作为一种实施例，获取训练数据，具体包括：
获取羽毛球比赛视频。
将所述羽毛球比赛视频转换为图像序列。
在具体实施中，该步骤需要对羽毛球比赛视频进行采集和处理，将视频转化为图像序列，并进行预处理。同时，还需要对图像进行特征提取，提取出人体关键点和有利于区分不同羽毛球技术动作的关键帧等信息。
从bilibili、抖音、youtube等平台下载羽毛球单打视频，视频人物为世界优秀羽毛球男性和女性运动员，视频视角为单一视角，视频拍摄角度以运动员正后方或正前方为主，视频动作包含挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球等十个动作。通过现有的视频编辑软件批量裁切视频，以获得半场的视频画面。
对所述图像序列进行特征提取，得到关键帧。
采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段。
时序动作定位的目标是为一个测试视频生成一组动作片段：
其中si，ei为第i个动作片段的开始和结束时间，ci，qi为第i个动作片段对应的动作标签预测和置信度得分。该参数可以用于定位和描述每个动作片段的开始时间、结束时间和持续时间。这些信息可以帮助确定视频中动作发生的具体时间段，以及每个动作的时长，标识每个动作片段所属的动作类别或标签。对于每个动作片段的可靠性进行量化评估，对于后续处理或应用中的决策和分析提供参考。
提取每个动作片段的特征数据。
分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
将每个动作片段的特征数据确定每个动作片段的特征数据的标签沿通道维度通过concatenate函数进行拼接，可以得到羽毛球比赛视频中每个动作的特征数据对应的标签。
依据10种动作标签，分析每个动作片段的特征数据的动作标签，使用视频编辑软件Kinovea按照帧数标注动作起止时间，并基于OpenPose使用Python获取视频中运动员的关节点数据。
应用全连接(FC)层来预测训练模型输出的动作片段为第c个动作标签的时间类激活序列和训练模型输出的动作片段为背景标签的时间类激活序列。
使用全连接层层生成训练模型输出的动作片段为背景标签的注意力权重和训练模型输出的动作片段为第c个动作标签的注意力权重。
基于训练模型输出的动作片段为第c个动作标签的时间类激活序列和训练模型输出的动作片段为背景标签的注意力权重得到训练模型输出的动作片段为第c个动作标签的概率：
基于训练模型输出的动作片段为背景标签的时间类激活序列和训练模型输出的动作片段为第c个动作标签的注意力权重得到训练模型输出的动作片段为背景标签的概率：
前背景损失的计算公式为：
背景类背景损失的计算公式为：
动作感知背景损失的计算公式为：
损失函数为：
其中，表示训练模型输出的动作片段为第c个动作标签的概率；/>表示训练模型输出的动作片段为背景标签的概率；/>表示前背景损失；/>表示背景类背景损失；/>表示动作感知背景损失；/>表示损失函数；yfg表示动作片段在羽毛球比赛视频对应的动作标签；ybg表示动作片段在羽毛球比赛视频对应的背景标签；S表示动作标签总数；λfg表示前背景损失的权重；λbg表示背景类背景损失的权重；λabg表示动作感知背景损失的权重；Pfg(c)表示训练模型输出的动作片段为第c个动作标签的时间类激活序列；Pbg表示训练模型输出的动作片段为背景标签的时间类激活序列；⊙表示元素乘法；Abg表示训练模型输出的动作片段为背景标签的注意力权重；Afg(c)表示训练模型输出的动作片段为第c个动作标签的注意力权重。
作为一种实施例，提取每个动作片段的特征数据，具体包括：
采用Inflated 3D ConvNet模型提取每个动作片段的特征数据。
实施例2
一种羽毛球动作分析系统，所述羽毛球动作分析系统应用于实施例1所述的羽毛球动作分析方法，所述羽毛球动作分析系统包括：
获取模块，用于获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球。
训练模块，用于基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的。
预测模块，用于将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签。
作为一种实施例，获取模块，具体包括：
获取单元，用于获取羽毛球比赛视频。
转换单元，用于将所述羽毛球比赛视频转换为图像序列。
关键帧提取单元，用于对所述图像序列进行特征提取，得到关键帧。
标注单元，用于采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段。
特征数据提取单元，用于提取每个动作片段的特征数据。
分析单元，用于分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1所述的羽毛球动作分析方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如实施例1所述的羽毛球动作分析方法。
本发明的有益效果：
技术分析与模型对比：本发明利用动作定位模型对羽毛球比赛视频进行技术分析，包括挑球、扣球、高远球等技术的分析。可以提取出运动员的技术特征，从而帮助运动员进行技术评估和优化。使用OpenPose对每一帧图像进行姿态估计，得到每个关节点的位置和连线信息。根据运动动作的特点和规范，对每个关节点的位置和连线信息进行分析和比较，得到动作的得分或评分。使用Matplotlib绘制动作关键点的轨迹、绘制动作得分的曲线等。在绘制得分曲线之后，可以根据曲线的形状和趋势来优化动作。例如，如果得分曲线在某个时间点呈现出较大的波动或下降，可以针对这个时间点进行改进，找出影响动作得分变化的原因，并采取相应的措施来改善动作质量。此外，利用该曲线可以调整模型或算法参数来优化。
系统实际应用与优化：本发明利用技术分析模块提供的分析结果，为教练和运动员提供相关的应用服务。例如，可以为教练提供技术评估和训练建议，为运动员提供个性化的技术指导和训练计划。
提高技术分析的准确性和深度：本发明采用动作识别能够更加准确地识别和定位羽毛球比赛视频中的各种技术动作，从而提高技术分析的准确性和深度。运动员和教练可以通过系统获得更加全面、准确的技术分析结果，从而更好地了解运动员的技术状况并作出相应的技术改进和训练计划。
提高数据标注效率和准确性：本发明通过对羽毛球比赛视频进行部分标注，避免了人工标注大量数据的繁琐过程，显著提高了数据标注的效率和准确性，从而为技术分析和训练提供了更加可靠的数据基础。
提高羽毛球技术分析和训练的自动化程度：本发明实现了从视频数据采集和处理到技术分析和应用的全流程自动化，能够为运动员和教练提供全面、准确的技术指导和训练服务。同时，还可以通过人工智能等技术，对运动员的技术进行分析和预测，为训练计划和比赛策略提供更加科学、精准的支持。
本发明在具体实施中可以利用传感器等设备对运动员进行实时监测和数据采集，从而实现对运动员技术的评估和优化。例如，可以通过加速度计、陀螺仪等传感器监测运动员击球的速度、角度、旋转等信息，从而实现对运动员技术的评估和分析。但是，这些方法需要对设备进行精细的安装和调试，成本较高，且只能在实验室等受控环境下进行。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种羽毛球动作分析方法，其特征在于，所述羽毛球动作分析方法包括：
获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球；
基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的；
将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的动作类型；
所述损失函数为：
其中，表示训练模型输出的动作片段为第c个动作标签的概率；/>表示训练模型输出的动作片段为背景标签的概率；/>表示前背景损失；/>表示背景类背景损失；/>表示动作感知背景损失；yfg表示动作片段在羽毛球比赛视频对应的动作标签；ybg表示动作片段在羽毛球比赛视频对应的背景标签；S表示动作标签总数；λfg表示前背景损失的权重；λbg表示背景类背景损失的权重；λabg表示动作感知背景损失的权重。
2.根据权利要求1所述的羽毛球动作分析方法，其特征在于，获取训练数据，具体包括：
获取羽毛球比赛视频；
将所述羽毛球比赛视频转换为图像序列；
对所述图像序列进行特征提取，得到关键帧；
采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段；
提取每个动作片段的特征数据；
分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
3.根据权利要求1所述的羽毛球动作分析方法，其特征在于，提取每个动作片段的特征数据，具体包括：
采用Inflated 3D ConvNet模型提取每个动作片段的特征数据。
4.一种羽毛球动作分析系统，其特征在于，所述羽毛球动作分析系统应用于所述权利要求1-3中任意一项所述的羽毛球动作分析方法，所述羽毛球动作分析系统包括：
获取模块，用于获取训练数据；所述训练数据包括羽毛球比赛视频和羽毛球比赛视频中每个动作的特征数据对应的标签；所述特征数据包括RGB和光流特征；所述标签包括动作标签和背景标签；所述动作标签包括挑球、扣球、高远球、搓球、平抽球、吊球、推球、勾球、接杀球和放网前球；
训练模块，用于基于所述训练数据以损失函数最小为目的对训练模型进行训练，得到动作定位模型；所述训练模型是基于机器学习建立的；
预测模块，用于将待识别羽毛球比赛视频输入至所述动作定位模型，得到待识别羽毛球比赛视频中每个动作的特征数据对应的标签；
所述损失函数为：
其中，表示训练模型输出的动作片段为第c个动作标签的概率；/>表示训练模型输出的动作片段为背景标签的概率；/>表示前背景损失；/>表示背景类背景损失；/>表示动作感知背景损失；yfg表示动作片段在羽毛球比赛视频对应的动作标签；ybg表示动作片段在羽毛球比赛视频对应的背景标签；S表示动作标签总数；λfg表示前背景损失的权重；λbg表示背景类背景损失的权重；λabg表示动作感知背景损失的权重。
5.根据权利要求4所述的羽毛球动作分析系统，其特征在于，所述获取模块，具体包括：
获取单元，用于获取羽毛球比赛视频；
转换单元，用于将所述羽毛球比赛视频转换为图像序列；
关键帧提取单元，用于对所述图像序列进行特征提取，得到关键帧；
标注单元，用于采用视频编辑软件基于所述关键帧对所述羽毛球比赛视频中每个动作的起始时间和结束时间进行标注，得到多个动作片段；
特征数据提取单元，用于提取每个动作片段的特征数据；
分析单元，用于分析每个动作片段的特征数据确定每个动作片段的特征数据的标签。
6.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的羽毛球动作分析方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至3中任一项所述的羽毛球动作分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353926.4A CN117333947B (zh) | 2023-10-18 | 2023-10-18 | 一种羽毛球动作分析方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353926.4A CN117333947B (zh) | 2023-10-18 | 2023-10-18 | 一种羽毛球动作分析方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117333947A CN117333947A (zh) | 2024-01-02 |
| CN117333947B true CN117333947B (zh) | 2024-05-10 |
Family
ID=89295162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311353926.4A Active CN117333947B (zh) | 2023-10-18 | 2023-10-18 | 一种羽毛球动作分析方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333947B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107050803A (zh) * | 2017-03-19 | 2017-08-18 | 西安理工大学 | 一种羽毛球训练监控评估系统 |
| CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
| CN110610173A (zh) * | 2019-10-16 | 2019-12-24 | 电子科技大学 | 基于Mobilenet的羽毛球动作分析系统及方法 |
| RU2716544C1 (ru) * | 2019-08-12 | 2020-03-12 | федеральное государственное бюджетное образовательное учреждение высшего образования "Марийский государственный университет" | Способ тактико-технической подготовки теннисистов и бадминтонистов |
| CN111246217A (zh) * | 2020-01-19 | 2020-06-05 | 中国石油大学(华东) | 基于八度卷积的压缩视频动作识别方法 |
| CN111291617A (zh) * | 2020-01-13 | 2020-06-16 | 西北农林科技大学 | 基于机器学习的羽毛球赛事视频精彩片段提取方法 |
| 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 |
| CN112396018A (zh) * | 2020-11-27 | 2021-02-23 | 广东工业大学 | 一种结合多模态特征分析与神经网络的羽毛球运动员犯规动作识别方法 |
| CN113221633A (zh) * | 2021-03-24 | 2021-08-06 | 西安电子科技大学 | 一种基于层次类别模型的弱监督时序行为定位方法 |
| CN113591647A (zh) * | 2021-07-22 | 2021-11-02 | 中广核工程有限公司 | 人体动作识别方法、装置、计算机设备和存储介质 |
| CN114882591A (zh) * | 2022-05-06 | 2022-08-09 | 于力 | 一种基于深度学习的羽毛球比赛动作分析系统 |
| CN115205961A (zh) * | 2022-06-06 | 2022-10-18 | 华南师范大学 | 一种羽毛球动作识别方法、装置、电子设备及存储介质 |
| EP4119204A1 (en) * | 2020-09-15 | 2023-01-18 | Honor Device Co., Ltd. | Motion recognition method and apparatus, terminal device, and sport monitoring system |
| KR20230080954A (ko) * | 2021-11-30 | 2023-06-07 | 마이스포 주식회사 | 배드민턴 경기의 파울 판정 시스템 및 시스템의 동작 방법 |
| CN116524393A (zh) * | 2023-03-29 | 2023-08-01 | 重庆大学 | 羽毛球运动分析系统及羽毛球运动分析方法 |
| CN116708922A (zh) * | 2023-05-09 | 2023-09-05 | 北京百度网讯科技有限公司 | 数据处理方法、模型训练方法、模型测试方法及装置 |
| CN116758459A (zh) * | 2023-06-30 | 2023-09-15 | 武汉体育学院 | 一种用于羽毛球比赛的实时分析系统及方法 |
-
2023
- 2023-10-18 CN CN202311353926.4A patent/CN117333947B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107050803A (zh) * | 2017-03-19 | 2017-08-18 | 西安理工大学 | 一种羽毛球训练监控评估系统 |
| 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 |
| CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
| RU2716544C1 (ru) * | 2019-08-12 | 2020-03-12 | федеральное государственное бюджетное образовательное учреждение высшего образования "Марийский государственный университет" | Способ тактико-технической подготовки теннисистов и бадминтонистов |
| CN110610173A (zh) * | 2019-10-16 | 2019-12-24 | 电子科技大学 | 基于Mobilenet的羽毛球动作分析系统及方法 |
| CN111291617A (zh) * | 2020-01-13 | 2020-06-16 | 西北农林科技大学 | 基于机器学习的羽毛球赛事视频精彩片段提取方法 |
| CN111246217A (zh) * | 2020-01-19 | 2020-06-05 | 中国石油大学(华东) | 基于八度卷积的压缩视频动作识别方法 |
| EP4119204A1 (en) * | 2020-09-15 | 2023-01-18 | Honor Device Co., Ltd. | Motion recognition method and apparatus, terminal device, and sport monitoring system |
| CN112396018A (zh) * | 2020-11-27 | 2021-02-23 | 广东工业大学 | 一种结合多模态特征分析与神经网络的羽毛球运动员犯规动作识别方法 |
| CN113221633A (zh) * | 2021-03-24 | 2021-08-06 | 西安电子科技大学 | 一种基于层次类别模型的弱监督时序行为定位方法 |
| CN113591647A (zh) * | 2021-07-22 | 2021-11-02 | 中广核工程有限公司 | 人体动作识别方法、装置、计算机设备和存储介质 |
| KR20230080954A (ko) * | 2021-11-30 | 2023-06-07 | 마이스포 주식회사 | 배드민턴 경기의 파울 판정 시스템 및 시스템의 동작 방법 |
| CN114882591A (zh) * | 2022-05-06 | 2022-08-09 | 于力 | 一种基于深度学习的羽毛球比赛动作分析系统 |
| CN115205961A (zh) * | 2022-06-06 | 2022-10-18 | 华南师范大学 | 一种羽毛球动作识别方法、装置、电子设备及存储介质 |
| CN116524393A (zh) * | 2023-03-29 | 2023-08-01 | 重庆大学 | 羽毛球运动分析系统及羽毛球运动分析方法 |
| CN116708922A (zh) * | 2023-05-09 | 2023-09-05 | 北京百度网讯科技有限公司 | 数据处理方法、模型训练方法、模型测试方法及装置 |
| CN116758459A (zh) * | 2023-06-30 | 2023-09-15 | 武汉体育学院 | 一种用于羽毛球比赛的实时分析系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| Ya Wang 等.Automatic Badminton Action Recognition Using CNN with Adaptive Feature Extraction on Sensor Data.《ICIC 2019》.2019,131–143. * |
| 刘会玲.基于三维特征提取技术的羽毛球运动员动作判断分析.《新一代信息技术》.2019,第2卷(第17期),87-93. * |
| 杨静.体育视频中羽毛球运动员的动作识别.《自动化技术与应用》.2018,(第10期),124-128. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117333947A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472554B (zh) | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 | |
| US9600717B1 (en) | Real-time single-view action recognition based on key pose analysis for sports videos | |
| CN108810620A (zh) | 识别视频中的关键时间点的方法、计算机设备及存储介质 | |
| CN108197589A (zh) | 动态人体姿态的语义理解方法、装置、设备和存储介质 | |
| Rangasamy et al. | Deep learning in sport video analysis: a review | |
| CN113384861A (zh) | 乒乓球训练装置及训练方法、计算机可读存储介质 | |
| Yang et al. | Research on face recognition sports intelligence training platform based on artificial intelligence | |
| Promrit et al. | Model for practice badminton basic skills by using motion posture detection from video posture embedding and one-shot learning technique | |
| CN115331314A (zh) | 一种基于app筛查功能的运动效果评估方法和系统 | |
| Xiong et al. | Object-level trajectories based fine-grained action recognition in visual IoT applications | |
| CN117333947B (zh) | 一种羽毛球动作分析方法与系统 | |
| CN111563443A (zh) | 一种连续运动动作准确度评价方法 | |
| Freire-Obregón et al. | Decontextualized I3D ConvNet for ultra-distance runners performance analysis at a glance | |
| CN115376210B (zh) | 泳池防溺水的溺水行为识别方法、装置、设备及介质 | |
| CN116758459A (zh) | 一种用于羽毛球比赛的实时分析系统及方法 | |
| Liu et al. | A novel model for intelligent pull-ups test based on key point estimation of human body and equipment | |
| CN116433808A (zh) | 角色动画的生成方法、动画生成模型的训练方法及装置 | |
| Karunaratne et al. | Objectively measure player performance on olympic weightlifting | |
| Liu et al. | Body motion analysis for golf swing evaluation | |
| CN106056093A (zh) | 基于二分类进化特征学习的人体行为识别方法 | |
| Malawski | Real-Time First Person Perspective Tracking and Feedback System for Weapon Practice Support in Fencing. | |
| Zhou | Computational Analysis of Table Tennis Games from Real-Time Videos Using Deep Learning | |
| Chen et al. | Research on Table Tennis Swing Recognition Based on Lightweight OpenPose | |
| Malawski et al. | Automatic analysis of techniques and body motion patterns in sport | |
| CN110610173A (zh) | 基于Mobilenet的羽毛球动作分析系统及方法 |
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 |