体育训练过程中的运动视频分析与识别研究

体育训练过程中的运动视频分析与识别研究

体育训练过程中的运动视频分析与识别研究当前的体育训练过程中，训练员使用难度较小的视频重播与解析管理方式为运动员讲解动作要领，不够直观和科学，不能满足训练员对运动效果评估的需求。针对该问题，研究了体育训？过程中的运动视频分析与识别过程，采用基于粒子滤波预测的自适应阈值运动目标分离算法实现运动目标的自适应分离。通过粒子滤波技术跟踪运动员的运动，塑造运动模型，并依据运动模型预测后续运动视频倾内不同軍.要关节点的位置，完成后续运动视频帧的跟踪。采用条件随机场方法实现体育训练视频中的动作识别。实验结果说明该方法具有较高的动作识别率和较低的误分离率。匕关键词：体育训练；运动视频；分析与识别方法；粒子滤波技术TN948.43?34；TP391A:10047373X(2017)11?0068?04StudyonanalysisandrecognitionofmovingvideoinphysicaltrainingNANQiuhong(HuanghcScience&TechnologyCollege,Zhengzhou450003,\nChina)Abstract：Thetrainerreplaysthelowdifficultyactionvideoandusestheanalysismanagementwaytoexplaintheactionessentialforathletesinphysicaltraining,whichisnotintuitiveandscientificenough,andcan7tmeetthedemandoftrainersforsportseffectassessment.Aimingattheaboveproblems，themotionvideoanalysisandrecognitionprocessinsportstrainingarestudied，andtheadaptivethresholdmovingtargetsegmentationalgorithmbasedonparticlefilteringpredictionisemployedtorealizetheadaptivesegmentationofmovingtarget.Themovementofathleteistrackedwithparticlefilteringtechnologytoshapethemotionmodel，andpredictthelocationsofarticulation?pointswithdifferentimportanceinthesubsequentmovingvideoframeaccordingtothemotionmodel,soastotrackthesubsequentmovingvideoframe.Theconditionrandomfieldmethodisadoptedtorealizethemovementrecognitioninsportstrainingvideo.Theexperimentalresultsindicatethatthemethodhashighmovementrecognitionrateandlowfalseseparationrate.Keywords：physicaltraining；movingvideo；analysisandrecognitionmethod；particlefilteringtechnology\n0引言随着科学技术的快速发展，采用科技手段提高体育训练质量逐渐引起人们的关注。以往的体育训练过程中，训练员使用难度较小的视频秉播与解析管理方式为运动员讲解动作要领不够直观和科学，缺乏真实性和互动性，不能符合对运动员动作规范与训练成果的基本评估要求［1］。但运动视频却能够提取运动员训练参数，还可以通过构建模型以及观察训练动作等手段进一步分析训练参数，获取运动员训练动作优劣程度的分析结果［2］，确保运动员直观了解自身存在的缺点，按照教练的指导，提高体育训练质量。1体育训练过程中的运动视频分析与识别1.1粒子滤波预测的自适应阈值运动0标分离体育训练运动视频中的运动目标分离可将视频中的运动目标从动态背景中采集处理，是运动视频分析的基础［3］。体育训练视频序列分离中的运动H标是视频中的运动员，采用基于粒子滤波预测的自适应阈值运动目标分离算法增强运动目标采集的准确性。具体过程是：先通过三帧差分法对视频中的前景图进行分离，依据摄像机稳态运动模型把背景投影到相邻的视频帧内，得到每帧的背景分离图。采用删减背景的处理方式进一步分离得到运动目标分离［4］。并且由于前景图与背景图存在一定的相似性，为了避免处于视频前景图中的运动H标被错误地融合到背景图中出现分离的情况，需要分离出前景图的坐标范\n，并依据粒子滤波方法获取未处于前景图坐标范围内的背景图帧阈值，从而完成对运动目标的自适应阈值分离。通过三帧差分法分离获取的前景目标受到噪声因素的干扰，会产生误分离问题，对其进行滤波处理后，可当成自适应阈值分离的运算标准［5］。再通过粒子滤波的预测方案，按照此时帧分离结果预测出其他帧的前景坐标区间，在其中加入图像像素点与前景坐标区间之间的偏移状态，将其设为此像素点在其他帧中的分离前景概率，基于该概率可运算出自适应分离阈值。2实验结果与分析实验为了验证本文方法的优越性，将ChienSY方法当成对比分析方法。ChienSY方法融合三帧差分以及背景差分实现运动目标的识别。实验1:将某体育学院不同跳水训练视频作为实验分析对象，图像分辨率为3422200。本文方法和ChienSY方法对跳水训练视频的误分离率如图6所示。分析图6可知，采用ChienSY方法获取的分离结果存在显著的空洞问题，而采用本文方法获取的结果更为完整和清晰。本文方法误分离率保持在1%左右，而ChienSY方法的误分离率保持在3.4%左右。受到摄像机静态运动模型中参数估算偏差对后序处理结果的干扰，ChienSY方法在后期的误分离率出现大幅度提升趋势，而本文方法的误分离率未出现显著变化，说明本文方法可实现体育运动视频的准确分离。实验2:数据库采用KTH动作库以及UCFSports动作库。实验\n采用本文方法对两种实验动作库的混淆矩阵进行识别，结果分别如表1和表2所示。其中KT11库训练数据采用了35个运动员的体育训练视频，剩下一个人的训练数据作为测试数据，进行36轮交叉检测，动作识别率取平均值。UCFSports库中的每类任意选择一个视频当成测试视频，剩下的视频当成训练数据使用，进行50轮交叉验证，动作识别率取平均值。分析表1可得，本文方法可完全分离KTH数据库中的前、后三种类型动作，但是对于走路、慢跑以及快跑后三类动作的识别率相对较低，主要是因为这三类动作的身体关节点的运动幅度差异较低，容易造成误识。从表2中可以看出，本文方法对UCFSports数据库上的混淆表中的各类动作的识别率基本相同，对该数据库各类动作的识别率方差较低。3结语本文研究了体育训练过程中的运动视频分析与识别过程。实验结果说明，所研究方法具有较高的动作识别率和较低的误分离率，并且对各类动作的识别率方差较低，具有较高的稳定性。[1]龚畅，王华君，李荣，等.基于状态依赖检测的视频运动目标轨迹跟踪算法[J].现代电子技术，2016,39(7)：51?56.[2]宋宏权，王丰，刘学军，等.地理环境下的群体运动分析与异常行为检测[J].地理与地理信息科学，2015,31(4)：1?5.[3]朱明.三轴加速度传感器系统在运动技术分析领域的研宄与\n应用[J].冰雪运动，2015，37(2)：89?96.［4］隗方玲.运动状态下童裤关键部位松量设计［JL西安工程大学学报，2015，29(5)：5509554.［5］郭晗.基于双通道0标运动检测的乒兵球运动决策系统［J］.广州体育学院学报，2014，34(6)：67?70.［6］睢丹，侯德恒.动态图像跟踪优化算法的研究与仿真［J］.现代电子技术，2016，39(6)：987100.［7］李毕祥，刘芳，李德刚，等.校园智能视频监控中的运动目标异常行为检测与识别［J］.软件导刊，2016,15(2)：1349136.［8］戎淼锋，林??.竞技运动视频识别与比较系统的研究［J］.广州体育学院学报，2014，34(4)：59?61.［9］李春木，连迅.民族传统体育对抗类项目视频分析与智能诊断系统研究［J］.广州体育学院学报，2016,36(1)：52?56.［10］魏巍，吴孔平，郭来功，等.记忆分水岭圆盘梯度膨胀模板运动视频跟踪［J］.系统仿真学报，2016，28(2)：4627466.