羽毛球运动员挥拍动作的捕捉、识别与分析
发布时间：2021-11-23 19:26
随着人们对身体健康、生活质量重视度的提升,越来越多的人热衷于通过各类运动锻炼身体,比如羽毛球这种老少皆宜的运动。而随着新时代的发展,人工智能和机器人逐渐走进人们的生活,其中羽毛球机器人便是一款能与人实时竞技的智能机器人。该机器人不仅可以对高速运动的羽毛球进行捕捉和追踪,还具有高速的运动控制系统可以精准地完成挥拍动作。除此之外,若在其基础上增加对人体动作的捕捉、识别和分析模块,便可将其升级为羽毛球教学机器人,解决现如今羽毛球学者众而名师寡的局面。因此本文的主要研究内容是基于羽毛球机器人视觉系统,对羽毛球运动员挥拍动作进行捕捉、识别和分析。主要研究工作如下:（1）提出了一种根据羽毛球飞行方向和位置获取运动员挥拍动作视频段的方法。利用羽毛球机器人的视觉系统,采集并制作了包含8类常见羽毛球挥拍动作的数据集——羽毛球挥拍动作数据集（BSMDataset）;（2）改进稠密轨迹算法,使其能更有效的对羽毛球挥拍动作（类内动作）进行识别。对稠密轨迹算法进行研究,提出一种能更好表征类内动作运动特性的非定长稠密轨迹特征,并运用人体检测算法检测出视频帧中的运动员,通过只提取包含运动员的小范围内的特征点的轨迹的...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
视频段的运动能量图和运动历史图[20]
电子科技大学硕士学位论文8图1-2基于部分的层次人体模型[63]近年来，除了前面这些人工提取的特征外，运用深度学习技术来学习视频中的特征得到了越来越多研究者的注意。最近提出的深度网络[69-72]在不同的数据集中都取得了较好的表现，特别是在大型的数据集中，比通过人工提取特征的方式要好很多。在动作识别任务中，主要有三种常用的网络类型，分别是：时空网络、多分枝网络和混合网络。时空网络中最典型的是由Tran[69]等人提出的三维卷积神经网络(C3D)。该网络通过将二维卷积扩展为三维卷积，以此将时间信息加入到学习网络中。通过该网络能从视频中学习到更好的动作特征。但通过该方法训练特征其包含的视频段都比较短，比如在[69]只有16帧，这样就很难得到长时间的动作信息。虽然通过扩展三维卷积的时间长度能在一定程度上解决这以问题，但随之而来的就是增加了每次卷积的参数，同时增加了计算量。多分枝网络将多个卷积网络运用到同一视频中，对外观信息和运动信息进行建模。在[73]中成功的实现了这种方法，但其结果甚至不如[74]中人工提取特征的方法。Simonyan[75]等人提出了一种关于二流假设[76]的网络结构，能很好的解决[73]中的问题。该结构包含两个分离的网络流，一个是空间卷积流，另一个是时间卷积流。其中第一个卷积流从静态图中获取动作特征，另一个则是基于光流进行识别。这种网络结构最大的问题是不允许网络流中间进行交互，而这种交互在学些时空特征时是非常重要的。最后一种网络则是通过将循环层添加到卷积层上，得到混合网络[77,78]。这种类型的网络同时具有卷积网络和循环网络的优点，因此在学习具有空间运动特征、时间序列和长时间依赖关系的动作特征时能得到非常好的效果。综上所述，深度网络在人体动作识别的研?
第二章挥拍动作的捕捉11第二章挥拍动作的捕捉为了对羽毛球运动员的挥拍动作进行识别与分析，首先需要捕获羽毛球运动员挥拍动作视频段，捕捉过程是指从羽毛球机器人视觉系统获取的连续视频流中获取运动员挥拍动作视频段作为后续动作识别与分析的视频样本。本研究是在羽毛球机器人的基础上进行的，因此本章首先对羽毛球机器人及其视觉系统进行简单的介绍，然后阐述如何运用该视觉系统对羽毛球运动员挥拍动作进行捕捉，最后讲述了羽毛球挥拍动作数据集的构建过程及其特点，为后续的研究做准备。2.1羽毛球机器人羽毛球机器人是一款能与人进行实时竞技的智能机器人，其系统照片如图2-1所示：图2-1羽毛球机器人该机器人由上位机视觉系统和下位机小车两部分组成。上位机视觉系统[3](如图2-2（a）所示)，该系统运用目标检测和追踪算法在竞技开始时对羽毛球运动轨迹进行检测，然后运用轨迹预测算法对羽毛球落点进行预测，接着将预测到的落点坐标通过无线通信传模块送给下位机小车；下位机小车[4](图2-2（b）所示)是击球动作的执行部分，当接收到来自上位机的羽毛球落点位置坐标后，运用自身的全场定位系统和伺服控制系统精准的完成
【参考文献】：
期刊论文
[1]基于HMM的羽球动作实时识别[J]. 雷玉超,业茜,吴怡菲,吴栩博,李志扬. 计算机与数字工程. 2019(09)
[2]基于改进ENN算法的多生物特征 融合的身份验证[J]. 刘红毅,王蕴红,谭铁牛. 自动化学报. 2004(01)
硕士论文
[1]球拍类运动的动作识别与软件实现[D]. 张一天.大连理工大学 2019
本文编号：3514507
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
视频段的运动能量图和运动历史图[20]
电子科技大学硕士学位论文8图1-2基于部分的层次人体模型[63]近年来，除了前面这些人工提取的特征外，运用深度学习技术来学习视频中的特征得到了越来越多研究者的注意。最近提出的深度网络[69-72]在不同的数据集中都取得了较好的表现，特别是在大型的数据集中，比通过人工提取特征的方式要好很多。在动作识别任务中，主要有三种常用的网络类型，分别是：时空网络、多分枝网络和混合网络。时空网络中最典型的是由Tran[69]等人提出的三维卷积神经网络(C3D)。该网络通过将二维卷积扩展为三维卷积，以此将时间信息加入到学习网络中。通过该网络能从视频中学习到更好的动作特征。但通过该方法训练特征其包含的视频段都比较短，比如在[69]只有16帧，这样就很难得到长时间的动作信息。虽然通过扩展三维卷积的时间长度能在一定程度上解决这以问题，但随之而来的就是增加了每次卷积的参数，同时增加了计算量。多分枝网络将多个卷积网络运用到同一视频中，对外观信息和运动信息进行建模。在[73]中成功的实现了这种方法，但其结果甚至不如[74]中人工提取特征的方法。Simonyan[75]等人提出了一种关于二流假设[76]的网络结构，能很好的解决[73]中的问题。该结构包含两个分离的网络流，一个是空间卷积流，另一个是时间卷积流。其中第一个卷积流从静态图中获取动作特征，另一个则是基于光流进行识别。这种网络结构最大的问题是不允许网络流中间进行交互，而这种交互在学些时空特征时是非常重要的。最后一种网络则是通过将循环层添加到卷积层上，得到混合网络[77,78]。这种类型的网络同时具有卷积网络和循环网络的优点，因此在学习具有空间运动特征、时间序列和长时间依赖关系的动作特征时能得到非常好的效果。综上所述，深度网络在人体动作识别的研?
第二章挥拍动作的捕捉11第二章挥拍动作的捕捉为了对羽毛球运动员的挥拍动作进行识别与分析，首先需要捕获羽毛球运动员挥拍动作视频段，捕捉过程是指从羽毛球机器人视觉系统获取的连续视频流中获取运动员挥拍动作视频段作为后续动作识别与分析的视频样本。本研究是在羽毛球机器人的基础上进行的，因此本章首先对羽毛球机器人及其视觉系统进行简单的介绍，然后阐述如何运用该视觉系统对羽毛球运动员挥拍动作进行捕捉，最后讲述了羽毛球挥拍动作数据集的构建过程及其特点，为后续的研究做准备。2.1羽毛球机器人羽毛球机器人是一款能与人进行实时竞技的智能机器人，其系统照片如图2-1所示：图2-1羽毛球机器人该机器人由上位机视觉系统和下位机小车两部分组成。上位机视觉系统[3](如图2-2（a）所示)，该系统运用目标检测和追踪算法在竞技开始时对羽毛球运动轨迹进行检测，然后运用轨迹预测算法对羽毛球落点进行预测，接着将预测到的落点坐标通过无线通信传模块送给下位机小车；下位机小车[4](图2-2（b）所示)是击球动作的执行部分，当接收到来自上位机的羽毛球落点位置坐标后，运用自身的全场定位系统和伺服控制系统精准的完成
【参考文献】：
期刊论文
[1]基于HMM的羽球动作实时识别[J]. 雷玉超,业茜,吴怡菲,吴栩博,李志扬. 计算机与数字工程. 2019(09)
[2]基于改进ENN算法的多生物特征 融合的身份验证[J]. 刘红毅,王蕴红,谭铁牛. 自动化学报. 2004(01)
硕士论文
[1]球拍类运动的动作识别与软件实现[D]. 张一天.大连理工大学 2019
本文编号：3514507
本文链接：https://www.wllwen.com/jiaoyulunwen/tylw/3514507.html
