基于智能鞋垫的运动动作识别系统设计
发布时间：2021-04-14 07:41
到目前为止,在体育运动领域中主要依赖于教练员在现场观察运动员的表现来为运动员制定合适的训练计划,这对教练员的专业素养有着极高的要求。随着近年来人们对体育运动热情的持续攀升,专业教练员的数量变得难以满足广大体育运动爱好者的需求量,而这一现象在我国的中小城市中表现得更为明显。基于上述需求,本文基于智能鞋垫设计了一个针对体育运动爱好者的运动动作识别系统,并且出于验证该系统对于不同体育运动领域的适用性的目的,针对篮球动作和竞走动作进行了实验。本文的研究内容和创新点包括:（1）提出了基于卷积神经网络的篮球动作识别方案。首先采用一维中值滤波、一维数字滤波和Z-score标准化对传感器数据进行预处理,之后通过调整网络结构以及卷积层和池化层中的卷积核大小和卷积步长等超参数来使得神经网络的性能表现达到最优值。实验结果显示,卷积神经网络可以在篮球动作识别中获得99.3%的总体识别准确率。（2）由于一个篮球动作在一整段实战篮球动作数据中随机地出现并且持续随机长度的时间,提出了一个基于滑动窗口切分和相邻多窗口联合判定的方法来识别实战篮球动作。实验表明,利用该方法来识别实战篮球动作可以获得92.2%的总体识别准...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
基于视频录像的动作识别系统
第一章绪论3运动动作的识别。智能可穿戴设备可以被方便地穿戴于运动者的身上，其动作识别效果也不会受到周遭环境的影响。此外，使用智能可穿戴设备采集到的惯性传感器数据也只来自目标运动者，从而避免了其他物体或运动者的存在对动作识别的效果产生影响。因此，与基于计算机视觉的动作识别系统相比，基于可穿戴设备的动作识别系统更适用于体育运动动作的识别。早期的部分基于可穿戴设备的动作识别系统研究利用阈值实现动作的识别。每个运动者做同一动作时的运动风格不尽相同，导致不同运动者做同一动作产生的传感器数据差别较大，所以这种解决方案产生的系统模型仅适用于来自特定运动者的数据，而且即使是同一名运动者每次做同一动作产生的传感器数据也会有所差别。图1.2是以类正弦波的形式简化表达的两个运动者分别做某一动作时产生的传感器信号的波形，其中蓝色线条为运动者A产生的数据，红色线条为运动者B产生的数据。现在制定图中以绿色线条表示的阈值，并规定若波形在上升时越过阈值线条并在下降时再次越过阈值线条则预测运动者做了一次该动作。这一阈值对于运动者A前两次做该动作产生的数据是有效的，对于第三次动作则发生了漏检。而该阈值对于运动者B产生的数据则完全无效。人工智能算法可以依据数据的特征来识别动作，并且不会拘泥于某一特定的数据，其引进使得基于可穿戴设备的动作识别系统可以自适应地识别体育运动动作。图1.2基于阈值的动作识别系统Fig1.2Threshold-basedmotionrecognitionsystem1.2国内外研究现状1.2.1基于视频录像的动作识别近年来，存在大量的研究者利用视频录像进行体育动作的识别[18-19]，其中部分研究者利用图像识别技术来识别篮球运动者投篮后的进球结果，其研究对象为篮
合肥工业大学硕士学位论文4球本身，其摄像机的监控视角通常如图1.3所示。刘舟槛使用区域分割方法将图像中的篮筐区域和篮筐之外的区域分割开来，之后利用背景差分法在篮筐区域内识别篮球是否进入篮筐[20]。张明月利用Hough圆变换算法从图像中识别出篮筐区域，然后将背景差分法和三帧差分法相结合来识别篮球是否进球，该方法与背景差分法相比对于光线发生突变等场景更具适用性[21]。图1.3篮球进球识别系统中摄像机的监控视角Fig1.3Cameramonitoringperspectiveinbasketballgoalrecognitionsystem另一部分研究者则将人体本身的动作作为研究对象，这也正是本文的识别目标。JungsooLee等人提出了一种使用确定有穷自动机来识别体育运动动作的动作识别系统，该系统可以被用于识别视频中运动员和裁判的动作。作者分别针对篮球动作和足球动作组织实验来验证该系统的性能表现。对于篮球动作，该系统的识别准确率在40%左右，在一定程度上并不高，而当利用该系统识别足球动作时，其识别准确率约为85%，这说明该算法更适合于足球动作的识别[22-23]。此外，JungsooLee等人先后尝试了利用二维卷积神经网络（Two-dimensionalconvolutionalneuralnetwork，2DCNN）以及三维卷积神经网络（Three-dimensionalconvolutionalneuralnetwork，3DCNN）来识别足球比赛录像中的动作。实验结果为使用3DCNN时的识别准确率高于使用2DCNN时的识别准确率，这表明借助3DCNN提取得到的特征比使用2DCNN提取得到的特征更能反映原始数据的真实情况[24-25]。YuxiHong等人开发了一种利用深度迁移学习方法进行场景识别和动作检测的分类器[26]。而在WeiDu等人的研究中，作者使用多个摄像机协同跟踪运动员，这种解决方案可以解决部分视图中运动员受到遮挡从而影响识别效果的问题，但是?
本文编号：3136943
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
基于视频录像的动作识别系统
第一章绪论3运动动作的识别。智能可穿戴设备可以被方便地穿戴于运动者的身上，其动作识别效果也不会受到周遭环境的影响。此外，使用智能可穿戴设备采集到的惯性传感器数据也只来自目标运动者，从而避免了其他物体或运动者的存在对动作识别的效果产生影响。因此，与基于计算机视觉的动作识别系统相比，基于可穿戴设备的动作识别系统更适用于体育运动动作的识别。早期的部分基于可穿戴设备的动作识别系统研究利用阈值实现动作的识别。每个运动者做同一动作时的运动风格不尽相同，导致不同运动者做同一动作产生的传感器数据差别较大，所以这种解决方案产生的系统模型仅适用于来自特定运动者的数据，而且即使是同一名运动者每次做同一动作产生的传感器数据也会有所差别。图1.2是以类正弦波的形式简化表达的两个运动者分别做某一动作时产生的传感器信号的波形，其中蓝色线条为运动者A产生的数据，红色线条为运动者B产生的数据。现在制定图中以绿色线条表示的阈值，并规定若波形在上升时越过阈值线条并在下降时再次越过阈值线条则预测运动者做了一次该动作。这一阈值对于运动者A前两次做该动作产生的数据是有效的，对于第三次动作则发生了漏检。而该阈值对于运动者B产生的数据则完全无效。人工智能算法可以依据数据的特征来识别动作，并且不会拘泥于某一特定的数据，其引进使得基于可穿戴设备的动作识别系统可以自适应地识别体育运动动作。图1.2基于阈值的动作识别系统Fig1.2Threshold-basedmotionrecognitionsystem1.2国内外研究现状1.2.1基于视频录像的动作识别近年来，存在大量的研究者利用视频录像进行体育动作的识别[18-19]，其中部分研究者利用图像识别技术来识别篮球运动者投篮后的进球结果，其研究对象为篮
合肥工业大学硕士学位论文4球本身，其摄像机的监控视角通常如图1.3所示。刘舟槛使用区域分割方法将图像中的篮筐区域和篮筐之外的区域分割开来，之后利用背景差分法在篮筐区域内识别篮球是否进入篮筐[20]。张明月利用Hough圆变换算法从图像中识别出篮筐区域，然后将背景差分法和三帧差分法相结合来识别篮球是否进球，该方法与背景差分法相比对于光线发生突变等场景更具适用性[21]。图1.3篮球进球识别系统中摄像机的监控视角Fig1.3Cameramonitoringperspectiveinbasketballgoalrecognitionsystem另一部分研究者则将人体本身的动作作为研究对象，这也正是本文的识别目标。JungsooLee等人提出了一种使用确定有穷自动机来识别体育运动动作的动作识别系统，该系统可以被用于识别视频中运动员和裁判的动作。作者分别针对篮球动作和足球动作组织实验来验证该系统的性能表现。对于篮球动作，该系统的识别准确率在40%左右，在一定程度上并不高，而当利用该系统识别足球动作时，其识别准确率约为85%，这说明该算法更适合于足球动作的识别[22-23]。此外，JungsooLee等人先后尝试了利用二维卷积神经网络（Two-dimensionalconvolutionalneuralnetwork，2DCNN）以及三维卷积神经网络（Three-dimensionalconvolutionalneuralnetwork，3DCNN）来识别足球比赛录像中的动作。实验结果为使用3DCNN时的识别准确率高于使用2DCNN时的识别准确率，这表明借助3DCNN提取得到的特征比使用2DCNN提取得到的特征更能反映原始数据的真实情况[24-25]。YuxiHong等人开发了一种利用深度迁移学习方法进行场景识别和动作检测的分类器[26]。而在WeiDu等人的研究中，作者使用多个摄像机协同跟踪运动员，这种解决方案可以解决部分视图中运动员受到遮挡从而影响识别效果的问题，但是?
本文编号：3136943
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3136943.html
最近更新
教材专著
