謝曉冰　徐立彬

摘 要：為了提高健美操難度動作訓(xùn)練的有效性，需要進(jìn)行健美操難度動作圖像的軌跡分析和定位，提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.構(gòu)建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區(qū)域規(guī)劃方法進(jìn)行健美操難度動作圖像的手臂弧度動作空間規(guī)劃，建立健美操難度動作圖像的手臂區(qū)域定姿模型，通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實(shí)現(xiàn)健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位.仿真結(jié)果表明，采用該方法進(jìn)行健美操難度動作圖像手臂弧度軌跡定位的精度較高，空間定姿能力較強(qiáng)，在健美操訓(xùn)練指導(dǎo)中具有很好的應(yīng)用價值.

關(guān)鍵詞：健美操;難度動作;圖像;手臂弧度;軌跡;自動定位

中圖分類號：G831;TP391? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1673-260X（2020）03-0082-04

隨著健美操運(yùn)動的發(fā)展，對健美操的運(yùn)動難度提出了更高的要求，需要構(gòu)建健美操難度動作圖像手臂弧度軌跡規(guī)劃模型，結(jié)合對健美操難度動作圖像的智能技能分析結(jié)果，進(jìn)行健美操難度動作圖像分析，提高健美操的運(yùn)動規(guī)劃能力，相關(guān)的健美操難度動作圖像手臂弧度軌跡定位方法研究受到人們的極大關(guān)注[1].對健美操難度動作圖像手臂弧度軌跡定位是建立在對圖像的自動處理基礎(chǔ)上，采用智能計算機(jī)信息處理技術(shù)，結(jié)合空間視覺特征分析方法，進(jìn)行健美操難度動作圖像手臂弧度軌跡定位，通過模糊信息融合和軌跡自動定位控制，進(jìn)行健美操難度動作圖像手臂弧度軌跡規(guī)劃[2]，指導(dǎo)健美操難度動作的訓(xùn)練和改進(jìn)，相關(guān)的健美操難度動作圖像手臂弧度軌跡自動定位方法研究受到人們的極大關(guān)注[3].本文提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.首先構(gòu)建健美操難度動作圖像的視覺空間采樣模型，通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實(shí)現(xiàn)健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位，最后進(jìn)行仿真測試分析，得出有效性結(jié)論.

1 健美操難度動作圖像的視覺空間采樣及特征提取

1.1 健美操難度動作圖像的視覺空間采樣

為了實(shí)現(xiàn)健美操難度動作圖像手臂弧度軌跡自動定位，需要首先構(gòu)建健美操難度動作視覺圖像三維可視化表面重建模型，結(jié)合健美操難度動作視覺特征采樣結(jié)果，進(jìn)行健美操難度動作視覺特征分析，通過空間視覺信息規(guī)劃的方法，進(jìn)行健美操難度動作視覺特征分析[4]，假設(shè)健美操難度動作視覺圖像的邊緣輪廓長度為L=xmax-xmin，健美操難度動作視覺成像分布空間區(qū)域的寬度為W=ymax-ymin，結(jié)合模糊邊緣區(qū)域重構(gòu)方法，進(jìn)行健美操難度動作視覺特征分析，建立健美操難度動作的手臂弧度軌跡運(yùn)動學(xué)模型[5]，得到健美操難度動作圖像的手臂弧的空間分布像素序列為：

其中，m為輪廓曲線的空間采樣延遲，結(jié)合模糊信息融合跟蹤識別方法，進(jìn)行手臂弧度的軌跡自動定位.

構(gòu)建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區(qū)域規(guī)劃方法進(jìn)行健美操難度動作圖像的手臂弧度動作空間規(guī)劃[6]，得到健美操難度動作視覺圖像的灰度特征解為x（P（An））={X（sj）}，j=1，2，…，N，采用三維可視化表面可視化分析方法，進(jìn)行動作分類，采用C均值聚類分析的方法，得到健美操難度動作圖像的邊緣輪廓特征分布集，采用手臂弧度的軌跡自動定位重組方法，進(jìn)行健美操難度動作的區(qū)域特征重組，根據(jù)健美操難度動作樣本序列進(jìn)行尺度分解，在尺度系數(shù)？滓（n）的約束下，進(jìn)行健美操難度動作視覺圖像的視覺跟蹤和分塊匹配，健美操難度動作圖像的手臂弧度軌跡自動定位輸出為：

其中，e和e為健美操難度動作跟蹤目標(biāo)域的分量，模板匹配大小為N1×N2，健美操難度動作視覺圖像的標(biāo)準(zhǔn)測試集為：

其中，||sj||表示sj中健美操難度動作圖像的相似度，結(jié)合模板匹配方法，進(jìn)行健美操難度動作視覺圖像的軌跡跟蹤識別，根據(jù)規(guī)則化的量化特征分析結(jié)果，進(jìn)行健美操難度動作視覺圖像的手臂弧度軌跡自動定位[7].

1.2 健美操難度動作圖像特征提取

構(gòu)建健美操難度動作視覺圖像的稀疏性特征分割模型，得到健美操難度動作視覺圖像的三維結(jié)構(gòu)分布式重組模型，采用向量量化檢測的方法，進(jìn)行健美操難度動作的量化分布重組[8]，得到特征重組值為（x，y）=F（x，y）+（1-？茁）ml，其中F（x，y）為健美操難度動作視覺像素序列在（x，y）點(diǎn)的統(tǒng)計特征量，ml為第k個健美操難度動作視覺圖像的空間嵌入維數(shù)，設(shè)l2為局部方差，？啄？濁2為健美操難度動作圖像手臂弧度軌跡特征分布分量，？茁=max[，0].按照（16：4：4）的比例進(jìn)行健美操難度動作圖像手臂弧度軌跡分布式重構(gòu)，在非均勻量化集中進(jìn)行健美操難度動作視覺跟蹤，得到視覺跟蹤的特征匹配值：

其中r和θ為健美操難度動作圖像手臂弧度軌跡分布的方位和方差，通過協(xié)方差矩陣構(gòu)造的方法，健美操難度動作圖像手臂弧度軌跡跟蹤的模板函數(shù)為m（x，y）∈{-1，0，1}，對健美操難度動作圖像手臂弧度軌跡定位的特征分量為：

其中，r為健美操難度動作圖像的抽樣閾值，0≤r≤1.當(dāng)前抽樣數(shù)據(jù)下進(jìn)行健美操難度動作圖像分布式融合，得到均值為0，方差為的健美操難度動作圖像特征提取模型，根據(jù)特征提取結(jié)果進(jìn)行軌跡自動定位[9].

2 定位算法優(yōu)化實(shí)現(xiàn)

2.1 手臂區(qū)域定姿模型

建立健美操難度動作視覺圖像的視空間區(qū)域融合模型，得到健美操難度動作區(qū)域分布的灰度直方圖為：

其中，c為健美操難度動作圖像像素分布的列數(shù)，r為其行數(shù).提取健美操難度動作視覺圖像的譜特征量，根據(jù)譜特征分布進(jìn)行健美操難度動作視覺特征的多維重建，健美操難度動作軌跡自動定位的模糊度函數(shù)為：

其中，u為健美操難度動作視覺圖像的全局閾值分割的關(guān)聯(lián)像素點(diǎn)，？滓為健美操難度動作視覺圖像的顏色差異度特征量，在Ag區(qū)域內(nèi)，得到健美操難度動作視覺圖像的局部關(guān)聯(lián)幀，重構(gòu)健美操難度動作視覺圖像的邊緣輪廓特征分布集，得到健美操難度動作視覺圖像相似度特征量，重構(gòu)圖像邊緣梯度信息[10]，得到健美操難度動作視覺圖像的邊緣與區(qū)域信息的變分水平集為：

結(jié)合空間區(qū)域?yàn)V波方法進(jìn)行健美操難度動作視覺圖像濾波處理，得到R、G、B分量，建立健美操難度動作視覺分布特征向量為：

其中，Ic（y）為健美操難度動作視覺跟蹤的像素集，Ac表示健美操難度動作視覺圖像的尺度信息.根據(jù)衍射紋理特征點(diǎn)進(jìn)行健美操難度動作信息融合，得到信息融合矩陣描述為：

采用超像素特征融合方法，得到像素特征點(diǎn)重構(gòu)輸出為：

其中，p（i）為健美操難度動作視覺圖像的超像素大數(shù)據(jù)集分布維數(shù)，由此實(shí)現(xiàn)手臂區(qū)域定姿模型構(gòu)造.

2.2 手臂弧度軌跡區(qū)域自動定位

建立健美操難度動作圖像的手臂區(qū)域定姿模型，通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，對圖像的活動輪廓進(jìn)行優(yōu)化分割，將健美操難度動作視覺圖像分割成M×N個2×2的子塊Gm，n，得到健美操難度動作視覺圖像的匹配集為：

充分利用健美操難度動作視覺圖像定姿特征，進(jìn)行圖像的邊緣區(qū)域信息融合[11]，建立健美操難度動作圖像手臂弧度的軌跡分布函數(shù)描述為：

其中，K=2（k-1）（（K-1）！/）.考慮健美操難度動作特征量進(jìn)行可視化表面重建，得到手臂弧度軌跡的自動定位輸出表示為：

其中，Gnew和Gold分別是健美操難度動作視覺圖像的分布向量集，綜上分析，通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實(shí)現(xiàn)健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)健美操難度動作圖像手臂弧度軌跡自動定位中的應(yīng)用性能，結(jié)合Visual C++和Matlab進(jìn)行仿真實(shí)驗(yàn)，對健美操難度動作視圖像采樣數(shù)據(jù)庫來自于健美操動作評價的專家?guī)霤orel庫，健美操難度動作視覺圖像采樣的測試樣本集規(guī)模為800，訓(xùn)練樣本集為50，自適應(yīng)迭代步長120，迭代步數(shù)為10000，圖像灰度平均值？駐=2.5，邊緣像素平均分布集為1.25，健美操動作視覺重建灰度像素值為120×120，根據(jù)上述仿真參數(shù)結(jié)果，進(jìn)行健美操難度動作圖像手臂弧度軌跡自動定位，得到初始的健美操難度動作圖像如圖1所示.

以圖1的健美操難度動作圖像為研究對象，進(jìn)行手臂弧度軌跡自動定位設(shè)計，采用空間分塊區(qū)域規(guī)劃方法進(jìn)行健美操難度動作圖像的手臂弧度動作空間規(guī)劃，如圖2所示.

通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實(shí)現(xiàn)健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位，得到定位輸出如圖3所示.

分析上述仿真結(jié)果得知，本文方法能有效實(shí)現(xiàn)健美操難度動作圖像手臂弧度軌跡自動定位，測試定位精度，得到對比結(jié)果見表1，分析得知，本文方法進(jìn)行健美操難度動作圖像手臂弧度軌跡定位的精度較高.

4 結(jié)語

構(gòu)建健美操難度動作圖像手臂弧度軌跡規(guī)劃模型，結(jié)合對健美操難度動作圖像的智能技能分析結(jié)果，進(jìn)行健美操難度動作圖像分析，提高健美操的運(yùn)動規(guī)劃能力，提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.構(gòu)建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區(qū)域規(guī)劃方法進(jìn)行健美操難度動作圖像的手臂弧度動作空間規(guī)劃，建立健美操難度動作圖像的手臂區(qū)域定姿模型，通過模板自動匹配和小波多尺度分解方法，進(jìn)行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實(shí)現(xiàn)健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位.分析得知，本文方法進(jìn)行健美操難度動作圖像的手臂弧度軌跡區(qū)域自動定位的精度較高.

參考文獻(xiàn)：

〔1〕江山.基于形體輪廓特征提取的運(yùn)動動作標(biāo)志分析[J].科技通報，2015，31（08）：84-86.

〔2〕柏建常.新周期規(guī)則變動下集體五人操項(xiàng)目比賽特點(diǎn)分析[D].西安體育學(xué)院，2018.

〔3〕李志雙.健美操運(yùn)動員足跡圖像快速識別仿真研究[J].計算機(jī)仿真，2017，34（03）：221-224+308.

〔4〕蔣虹.關(guān)于表象訓(xùn)練對健美操訓(xùn)練效果的影響研究[J].當(dāng)代體育科技，2017，7（23）：24-25.

〔5〕馮婷.基于圖像的健美操動作精度監(jiān)測研究[J].現(xiàn)代電子技術(shù)，2018，41（07）：75-79.

〔6〕楊旭，陳波，李小陽，等.遠(yuǎn)距離數(shù)字離軸全息中基于圖像指標(biāo)優(yōu)化的相位誤差校正方法[J].激光雜志，2017，38（4）：96-100.

〔7〕鄭樂樂，韓慧妍，韓燮.基于顯著性與弱凸性的三維點(diǎn)云模型分割[J].計算機(jī)工程，2018，44（4）：299-304.

〔8〕周雨薇，陳強(qiáng)，孫權(quán)森，等.結(jié)合暗通道原理和雙邊濾波的遙感圖像增強(qiáng)[J].中國圖象圖形學(xué)報，2014，19（2）：313-321.

〔9〕卞樂，霍冠英，李慶武.基于Curvelet變換和多目標(biāo)粒子群的混合熵MRI圖像多閾值分割[J].計算機(jī)應(yīng)用，2016，36（11）：3188-3195.

〔10〕馮婷.基于圖像的健美操動作精度監(jiān)測研究[J].現(xiàn)代電子技術(shù)，2018，41（07）：75-79.

〔11〕鄭樂樂，韓慧妍，韓燮.基于顯著性與弱凸性的三維點(diǎn)云模型分割[J].計算機(jī)工程，2018，44（4）：299-304.