崔普斌

(安徽體育運(yùn)動(dòng)職業(yè)技術(shù)學(xué)院，安徽 合肥 230051)

0 引 言

在運(yùn)動(dòng)員的短跑訓(xùn)練中，手臂擺動(dòng)姿態(tài)在一定程度上提高短跑訓(xùn)練效果，其中步長(zhǎng)與步頻是提高短跑成績(jī)的重要因素[1-3]。在短跑運(yùn)動(dòng)員日常訓(xùn)練中，手臂擺動(dòng)過程中會(huì)出現(xiàn)錯(cuò)誤，影響短跑成績(jī)。因此，在短跑訓(xùn)練中，對(duì)運(yùn)動(dòng)員的手臂擺動(dòng)姿態(tài)識(shí)別非常必要[4-5]。

文獻(xiàn)[6]主要利用三軸加速度傳感器對(duì)人體姿態(tài)進(jìn)行識(shí)別與分類，根據(jù)三軸加速度傳感器在檢測(cè)過程中獲得的X，Y，Z軸等傳遞的電信號(hào)，并根據(jù)具體值獲得人體姿態(tài)在三維空間中特征，結(jié)合不同算法和從以上特征中選擇子集，利用支持向量機(jī)完成動(dòng)作的識(shí)別與分類；文獻(xiàn)[7]將慣性傳感器與深度學(xué)習(xí)相結(jié)合來識(shí)別手臂的動(dòng)作，使用主成分分析法對(duì)得到的特征子集進(jìn)行降維，利用深度學(xué)習(xí)中的網(wǎng)格進(jìn)行數(shù)據(jù)訓(xùn)練。以上識(shí)別方法均取得一定成績(jī)。但以上方法姿態(tài)識(shí)別中，運(yùn)動(dòng)員手臂擺動(dòng)速度極快，由于傳感器的性能限制，微小動(dòng)作變化難以捕捉，導(dǎo)致識(shí)別結(jié)果出現(xiàn)誤差。為此，本文提出采用視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)識(shí)別方法。

1 基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)識(shí)別方法

1.1 優(yōu)化視頻數(shù)據(jù)圖割算法

根據(jù)運(yùn)動(dòng)員在短跑中的手臂動(dòng)作，將手臂擺動(dòng)理解為一個(gè)關(guān)節(jié)的五自由度運(yùn)動(dòng)，并從中獲取一定信息量。對(duì)于短跑訓(xùn)練中的手臂擺動(dòng)姿態(tài)來說，可以劃分為人體運(yùn)動(dòng)和背景數(shù)據(jù)，在去除背景數(shù)據(jù)的噪聲干擾之后，并提取出完整的手臂擺動(dòng)圖像，能夠更加精準(zhǔn)的完成識(shí)別[8]。這其中就涉及到了視頻數(shù)據(jù)的圖割，圖像在經(jīng)過二值分割之后，可以將其轉(zhuǎn)變成一個(gè)二元標(biāo)記的問題。當(dāng)一幅數(shù)據(jù)圖像的大小為M×N時(shí)，可以將其轉(zhuǎn)化為矩陣的形式，且該矩陣的主序?yàn)樾?，是一個(gè)一維的矩陣連線[9-10]。對(duì)該圖像進(jìn)行分割就是對(duì)標(biāo)記向量進(jìn)行定義，可以表示為：

A=(A1,A2,…,AM×N)

(1)

式中，標(biāo)記向量集合中的任意Ai的取值范圍為0-1，對(duì)于視頻數(shù)據(jù)的圖割算法來說，其分割效果可以用Ai的代價(jià)函數(shù)進(jìn)行表示，得到：

(2)

式中，Ri(Ai)表示區(qū)域代價(jià)，R(B)表示關(guān)系代價(jià)，λ表示兩者之間的比重系數(shù)。

將上式進(jìn)行展開，可以得到：

(3)

根據(jù)以上函數(shù)關(guān)系，通過關(guān)系反映視頻數(shù)據(jù)中短跑運(yùn)動(dòng)員手臂擺動(dòng)圖像的像素關(guān)系。代價(jià)函數(shù)經(jīng)過定義之后，能夠?qū)D割問題視為代價(jià)函數(shù)的最小化問題[11-12]。在求解過程中，需要進(jìn)行網(wǎng)絡(luò)形式構(gòu)造，進(jìn)行圖割算法的優(yōu)化。圖割算法主要是將一幅圖像中顏色、構(gòu)造相同的區(qū)域與背景或其他部分進(jìn)行區(qū)分的手段，經(jīng)常被使用在識(shí)別、檢測(cè)等工作中。優(yōu)化之后的圖割算法在實(shí)際圖像中具體的應(yīng)用過程如圖1所示：

圖1 優(yōu)化后的圖割算法分割過程示意圖

圖1中，圖(1)為待分割圖像，圖(2)為通過圖(1)所建立的帶權(quán)無向圖，圖(3)為圖(2)的最小割，圖(4)表示最終的圖割結(jié)果。至此完成視頻數(shù)據(jù)圖割算法的優(yōu)化與應(yīng)用。

1.2 短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)特征提取

在完成短跑運(yùn)動(dòng)員手臂擺動(dòng)圖像的分割后，需要從視頻序列中定位手臂擺動(dòng)姿態(tài)的特征，主要包括圖像的形狀以及紋理等高級(jí)的人體結(jié)構(gòu)特征[13-14]。手臂擺動(dòng)姿態(tài)是由谷歌位置決定，但短跑運(yùn)動(dòng)員的谷歌信息是通過景深數(shù)據(jù)所獲得。使用Kinect體感攝影機(jī)能夠提取出相應(yīng)的體感信息，獲取手臂中重要關(guān)節(jié)的圖像。

為獲取到手臂擺動(dòng)姿態(tài)的特征參數(shù)，首先將手臂擺動(dòng)的傾斜角度特征進(jìn)行規(guī)范。以運(yùn)動(dòng)員的手臂和身體連接處作為中心，劃分出不同角度的刻度線，相鄰的刻度線之間的夾角設(shè)置為15度。因此，在短跑訓(xùn)練中運(yùn)動(dòng)員的手臂動(dòng)作角度劃分如圖2所示：

圖2 短跑訓(xùn)練運(yùn)動(dòng)員手臂擺動(dòng)角度示意圖

如圖2所示，在時(shí)域特性下對(duì)運(yùn)動(dòng)員的手臂擺動(dòng)特征進(jìn)行提取。特征參數(shù)主要包括均值、方差，利用以上的LBP數(shù)據(jù)特征，能夠描述出視頻數(shù)據(jù)圖像的局部紋理，原始的數(shù)據(jù)特征主要是通過算子在矩陣窗口中進(jìn)行定義。在規(guī)定閾值的過程中，參考模板中心的像素值，如果選擇的中心像素點(diǎn)周圍的像素值更大時(shí)，在外圍點(diǎn)進(jìn)行標(biāo)記[15]，設(shè)置為1，如果較小，則設(shè)置為0。在特征提取模板經(jīng)過多次比較后，會(huì)隨機(jī)生成若干個(gè)比較點(diǎn)，通過各個(gè)點(diǎn)的紋理信息進(jìn)行圖像特征的提取與識(shí)別。

1.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的手臂擺動(dòng)姿態(tài)分類識(shí)別

為實(shí)現(xiàn)在視頻數(shù)據(jù)中對(duì)每個(gè)短跑運(yùn)動(dòng)員的手臂擺動(dòng)內(nèi)容的完整性，在對(duì)短跑運(yùn)動(dòng)員手臂擺動(dòng)姿態(tài)進(jìn)行分類識(shí)別時(shí)，應(yīng)用到的是深度卷積神經(jīng)網(wǎng)絡(luò)，將視頻數(shù)據(jù)輸入到網(wǎng)路中，運(yùn)用級(jí)聯(lián)方式將上述網(wǎng)絡(luò)轉(zhuǎn)變?yōu)槎鄬由疃染矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練識(shí)別。在訓(xùn)練過程中，使用C-pose網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)節(jié)定位算法，利用相同大小的矩陣來記錄多各個(gè)手臂關(guān)節(jié)的坐標(biāo)。C-pose網(wǎng)絡(luò)結(jié)構(gòu)共包含10層，主要神經(jīng)網(wǎng)絡(luò)層中包含卷積層、歸一化層和完全連接層等。在以上多個(gè)神經(jīng)層中，只有卷積層和完全連接層中設(shè)置有相關(guān)的訓(xùn)練參數(shù)。C-pose網(wǎng)絡(luò)結(jié)構(gòu)作為整體的模型，為進(jìn)一步提高分類識(shí)別的精準(zhǔn)性，將關(guān)節(jié)利用各種函數(shù)的映射關(guān)系進(jìn)行描述，如式(4)所示：

(4)

式中，yi表示短跑運(yùn)動(dòng)員的手臂關(guān)節(jié)，bw表示矩形框的寬度，bh表示矩形框的高度，bc表示矩形框的中心。這三個(gè)值組合后能夠表示短跑運(yùn)動(dòng)員的手臂在圖像中的矩形區(qū)域。

針對(duì)上式進(jìn)行需要編碼的關(guān)節(jié)主要包括手臂、手肘、手腕，將其定義為姿態(tài)向量，單一的輸入圖像被符號(hào)標(biāo)記為(x，y)，x表示圖像數(shù)據(jù)，y表示回歸姿態(tài)向量。根據(jù)上述得到的信號(hào)均值等方差相關(guān)系數(shù)，利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行手臂擺動(dòng)的姿態(tài)識(shí)別，將運(yùn)動(dòng)員在訓(xùn)練中的手臂特征向量參數(shù)進(jìn)行輸入，實(shí)現(xiàn)特征識(shí)別。

2 方法性能測(cè)試

2.1 測(cè)試過程設(shè)計(jì)

為了驗(yàn)證本設(shè)計(jì)的基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)識(shí)別方法的有效性，在本章設(shè)計(jì)具體的實(shí)驗(yàn)，來驗(yàn)證不同識(shí)別方法的精確性。實(shí)驗(yàn)中，選擇5名短跑運(yùn)動(dòng)員作為測(cè)試者。并令測(cè)試者在進(jìn)行短跑訓(xùn)練過程穿戴含有光柵傳感網(wǎng)絡(luò)的裝置，將測(cè)試者在短跑過程中的手臂搖擺姿態(tài)進(jìn)行可視化，得到相關(guān)的視頻數(shù)據(jù)。以各個(gè)測(cè)試者的左側(cè)手臂作為研究對(duì)象進(jìn)行測(cè)試，在測(cè)試之前對(duì)測(cè)試者的手臂數(shù)據(jù)進(jìn)行測(cè)量。測(cè)量示意圖如圖3所示：

圖3 測(cè)試者臂長(zhǎng)參數(shù)測(cè)量示意圖

圖中，l1表示大臂長(zhǎng)度，l2表示前臂長(zhǎng)度，l3表示掌心距，測(cè)試者的測(cè)量結(jié)果如表1所示：

表1 測(cè)試者上肢參數(shù)

利用以上測(cè)試者在短跑訓(xùn)練中的視頻數(shù)據(jù)作為集合，在準(zhǔn)備工作完成之后，令各個(gè)測(cè)試者進(jìn)行短跑訓(xùn)練，按照正確訓(xùn)練方法中手臂不同關(guān)節(jié)的角度擺出不同維度的姿態(tài)。并分別使用本文設(shè)計(jì)的基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)識(shí)別方法和傳統(tǒng)的基于傳感器的識(shí)別方法對(duì)以上測(cè)試者在短跑訓(xùn)練中的手臂擺動(dòng)姿態(tài)集合進(jìn)行識(shí)別，并將識(shí)別結(jié)果進(jìn)行匯總分析。

2.2 識(shí)別結(jié)果與分析

(1)有效性對(duì)比

在以上測(cè)試環(huán)境中，能夠分別得到本文方法和傳統(tǒng)方法下，對(duì)測(cè)試者的手臂擺動(dòng)姿態(tài)的角度進(jìn)行識(shí)別與測(cè)量。以手肘為目標(biāo)點(diǎn)，得到的兩種方法下某測(cè)試者的手肘識(shí)別軌跡與參考軌跡之間的對(duì)比如圖4所示：

圖4 某測(cè)試者手肘軌跡對(duì)比

從上圖中測(cè)試者手肘軌跡對(duì)比可以看出，在兩種手臂擺動(dòng)姿態(tài)的識(shí)別方法中，本文方法下得到的手肘軌跡識(shí)別結(jié)果與實(shí)際的手肘移動(dòng)軌跡更加吻合。為了精準(zhǔn)對(duì)比兩種方法的測(cè)量結(jié)果，將視頻數(shù)據(jù)中的圖像按照不同自由度進(jìn)行分類，并以手肘為目標(biāo)測(cè)量相對(duì)應(yīng)的角度，得到的角度對(duì)應(yīng)測(cè)量結(jié)果如表2所示：

表2 兩種方法下手肘角度測(cè)量結(jié)果

從表2中的結(jié)果可以看出，無論是從整體的手肘運(yùn)動(dòng)軌跡，還是從五自由度各個(gè)角度進(jìn)行測(cè)量，本文所提出基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動(dòng)姿態(tài)識(shí)別方法的識(shí)別軌跡與實(shí)際情況更加吻合，各個(gè)自由度的角度測(cè)量值也更加接近實(shí)際值。這也驗(yàn)證了本文方法在短跑訓(xùn)練中的手臂擺動(dòng)姿態(tài)識(shí)別中，具有良好的性能。

3 結(jié) 語

為提升短跑運(yùn)動(dòng)員手臂擺動(dòng)動(dòng)作的識(shí)別，通過視頻數(shù)據(jù)作為短跑訓(xùn)練中手臂姿態(tài)識(shí)別的依據(jù)，從中獲取運(yùn)動(dòng)員的上肢姿態(tài)動(dòng)作信息，所得到的結(jié)果與僅通過傳感器所獲取到的數(shù)字相比，精準(zhǔn)度更高。在識(shí)別的過程中，從手臂的各個(gè)自由度識(shí)別結(jié)果來看，本文方法都具有一定的優(yōu)勢(shì)。本文方法雖然取得了一定的研究成果，但是也仍然有不足之處，本文在識(shí)別過程中，僅考慮了關(guān)節(jié)運(yùn)動(dòng)以及其產(chǎn)生的應(yīng)變量，運(yùn)動(dòng)過程中肌肉也會(huì)產(chǎn)生微小的變化，對(duì)其進(jìn)行識(shí)別也具有非常大的研究意義。因此在下一階段的工作中，可以從肌肉應(yīng)變量入手進(jìn)行分析與討論，以提升方法的有效性。