袁鵬 杜雨杉 楊家華 劉琪

（1.江西師范大學(xué)體育學(xué)院 江西 南昌 330013 ；2.華東交通大學(xué)信息工程學(xué)院 江西 南昌 330013）

1、引言

隨著“互聯(lián)網(wǎng)+”走向大眾視野，中國大學(xué)MOOC 課、國家精品課程等網(wǎng)上教學(xué)課程促使大學(xué)生的上課方式產(chǎn)生了變化并更便利，現(xiàn)在很多學(xué)校通過“互聯(lián)網(wǎng)+”實現(xiàn)了線上線下結(jié)合模式，大大提高體育教學(xué)的趣味性、豐富性、專業(yè)性，形成良好的互補，提高了體育教學(xué)的教學(xué)效果。但網(wǎng)上課程教學(xué)對體育方面的資源少且不全，同時線上體育課的實踐課又與理論課不同，會受到很多條件的限制，如場地、器械、運動項目的差異等因素，導(dǎo)致線上體育課實踐開展較為困難。同時，在專業(yè)的體育訓(xùn)練過程中，運動姿勢的規(guī)范性極為重要，學(xué)生體育運動姿勢不標(biāo)準(zhǔn)、不規(guī)范，不僅會讓學(xué)生們達(dá)不到練習(xí)效果，還可能對身體關(guān)節(jié)、肌肉造成傷害，所以在訓(xùn)練過程中需要老師現(xiàn)場進行指導(dǎo)和監(jiān)督。但目前高校一個班級的師生比約為1:30，進行線上教學(xué)時，由于時間的限制，教師很難對每一位同學(xué)進行及時地指導(dǎo)。同時，一些細(xì)微的錯誤動作，也不能通過肉眼觀察出來。由此可知，線上教學(xué)給體育課程的教學(xué)思路帶來了巨大的挑戰(zhàn)。

針對體育課線上教學(xué)出現(xiàn)的上述問題，本文提出了一種基于機器視覺的精準(zhǔn)捕捉動作軌跡的計算方法，并開發(fā)成應(yīng)用軟件。該軟件可以很好地輔助體育專業(yè)線上動作指導(dǎo)，提高體育專業(yè)課程的線上教學(xué)效果。本軟件以O(shè)penPose 算法為基礎(chǔ)，通過對運動視頻進行分析處理，捕捉和識別人體運動，并對關(guān)節(jié)角度、位移速度等數(shù)據(jù)進行測量和計算，使教師和學(xué)生能夠快速獲得需要的運動學(xué)數(shù)據(jù)，體育教師可以根據(jù)這些數(shù)據(jù)來分析學(xué)生的運動姿勢，從而矯正學(xué)生的錯誤動作，實現(xiàn)線上一對一監(jiān)督，有效提高了監(jiān)督效率。

相較于平日的肉眼觀察以及傳統(tǒng)的手動對各個關(guān)節(jié)點進行設(shè)置所花費的時間長，動作不準(zhǔn)確等缺點，本軟件具有較高的便利性和準(zhǔn)確性，可以利用機器視覺自動識別關(guān)節(jié)點并計算關(guān)節(jié)角度，使得導(dǎo)出的數(shù)據(jù)具有較高的準(zhǔn)確性和真實性，并且大大降低人力成本，提高分析效率。在未來，隨著功能技術(shù)的不斷完善，它也將廣泛應(yīng)用于學(xué)校的線上體育教學(xué)以及專業(yè)的體育訓(xùn)練和比賽過程中，為更多專業(yè)體育工作者提供便利。

2、基于GoPose 人工智能運動分析軟件設(shè)計概述

2.1、本軟件的組成部分

GoPose 人工智能運動分析軟件由數(shù)據(jù)庫、服務(wù)端和前端組成。數(shù)據(jù)庫充當(dāng)整個軟件的中央樞紐，負(fù)責(zé)數(shù)據(jù)的傳遞。服務(wù)端從數(shù)據(jù)庫中獲取數(shù)據(jù)，在處理一些邏輯問題后，將數(shù)據(jù)交接給前端。服務(wù)端提供前端獲取數(shù)據(jù)的接口，處理數(shù)據(jù)庫，并提供一部分程序邏輯。前端負(fù)責(zé)顯示數(shù)據(jù)，包括登錄和注冊界面，是用戶所能接觸到的應(yīng)用層面，負(fù)責(zé)將數(shù)據(jù)返回給服務(wù)端。

2.2、本軟件的編寫環(huán)境

軟件環(huán)境：python7.3、OpenPose；

編程語言：python。

2.3、OpenPose 算法

OpenPose 是一種能夠支持單人和多人情況下進行二維人體姿態(tài)估計的算法，包含腰、腿和頸等多個人體部位。其次，該算法是自下向上的，即先檢測整個完整圖像中人體所有的關(guān)鍵點，再連接所有關(guān)鍵點。OpenPose 的工作原理是將輸入的圖像分為多個子區(qū)域，并對每個子區(qū)域利用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，然后使用圖像模型將提取的特征映射到關(guān)鍵點位置。OpenPose能夠迅速地識別圖像中單人和多人的二維姿態(tài)，并通過深度學(xué)習(xí)檢測圖像中人體的關(guān)鍵點位置，不依靠圖像的局部特征完成人物目標(biāo)檢測。即便是在圖像噪聲較大的環(huán)境下，它也能正確提取相應(yīng)的關(guān)鍵點位置。然后利用建模重構(gòu)的方法對檢測到的關(guān)鍵點位置進行姿態(tài)特征的提取，具有高精度和實時性特點，在視頻處理和人機交互等領(lǐng)域具有廣泛的應(yīng)用前景。

（1）置信度算法。

置信度指的是在圖像中的一點是人體關(guān)鍵點的概率。在OpenPose 算法中設(shè)置了n 個人體關(guān)鍵點，再將相應(yīng)的置信度設(shè)置為S，代表從第一個關(guān)鍵點開始的置信度。并且置信度呈正態(tài)分布，當(dāng)關(guān)鍵點與像素p 的歐氏距離越短，則其的置信度越高。兩者若坐標(biāo)相等，此時置信度達(dá)到最大值。在多人姿態(tài)識別中，往往取多個正態(tài)分布的最大值作為關(guān)鍵點的峰值。

（2）親和度算法。

親和度是指圖像關(guān)鍵點在人體肢體上的方向。局部親和度算法用來計算關(guān)鍵點部位之間的親和度，輸出結(jié)果用L 來表示第n個關(guān)鍵點連接的親和度。兩個互相連接的關(guān)鍵點之間會形成一個橢圓形的區(qū)域，進而親和度算法會對該區(qū)域內(nèi)的方向向量進行運算，用來判斷關(guān)鍵點的矢量性，同時賦予相應(yīng)關(guān)鍵點方向向量，最后通過定積分計算兩個關(guān)鍵點的連接方向。

（3）匈牙利算法。

通過置信度和親和度算法后，我們便可以獲得人體肢體關(guān)鍵點的坐標(biāo)信息，但還未對關(guān)鍵點進行正確聚類和正確連接。因為OpenPose 采取的是自下而上的識別策略，若我們遍歷所有關(guān)鍵點的連接方案，再從中選出最佳連接方案會消耗大量的計算資源和花費大量的時間。除此之外，還可將關(guān)鍵點信息按從小到大排序再依次連接匹配，但在遮攔情況下會產(chǎn)生較大的誤差，影響準(zhǔn)確性。

匈牙利算法又稱最大二分圖匹配算法。OpenPose 中規(guī)定同一個關(guān)鍵點不能夠多條邊共用一個節(jié)點，同時需要滿足以下條件：假設(shè)節(jié)點1、2 有可能進行匹配，則類型為1 和2 的關(guān)鍵點置信度之和不能超過1，否則說明關(guān)鍵點與節(jié)點連接個數(shù)超過1，說明這種聚類方法是不可取的。反之，當(dāng)它們的約束條件相同時，節(jié)點1、2 的可能性可以通過尋找所有連接方式中積分和的最大值來確定，連接相應(yīng)節(jié)點的肢體，對其他肢體重復(fù)上述步驟即可完成多人肢體檢測。

（4）姿態(tài)提取算法流程。

OpenPose 方法的整體思路，可概括為以下幾步：首先通過10 層VGG19 網(wǎng)絡(luò)，為輸入的圖像建立相應(yīng)的特征映射，并將所獲得的特征圖放入兩個卷積神經(jīng)網(wǎng)絡(luò)中進行計算，并分別預(yù)測每個關(guān)鍵點的置信度和親和度向量，得到分別包含置信度和親和度的熱圖，然后根據(jù)匈牙利算法實現(xiàn)關(guān)鍵點的聚類，從而求得相連關(guān)鍵點的最佳匹配，由于PAF 的矢量性保證了生成二分匹配的正確性，最終將同一個人的關(guān)節(jié)點拼接，組成一個整體框架。

（5）OpenPose 網(wǎng)絡(luò)結(jié)構(gòu)。

OpenPose 的整個網(wǎng)絡(luò)結(jié)構(gòu)使用了VGG 網(wǎng)絡(luò)作為骨架再進行預(yù)訓(xùn)練處理。這種結(jié)構(gòu)在姿態(tài)估計中發(fā)揮著關(guān)鍵作用。整個網(wǎng)絡(luò)由兩個部分組成，一部分用于預(yù)測關(guān)鍵點的置信圖，另一部分預(yù)測編碼相鄰關(guān)鍵點之間關(guān)聯(lián)的向量場，并分別計算回歸得到S 和L。上半部分即第一分支用于預(yù)測置信圖，通過該分支可以獲得每個關(guān)鍵點的置信度信息。下半部分即第二分支用于預(yù)測關(guān)聯(lián)向量場，通過該分支可以建立關(guān)鍵點之間的關(guān)聯(lián)關(guān)系。每回歸一次S 和L 說明一輪迭代預(yù)測已經(jīng)完成，進而通過連續(xù)的迭代，完整預(yù)測網(wǎng)絡(luò)的體系結(jié)構(gòu)便會逐漸形成。反饋損失函數(shù)在每一階段的訓(xùn)練中都會統(tǒng)計一次，并將S、原始輸入F 和L 連接在一起，作為下個階段訓(xùn)練的輸入。S 在歷經(jīng)多輪迭代后，能夠逐漸區(qū)分預(yù)測網(wǎng)絡(luò)體系結(jié)構(gòu)的左右部分。隨著迭代次數(shù)的增加，S 的區(qū)分能力越強。這種網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢在于它能夠通過多輪迭代學(xué)習(xí)到更準(zhǔn)確和連續(xù)的姿態(tài)估計結(jié)果。通過預(yù)測置信圖和關(guān)聯(lián)向量場，網(wǎng)絡(luò)能夠捕捉到關(guān)鍵點之間的結(jié)構(gòu)和聯(lián)系，進而提高姿態(tài)估計的精度。每一階段的訓(xùn)練都包括了反饋損失函數(shù)的計算，為了能夠更有效地提高預(yù)測精度，使得網(wǎng)絡(luò)能夠不斷優(yōu)化和調(diào)整，以適應(yīng)不同類型的姿態(tài)估計任務(wù)。最終，通過多輪迭代訓(xùn)練，S 在區(qū)分預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)的左右部分方面發(fā)揮了重要作用，進一步提高了姿態(tài)估計的性能。

（6）搭建姿態(tài)特征生成樹。

相比于較傳統(tǒng)的特征提取方法，GoPose 引入了一種新的運動檢測特征值。在提取完人體姿態(tài)特征后，它通過導(dǎo)出目標(biāo)人物的頸部位置還有腳部位置，進而計算兩者之間的距離差值V。此外，我們還需要準(zhǔn)確計算檢測目標(biāo)的高度，從視頻數(shù)據(jù)中每5 幀數(shù)便要提取出一張照片用以高度計算，通過視頻數(shù)據(jù)相鄰兩幀中計算檢測目標(biāo)高度的差值，得到參數(shù)D。這兩個特征值可以用于判斷靜止姿態(tài)。

此外，根據(jù)提取圖片中相鄰兩幀間檢測目標(biāo)頭部位置距離的差值，可以計算得到檢測目標(biāo)的速度S。而二軸加速度A 則用來判斷目標(biāo)的運動姿態(tài)。通過這些計算，GoPose 能夠提取出豐富的動作特征，從而更準(zhǔn)確地描述人體的姿態(tài)變化。這種新的運動檢測特征值的引入，為GoPose 軟件帶來了更全面和細(xì)致的姿態(tài)分析能力。通過計算頸部和腳部的距離差值，可以得到關(guān)于身體穩(wěn)定性的信息，從而判斷靜止姿態(tài)。而通過計算頭部位置距離的差值，可以獲得目標(biāo)的速度，結(jié)合二軸加速度，可以判斷運動姿態(tài)。這些特征值的綜合使用，使得GoPose 能夠更準(zhǔn)確地捕捉到人體運動的特征，從而提供更精確的姿態(tài)分析結(jié)果。無論是靜態(tài)姿態(tài)還是動態(tài)姿態(tài)，GoPose 都能夠提供全面且準(zhǔn)確的分析，為用戶提供更多有價值的信息。

（7）PAFs 算法解析過程。

本軟件通過攝像頭采集了人們站立、坐著和躺著3 類整體行為的圖片，共計采集了1250 張圖像。其中，1000 張用于網(wǎng)絡(luò)訓(xùn)練，250 張用于網(wǎng)絡(luò)的實際測試。在采集過程中，特別注意保持人體四肢和軀干處于自然狀態(tài)，避免抬腿、摸頭、傾斜等有意識的動作干擾。這樣做的目的是確保采集到的圖片能夠準(zhǔn)確反映不同行為狀態(tài)下的人體姿態(tài)。利用OpenCV 對這3 類行為圖片中的人體骨架節(jié)點進行坐標(biāo)位置信息的提取。通過這一步驟，可以獲取到包括鼻子、脖子、肩膀、肘部、手腕、髖部、膝蓋、踝部、眼睛和耳朵在內(nèi)的共18 個關(guān)鍵骨架節(jié)點的位置信息。這些關(guān)鍵骨架節(jié)點的位置信息被保存在JSON 文件中，以便后續(xù)的處理和分析。由于檢測目標(biāo)的數(shù)目不能夠確定，可能存在多個目標(biāo)或者錯誤檢測的關(guān)鍵點，因此需要為每個關(guān)鍵點提供多個候選區(qū)域進行匹配。這樣可以得到許多關(guān)鍵點對，需要在這些匹配點對中找到最佳匹配結(jié)果。為了得到最優(yōu)匹配結(jié)果，對每個匹配點對進行計算，并得到一個分?jǐn)?shù)，這個過程可以歸結(jié)為一個NP-hard 匹配問題。將每種獨立區(qū)域中包含的所有關(guān)鍵點的最優(yōu)匹配對連接起來，就可以形成完整的檢測目標(biāo)的全身姿態(tài)。這些匹配點對的連接形成了全身姿態(tài)特征生成樹，最終得到拼合完整的全身姿態(tài)。通過這種復(fù)雜的匹配和拼合過程，本軟件能夠從采集的圖像中提取出詳盡的全身姿態(tài)信息。這為后續(xù)的動作分析和運動評估提供了有力的基礎(chǔ)，為用戶提供了更全面、準(zhǔn)確的姿態(tài)分析結(jié)果。

（8）關(guān)鍵幀提取算法。

由于人體運動捕獲的數(shù)據(jù)需要較高的采樣率，慢速的運動往往會導(dǎo)致產(chǎn)生大量的冗余信息。我們需要提取出最具有代表性的關(guān)鍵幀來表示原始運動的數(shù)據(jù)。在本文中，我們將使用不同的算法從不同場景中提取關(guān)鍵幀，并通過運動差值重建來度量重建誤差，以便比較不同算法在關(guān)鍵幀提取方面的適用性。目前存在以下幾類關(guān)鍵幀提取算法：

①幀消減方法：這種方法操作簡單，只需要設(shè)定一個閾值，根據(jù)閾值對非關(guān)鍵幀進行消減或直接提取關(guān)鍵幀。通過利用四元數(shù)插值重建，可以還原原始序列，并且該方法符合人體關(guān)節(jié)旋轉(zhuǎn)運動的特點，因此提取的關(guān)鍵幀相對準(zhǔn)確；

②聚類方法：該方法通過設(shè)定閾值對幀間距進行加權(quán)，從而對各幀進行聚類，并選擇每個聚類中的首幀作為關(guān)鍵幀。聚類方法在完成聚類后，能夠選擇具有代表性的關(guān)鍵幀，通過對幀間距的加權(quán)考慮，能夠更好地捕捉運動變化；

③普通最優(yōu)化方法：該方法關(guān)鍵在于貪心算法，通過不斷消減重建誤差最小的幀，直到達(dá)到指定的幀數(shù)為止?？梢?，這種方法具有貪心算法的特點，可以一直求得當(dāng)前的最優(yōu)解，也不用設(shè)置相應(yīng)的閾值。因此，所得的關(guān)鍵幀是根據(jù)重建誤差曲線選擇具有最大重建誤差的幀，準(zhǔn)確度較高；

④曲線簡化方法：每幀運動數(shù)據(jù)都作為高維曲線上的一個點，再根據(jù)曲線的總體趨勢和變化將曲線分段，根據(jù)事先設(shè)定的閾值用此方法篩選出曲線上的一些凹凸點作為關(guān)鍵幀。此方法涉及的數(shù)據(jù)量較少，計算效率高，并適用于不同的數(shù)據(jù)類型和場景。

在進行關(guān)鍵幀提取時，我們將詳細(xì)比較這些不同算法的效果。我們將根據(jù)具體場景和要求選擇合適的閾值和參數(shù)。通過對每個算法提取的關(guān)鍵幀進行運動差值重建，并對重建結(jié)果進行誤差度量，可以評估不同算法的準(zhǔn)確性和適用性。最終，我們將選出最適合本方法的關(guān)鍵幀提取算法，以獲得更精確和有代表性的關(guān)鍵幀序列。這將為后續(xù)的動作分析和姿態(tài)估計提供可靠的基礎(chǔ)。

3、GoPose 軟件在體育教學(xué)中的應(yīng)用分析及延伸

3.1、GoPose 軟件在體育運動中的應(yīng)用

GoPose 人工智能運動分析軟件基于機器視覺技術(shù)，可以實時捕捉和分析人體的動作軌跡。在體育教學(xué)中，通過使用GoPose軟件，可以對學(xué)生的動作進行精準(zhǔn)的捕捉和分析，通過前端顯示相應(yīng)的分析數(shù)據(jù)，從而幫助老師更好地指導(dǎo)和監(jiān)督訓(xùn)練過程。

（1）動作姿勢的準(zhǔn)確捕捉與實時分析。

使用GoPose 軟件，可以通過攝像頭錄制自己的訓(xùn)練或比賽視頻。軟件能夠自動識別視頻中的關(guān)鍵骨架節(jié)點，如脖子、肩膀、手腕、膝蓋等，并計算出關(guān)節(jié)角度、位移速度等數(shù)據(jù)。這些數(shù)據(jù)能夠準(zhǔn)確地反映學(xué)生的動作姿勢，實時分析學(xué)生的姿勢變化，并給出實時反饋。老師可以通過軟件界面觀察學(xué)生的姿勢數(shù)據(jù)，如關(guān)節(jié)角度、位移速度等，以便進行即時指導(dǎo)和調(diào)整。

（2）動作評估和優(yōu)化。

在教學(xué)過程中，GoPose 軟件實時顯示學(xué)生的動作數(shù)據(jù)和姿勢變化，學(xué)生的動作可以得到全面的評估。軟件會自動生成動作軌跡圖和相關(guān)數(shù)據(jù)，老師可以通過對比不同動作的數(shù)據(jù)，評估學(xué)生的表現(xiàn)，并找出需要改進的地方。同時，軟件還提供了運動優(yōu)化的建議，幫助學(xué)生改進動作，以達(dá)到更標(biāo)準(zhǔn)的姿勢，提高技術(shù)水平。

（3）動作記錄和跟蹤。

GoPose 軟件能夠記錄學(xué)生每次訓(xùn)練的動作數(shù)據(jù)，并保存在數(shù)據(jù)庫中。這樣，老師也可以隨時查看學(xué)生的訓(xùn)練歷史和進展情況，進行動作的長期跟蹤和評估。通過對比不同時間段的數(shù)據(jù)，老師可以判斷學(xué)生的進步，并制定相應(yīng)的訓(xùn)練計劃。

并且它能夠準(zhǔn)確捕捉和分析學(xué)生的動作姿勢，提供實時反饋和指導(dǎo)，并幫助老師評估和優(yōu)化動作。同時，GoPose 還能提供動作記錄和跟蹤的功能，使老師能夠?qū)\動員的訓(xùn)練歷史進行查看和分析。這種基于機器視覺的精準(zhǔn)捕捉動作軌跡的計算方法為體育教學(xué)的線上教學(xué)提供了強大的輔助工具。

（4）便利性和準(zhǔn)確性。

GoPose 軟件具有便利性和準(zhǔn)確性的特點。相較于傳統(tǒng)的肉眼觀察和手動設(shè)置關(guān)節(jié)點的方法，GoPose 能夠自動識別關(guān)節(jié)點并計算關(guān)節(jié)角度，提供更準(zhǔn)確和真實的數(shù)據(jù)。同時，它大大降低了人力成本，提高了分析效率。

在未來，隨著功能技術(shù)的不斷完善，GoPose 軟件將進一步應(yīng)用于學(xué)校的線上體育教學(xué)以及專業(yè)的體育訓(xùn)練和比賽過程中。它將為運動員和教練員提供更多便利，為專業(yè)體育工作者的訓(xùn)練和競技提供精準(zhǔn)的動作分析和指導(dǎo)，助力他們?nèi)〉酶玫挠?xùn)練效果和競技成績。

綜上所述，GoPose 基于機器視覺的精準(zhǔn)捕捉動作軌跡的計算方法在體育運動中具有廣泛的應(yīng)用前景。通過該軟件對技術(shù)動作姿勢的準(zhǔn)確捕捉與實時分析、動作評估和優(yōu)化、動作記錄和跟蹤的優(yōu)勢，對體育教學(xué)安全質(zhì)量的提升及專業(yè)運動員的日常訓(xùn)練，教練員都能夠?qū)崟r監(jiān)督和指導(dǎo)運動員的動作姿勢，提供個性化的訓(xùn)練建議，從而提高運動員的技術(shù)水平和競技成績。

4、結(jié)論

基于OpenPose 算法，本軟件自動對人體姿態(tài)的25 個關(guān)鍵點進行識別，快速對關(guān)節(jié)角度、位移速度等數(shù)據(jù)進行測量、計算，使得教師和學(xué)生能夠快速得到常用運動學(xué)結(jié)果，可廣泛應(yīng)用于線上體育教學(xué)。其優(yōu)勢是無接觸式測量、快速反饋、操作簡單等。同時它也解決了專業(yè)設(shè)備穿戴復(fù)雜、其他人工智能運動分析系統(tǒng)軟件使用價格高昂等問題，幫助廣大師生科學(xué)化運動和訓(xùn)練。隨著功能技術(shù)不斷完善、測量準(zhǔn)確度不斷提高，本軟件也將用于專業(yè)運動員的體育訓(xùn)練中，為運動員、教練員及體育科研工作者提供更大的便利。