崔普斌

(安徽體育運動職業(yè)技術(shù)學(xué)院，安徽 合肥 230051)

0 引 言

在運動員的短跑訓(xùn)練中，手臂擺動姿態(tài)在一定程度上提高短跑訓(xùn)練效果，其中步長與步頻是提高短跑成績的重要因素[1-3]。在短跑運動員日常訓(xùn)練中，手臂擺動過程中會出現(xiàn)錯誤，影響短跑成績。因此，在短跑訓(xùn)練中，對運動員的手臂擺動姿態(tài)識別非常必要[4-5]。

文獻[6]主要利用三軸加速度傳感器對人體姿態(tài)進行識別與分類，根據(jù)三軸加速度傳感器在檢測過程中獲得的X，Y，Z軸等傳遞的電信號，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，利用支持向量機完成動作的識別與分類；文獻[7]將慣性傳感器與深度學(xué)習(xí)相結(jié)合來識別手臂的動作，使用主成分分析法對得到的特征子集進行降維，利用深度學(xué)習(xí)中的網(wǎng)格進行數(shù)據(jù)訓(xùn)練。以上識別方法均取得一定成績。但以上方法姿態(tài)識別中，運動員手臂擺動速度極快，由于傳感器的性能限制，微小動作變化難以捕捉，導(dǎo)致識別結(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)練中手臂擺動姿態(tài)識別方法。

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

1.1 優(yōu)化視頻數(shù)據(jù)圖割算法

根據(jù)運動員在短跑中的手臂動作，將手臂擺動理解為一個關(guān)節(jié)的五自由度運動，并從中獲取一定信息量。對于短跑訓(xùn)練中的手臂擺動姿態(tài)來說，可以劃分為人體運動和背景數(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圖像，能夠更加精準的完成識別[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)變成一個二元標記的問題。當一幅數(shù)據(jù)圖像的大小為M×N時，可以將其轉(zhuǎn)化為矩陣的形式，且該矩陣的主序為行，是一個一維的矩陣連線[9-10]。對該圖像進行分割就是對標記向量進行定義，可以表示為：

A=(A1,A2,…,AM×N)

(1)

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

(2)

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

將上式進行展開，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)中短跑運動員手臂擺動圖像的像素關(guān)系。代價函數(shù)經(jīng)過定義之后，能夠?qū)D割問題視為代價函數(shù)的最小化問題[11-12]。在求解過程中，需要進行網(wǎng)絡(luò)形式構(gòu)造，進行圖割算法的優(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行區(qū)分的手段，經(jīng)常被使用在識別、檢測等工作中。優(yōu)化之后的圖割算法在實際圖像中具體的應(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)練中手臂擺動姿態(tài)特征提取

在完成短跑運動員手臂擺動圖像的分割后，需要從視頻序列中定位手臂擺動姿態(tài)的特征，主要包括圖像的形狀以及紋理等高級的人體結(jié)構(gòu)特征[13-14]。手臂擺動姿態(tài)是由谷歌位置決定，但短跑運動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。

為獲取到手臂擺動姿態(tài)的特征參數(shù)，首先將手臂擺動的傾斜角度特征進行規(guī)范。以運動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)練中運動員的手臂動作角度劃分如圖2所示：

圖2 短跑訓(xùn)練運動員手臂擺動角度示意圖

如圖2所示，在時域特性下對運動員的手臂擺動特征進行提取。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周圍的像素值更大時，在外圍點進行標記[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，會隨機生成若干個比較點，通過各個點的紋理信息進行圖像特征的提取與識別。

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

為實現(xiàn)在視頻數(shù)據(jù)中對每個短跑運動員的手臂擺動內(nèi)容的完整性，在對短跑運動員手臂擺動姿態(tài)進行分類識別時，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，運用級聯(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)進行訓(xùn)練識別。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手臂關(guān)節(jié)的坐標。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，為進一步提高分類識別的精準性，將關(guān)節(jié)利用各種函數(shù)的映射關(guān)系進行描述，如式(4)所示：

(4)

式中，yi表示短跑運動員的手臂關(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。這三個值組合后能夠表示短跑運動員的手臂在圖像中的矩形區(qū)域。

針對上式進行需要編碼的關(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標記為(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)進行手臂擺動的姿態(tài)識別，將運動員在訓(xùn)練中的手臂特征向量參數(shù)進行輸入，實現(xiàn)特征識別。

2 方法性能測試

2.1 測試過程設(shè)計

為了驗證本設(shè)計的基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動姿態(tài)識別方法的有效性，在本章設(shè)計具體的實驗，來驗證不同識別方法的精確性。實驗中，選擇5名短跑運動員作為測試者。并令測試者在進行短跑訓(xùn)練過程穿戴含有光柵傳感網(wǎng)絡(luò)的裝置，將測試者在短跑過程中的手臂搖擺姿態(tài)進行可視化，得到相關(guān)的視頻數(shù)據(jù)。以各個測試者的左側(cè)手臂作為研究對象進行測試，在測試之前對測試者的手臂數(shù)據(jù)進行測量。測量示意圖如圖3所示：

圖3 測試者臂長參數(shù)測量示意圖

圖中，l1表示大臂長度，l2表示前臂長度，l3表示掌心距，測試者的測量結(jié)果如表1所示：

表1 測試者上肢參數(shù)

利用以上測試者在短跑訓(xùn)練中的視頻數(shù)據(jù)作為集合，在準備工作完成之后，令各個測試者進行短跑訓(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)計的基于視頻數(shù)據(jù)的短跑訓(xùn)練中手臂擺動姿態(tài)識別方法和傳統(tǒng)的基于傳感器的識別方法對以上測試者在短跑訓(xùn)練中的手臂擺動姿態(tài)集合進行識別，并將識別結(jié)果進行匯總分析。

2.2 識別結(jié)果與分析

(1)有效性對比

在以上測試環(huán)境中，能夠分別得到本文方法和傳統(tǒng)方法下，對測試者的手臂擺動姿態(tài)的角度進行識別與測量。以手肘為目標點，得到的兩種方法下某測試者的手肘識別軌跡與參考軌跡之間的對比如圖4所示：

圖4 某測試者手肘軌跡對比

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

表2 兩種方法下手肘角度測量結(jié)果

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

3 結(jié) 語

為提升短跑運動員手臂擺動動作的識別，通過視頻數(shù)據(jù)作為短跑訓(xùn)練中手臂姿態(tài)識別的依據(jù)，從中獲取運動員的上肢姿態(tài)動作信息，所得到的結(jié)果與僅通過傳感器所獲取到的數(shù)字相比，精準度更高。在識別的過程中，從手臂的各個自由度識別結(jié)果來看，本文方法都具有一定的優(yōu)勢。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，本文在識別過程中，僅考慮了關(guān)節(jié)運動以及其產(chǎn)生的應(yīng)變量，運動過程中肌肉也會產(chǎn)生微小的變化，對其進行識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)變量入手進行分析與討論，以提升方法的有效性。