论文部分内容阅读
近年来,随着人们水平的提高,人们越来越注重体育运动。而传统的体育运动训练主要还是依靠教练的训练方法,而且教练资源少,一对一或者一对多的教练面授训练成本也高,因此目前主要还是依靠运动捕捉系统或者携带传感器等方式来进行运动参数采集,这样的方式不仅给运动员造成一定程度上的不便,也阻碍了智能运动的发展,而基于计算机视觉的智能运动可以解决这些问题。为此,本文针对高尔夫挥杆视频提出了一种基于视频的人体姿态估计算法和一种基于人体姿态估计的高尔夫挥杆动作比对分析算法。针对OpenPose的不足,提出了一种基于视频的人体姿态估计算法,该方法首先通过OpenPose算法进行静态图像人体姿态估计,然后基于帧间姿态距离度量建立人体跟踪,并对图片进行超像素分割,确定骨骼关节点所在超像素,并将超像素与以关节点为中心的方框的交集区域作为最小粒度,接着通过前向后向搜索较优关节点,基于光流与人体运动连续性建立候选关节点集和参考关节点,最后,为每一帧图像中置信度较低的关键点生成较优的候选关键点,通过重组这些身体部位为每一帧图像生成最优的全局人体姿态。本章提出的视频人体姿态估计方法在PoseTrack数据库上表现出了很好的效果,相比于OpenPose在各个骨骼关节点上均有提升,改善了OpenPose错检、漏检和误检问题。为了分析高尔夫挥杆视频中的挥杆动作,提出一种高尔夫挥杆动作比对分析算法,将视频人体姿态估计用于高尔夫挥杆视频,首先,通过对高尔夫挥杆视频进行视频人体姿态估计检测,提取出运动员的人体骨骼关节点信息,并进行相应的预处理;然后根据运动员的骨骼关节点数据提取手肘在竖直方向上的运动轨迹特征,接着利用改进后的DDTW算法进行高尔夫挥杆动作序列分割,随后通过利用手肘在竖直方向的运动轨迹特征与关键动作帧的关系提取出一部分高尔夫挥杆关键动作帧,然后提取一些人工设计的特征来提取剩下的关键动作帧,最后从正侧两面提取动态特征和静态特征,并结合专业高尔夫教练制定的比对分析规则进行量化分析。本章提出了一种可用于行为序列分割的DDTW算法和一种基于运动轨迹的高尔夫挥杆关键动作帧的提取方法,在高尔夫挥杆动作视频数据库上可以实现很好的分割和关键动作帧提取效果,在准确性上取得了较好的结果,验证了其实用性和适用性。