运用视频图像处理技术进行体育运动分析是计算机视觉领域的一个重要研究方向,它从图像序列中检测出运动目标,提取运动员关键部位并得到有效运动信息,达到对运动姿态、相关技术动作等进一步分析的目的。传统撑杆跳教学基于教练员肉眼观察,这种训练方式存在不少弊端,制约了运动员技术水平的提高,限制了撑杆跳运动的进步。针对此问题,本文在视频图像处理技术的基础上,以撑杆跳起跳过杆为研究背景,做了以下工作:(1)利用视频图像处理技术获取运动员关节点三维坐标。本文首先对运动员的两髋、左膝和左脚踝进行颜色标记,采集撑杆跳视频,用图像中标记点的坐标代替关节点坐标,并根据摄像机标定技术,计算其在世界坐标系下的三维坐标。在视频处理过程中,提出将协方差矩阵参数化方法引入到混合高斯背景建模中来提高模型精度,同时动态调整高斯分布的个数,以增加算法环境适应性、减少无谓的系统开销。利用图像熵动态调整模型的更新率,使更好地适应户外场景光照变化。实验结果表明,该算法具有良好的背景建模效果,有较高的查全率和查准率。运动前景获得以后,根据颜色特征提取出标记点,将其质心的二维坐标作为关节点坐标,最后利用改进的双目视觉标定计算该点的三维坐标。改进后的算法将正交隐消点的几何特性作为标定的约束条件,有利于提高标定精度,简化操作过程。实验数据显示,该算法能够很好地求得运动员关节点三维坐标,与真实坐标更接近,且较传统标定误差更小,易于实现。(2)以撑杆跳起跳、团身、过杆技术动作为研究对象,利用提取到的运动员在运动过程中关节点的坐标信息,建立基于改进极限学习机的撑杆跳起跳过杆模型。针对原始极限学习机无法解决隐层节点参数如何确定等问题,本文通过差分进化算法对极限学习机进行参数寻优,并进行正则化处理,防止因增加隐层节点数而导致模型过拟合。在计算隐层节点输出矩阵时,使用完全正交分解代替传统的SVD,以降低矩阵计算时的复杂度。改进后的算法充分考虑了运动员起跳、团身和过杆三个环节,并提取相应特征作为此次起跳过杆运动的特征,以此判定过杆成功与否。实验结果表明,该算法对运动员是否成功过杆的预测准确率达到97.3%左右,且与原始极限学习机相比,DE-RELM的分类误差更低,具有更好的泛化能力,有助于提高运动员日常训练效率,指导撑杆跳高过程。