羅 丹

(龍巖學(xué)院 體育與健康學(xué)院，福建 龍巖 364012)

現(xiàn)代籃球運(yùn)動(dòng)已經(jīng)不僅僅是運(yùn)動(dòng)員之間的競(jìng)賽，它已經(jīng)逐漸成為各個(gè)國(guó)家技術(shù)發(fā)展的綜合競(jìng)爭(zhēng).籃球賽事中各項(xiàng)記錄的突破，不僅是人類(lèi)突破生理極限的體現(xiàn)，也是體育技術(shù)創(chuàng)新的體現(xiàn)[1-2].因此，與體育科學(xué)交叉的學(xué)科越來(lái)越受到籃球運(yùn)動(dòng)員、裁判員、教練員的重視，主要包括生物力學(xué)、心理生理學(xué)、運(yùn)動(dòng)醫(yī)學(xué)和計(jì)算機(jī)科學(xué)等.其中在計(jì)算機(jī)科學(xué)方面，為了提高籃球運(yùn)動(dòng)訓(xùn)練中的科學(xué)技術(shù)分析能力，需要自動(dòng)獲取籃球運(yùn)動(dòng)員訓(xùn)練過(guò)程中的各種技術(shù)參數(shù)[3-4].

傳統(tǒng)技術(shù)參數(shù)的獲取方法是在籃球運(yùn)動(dòng)員身上添加傳感器，但該方法的缺點(diǎn)是可能會(huì)影響籃球運(yùn)動(dòng)員的比賽成績(jī)[5].而籃球賽事的錄播影像通常有一個(gè)統(tǒng)一的拍攝模式，其保真度和實(shí)時(shí)交互性為獲取運(yùn)動(dòng)員的技術(shù)參數(shù)提供了強(qiáng)有力的支持，這樣既能使籃球運(yùn)動(dòng)員和教練員達(dá)到直觀教學(xué)和快速反饋的目的，又能大大降低運(yùn)動(dòng)員受傷的可能性[6].因此，各種體育動(dòng)作識(shí)別跟蹤技術(shù)已經(jīng)被用來(lái)提取這些影像中的技術(shù)動(dòng)作，以此實(shí)現(xiàn)人機(jī)交互，為進(jìn)一步提升運(yùn)動(dòng)員的技能并保護(hù)其免受運(yùn)動(dòng)傷害帶來(lái)了巨大的成效[7-8].

JI等[7]開(kāi)發(fā)了一種用于人類(lèi)行為識(shí)別的3D卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)架構(gòu)，在查看動(dòng)作影像時(shí)，計(jì)算機(jī)實(shí)時(shí)捕捉人體運(yùn)動(dòng)軌跡和運(yùn)動(dòng)趨勢(shì)，以確定人體部位的位置和形態(tài)，然后通過(guò)計(jì)算機(jī)分析動(dòng)作的技術(shù)特征，并將分析結(jié)果報(bào)告給教練或運(yùn)動(dòng)員.李睿敏[5]提出了一種基于深度殘差網(wǎng)絡(luò)和實(shí)例搜索的漸進(jìn)式動(dòng)作檢測(cè)算法，重點(diǎn)實(shí)現(xiàn)了運(yùn)動(dòng)員動(dòng)作的高精度精細(xì)定位.Ellis等[8]采用前一圖像中包含的所有關(guān)節(jié)之間的距離信息，和當(dāng)前圖像中每個(gè)關(guān)節(jié)點(diǎn)與參考動(dòng)作對(duì)應(yīng)關(guān)節(jié)點(diǎn)的距離信息，來(lái)描述運(yùn)動(dòng)員的偏移特征、姿態(tài)特征和運(yùn)動(dòng)特征的信息.梅齊昌等[9]通過(guò)深度學(xué)習(xí)算法模型研究了遠(yuǎn)動(dòng)員在長(zhǎng)距離跑步時(shí)，后下肢關(guān)節(jié)的負(fù)荷與跑步的腳步姿態(tài)的變化，并分析了運(yùn)動(dòng)員膝關(guān)節(jié)接觸力的分布情況，提出了針對(duì)降低膝關(guān)節(jié)損傷的科學(xué)跑步訓(xùn)練方法.由此可以看出，隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，人們對(duì)自動(dòng)識(shí)別和監(jiān)控各種運(yùn)動(dòng)影像對(duì)象的需求不斷增加，以此實(shí)現(xiàn)運(yùn)動(dòng)數(shù)據(jù)的統(tǒng)計(jì)，為運(yùn)動(dòng)員后期技能的提升帶來(lái)更加科學(xué)的訓(xùn)練方法.

然而，由于運(yùn)動(dòng)影像的高度復(fù)雜性和非線性特性，在復(fù)雜場(chǎng)景或景深變化較大的情況下，會(huì)降低關(guān)鍵幀提取的準(zhǔn)確性，容易造成人體運(yùn)動(dòng)識(shí)別錯(cuò)誤，導(dǎo)致目前還沒(méi)有一種公認(rèn)的通用圖像算法，來(lái)實(shí)現(xiàn)對(duì)籃球動(dòng)作在時(shí)間上的目標(biāo)檢測(cè)與精細(xì)定位.因此，本文針對(duì)籃球運(yùn)動(dòng)中動(dòng)作評(píng)估自動(dòng)化的需求，開(kāi)發(fā)了一套視覺(jué)動(dòng)作追蹤識(shí)別與目標(biāo)檢測(cè)模型，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)籃球影響的逐幀分類(lèi)，采用邊界定位算法準(zhǔn)確提取與視頻相關(guān)的籃球動(dòng)作，用于同步記錄籃球運(yùn)動(dòng)員在賽場(chǎng)上的動(dòng)作數(shù)據(jù)，以此來(lái)搭建籃球打法精細(xì)評(píng)估數(shù)據(jù)庫(kù)，設(shè)計(jì)得分評(píng)估算法，實(shí)現(xiàn)了精細(xì)動(dòng)作的自動(dòng)評(píng)估，為籃球運(yùn)動(dòng)員的技術(shù)提升提供新的技術(shù)服務(wù)平臺(tái).

1 研究方法

國(guó)際籃球大賽或者高水平籃球?qū)官怤BA等通常有一個(gè)相對(duì)統(tǒng)一的拍攝模式系統(tǒng)，很容易提供一些籃球賽事的圖像語(yǔ)義.根據(jù)文獻(xiàn)[10]中提供的異構(gòu)多處理器分析方法，本文基于CNN異構(gòu)多處理器籃球運(yùn)動(dòng)圖像檢測(cè)的分析流程，如圖1所示，采用籃球運(yùn)動(dòng)中最重要的3個(gè)動(dòng)作：籃板站位、投籃、傳球來(lái)進(jìn)行目標(biāo)檢測(cè)與精細(xì)定位評(píng)估.首先應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)籃球影響的逐幀分類(lèi)，保持已有的卷積神經(jīng)網(wǎng)絡(luò)模型的全連接層之前的層的結(jié)構(gòu)和參數(shù)不變，將最后一個(gè)全連接層的節(jié)點(diǎn)數(shù)設(shè)置為圖像類(lèi)別數(shù)，使用遷移學(xué)習(xí)在 Imgae Net上預(yù)訓(xùn)練全連接層的參數(shù)，實(shí)現(xiàn)端到端的逐幀圖像分類(lèi)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.其中CNN的輸入是影像幀，輸出是4維向量

O=[o1,o2,o3,o4].

這3類(lèi)動(dòng)作的評(píng)估任務(wù)與目前大多數(shù)動(dòng)作的評(píng)估算法區(qū)別較大，更多的是手臂的精細(xì)動(dòng)作，尤其是手與籃球的交互動(dòng)作，技巧性較強(qiáng).因此，現(xiàn)有的動(dòng)作評(píng)估方法用于評(píng)估此類(lèi)精細(xì)動(dòng)作較為困難.為了充分利用人體在運(yùn)動(dòng)過(guò)程中的活動(dòng)動(dòng)態(tài)，需要進(jìn)行圖像的邊緣降噪預(yù)處理，此時(shí)原始圖像通過(guò)自適應(yīng)時(shí)域?yàn)V波器被激活，時(shí)域?yàn)V波是從原始圖像中減去模糊圖像，利用銳利邊緣公式對(duì)圖像進(jìn)行處理，得到銳利的圖像.

F(x,y)=2f(x,y)-f′(x,y)，

(1)

其中:f(x,y)為原始圖像;f′(x,y)為模糊圖像.

圖1 CNN精細(xì)動(dòng)作評(píng)估流程

圖2 用于圖像分類(lèi)的CNN結(jié)構(gòu)示意圖

盡管時(shí)域?yàn)V波提高了圖像序列分類(lèi)的準(zhǔn)確率，但少量分類(lèi)錯(cuò)誤的影像幀仍然存在，這會(huì)導(dǎo)致找到錯(cuò)誤的邊界，因此為了準(zhǔn)確提取與視頻相關(guān)的籃球動(dòng)作識(shí)別的高級(jí)特征，采用如圖3所示的邊界定位算法對(duì)模型進(jìn)行了改進(jìn)，以適應(yīng)視頻數(shù)據(jù)，獲得更高的精度.

圖3 邊界定位算法

影像數(shù)據(jù)庫(kù)中共有20位國(guó)際頂級(jí)籃球運(yùn)動(dòng)員的比賽影像，每位運(yùn)動(dòng)員的籃球動(dòng)作數(shù)據(jù)大約包含18 000張圖像，每個(gè)幀的大小調(diào)整為64×48，然后幀被輸入到設(shè)計(jì)的架構(gòu)中進(jìn)行特征提取.為了訓(xùn)練網(wǎng)絡(luò)的參數(shù)，本文利用隨機(jī)梯度下降算法，將初始學(xué)習(xí)率設(shè)為0.1，經(jīng)過(guò)10 000次迭代，學(xué)習(xí)率變?yōu)?.001，設(shè)置動(dòng)量為0.9，重量衰減為0.000 2.本文訓(xùn)練模型，直到訓(xùn)練損失覆蓋.選用Res Net-50作為CNN模型的逐幀圖像分類(lèi)模型，所有實(shí)驗(yàn)均在具有NVIDIA Quadro K5300圖像處理器的Intel?Xeon(R)，32GB RAM計(jì)算機(jī)上建立.

2 結(jié)果與討論

本文目標(biāo)檢測(cè)系統(tǒng)對(duì)籃球運(yùn)動(dòng)員運(yùn)動(dòng)識(shí)別結(jié)果和預(yù)測(cè)結(jié)果見(jiàn)表1.預(yù)測(cè)的準(zhǔn)確性是指預(yù)測(cè)一個(gè)運(yùn)動(dòng)員的移動(dòng)動(dòng)作與真實(shí)值(Ground truth)相同的比率.從表1可以看出，本文方法對(duì)投籃動(dòng)作的識(shí)別和預(yù)測(cè)精度達(dá)到85%以上.但是對(duì)籃板和傳球識(shí)別預(yù)測(cè)的準(zhǔn)確率較低.測(cè)試集上的識(shí)別精度和預(yù)測(cè)精度略低于有效集，說(shuō)明通過(guò)更顯著的訓(xùn)練實(shí)例可以進(jìn)一步提高本文目標(biāo)檢測(cè)系統(tǒng)模型的性能.

針對(duì)特定的籃球運(yùn)動(dòng)，基于人體關(guān)鍵點(diǎn)重構(gòu)目標(biāo)檢測(cè)系統(tǒng)中相應(yīng)的動(dòng)作——籃板、投籃、傳球.本文提出的方法可以在一定程度上幫助籃球運(yùn)動(dòng)員更好地適應(yīng)各種訓(xùn)練方法、戰(zhàn)術(shù)訓(xùn)練，快速提高運(yùn)動(dòng)員的成績(jī).分別對(duì)籃板、投籃、傳球和精細(xì)運(yùn)動(dòng)評(píng)估中的目標(biāo)檢測(cè)系統(tǒng)自動(dòng)評(píng)分(本文提出的算法)和傳統(tǒng)人工評(píng)分進(jìn)行線性回歸分析，以研究其相關(guān)性，如圖4所示.圖4中每個(gè)點(diǎn)代表一次測(cè)試的結(jié)果，橫坐標(biāo)表示自動(dòng)評(píng)估算法得到的評(píng)估分?jǐn)?shù)，縱坐標(biāo)表示傳統(tǒng)訓(xùn)練方法評(píng)估的真實(shí)值，從圖4可以看出，自動(dòng)評(píng)估算法和傳統(tǒng)的訓(xùn)練方法評(píng)分成線性關(guān)系.與傳統(tǒng)的訓(xùn)練方法相比，本文目標(biāo)檢測(cè)系統(tǒng)得到的精細(xì)動(dòng)作(圖4d)具有一定的優(yōu)勢(shì)，能夠帶來(lái)更好的教學(xué)效果.這種講解與演示的結(jié)合，可以極大地刺激運(yùn)動(dòng)員的感官，使其有更深的記憶，對(duì)技術(shù)有更深的理解.

表1 籃球運(yùn)動(dòng)員運(yùn)動(dòng)的識(shí)別結(jié)果與預(yù)測(cè)結(jié)果比較

(a)籃板；(b)投籃；(c)傳球；(d)精細(xì)動(dòng)作 圖4 目標(biāo)檢測(cè)系統(tǒng)自動(dòng)評(píng)分和傳統(tǒng)人工評(píng)分的相關(guān)性分析

此外，傳統(tǒng)的模型一般無(wú)法恢復(fù)籃球運(yùn)動(dòng)的一些手臂姿勢(shì)特征，如嚴(yán)重遮擋、高移動(dòng)速度、突然的方向變化、球員之間大量的身體對(duì)抗，這些特征對(duì)個(gè)體球員和團(tuán)隊(duì)的檢測(cè)效率的準(zhǔn)確性提出了挑戰(zhàn).因此，本文提出的目標(biāo)檢測(cè)與精細(xì)定位方法在對(duì)球員進(jìn)行檢測(cè)后，對(duì)被檢測(cè)球員所在區(qū)域進(jìn)行裁剪，并通過(guò)對(duì)手臂姿勢(shì)特征的統(tǒng)計(jì)劃分出五個(gè)運(yùn)動(dòng)通道來(lái)表征手臂姿勢(shì)分布的特征，以識(shí)別籃球打法的隸屬關(guān)系，以此獲得更為精細(xì)的檢測(cè)與精細(xì)定位方法.由于獲得了統(tǒng)一手臂姿勢(shì)的先驗(yàn)條件，本方法無(wú)需在數(shù)據(jù)集構(gòu)建時(shí)進(jìn)行額外標(biāo)注，即可對(duì)籃球打法隸屬關(guān)系進(jìn)行分類(lèi)，可以更精確的識(shí)別出籃球遠(yuǎn)動(dòng)員的技術(shù)技巧.與積分通道特征(Integral channel features，ICF)[11]、快速遞歸卷積神經(jīng)網(wǎng)絡(luò)(Faster Recurrent Convolution Neural Network，RCNN)[12]、單激發(fā)多盒探測(cè)器(Single Shot Multibox Detector，SSD 512)[13]模型中檢測(cè)的準(zhǔn)確率進(jìn)行了比較，其結(jié)果如圖5所示.可以看到，本文方法在所有算法中精確率最高，達(dá)到了95.6%，這表明本文設(shè)計(jì)的目標(biāo)檢測(cè)系統(tǒng)是有效的.

圖5 本文方法與其他方法比較

3 結(jié)論

本研究采用深度卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行目標(biāo)識(shí)別，提取運(yùn)動(dòng)員動(dòng)作姿勢(shì)行為數(shù)據(jù)，對(duì)3種籃球運(yùn)動(dòng)中的籃板、投籃、傳球復(fù)雜技術(shù)動(dòng)作行為進(jìn)行了跟蹤研究.結(jié)合CNN圖像提取和動(dòng)作識(shí)別算法的特點(diǎn)，通過(guò)與3種經(jīng)典分類(lèi)算法的比較，表明該識(shí)別方法是可行的.且研究發(fā)現(xiàn)，深度卷積神經(jīng)網(wǎng)絡(luò)的高難度動(dòng)作識(shí)別可以提高目標(biāo)識(shí)別的準(zhǔn)確率，可以達(dá)到95.6%，并能充分發(fā)揮其作用.這些特點(diǎn)促進(jìn)了高難度技術(shù)動(dòng)作的訓(xùn)練應(yīng)用，避免了運(yùn)動(dòng)損傷，為更好地提升籃球運(yùn)動(dòng)員的動(dòng)作技巧提供理論支持.