劉志鵬

（漳州職業(yè)技術(shù)學(xué)院,福建 漳州 363000）

隨著國家教育體制改革的不斷深入，高校體育教學(xué)水平進(jìn)一步提升，尤其是新課程改革目標(biāo)與教學(xué)計劃的影響下，體育訓(xùn)練成為提升高校體育教學(xué)質(zhì)量的重要教學(xué)內(nèi)容，對于學(xué)生身體素質(zhì)的提升具有重要影響[1-2].隨著全民健身意識的逐步普及以及國家對于體育教學(xué)重視程度的提升，高校體育訓(xùn)練的重要性逐步凸顯.尤其是體育訓(xùn)練作為高校體育教學(xué)的基礎(chǔ)性環(huán)節(jié)之一，所涵蓋的內(nèi)容較廣，包括跳遠(yuǎn)、跳高、跑步、鉛球、排球、籃球、足球等多種[3]，這些運動都有一些規(guī)范性動作，而在高校體育訓(xùn)練過程中，由于部分姿勢不到位，導(dǎo)致訓(xùn)練質(zhì)量下降，最終影響到學(xué)生的體育成績，可能會出現(xiàn)延期畢業(yè)等多種問題[4-5].所以為了提升高校體育訓(xùn)練效果，必須要對訓(xùn)練過程中的人體姿勢進(jìn)行識別，以便及時糾正在高校體育訓(xùn)練存在的問題，提升大學(xué)生的身體素質(zhì)，所以相關(guān)的對于人體姿勢實時識別方法的研究得到了社會各界的廣泛關(guān)注.尤其是隨著大數(shù)據(jù)和圖像信息處理技術(shù)的發(fā)展，結(jié)合圖像信息識別技術(shù)，構(gòu)建面向體育訓(xùn)練的人體姿勢實時識別方法，從而提高高校體育訓(xùn)練人體姿勢的糾正能力，以期指導(dǎo)高校體育教學(xué)和訓(xùn)練，改善訓(xùn)練效果.因此研究相關(guān)的高校體育訓(xùn)練人體姿勢識別方法，在促進(jìn)體育訓(xùn)練教學(xué)質(zhì)量優(yōu)化過程中具有重要意義[6].所以為了提升高校體育訓(xùn)練過程中的糾錯能力，提升教學(xué)質(zhì)量，本文主要進(jìn)行了面向體育訓(xùn)練的人體姿勢實時識別研究，該方法主要采用特征提取的方法，實現(xiàn)高校體育訓(xùn)練人體姿勢圖像識別[7]，結(jié)合幀片段掃描技術(shù)實現(xiàn)高校體育訓(xùn)練人體姿勢圖像采樣，從而實現(xiàn)高校體育訓(xùn)練人體姿勢實時識別，最后通過仿真測試分析，驗證了本文方法在提高高校體育訓(xùn)練人體姿勢實時識別能力方面的優(yōu)越性能.

1 高校體育訓(xùn)練人體姿勢圖像采樣和特征表達(dá)

1.1 高校體育訓(xùn)練人體姿勢圖像采樣

為了實現(xiàn)高校體育訓(xùn)練的人體姿勢識別，本文以圖像視覺和大數(shù)據(jù)融合作為識別基礎(chǔ)，結(jié)合特征數(shù)據(jù)和運動特征提取的方法，構(gòu)建高校體育訓(xùn)練人體姿勢圖像和數(shù)據(jù)分析模型，結(jié)合關(guān)聯(lián)規(guī)則項挖掘分析，實現(xiàn)高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)的模糊度聚類分析，根據(jù)高校體育訓(xùn)練人體姿勢特征結(jié)果，實現(xiàn)高校體育訓(xùn)練人體姿勢圖像識別[8].在此過程中，高校體育訓(xùn)練人體姿勢圖像采集模型如圖1所示.

圖1 高校體育訓(xùn)練人體姿勢圖像采集模型Fig.1 Human posture image acquisition model of college physical training

根據(jù)圖1所示的采集模型，進(jìn)行高校體育訓(xùn)練人體姿勢圖像采集，高校體育訓(xùn)練人體姿勢圖像采集模型主要分為設(shè)備層、網(wǎng)絡(luò)層以及應(yīng)用層三層，其中應(yīng)用層主要利用數(shù)據(jù)采集儀器采集高校體育訓(xùn)練人體姿勢圖像，并將采集到的圖像通過交換機(jī)上傳至網(wǎng)絡(luò)層，在網(wǎng)絡(luò)層的支持下在設(shè)備層完成信息交換、數(shù)據(jù)融合與特征輸出，實現(xiàn)高校體育訓(xùn)練人體姿勢圖像采集.

假設(shè)高校體育訓(xùn)練過程中的人體姿勢圖像的灰度像素集為(o,b)，以像素中心為基礎(chǔ)，構(gòu)建高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)的自相關(guān)分布式檢測模型[9]，計算得出圖像的灰度值w(a2).在學(xué)習(xí)數(shù)據(jù)集中，得到所對應(yīng)的高校體育訓(xùn)練人體姿勢視覺融合特征為：

構(gòu)建高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)的融合模型，該模型的具體描述如下：

其中，x為高校體育訓(xùn)練人體姿勢特征分布的列數(shù)，or2為高校體育訓(xùn)練人體動作模型上的三維坐標(biāo)點.結(jié)合二維彩色圖像重構(gòu)方法，對高校體育訓(xùn)練過程中人體姿勢圖像實現(xiàn)邊緣重構(gòu)，得到高校體育訓(xùn)練人體姿勢的圖像采集輸出：

對高校體育訓(xùn)練人體姿勢圖像實現(xiàn)特征檢測，建立動態(tài)分布集，結(jié)合大數(shù)據(jù)檢測，實現(xiàn)高校體育訓(xùn)練人體姿勢識別[10].

1.2 人體姿勢特征表達(dá)

結(jié)合幀片段掃描技術(shù)實現(xiàn)高校體育訓(xùn)練人體姿勢圖像采樣，采用融合邊緣輪廓特征分解方法實現(xiàn)高校體育訓(xùn)練人體姿勢特征表達(dá)處理，采用融合邊緣輪廓特征分解方法實現(xiàn)高校體育訓(xùn)練人體姿勢分解[11]，得到高校體育訓(xùn)練人體姿勢特征分布函數(shù)為

其中，gc表示形態(tài)學(xué)濾波算子，r=1,2,…,n,對采集的高校體育訓(xùn)練人體姿勢圖像進(jìn)行深度融合處理，構(gòu)建體高校體育訓(xùn)練人體姿勢特征信息的特征聚類模型，建立高校體育訓(xùn)練人體姿勢特征集表示為

其中，Tl1為區(qū)域邊緣定位特征量，根據(jù)特征匹配結(jié)果，得到高校體育訓(xùn)練人體姿勢關(guān)鍵特征輸出為

其中，Dn為高校體育訓(xùn)練人體姿勢的邊緣特征分量，采用數(shù)學(xué)形態(tài)學(xué)方法，得到高校體育訓(xùn)練人體姿勢的三維特征分布為

根據(jù)高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)的挖掘和融合結(jié)果，得到人體姿勢特征的三維視覺表達(dá)為

以多目標(biāo)關(guān)聯(lián)分布式融合方法為基礎(chǔ)，構(gòu)建高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)檢測學(xué)習(xí)模型，得到高校體育訓(xùn)練的人體姿勢的輸出聯(lián)合參數(shù)為多個2×2的子塊Gm,n，結(jié)合模糊區(qū)域像素重組方法，實現(xiàn)高校體育訓(xùn)練過程中的人體姿勢視覺表達(dá)分析[12].

2 高校體育訓(xùn)練人體姿勢識別

2.1 人體姿勢視覺特征優(yōu)化處理

建立高校體育訓(xùn)練人體姿勢圖像的視覺空間融合度分析模型，結(jié)合模糊度辨識方法實現(xiàn)人體姿勢圖像的去模糊度處理，提高高校體育訓(xùn)練人體姿勢的視覺特征分析能力.結(jié)合模糊度辨識方法實現(xiàn)高校體育訓(xùn)練過程中的人體姿勢圖像的去模糊度處理[13]，得到人體姿勢圖像的視覺特征分布為

構(gòu)建高校體育訓(xùn)練人體姿勢特征數(shù)據(jù)的相關(guān)性融合調(diào)度模型，通過級聯(lián)挖掘，得到灰度像素級f，構(gòu)建高校體育訓(xùn)練人體姿勢視覺檢測分量為

通過無監(jiān)督學(xué)習(xí)方法，實現(xiàn)高校體育訓(xùn)練人體姿勢特征參數(shù)檢測，得到組合函數(shù)為

其中，pi表示人體姿勢圖像視覺特征分布函數(shù)，ki則表示模糊綜合特征量參數(shù)，通過分析高校體育訓(xùn)練人體姿勢特征分布的模糊綜合特征量，采用灰度不變矩特征分解方法構(gòu)建高校體育訓(xùn)練過程中的人體姿勢的邊緣信息分布模型，表示為

在像素點均值作用下，實現(xiàn)高校體育訓(xùn)練人體姿勢視覺重構(gòu)[14].結(jié)合模糊度辨識方法實現(xiàn)高校體育訓(xùn)練人體姿勢視覺信息分布式重組.

2.2 人體姿勢識別結(jié)果輸出

采用融合邊緣輪廓特征分解方法實現(xiàn)高校體育訓(xùn)練人體姿勢特征表達(dá)處理，在此基礎(chǔ)上建立人體姿勢圖像的視覺空間融合度分析模型，使用梯度下降法實現(xiàn)高校體育訓(xùn)練人體姿勢圖像的區(qū)域分塊分割[15]，使得高校體育訓(xùn)練人體姿勢圖像的稀疏特征值滿足Rs=2gi，計算高校體育訓(xùn)練人體姿勢圖像Fm(x,y)的第m幀(x,y)處的分割函數(shù).結(jié)合語義相關(guān)度特征匹配，實現(xiàn)高校體育訓(xùn)練人體姿勢特征重組，輸出的特征分量為：

式（14）中，Q表示高校體育訓(xùn)練人體姿勢的聯(lián)合熵，通過高校體育訓(xùn)練人體姿勢視覺重構(gòu)，計算高校體育訓(xùn)練人體姿勢信息的先驗分布集[16]，采用自適應(yīng)的圖像信息處理技術(shù)進(jìn)行人體姿勢識別，該識別結(jié)果輸出為：

根據(jù)對高校體育訓(xùn)練人體姿勢特征結(jié)果，結(jié)合自適應(yīng)的圖像信息處理技術(shù)進(jìn)行人體姿勢識別，根據(jù)識別結(jié)果進(jìn)行錯誤動作糾正，以期提升高校體育訓(xùn)練質(zhì)量與綜合效果[17].

3 仿真實驗與結(jié)果分析

為了測試方法在實現(xiàn)高校體育訓(xùn)練人體姿勢實時識別的應(yīng)用性能，采用SPSS 統(tǒng)計分析軟件和Matlab進(jìn)行仿真測試，高校體育訓(xùn)練人體姿勢視覺采樣的幀頻率為36.5 kHz，特征分辨率為0.834，對視覺信息采集的時長為12 s，樣本數(shù)據(jù)長度為1 200，訓(xùn)練樣本數(shù)為240，采樣大數(shù)據(jù)分析方法，以不同的體育項目為測試樣本，得到統(tǒng)計分析結(jié)果見表1.

根據(jù)表1的統(tǒng)計分析結(jié)果，進(jìn)行高校體育訓(xùn)練人體姿勢識別，得到識別結(jié)果如圖2所示.

表1 不同的體育項目人體姿勢的統(tǒng)計分析結(jié)果Tab.1 Statistical analysis results of human posture in different sports events

分析圖2得知，本文可以精準(zhǔn)識別出高校田徑訓(xùn)練過程中的跨欄動作，圖像清晰度高，姿勢識別結(jié)果更為精準(zhǔn)，所以驗證了利用本文方法進(jìn)行高校體育訓(xùn)練人體姿勢識別的圖像分辨力較高.測試高校體育訓(xùn)練人體姿勢識別輸出的檢驗值和協(xié)方差分布，以檢驗這種方法的識別性能，具體結(jié)果見表2.

圖2 高校體育訓(xùn)練人體姿勢識別結(jié)果Fig.2 Human posture recognition results of college physical training

分析表2得知，方法進(jìn)行高校體育訓(xùn)練人體姿勢識別的誤差較低，均方根誤差較小，提高了高校體育訓(xùn)練人體姿勢識別的準(zhǔn)確性.

表2 識別性能測試Tab.2 Identification performance test

但是也存在一定的不足，就是實驗樣本數(shù)據(jù)量不夠多，因此建議在下一步的研究中利用更多的樣本數(shù)據(jù)進(jìn)行高校體育訓(xùn)練人體姿勢識別方法的反復(fù)檢驗，最大程度地提升本文研究結(jié)果的真實性與可信性.

4 結(jié)論

為了及時進(jìn)行高校體育訓(xùn)練錯誤動作糾正，主要進(jìn)行了面向體育訓(xùn)練的人體姿勢實時識別研究，并通過一系列過程完成人體姿勢實時識別方法的設(shè)計.實驗結(jié)果表明，采用本文方法進(jìn)行高校體育訓(xùn)練人體姿勢圖像識別的準(zhǔn)確性較高，均方根誤差較低，在指導(dǎo)高校體育訓(xùn)練人體姿勢糾正中具有很好的應(yīng)用價值，可以在實際中廣泛推廣.