張 亮

(安徽中醫(yī)藥大學(xué) 體育部,安徽 合肥 230012)

網(wǎng)球運(yùn)動起源于12世紀(jì)中葉的法國,在19世紀(jì)末傳入我國。近年來,網(wǎng)球運(yùn)動得到了快速的發(fā)展,在世界范圍內(nèi)風(fēng)靡,成為世界級項目。網(wǎng)球運(yùn)動經(jīng)過多年的發(fā)展,發(fā)生了很大的變化,其擊打方式演進(jìn)過程為:手擊打→板擊打→拍擊打,球拍材質(zhì)演進(jìn)過程為:木料材質(zhì)→高科技碳纖維材料[1]。除此之外,網(wǎng)球運(yùn)動的打法與競技戰(zhàn)術(shù)也產(chǎn)生了極大的演進(jìn)。發(fā)球是網(wǎng)球運(yùn)動中最關(guān)鍵動作之一,標(biāo)志著選手對抗的開始。發(fā)球動作特征主要表現(xiàn)在兩方面,一方面是發(fā)球由一方掌控,不受對手的限制;另一方面發(fā)球速度、角度、旋轉(zhuǎn)以及落點(diǎn)均是決定是否得分的關(guān)鍵因素,成為贏得勝利的基礎(chǔ)。在網(wǎng)球比賽過程中,每一分的產(chǎn)生都必須經(jīng)過發(fā)球動作,由于發(fā)球具有一定的主動權(quán),故選手更容易在發(fā)球局得分取勝[2]。

由于網(wǎng)球運(yùn)動的不斷發(fā)展,其對發(fā)球訓(xùn)練的科學(xué)性與實效性提出了更高的要求,發(fā)球是網(wǎng)球比賽中得分的起點(diǎn),要想贏得比賽,主要通過發(fā)球局取勝,由此可見,發(fā)球動作的重要性。因此相關(guān)學(xué)者對網(wǎng)球運(yùn)動員發(fā)球動作識別做出了研究。文獻(xiàn)[3]提出基于“Go/NoGo”任務(wù)范式的乒乓球發(fā)球動作識別模型,通過3D模擬擊球部位的信息結(jié)構(gòu),識別正確動作并按鍵做出反應(yīng),識別錯誤動作不按鍵。該方法的識別正確率較高,但識別耗時較長;文獻(xiàn)[4]提出基于三維圖像分析的網(wǎng)球運(yùn)動員發(fā)球動作識別模型,從運(yùn)動生物力學(xué)角度分析發(fā)球動作參數(shù),分析每次發(fā)球動作的異同,構(gòu)建識別模型。該方法的識別耗時較短,但識別正確率較差。

針對上述問題,構(gòu)建基于貝葉斯算法的網(wǎng)球運(yùn)動員發(fā)球動作識別模型。貝葉斯算法是一種統(tǒng)計學(xué)方法,具備算法簡單、分類準(zhǔn)確率高、速度快等優(yōu)勢。鍛煉網(wǎng)球運(yùn)動員發(fā)球動作,構(gòu)建網(wǎng)球運(yùn)動員發(fā)球動作識別模型,通過模型識別發(fā)球動作的相關(guān)運(yùn)動學(xué)參數(shù)。通過構(gòu)建模型為網(wǎng)球運(yùn)動發(fā)球科學(xué)訓(xùn)練以及日常教學(xué)提供一定的理論依據(jù)。

一、網(wǎng)球運(yùn)動員發(fā)球動作識別模型構(gòu)建

1.發(fā)球動作結(jié)構(gòu)及特征分析

為了精確的識別網(wǎng)球運(yùn)動員發(fā)球動作,首先需要分析發(fā)球動作的結(jié)構(gòu)與特征,具體發(fā)球動作分析過程如下所示。

依據(jù)動作結(jié)構(gòu)原理可知,任何技術(shù)動作均是由一系列不同的簡單動作組合而成。為了方便發(fā)球動作的解釋,將身體看作一個動力鏈。發(fā)球動作動力鏈即開始于腳的反作用力,結(jié)束于快速揮拍擊球的動作過程。

依據(jù)動力鏈原理,將發(fā)球動作劃分為六個階段,具體如表1所示。

表1 發(fā)球動作階段結(jié)構(gòu)表

網(wǎng)球運(yùn)動員發(fā)球動作每個階段身體重心的變化速度存在著較大的不同,這也是發(fā)球動作的關(guān)鍵特征之一[5]。經(jīng)過現(xiàn)有文獻(xiàn)可知,發(fā)球動作不同階段身體重心線速度特征如表2所示。

表2 發(fā)球動作不同階段身體重心線速度特征表

上述過程完成了發(fā)球動作結(jié)構(gòu)及特征的分析,為最終網(wǎng)球運(yùn)動員發(fā)球動作識別做準(zhǔn)備。

2.發(fā)球動作圖像獲取與處理

此研究選取包含CCD傳感器與CMOS傳感器的彩色攝像機(jī)采集網(wǎng)球運(yùn)動員發(fā)球動作圖像。該攝像機(jī)可以同時獲取發(fā)球動作的彩色圖像、深度圖像與骨骼圖像[6]。

其中,彩色圖像與深度圖像以數(shù)據(jù)流形式傳輸。彩色圖像分辨率為640*480,幀數(shù)為30Fps,格式為Bayer格式,彩色數(shù)據(jù)可以編碼為RGB-32bit。深度圖像獲取過程與彩色圖像一致,有效位置信息為高13位,用戶ID信息為低3位。骨骼圖像由深度圖像數(shù)據(jù)獲取,包含20個關(guān)節(jié)點(diǎn)的三維坐標(biāo),通過可視化顯示網(wǎng)球運(yùn)動員的骨骼圖[7]。

為了方便發(fā)球動作圖像的應(yīng)用,分析彩色圖像、深度圖像與骨骼圖像的空間坐標(biāo)關(guān)系[8]。彩色空間、深度空間與骨骼空間坐標(biāo)系如圖1所示。

圖1 彩色空間、深度空間與骨骼空間坐標(biāo)系示意圖

設(shè)置彩色空間像素坐標(biāo)為(x(t),y(t),z(t)),深度空間像素坐標(biāo)為(xs(t),ys(t),zs(t)),骨骼空間像素坐標(biāo)為(xd(t),yd(t),zd(t))。

骨骼空間與深度空間坐標(biāo)系轉(zhuǎn)換公式為

(1)

式(1)中,a表示的是攝像機(jī)的水平方向視角,取值為57°;b表示的是攝像機(jī)的垂直方向視角,取值為43°。

深度空間與彩色空間坐標(biāo)系轉(zhuǎn)換公式為

(2)

式(2)中,△d表示的是攝像機(jī)的位移。

通過上述過程,將發(fā)球動作彩色圖像、深度圖像與骨骼圖像變換到同一坐標(biāo)系中,由于z方向信息含量較少,為了方便圖像處理,忽略z方向信息,將得到的發(fā)球動作圖像即為I(x,y),為下述發(fā)球動作特征提取提供圖像數(shù)據(jù)[9]。

3.發(fā)球動作特征提取

以上述獲得的發(fā)球動作圖像I(x,y)為基礎(chǔ),采用FV算法提取發(fā)球動作特征,為發(fā)球動作識別提供依據(jù)。

對于發(fā)球動作圖像來說,從中提取T個描述符(特征),每個描述符維度為D,則可以采用G={gt,t=1,2,…,T}來描述網(wǎng)球運(yùn)動員發(fā)球動作特征[10]。假設(shè)T個描述符獨(dú)立同分布,則存在

(3)

式(3)中,p表示的是概率密度函數(shù);λ表示的是參數(shù)。

對公式(3)取對數(shù),得到

(4)

采用一組高斯分布的線性組合模型逼近公式(4)的分布,模型表示為

式(5)中,K表示的是模型中線性組合的個數(shù);wi表示的是自由變量;pi表示的是第i個高斯分布;ui表示的是描述符的參量。

通過公式(5)定義網(wǎng)球運(yùn)動員發(fā)球動作特征,其概率表示為

(6)

由公式(6)可以看出,FV算法提取的發(fā)球動作特征不但包含發(fā)球動作的原始特征,還包含了一些結(jié)構(gòu)性信息,對發(fā)球動作特征描述更加細(xì)致[11]。

4.貝葉斯分類器設(shè)計

貝葉斯分類器是網(wǎng)球運(yùn)動員發(fā)球動作識別的關(guān)鍵,為此,依據(jù)貝葉斯算法設(shè)計分類器[12]。

貝葉斯分類器以條件獨(dú)立性假設(shè)為前提條件,依據(jù)貝葉斯算法設(shè)計的一種分類方法。對于訓(xùn)練樣本集,首先計算出訓(xùn)練集中輸入與輸出的聯(lián)合概率分布函數(shù),以此為基礎(chǔ),運(yùn)用貝葉斯算法計算輸入數(shù)據(jù)對應(yīng)的最大后驗概率輸出[13]。

對于輸入值x,計算其先驗概率與條件概率,計算公式如下

(7)

式(7)中,Y=ck表示的是輸入空間對應(yīng)的輸出空間;N表示的是訓(xùn)練數(shù)據(jù)集的數(shù)量;P(X(j)=ajl|Y=ck)表示的是聯(lián)合概率分布函數(shù)。

對于給定的輸入x,對應(yīng)的輸出空間表示為

(8)

依據(jù)公式(8)確定輸入x的類別,確定公式表示為

(9)

利用貝葉斯估計條件概率,估計結(jié)果為

(10)

式(10)中,Sj表示的是特征值的總數(shù)量。

以公式(10)為依據(jù),得到后驗概率最大化的分類器,其表達(dá)式為

f(x)=arg maxP(Y=ck/X=x)

(11)

上述過程完成了貝葉斯分類器的設(shè)計,為網(wǎng)球運(yùn)動員發(fā)球動作識別提供堅實的支撐[14]。

5.網(wǎng)球運(yùn)動員發(fā)球動作識別

依據(jù)上述貝葉斯分類器的設(shè)計,構(gòu)建網(wǎng)球運(yùn)動員發(fā)球動作識別模型,構(gòu)建模型示意圖如圖2所示。

圖2 網(wǎng)球運(yùn)動員發(fā)球動作識別模型示意圖

依據(jù)圖2模型即可實現(xiàn)網(wǎng)球運(yùn)動員發(fā)球動作的識別。貝葉斯算法具備算法簡單、分類準(zhǔn)確率高、速度快等優(yōu)勢,由于貝葉斯算法的運(yùn)用,極大的提升了分類器的準(zhǔn)確率與速率,構(gòu)建模型可以既快速又準(zhǔn)確地識別網(wǎng)球運(yùn)動員發(fā)球動作,為網(wǎng)球運(yùn)動員訓(xùn)練以及發(fā)球技術(shù)的提升提供大量的數(shù)據(jù)支撐,同時也為網(wǎng)球運(yùn)動的發(fā)展推波助瀾[15]。

二、仿真實驗與結(jié)果分析

1.實驗設(shè)備及對象

實驗主要采用的設(shè)備為圖像獲取設(shè)備,將網(wǎng)球發(fā)球的短暫性與快速性,實驗采用短時間采集存儲記錄系統(tǒng)實現(xiàn)實驗圖像的獲取與存儲,其由攝像機(jī)、采集卡、線纜、計算機(jī)以及采集軟件構(gòu)成,攝像機(jī)參數(shù)情況如表3所示。

表3 攝像機(jī)參數(shù)表

選擇120名網(wǎng)球運(yùn)動員作為實驗對象,均以右手持拍、無傷病史、熟悉殺球技術(shù)和動作要領(lǐng)、動作流暢且舒展,且運(yùn)動員等級水平均為5.5級別,能夠代表相同層次、相同水平等級的網(wǎng)球運(yùn)動員發(fā)球技術(shù)特征。對遠(yuǎn)動員的發(fā)球姿勢動作取240組,采用所提方法、文獻(xiàn)[1]方法、文獻(xiàn)[2]方法對比運(yùn)動員發(fā)球姿勢動作的識別精度。實驗對象人體特征如表4所示。

表4 實驗對象人體特征表

2.實驗數(shù)據(jù)采集

在仿真實驗過程中,將攝像機(jī)放置于實驗對象的右側(cè),具體擺放位置如圖3所示。

圖3 攝像機(jī)擺放位置示意圖

在實驗過程中,標(biāo)記每個運(yùn)動員的發(fā)球手臂關(guān)節(jié)點(diǎn),通過多次實驗對比,設(shè)置標(biāo)記顏色為紅色,其對運(yùn)動員發(fā)球無影響,具體如圖4所示。

圖4 發(fā)球手臂標(biāo)記點(diǎn)示意圖

采用攝像機(jī)獲取實驗對象發(fā)球動作圖像,同時對其進(jìn)行去噪、腐蝕與膨脹操作,為實驗結(jié)果分析提供可靠的數(shù)據(jù)支撐。

3.實驗結(jié)果分析

為了反映構(gòu)建模型的性能,選取發(fā)球動作識別準(zhǔn)確率系數(shù)及識別耗時指標(biāo),常規(guī)情況下,發(fā)球動作識別準(zhǔn)確率系數(shù)越大,表明發(fā)球動作識別準(zhǔn)確率越高,識別耗時越短,發(fā)球動作的識別速度越快,構(gòu)建模型的識別性能越佳。以文獻(xiàn)[3]方法及文獻(xiàn)[4]方法作為對比實驗方法,通過上節(jié)得到實驗數(shù)據(jù)統(tǒng)計結(jié)果如圖5所示。

圖5 實驗數(shù)據(jù)統(tǒng)計圖

如圖5所示,該實驗共采集了240組發(fā)球動作數(shù)據(jù)樣本,其中發(fā)球成功樣本為145組,發(fā)球失敗樣本為95組。

將上述實驗數(shù)據(jù)輸入到構(gòu)建模型中,計算發(fā)球動作識別準(zhǔn)確率系數(shù),具體如表5所示。

表5 發(fā)球動作識別準(zhǔn)確率系數(shù)數(shù)據(jù)表

如表5數(shù)據(jù)顯示,文獻(xiàn)[1]方法的識別準(zhǔn)確率系數(shù)平均值為2.244,文獻(xiàn)[2]方法的識別準(zhǔn)確率系數(shù)平均值為2.106,而構(gòu)建模型發(fā)球動作識別準(zhǔn)確率系數(shù)平均值為3.260 8,遠(yuǎn)遠(yuǎn)高于現(xiàn)有模型水平。

比較三種方法對145組發(fā)球成功樣本的發(fā)球動作識別耗時,得到對比結(jié)果如圖6所示:

圖6 發(fā)球動作識別耗時

如圖6所示,文獻(xiàn)[1]方法對每次發(fā)球的識別耗時平均為0.25s,文獻(xiàn)[2]方法對每次發(fā)球的識別耗時平均為0.39s,而所提方法對每次發(fā)球的識別耗時平均為0.08s。由此可見,所提方法對網(wǎng)球運(yùn)動員發(fā)球動作識別速度快,識別準(zhǔn)確率系高,充分表明構(gòu)建模型具備較好的識別性能。

三、結(jié)語

由于網(wǎng)球運(yùn)動的不斷發(fā)展,其對發(fā)球訓(xùn)練的科學(xué)性與實效性提出了更高的要求,為提升網(wǎng)球運(yùn)動員發(fā)球動作正確率,本文提出基于貝葉斯算法的網(wǎng)球運(yùn)動員發(fā)球動作識別模型研究。將貝葉斯算法引入到網(wǎng)球運(yùn)動員發(fā)球動作識別中,依據(jù)貝葉斯算法設(shè)計了分類器,極大地提升了模型的識別準(zhǔn)確率與效率,為網(wǎng)球運(yùn)動員訓(xùn)練以及發(fā)球技能提升提供了有效的手段,并為網(wǎng)球運(yùn)動的發(fā)展貢獻(xiàn)自己的一份力量。