一種基于圖像處理的球類發球行為評定方法與流程
本發明屬于圖像處理領域，尤其涉及一種基于圖像處理的球類發球行為評定方法。
背景技術：
基于視頻的人體運動分析是計算機視覺領域的一個重要研究方向，它是從視頻序列中檢測出運動物體，提取出人體關鍵部位，獲得人體運動的有用信息，實現對人體動作、姿態等的進一步分析和識別。
傳統的網球發球訓練模式已經根深蒂固的存在于現在的訓練之中。對于運動員來說，要想熟練地掌握技術動作要領就必須根據教練員的指導意見進行長時間的，反復的練習。長時間的采用以經驗為主的訓練方法，單憑借教練員對運動員技術動作進行指導和監督，具有主觀性，這種情況嚴重制約了網球水平的提高。
為了提高培訓效果，也有研究者提出了一些發球訓練裝置，例如公開號為cn203469419u的專利文獻公開了羽毛球發球訓練系統，涉及一種羽毛球訓練系統。是為了適應羽毛球發球機動性、準確性的智能訓練的需求。陣列式指示燈分布在羽毛球球場的一側，陣列式指示燈的控制信號輸入端與控制電路的控制信號輸出端連接；紅外信號接收電路的紅外信號輸出端與控制電路的紅外信號輸入端連接；紅外信號接收電路用于接收紅外信號發射電路發射的紅外信號；陣列式按鍵的按鍵信號輸出端與紅外信號發射電路的按鍵信號輸入端連接；攝像機用于采集發球落點的圖像；攝像機的圖像信號輸出端與控制電路的圖像信號輸入端連接；控制電路的控制信號輸出端與攝像機的控制信號輸入端連接。該發明適用于羽毛球發球訓練過程中。
但是上述的發球訓練機構存在結構復雜、使用不便以及測試不準確等問題，是因此，針對該問題，提出一種基于圖像處理的網球發球行為評定方法，實現網球訓練的客觀、有效的指導十分必要。
技術實現要素：
本發明提供了一種基于圖像處理的球類發球行為評定系統，通過圖像處理技術來研究球類中的平擊發球技術，能提高球類訓練效率，輔助球類訓練。
一種基于圖像處理的球類發球行為評定方法，包括以下步驟：
步驟1：對發球手臂的關節點進行顏色標記，采集球類發球圖像；
步驟2：由步驟1采集的球類發球圖像構造字典，重構出無干擾的發球圖；
步驟3：針對步驟2獲得的發球圖，進行運動前景提取；
步驟4：針對步驟3操作后的運動前景提取出標記點，并進行標記點輪廓查找，用最小圓包圍輪廓，返回圓心坐標作為關節點坐標；
步驟5：通過步驟1～4提取的關節點坐標數據進行訓練，實現對發球軌跡的分類，評定出球類發球是成功發球還是失敗發球，建立評定系統；
步驟6：通過步驟1～4的方法采集待測的發球坐標，輸入步驟(5)得到的評定系統進行評定。
球類可以是網球、羽毛球或者排球等。
優選的，步驟1中，對發球手臂的關節點進行顏色標記。對每個運動員的發球手臂上關節點進行人為標記，能在提取目標點時更明確目標點的顏色特征，從而能依據目標點顏色特征更好的將不同顏色的干擾去除，且咨詢過專業運動員后，確定標記點的存在對球類發球技術動作沒有實質性的影響，采集球類發球圖像的具體步驟如下：
1-1選擇紅色作為關節點的標記顏色，在揮拍臂上標記三個點a、b和c，a代表手腕靠近球拍部分的標記點，b代表手肘部的標記點，c代表發球手臂靠近肩部的標記點；
1-2將高速攝像機放在實驗對象右側，距離發球點4m～6m，高度為1.0m～1.6m處采集球類發球圖像。
優選的，步驟2中，由步驟1采集的一系列含有噪聲的球類發球圖構造字典，依據稀疏表示重構出無干擾的發球圖。依據稀疏表示重構的方法去噪能有效實現去噪的同時保留待檢測目標的邊緣信息，雖然稀疏表示重構過程中字典的重建比較耗時，但依據稀疏表示理論可知一張圖像訓練出的字典能表征同類其他圖像，考慮到發球動作的快速性，為了使訓練出的字典更具代表性，可選擇截取一次發球運動中的n(30≥n≥10)幀圖片訓練發球動作的字典，之后可以把字典應用于整個視頻流中，通過稀疏表示重建去噪，而不需要重復訓練字典，解決了稀疏表示重構去噪實時性差的問題。具體步驟如下：
2-1初始化：使x＝y、初始字典d由dct生成；
上述x表示待求解的去除噪聲后的圖像，將其初始值設為y，y為被噪聲污染的圖像，x、y的大小為n×n×3(3表示彩色圖像的三原色即紅色、綠色、藍色子矩陣對應的維數，x、y均為彩色圖像)，將y分成m個圖像子塊
子圖像塊zj的去噪圖像塊估計模型如式(1)所示：
式中μj為控制稀疏度與重建誤差的權重。
對式(1)稍作修改得到整幅圖像的去噪圖像估計模型如式(2)所示：
式(2)中x為恢復出的干凈圖像(即去噪后的圖像)，其子塊xij＝rijx，rij∈rn×n是在第(i,j)個圖像塊中提取的矩陣。第一項約束其恢復干凈圖與噪聲圖之間的相似度，第二項為稀疏度先驗約束，第三項為子塊重建誤差約束。
2-2固定字典d，化公式(2)為公式(3)，求解每個子塊的編碼系數：
2-3固定步驟2-2求解的系數αij，將式(2)化為式(4)，求解字典d：
利用k-svd算法求解字典d：先尋找d中原子dl(l＝1,..,k)對應系數αij非零元素下標集合ωl＝{(i,j)|αij(l)≠0}，然后計算下標集合ωl中每個下標的殘差，如式(5)：
由殘差集合
2-4依據公式(6)恢復干凈圖像x：
優選的，步驟3中，采用混合高斯背景建模進行運動前景提取。混合高斯背景建模是建立在像素樣本統計信息的基礎上的一種背景描述方法，它使用像素點的概率密度等統計信息(如：各模式的期望和標準差、模式的數量等)在相當長的一段時間內的樣本值來表示背景。然后，通過統計差分法(如3σ原則，σ為標準差)來確定目標像素，因此依據混合高斯背景建模提取前景的方法不依賴于物體的運動速度，能適應快速運動物體的提取，很適合快速球類發球動作的提取。
優選的，步驟4中，針對步驟3操作后的發球圖提取出標記點，并進行標記點輪廓查找，用最小圓包圍輪廓，返回圓心坐標作為關節點坐標。標記點是人為選擇的，顏色已知，利用顏色信息將標記點提取出來，能進一步消除圖像噪聲，而用標記點輪廓構成的最小圓的圓心來作為關節點坐標能更準確的表征標記點位置，因為圓心是由位于圓上的若干個輪廓點一起確定的，更具有排他性，最小圓能保證進行圓心提取的輪廓點更可能處于標記點上。具體步驟如下：
4-1遍歷步驟3獲得的前景圖像中的每一個像素點的rgb值，對于滿足標記點顏色范圍內的予以保留，獲得二值化圖像f；
4-2對二值圖像f進行輪廓查找獲得輪廓圖像f1；
4-3對圖像f1通過hough變換獲得分別包含步驟1-1中給出的a、b、c三個標記的輪廓點的半徑最小的三個圓，這三個圓的圓心即為所需要的標記點。
優選的，步驟4-1中，遍歷步驟3獲得的前景圖像中的每一個像素點的rgb值，對于滿足標記點顏色范圍內的予以保留。依據已知的標記點顏色信息，遍歷整幅圖像能將步驟3處理后遺留的噪聲進一步去除干凈。獲得二值化圖像f的具體步驟如下：
4-1-1對前景圖像中所有像素點的三原色像素值進行計算：i＝2r-g-b，并將計算獲得的值i存為一個新的矩陣z，即新的圖像z；
4-1-2計算矩陣z中所有i的平均值記為a；
4-1-3矩陣i中所有大于a的像素值置為255，所有小于等于a的像素值置為0，獲得二值化圖像f。
優選的，步驟5中，對步驟4提取的關節點坐標進行訓練，實現對發球軌跡的分類，評定出球類發球是成功發球還是失敗發球。發球軌跡表征了手臂的運動軌跡，能表征發球姿勢是否正確，所以可按發球軌跡判定是成功發球還是失敗發球。具體步驟為：
5-1分別順序存儲發球視頻a、b、c三個標記在各幀圖像中的標記點的x、y坐標，存儲的坐標即為標記點的運行軌跡；
5-2通過步驟1到步驟4獲得n+m(n≥150，m≥50)組運動軌跡，其中發球成功軌跡ni+mi組，發球失敗運動軌跡nj+mj組，ni+nj＝n，ni＞nj，mi+mj＝m，mi＞mj；
5-3利用步驟5-2的n組數據對支持向量機進行訓練，然后用步驟5-2的m組數據進行測試，如果發球成功標記為1，發球失敗標記為-1，完成發球軌跡分類。
通過稀疏表示算法和混合高斯背景建模方法的應用，能有效克服球類發球圖像中不同顏色噪聲的影響，有效提高目標檢測準確度。
本發明的有益效果：
本發明方法實現網球運動員發球時的技術動作分析，幫助教練員和運動員發現不規范的動作或是錯誤動作，提高體育訓練效率，改進運動技術，從而達到輔助訓練的目的。
附圖說明
圖1為本發明方法的流程線框圖。
圖2為發球手臂標記點的圖像。
圖3為用于演示處理效果的視頻幀圖像。
圖4為稀疏去噪圖。
圖5的a～c為混合高斯背景建模進行運動的三張前景提取圖。
圖6的a和b為對運動前景圖進行處理后獲得的標記點的二值圖和輪廓圖。
具體實施方式
如圖1所示，本實施例的基于圖像處理的網球發球行為評定系統的建立方法，包括以下步驟：
步驟1：對發球手臂的關節點進行顏色標記，通過高速攝像機采集網球發球視頻，具體如下：
對運動員發球手臂上的關節點用紅色進行標記，如圖2所示，a點代表手腕靠近球拍部分的標記點，b點代表手肘部的標記點，c點代表發球手臂靠近肩部的標記點。將ioindustries公司的flare2m360ccl高速攝像機放在實驗對象右側，距離發球點4m～6m，高度為1.0m～1.6m處采集發球視頻。
步驟2：由采集的一系列含有噪聲的網球發球圖構造字典，依據稀疏表示重構出無干擾的發球圖；選取采集的網球發球視頻中的一幀(為采集的選定組網球發球視頻序列的第187幀)圖像作為處理過程演示圖，選取的幀圖像如圖3所示。采用稀疏去噪后得到處理結果圖，如圖4所示。
由采集的一系列含有噪聲的網球發球圖構造字典，依據稀疏表示重構出無干擾的發球圖的具體操作如下：
2-1初始化：使x＝y、初始字典d由dct生成；
上述x表示待求解的去除噪聲后的圖像，將其初始值設為y，y為被噪聲污染的圖像，x、y的大小為n×n×3(3表示彩色圖像的三原色即紅色、綠色、藍色子矩陣對應的維數，x、y均為彩色圖像)，將y分成m個圖像子塊
子圖像塊zj的去噪圖像塊估計模型如式(1)所示：
式中μj為控制稀疏度與重建誤差的權重。
對式(1)稍作修改得到整幅圖像的去噪圖像估計模型如式(2)所示：
式(2)中x為恢復出的干凈圖像(即去噪后的圖像)，其子塊xij＝rijx，rij∈rn×n是在第(i,j)個圖像塊中提取的矩陣。第一項約束其恢復干凈圖與噪聲圖之間的相似度，第二項為稀疏度先驗約束，第三項為子塊重建誤差約束。
2-2固定字典d，化公式(2)為公式(3)，求解每個子塊的編碼系數：
2-3固定步驟2-2求解的系數αij，將式(2)化為式(4)，求解字典d：
利用k-svd算法求解字典d：先尋找d中原子dl(l＝1,..,k)對應系數αij非零元素下標集合ωl＝{(i,j)|αij(l)≠0}，然后計算下標集合ωl中每個下標的殘差，如式(5)：
由殘差集合
2-4依據公式(6)恢復干凈圖像x：
步驟3：針對步驟2獲得的發球圖，采用混合高斯背景建模進行運動前景提取，提取后的運動前景圖如圖5所示。
圖5的a、b和c分別為選定組網球發球視頻圖像的第5幀、第201幀、第575幀的處理效果。
步驟4：通過顏色特征提取出二值化的標記點，并進行標記點輪廓查找，用最小圓包圍輪廓，返回圓心坐標作為關節點坐標，具體操作如下：
4-1遍歷步驟3獲得的前景圖像中的每一個像素點的rgb值，對于滿足標記點顏色范圍內的予以保留，獲得二值化圖像f；
4-1-1對前景圖像中所有像素點的三原色像素值進行計算：i＝2r-g-b，并將計算獲得的值i存為一個新的矩陣z，即新的圖像z；
4-1-2計算矩陣z中所有i的平均值記為a；
4-1-3矩陣i中所有大于a的像素值置為255，所有小于等于a的像素值置為0，獲得二值化圖像f；
4-2對二值圖像f進行輪廓查找獲得輪廓圖像f1；
4-3對圖像f1通過hough變換獲得分別包含a、b、c三個標記的輪廓點的半徑最小的三個圓，這三個圓的圓心即為所需要的標記點。
獲得的二值圖及輪廓圖如圖6的a和b所示。
步驟5：采用支持向量機對提取的關節點坐標進行訓練，實現對發球軌跡的分類，評定出網球發球是成功發球還是失敗發球，具體如下：
5-1分別順序存儲發球視頻a、b、c三個標記在各幀圖像中的標記點的x、y坐標，存儲的坐標即為標記點的運行軌跡；
5-2通過步驟1到步驟4獲得n+m(n≥150，m≥50)組運動軌跡，其中發球成功軌跡ni+mi組，發球失敗運動軌跡nj+mj組，ni+nj＝n，ni＞nj，mi+mj＝m，mi＞mj；
5-3利用步驟5-2的n組數據對支持向量機進行訓練，然后用步驟5-2的m組數據進行測試，如果發球成功標記為1，發球失敗標記為-1，完成發球軌跡分類。
- 還沒有人留言評論。精彩留言會獲得點贊！