籃球訓(xùn)練中投籃手勢與命中率研究
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了籃球訓(xùn)練中投籃手勢與命中率研究范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要:為了量化分析籃球訓(xùn)練中投籃手勢與命中率相關(guān)性,提出基于視覺圖像特征提取的籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析模型,采用高分辨的視覺信息增強技術(shù)進行籃球訓(xùn)練中投籃手勢動作視覺圖像采集,提取籃球訓(xùn)練中投籃手勢動作的視覺信息特征量,分析各種手勢狀態(tài)下與命中率相關(guān)性關(guān)系,采用三維視覺重構(gòu)技術(shù)進行籃球訓(xùn)練中投籃手勢動作規(guī)劃設(shè)計,構(gòu)建籃球訓(xùn)練中投籃手勢與命中率相關(guān)性關(guān)系模型,結(jié)合圖像信息融合和自適應(yīng)分割處理方法實現(xiàn)籃球訓(xùn)練中投籃手勢與命中率的視覺評估和相關(guān)性分析.仿真結(jié)果表明,采用該方法進行籃球訓(xùn)練,投籃手勢與命中率評估的準備性較高,可靠性較好,提高了籃球訓(xùn)練中投籃命中率.
關(guān)鍵詞:籃球訓(xùn)練;投籃手勢;命中率;相關(guān)性
隨著計算機圖像處理技術(shù)的發(fā)展,采用計算機視覺信息處理技術(shù)進行體育運動訓(xùn)練指導(dǎo)已成為新的技術(shù)手段,提高運動訓(xùn)練的效果.在籃球訓(xùn)練中,投籃的命中率與投籃手勢有相當大的關(guān)系,采用圖像信息處理技術(shù)進行籃球訓(xùn)練中投籃手勢與命中率相關(guān)性建模[1].研究籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析模型,在促進籃球投籃動作的優(yōu)化中具有重要意義.提出基于視覺圖像特征提取的籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析模型,分析各種手勢狀態(tài)下與命中率相關(guān)性關(guān)系,采用三維視覺重構(gòu)技術(shù)進行籃球訓(xùn)練中投籃手勢動作規(guī)劃設(shè)計,實現(xiàn)投籃手勢與命中率的相關(guān)性分析,最后進行實驗測試分析,得出有效性結(jié)論.
1投籃手勢動作視覺圖像采集和預(yù)處理
1.1投籃手勢動作視覺圖像采集
為了分析籃球訓(xùn)練中投籃手勢與命中率相關(guān)性,首先構(gòu)建籃球訓(xùn)練中投籃手勢動作的視覺圖像采集模型,采用多維度的視頻跟蹤采樣方法,結(jié)合點掃描跟蹤技術(shù),進行籃球訓(xùn)練中投籃手勢動作空間的視覺特征采集[2],得到籃球訓(xùn)練中投籃手勢動作空間的三維視覺采樣圖像為s(X,Y),采用關(guān)聯(lián)幀的光束掃描方法,得到籃球訓(xùn)練中投籃手勢動作的多幀圖像位姿分布模式為:其中,assoc(A,V)是機器視覺下籃球訓(xùn)練投籃手勢動作視覺圖像的像素點子集A中的像素交叉點幅值,assoc(B,V)為籃球訓(xùn)練中投籃手勢動作視覺圖像的三維邊緣輪廓特征量,假設(shè)籃球訓(xùn)練中投籃手勢動作視覺圖像的灰度像素集為(i,j),以此為像素中心,根據(jù)拍攝不同位置和朝向的籃球訓(xùn)練中投籃手勢動作與命中率的關(guān)系,結(jié)合圖像融合跟蹤識別方法進行視覺融合,對采集的籃球訓(xùn)練中投籃手勢動作視覺圖進行鏡面反射融合處理[3],得到籃球訓(xùn)練中投籃手勢動作視覺特征匹配的相關(guān)性特征解為:a-aT/2+bmTaT其中,T為投籃周期,bm為籃框與地面之間距離,a為投籃動作抬起時高度,距離將籃球訓(xùn)練中投籃手勢動作視覺圖像的直方圖與參考特征點進行視覺跟蹤匹配,利用模糊跟蹤識別方法,進行籃球訓(xùn)練中投籃手勢動作視覺旋轉(zhuǎn)不變性分析,提取籃球訓(xùn)練中投籃手勢動作視覺圖像的灰度不變矩[4],在像素分布空間內(nèi),計算籃球訓(xùn)練中投籃手勢動作視覺圖像的灰度大小,在4×4子塊的局部區(qū)域內(nèi)建立籃球訓(xùn)練中投籃手勢動作視覺圖像的多層分割模型,描述如下:采用高分辨的視覺信息增強技術(shù)進行籃球訓(xùn)練中投籃手勢動作視覺圖像采集,結(jié)合邊緣輪廓特征檢測方法,構(gòu)建籃球訓(xùn)練中投籃手勢動作視覺分布的相關(guān)性特征匹配函數(shù)f(gi)為:式(4)中,ρj為投籃的空氣阻力,vij為投出的籃球速度,ε為手臂抬起高度,因此籃球訓(xùn)練中投籃手勢動作空間的旋轉(zhuǎn)和平移輸出為:WWiik‖WiWj‖在模糊區(qū)域中,采用手持式數(shù)碼設(shè)備連續(xù)拍攝方法進行圖像采集,得到籃球訓(xùn)練中投籃手勢動作視覺圖像采集輸出為:根據(jù)上述分析,采用高分辨的視覺信息增強技術(shù)進行籃球訓(xùn)練中投籃手勢動作視覺圖像采集,提取籃球訓(xùn)練中投籃手勢動作的視覺信息特征量,提高籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析的準確度[5].
1.2圖像信息增強處理
對籃球訓(xùn)練中投籃手勢動作視覺空間中每一個模板進行網(wǎng)格分割,在m∗n區(qū)域內(nèi)進行投籃手勢與命中率相關(guān)性分析和特征重構(gòu),構(gòu)建籃球訓(xùn)練中投籃手勢動作視覺分析模型,得到籃球訓(xùn)練中投籃手勢動作視覺圖像的區(qū)域特征分布點為:其中,t0表示籃球訓(xùn)練中投籃手勢動作視覺圖像的結(jié)構(gòu)相似度,A為投籃時人與籃框的水平距離,在圖像3∗3鄰域結(jié)構(gòu)進行模板匹配,通過籃球訓(xùn)練中投籃手勢動作視覺圖像的采集結(jié)果進行空間分割[6].假設(shè)輸入的籃球訓(xùn)練中投籃手勢動作視覺圖像模糊區(qū)域梯度模特征其中,t~(x)為圖像幀特征點匹配集,Ac為籃球訓(xùn)練中投籃手勢動作視覺分布的統(tǒng)計特征量,Ic(y)為圖像的位姿r在第i個特征采樣點的邊界值,將特征點加入到重建場景中,實現(xiàn)籃球訓(xùn)練中投籃手勢動作視覺特征量提取和三維重構(gòu)[7],得到籃球訓(xùn)練中投籃手勢動作視覺特征重構(gòu)輸出為ij綜上分析,構(gòu)建籃球訓(xùn)練中投籃手勢動作規(guī)劃的視覺圖像增強模型,籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析模型如圖1所示.
2投籃手勢與命中率相關(guān)性分析優(yōu)化
2.1相關(guān)性特征提取
在采用高分辨的視覺信息增強技術(shù)進行投籃手勢動作視覺圖像采集的基礎(chǔ)上,進行投籃手勢與命中率相關(guān)性分析,有效提取籃球投籃動作特征點視覺圖像的動態(tài)特征,需要傳感器數(shù)據(jù)采集方法,提取籃球投籃動作圖像的邊緣輪廓信息,籃球投籃動作特征點視覺圖像的接收反射場強度Hrc,構(gòu)建籃球投籃動作特征計算機視覺圖像信息采集的約束條件如式(10):∑Ll=1dlwl(10)采用一個4×4子塊分割模型進行投籃手勢動作視覺輪換和特征提取,在投籃手勢動作視覺圖像的三維分布區(qū)域內(nèi),采用分塊特征匹配方法[8],得到籃球訓(xùn)練中投籃手勢的灰度二值化分離結(jié)果為:Vdi(t+分別表示籃球投籃動作特征點分布的強度,籃球投籃動作特征的監(jiān)控輸出為:對籃球投籃動作特征點的紋理結(jié)構(gòu)信息進行突變和平滑區(qū)域區(qū)分,分析各種手勢狀態(tài)下與命中率相關(guān)性關(guān)系,計算公式為:iji()j()其中,pi,j(t)為t時刻籃球訓(xùn)練中投籃手勢動作位移特性,spi,j(t)為籃球訓(xùn)練空間位置的可行性角度集,Δp(t)為標準籃球訓(xùn)練中投籃手勢動作的參照值,zi(t),zj(t)分別為相似度籃球訓(xùn)練中投籃手勢動作特征輸出,由此構(gòu)建投籃手勢與命中率相關(guān)性分析模型,采用圖像信息融合和自適應(yīng)分割處理方法實現(xiàn)籃球訓(xùn)練中的投籃動作特征分析.
2.2投籃手勢與命中率的視覺評估分析
根據(jù)籃球訓(xùn)練中投籃手勢動作視覺圖像的采集環(huán)境的差異性,得到籃球訓(xùn)練中投籃手勢動作視覺位姿偏移量為:其中,Δu為籃球訓(xùn)練中投籃手勢動作圖像幀有局部關(guān)聯(lián)像素點,σ為籃球訓(xùn)練中投籃手勢動作視覺光束平差特征量,在Ag區(qū)域內(nèi),得到籃球訓(xùn)練中投籃手勢動作視覺像素點的局部關(guān)聯(lián)幀,采用多層次多方向的特征融合方法[9],得到籃球訓(xùn)練中投籃手勢動作空間的相似度特征分布為:提取籃球訓(xùn)練中投籃手勢動作視覺特征分布的衍射R、G、B分量,投籃手勢動作與投籃命中率的相關(guān)性視覺三維重構(gòu)的模板匹配值為AR、AG、AB和WR、WG、WB,基于高頻系數(shù)融合方法,得到籃球訓(xùn)練中投籃手勢動作特征模板為m∗n,籃球訓(xùn)練中投籃手勢動作與命中率的相關(guān)性關(guān)系輸出為:Efθ,[(k)]=0,∀θ∈[-π,π],∀k∈Z(21)結(jié)合聯(lián)合稀疏結(jié)構(gòu)特征分解方法,進行籃球訓(xùn)練中投籃手勢動作視覺融合[10],得到投籃手勢與命中率的相關(guān)性分布集為:其中,Z(i)=∑j∈Ωexp(-d(i,j)h2)為籃球訓(xùn)練中投籃手勢的變化梯度特征,定義籃球訓(xùn)練中投籃手勢動作視覺圖像的梯度模特征,采用梯度模特征融合方法,進行圖像信息融合和自適應(yīng)分割處理,結(jié)合圖像信息融合和自適應(yīng)分割處理方法實現(xiàn)籃球訓(xùn)練中投籃手勢與命中率的視覺評估和相關(guān)性分析.
3仿真實驗與結(jié)果分析
為了測試該方法在實現(xiàn)投籃手勢與命中率相關(guān)性分析中的應(yīng)用性能,進行仿真實驗,實驗采用Matlab進行算法設(shè)計,投籃手勢動作視覺特征采樣的分辨率為600×800像素,投籃手勢動作視覺圖像像素序列分布共有1200幀,局部關(guān)聯(lián)幀為600,模板匹配系數(shù)為0.3,根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定,進行籃球訓(xùn)練中投籃手勢與命中率相關(guān)性分析仿真,得到籃球投籃手勢動作圖像的像素特征量圖像如圖2所示.以圖2的圖像為輸入,分析各種手勢狀態(tài)下與命中率相關(guān)性關(guān)系,采用三維視覺重構(gòu)技術(shù)進行籃球訓(xùn)練中投籃手勢動作規(guī)劃和特征提取,得到籃球投籃手勢與命中率的相關(guān)性關(guān)系分布特征提取結(jié)果如圖3所示.分析圖3得知,采用該模型進行投籃手勢與命中率相關(guān)性分析,對視覺信息的融合度較高,測試命中率的評估結(jié)果,如圖4所示.分析圖4得知,采用該方法進行籃球訓(xùn)練中投籃手勢與命中率評估結(jié)果的準確性較高,可靠性較好,提高了籃球訓(xùn)練中投籃命中率.
4結(jié)語
在籃球訓(xùn)練中,投籃的命中率與投籃手勢有相當大的關(guān)系,分析籃球訓(xùn)練中投籃手勢與命中率相關(guān)性,采用圖像信息處理技術(shù)進行投籃手勢與命中率相關(guān)性建模,提出基于視覺圖像特征提取的投籃手勢與命中率相關(guān)性分析模型,進行投籃手勢動作視覺圖像采集,提取投籃手勢動作的視覺信息特征量,構(gòu)建投籃手勢與命中率相關(guān)性關(guān)系模型,結(jié)合圖像信息融合和自適應(yīng)分割處理方法實現(xiàn)籃球訓(xùn)練中投籃手勢與命中率的視覺評估和相關(guān)性分析.研究得知,采用該方法進行投籃手勢與命中率評估結(jié)果。
作者:武正旺 單位:晉中職業(yè)技術(shù)學(xué)院
