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(jìn)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(jìn)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(jìn)行籃球訓(xùn)練,投籃手勢與命中率評估的準(zhǔn)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(jìn)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(dāng)大的關(guān)系,采用圖像信息處理技術(shù)進(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)行視覺跟蹤匹配,利用模糊跟蹤識別方法,進(jìn)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(jìn)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(jìn)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(jìn)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(zhǔn)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(jìn)行網(wǎng)格分割,在m∗n區(qū)域內(nèi)進(jìn)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(jìn)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(jìn)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(jìn)行投籃手勢動作視覺圖像采集的基礎(chǔ)上,進(jìn)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(jìn)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(jìn)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(biāo)準(zhǔn)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(jìn)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(jìn)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(jìn)行仿真實驗,實驗采用Matlab進(jìn)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(jìn)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(jìn)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(jìn)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(jìn)行籃球訓(xùn)練中投籃手勢與命中率評估結(jié)果的準(zhǔn)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(dāng)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(jìn)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(jìn)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(jìn)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