基于视频的篮球球队员行为预测研究

孟祥龙

(西安工程大学 体育部， 西安 710048)

0 引言

当前，在基于视频的运动人体分析领域中，大部分研究成果主要是对运动行为识别的探讨，却并未对运动行为预测进行深入研究。然而，在实际生活过程中，基于视频中人体运动行为预测却比行为识别更具现实价值[1]。比如，在众多人群密集的公共场所中，可利用基于视频的人体运动行为预测技术对监控视频中，可能会出现的犯罪行为进行预测，及时对公安部门发起犯罪行为预测警报，便于公安部门及时采取相应的解决措施。以此，不仅能够减少公安部门花费在安全排查工作方面的人力、物力及财力，还能对突发性的犯罪行为起到有效的预防。在面向体育领域时，一套完善的视频中人体运动行为预测技术能够在相关体育训练时，精准的获取到某些优秀球队的比赛数据，为每位运动员量身定制一个运动行为预测判别器[2]。教练通过判别器就能辨别运动做出的动作与标准动作之间的差异，从而有针对性调整训练力度。在篮球这一体育运动的比赛过程中，运动员全程采取的运动行为有三种，分别为投篮、传球以及运球。篮球比赛是一项具备多人的团体运动，球员之间必须配合默契才能赢得比赛。在篮球比赛过程中，球员在选择相关运动行为时，将会受到队员或是对手等各项因素的影响。因此，篮球运动员行为预测过程具有较高的复杂性，给行为预测数学模型的建立带来了一定的难度[3]。而结合这个特点，我们也可以将篮球行为的预测看成是一个非线性的问题。在解决非线性问题预测中，人工神经网络因其自身具备的自适应、非线性等特性，受到非线性系统建模领域的广泛应用。对此，本文结合人工神经网络的优势，提出一种基于MRAN算法的行为预测方法，并对其实现进行了详细的阐述。

1 RBF径向神经网络预测模型

RBF(径向神经网络)是一种极为高效的前馈式神经网络[4]。相较于其他神经网络，RBF神经网络具有最佳逼近性能以及全局最优特性两大独有优势，并拥有其他神经网络具备的结构简单、训练速度快等基本特征[5]。

1.1 RBF径向神经网络的网络结构

图1 单输出的RBF网络的拓扑图

当网络输入训练样本为Xn时，该网络的实际输出可通过以下公式表达为式(1)。

(1)

当前，在RBF神经网络领域中，具有较多的RBF函数，其中最为常用的有高斯函数、多二次函数、薄板样条函数等[9]。

1.2 RBF神经网络预测过程

RBF神经网络预测过程主要分为以下四大步骤，具体为以下分析：

第一步，数据归一化

数据归一化的目的在于将所有数据转变为[0.1]区间的值，使后续的各项计算更加方便[10]。数据归一化公式为式(2)。

(2)

在公式(2)中，xmax代表实验数据中的最大值；xmin代表实验数据中的最小值；X代表归一化处理后的数据值；

第二步:网络结构设置

RBF网络结构的设置过程中，主要以实际实验需要为基础，对网络中输入输出层神经元数量、网络中滑窗值等参数进行设置。在此方面，本文将利用Matlab 软件工具箱自带的函数进行RBF神经网络建立工作，具体表达公式为式(3)。

net=newrbe(P,I,spread)

(3)

在公式(3)中，P表示输入向量矩阵；I表示训练输出向量；spread表示径向基函数的分布密度值，该值将默认为1.0；

第三步:网络训练及测试

采取Matlab软件对已设置完成的RBF网络进行仿真测试[11]。根据测试过程及测试结果对spread进行调整，以此获取最优的spread值；

第四步:误差分析及评价

对RBF神经网络预测误差进行计算，根据计算结果对该方法的适用性进行评价。

2 篮球运动员投篮行为预测模型构建

当前，RBF神经网络的学习算法被划分为两类，分别为离线学习方式以及在线学习方式。本文将选取在线学习模式对篮球运动员行为进行预测研究。在此方面，出于对某些篮球运动员偷懒行为预测精准与否的考虑。但是，传统的RBF网络中，包括网络层数、权重等的调整，大部分是结合其主观的意愿进行。对此，结合以上的问题，本文在篮球运动员投篮行为预测模型中分别从3方面进行改进：引入新的隐层神经元、网络参数的调整、隐层神经元的删除。具体如以下分析：

(1) 针对每个输入xi，为式(4)。

δi=max{γiδmax,δmin}

(4)

wK+1=ei

(5)

cK+1=xi

(6)

σK+1=kdi

(7)

在以上公式中，k代表重迭因子，作用于决定隐层神经元响应宽度。

(3) 通过以下公式对网络参数进行更新式(8)～式(10)。

vi=vi-1+Kiei

(8)

(9)

(10)

(11)

3 接球球员预测

假设预测器中中显示的输出结果为传球动作，预测器将随之对接球队员人选进行预测。当篮球运动员在进行传球动作时，该队员会在传球之前选取最具接球条件的队友。在选取队友过程中，持球队员不仅要考虑接球队员可能存在的得分优势，还需对传球之间的距离进行考量[13]。持球队员与接球队员之间的距离越小，说明本次传球可能遭到对手破坏的可能性越小，反之则越大。对此，假设在持球队员视野范围内具备k个队友，队友i的接球有利程度为式(12)。

其中w1+w2=1

(12)

在上述公式中，UAPFi代表队友i的人工势能场信息量；w1与w2代表队友i与持球队员c的因素权重。通过该公式可获取到球场中最佳接球条件的队员，并将球传给队友。

4 实验与分析

为了赋予上文提出的篮球球员持球行为预测方法的科学性，本文将对该方法进行实验证明。整个实验过程由两大部分组成，分别为神经网络的训练以及持球队员行为预测。本次实验对象以NBA的7场常规赛的篮球比赛视频，采用两两对比的形式对传统RBFNN预测法与本文提出的改进RBF算法进行实验。具体实验结果,如表1及表2所示。

表1 传统RBFNN预测结果

通过表1与表2显示内容可知，在对篮球运动员投篮、传球以及运球3个行为进行预测时，传统RBFNN预测法平均正确率分别为81.6%、72.1%以及86.1%；而通过本文改进的RBF算法，其平均预测正确率为80%、77.7%以及91.6%。

表2 改进RBF的预测结果

由此，通过以上的结果看出，本文提出的改进算法与传统的算法相比，更更具准确性。得到以上结果的原因，是因为本文引入了在线预测的方法，其可以根据结果进行篮球运动员行为预测数据的更新，进而在计算过程中能够随着篮球比赛的发展而进行调整及变化，具有较强的泛化能力。与此同时，通过对隐层神经元的删除策略，使其网络结构相较于传统算法而言更加简单，具备的隐层神经元个数也相对较小，具有较高的实时性[14]。

但是，在实验过程中，也出现误判的行为。而导致误判情况的主要原因的两点：第一，在篮球比赛进行过程中，持球队员在对行为选择时，将会受到众多偶然因素所影响，比如体力因素、场地因素等，整个行为选择过程具备较高的随机性，从而造成行为预测误判问题；第二，持球队员在选择行为动作过程中，将会受到相关的战术打法以及队友默契程度等因素的限制，从而对预测结果造成影响，出现误判现象。

5 总语

通过以上的分析看出，RBF神经网络在处理非线性问题的预测方面，具有较强的泛化和学习能力，进而通过以上构建，表明本文提出的算法在篮球运动行为预测方面，更具有有优势和准确性，从而为当前篮球的科学化训练，提出了一种新的科学训练方法。