健美操难度动作图像手臂弧度轨迹自动定位方法

谢晓冰　徐立彬

摘 要：为了提高健美操难度动作训练的有效性，需要进行健美操难度动作图像的轨迹分析和定位，提出基于边缘轮廓特征检测的健美操难度动作图像手臂弧度轨迹自动定位方法.构建健美操难度动作图像的视觉空间采样模型，采用空间分块区域规划方法进行健美操难度动作图像的手臂弧度动作空间规划，建立健美操难度动作图像的手臂区域定姿模型，通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，实现健美操难度动作图像的手臂弧度轨迹区域自动定位.仿真结果表明，采用该方法进行健美操难度动作图像手臂弧度轨迹定位的精度较高，空间定姿能力较强，在健美操训练指导中具有很好的应用价值.

关键词：健美操;难度动作;图像;手臂弧度;轨迹;自动定位

中图分类号：G831;TP391  文献标识码：A  文章编号：1673-260X（2020）03-0082-04

随着健美操运动的发展，对健美操的运动难度提出了更高的要求，需要构建健美操难度动作图像手臂弧度轨迹规划模型，结合对健美操难度动作图像的智能技能分析结果，进行健美操难度动作图像分析，提高健美操的运动规划能力，相关的健美操难度动作图像手臂弧度轨迹定位方法研究受到人们的极大关注[1].对健美操难度动作图像手臂弧度轨迹定位是建立在对图像的自动处理基础上，采用智能计算机信息处理技术，结合空间视觉特征分析方法，进行健美操难度动作图像手臂弧度轨迹定位，通过模糊信息融合和轨迹自动定位控制，进行健美操难度动作图像手臂弧度轨迹规划[2]，指导健美操难度动作的训练和改进，相关的健美操难度动作图像手臂弧度轨迹自动定位方法研究受到人们的极大关注[3].本文提出基于边缘轮廓特征检测的健美操难度动作图像手臂弧度轨迹自动定位方法.首先构建健美操难度动作图像的视觉空间采样模型，通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，实现健美操难度动作图像的手臂弧度轨迹区域自动定位，最后进行仿真测试分析，得出有效性结论.

1 健美操难度动作图像的视觉空间采样及特征提取

1.1 健美操难度动作图像的视觉空间采样

为了实现健美操难度动作图像手臂弧度轨迹自动定位，需要首先构建健美操难度动作视觉图像三维可视化表面重建模型，结合健美操难度动作视觉特征采样结果，进行健美操难度动作视觉特征分析，通过空间视觉信息规划的方法，进行健美操难度动作视觉特征分析[4]，假设健美操难度动作视觉图像的边缘轮廓长度为L=xmax-xmin，健美操难度动作视觉成像分布空间区域的宽度为W=ymax-ymin，结合模糊边缘区域重构方法，进行健美操难度动作视觉特征分析，建立健美操难度动作的手臂弧度轨迹运动学模型[5]，得到健美操难度动作图像的手臂弧的空间分布像素序列为：

其中，m为轮廓曲线的空间采样延迟，结合模糊信息融合跟踪识别方法，进行手臂弧度的轨迹自动定位.

构建健美操难度动作图像的视觉空间采样模型，采用空间分块区域规划方法进行健美操难度动作图像的手臂弧度动作空间规划[6]，得到健美操难度动作视觉图像的灰度特征解为x（P（An））={X（sj）}，j=1，2，…，N，采用三维可视化表面可视化分析方法，进行动作分类，采用C均值聚类分析的方法，得到健美操难度动作图像的边缘轮廓特征分布集，采用手臂弧度的轨迹自动定位重组方法，进行健美操难度动作的区域特征重组，根据健美操难度动作样本序列进行尺度分解，在尺度系数？滓（n）的约束下，进行健美操难度动作视觉图像的视觉跟踪和分块匹配，健美操难度动作图像的手臂弧度轨迹自动定位输出为：

其中，e和e为健美操难度动作跟踪目标域的分量，模板匹配大小为N1×N2，健美操难度动作视觉图像的标准测试集为：

其中，||sj||表示sj中健美操难度动作图像的相似度，结合模板匹配方法，进行健美操难度动作视觉图像的轨迹跟踪识别，根据规则化的量化特征分析结果，进行健美操难度动作视觉图像的手臂弧度轨迹自动定位[7].

1.2 健美操难度动作图像特征提取

构建健美操难度动作视觉图像的稀疏性特征分割模型，得到健美操难度动作视觉图像的三维结构分布式重组模型，采用向量量化检测的方法，进行健美操难度动作的量化分布重组[8]，得到特征重组值为（x，y）=F（x，y）+（1-？茁）ml，其中F（x，y）为健美操难度动作视觉像素序列在（x，y）点的统计特征量，ml为第k个健美操难度动作视觉图像的空间嵌入维数，设l2为局部方差，？啄？浊2为健美操难度动作图像手臂弧度轨迹特征分布分量，？茁=max[，0].按照（16：4：4）的比例进行健美操难度动作图像手臂弧度轨迹分布式重构，在非均匀量化集中进行健美操难度动作视觉跟踪，得到视觉跟踪的特征匹配值：

其中r和θ为健美操难度动作图像手臂弧度轨迹分布的方位和方差，通过协方差矩阵构造的方法，健美操难度动作图像手臂弧度轨迹跟踪的模板函数为m（x，y）∈{-1，0，1}，对健美操难度动作图像手臂弧度轨迹定位的特征分量为：

其中，r为健美操难度动作图像的抽样阈值，0≤r≤1.当前抽样数据下进行健美操难度动作图像分布式融合，得到均值为0，方差为的健美操难度动作图像特征提取模型，根据特征提取结果进行轨迹自动定位[9].

2 定位算法优化实现

2.1 手臂区域定姿模型

建立健美操难度动作视觉图像的视空间区域融合模型，得到健美操难度动作区域分布的灰度直方图为：

其中，c为健美操难度动作图像像素分布的列数，r为其行数.提取健美操难度动作视觉图像的谱特征量，根據谱特征分布进行健美操难度动作视觉特征的多维重建，健美操难度动作轨迹自动定位的模糊度函数为：

其中，u为健美操难度动作视觉图像的全局阈值分割的关联像素点，？滓为健美操难度动作视觉图像的颜色差异度特征量，在Ag区域内，得到健美操难度动作视觉图像的局部关联帧，重构健美操难度动作视觉图像的边缘轮廓特征分布集，得到健美操难度动作视觉图像相似度特征量，重构图像边缘梯度信息[10]，得到健美操难度动作视觉图像的边缘与区域信息的变分水平集为：

结合空间区域滤波方法进行健美操难度动作视觉图像滤波处理，得到R、G、B分量，建立健美操难度动作视觉分布特征向量为：

其中，Ic（y）为健美操难度动作视觉跟踪的像素集，Ac表示健美操难度动作视觉图像的尺度信息.根据衍射纹理特征点进行健美操难度动作信息融合，得到信息融合矩阵描述为：

采用超像素特征融合方法，得到像素特征点重构输出为：

其中，p（i）为健美操难度动作视觉图像的超像素大数据集分布维数，由此实现手臂区域定姿模型构造.

2.2 手臂弧度轨迹区域自动定位

建立健美操难度动作图像的手臂区域定姿模型，通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，对图像的活动轮廓进行优化分割，将健美操难度动作视觉图像分割成M×N个2×2的子块Gm，n，得到健美操难度动作视觉图像的匹配集为：

充分利用健美操难度动作视觉图像定姿特征，进行图像的边缘区域信息融合[11]，建立健美操难度动作图像手臂弧度的轨迹分布函数描述为：

其中，K=2（k-1）（（K-1）！/）.考虑健美操难度动作特征量进行可视化表面重建，得到手臂弧度轨迹的自动定位输出表示为：

其中，Gnew和Gold分别是健美操难度动作视觉图像的分布向量集，综上分析，通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，实现健美操难度动作图像的手臂弧度轨迹区域自动定位.

3 仿真实验与结果分析

为了验证本文方法在实现健美操难度动作图像手臂弧度轨迹自动定位中的应用性能，结合Visual C++和Matlab进行仿真实验，对健美操难度动作视图像采样数据库来自于健美操动作评价的专家库Corel库，健美操难度动作视觉图像采样的测试样本集规模为800，训练样本集为50，自适应迭代步长120，迭代步数为10000，图像灰度平均值？驻=2.5，边缘像素平均分布集为1.25，健美操动作视觉重建灰度像素值为120×120，根据上述仿真参数结果，进行健美操难度动作图像手臂弧度轨迹自动定位，得到初始的健美操难度动作图像如图1所示.

以图1的健美操难度动作图像为研究对象，进行手臂弧度轨迹自动定位设计，采用空间分块区域规划方法进行健美操难度动作图像的手臂弧度动作空间规划，如图2所示.

通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，实现健美操难度动作图像的手臂弧度轨迹区域自动定位，得到定位输出如图3所示.

分析上述仿真结果得知，本文方法能有效实现健美操难度动作图像手臂弧度轨迹自动定位，测试定位精度，得到对比结果见表1，分析得知，本文方法进行健美操难度动作图像手臂弧度轨迹定位的精度较高.

4 结语

构建健美操难度动作图像手臂弧度轨迹规划模型，结合对健美操难度动作图像的智能技能分析结果，进行健美操难度动作图像分析，提高健美操的运动规划能力，提出基于边缘轮廓特征检测的健美操难度动作图像手臂弧度轨跡自动定位方法.构建健美操难度动作图像的视觉空间采样模型，采用空间分块区域规划方法进行健美操难度动作图像的手臂弧度动作空间规划，建立健美操难度动作图像的手臂区域定姿模型，通过模板自动匹配和小波多尺度分解方法，进行健美操难度动作图像的手臂弧度边缘轮廓检测，实现健美操难度动作图像的手臂弧度轨迹区域自动定位.分析得知，本文方法进行健美操难度动作图像的手臂弧度轨迹区域自动定位的精度较高.

参考文献：

〔1〕江山.基于形体轮廓特征提取的运动动作标志分析[J].科技通报，2015，31（08）：84-86.

〔2〕柏建常.新周期规则变动下集体五人操项目比赛特点分析[D].西安体育学院，2018.

〔3〕李志双.健美操运动员足迹图像快速识别仿真研究[J].计算机仿真，2017，34（03）：221-224+308.

〔4〕蒋虹.关于表象训练对健美操训练效果的影响研究[J].当代体育科技，2017，7（23）：24-25.

〔5〕冯婷.基于图像的健美操动作精度监测研究[J].现代电子技术，2018，41（07）：75-79.

〔6〕杨旭，陈波，李小阳，等.远距离数字离轴全息中基于图像指标优化的相位误差校正方法[J].激光杂志，2017，38（4）：96-100.

〔7〕郑乐乐，韩慧妍，韩燮.基于显著性与弱凸性的三维点云模型分割[J].计算机工程，2018，44（4）：299-304.

〔8〕周雨薇，陈强，孙权森，等.结合暗通道原理和双边滤波的遥感图像增强[J].中国图象图形学报，2014，19（2）：313-321.

〔9〕卞乐，霍冠英，李庆武.基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割[J].计算机应用，2016，36（11）：3188-3195.

〔10〕冯婷.基于图像的健美操动作精度监测研究[J].现代电子技术，2018，41（07）：75-79.

〔11〕郑乐乐，韩慧妍，韩燮.基于显著性与弱凸性的三维点云模型分割[J].计算机工程，2018，44（4）：299-304.