屠 鑫
(安徽体育运动职业技术学院,安徽 合肥 230051)
中长跑比赛历史悠久[1-2],也是体育项目中的重要组成。在我国众多运动项目中,田径项目一直处于比较落后的状态,速度、力量、柔韧等身体素质弱是落后的主要因素,故在大多数中长跑项目训练过程中,尤为重视运动员的体能水平训练。但在中长跑训练中经常忽略运动技巧的训练,尤其是在跑步过程中,正确的摆臂动作可以对运动员的身体协调能力与水平速度起到积极作用[3]。但由于长期训练体能的影响,使运动员在实际比赛中无法利用摆臂高度与摆臂技术获得优势,导致中长跑项目水平提高困难。在先天身体素质落后的情况下,研究运动员摆臂高度校准方法具有一定的实际意义。
当前,相关学者已经对中长跑运动员摆臂高度校准方法做出一定成果的研究,如李井元等人提出的图像倾斜识别及校正方法[4],该方法可捕捉运动员摆臂高度节点,但该方法在校准其摆臂追踪轨迹时,容易受周围环境的影响,造成追踪轨迹误差大;又如薛震等人提出的基于图像序列的校准方法[5],该方法输出较为稳定,图像清晰,但对于运动员摆臂的变化规律预测准确度较低。
为解决上述方法中存在的问题,本文设计了一种基于图像识别的中长跑运动员摆臂高度校准方法。图像识别是通过计算机处理图像,对不同类型模式的目标与对象进行技术识别[6]。其可提取及分类经过处理后的图像特征,最终实现对研究目标的识别。
为更好完成运动员摆臂高度校准,需先创建运动员摆臂图像的三维图像信息重组模型,便于后期运动员摆臂运动轨迹图像监测顺利开展。
为获得运动员摆臂图像的像素集强度,需分块搭配运动员摆臂图像,搭配的前提条件是将检测结果与高斯过程及形变模型相组合[7],像素集强度公式是
(1)
(2)
(3)
dft+1(i,j,k)=ρdft(i,j,k)+(1-ρ)dft-1(i,j,k)
(4)
式(4)中,运动员摆臂图像的像素搭配窗口系数用ρ描述,运动员摆臂图像的三维信息重组可通过将ρ与目标边缘分布相组合实现。
依据运动员摆臂图像的三维图像信息重组结果,基于图像轮廓分割原理,获取运动员摆臂运动轨迹图像。通过对运动员手臂图像边缘各部分的切割,得到该边缘内外部的图像密度平均值,依据该值获得摆臂动态图像边缘的能量函数,修改手臂边缘的形状能量项[8],切割运动员摆臂动态图像边缘。详细过程:
(5)
(6)
(7)
(8)
(9)
切割中长跑运动员摆臂动态图像边缘公式为
(10)
通过上述方法实现运动员摆臂运动轨迹。
在运动员摆臂高度轨迹校准中,需要对其摆臂高度轨迹进行追踪。在上述获取的摆臂高度轨迹基础上,进行校准前的追踪。
依据获取的轨迹图形R(τ0), 构建摆臂高度状态观察模型,得到摆臂高度状态概率,且该概率可为任何时间下的概率,获得幅度变化追踪轨迹阈值,校准运动员摆臂高度图像方向优化追踪轨迹。详细过程为
(11)
构建运动员摆臂高度图像方向状态观测模型公式为
(12)
(13)
(14)
根据追踪后的高度图像,在校准前对摆臂高度进行判断,设定判定条件,为后续的校准奠定基础。运动员摆臂高度判定基本步骤为
步骤1:切割图像。切割中长跑运动员摆臂图像指标与背景,可利用均谷加权的阈值切割算法实现[9]。
步骤2:遍历中长跑运动员摆臂图像可利用圆形模板实现。
步骤3:对比模板内的全部点与核心点的近似性公式为
(15)
式(15)中,二维核心点与模板其余点位置分别用τ0与τ描述;不同像素点的亮度值用I(τ)描述。
对比函数的稳定性可通过该函数提高,若要不影响c值,则需像素亮度值小幅波动,且该像素为中长跑运动员摆臂图像里的像素[10-12]。高度的最小对比度用亮度差值的门限值t进行判定,且t是噪声被忽视的最大值,同时收集特征量与t有关,运算t值公式为
(16)
式(16)中,中长跑运动员摆臂图像里最大i个灰度值用Imax描述, 其最小i个灰度值用Imin描述, 用a描述比例系数, 且a-∈[0.2,0.4]。
步骤4:USAN区的中心是不同像素点,这些像素点的像素个数运算公式为
(17)
步骤5,基于上述步骤,得到特征图像的公式为
(18)
式(18)中,响应函数用R描述,中长跑运动员摆臂图像里收集角度量用g描述。实现中长跑运动员摆臂高度判定的前提是精准获取中长跑运动员摆臂图像边缘,并求解相关参数[13]。
运动员摆臂高度判定可依据模式识别非参数法里最重要的最近邻法获得[14]。
假定w1,w2,…,wc的模式判定问题总共有c个类型, 类型总样本数用N描述, 用Ni描述全部类里第i个类型样本量,wi类的判别函数公式为
(19)
依据最近邻法实现中长跑运动员摆臂高度判定的详细步骤:
假定有Nc个中长跑运动员摆臂高度类型,用k1,k2,…,kc描述w1,w2,…,wc类的样本个数,判断函数公式为
gi(x)=ki
(20)
在上述确定中长跑运动员摆臂高度判定条件基础上,实现其校准。
(21)
基于上述过程,实现运动员摆臂高度的校准。
实验对象采用MATLAB 2020环境搭建中长跑运动员摆臂动态图像的仿真平台,以某市体育大学中长跑运动员为实验数据,采用一台高清摄像机拍摄图像,其每个视频帧的分辨率与采集速度分别是1024×720p与38 fs,从侧面采集摆臂动态图像边缘,验证本文方法的有效性。
实验采用文献[5]提出的基于图像序列的校准方法与本文方法对中长跑运动员摆臂动态图像边缘进行分割,验证该两种方法的分割效果,比较结果如图1~3所示。
图1 原图
图2 文献[5]方法摆臂动态图像分割效果
图3 本文方法摆臂动态图像分割效果
由图2可看出,采用文献[5]方法对摆臂动态图像进行分割,容易造成对图像的过渡分割或分割区域不完整,且分割线锯齿较多,分割质量低。
图3可以看出,与文献[5]方法相比,采用本文方法对运动员摆臂动态图像边缘进行分割,可精准定位手臂分割边界,且手臂分割线更加光滑均匀。实验表明,本文方法具有极高的分割精准度,分割质量高。
图4 判定效果
实验选择3种不同信噪比,分别为40、80、120 dB,验证不同信噪比下,对本文方法判定800幅中长跑运动员摆臂高度图像效果的影响,结果如图4所示。
由图4可以看出,在整个800幅中长跑运动员摆臂高度图像中,当信噪比分别为40与120 dB时,其最大判定误差率分别为10%与19%,两者相差9%,虽然本文方法判定中长跑运动员摆臂高度图像的误差随着信噪比的增加呈增长趋势,但增长幅度不超过10%。实验表明,本文方法判定运动员摆臂高度图像的误差受信噪比影响较小,且判定精度高。
采用本文方法对运动员的摆臂高度进行校正,验证本文运动员摆臂高度的校准效果,校准前后摆臂高度图像分别如图5~6所示。
图5 校准前摆臂高度 图6 校准后摆臂高度
由图3与图4中可以看出,校准前的摆臂高度过于低,摆臂高度未达到标准,经本文方法校准后,运动员的摆臂高度相对提升到标准姿势。实验表明,本文方法可有效校准中长跑运动员的摆臂高度,为中长跑教学、训练及比赛等提供科学合理的理论指导。
本文设计了一种基于图像识别的中长跑运动员摆臂高度校准方法。通过对运动员摆臂图像的处理以及轨迹的追踪等,完成了运动员摆臂高度校准。实验表明,本文方法具有较高的分割精准度与质量,随着信噪比的增加,运动员摆臂高度图像的误差率增长缓慢,其受信噪比影响较小,判定精度高,验证了方法对运动员的摆臂高度校准效果较好。本文研究基于图像识别的中长跑运动员摆臂高度校准方法,提高了中长跑运动员摆臂正确性,为中长跑运动项目提供科学有效的理论指导。