隨著人們對身體健康、生活質量重視度的提升,越來越多的人熱衷于通過各類運動鍛煉身體,比如羽毛球這種老少皆宜的運動。而隨著新時代的發(fā)展,人工智能和機器人逐漸走進人們的生活,其中羽毛球機器人便是一款能與人實時競技的智能機器人。該機器人不僅可以對高速運動的羽毛球進行捕捉和追蹤,還具有高速的運動控制系統(tǒng)可以精準地完成揮拍動作。除此之外,若在其基礎上增加對人體動作的捕捉、識別和分析模塊,便可將其升級為羽毛球教學機器人,解決現(xiàn)如今羽毛球學者眾而名師寡的局面。因此本文的主要研究內(nèi)容是基于羽毛球機器人視覺系統(tǒng),對羽毛球運動員揮拍動作進行捕捉、識別和分析。主要研究工作如下:（1）提出了一種根據(jù)羽毛球飛行方向和位置獲取運動員揮拍動作視頻段的方法。利用羽毛球機器人的視覺系統(tǒng),采集并制作了包含8類常見羽毛球揮拍動作的數(shù)據(jù)集——羽毛球揮拍動作數(shù)據(jù)集（BSMDataset）;（2）改進稠密軌跡算法,使其能更有效的對羽毛球揮拍動作（類內(nèi)動作）進行識別。對稠密軌跡算法進行研究,提出一種能更好表征類內(nèi)動作運動特性的非定長稠密軌跡特征,并運用人體檢測算法檢測出視頻幀中的運動員,通過只提取包含運動員的小范圍內(nèi)的特征點的軌跡的... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

視頻段的運動能量圖和運動歷史圖[20]

電子科技大學碩士學位論文8圖1-2基于部分的層次人體模型[63]近年來，除了前面這些人工提取的特征外，運用深度學習技術來學習視頻中的特征得到了越來越多研究者的注意。最近提出的深度網(wǎng)絡[69-72]在不同的數(shù)據(jù)集中都取得了較好的表現(xiàn)，特別是在大型的數(shù)據(jù)集中，比通過人工提取特征的方式要好很多。在動作識別任務中，主要有三種常用的網(wǎng)絡類型，分別是：時空網(wǎng)絡、多分枝網(wǎng)絡和混合網(wǎng)絡。時空網(wǎng)絡中最典型的是由Tran[69]等人提出的三維卷積神經(jīng)網(wǎng)絡(C3D)。該網(wǎng)絡通過將二維卷積擴展為三維卷積，以此將時間信息加入到學習網(wǎng)絡中。通過該網(wǎng)絡能從視頻中學習到更好的動作特征。但通過該方法訓練特征其包含的視頻段都比較短，比如在[69]只有16幀，這樣就很難得到長時間的動作信息。雖然通過擴展三維卷積的時間長度能在一定程度上解決這以問題，但隨之而來的就是增加了每次卷積的參數(shù)，同時增加了計算量。多分枝網(wǎng)絡將多個卷積網(wǎng)絡運用到同一視頻中，對外觀信息和運動信息進行建模。在[73]中成功的實現(xiàn)了這種方法，但其結果甚至不如[74]中人工提取特征的方法。Simonyan[75]等人提出了一種關于二流假設[76]的網(wǎng)絡結構，能很好的解決[73]中的問題。該結構包含兩個分離的網(wǎng)絡流，一個是空間卷積流，另一個是時間卷積流。其中第一個卷積流從靜態(tài)圖中獲取動作特征，另一個則是基于光流進行識別。這種網(wǎng)絡結構最大的問題是不允許網(wǎng)絡流中間進行交互，而這種交互在學些時空特征時是非常重要的。最后一種網(wǎng)絡則是通過將循環(huán)層添加到卷積層上，得到混合網(wǎng)絡[77,78]。這種類型的網(wǎng)絡同時具有卷積網(wǎng)絡和循環(huán)網(wǎng)絡的優(yōu)點，因此在學習具有空間運動特征、時間序列和長時間依賴關系的動作特征時能得到非常好的效果。綜上所述，深度網(wǎng)絡在人體動作識別的研?

第二章?lián)]拍動作的捕捉11第二章?lián)]拍動作的捕捉為了對羽毛球運動員的揮拍動作進行識別與分析，首先需要捕獲羽毛球運動員揮拍動作視頻段，捕捉過程是指從羽毛球機器人視覺系統(tǒng)獲取的連續(xù)視頻流中獲取運動員揮拍動作視頻段作為后續(xù)動作識別與分析的視頻樣本。本研究是在羽毛球機器人的基礎上進行的，因此本章首先對羽毛球機器人及其視覺系統(tǒng)進行簡單的介紹，然后闡述如何運用該視覺系統(tǒng)對羽毛球運動員揮拍動作進行捕捉，最后講述了羽毛球揮拍動作數(shù)據(jù)集的構建過程及其特點，為后續(xù)的研究做準備。2.1羽毛球機器人羽毛球機器人是一款能與人進行實時競技的智能機器人，其系統(tǒng)照片如圖2-1所示：圖2-1羽毛球機器人該機器人由上位機視覺系統(tǒng)和下位機小車兩部分組成。上位機視覺系統(tǒng)[3](如圖2-2（a）所示)，該系統(tǒng)運用目標檢測和追蹤算法在競技開始時對羽毛球運動軌跡進行檢測，然后運用軌跡預測算法對羽毛球落點進行預測，接著將預測到的落點坐標通過無線通信傳模塊送給下位機小車；下位機小車[4](圖2-2（b）所示)是擊球動作的執(zhí)行部分，當接收到來自上位機的羽毛球落點位置坐標后，運用自身的全場定位系統(tǒng)和伺服控制系統(tǒng)精準的完成

【參考文獻】：
期刊論文
[1]基于HMM的羽球動作實時識別[J]. 雷玉超,業(yè)茜,吳怡菲,吳栩博,李志揚.  計算機與數(shù)字工程. 2019(09)
[2]基于改進ENN算法的多生物特征 融合的身份驗證[J]. 劉紅毅,王蘊紅,譚鐵牛.  自動化學報. 2004(01)

碩士論文
[1]球拍類運動的動作識別與軟件實現(xiàn)[D]. 張一天.大連理工大學 2019



本文編號：3514507