【技术实现步骤摘要】
本专利技术涉及动作识别，特别是涉及一种羽毛球挥拍动作识别与三维轨迹重建方法及系统。
技术介绍
1、随着体育科技的不断进步，越来越多的运动领域开始采用高科技手段来提升训练效率和效果。羽毛球作为一项全球广受欢迎的运动，同样需要更精细、更高效的训练手段以满足运动员的需求。传统的羽毛球训练方法主要依赖于教练的经验和观察，这种方式存在训练效果难以量化、技术盲区难以发现的问题。
技术实现思路
1、本专利技术目的是针对
技术介绍
中存在的问题，提出一种羽毛球挥拍动作识别与三维轨迹重建方法及系统，为运动员提供实时、有效的技术反馈，进而提高训练效率和竞技水平，同时协助教练员更直观地了解技术状态，以提高训练效率和竞技水平。
2、本专利技术的技术方案，一种羽毛球挥拍动作识别与三维轨迹重建方法，包括以下具体步骤：
3、s1、通过九轴传感器，捕捉运动员在训练或比赛中的挥拍动作数据，包括加速度(ax,ay,az)，角速度(gx,gy,gz)和磁感应强度(mx,my,mz)；
4、s2、将九轴传感器捕获的动作数据传输至数据处理中心，并对其进行预处理；
5、s3、基于真实的训练数据，利用时间窗口分割法对连续的动作数据进行分割，实现挥拍动作模型训练；
6、s4、将实时采集传感器数据，通过已在数据库中训练完成的神经网络模型进行挥拍动作的识别；
7、s5、基于动作识别结果，利用传感器数据进行数据融合与姿态估计，实现运动过程中羽毛球拍轨迹的三维重构。p>
8、s1中的九轴传感器包括加速度计、陀螺仪和磁力计。
9、s2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
10、s3还包括以下步骤：
11、s31、为了准确地分割出击球动作的数据，在采集真实的训练数据基础上，采用基于图像视频和九轴传感器相结合的方式，由九轴传感器记录动作数据，由视频确定击球动作发生的时刻。在羽毛球比赛中，球员的击球力量足够大，击球的声音在视频中能清晰地捕捉到，因此采用音视频相结合的方式，从视频中定位动作序列。具体来说，在视频帧中捕捉声音出现的时间点，并把此点命名为击点。以击点为终点，往前追溯一个时间窗口w，每个羽毛球的挥拍动作一般为0.8s，以100hz的采样频率为例，惯性传感器采集的数据窗口为80组数据，落入动作窗口的传感器数据才作为动作数据。在此过程中，尽可能地删去不包含主要特征或被视为无用的动作片段，确保每个片段都包含足够的信息进行后续的识别和分析。
12、s32、挥拍动作特征提取；
13、根据分割后的动作数据，通过均值、方差、最大波动、合成值等计算出第i时刻代表每个挥拍动作的特征数据；具体计算公式包括：
14、第i时刻的合成加速度：
15、合成角速度：
16、特征值1：加速度强度：
17、特征值2：加速度方差：
18、特征值3：加速度偏度：
19、特征值4：加速度峰峰值：app(acc)＝max(a)-min(a)
20、特征值5：加速度峰度：
21、特征值6：角速度强度：
22、特征值7：角速度方差：
23、特征值8：角速度偏度：
24、特征值9：角速度峰峰值：app(gyro)＝max(g)-min(g)
25、特征值10：角速度峰度：
26、进一步利用主成分分析法(pca)，对特征数据进行处理，从中提取出对挥拍动作识别和分析影响较大的主要特征数据，包括加速度强度、加速度方差、角速度强度；具体步骤如下：
27、s321、将计算出的特征值合成新的特征矩阵x；
28、s322、通过xtx计算得到协方差矩阵cov；
29、s323、求解cov的特征值和特征向量，即特征分解；
30、s324、将特征值按从大到小排列，选出最大的m个特征值，并将对应的特征向量作为列向量排列得到w；
31、s325、通过xw＝y，得到降维后的新的特征矩阵；
32、其中，m的取值可设定一个门限γ，γ∈(0,1]；将特征值从大到小排列为λ1≥λ2≥…≥λn，则m由下式给出：
33、
34、s33、根据提取的特征数据以及通过视频采集的动作数据，对bp-神经网络模型进行训练，得到模型参数并存储到服务软件的数据库中。
35、s4中的挥拍动作可以包括高远、杀球、平抽、平档、挑球、搓球的击球动作。
36、s4包括以下具体步骤：
37、s41、实时数据采集。用户在训练或比赛中，实时地采集传感器数据，包括加速度、角速度和磁场数据，这些数据反映了挥拍动作的实际过程。
38、s42、挥拍动作识别。通过已训练好的神经网络模型，系统将实时采集的数据输入到模型中进行识别。模型将分析数据并确定当前挥拍动作的类型，例如高远、杀球、平抽等。这个识别过程是实时的，能够即时反映用户的动作。
39、s43、识别结果输出显示。将识别和分析结果展示给运动员和教练，以供其进行训练和技术调整。
40、s44、识别结果修正和优化。考虑到用户个体动作的差异性，系统会在识别过程中检测识别结果是否存在偏差。如果发现识别结果存在偏差，系统将允许用户将这些修正后的数据传回模型，以进行参数训练和优化。这个反馈机制允许系统逐渐适应不同用户的动作特点，提高识别的准确性和个性化程度。
41、s5包括以下具体步骤：
42、s51、传感器数据融合与准确性保证。系统使用九轴传感器获取的数据，并利用传感器数据融合技术，如卡尔曼滤波，以确保数据的连贯性和准确性。这一步骤还有助于减少各种环境因素，如磁场干扰以及传感器本身的误差，对数据的不良影响。
43、s52、实时姿态估计。系统通过四元数算法或欧拉角方法，基于加速度计、陀螺仪和磁力计的数据，实时计算出羽毛球拍的姿态，包括其在空间中的方向和位置。这些姿态信息将在后续的轨迹重建中发挥关键作用。
44、s53、实时运动数据预处理。传感器数据经过实时运动数据预处理，包括动作起始点提取、四元数坐标变换、方向修正、步长检测等步骤，以准备进行轨迹重建。
45、s54、实时定位与轨迹重建。在实时定位阶段，系统将处理过的传感器数据用于轨迹重建。这一过程包括实时定位和羽毛球拍轨迹的三维重建。
46、s55、动态模拟与渲染。采用专业的三维建模软件，如blender或maya，系统根据传感器数据建立羽毛球拍的三维模型。这个模型会实时根据姿态估计的结果进行更新，从而形成具有动态特性的挥拍动作模拟。利用三维建模软件的内置渲染引擎，进行羽毛球拍运动轨迹的动态模拟和高质量的动画渲染，以得到具有真实感的挥拍动画。
47、s56、交互与分析。通过交互式的分析工具，如unity 3d或unreal engine，可以对三维的本文档来自技高网...
【技术保护点】
1.一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S1中的九轴传感器包括加速度计、陀螺仪和磁力计。
3.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
4.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S3还包括以下步骤：
5.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S4中的挥拍动作可以包括高远、杀球、平抽、平档、挑球、搓球的击球动作。
6.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S4包括以下具体步骤：
7.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，S5包括以下具体步骤：
8.一种羽毛球挥拍动作识别与三维轨迹重建系统，其特征在于，包括：
【技术特征摘要】
1.一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，s1中的九轴传感器包括加速度计、陀螺仪和磁力计。
3.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，s2中对数据进行的预处理步骤包括数据滤波、去噪、时间同步和校正。
4.根据权利要求1所述的一种羽毛球挥拍动作识别与三维轨迹重建方法，其特征在于，s3还包括以...
【专利技术属性】
技术研发人员：丁振平，崔艳军，胡冰新，
申请(专利权)人：江苏运动健康研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。