羽毛球动作识别方法、羽毛球动作识别装置、存储介质与流程

1.本发明涉及运动数据识别的技术领域，尤其涉及一种羽毛球动作识别方法。


背景技术：

2.目前，现有技术中对于羽毛球的动作识别主要分为以下两种形式。
3.第一种形式是基于图像视频识别技术，利用rgb相机或者深度相机，记录运动过程。这种技术在数据采集和数据处理过程中，都需要成本较高的硬件设备，而且，对运动环境也有较高要求。
4.第二种形式是基于惯性传感器技术，使用惯性传感器具有响应速度快、成本低、受环境影响小等优势。但是在实际的羽毛球运动中，存在运动者(用户)各自的挥拍习惯，以及技术水平等差异，使得不同的动作也会有类似的数据特征、运动曲线，导致基于惯性传感器的识别技术有识别率不高、延时长等问题，最终导致用户的使用体验差。
5.因此，如何提供一种识别精确且快速的羽毛球动作识别方法是业界亟待解决的技术问题。


技术实现要素：

6.为了解决现有技术中基于惯性传感器导致羽毛球动作识别慢、精度不高的技术问题，本发明提出了羽毛球动作识别方法、羽毛球动作识别装置、存储介质。
7.本发明提出的基于惯性传感器的羽毛球动作识别方法，包括：
8.实时获取惯性传感器采集的运动数据，并进行预处理；
9.基于所述运动数据对挥拍进行检测；
10.若判定用户挥拍时，获取挥拍对应的当前动作的完整运动数据；
11.对所述完整运动数据进行匹配，将所述完整运动数据对应的当前动作进行模糊动作分类；
12.再对所述完整运动数据进行分析，将所述完整运动数据对应的当前动作进行精确动作分类。
13.进一步，基于预置的动作模型，对所述完整运动数据进行匹配，将所述完整运动数据对应的当前动作进行模糊动作分类。
14.进一步，对所述完整运动数据的加速度向量以及角速度向量，将所述完整运动数据对应的当前动作进行精确动作分类。
15.进一步，采用加速度向量的模值与预设的阈值来进行对比，若加速度向量的模组大于等于所述阈值则判定用户挥拍。
16.本发明提出的羽毛球动作识别装置，包括惯性传感器以及控制器，所述控制器采用上述技术方案所述的基于惯性传感器的羽毛球动作识别方法对用户动作进行识别。
17.本发明提出的计算机可读存储介质，用于存储计算机程序，所述计算机程序运行时执行上述技术方案所述的基于惯性传感器的羽毛球动作识别方法。
18.本发明通过将羽毛球动作进行两次分类，第一次先划分为大类，使得羽毛球动作的识别可以快速被缩小待识别的范围，接着再对羽毛动作进行精确识别，既提高了识别精度，同时还提高了响应速度。
附图说明
19.下面结合实施例和附图对本发明进行详细说明，其中：
20.图1是本发明一实施例的整体流程图。
21.图2是本发明一实施例的模糊划分的区域划分示意图。
具体实施方式
22.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
23.由此，本说明书中所指出的一个特征将用于说明本发明的一个实施方式的其中一个特征，而不是暗示本发明的每个实施方式必须具有所说明的特征。此外，应当注意的是本说明书描述了许多特征。尽管某些特征可以组合在一起以示出可能的系统设计，但是这些特征也可用于其他的未明确说明的组合。由此，除非另有说明，所说明的组合并非旨在限制。
24.为了对本发明的技术方案进行详细的说明，先介绍羽毛球的动作及其分类。
25.第一大类：以击球点在击球身体位置的方向分类，可以分为以下几类。
26.1、正拍：用掌心一边的拍面击球称为正拍。
27.2、反拍：用手背一边的拍面击球称为反拍。
28.3、头顶球：击球者用正拍拍面击打反手区的上手球，称为头顶球。
29.4、上手球：击球点在击球者肩部以上。
30.5、下手球：击球点在击球者肩部以下。
31.第二大类：以球的飞行弧线分类，可以分为以下几类。
32.1、高球：从场地一边后场，以高弧球度击到对方后场。
33.2、平高球：从场地一边后场，以较低弧度(不让对方在半途拦截到)击到对方后场。
34.3、平射球：从场地一边后场，以较平的弧度击到对方后场。
35.4.、吊球：从场地一边后场，把球以向下飞行的弧线击到对方近网区。
36.5、杀球：从场地一边的中，后场使球快速向下直线飞行到对方场区。
37.6、平抽挡：击球点在击球员身体的两侧或近身，挥拍动作较大的称为抽球，挥拍动作小的叫挡球，使球以与地面平行向下飞行的弧线击到对方后场区。
38.7、挑高球：把球从前场或中场在低干球网处，向上以较高的弧度击到对方后场。
39.8、推球：在靠近网的三分之一上部，使球以低平的弧线击到对方后场区。
40.9、放网前球：使球从本方网前击到对方近网区。
41.(1)搓球：用拍面切击球托，使球带有旋转和翻滚飞行过网称作搓球。
42.(2)勾球：在网前使球以对角球路线击到对方网前。
43.10、扑球：在近网高处把球以快速直线向下击到对方场区。
44.综合以上的名称，可以用两个或三个名称组合来表示某一击球在场上的位置和击出球的形式，如正手杀球、正手杀球、头顶吊球、反手扑球、正手推对角、正手平抽等等，这些就是羽毛球动作。
45.如图1所示，本发明提出的基于惯性传感器的羽毛球动作识别方法，实时获取惯性传感器采集的运动数据，并进行预处理。惯性传感器采集的运动数据包括通过加速度传感器采集的x、y、z轴方向上的加速度ax、ay、az，通过角速度传感器采集的数据。在一个实施例中，本发明采用的惯性传感器具体为imu惯性传感器，例如6轴imu惯性传感器，或者是9轴惯性传感器等。
46.预处理过程中，通常是对实时获取到的运动数据进行平滑滤波处理和加窗分割处理。
47.平滑滤波处理由低通滤波器来完成，可以去除由于数据抖动而造成的高频噪点。对运动数据进行加窗分割处理，加窗分割处理这个动作发生在预处理阶段，但是会一直持续，通过加窗分割处理可以减少连续动作时，数据之间的相互干扰，影响检测结果。加窗分割处理具体可以采用一个限定长度的缓冲数据块来实现，实时的运动数据采集到以后，就放到该限定长度的缓冲数据块中。
48.接着对预处理后的运动数据进行挥拍点的检测，每当找到一个挥拍点时，获取挥拍点对应的当前动作的完整运动数据。
49.在一个实施例中，获取挥拍点对应的当前动作的完整运动数据具体为通过加窗分割处理获取挥拍点前对应预设长度的运动数据，以及获取挥拍点后对应预设长度的运动数据组合形成当前运动的完整运动数据。也就是说，一旦找到一个挥拍点，那么就在该限定长度的缓冲数据块中，获取该挥拍点前面一段长度的运动数据，挥拍点的运动数据，以及该挥拍点后面一段长度的运动数据，组合成当前运动对应的运动数据。例如，假设窗口长度为80个点的数据单位，那么取挥拍点前面20个点的数据，再取挥拍点后面的59个点的数据，一个窗口内的80个点的数据就组成了当前运动对应的完整运动数据，这80个点的数据之后再去判断挥拍点。
50.当前动作可以是上述说明中的任意一种羽毛球动作，如正手杀球、正手杀球、头顶吊球、反手扑球、正手推对角、正手平抽等等当中的任意一种，并且不限于所列举的这几种具体羽毛球动作。球拍在挥动的时候，加速度会突然增大，因此，用加速度向量的模值来检测球拍是否挥动。可以设定阈值，如果加速度向量的模值小于阈值，则判定为不挥动，则不进行动作识别，优化运算流程。加速度向量的模值计算公式中参数ax，ay，az均是通过加速度传感器可以直接读到的在x、y、z轴方向上的加速度数据。
51.在一个实施例中，挥拍点可以采用以下步骤检测得到。
52.基于预处理后的加速度传感器采集的x、y、z轴方向上的加速度ax、ay、az，计算加速度向量的模值
53.将加速度向量的模值与预设的阈值进行对比，当加速度向量的模值大于等于阈值则将对应的预处理后的运动数据判定为挥拍点。如果加速度向量的模值小于阈值，则继续查找挥拍点。
54.接着将完整运动数据对应的当前动作进行模糊动作分类。
55.模糊动作分类具体包括：将当前运动对应的完整运动数据计算当前运动的实时姿态角，得到姿态角的变化曲线；将当前运动对应的姿态角的变化曲线与预置的动作模型进行匹配，得到当前动作的模糊动作分类。通过运动数据，计算出惯性传感器在运动过程中，实时的姿态角变化，来模拟球拍的运动过程。姿态角包括俯仰角，偏航角，滚动角，3维角度数据。对姿态角变化数据进行降采样，降采样可以增加运算效率，减小样本大小，节省空间。
56.在一个实施例中，预置的动作模型包括6个区域的动作模型，如图2所示，6个区域通过以用户为中心、将用户四周360度范围划分为6份形成，每个区域的动作模型为用户四周一定范围内的姿态角曲线模型，六个区域并非为按照360度的角度均匀划分的六个区域，具体是根据大量的运动员挥拍数据进行分析，得到的6个区域。第一区所包含的羽毛球动作有正手扣杀和正手高远球等。第二区所包含的羽毛球动作有正手平抽、正手平挡、正手搓球等。第三区所包含的羽毛球动作有正手挑球等。第四区所包含的羽毛球动作有反手挑球等。第五区所包含的羽毛球动作有反手平抽、反手平挡、反手搓球等。第六区所包含的羽毛球动作有反手扣杀、反手高远球等。每个区域的动作模型为用户四周一定角度范围内的姿态角曲线模型，以第一区来举例，第一区的动作模型包含了正手扣杀、正手高远球等羽毛球动作的姿态角曲线模型。
57.本发明对完整运动数据进行匹配，将完整运动数据对应的当前动作进行模糊动作分类。通过事先预置的动作模型来对完整运动数据进行匹配，从而可以对当前动作进行一个大致分类。分类判断依据为球拍在击球时，球拍处于的不同方向。比如，高远球和扣杀球为一类，平抽和平挡为一类等。与预置的动作模型进行比对，得出与每个动作模型的相似度，通过相似度来得出模糊分类结果。
58.再对完整运动数据进行分析，将完整运动数据对应的当前动作进行精确动作分类。通过前面的模糊动作分类可以快速将当前动作进行模糊分类划分，模糊分类划分以后的当前动作需要确定其精确动作分类的范围会缩小，因而使得分析难度降低。精确分类判断依据为击球时所用力度大小不同。例如扣杀球和高远球，扣杀球时，挥拍力度会更大一些。力度与球拍的加速度，角速度有正相关性。所以通过加速度向量、角速度向量，来做区分依据。
59.进行精确分类时，用到的数据包含：加速度的向量模值，角速度的向量模值，加速度变化率最大值，角速度变化率最大值。例如，在第一个区域中，包含有正手扣杀，正手高远两个动作。判别结果r＝a*加速度的向量模值+b*角速度的向量模值+c*加速度变化率最大值+d*角速度变化率最大值。通过对正手扣杀、正手高远的数据进行分析，从而设置固定阈值t，当r》t，则判定为正手扣杀，当r《＝t，则判定为正手高远。上述参数a、b、c、d是对应数据的权重系数，a为加速度的向量模值的权重系数，b为角速度的向量模值的权重系数，c为加速度变化率最大值的权重系数，d为角速度变化率最大值的权重系数，并且满足a+b+c+d＝1。其他区域的精确分类与第一个区域的分类方法相同，分别对应不同的动作，以及不同的固定阈值、权重系数等。
60.本发明还保护羽毛球动作识别装置，包括惯性传感器以及控制器，控制器采用上述技术方案的基于惯性传感器的羽毛球动作识别方法对用户动作进行识别。
61.本发明还保护计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序运行时执行上述技术方案的基于惯性传感器的羽毛球动作识别方法。
62.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。