一种基于视频图像技术的羽毛球击球速度测定方法以及系统与流程

本发明涉及速度测定，特别地，涉及一种基于视频图像技术的羽毛球击球速度测定方法以及系统。

背景技术：

1、羽毛球运动是是世界上速度最快的运动。羽毛球普通玩家，扣杀速度能达到250公里/小时以上，世界纪录最快扣杀速度则为426公里/小时，远超其他球类极限速度。

2、目前，国际羽联一般采用微波传感器测试球速，具有稳定性高、体积小、感应灵敏等特点，但同时具备使用成本高、不便随身携带等缺点。

3、因此，本领域专业技术人员在统筹考虑了羽毛球专业运动员以及业余爱好者的不同需求，提供了一种基于视频图像技术的羽毛球击球速度测定方法，能较好解决现阶段羽毛球球速测试专项技能中存在的问题，并为低成本实时、便捷地测量羽毛球击球速度提供具有较强操作性的解决方案。

4、基于此，有必要提出一种基于视频图像技术的羽毛球击球速度测定方法以及系统以解决或至少缓解上述缺陷。

技术实现思路

1、本发明的主要目的在于提供一种基于视频图像技术的羽毛球击球速度测定方法以及系统，旨在解决现有的羽毛球击球速度测定过程中，通过微波传感器进行测试，对于一般的羽毛球场馆以及运动爱好者而言，无法进行测量，导致不能够直观地进行羽毛球击球速度专项技能评价的技术问题。

2、为实现上述目的，本发明采用的技术方案如下：

3、一种基于视频图像技术的羽毛球击球速度测定方法，包括如下步骤：

4、s1、图像序列获取：采用拍摄设备于羽毛球场场外拍摄获取若干羽毛球运动图像序列，且确保拍摄视角完全覆盖羽毛球场边线四个顶点，选取其中一个顶点作为基准坐标系；

5、s2、图像序列预处理：记录s1中获取的若干羽毛球运动图像序列中任意图片的时间戳，且根据对应羽毛球场地的规格建立标准坐标系；

6、s3、羽毛球三维坐标模型构建：基于s2的标准坐标系，将若干图像序列中羽毛球球头位置转化为三维坐标，形成若干离散的羽毛球位置点；

7、s4、轨迹拟合：利用深度学习神经网络模型，将s3中的获得的若干离散羽毛球位置点进行拟合，形成羽毛球连续运动轨迹；

8、s5、瞬时速度测定：根据s4获得的羽毛球连续运动轨迹，通过计算某一时刻该运动轨迹的斜率，求得羽毛球瞬间击球速度。

9、进一步地，所述s4中的深度学习神经网络模型其构建步骤如下：

10、s100、获得训练数据的坐标信息(xi,yn,zm)和时间戳tk，其中，i、n、m＝1,2,3,…，k＝1,2,3,…；

11、s101、根据目标函数进行瞬时速度的测算：

12、cosθ＝cos(180°-α)；

13、f风＝k*λ；

14、

15、

16、f＝m*a；

17、f＝f有效击打-f阻力合值；

18、

19、其中，α表示图像帧中羽毛球所受的击打力与重力之间的夹角，θ表示图像帧中羽毛球受到的风阻力与重力之间的夹角，k表示风速系数，λ表示风速取值，δs、δt分别表示相邻两帧图片中羽毛球的位移距离以及相邻两帧图片的间隔时间，v0表示某一时刻的初始速度，m表示羽毛球的重量，n表示波动系数，通过计算在不同天气下的个人实力的一个发挥程度，f挥拍表示挥拍时对球拍所施加的力；

20、s102、根据s101所计算出的瞬时速度v瞬得到若干个拟合点，从而构成离散拟合曲线。

21、进一步地，所述s101中的确定标准如下：获取当天不同时刻的舒适指数值σ，n＝50，结合目标函数最终求得：

22、σ＝(1.818a+18.18)*(0.88+0.002b)+(a-32)/(45-a)-3.2λ+18.2；

23、其中，a表示平均温度，b表示相对湿度。

24、进一步地，所述s2中的具体处理步骤如下：

25、s20、根据图像序列素材，结合建筑学透视原理，对羽毛球场地进行网格化处理，形成若干个边长为1厘米的正方形网格；

26、s21、建立三维坐标系(x,y,z)，xy平面为羽毛球场地平面，z轴为与xy垂直的竖轴，坐标系刻度精度取1厘米粒度；

27、s22、记录图片序列中任意图片中羽毛球所在网格场地的平面位置(p1,p2)；

28、进一步地，所述s3中羽毛球三维坐标模型的构建步骤如下：

29、s30、利用摄像机成像原理，可计算摄像头焦距f以及羽毛球距离地面实际高度p3，目标函数如下：

30、f＝c*(d1+l/2)/w；

31、p3＝(d1+j)*z/f；

32、其中，c表示为球网成像距离，z为测量图片序列中任意图片中羽毛球与地面成像距离；

33、s31、在三维坐标系中记录图片序列中任意图片中羽毛球所在网格场地的三维位置(p1,p2,p3)，形成若干离散三维点。

34、进一步地，所述s4的轨迹拟合内容如下：通过深度学习神经网络模型，将具有规范化格式的若干离散三维点坐标(p1,p2,p3)按图像序列图片记录的先后顺序有序输入，完成三维曲线拟合，并输出可视化连续运动轨迹。

35、进一步地，所述深度学习神经网络模型在训练过程中还包括比对过程，即在步骤s102之后，通过拍摄设备随机拍摄两张图片，与该离散拟合曲线进行验证，若拍摄两张图片的三维坐标值与该拟合曲线拟合的结果一致，则该模型可以投入实际应用，若与拍摄两张图片的三维坐标值存在差异，则继续所述深度学习神经网络模型的训练步骤，进行模型的训练。

36、进一步地，在所述深度学习神经网络模型构建完成后，若输入任意相邻图片序列，则其计算步骤如下：

37、s50、根据深度学习神经网络拟合的连续三维轨迹，测量图片序列中任意相邻图片中羽毛球的空间距离δs；

38、s51、根据图片序列中任意图片时间戳，计算得到相邻图片的运动时间差δt；

39、s52、将离散点位置差－时间差(δs，δt)，有序输入到上述深度学习神经网络中，进行二维曲线拟合，输出可视化连续位置差－时间差曲线；

40、s53、利用微分原理，可计算羽毛球任意时刻运动速度考虑到羽毛球击球后速度衰减，微分拐点处速度最大值记为羽毛球瞬间击球速度。

41、本发明还公开了一种用于羽毛球速度测定的系统，包括终端设备，以及如上述任一项方案中所述的深度学习神经网络模型，所述终端设备内置有所述深度学习神经网络模型。

42、本发明具有以下有益效果：

43、本发明通过视频图像技术采集运动素材，运用建筑学、几何学、光学、微分学等原理分析计算羽毛球运动的轨迹和时间曲线，并结合运用深度学习神经网络模型进行训练，从而实现后续的羽毛球轨迹预测以及羽毛球击球速度的计算；

44、从而实现羽毛球专业运动员、业余爱好者只需要手机等移动拍摄视频设备拍摄任意视频图像，以达到低成本、实时、准确记录并开展羽毛球击球速度专项技能评价，并为扣杀专项技能提高提供定量数据支撑。

45、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。