一种羽毛球挥拍动作识别与三维轨迹重建方法及系统与流程

本发明涉及动作识别，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。

背景技术：

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、本发明目的是针对背景技术中存在的问题，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、本发明的技术方案，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。

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，可以对三维的羽毛球拍运动轨迹进行实时交互。比如，教练和运动员可以放大、旋转和拖动三维模型，从不同的角度和尺度观察挥拍动作的每一个细节。

48、s57、运动员挥拍动作的分析。将三维重建模型与标准挥拍模型进行对比，以分析运动员挥拍动作的优点和需要改进的方面。为后续训练提供有价值的参考，帮助运动员和教练制定更有效的训练计划。

49、一种羽毛球挥拍动作识别与三维轨迹重建系统，包括：

50、数据采集模块：由分别放置于羽毛球拍底部和顶部的数据采集装置组成，其包括九轴传感器，用于实时捕捉羽毛球挥拍动作数据，包括加速度、角速度和磁场数据；该模块负责数据采集、传输和确保数据的实时性和可靠性；

51、数据处理模块：位于云服务器上，用以接收、存储和处理采集到的数据；还包括数据预处理、动作识别和三维重建子模块，以实现动作识别、三维重建功能。

52、数据预处理子模块：对从数据采集模块传输来的原始数据进行处理，包括数据滤波、去噪、时间同步和校正处理步骤，以消除传感器噪声、对齐数据并减少环境因素的影响，确保数据的质量和准确性；还包括数据归一化，将不同运动员的数据统一到相同的尺度，进行有效的比较和分析；

53、动作识别子模块：通过分析经过数据预处理的数据，识别并分类不同的羽毛球挥拍动作；使用预先训练的模型和算法，识别运动员的动作类型、挥拍速度、击球点位置关键技术参数；

54、三维重建子模块：基于动作识别结果，计算出球拍的实时姿态，包括方向和位置，实现羽毛球挥拍动作的三维重建；

55、显示模块：包含移动app和电脑网页显示两部分，移动app界面用于在移动设备上展示实时动作识别结果和动画，支持运动员在训练中使用；电脑网页界面提供在电脑上查看数据分析结果、训练建议和控制系统的功能，以支持教练和分析员的操作。

56、与现有技术相比，本发明具有如下有益的技术效果：

57、本发明提供的羽毛球挥拍动作识别与三维轨迹重建方法及系统在羽毛球训练领域具有显著的益处。首先，通过高精度的动作识别，系统能够准确识别不同挥拍动作类型、速度和击球点位置等关键技术参数，为运动员提供了全面的技术分析，有助于改进技术和提高竞技水平。

58、其次，三维动作重建技术使教练和运动员能够深入分析挥拍动作的细节，从而更好地理解和改善技术动作。

59、另外，多平台支持允许教练和运动员随时随地使用系统，实时监测和分析挥拍动作，为即时的技术指导提供支撑，使羽毛球技术改进变得更加便捷。