基于AI的泳姿犯规动作判断方法及系统与流程

本发明涉及泳姿犯规动作判断方法，尤其涉及基于ai的泳姿犯规动作判断方法及系统。

背景技术：

1、泳姿犯规动作判断方法通过计算机视觉和图像处理技术来识别和分析游泳者的姿势和动作，判断是否存在犯规动作。这涉及姿势检测与跟踪、动作识别与分类、规则引擎和决策算法、数据分析与反馈等背景技术。计算机视觉技术可实时检测和跟踪游泳者的姿势，图像处理和机器学习算法用于识别和分类游泳动作。规则引擎和决策算法基于游泳规则进行判定。数据分析与反馈帮助游泳者了解自身表现，发现潜在问题。这些技术的应用提高了判断准确性，增强了泳姿犯规动作判断的公平性和规范性。

2、在泳姿犯规动作判断方法的实际使用过程中，多数现有方法主要依赖于二维图像数据，忽略了深度信息、生理数据和惯性数据，从而限制了对游泳者动作的全面了解。传统方法多数基于二维数据进行姿态估计，可能会导致三维空间中的动作误解或遗漏。大部分现有方法关注单一时间点的动作，而忽略了动作的时空连续性，从而可能遗漏某些短时或间歇性的犯规动作。许多传统方法使用静态的预训练模型进行动作判断，缺乏自我学习和优化的能力，难以应对新的或不常见的犯规动作。现有的大多数判定系统都需要在比赛结束后才能提供完整分析，缺乏实时反馈和指导，对游泳者的即时改正不足提供帮助。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的基于ai的泳姿犯规动作判断方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：基于ai的泳姿犯规动作判断方法，包括以下步骤：

3、利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据；

4、采用异常值检测、插值算法、z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据；

5、采用openpose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据；

6、通过包括深度学习、时间序列分析的ai方法，从所述三维姿态数据中分析获取时空运动轨迹信息；

7、基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果；

8、利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型；

9、结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案。

10、作为本发明的进一步方案，利用视觉传感器、深度传感器、惯性测量单元，收集游泳者包括姿态数据、运动轨迹、生理数据的多模态信息，作为多源原始数据的步骤具体为：

11、使用高清摄像头和视觉传感器捕捉游泳者的实时动态，获取视觉原始图像数据；

12、利用kinect深度传感器，获取游泳者与池边的相对距离数据，得到深度原始数据；

13、使用惯性测量单元，捕获游泳者包括加速度、角速度的物理参数，生成惯性原始数据；

14、部署心率传感器，收集游泳者的生理参数，得到生理原始数据；

15、整合所述视觉原始图像数据、深度原始数据、惯性原始数据、生理原始数据，作为多源原始数据。

16、作为本发明的进一步方案，所述采用异常值检测、插值算法、z-score标准化、特征抽取算法，对所述多源原始数据进行预处理，获取特征数据的步骤具体为：

17、通过iqr异常值检测算法，对所述多源原始数据进行过滤，去除噪声和异常值，得到视觉过滤数据、深度过滤数据、惯性过滤数据、生理过滤数据；

18、采用插值算法对数据缺失进行填补，确保数据完整性，生成视觉插值数据、深度插值数据、惯性插值数据、生理插值数据；

19、运用z-score标准化方法对数据进行归一化处理，使其具有统一的尺度，生成视觉标准数据、深度标准数据、惯性标准数据、生理标准数据；

20、应用pca特征抽取算法，从上述标准数据中抽取关键特征，得到包括视觉特征、深度特征、惯性特征、生理特征的特征数据。

21、作为本发明的进一步方案，采用openpose三维姿态估计算法，从所述特征数据中进行三维姿态估计，获取三维姿态数据的步骤具体为：

22、将所述特征数据中的视觉特征和深度特征输入openpose算法中；

23、所述openpose算法基于视觉特征，生成游泳者的二维姿态，得到二维姿态数据；

24、结合所述深度特征对二维姿态数据进行深度恢复，实现三维姿态估计，得到三维姿态数据。

25、作为本发明的进一步方案，通过包括深度学习、时间序列分析的ai方法，从所述三维姿态数据中分析获取时空运动轨迹信息的步骤具体为：

26、基于所述三维姿态数据，利用cnn深度学习算法进行特征学习，得到时空特征；

27、基于所述时空特征，利用rnn对时空特征执行时间序列分析来分析游泳者的动态轨迹，得到时空运动轨迹信息。

28、作为本发明的进一步方案，基于所述时空运动轨迹信息、三维姿态数据，采用分类算法、深度学习模型、动作识别算法进行犯规动作的识别，获取犯规动作识别结果的步骤具体为：

29、基于时空运动轨迹和三维姿态数据，采用支持向量机分类算法进行初步的犯规动作分类，得到初步犯规判断；

30、利用transformer深度学习模型，对动作进行识别和分类，得到犯规动作识别结果。

31、作为本发明的进一步方案，利用自监督学习和强化学习模型，使系统自我学习和优化，结合所述犯规动作识别结果对姿态和犯规特征进行学习，获取优化后的动作识别模型的步骤具体为：

32、根据所述犯规动作识别结果，使用自监督学习方法对动作特征进行编码学习，得到编码特征；

33、将编码特征输入dqn强化学习模型，进行模型训练和优化，得到优化后的动作识别模型。

34、作为本发明的进一步方案，结合优化后的动作识别模型，采用实时数据流处理技术为游泳者提供实时反馈和调整建议，包括犯规动作的提示以及摆正泳姿的具体方案的步骤具体为：

35、使用所述优化后的动作识别模型，实时分析游泳者的姿态和动作，得到实时犯规检测结果；

36、基于所述实时犯规检测结果，生成包括犯规动作的提示和泳姿调整的建议，形成实时反馈报告；

37、基于可视化工具或语言工具，向游泳者展示实时反馈报告。

38、基于ai的泳姿犯规动作判断系统是由多模态数据采集模块、数据预处理模块、姿态估计模块、时空特征提取模块、犯规动作识别模块、学习与优化模块、实时反馈模块组成；

39、所述多模态数据采集模块结合视觉传感器、深度传感器、惯性测量单元，输出多源原始数据；

40、所述数据预处理模块采用iqr异常值检测、线性插值算法、z-score标准化以及主成分分析，基于所述多源原始数据生成特征数据；

41、所述姿态估计模块通过openpose三维姿态估计算法，利用视觉特征和深度特征计算游泳者的三维姿态数据；

42、所述时空特征提取模块基于三维姿态数据，经过深度学习和时间序列分析，提取游泳者的时空特征并分析其运动轨迹，输出时空运动轨迹信息；

43、所述犯规动作识别模块利用支持向量机分类算法和transformer深度学习模型，结合所述时空运动轨迹信息和三维姿态数据进行犯规动作的识别，获取犯规动作识别结果；

44、所述学习与优化模块运用自监督学习和强化学习模型，根据犯规动作识别结果，对姿态和犯规特征进行学习，输出优化后的动作识别模型；

45、所述实时反馈模块通过实时数据流处理技术，结合所述优化后的动作识别模型，为游泳者提供包括犯规动作的提示、摆正泳姿的具体方案，形成实时反馈报告，并通过可视化技术传递给游泳者。

46、作为本发明的进一步方案，所述多模态数据采集模块包括视觉传感子模块、深度传感子模块、惯性测量子模块、生理数据采集子模块、数据整合子模块；

47、所述数据预处理模块包括异常值检测子模块、插值处理子模块、数据标准化子模块、特征抽取子模块；

48、所述姿态估计模块包括视觉特征输入子模块、二维姿态生成子模块、深度恢复子模块、三维姿态估计子模块；

49、所述时空特征提取模块包括深度学习特征学习子模块、时间序列分析子模块、动态轨迹生成子模块；

50、所述犯规动作识别模块包括初步犯规判断子模块、深度学习动作识别子模块、最终犯规动作识别子模块；

51、所述学习与优化模块包括自监督学习子模块、编码特征输入子模块、强化学习模型训练子模块、动作识别模型优化子模块；

52、所述实时反馈模块包括实时动作识别子模块、反馈生成子模块、反馈传递子模块。

53、与现有技术相比，本发明的优点和积极效果在于：

54、本发明中，通过结合视觉传感器、深度传感器和惯性测量单元多种数据源，能够更全面地捕捉游泳者的姿态和动作信息。这种综合分析为识别更复杂的泳姿犯规提供了强有力的数据基础。利用openpose三维姿态估计算法，能够更为准确地识别和分析游泳者的三维姿态，从而增强了犯规动作的判断准确性。结合深度学习和时间序列分析的方法，不仅可以分析游泳者的即时动作，还可以跟踪其时空运动轨迹，从而为犯规动作判定提供更丰富的上下文信息。通过自监督学习和强化学习，系统能够实时更新和优化识别模型，确保随着时间推移和数据积累，其判断能力持续增强。基于实时数据流处理技术，能够为游泳者提供即时的犯规提示和泳姿调整建议，提高游泳技巧。