[发明专利]一种基于深度学习的网球发球机发球方法

权利要求书

1.一种基于深度学习的网球发球机发球方法，其特征在于，包括如下步骤：

1)预先在网球发球机的发球口上方设置一个摄像头，并在摄像头中装有图像采集装置；网球训练前，运动员在摄像头的正前方拍照,图像采集装置获得人脸图像信息并储存在其内部；

2)运动员开始训练，摄像头首先在视野范围内进行图像采集及人脸捕捉，找到与预先拍摄图像匹配的人脸图像，进行锁定；

3)随着运动员的走动，图像采集装置会从摄像头的视频流中提取一系列图像帧，对图像帧进行预处理，并用于神经网络的深度学习建模，通过模型输出的动态人脸特征点位置，实现运动员的实时动态跟踪；当运动员到达目标地点停止走动时，安装在摄像头中的角度计算装置根据第一帧图像得到的人脸特征点位置及最后一帧图像得到的人脸特征点位置计算出发球机发射口所需移动的角度，并通过安装的调节控制装置转动发射口，使其指向运动员移动后的位置；

4)当发球机发球口完成转向动作后，网球发球机发出提醒信号，从发球口弹射出适应运动员位置的网球。

2.根据权利要求1所述一种基于深度学习的网球发球机发球方法，其特征在于，所述步骤3)具体包括：

3.1)网球训练过程中，图像采集装置从摄像头视频流中提取一系列图像帧，通过数据分析与处理装置进行预处理：包括人脸图像筛选、图像数据均衡化、图像数据归一化及图像数据增强，并得到一系列表征图像信息的特征向量组，通过内置的聚类算法模型对这些特征向量组进行处理，聚类相似的人脸信息，并把这些聚类信息与表征图像信息的特征向量组作为训练数据，输入连接的深度学习装置，进行神经网络的建模；

3.2)深度学习装置中内置四个卷积神经网络模型，分别对应人脸左眼、右眼、鼻子、嘴巴特征点位置的动态识别；所述的卷积神经网络模型架构如下：

3.2.1)依次采用两个步长为1，大小为3X3的卷积核，对输入的特征向量组进行卷积得到对应特征图一；

3.2.2)使用2X2最大池对特征图一进行下采样，得到对应特征图二；

3.2.3)依次采用两个步长为1，大小为3X3的卷积核对特征图二进行卷积，得到对应特征图三；

3.2.4)使用2X2最大池对特征图三进行下采样，得到对应特征图四；

3.2.5)依次使用四个步长为1，大小为3X3的卷积核，对特征图四进行卷积，得到特征图五；

3.2.6)使用2X2最大池对特征图五进行下采样，得到对应特征图六；

3.2.7)依次使用四个步长为1，大小为3X3的卷积核，对特征图六进行卷积，得到特征图七；

3.2.8)使用2X2最大池对特征图七进行下采样，得到对应特征图八；

3.2.9)依次使用四个步长为1，大小为3X3的卷积核，对特征图八进行卷积，得到特征图九；

3.2.10)使用2X2最大池对特征图九进行下采样，得到对应特征图十；

3.2.11)把特征图十的特征信息输入全连接层，并衔接一个dropout层；

3.2.12)将全连接层输出的结果采用softmax损失函数计算模型误差，并将误差的梯度反向传播，实现卷积神经网络模型训练更新的目的；

3.2.13)使用四个卷积神经网络模型得到的对应四组人脸特征点位置，将其组合实现人脸的动态定位，并输出对应时刻的人脸位置信息；

3.3)把一系列图像帧中对应的人脸位置信息实时存储在安装的角度计算装置中，当运动员停止移动时，比较最后一帧图像得到的人脸位置信息及第一帧图像得到的人脸位置信息，计算出网球发球口所需移动的角度，并通过调节控制装置控制该发球口进行转向移动。