[发明专利]一种基于改进动态时间规整算法的排球动作识别方法

说明书

本发明涉及一种基于改进动态时间规整算法的排球动作识别方法，包括步骤如下：首先，获取排球运动的实时动作视频；其次，对动作视频进行姿态估计和目标检测处理，获取动作视频中人体关键点的时间序列与标准排球动作视频中人体各个关键点时间序列；最后，通过改进的动态时间规整算法进行对齐计算序列之间的距离，根据两者的序列距离来判断排球动作准确度。本发明解决了标准排球动作的判定，大大提高了效率，节省了大量的人力、物力和财力，也会减轻老师们的工作负担。实现方法简单，思路清晰，具有良好的经济价值，值得推广使用。本发明将人工智能领域的研究内容和实际排球考试相结合，实现技术落地应用，有利于推动产研结合及发展。

技术领域

本发明涉及一种基于改进动态时间规整算法的排球动作识别方法，属于人工智能领域。

背景技术

近几年，随着排球运动的快速发展和国家对排球运动的重视，排球教学和训练变得越来越重要，许多学校也开展了相应的排球教学的课程。

在进行排球考试的时候老师会根据学生动作的标准程度进行打分，而这个过程会耗费大量的时间和人力，无形中增加了老师的工作负担，同时人为给排球动作考试打分会一定程度上影响考试的公平性。如果这一过程能够通过人工智能技术实现自动处理，无疑会有效提高得分计算的效率，节省大量的人力、物力和财力，同时提高排球考试的公平性。

目前，在进行排球动作识别的时候由于未加入目标检测部分会降低排球动作判断的准确性，同时使用传统的动态时间规整算法降低了排球动作识别的效率。

发明内容

针对现有技术的不足，本发明提供了一种基于改进动态时间规整算法的排球动作识别方法。

术语解释：

1、人体关键点，如图4所示，人体共有18个关键点，这18个关键点具体为0鼻子、1脖子、2右肩、3右肘、4右腕、5左肩、6左肘、7左腕、8右髋、9右膝、10右踝、11左髋、12左膝、13左踝、14右眼、15左眼、16右耳、17左耳。

2、姿态估计网络OpenPose，人体姿态识别项目，是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习开发的开源库，可以实现人体动作、手指运动等姿态估计，其具有极好的鲁棒性，是世界上首个基于深度学习的实时多人二维姿态估计应用。OpenPose网络结构如图1所示，主要包括两个分支，一个分支用来预测置信图，用来检测关键点的位置，另一个分支用来检测关键点之间的有效连接，每个分支都有t个阶段，表示越来越精细，每个阶段都会将特征图进行融合，通过卷积神经网络提取一张图片中的部位置信图和连接，再把两者结合起来通过推理和图的匹配输出每个人的姿态。

3、目标检测网络YOLOv3，YOLOv3是经典的目标检测方法，直接可以用一个神经网络输出检测的结果即检测框的位置和类别概率，速度很快可以达到实时的效果，YOLOv3网络结构如图2所示，网络的输入是一张图片，网络的输出层有3个，是在不同的尺寸的特征图做的输出。Darknet53是网络的基础结构，DBL是YOLOv3的基本组件，图1中已经给出了相应的结构，其中Conv是卷积层、BN是Batch Normalization、Leakyrelu是一种激活函数，YOLOv3采用了残差结构，能够使网络结构更深。

本发明的技术方案如下：

一种基于改进动态时间规整算法的排球动作识别方法，包括步骤如下：

首先，通过摄像机获取排球运动的实时动作视频；

其次，对获取的动作视频及标准排球动作视频分别进行姿态估计和目标检测处理，获取人体关键点坐标；

再次，根据得到的人体关键点坐标，获取动作视频中人体关键点的时间序列与标准排球动作视频中人体各个关键点时间序列；