面向體育訓練的人體姿勢實時識別研究

劉志鵬

（漳州職業技術學院,福建 漳州 363000）

隨著國家教育體制改革的不斷深入，高校體育教學水平進一步提升，尤其是新課程改革目標與教學計劃的影響下，體育訓練成為提升高校體育教學質量的重要教學內容，對于學生身體素質的提升具有重要影響[1-2].隨著全民健身意識的逐步普及以及國家對于體育教學重視程度的提升，高校體育訓練的重要性逐步凸顯.尤其是體育訓練作為高校體育教學的基礎性環節之一，所涵蓋的內容較廣，包括跳遠、跳高、跑步、鉛球、排球、籃球、足球等多種[3]，這些運動都有一些規范性動作，而在高校體育訓練過程中，由于部分姿勢不到位，導致訓練質量下降，最終影響到學生的體育成績，可能會出現延期畢業等多種問題[4-5].所以為了提升高校體育訓練效果，必須要對訓練過程中的人體姿勢進行識別，以便及時糾正在高校體育訓練存在的問題，提升大學生的身體素質，所以相關的對于人體姿勢實時識別方法的研究得到了社會各界的廣泛關注.尤其是隨著大數據和圖像信息處理技術的發展，結合圖像信息識別技術，構建面向體育訓練的人體姿勢實時識別方法，從而提高高校體育訓練人體姿勢的糾正能力，以期指導高校體育教學和訓練，改善訓練效果.因此研究相關的高校體育訓練人體姿勢識別方法，在促進體育訓練教學質量優化過程中具有重要意義[6].所以為了提升高校體育訓練過程中的糾錯能力，提升教學質量，本文主要進行了面向體育訓練的人體姿勢實時識別研究，該方法主要采用特征提取的方法，實現高校體育訓練人體姿勢圖像識別[7]，結合幀片段掃描技術實現高校體育訓練人體姿勢圖像采樣，從而實現高校體育訓練人體姿勢實時識別，最后通過仿真測試分析，驗證了本文方法在提高高校體育訓練人體姿勢實時識別能力方面的優越性能.

1 高校體育訓練人體姿勢圖像采樣和特征表達

1.1 高校體育訓練人體姿勢圖像采樣

為了實現高校體育訓練的人體姿勢識別，本文以圖像視覺和大數據融合作為識別基礎，結合特征數據和運動特征提取的方法，構建高校體育訓練人體姿勢圖像和數據分析模型，結合關聯規則項挖掘分析，實現高校體育訓練人體姿勢特征數據的模糊度聚類分析，根據高校體育訓練人體姿勢特征結果，實現高校體育訓練人體姿勢圖像識別[8].在此過程中，高校體育訓練人體姿勢圖像采集模型如圖1所示.

圖1 高校體育訓練人體姿勢圖像采集模型Fig.1 Human posture image acquisition model of college physical training

根據圖1所示的采集模型，進行高校體育訓練人體姿勢圖像采集，高校體育訓練人體姿勢圖像采集模型主要分為設備層、網絡層以及應用層三層，其中應用層主要利用數據采集儀器采集高校體育訓練人體姿勢圖像，并將采集到的圖像通過交換機上傳至網絡層，在網絡層的支持下在設備層完成信息交換、數據融合與特征輸出，實現高校體育訓練人體姿勢圖像采集.

假設高校體育訓練過程中的人體姿勢圖像的灰度像素集為(o,b)，以像素中心為基礎，構建高校體育訓練人體姿勢特征數據的自相關分布式檢測模型[9]，計算得出圖像的灰度值w(a2).在學習數據集中，得到所對應的高校體育訓練人體姿勢視覺融合特征為：

構建高校體育訓練人體姿勢特征數據的融合模型，該模型的具體描述如下：

其中，x為高校體育訓練人體姿勢特征分布的列數，or2為高校體育訓練人體動作模型上的三維坐標點.結合二維彩色圖像重構方法，對高校體育訓練過程中人體姿勢圖像實現邊緣重構，得到高校體育訓練人體姿勢的圖像采集輸出：

對高校體育訓練人體姿勢圖像實現特征檢測，建立動態分布集，結合大數據檢測，實現高校體育訓練人體姿勢識別[10].

1.2 人體姿勢特征表達

結合幀片段掃描技術實現高校體育訓練人體姿勢圖像采樣，采用融合邊緣輪廓特征分解方法實現高校體育訓練人體姿勢特征表達處理，采用融合邊緣輪廓特征分解方法實現高校體育訓練人體姿勢分解[11]，得到高校體育訓練人體姿勢特征分布函數為

其中，gc表示形態學濾波算子，r=1,2,…,n,對采集的高校體育訓練人體姿勢圖像進行深度融合處理，構建體高校體育訓練人體姿勢特征信息的特征聚類模型，建立高校體育訓練人體姿勢特征集表示為

其中，Tl1為區域邊緣定位特征量，根據特征匹配結果，得到高校體育訓練人體姿勢關鍵特征輸出為

其中，Dn為高校體育訓練人體姿勢的邊緣特征分量，采用數學形態學方法，得到高校體育訓練人體姿勢的三維特征分布為

根據高校體育訓練人體姿勢特征數據的挖掘和融合結果，得到人體姿勢特征的三維視覺表達為

以多目標關聯分布式融合方法為基礎，構建高校體育訓練人體姿勢特征數據檢測學習模型，得到高校體育訓練的人體姿勢的輸出聯合參數為多個2×2的子塊Gm,n，結合模糊區域像素重組方法，實現高校體育訓練過程中的人體姿勢視覺表達分析[12].

2 高校體育訓練人體姿勢識別

2.1 人體姿勢視覺特征優化處理

建立高校體育訓練人體姿勢圖像的視覺空間融合度分析模型，結合模糊度辨識方法實現人體姿勢圖像的去模糊度處理，提高高校體育訓練人體姿勢的視覺特征分析能力.結合模糊度辨識方法實現高校體育訓練過程中的人體姿勢圖像的去模糊度處理[13]，得到人體姿勢圖像的視覺特征分布為

構建高校體育訓練人體姿勢特征數據的相關性融合調度模型，通過級聯挖掘，得到灰度像素級f，構建高校體育訓練人體姿勢視覺檢測分量為

通過無監督學習方法，實現高校體育訓練人體姿勢特征參數檢測，得到組合函數為

其中，pi表示人體姿勢圖像視覺特征分布函數，ki則表示模糊綜合特征量參數，通過分析高校體育訓練人體姿勢特征分布的模糊綜合特征量，采用灰度不變矩特征分解方法構建高校體育訓練過程中的人體姿勢的邊緣信息分布模型，表示為

在像素點均值作用下，實現高校體育訓練人體姿勢視覺重構[14].結合模糊度辨識方法實現高校體育訓練人體姿勢視覺信息分布式重組.

2.2 人體姿勢識別結果輸出

采用融合邊緣輪廓特征分解方法實現高校體育訓練人體姿勢特征表達處理，在此基礎上建立人體姿勢圖像的視覺空間融合度分析模型，使用梯度下降法實現高校體育訓練人體姿勢圖像的區域分塊分割[15]，使得高校體育訓練人體姿勢圖像的稀疏特征值滿足Rs=2gi，計算高校體育訓練人體姿勢圖像Fm(x,y)的第m幀(x,y)處的分割函數.結合語義相關度特征匹配，實現高校體育訓練人體姿勢特征重組，輸出的特征分量為：

式（14）中，Q表示高校體育訓練人體姿勢的聯合熵，通過高校體育訓練人體姿勢視覺重構，計算高校體育訓練人體姿勢信息的先驗分布集[16]，采用自適應的圖像信息處理技術進行人體姿勢識別，該識別結果輸出為：

根據對高校體育訓練人體姿勢特征結果，結合自適應的圖像信息處理技術進行人體姿勢識別，根據識別結果進行錯誤動作糾正，以期提升高校體育訓練質量與綜合效果[17].

3 仿真實驗與結果分析

為了測試方法在實現高校體育訓練人體姿勢實時識別的應用性能，采用SPSS 統計分析軟件和Matlab進行仿真測試，高校體育訓練人體姿勢視覺采樣的幀頻率為36.5 kHz，特征分辨率為0.834，對視覺信息采集的時長為12 s，樣本數據長度為1 200，訓練樣本數為240，采樣大數據分析方法，以不同的體育項目為測試樣本，得到統計分析結果見表1.

根據表1的統計分析結果，進行高校體育訓練人體姿勢識別，得到識別結果如圖2所示.

表1 不同的體育項目人體姿勢的統計分析結果Tab.1 Statistical analysis results of human posture in different sports events

分析圖2得知，本文可以精準識別出高校田徑訓練過程中的跨欄動作，圖像清晰度高，姿勢識別結果更為精準，所以驗證了利用本文方法進行高校體育訓練人體姿勢識別的圖像分辨力較高.測試高校體育訓練人體姿勢識別輸出的檢驗值和協方差分布，以檢驗這種方法的識別性能，具體結果見表2.

圖2 高校體育訓練人體姿勢識別結果Fig.2 Human posture recognition results of college physical training

分析表2得知，方法進行高校體育訓練人體姿勢識別的誤差較低，均方根誤差較小，提高了高校體育訓練人體姿勢識別的準確性.

表2 識別性能測試Tab.2 Identification performance test

但是也存在一定的不足，就是實驗樣本數據量不夠多，因此建議在下一步的研究中利用更多的樣本數據進行高校體育訓練人體姿勢識別方法的反復檢驗，最大程度地提升本文研究結果的真實性與可信性.

4 結論

為了及時進行高校體育訓練錯誤動作糾正，主要進行了面向體育訓練的人體姿勢實時識別研究，并通過一系列過程完成人體姿勢實時識別方法的設計.實驗結果表明，采用本文方法進行高校體育訓練人體姿勢圖像識別的準確性較高，均方根誤差較低，在指導高校體育訓練人體姿勢糾正中具有很好的應用價值，可以在實際中廣泛推廣.