基于改進全卷積神經網絡的體育運動員動作識別方法

摘要：傳統的體育運動員動作識別方法，直接對運動員動作識別結果進行輸出未對運動區域進行提取，識別精度低。該文提出基于改進全卷積神經網絡的體育運動員動作識別方法，使用攝像機對體育運動員動作圖像進行采集，并對圖像進行基于改進全卷積神經網絡的運動區域提取，體育運動員動作識別流程，輸入動作圖像并對結果進行輸出，實現基于改進全卷積神經網絡的體育運動員動作識別。實驗結果表明該研究方法識別精度高，具有一定優勢。

關鍵詞：改進全卷積神經網絡；體育運動；動作識別；識別方法

doi：10.3969/J.ISSN.1672-7274.2024.07.019

中圖分類號：G 642；TP 393.08 文獻標志碼：B 文章編碼：1672-7274（2024）07-00-03

Sports Athlete Action Recognition Method Based on Improved Fully Convolutional Neural Network

HAO Junfeng

（Shanxi Provincial School of Traditional Chinese Medicine， Taiyuan 030012， China）

Abstract： Traditional sports athlete action recognition methods directly output the results of sports athlete action recognition without extracting the movement area， resulting in low recognition accuracy. The article proposes a sports athlete action recognition method based on an improved fully convolutional neural network. By using a camera to capture images of sports athlete movements and extracting motion regions based on an improved fully convolutional neural network， the process of sports athlete movement recognition is carried out. The input action image is then outputted to achieve sports athlete movement recognition based on an improved fully convolutional neural network. The experimental results indicate that the research method has high recognition accuracy and certain advantages.

Keywords： improving fully convolutional neural networks; sports activities; action recognition; recognition methods

0 引言

傳統的動作識別方法通常采用手動標注和特征提取的方法，不僅耗時，而且容易出錯。全卷積神經網絡（FCN）被廣泛應用于圖像識別領域，取得了很好的效果。但是，FCN卷積層參數固定，無法適應不同尺寸和形狀的目標，以及訓練過程中容易過擬合等[1]。近年來，國內外學者針對全卷積神經網絡在動作識別中的應用進行了廣泛研究。例如，一些研究采用了基于區域的全卷積神經網絡（R-FCN），將目標檢測和分類兩個任務結合起來，提高了目標識別的準確性[2]，但是需要手動標注目標框位置，增加了工作量。一些研究采用了基于注意力機制的全卷積神經網絡（A-FCN），通過引入注意力機制來關注圖像中的重要區域，提高了目標識別的精度，但是注意力機制的計算復雜度較高，增加了模型的計算負擔[3]。還有一些研究采用了基于數據增強技術的全卷積神經網絡（D-FCN），通過對數據進行增強來增加模型的泛化能力，提高了模型在測試集上的表現[4]，但是只是在一定程度上解決了過擬合問題，不能完全避免。因此，本文提出了一種基于改進全卷積神經網絡的體育運動員動作識別方法，旨在解決以上問題，提高動作識別的準確性和效率。

1 基于改進全卷積神經網絡的體育運動

員動作識別方法設計

1.1 體育運動員動作圖像采集處理

使用兩臺攝像機獲取運動員的動作，這兩臺攝像機可以獲取運動員的彩色信息，還可以獲取運動員的深度信息。在用兩個攝像頭收集運動員動作圖像時，首要步驟是校準攝像頭，目標是以二維平面圖的形式來描繪運動員的立體信息[5]。一旦完成校準，需要在兩臺攝像機之間進行立體調整，以確保左右兩臺攝像機所拍攝的照片處于同一水平面上。為了進行雙目相機的立體校正，采用了Bouguet的方法。如果雙目相機的旋轉矩陣和平移向量分別用和表示，為了最大程度地降低左右兩側雙目相機之間重投影的畸變程度，并保證兩個相機的平面處于共面狀態，Bouguet的立體調整方法變換了對左右雙腔都進行調整的復合矩陣。具體表達式為：

（1）

式中，和分別是左相機和右相機的旋轉矩陣。通過應用式（1），兩個相機平面將被放置在同一平面上的相同位置。為了確保它們在這個平面上的有效對齊，計算極點矩陣是必要的，以找到無窮多個多項式。的公式如下：

（2）

式中，用于描述矩陣的換位操作；代表極點。在方向上，對應于平移矢量的不同行，存在多個多邊形形狀，這個關系由式（3）表示。與相機光軸方向相互正交，表示圖像平面的方向向量，這個關系通過在和上的式（4）得出。在和點之間，通過對正交進行處理，得到，該過程由式（5）描述：

（3）

（4）

（5）

相機的光軸是由水平和垂直平移矢量和定義的，結合式（2）可以獲得用于雙目相機的立體校正矩陣，具體公式如下：

（6）

根據式（6），完成了雙目相機的立體調節，確保了圖像線的準確對齊。在此基礎上，進行了立體協調，以獲得運動員的深層圖像。使用塊的相應算法來完成立體平衡。采用塊匹配算法來完成立體匹配。基于其他相機的視圖，獲取與劃分圖像塊最近的塊，以此實現體育運動員動作圖像采集。

1.2 基于改進全卷積神經網絡的運動區域提取

采用深度可分離卷積操作，減少網絡的參數量和計算復雜度，提高特征提取能力，進而改進全卷積神經網絡。改進全卷積神經網絡公式如下：

（7）

式中，ConvSeparable為深度可分離卷積操作。

在識別運動員運動動作前，需要依據上述體育運動員動作圖像采集處理結果提取運動區域。從體育視頻中提取出運動員的運動區域，并進行標注。設計了一種新的損失函數，將空間連續性和時序信息納入考慮，以更好地適應運動區域的特性。具體公式如下：

（8）

式中，和分別為像素級別的交叉熵損失和邊界損失，和分別為網絡的預測輸出和真實輸出，、和是平衡不同損失的權重參數。

通過上述處理，能夠有效地去除不同大小的區域。由于視頻序列中動作運動幅度各異，給目標提取帶來了困難。此外，在實際場景中，運動背景往往復雜多變，也會干擾到目標提取的準確性。為了解決這些問題，采用幀間差異的方法進行進一步處理。

1.3 體育運動員動作識別結果輸出

在完成了對運動員深度背景圖像的提取之后，將提取出的動作圖像引入到體育運動員動作識別的流程中，以便對運動員的動作進行精準的識別。該動作識別流程是基于全卷積神經網絡的，并在局部函數提取模塊的基礎上進行引入。體育運動員動作識別流程如圖1所示。

圖1 體育運動員動作識別流程

在運動員完成部署后，體育運動員動作識別流程采用批量歸一化和提取的局部特征之外的方法，在預處理的背景圖像中生成RGB幀和密集流圖像。同時，兩個網絡都配置了A-softmax損失函數用于活動分類。這樣可以獲取前景圖像中的表觀信息和運動信息，并極大程度地提升對于動作的識別效果。最后，對兩層網絡的分類結果進行加權和組合，以獲得運動員的最終運動識別結果。

2 實驗論證

2.1 實驗準備

為了驗證所提出方法應用的效果，將該方法應用于某省運動隊。在訓練過程中，收集了該省運動隊200組運動員位移圖像。

隨機選取一組數據，具體內容如表1所示，包括擊球動作的基本位置。

共收集了1 200項網球運動數據，使用多種數據類型對所提出的方法進行分析，以確保實驗的準確性，其中80%的數據用作訓練集，其余20%用作實驗集。在隨機選取的數據集中利用本文方法、傳統方法1和傳統方法2分別對正手擊球動作進行識別，識別結果如表2所示。

2.2 對比實驗

由表2可知，本文方法對體育運動員動作識別中的正手擊球次數識別結果更加接近實際值，識別精度達到100%，明顯優于傳統方法1和傳統方法2。這也表明了基于改進全卷積神經網絡的體育運動員動作識別方法的優勢。

3 結束語

本文提出了一種基于改進全卷積神經網絡的體育運動員動作識別方法。該方法旨在解決傳統動作識別方法中的問題，提高動作識別的準確性和效率。采用改進的全卷積神經網絡模型，能夠更好地適應不同尺寸和形狀的目標，減少過擬合現象的發生。實驗結果表明，該方法在體育運動員動作識別任務中取得了很好的效果，為教練員、裁判員和運動員提供了更加準確和高效的輔助工具。

參考文獻

[1] 張偉．基于機器視覺技術的體育網球錯誤技術動作識別研究[J]．齊齊哈爾大學學報（自然科學版），2021，37（6）：26-30．

[2] 馬倩倩，賀莉．基于動作識別算法的健美操難度自動評分系統設計[J]．西昌學院學報（自然科學版），2021，35（2）：106-110．

[3] 吳曉軍．基于時空圖卷積神經網絡的網球底線正手擊球動作識別方法[J]．河北北方學院學報（自然科學版），2022，38（9）：14-20，29．

[4] 王輝，宋佳豪，丁鉑栩，等．三角形網格序列表示的人體動作識別[J]．計算機輔助設計與圖形學學報，2022，34（11）：1723-1730．

[5] 李新春，張光銳，于洪仕，等．基于HHT和改進PNN的CSI人體動作識別研究[J]．重慶郵電大學學報（自然科學版），2022，34（6）：976-986．