[发明专利]一种基于深度学习的战术动作评估方法

权利要求书

1.一种基于深度学习的战术动作评估方法，其特征是包括以下步骤：

(1)构建战术动作视频数据库；

(2)计算光流场；

(3)生成运动矢量流图像；

光流场是二维网格上的运动矢量的量化表示，对于视频中的每个帧，都获得相应的光流场；为了将运动的速度信息编码到图像中，对于每个采样时刻t，根据光流场将速度矢量v(v_x，v_y)编码为矩形，其中矩形的宽度和高度表示速度的方向，而像素颜色或灰度值表示速度的大小，运动矢量流图像的生成步骤如下：

1)对输入视频进行帧遍历，对每一帧图像进行光流计算；

2)根据计算得到的速度，在像素点处生成速度矩形，矩形的边为速度矢量分解，矩形的灰度或颜色表示速度的幅值，得到运动矢量图；

3)为便于后期处理，将运动矢量图按照速度排序；

(4)进行PCA降维处理；

(5)对上一步的计算结果进行LDA变换；

(6)训练神经网络；

使用步骤(5)变换后的数据集，对卷积神经网络进行训练，CNN的结构可根据需要灵活设计，一种典型结构包括卷积层、池化层、卷积层、池化层和全连接层；

(7)应用神经网络进行动作分类；

(8)PCA-LDA空间投影；

(9)分数评估。

2.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(1)构建战术动作视频数据库：使用统一颜色背景，由若干专业人员实施各类单兵战术动作，使用相机录制视频，录制采样率为25帧/秒，使用相同的焦距记录所有动作；视频以AVIMPEG编码格式保存，并裁剪为600×400分辨率；每类动作按照分数高低划分为优秀组，良好组，中等组，低分组，每类视频中必须包含这些组别，录制多个视频序列，形成战术动作视频数据库。

3.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(2)计算光流场：基于LK金字塔光流法，计算每一采样时刻t的光流场。

4.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(4)进行PCA降维处理：将步骤(3)中得到的视频中的每一帧图像，向整个视频的PCA特征空间投影，进行降维处理；处理后，每一帧图像相当于PCA特征空间中的一点，整个动作是一条曲线，视频中所有图像定义为：其中w_i,j是一帧图像的像素矩阵，N_i表示第i类动作视频包含的帧数；对X进行主成分分析，得到k维PCA特征空间，其中k远远小于X的维数；设X协方差矩阵前k个特征值对应的特征向量构成矩阵E，将视频中的所有帧向PCA特征空间投影，得到每帧对应的点向量y_i,j＝E x_i,j。

5.根据权利要求4所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(5)LDA变换：为了便于区分动作的类型，需要使PCA空间中同类动作协方差更小，不同类动作协方差变大，所以对y_i,j进行LDA变换，可调用OpenCV中的LDA类实现LDA变换，使得输入的视频成为低维、便于分类的标记数据集。

6.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(7)应用神经网络进行动作分类：将测试视频按照步骤(2)-(5)进行处理，处理后的视频输入步骤(6)中训练好的神经网络，得到视频的战术动作分类。

7.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(8)PCA-LDA空间投影：根据测试视频的战术动作分类，将测试视频的光流向训练数据集中相应动作的PCA-LDA空间投影。

8.根据权利要求1所述的一种基于深度学习的战术动作评估方法，其特征是所述步骤(9)分数评估：采用线性评估模型评估分数，线性模型的参数使用最小二乘法进行校准，具体包括以下步骤：

1)使用KNN算法计算待测动作属于优秀组、良好组、中等组和低分组的概率，设概率分别为P_s，P_g，P_m，P_i，每组分数的中位数分别为则战术动作初步评分为；

2)对初步评分w进行校正，最后得分为其中校正参数k和b可通过最小二乘优化得到，针对测试动作所属动作类的有标签视频，通过优化目标函数得到校正参数；min{∑_i|d_i-(kw_i+b)|²}其中i是本类动作标记视频的序号，d_i第i个标记视频动作评分，w_i是使用方法1)计算的标记视频初步评分，完成对一个动作视频的评估。