[发明专利]一种基于深度学习的羽毛球运动员轨迹提取方法

说明书

本发明公开了一种基于深度学习的羽毛球运动员轨迹提取方法，其特点是羽毛球运动员轨迹的提取具体包括：空间数据模型与视频获取、利用faster R‑CNN进行模型训练与球鞋识别、构建像素坐标系和球场平面坐标系的映射模型，计算球鞋在平面坐标系中的坐标、球鞋匹配与双目定位和技术统计等步骤。本发明与现有技术相比具有准确地还原羽毛球运动员在比赛中的运动轨迹，提高了运动员的步法训练，方法简便，省时省力，经济、高效。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习和双目定位的羽毛球运 动员轨迹提取方法。

背景技术

从羽毛球运动理论发展的角度分析羽毛球运动的内容，其基本技巧包括握拍方法、发 球方法、打法和步法四个部分。其中，步法是羽毛球练习的重要部分，羽毛球比赛的情 况瞬息万变，运动员的状态在主动与被动之间来回转变，在此过程中需要执行很多的快速移动、跳跃、节奏变化和虚晃。合理的步法运用是击球的先决条件，是运动员战术打 法的体现，同时也是顺利拿下一场比赛的前提和基础。因此合理的步法训练无论对于职 业运动员或者是青少年初学者都是相当重要的。

目前，羽毛球步法的训练已经得到重视，然而，传统的步法并不是一成不变的，新的步法总是在老的步法基础上不断地更新和完善。现有的羽毛球步法以及步法的变式更新都是积累在运动员长期竞赛和教练员的经验积累的基础上的，有些高级步法甚至是源自于运动员的临场发挥。通过经验积累的方法还原运动员的步法缺乏准确性，并且长期 观测运动员的运动轨迹费时费力，容易出现疏漏与错看。

发明内容

本发明的目的是针对现有技术不足而提供的一种基于深度学习的羽毛球运动员轨迹 提取方法，利用深度学习的方法从视频中逐帧提取运动员球鞋的像素坐标，然后用透视 投影的方法将像素坐标映射至羽毛球场平面坐标系中，结合平面坐标与相机光轴中心位 置对球鞋进行双目定位，并整合每一帧图像的定位结果，获得羽毛球运动员的运动轨迹， 更加准确地还原了羽毛球运动员在比赛中的运动轨迹，大大提高了运动员的步法训练， 方法简便，省时省力，经济、高效。

实现本发明目的具体技术方案是：一种基于深度学习的羽毛球运动员轨迹提取方法， 其特点是采用深度学习的方法从视频中提取运动员球鞋的像素坐标，利用透视投影的方 法将像素坐标映射至羽毛球场平面坐标系中，结合平面坐标与相机光轴中心位置对球鞋 进行双目定位，以整合每一帧图像的定位结果，羽毛球运动员轨迹的提取具体包括下述步骤：

步骤1：构建羽毛球场环境的空间数据模型

在羽毛球右半场的正左方架设摄像机A，在羽毛球右半场的正后方架设摄像机B，其分辨率均为1080P，每秒摄取25帧影像；以羽毛球球网柱底部与羽毛球球场左侧边线 中点的交点为原点建立一个右手坐标系，以1m为单位长度。最后度量每一个相机光轴中 心位于空间坐标系中的位置。

步骤2：模型训练与球鞋识别

从样例运动视频影像中抽取1500帧影像作为训练样本，使用labelImg工具对球鞋进行标注，制作标准的Pascal VOC数据集，用VGG16网络作为卷积网络计算原始图像的 特征图，用Faster R-CNN网络对数据集进行训练，以及最后的球鞋检测。若球鞋检测结 果为bndbox(x₁,y₁,x₂,y₂)，其中(x₁,y₁)代表bndbox左上角的坐标，(x₂,y₂)代表bndbox 右下角的坐标，近似地以bndbox底边中点((x₁+y₁)/2,y₂)代表一只球鞋。

步骤3：构建像素坐标系和球场平面坐标系的映射模型

将A、B摄像机中捕获到的影像采用透视变换的方法分别转换到羽毛球场平面视图中，实现几何矫正，构建像素坐标系和球场平面坐标系的映射模型具体步骤如下：