申请/专利权人：南昌航空大学

申请日：2024-03-26

公开（公告）日：2024-06-21

公开（公告）号：CN117953588B

主分类号：G06V40/20

分类号：G06V40/20;G06V10/80;G06V10/46;G06N3/0442;G06N3/0464;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本申请涉及一种融合场景信息的羽毛球运动员动作智能识别方法，它包括如下步骤：构建包含N类目标动作的特征数据集；构建羽毛球运动员动作识别网络模型，所述羽毛球运动员动作识别模型包括共享权重的改进一维残差网络与长短时记忆网络；对所述羽毛球运动员动作识别模型进行训练；使用训练好的羽毛球运动员动作识别模型对羽毛球实时比赛视频进行运动员动作的实时识别，输出运动员动作类别。本发明能够提高羽毛球运动员动作识别的准确率和泛化性，降低假阳性击球等动作的误判率，为羽毛球运动员能力分析系统、智能裁判系统提供数据支持。

主权项：1.一种融合场景信息的羽毛球运动员动作智能识别方法，其特征在于，包括如下步骤：S1：采集包含N类目标动作的羽毛球比赛视频，使用骨骼关键点检测模型和羽毛球定位模型分别获取每帧比赛视频对应的骨骼关键点坐标数据和羽毛球定位坐标数据，对获取的数据进行人工确认和调整，同时生成每个数据对应的目标动作类别和对应的长度为N的独热编码标签，构建包含N类目标动作的特征数据集；S2：构建设计羽毛球运动员动作识别网络模型，所述羽毛球运动员动作识别模型包括共享权重的改进一维残差网络与长短时记忆网络；所述改进一维残差网络包括输入模块、特征提取模块和向量输出模块，用于对输入的骨骼关键点坐标数据和羽毛球定位坐标数据进行融合，特征提取模块的改进残差单元可以缓解梯度消失，加快网络收敛；所述长短时记忆网络包括记忆模块和分类输出模块，用于对融合后的骨骼关键点坐标数据和羽毛球定位坐标数据进行分类，输出动作分类的特征向量；所述输入模块包括一维卷积操作和一维最大池化下采样操作，输入数据经过所述输入模块进行特征提取与下采样操作得到通道数更多，长度更短的特征矩阵；所述特征提取模块包括M个改进残差单元，所述改进残差单元包括3层基础卷积和2层残差旁路，输入所述改进残差单元的特征矩阵经过第1层基础卷积得到特征矩阵a，再经过第2层基础卷积和第3层基础卷积得到特征矩阵b，所述特征矩阵a经过第一残差旁路得到特征矩阵c，输入所述改进残差单元的特征矩阵经过第二残差旁路得到特征矩阵d，将特征矩阵b、特征矩阵c和特征矩阵d进行矩阵值相加，得到改进残差单元输出的特征矩阵；所述特征提取模块中偶数层改进残差单元需要进行下采样操作；对于需要进行下采样的改进残差单元，则设置两层残差旁路和第3层基础卷积中一维卷积操作的步距大于等于2；所述向量输出模块包括一个全连接操作，特征提取模块输出的特征矩阵进行展平处理后经过全连接操作，得到表征输入数据的特征向量；所述残差旁路包括一维卷积操作，所述基础卷积包括一维卷积操作、一维批归一化操作和ReLU激活函数；所述记忆模块包括一个1个LSTM操作，LSTM操作的输入特征尺寸与改进一维残差网络输出的特征向量尺寸保持一致，将L帧改进一维残差网络输出的特征向量进行序列长度叠加，输入记忆模块，选择记忆模块最后一个时间步的输出作为记忆模块的输出；所述分类输出模块包括第一全连接操作、随机失活操作和第二全连接层操作，记忆模块的输出经过分类输出模块得到动作分类的特征向量；S3：对所述羽毛球运动员动作识别模型进行训练，训练时学习率采用等差下降策略，使用交叉熵损失函数并采用SGD优化器进行迭代收敛，设置数据集路径和网络超参数，并将步骤S1获得的特征数据集随机划分为训练集与验证集，保留验证集准确率最高的一组模型权重；S4：使用训练好的羽毛球运动员动作识别模型对羽毛球实时比赛视频进行运动员动作的实时识别，输出运动员动作类别。

全文数据：

权利要求：

百度查询： 南昌航空大学 一种融合场景信息的羽毛球运动员动作智能识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD