面向体育训练的人体姿势实时识别研究

刘志鹏

（漳州职业技术学院,福建 漳州 363000）

随着国家教育体制改革的不断深入，高校体育教学水平进一步提升，尤其是新课程改革目标与教学计划的影响下，体育训练成为提升高校体育教学质量的重要教学内容，对于学生身体素质的提升具有重要影响[1-2].随着全民健身意识的逐步普及以及国家对于体育教学重视程度的提升，高校体育训练的重要性逐步凸显.尤其是体育训练作为高校体育教学的基础性环节之一，所涵盖的内容较广，包括跳远、跳高、跑步、铅球、排球、篮球、足球等多种[3]，这些运动都有一些规范性动作，而在高校体育训练过程中，由于部分姿势不到位，导致训练质量下降，最终影响到学生的体育成绩，可能会出现延期毕业等多种问题[4-5].所以为了提升高校体育训练效果，必须要对训练过程中的人体姿势进行识别，以便及时纠正在高校体育训练存在的问题，提升大学生的身体素质，所以相关的对于人体姿势实时识别方法的研究得到了社会各界的广泛关注.尤其是随着大数据和图像信息处理技术的发展，结合图像信息识别技术，构建面向体育训练的人体姿势实时识别方法，从而提高高校体育训练人体姿势的纠正能力，以期指导高校体育教学和训练，改善训练效果.因此研究相关的高校体育训练人体姿势识别方法，在促进体育训练教学质量优化过程中具有重要意义[6].所以为了提升高校体育训练过程中的纠错能力，提升教学质量，本文主要进行了面向体育训练的人体姿势实时识别研究，该方法主要采用特征提取的方法，实现高校体育训练人体姿势图像识别[7]，结合帧片段扫描技术实现高校体育训练人体姿势图像采样，从而实现高校体育训练人体姿势实时识别，最后通过仿真测试分析，验证了本文方法在提高高校体育训练人体姿势实时识别能力方面的优越性能.

1 高校体育训练人体姿势图像采样和特征表达

1.1 高校体育训练人体姿势图像采样

为了实现高校体育训练的人体姿势识别，本文以图像视觉和大数据融合作为识别基础，结合特征数据和运动特征提取的方法，构建高校体育训练人体姿势图像和数据分析模型，结合关联规则项挖掘分析，实现高校体育训练人体姿势特征数据的模糊度聚类分析，根据高校体育训练人体姿势特征结果，实现高校体育训练人体姿势图像识别[8].在此过程中，高校体育训练人体姿势图像采集模型如图1所示.

图1 高校体育训练人体姿势图像采集模型Fig.1 Human posture image acquisition model of college physical training

根据图1所示的采集模型，进行高校体育训练人体姿势图像采集，高校体育训练人体姿势图像采集模型主要分为设备层、网络层以及应用层三层，其中应用层主要利用数据采集仪器采集高校体育训练人体姿势图像，并将采集到的图像通过交换机上传至网络层，在网络层的支持下在设备层完成信息交换、数据融合与特征输出，实现高校体育训练人体姿势图像采集.

假设高校体育训练过程中的人体姿势图像的灰度像素集为(o,b)，以像素中心为基础，构建高校体育训练人体姿势特征数据的自相关分布式检测模型[9]，计算得出图像的灰度值w(a2).在学习数据集中，得到所对应的高校体育训练人体姿势视觉融合特征为：

构建高校体育训练人体姿势特征数据的融合模型，该模型的具体描述如下：

其中，x为高校体育训练人体姿势特征分布的列数，or2为高校体育训练人体动作模型上的三维坐标点.结合二维彩色图像重构方法，对高校体育训练过程中人体姿势图像实现边缘重构，得到高校体育训练人体姿势的图像采集输出：

对高校体育训练人体姿势图像实现特征检测，建立动态分布集，结合大数据检测，实现高校体育训练人体姿势识别[10].

1.2 人体姿势特征表达

结合帧片段扫描技术实现高校体育训练人体姿势图像采样，采用融合边缘轮廓特征分解方法实现高校体育训练人体姿势特征表达处理，采用融合边缘轮廓特征分解方法实现高校体育训练人体姿势分解[11]，得到高校体育训练人体姿势特征分布函数为

其中，gc表示形态学滤波算子，r=1,2,…,n,对采集的高校体育训练人体姿势图像进行深度融合处理，构建体高校体育训练人体姿势特征信息的特征聚类模型，建立高校体育训练人体姿势特征集表示为

其中，Tl1为区域边缘定位特征量，根据特征匹配结果，得到高校体育训练人体姿势关键特征输出为

其中，Dn为高校体育训练人体姿势的边缘特征分量，采用数学形态学方法，得到高校体育训练人体姿势的三维特征分布为

根据高校体育训练人体姿势特征数据的挖掘和融合结果，得到人体姿势特征的三维视觉表达为

以多目标关联分布式融合方法为基础，构建高校体育训练人体姿势特征数据检测学习模型，得到高校体育训练的人体姿势的输出联合参数为多个2×2的子块Gm,n，结合模糊区域像素重组方法，实现高校体育训练过程中的人体姿势视觉表达分析[12].

2 高校体育训练人体姿势识别

2.1 人体姿势视觉特征优化处理

建立高校体育训练人体姿势图像的视觉空间融合度分析模型，结合模糊度辨识方法实现人体姿势图像的去模糊度处理，提高高校体育训练人体姿势的视觉特征分析能力.结合模糊度辨识方法实现高校体育训练过程中的人体姿势图像的去模糊度处理[13]，得到人体姿势图像的视觉特征分布为

构建高校体育训练人体姿势特征数据的相关性融合调度模型，通过级联挖掘，得到灰度像素级f，构建高校体育训练人体姿势视觉检测分量为

通过无监督学习方法，实现高校体育训练人体姿势特征参数检测，得到组合函数为

其中，pi表示人体姿势图像视觉特征分布函数，ki则表示模糊综合特征量参数，通过分析高校体育训练人体姿势特征分布的模糊综合特征量，采用灰度不变矩特征分解方法构建高校体育训练过程中的人体姿势的边缘信息分布模型，表示为

在像素点均值作用下，实现高校体育训练人体姿势视觉重构[14].结合模糊度辨识方法实现高校体育训练人体姿势视觉信息分布式重组.

2.2 人体姿势识别结果输出

采用融合边缘轮廓特征分解方法实现高校体育训练人体姿势特征表达处理，在此基础上建立人体姿势图像的视觉空间融合度分析模型，使用梯度下降法实现高校体育训练人体姿势图像的区域分块分割[15]，使得高校体育训练人体姿势图像的稀疏特征值满足Rs=2gi，计算高校体育训练人体姿势图像Fm(x,y)的第m帧(x,y)处的分割函数.结合语义相关度特征匹配，实现高校体育训练人体姿势特征重组，输出的特征分量为：

式（14）中，Q表示高校体育训练人体姿势的联合熵，通过高校体育训练人体姿势视觉重构，计算高校体育训练人体姿势信息的先验分布集[16]，采用自适应的图像信息处理技术进行人体姿势识别，该识别结果输出为：

根据对高校体育训练人体姿势特征结果，结合自适应的图像信息处理技术进行人体姿势识别，根据识别结果进行错误动作纠正，以期提升高校体育训练质量与综合效果[17].

3 仿真实验与结果分析

为了测试方法在实现高校体育训练人体姿势实时识别的应用性能，采用SPSS 统计分析软件和Matlab进行仿真测试，高校体育训练人体姿势视觉采样的帧频率为36.5 kHz，特征分辨率为0.834，对视觉信息采集的时长为12 s，样本数据长度为1 200，训练样本数为240，采样大数据分析方法，以不同的体育项目为测试样本，得到统计分析结果见表1.

根据表1的统计分析结果，进行高校体育训练人体姿势识别，得到识别结果如图2所示.

表1 不同的体育项目人体姿势的统计分析结果Tab.1 Statistical analysis results of human posture in different sports events

分析图2得知，本文可以精准识别出高校田径训练过程中的跨栏动作，图像清晰度高，姿势识别结果更为精准，所以验证了利用本文方法进行高校体育训练人体姿势识别的图像分辨力较高.测试高校体育训练人体姿势识别输出的检验值和协方差分布，以检验这种方法的识别性能，具体结果见表2.

图2 高校体育训练人体姿势识别结果Fig.2 Human posture recognition results of college physical training

分析表2得知，方法进行高校体育训练人体姿势识别的误差较低，均方根误差较小，提高了高校体育训练人体姿势识别的准确性.

表2 识别性能测试Tab.2 Identification performance test

但是也存在一定的不足，就是实验样本数据量不够多，因此建议在下一步的研究中利用更多的样本数据进行高校体育训练人体姿势识别方法的反复检验，最大程度地提升本文研究结果的真实性与可信性.

4 结论

为了及时进行高校体育训练错误动作纠正，主要进行了面向体育训练的人体姿势实时识别研究，并通过一系列过程完成人体姿势实时识别方法的设计.实验结果表明，采用本文方法进行高校体育训练人体姿势图像识别的准确性较高，均方根误差较低，在指导高校体育训练人体姿势纠正中具有很好的应用价值，可以在实际中广泛推广.