健美操難度動作圖像手臂弧度軌跡自動定位方法

謝曉冰　徐立彬

摘 要：為了提高健美操難度動作訓練的有效性，需要進行健美操難度動作圖像的軌跡分析和定位，提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.構建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區域規劃方法進行健美操難度動作圖像的手臂弧度動作空間規劃，建立健美操難度動作圖像的手臂區域定姿模型，通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實現健美操難度動作圖像的手臂弧度軌跡區域自動定位.仿真結果表明，采用該方法進行健美操難度動作圖像手臂弧度軌跡定位的精度較高，空間定姿能力較強，在健美操訓練指導中具有很好的應用價值.

關鍵詞：健美操;難度動作;圖像;手臂弧度;軌跡;自動定位

中圖分類號：G831;TP391? 文獻標識碼：A? 文章編號：1673-260X（2020）03-0082-04

隨著健美操運動的發展，對健美操的運動難度提出了更高的要求，需要構建健美操難度動作圖像手臂弧度軌跡規劃模型，結合對健美操難度動作圖像的智能技能分析結果，進行健美操難度動作圖像分析，提高健美操的運動規劃能力，相關的健美操難度動作圖像手臂弧度軌跡定位方法研究受到人們的極大關注[1].對健美操難度動作圖像手臂弧度軌跡定位是建立在對圖像的自動處理基礎上，采用智能計算機信息處理技術，結合空間視覺特征分析方法，進行健美操難度動作圖像手臂弧度軌跡定位，通過模糊信息融合和軌跡自動定位控制，進行健美操難度動作圖像手臂弧度軌跡規劃[2]，指導健美操難度動作的訓練和改進，相關的健美操難度動作圖像手臂弧度軌跡自動定位方法研究受到人們的極大關注[3].本文提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.首先構建健美操難度動作圖像的視覺空間采樣模型，通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實現健美操難度動作圖像的手臂弧度軌跡區域自動定位，最后進行仿真測試分析，得出有效性結論.

1 健美操難度動作圖像的視覺空間采樣及特征提取

1.1 健美操難度動作圖像的視覺空間采樣

為了實現健美操難度動作圖像手臂弧度軌跡自動定位，需要首先構建健美操難度動作視覺圖像三維可視化表面重建模型，結合健美操難度動作視覺特征采樣結果，進行健美操難度動作視覺特征分析，通過空間視覺信息規劃的方法，進行健美操難度動作視覺特征分析[4]，假設健美操難度動作視覺圖像的邊緣輪廓長度為L=xmax-xmin，健美操難度動作視覺成像分布空間區域的寬度為W=ymax-ymin，結合模糊邊緣區域重構方法，進行健美操難度動作視覺特征分析，建立健美操難度動作的手臂弧度軌跡運動學模型[5]，得到健美操難度動作圖像的手臂弧的空間分布像素序列為：

其中，m為輪廓曲線的空間采樣延遲，結合模糊信息融合跟蹤識別方法，進行手臂弧度的軌跡自動定位.

構建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區域規劃方法進行健美操難度動作圖像的手臂弧度動作空間規劃[6]，得到健美操難度動作視覺圖像的灰度特征解為x（P（An））={X（sj）}，j=1，2，…，N，采用三維可視化表面可視化分析方法，進行動作分類，采用C均值聚類分析的方法，得到健美操難度動作圖像的邊緣輪廓特征分布集，采用手臂弧度的軌跡自動定位重組方法，進行健美操難度動作的區域特征重組，根據健美操難度動作樣本序列進行尺度分解，在尺度系數？滓（n）的約束下，進行健美操難度動作視覺圖像的視覺跟蹤和分塊匹配，健美操難度動作圖像的手臂弧度軌跡自動定位輸出為：

其中，e和e為健美操難度動作跟蹤目標域的分量，模板匹配大小為N1×N2，健美操難度動作視覺圖像的標準測試集為：

其中，||sj||表示sj中健美操難度動作圖像的相似度，結合模板匹配方法，進行健美操難度動作視覺圖像的軌跡跟蹤識別，根據規則化的量化特征分析結果，進行健美操難度動作視覺圖像的手臂弧度軌跡自動定位[7].

1.2 健美操難度動作圖像特征提取

構建健美操難度動作視覺圖像的稀疏性特征分割模型，得到健美操難度動作視覺圖像的三維結構分布式重組模型，采用向量量化檢測的方法，進行健美操難度動作的量化分布重組[8]，得到特征重組值為（x，y）=F（x，y）+（1-？茁）ml，其中F（x，y）為健美操難度動作視覺像素序列在（x，y）點的統計特征量，ml為第k個健美操難度動作視覺圖像的空間嵌入維數，設l2為局部方差，？啄？濁2為健美操難度動作圖像手臂弧度軌跡特征分布分量，？茁=max[，0].按照（16：4：4）的比例進行健美操難度動作圖像手臂弧度軌跡分布式重構，在非均勻量化集中進行健美操難度動作視覺跟蹤，得到視覺跟蹤的特征匹配值：

其中r和θ為健美操難度動作圖像手臂弧度軌跡分布的方位和方差，通過協方差矩陣構造的方法，健美操難度動作圖像手臂弧度軌跡跟蹤的模板函數為m（x，y）∈{-1，0，1}，對健美操難度動作圖像手臂弧度軌跡定位的特征分量為：

其中，r為健美操難度動作圖像的抽樣閾值，0≤r≤1.當前抽樣數據下進行健美操難度動作圖像分布式融合，得到均值為0，方差為的健美操難度動作圖像特征提取模型，根據特征提取結果進行軌跡自動定位[9].

2 定位算法優化實現

2.1 手臂區域定姿模型

建立健美操難度動作視覺圖像的視空間區域融合模型，得到健美操難度動作區域分布的灰度直方圖為：

其中，c為健美操難度動作圖像像素分布的列數，r為其行數.提取健美操難度動作視覺圖像的譜特征量，根據譜特征分布進行健美操難度動作視覺特征的多維重建，健美操難度動作軌跡自動定位的模糊度函數為：

其中，u為健美操難度動作視覺圖像的全局閾值分割的關聯像素點，？滓為健美操難度動作視覺圖像的顏色差異度特征量，在Ag區域內，得到健美操難度動作視覺圖像的局部關聯幀，重構健美操難度動作視覺圖像的邊緣輪廓特征分布集，得到健美操難度動作視覺圖像相似度特征量，重構圖像邊緣梯度信息[10]，得到健美操難度動作視覺圖像的邊緣與區域信息的變分水平集為：

結合空間區域濾波方法進行健美操難度動作視覺圖像濾波處理，得到R、G、B分量，建立健美操難度動作視覺分布特征向量為：

其中，Ic（y）為健美操難度動作視覺跟蹤的像素集，Ac表示健美操難度動作視覺圖像的尺度信息.根據衍射紋理特征點進行健美操難度動作信息融合，得到信息融合矩陣描述為：

采用超像素特征融合方法，得到像素特征點重構輸出為：

其中，p（i）為健美操難度動作視覺圖像的超像素大數據集分布維數，由此實現手臂區域定姿模型構造.

2.2 手臂弧度軌跡區域自動定位

建立健美操難度動作圖像的手臂區域定姿模型，通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，對圖像的活動輪廓進行優化分割，將健美操難度動作視覺圖像分割成M×N個2×2的子塊Gm，n，得到健美操難度動作視覺圖像的匹配集為：

充分利用健美操難度動作視覺圖像定姿特征，進行圖像的邊緣區域信息融合[11]，建立健美操難度動作圖像手臂弧度的軌跡分布函數描述為：

其中，K=2（k-1）（（K-1）！/）.考慮健美操難度動作特征量進行可視化表面重建，得到手臂弧度軌跡的自動定位輸出表示為：

其中，Gnew和Gold分別是健美操難度動作視覺圖像的分布向量集，綜上分析，通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實現健美操難度動作圖像的手臂弧度軌跡區域自動定位.

3 仿真實驗與結果分析

為了驗證本文方法在實現健美操難度動作圖像手臂弧度軌跡自動定位中的應用性能，結合Visual C++和Matlab進行仿真實驗，對健美操難度動作視圖像采樣數據庫來自于健美操動作評價的專家庫Corel庫，健美操難度動作視覺圖像采樣的測試樣本集規模為800，訓練樣本集為50，自適應迭代步長120，迭代步數為10000，圖像灰度平均值？駐=2.5，邊緣像素平均分布集為1.25，健美操動作視覺重建灰度像素值為120×120，根據上述仿真參數結果，進行健美操難度動作圖像手臂弧度軌跡自動定位，得到初始的健美操難度動作圖像如圖1所示.

以圖1的健美操難度動作圖像為研究對象，進行手臂弧度軌跡自動定位設計，采用空間分塊區域規劃方法進行健美操難度動作圖像的手臂弧度動作空間規劃，如圖2所示.

通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實現健美操難度動作圖像的手臂弧度軌跡區域自動定位，得到定位輸出如圖3所示.

分析上述仿真結果得知，本文方法能有效實現健美操難度動作圖像手臂弧度軌跡自動定位，測試定位精度，得到對比結果見表1，分析得知，本文方法進行健美操難度動作圖像手臂弧度軌跡定位的精度較高.

4 結語

構建健美操難度動作圖像手臂弧度軌跡規劃模型，結合對健美操難度動作圖像的智能技能分析結果，進行健美操難度動作圖像分析，提高健美操的運動規劃能力，提出基于邊緣輪廓特征檢測的健美操難度動作圖像手臂弧度軌跡自動定位方法.構建健美操難度動作圖像的視覺空間采樣模型，采用空間分塊區域規劃方法進行健美操難度動作圖像的手臂弧度動作空間規劃，建立健美操難度動作圖像的手臂區域定姿模型，通過模板自動匹配和小波多尺度分解方法，進行健美操難度動作圖像的手臂弧度邊緣輪廓檢測，實現健美操難度動作圖像的手臂弧度軌跡區域自動定位.分析得知，本文方法進行健美操難度動作圖像的手臂弧度軌跡區域自動定位的精度較高.

參考文獻：

〔1〕江山.基于形體輪廓特征提取的運動動作標志分析[J].科技通報，2015，31（08）：84-86.

〔2〕柏建常.新周期規則變動下集體五人操項目比賽特點分析[D].西安體育學院，2018.

〔3〕李志雙.健美操運動員足跡圖像快速識別仿真研究[J].計算機仿真，2017，34（03）：221-224+308.

〔4〕蔣虹.關于表象訓練對健美操訓練效果的影響研究[J].當代體育科技，2017，7（23）：24-25.

〔5〕馮婷.基于圖像的健美操動作精度監測研究[J].現代電子技術，2018，41（07）：75-79.

〔6〕楊旭，陳波，李小陽，等.遠距離數字離軸全息中基于圖像指標優化的相位誤差校正方法[J].激光雜志，2017，38（4）：96-100.

〔7〕鄭樂樂，韓慧妍，韓燮.基于顯著性與弱凸性的三維點云模型分割[J].計算機工程，2018，44（4）：299-304.

〔8〕周雨薇，陳強，孫權森，等.結合暗通道原理和雙邊濾波的遙感圖像增強[J].中國圖象圖形學報，2014，19（2）：313-321.

〔9〕卞樂，霍冠英，李慶武.基于Curvelet變換和多目標粒子群的混合熵MRI圖像多閾值分割[J].計算機應用，2016，36（11）：3188-3195.

〔10〕馮婷.基于圖像的健美操動作精度監測研究[J].現代電子技術，2018，41（07）：75-79.

〔11〕鄭樂樂，韓慧妍，韓燮.基于顯著性與弱凸性的三維點云模型分割[J].計算機工程，2018，44（4）：299-304.