本發(fā)明涉及視覺識(shí)別，尤其涉及一種基于視覺識(shí)別技術(shù)的蛇形跑訓(xùn)練考核系統(tǒng)。

背景技術(shù)：

1、蛇形跑訓(xùn)練是一種極具實(shí)用性和針對(duì)性的體育訓(xùn)練項(xiàng)目，廣泛應(yīng)用于足球、籃球、橄欖球等團(tuán)隊(duì)運(yùn)動(dòng)以及田徑、軍事訓(xùn)練等領(lǐng)域。它主要是通過模擬蛇行的軌跡，讓訓(xùn)練者在快速移動(dòng)過程中不斷改變方向，從而有效提升身體的靈活性、協(xié)調(diào)性和反應(yīng)能力。在訓(xùn)練過程中，通常會(huì)設(shè)置多個(gè)標(biāo)志物，如錐形桶等，訓(xùn)練者需要以最快速度在這些標(biāo)志物之間穿梭，同時(shí)保持身體的平衡和穩(wěn)定。這種訓(xùn)練方式能夠充分調(diào)動(dòng)身體的多個(gè)肌群，尤其是腿部、腰部和核心肌群，增強(qiáng)肌肉的力量和耐力。此外，蛇形跑還能鍛煉運(yùn)動(dòng)員的視覺注意力和空間感知能力，因?yàn)樵诳焖僮兿驎r(shí)，運(yùn)動(dòng)員需要時(shí)刻關(guān)注標(biāo)志物的位置以及周圍環(huán)境，避免碰撞。對(duì)于青少年運(yùn)動(dòng)員來說，蛇形跑訓(xùn)練有助于培養(yǎng)他們的運(yùn)動(dòng)興趣和身體素質(zhì)基礎(chǔ)；對(duì)于專業(yè)運(yùn)動(dòng)員而言，則是提升競(jìng)技水平、優(yōu)化技術(shù)動(dòng)作的重要手段。通過長(zhǎng)期堅(jiān)持蛇形跑訓(xùn)練，不僅可以提高運(yùn)動(dòng)員在比賽中的突破、防守和接應(yīng)能力，還能有效預(yù)防運(yùn)動(dòng)損傷，因?yàn)樗軌蛟鰪?qiáng)關(guān)節(jié)的靈活性和韌帶的強(qiáng)度?？傊咝闻苡?xùn)練是一種簡(jiǎn)單易行、效果顯著的訓(xùn)練方法，值得在各類體育訓(xùn)練中廣泛推廣和應(yīng)用。

2、然而進(jìn)行蛇形跑訓(xùn)練過程中，通常以人工的方式來進(jìn)行訓(xùn)練考核，必須要求在教練或者專業(yè)運(yùn)動(dòng)員在場(chǎng)的情況下才能夠進(jìn)行完善的訓(xùn)練考核，否則可能出現(xiàn)無效訓(xùn)練的情況。

3、故而提出一種基于視覺識(shí)別技術(shù)的蛇形跑訓(xùn)練考核系統(tǒng)用以解決或緩解上述問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種基于視覺識(shí)別技術(shù)的蛇形跑訓(xùn)練考核系統(tǒng)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種基于視覺識(shí)別技術(shù)的蛇形跑訓(xùn)練考核系統(tǒng)，包括多模態(tài)視覺采集模塊、桿件識(shí)別與動(dòng)態(tài)標(biāo)定模塊、身份與動(dòng)作聯(lián)合識(shí)別模塊、運(yùn)動(dòng)軌跡跟蹤模塊、三維撞桿檢測(cè)模塊、以及成績(jī)計(jì)算與補(bǔ)償模塊，所述多模態(tài)視覺采集模塊用于采集運(yùn)動(dòng)員的rgb圖像、深度信息及環(huán)境點(diǎn)云數(shù)據(jù)，并通過ieee?1588v2協(xié)議實(shí)現(xiàn)多視角時(shí)空同步，所述桿件識(shí)別與動(dòng)態(tài)標(biāo)定模塊用于集成改進(jìn)yolov8模型與自適應(yīng)投影校正算法，通過融合激光雷達(dá)點(diǎn)云數(shù)據(jù)，完成1-7根桿件的三維坐標(biāo)定位，建立運(yùn)動(dòng)平面坐標(biāo)系，所述身份與動(dòng)作聯(lián)合識(shí)別模塊用于通過多模態(tài)生物特征融合，完成運(yùn)動(dòng)員身份認(rèn)證及準(zhǔn)備姿態(tài)合規(guī)性檢測(cè)，所述運(yùn)動(dòng)軌跡跟蹤模塊基于改進(jìn)deepsort算法與匈牙利路徑匹配模型，實(shí)時(shí)計(jì)算人體14個(gè)關(guān)鍵點(diǎn)的三維坐標(biāo)，構(gòu)建蛇形跑運(yùn)動(dòng)軌跡，并檢測(cè)漏桿/錯(cuò)序違規(guī)行為，所述三維撞桿檢測(cè)模塊采用剛體碰撞模型與連續(xù)碰撞檢測(cè)算法，通過計(jì)算踝/膝/髖關(guān)鍵點(diǎn)與桿件安全區(qū)域的歐氏距離判定撞桿事件，所述成績(jī)計(jì)算與補(bǔ)償模塊基于ptpv2協(xié)議實(shí)現(xiàn)μs級(jí)起止時(shí)間同步，結(jié)合速度投影補(bǔ)償，輸出最終考核成績(jī)。

4、優(yōu)選地，所述多模態(tài)視覺采集模塊用于采集運(yùn)動(dòng)員的rgb圖像、深度信息及環(huán)境點(diǎn)云數(shù)據(jù)，并通過ieee?1588v2協(xié)議實(shí)現(xiàn)多視角時(shí)空同步，包括如下步驟，

5、利用高分辨率彩色攝像頭，按照設(shè)定的幀率，連續(xù)獲取運(yùn)動(dòng)員在蛇形跑過程中的彩色圖像序列；

6、采用深度傳感器，與rgb攝像頭同步工作，實(shí)時(shí)測(cè)量場(chǎng)景中物體與相機(jī)之間的距離，生成深度圖；

7、借助激光雷達(dá)等設(shè)備，對(duì)訓(xùn)練場(chǎng)地進(jìn)行掃描，獲取包含大量空間點(diǎn)位置信息的點(diǎn)云數(shù)據(jù)；

8、通過ieee?1588v2協(xié)議實(shí)現(xiàn)多視角時(shí)空同步。

9、優(yōu)選地，所述桿件識(shí)別與動(dòng)態(tài)標(biāo)定模塊用于集成改進(jìn)yolov8模型與自適應(yīng)投影校正算法，通過融合激光雷達(dá)點(diǎn)云數(shù)據(jù)，完成1-7根桿件的三維坐標(biāo)定位，建立運(yùn)動(dòng)平面坐標(biāo)系，包括如下步驟，

10、收集大量包含桿件的圖像數(shù)據(jù)，對(duì)原始yolov8模型進(jìn)行改進(jìn)和訓(xùn)練；

11、將采集到的rgb圖像輸入到訓(xùn)練好的改進(jìn)yolov8模型中，模型通過卷積層、特征金字塔等結(jié)構(gòu)，提取圖像中的特征，并輸出桿件的位置信息，包括桿件的類別、置信度以及包圍框的坐標(biāo)；

12、對(duì)激光雷達(dá)采集到的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪、濾波等操作；

13、通過獲取攝像頭和激光雷達(dá)的外參，將點(diǎn)云數(shù)據(jù)投影到圖像坐標(biāo)系下，所述外參包括旋轉(zhuǎn)矩陣和翻譯向量；

14、結(jié)合yolov8模型檢測(cè)到的桿件包圍框和配準(zhǔn)后的點(diǎn)云數(shù)據(jù)，篩選出位于桿件包圍框內(nèi)的點(diǎn)云點(diǎn)；

15、通過拍攝多張包含校正標(biāo)志的圖像，利用張正友標(biāo)定法獲取攝像頭的內(nèi)參和外參；

16、通過實(shí)時(shí)監(jiān)測(cè)場(chǎng)地的變化情況，利用以下公式對(duì)投影矩陣h進(jìn)行更新，，其中，為校正增量，為歷史投影矩陣，為實(shí)時(shí)投影矩陣，可通過最小二乘法等優(yōu)化算法計(jì)算得到，當(dāng)檢測(cè)到場(chǎng)地變化時(shí)，收集多組新的圖像數(shù)據(jù)和對(duì)應(yīng)的已知三維坐標(biāo)數(shù)據(jù)，構(gòu)建誤差方程，，其中，e為投影誤差，為圖像中的像素坐標(biāo)，為對(duì)應(yīng)的世界坐標(biāo)，通過最小化誤差平方和：求解得到，實(shí)現(xiàn)對(duì)投影矩陣h的自適應(yīng)校正；

17、利用激光雷達(dá)點(diǎn)云數(shù)據(jù)中場(chǎng)地的點(diǎn)云信息，擬合出運(yùn)動(dòng)平面，以擬合出的運(yùn)動(dòng)平面為基礎(chǔ)，建立運(yùn)動(dòng)平面坐標(biāo)系。

18、優(yōu)選地，所述身份與動(dòng)作聯(lián)合識(shí)別模塊用于通過多模態(tài)生物特征融合，完成運(yùn)動(dòng)員身份認(rèn)證及準(zhǔn)備姿態(tài)合規(guī)性檢測(cè)，包括如下步驟，

19、利用高清攝像頭獲取運(yùn)動(dòng)員的面部圖像，通過人臉檢測(cè)算法定位面部關(guān)鍵點(diǎn)，提取人臉的幾何特征和紋理特征，幾何特征包括眼睛、鼻子、嘴巴的位置、間距和比例關(guān)系，紋理特征則涉及皮膚的紋理細(xì)節(jié)、顏色分布等信息；

20、通過深度傳感器獲取運(yùn)動(dòng)員的身體深度信息，結(jié)合三維重建技術(shù)，獲取運(yùn)動(dòng)員身體各部位的空間位置和姿態(tài)信息，利用關(guān)節(jié)點(diǎn)檢測(cè)算法，定位運(yùn)動(dòng)員身體的關(guān)鍵關(guān)節(jié)點(diǎn)，所述關(guān)鍵關(guān)節(jié)點(diǎn)包括肩膀、肘部、手腕、髖部、膝關(guān)節(jié)、踝關(guān)節(jié)，提取關(guān)節(jié)點(diǎn)的位置、角度和相對(duì)位置關(guān)系等特征；

21、將人臉特征和身體姿態(tài)特征進(jìn)行融合，形成綜合的生物特征向量，采用特征級(jí)融合方法，將兩種特征向量進(jìn)行拼接或加權(quán)融合；

22、將融合后的特征向量與預(yù)先存儲(chǔ)的運(yùn)動(dòng)員特征庫中的特征向量進(jìn)行匹配，采用相似度度量方法，計(jì)算待識(shí)別特征向量與庫中特征向量之間的相似度；

23、根據(jù)相似度度量結(jié)果，選擇相似度最高的運(yùn)動(dòng)員作為識(shí)別結(jié)果；

24、從采集到的深度信息和關(guān)節(jié)點(diǎn)數(shù)據(jù)中，提取運(yùn)動(dòng)員準(zhǔn)備姿態(tài)的關(guān)鍵特征；

25、將提取的姿態(tài)特征與預(yù)設(shè)的標(biāo)準(zhǔn)準(zhǔn)備姿態(tài)特征模板進(jìn)行對(duì)比，判斷運(yùn)動(dòng)員的準(zhǔn)備姿態(tài)是否符合規(guī)范。

26、優(yōu)選地，所述運(yùn)動(dòng)軌跡跟蹤模塊基于改進(jìn)deepsort算法與匈牙利路徑匹配模型，實(shí)時(shí)計(jì)算人體14個(gè)關(guān)鍵點(diǎn)的三維坐標(biāo)，構(gòu)建蛇形跑運(yùn)動(dòng)軌跡，并檢測(cè)漏桿/錯(cuò)序違規(guī)行為，包括如下步驟，

27、在deepsort算法中，每個(gè)跟蹤目標(biāo)的狀態(tài)由卡爾曼濾波器維護(hù)，包括目標(biāo)的位置、速度和加速度等信息；

28、在每一幀中，使用卡爾曼濾波器對(duì)每個(gè)跟蹤目標(biāo)的下一幀位置進(jìn)行預(yù)測(cè)；

29、計(jì)算檢測(cè)目標(biāo)與跟蹤軌跡之間的關(guān)聯(lián)函數(shù)值；

30、基于計(jì)算得到的關(guān)聯(lián)成本矩陣，采用匈牙利算法進(jìn)行最優(yōu)匹配，將檢測(cè)目標(biāo)分配給最可能的跟蹤軌跡；

31、將運(yùn)動(dòng)員的運(yùn)動(dòng)軌跡表示為一系列關(guān)鍵點(diǎn)的三維坐標(biāo)序列，在存在多條可能路徑的情況下，利用匈牙利算法對(duì)不同路徑進(jìn)行匹配和選擇；

32、將深度傳感器獲取的深度信息與關(guān)鍵點(diǎn)的二維圖像坐標(biāo)相結(jié)合，計(jì)算關(guān)鍵點(diǎn)的三維坐標(biāo)，對(duì)不同視角下計(jì)算得到的三維坐標(biāo)進(jìn)行融合；

33、在每一幀中，根據(jù)匹配結(jié)果和計(jì)算得到的三維關(guān)鍵點(diǎn)坐標(biāo)，更新運(yùn)動(dòng)員的運(yùn)動(dòng)軌跡，采用平滑算法對(duì)軌跡進(jìn)行平滑處理；

34、根據(jù)蛇形跑的規(guī)則，定義桿件的正確通過順序，將運(yùn)動(dòng)員的運(yùn)動(dòng)軌跡與桿件的位置進(jìn)行對(duì)比分析，在三維空間中，計(jì)算軌跡點(diǎn)與各桿件之間的距離，判斷運(yùn)動(dòng)員是否按照規(guī)定的順序通過桿件，根據(jù)軌跡與桿件的關(guān)系，判斷是否存在漏桿或錯(cuò)序行為。

35、優(yōu)選地，所述三維撞桿檢測(cè)模塊采用剛體碰撞模型與連續(xù)碰撞檢測(cè)算法，通過計(jì)算踝/膝/髖關(guān)鍵點(diǎn)與桿件安全區(qū)域的歐氏距離判定撞桿事件，包括如下步驟，

36、將運(yùn)動(dòng)員的踝、膝、髖關(guān)節(jié)視為剛體模型中的碰撞點(diǎn)，這些點(diǎn)在三維空間中的位置通過運(yùn)動(dòng)軌跡跟蹤模塊計(jì)算得到的三維坐標(biāo)確定；

37、為每根桿件設(shè)定一個(gè)安全區(qū)域，通常是一個(gè)以桿件為中心，具有一定半徑的圓柱體或其他合適形狀的區(qū)域；

38、在蛇形跑的動(dòng)態(tài)過程中，連續(xù)獲取每一幀圖像中人體關(guān)鍵點(diǎn)的三維坐標(biāo)信息，形成時(shí)間序列數(shù)據(jù)；

39、定義碰撞檢測(cè)函數(shù)來判斷關(guān)鍵點(diǎn)是否進(jìn)入桿件的安全區(qū)域，當(dāng)碰撞檢測(cè)函數(shù)的值從0變?yōu)?時(shí)，判定發(fā)生撞桿事件；

40、在三維撞桿檢測(cè)中，計(jì)算每個(gè)關(guān)鍵點(diǎn)與各桿件中心之間的歐氏距離；

41、綜合多個(gè)關(guān)鍵點(diǎn)的碰撞檢測(cè)結(jié)果來最終判定撞桿事件，在某一時(shí)刻，至少有一個(gè)關(guān)鍵點(diǎn)與桿件的安全區(qū)域發(fā)生碰撞，則判定為撞桿。

42、優(yōu)選地，所述成績(jī)計(jì)算與補(bǔ)償模塊基于ptpv2協(xié)議實(shí)現(xiàn)μs級(jí)起止時(shí)間同步，結(jié)合速度投影補(bǔ)償，輸出最終考核成績(jī)，包括如下步驟，

43、基于ptpv2協(xié)議實(shí)現(xiàn)μs級(jí)起止時(shí)間同步；

44、當(dāng)運(yùn)動(dòng)員起跑時(shí)，系統(tǒng)通過檢測(cè)運(yùn)動(dòng)員腳的位置變化，判斷其是否越過第1根桿的初始位置，以此作為起跑時(shí)間的記錄依據(jù)，起跑時(shí)間通過時(shí)間同步后的設(shè)備時(shí)間戳確定，當(dāng)運(yùn)動(dòng)員完成蛇形跑并返回，通過檢測(cè)其撞線瞬間，確定結(jié)束時(shí)間，結(jié)束時(shí)間通過時(shí)間同步后的設(shè)備時(shí)間戳確定；

45、蛇形跑成績(jī)?yōu)槠鹋軙r(shí)間和結(jié)束時(shí)間的時(shí)間差；

46、在蛇形跑過程中，系統(tǒng)實(shí)時(shí)計(jì)算運(yùn)動(dòng)員的速度，通過獲取運(yùn)動(dòng)員在不同時(shí)間點(diǎn)的位置信息，計(jì)算其瞬時(shí)速度；

47、將運(yùn)動(dòng)員的速度投影到蛇形跑的路徑上，以考慮路徑的曲線特性；

48、由于檢測(cè)系統(tǒng)的延遲或時(shí)間同步的微小誤差，實(shí)際記錄的時(shí)間可能與真實(shí)時(shí)間存在偏差，通過速度投影補(bǔ)償，對(duì)成績(jī)進(jìn)行修正；

49、將時(shí)間同步計(jì)算得到的起止時(shí)間和速度投影補(bǔ)償后的成績(jī)進(jìn)行整合，得到最終的考核成績(jī)；

50、將最終成績(jī)通過語音或顯示屏等方式及時(shí)反饋給運(yùn)動(dòng)員，并將成績(jī)數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中，以便后續(xù)的統(tǒng)計(jì)和分析。

51、本發(fā)明具有以下有益效果：

52、本發(fā)明的系統(tǒng)實(shí)現(xiàn)了蛇形跑訓(xùn)練考核的全流程自動(dòng)化，從運(yùn)動(dòng)員身份識(shí)別、準(zhǔn)備姿態(tài)檢測(cè)，到運(yùn)動(dòng)過程中的實(shí)時(shí)跟蹤、撞桿檢測(cè)，再到最終成績(jī)的自動(dòng)計(jì)算與補(bǔ)償，整個(gè)過程無需人工干預(yù)。這不僅大大提高了訓(xùn)練考核的效率，還減少了人為因素對(duì)考核結(jié)果的干擾，確保了考核的公正性和客觀性，例如，傳統(tǒng)考核中需要教練手動(dòng)記錄時(shí)間，而本系統(tǒng)通過ptpv2協(xié)議實(shí)現(xiàn)μs級(jí)起止時(shí)間同步，結(jié)合速度投影補(bǔ)償，能夠精準(zhǔn)地自動(dòng)記錄成績(jī)，避免了人工計(jì)時(shí)的誤差；

53、系統(tǒng)采用了多模態(tài)視覺采集模塊，融合了rgb圖像、深度信息及環(huán)境點(diǎn)云數(shù)據(jù)，并通過ieee?1588v2協(xié)議實(shí)現(xiàn)多視角時(shí)空同步。這種多維度的數(shù)據(jù)采集方式，能夠全面、準(zhǔn)確地捕捉運(yùn)動(dòng)員在蛇形跑過程中的各種信息，各模塊運(yùn)用先進(jìn)的算法對(duì)數(shù)據(jù)進(jìn)行處理和分析，如改進(jìn)yolov8模型用于桿件識(shí)別、自適應(yīng)投影校正算法用于動(dòng)態(tài)標(biāo)定、改進(jìn)deepsort算法與匈牙利路徑匹配模型用于運(yùn)動(dòng)軌跡跟蹤等，確保了數(shù)據(jù)處理的精度和可靠性，以桿件識(shí)別為例，通過融合激光雷達(dá)點(diǎn)云數(shù)據(jù)，系統(tǒng)能夠精確地完成1?-?7根桿件的三維坐標(biāo)定位，建立運(yùn)動(dòng)平面坐標(biāo)系，為后續(xù)的運(yùn)動(dòng)軌跡分析和撞桿檢測(cè)提供了精準(zhǔn)的空間參考；

54、本系統(tǒng)不僅能準(zhǔn)確計(jì)算運(yùn)動(dòng)員的蛇形跑成績(jī)，還能對(duì)訓(xùn)練過程進(jìn)行全面的評(píng)估和分析，通過三維撞桿檢測(cè)模塊，可以實(shí)時(shí)判定撞桿事件，幫助運(yùn)動(dòng)員及時(shí)發(fā)現(xiàn)和糾正動(dòng)作中的問題；通過運(yùn)動(dòng)軌跡跟蹤模塊，能夠檢測(cè)漏桿/錯(cuò)序違規(guī)行為，為運(yùn)動(dòng)員提供詳細(xì)的運(yùn)動(dòng)軌跡數(shù)據(jù)，使其了解自己在蛇形跑過程中的路徑選擇和變向情況；同時(shí)，身份與動(dòng)作聯(lián)合識(shí)別模塊還能對(duì)運(yùn)動(dòng)員的準(zhǔn)備姿態(tài)進(jìn)行合規(guī)性檢測(cè)，確保其在起跑前處于正確的姿態(tài)，有助于提高訓(xùn)練效果和預(yù)防運(yùn)動(dòng)損傷。這些全面的評(píng)估信息，為運(yùn)動(dòng)員和教練提供了科學(xué)的訓(xùn)練反饋，有助于制定更合理的訓(xùn)練計(jì)劃和改進(jìn)訓(xùn)練方法。