一种基于运动轨迹的球类发球陪练方法

摘要

本发明公开了一种基于运动轨迹的球类发球陪练方法，包括以下步骤：步骤1：获取多个球类发球时球拍的运动轨迹；步骤2：由步骤1采集的多个运动轨迹提取特征向量；步骤3：针对步骤2获得的特征向量，训练得到粒子群‑支持向量机模型；步骤4：对待评定的球拍运动轨迹进行查找，依据发球轨迹特征在运动轨迹中提取出发球轨迹，输入步骤3中训练好的粒子群‑支持向量机模型，进行发球成功与否的评定；本发明方法实现更加客观的球类运动员发球时的技术动作分析，帮助教练员和运动员发现不规范的动作或是错误动作，提高体育训练效率，改进运动技术，从而达到辅助训练的目的。

权利要求

1.一种基于运动轨迹的球类发球陪练方法，其特征在于，包括以下步骤：步骤1：获取多个球类发球时球拍的运动轨迹；

步骤2：由步骤1采集的多个运动轨迹提取特征向量；

步骤3：针对步骤2获得的特征向量，训练得到粒子群-支持向量机模型；

步骤4：对待评定的球拍运动轨迹进行查找，依据发球轨迹特征在运动轨迹中提取出发球轨迹，输入步骤3中训练好的粒子群-支持向量机模型，进行发球成功与否的评定；

步骤2中，由步骤1采集的运动轨迹提取特征向量的步骤如下：

2-1记录发球y轨迹的极值点，并依据极值点记录如下值：第一个极小值点到第一个极大值点经历的时间t0、走过的垂直距离d0；第二个最小值点到第二个极大值点经历的时间t2、走过的垂直距离d2；第二个极大值点到第三个极小值点经历的时间t3、走过的垂直距离d3；第一个极小值点到第三个极小值点经历的时间t；一个发球周期内的最大值点的y坐标d；

2-2依据步骤2-1记录的数据计算如下特征：x0＝t0/t；x1＝t1/t；x2＝t2/t；x3＝t3/t；x4＝d0/(d×x0)；x5＝d1/(d×x1)；x6＝d2/(d×x2)；x7＝d3/(d×x3)；x8＝d2/t2；x9＝d/t；

2-3依据步骤2-2给出的特征数据进一步提取特征：计算步骤2-2中x0到x3这一组数据的方差δ1，x4到x7这一组数据的方差δ2，令x10＝δ1，x11＝δ2；

2-4依据步骤2-2、2-3提取的特征构成11维特征向量：X＝{x0,x1,…x11}；

2-5分别提取训练组nx个样本的特征向量X，表示为：

其中Xi∈R11，为第i组样本提取的含有11个特征的特征向量，Yi∈{-1，1},i＝1,2,...,nx，当向量Xi是成功发球轨迹提取的特征时，Yi取1，否则取-1。

2.如权利要求1所述的基于运动轨迹的球类发球陪练方法，其特征在于，步骤1中，获得发球时球拍的运动轨迹的具体步骤如下：

1-1将标记点置于球拍上；

1-2采集标记点运动轨迹，即球拍的运动轨迹，并仅保留空间坐标系中垂直地面方向的y轴运动轨迹待用，共采集n组，其中发球成功轨迹n1组，发球失败轨迹n2组，其中n1+n2＝n；

1-3在步骤1-2得到的运动轨迹中截取发球过程的运动轨迹；

1-4将步骤1-3提取出来的n组发球运动轨迹分成两组：训练组和测试组。

3.如权利要求2所述的基于运动轨迹的球类发球陪练方法，其特征在于，标记点置于球拍的球头顶端远离拍喉一侧。

4.如权利要求1所述的基于运动轨迹的球类发球陪练方法，其特征在于，步骤3中，针对步骤2获得的特征向量训练粒子群-支持向量机模型的步骤为：

3-1选择径向基核函数作为粒子群-支持向量机模型的核，径向基核函数如下式所示：上式中xj为待处理样本数据，xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围；

3-2将步骤2-5提取的特征向量分成4组，对粒子群-支持向量机模型进行交叉验证参数σ，和惩罚参数C，其中0.1≤C≤100，0.01≤σ≤1000；

3-3通过PSO算法优化惩罚参数C和核函数参数σ取值。

5.如权利要求1所述的基于运动轨迹的球类发球陪练方法，其特征在于，步骤4中对进行发球成功与否的评定的具体过程为：

4-1获取待评定球拍顶点处所放置的光标记点y的轨迹数据，当碰到轨迹上的极小值点时，顺序搜寻以后4秒内的曲线的极值点；

4-2当后续搜寻的极值点出现的顺序是极大值点、极小值点、再极大值点、极小值点，且满足后一个极大值点取值大于前一个极大值点，后续搜索碰到的第一个极小值点取值大于整个搜索过程碰到的第一个极小值点时，认为找到一个发球轨迹，并将发球轨迹输入步骤3中的粒子群-支持向量机模型进行发球成功与否的判断；

4-3如果发球失败，则将此次发球轨迹提取的特征向量与模型中的标准发球轨迹提取的特征向量进行比较，以便判断在哪个阶段发球动作与标准动作存在差距，从而进行针对性训练，进行改正。

说明书

一种基于运动轨迹的球类发球陪练方法

技术领域

[0001] 本发明涉及三维运动处理领域，特别涉及一种基于运动轨迹的球类发球陪练方法。

背景技术

[0002] 在网球运动中，发球是最关键的基础技术之一。其技术动作可由运动员自身完整实施，而不需要与对手对抗，是网球运动中一种重要的得分手段。在网球发球中，球拍的最佳位置、运动轨迹、高度和速度是非常重要的。

[0003] 目前，Olivier Girard等人通过限制发球过程中膝盖的伸展角度，研究了膝盖运动对网球平击发球的影响。Ikram Hussain等人为了提高网球的发球速度，对身体各个部分进行了深入的运动学分析。在众多外界因素中，Pedro C.Mendes等认为风对发球成功率影响比较大，并对不同的风速、风向进行了详细的论证。

[0004] 上述对网球发球过程的研究要么从人体姿态出发、要么从外界环境出发，虽能对网球发球技术提高起到指导作用，但研究模型复杂不易实现。针对上述问题，为了提高培训效果，也有研究者提出了一些发球训练装置，例如公开号为CN203469419U的专利文献公开了羽毛球发球训练系统，涉及一种羽毛球训练系统。是为了适应羽毛球发球机动性、准确性的智能训练的需求。阵列式指示灯分布在羽毛球球场的一侧，阵列式指示灯的控制信号输入端与控制电路的控制信号输出端连接；红外信号接收电路的红外信号输出端与控制电路的红外信号输入端连接；红外信号接收电路用于接收红外信号发射电路发射的红外信号；阵列式按键的按键信号输出端与红外信号发射电路的按键信号输入端连接；摄像机用于采集发球落点的图像；摄像机的图像信号输出端与控制电路的图像信号输入端连接；控制电路的控制信号输出端与摄像机的控制信号输入端连接。该发明适用于羽毛球发球训练过程中。

[0005] 但是上述的发球训练机构存在结构复杂、使用不便以及测试不准确等问题，因此，针对该问题，提出一种基于运动轨迹的球类发球陪练方法，实现球类训练的客观、有效的指导十分必要。

发明内容

[0006] 本发明提供了一种基于运动轨迹的球类发球陪练方法，通过对球类某一点或者球拍顶点运动轨迹的研究实现对平击发球成功与否的判断，进而给出技术指导，能提高球类发球训练效率，辅助球类发球训练。

[0007] 一种基于运动轨迹的球类发球陪练方法，包括以下步骤：

[0008] 步骤1：获取多个球类发球时球拍的运动轨迹；

[0009] 步骤2：由步骤1采集的多个运动轨迹提取特征向量；

[0010] 步骤3：针对步骤2获得的特征向量，训练得到粒子群-支持向量机模型(简称PSO-SVM模型)；

[0011] 步骤4：对待评定的球拍运动轨迹进行查找，依据发球轨迹特征在运动轨迹中提取出发球轨迹，输入步骤3中训练好的粒子群-支持向量机模型，进行发球成功与否的评定。

[0012] 为了便于实现，简化操作步骤，优选的，步骤1中，获得发球时球拍的运动轨迹的具体步骤如下：

[0013] 1-1将标记点置于球拍上；为了提高准确性，优选的，标记点置于球拍的球头顶端远离拍喉一侧。标记点此处优选的指光标记点，光标记点作为处理目标易被红外光相机检测到。光标记点置于球拍顶端。

[0014] 1-2采集标记点运动轨迹，即球拍的运动轨迹，并仅保留空间坐标系中垂直地面方向的y轴运动轨迹待用，共采集n组，其中发球成功轨迹n1组，发球失败轨迹n2组，其中n1+n2＝n；利用OptiTrack三维红外运动捕捉系统，配合12台Prime13(简称p13)红外光高速相机，采集marker点(标记点)运动轨迹。

[0015] 用OptiTrack采集发球动作，每组大约800帧，通过观察发现X、Z轴方向的数据因不同人采用的发球技巧、动作习惯有差异导致轨迹形状因人而异，规律性较弱，但Y轴(垂直方向坐标分量)轨迹变化规律雷同。因此选取Y轴数据作为最终的分析对象。

[0016] 1-3在步骤1-2得到的运动轨迹中截取发球过程的运动轨迹；

[0017] 这里截取的发球轨迹用于训练PSO-SVM模型，需要精确，所以结合拍摄发球视频时的实际情况，人为截取发球过程的运动轨迹。

[0018] 1-4将步骤1-3提取出来的n组发球运动轨迹分成两组：训练组和测试组。其中，训练组分得的发球轨迹数量为nx＝0.75n＝0.75n1+0.75n2，测试组发球轨迹数量为nc＝0.25n＝0.25n1+0.25n2。数据可以适应性选择。

[0019] 优选的，步骤2中，由步骤1采集的运动轨迹提取特征向量的步骤如下：

[0020] 2-1记录发球y轨迹的极值点，并依据极值点记录如下值：第一个极小值点到第一个极大值点经历的时间t0、走过的垂直距离d0；第二个最小值点到第二个极大值点经历的时间t2、走过的垂直距离d2；第二个极大值点到第三个极小值点经历的时间t3、走过的垂直距离d3；第一个极小值点到第三个极小值点经历的时间t；一个发球周期内的最大值点的y坐标d；

[0021] 进行步骤2-1操作的原因主要为标记的球拍顶点y轴运动轨迹形状具有规律可循：

[0022] T0之前都是发球的准备阶段，在发球开始前，全身保持放松，注意力集中，侧身站在发球区域，左肩前倾，对着左边网柱方向，面向右前方，两脚前后分开站立，成八字形，使重心位于前脚上。

[0023] T0-T1为引拍阶段：从发球动作的开始(T0)到击球时刻前球拍的第一个极大值点(T1)，此时身体重心适当向下，握拍手自动右下往后上方摆动，球拍一般引到肩部，手肘垂直，拍面平行于网带，与地面垂直。引拍阶段肘关节自然弯曲，下垂，重心移于后方的脚上，为发力做好准备工作。

[0024] 前挥加速阶段(T1-T2)：从击球前发球轨迹的第一个极大值点(T1)到下一个极小值点(T2)。球被抛出后，球拍继续向上摆起，躯干向前摆动，使身体在击球前呈“弓”型。

[0025] 击球阶段(T2-T3)：当球下降到击球点时，迅速向上挥拍击球，使手臂和身体充分伸展。挥拍击球时，持拍手腕带动小臂有一个旋内的鞭打动作，这是发球发力的关键动作，这一动作能把前期的重心前移、蹬腿、转体、挥拍等力量全部释放到球上。

[0026] 随挥阶段(T3-T4)：发生在击球后(T3)，持拍继续向击球方向伸展，利用惯性手臂稍作引导，球拍最终置于身体左侧。流畅舒展的随挥可以降低击球对关节和肌肉的损害。

[0027] 由上述可见，发球过程的每一个阶段起始和终了都对应曲线上的某个极值点，因此上述提取的量表征了不同发球阶段持续的时间和运行的垂直方向的距离。

[0028] 2-2依据步骤2-1记录的数据计算如下特征：x0＝t0/t；x1＝t1/t；x2＝t2/t；x3＝t3/t；x4＝d0/(d×x0)；x5＝d1/(d×x1)；x6＝d2/(d×x2)；x7＝d3/(d×x3)；x8＝d2/t2；x9＝d/t；

[0029] 2-3依据步骤2-2给出的特征数据进一步提取特征：计算步骤2-2中x0到x3这一组数据的方差δ1，x4到x7这一组数据的方差δ2，令x10＝δ1，x11＝δ2。

[0030] 2-4依据步骤2-2、2-3提取的特征构成11维特征向量：X＝{x0,x1,···x11}；

[0031] 上述步骤2-2到步骤2-4提取的各特征的含义如下：x0到x3及特征x10表征发球各阶段时间分配是否合理，x4到x7及x11则表示运动速度分配是否合理；x8用于体现击球的速度、爆发力；x9用于体现抛球高度和挥拍击球时间的配合关系，暗含了身高、球离手速度、球离手高度等信息。

[0032] 2 - 5 分 别 提 取 训 练 组 n x 个 样 本 的 特 征 向 量 X ，表 示 为 ：其中Xi∈R11，为第i组样本提取的含有11个特征的特征向
量，Yi∈{-1，1},i＝1,2,...,nx，当向量Xi是成功发球轨迹提取的特征时，Yi取1，否则取-1。

[0033] 优选的，步骤3中，针对步骤2获得的特征向量训练粒子群-支持向量机模型的步骤为：

[0034] 3-1选择径向基核函数作为粒子群-支持向量机模型的核，径向基核函数如下式所示：

[0035]

[0036] 上式中xj为待处理样本数据，xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围；

[0037] 选取径向基核函数的原因为：径向基核函数需要考虑的参数少，模型选择的复杂度就更小。

[0038] 3-2将步骤2-5提取的特征向量分成4组，对粒子群-支持向量机模型进行交叉验证参数σ，和惩罚参数C，其中0.1≤C≤100，0.01≤σ≤1000；

[0039] 3-3通过PSO算法优化惩罚参数C和核函数参数σ取值。

[0040] 优选的，4-1获取待评定球拍顶点处所放置的光标记点y的轨迹数据，当碰到轨迹上的极小值点时，顺序搜寻以后4秒(整个发球过程一般在2-3秒内就完成了，因此综合考虑后，选择大于3秒的4秒时长寻找发球轨迹，避免将完整的发球轨迹截断，或出现前后两条发球轨迹的重叠)内的曲线的极值点；

[0041] 4-2当后续搜寻的极值点出现的顺序是极大值点、极小值点、再极大值点、极小值点，且满足后一个极大值点取值大于前一个极大值点，后续搜索碰到的第一个极小值点取值大于整个搜索过程碰到的第一个极小值点时，认为找到一个发球轨迹，并将发球轨迹输入步骤3中的粒子群-支持向量机模型进行发球成功与否的判断；

[0042] 4-3如果发球失败，则将此次发球轨迹提取的特征向量与模型中的标准发球轨迹提取的特征向量进行比较，以便判断在哪个阶段发球动作与标准动作存在差距，从而进行针对性训练，进行改正。

[0043] 本发明在分析了传统支持向量机的参数选择方法的基础上，通过粒子群算法对支持向量机进行参数择优，提出了PSO_SVM球类发球模型，实现了依据球类球拍顶点处的运动轨迹判定发球成功与否的方法，从而实现对球类平击发球过程的指导。

[0044] 本发明的有益效果：

[0045] 本发明方法实现更加客观的球类运动员发球时的技术动作分析，帮助教练员和运动员发现不规范的动作或是错误动作，提高体育训练效率，改进运动技术，从而达到辅助训练的目的。

附图说明

[0046] 图1为本发明方法中光标记点结构示意图。

[0047] 图2为本发明方法中放置了光标记点的球拍的结构示意图。

[0048] 图3为世界坐标系和相机摆放位置示意图。

[0049] 图4为球拍标记点y轴的运动轨迹示意图。

[0050] 图5为本发明的基于运动轨迹的球类发球陪练方法的线框流程图。

具体实施方式

[0051] 如图1～5所示，本实施例的基于运动轨迹的球类发球陪练方法，以网球发球为例，如图5所示，包括以下步骤：

[0052] 步骤1：通过三维红外运动捕捉系统获得网球发球时球拍顶点的运动轨迹；

[0053] 步骤2：由步骤1采集的运动轨迹提取特征向量；

[0054] 步骤3：针对步骤2获得的特征向量训练粒子群-支持向量机模型(简称PSO-SVM模型)；

[0055] 步骤4：对待评定的球拍顶点运动轨迹进行查找，依据发球轨迹特征在运动轨迹中提取出发球轨迹，输入训练好的PSO-SVM模型，进行发球成功与否的评定，对网球发球给出技术性指导意见。

[0056] 具体的，步骤1中，通过三维红外运动捕捉系统获得网球发球时球拍顶点的运动轨迹的具体步骤如下：

[0057] 1-1如图1和2所示，将marker点1置于网球拍的球头顶端远离拍喉那一侧；

[0058] 1-2如图3所示，利用OptiTrack三维红外运动捕捉系统，配合12台Prime13(简称p13，图中的三角形)红外光高速相机，采集marker点运动轨迹，即网球球头顶端的运动轨迹，并仅保留空间坐标系中垂直地面方向的y轴运动轨迹待用，共采集60组，其中发球成功轨迹46组，发球失败轨迹14组。

[0059] 1-3在运动轨迹中人为截取发球过程的运动轨迹。

[0060] 用OptiTrack采集发球动作，每组大约800帧，通过观察发现X、Z轴方向的数据因不同人采用的发球技巧、动作习惯有差异导致轨迹形状因人而异，规律性较弱，但Y轴(垂直方向坐标分量)轨迹变化规律雷同。因此选取Y轴数据作为最终的分析对象。以第一组数据为例(共868帧)，人为选取0-632帧Y轴数据，如图4所示，进行分析，网球发球过程可分成:准备、引拍、前挥加速、击球和随挥五个阶段。分别对应图4中的T0之前，T0-T1，T1-T2，T2-T3，T3-T4阶段。

[0061] T0之前都是发球的准备阶段，在发球开始前，全身保持放松，注意力集中，侧身站在发球区域，左肩前倾，对着左边网柱方向，面向右前方，两脚前后分开站立，成八字形，使重心位于前脚上。

[0062] T0-T1为引拍阶段：从发球动作的开始(T0)到击球时刻前球拍的第一个极大值点(T1)，此时身体重心适当向下，握拍手自动右下往后上方摆动，球拍一般引到肩部，手肘垂直，拍面平行于网带，与地面垂直。引拍阶段肘关节自然弯曲，下垂，重心移于后方的脚上，为发力做好准备工作。

[0063] 前挥加速阶段(T1-T2)：从击球前发球轨迹的第一个极大值点(T1)到下一个极小值点(T2)。球被抛出后，球拍继续向上摆起，躯干向前摆动，使身体在击球前呈“弓”型。

[0064] 击球阶段(T2-T3)：当球下降到击球点时，迅速向上挥拍击球，使手臂和身体充分伸展。挥拍击球时，持拍手腕带动小臂有一个旋内的鞭打动作，这是发球发力的关键动作，这一动作能把前期的重心前移、蹬腿、转体、挥拍等力量全部释放到球上。

[0065] 随挥阶段(T3-T4)：发生在击球后(T3)，持拍继续向击球方向伸展，利用惯性手臂稍作引导，球拍最终置于身体左侧。流畅舒展的随挥可以降低击球对关节和肌肉的损害。

[0066] 由上述可见，发球过程的每一个阶段起始和终了都对应曲线上的某个极值点，因此上述提取的量表征了不同发球阶段持续的时间和运行的垂直方向的距离。

[0067] 1-4将步骤1-3提取出来的60组发球运动轨迹分成两组：训练组，测试组。训练组分得的发球轨迹数量为nx＝0.75×60＝0.75×46+0.75×14＝45，测试组发球轨迹数量为nc＝0.25×60＝0.25×46+0.25×14＝15。

[0068] 步骤2中，由步骤1采集的运动轨迹提取特征向量的步骤如下：

[0069] 2-1记录发球y轨迹的极值点，并依据极值点记录如下值：第一个极小值点到第一个极大值点经历的时间t0、走过的垂直距离d0；第二个最小值点到第二个极大值点经历的时间t2、走过的垂直距离d2；第二个极大值点到第三个极小值点经历的时间t3、走过的垂直距离d3；第一个极小值点到第三个极小值点经历的时间t；一个发球周期内的最大值点的y坐标d。

[0070] 2-2依据步骤2-1记录的数据计算如下特征：x0＝t0/t；x1＝t1/t；x2＝t2/t；x3＝t3/t；x4＝d0/(d×x0)；x5＝d1/(d×x1)；x6＝d2/(d×x2)；x7＝d3/(d×x3)；x8＝d2/t2；x9＝d/t。

[0071] 2-3依据步骤2-2给出的特征数据进一步提取特征：计算步骤2-2中x0到x3这一组数据的方差δ1，x4到x7这一组数据的方差δ2，令x10＝δ1，x11＝δ2。

[0072] 2-4依据步骤2-2、2-3提取的特征构成11维特征向量：X＝{x0,x1,···x11}。

[0073] 2 - 5 分 别 提 取 训 练 组 n x 个 样 本 的 特 征 向 量 X ，表 示 为 ：其中Xi∈R11，为第i组样本提取的含有11个特征的特征向
量，Yi∈{-1，1},i＝1,2,...,nx，当向量Xi是成功发球轨迹提取的特征时，Yi取1，否则取-1。

[0074] 步骤3中，针对步骤2获得的特征向量训练粒子群-支持向量机模型(简称PSO-SVM模型)的步骤为：

[0075] 3-1选择径向基核函数作为SVM的核，径向基核函数如下式所示：

[0076]

[0077] 上式中xj为待处理样本数据，xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围。

[0078] 3-2将步骤2-5提取的特征向量分成4组，对SVM进行交叉验证参数σ，和惩罚参数C，其中0.1≤C≤100，0.01≤σ≤1000。

[0079] 3-3通过PSO算法优化惩罚参数C和核函数参数σ取值。

[0080] 本文采用MATLAB R2012b，在实验环境为Intel Xeon(R)E5-2620 v3  CPU 2.40GHz，32.0GB内存的机器上，实现了PSO_SVM网球发球模型。45组特征向量的训练过程为：将提取的特征向量读入内存中，在SVM交叉验证参数的时候，通过PSO算法进行优化，来确定最优的惩罚参数c 和核函数参数g。PSO算法的缺省局部搜索能力为c1＝1.5，默认全局搜索能力为c2＝1.7，最大进化次数maxgen＝100，最大种群数sizepop＝20，速率更新公式中速度前面的弹性系数为ωv＝1，SVM参数c的最大值和最小值分别为100和0.1，SVM参数σ的最大值和最小值分别为1000和0.01。PSO算法返回最优的参数c和σ的值，分别为：bestc＝
0.1，bestg＝738.8443。我们先用45组发球数据来训练PSO_SVM网络，然后用15组数据作为测试集来检验此模型，测试训练效果。

[0081] 程序一共运行10次，每次都产生15个误差值，然后对误差值运行时间取绝对平均值，结果如表1所示。

[0082] 表1 PSO_SVM仿真效果

[0083]