田治國

基于特征提取的武術(shù)散打鞭腿動作視覺圖像識別方法

田治國

（漳州衛(wèi)生職業(yè)學(xué)院 健康與保健系，福建 漳州 363000）

為了提高武術(shù)散打鞭腿的動作有效指導(dǎo)性，提出基于特征提取的武術(shù)散打鞭腿動作視覺圖像識別方法。結(jié)合幀片段掃描技術(shù)進(jìn)行武術(shù)散打鞭腿動作視覺圖像采樣，采用邊緣特征分割方法進(jìn)行動作視覺特征表達(dá)處理，建立動作視覺圖像的邊緣輪廓特征分析模型，結(jié)合模糊度辨識方法進(jìn)行動作視覺圖像的去模糊度處理，提高動作視覺的輸出信噪比，建立動作視覺特征分析和自適應(yīng)特征提取模型，根據(jù)對動作視覺特征提取結(jié)果實(shí)現(xiàn)對武術(shù)散打鞭腿動作視覺圖像識別。仿真結(jié)果表明，采用該方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像識別的準(zhǔn)確性較高，特征識別能力較好，在指導(dǎo)武術(shù)散打鞭腿動作訓(xùn)練中具有很好的應(yīng)用價(jià)值。

武術(shù)；散打鞭腿；視覺圖像；特征提取

中國武術(shù)散打歷史悠久，鞭腿動作在武術(shù)散打領(lǐng)域中具有很高的應(yīng)用度，為了發(fā)揚(yáng)武術(shù)散打文化，提高武術(shù)散打的訓(xùn)練效果，結(jié)合圖像處理和計(jì)算機(jī)視覺特征識別方法，進(jìn)行武術(shù)散打圖像分析，采用模糊信息處理和特征提取技術(shù)，進(jìn)行武術(shù)散打中鞭腿過程中的視覺特征分析，構(gòu)建武術(shù)散打鞭腿的特征辨識模型，提高武術(shù)散打鞭腿動作指導(dǎo)性，相關(guān)的武術(shù)散打鞭腿動作圖像識別方法研究，在武術(shù)散打鞭腿動作指導(dǎo)訓(xùn)練中具有很好的應(yīng)用價(jià)值。對武術(shù)散打鞭腿動作視覺圖像識別是建立在對圖像的特征提取基礎(chǔ)上，建立武術(shù)散打鞭腿動作視覺圖像特征分析模型，采用邊緣輪廓特征提取方法[1-2]，進(jìn)行武術(shù)散打鞭腿動作視覺圖像識別，本文提出基于特征提取的武術(shù)散打鞭腿動作視覺圖像識別方法，結(jié)合幀片段掃描技術(shù)進(jìn)行武術(shù)散打鞭腿動作視覺圖像采樣，建立武術(shù)散打鞭腿動作視覺特征分析和自適應(yīng)特征提取模型，根據(jù)對武術(shù)散打鞭腿動作視覺特征提取結(jié)果實(shí)現(xiàn)對武術(shù)散打鞭腿動作視覺圖像識別。最后進(jìn)行仿真測試分析，展示了本文方法在提高武術(shù)散打鞭腿動作視覺圖像識別和動作有效性指導(dǎo)能力方面的優(yōu)越性能。

1 武術(shù)散打鞭腿動作視覺圖像采樣和特征表達(dá)

1.1 武術(shù)散打鞭腿動作視覺圖像采樣

其中，為武術(shù)散打鞭腿動作視覺特征分布的列數(shù)，為動作模型上的三維點(diǎn)。結(jié)合二維彩色圖像重構(gòu)方法，得到武術(shù)散打鞭腿動作視覺像素集分布特征量，對武術(shù)散打鞭腿動作視覺圖像進(jìn)行模糊融合處理，進(jìn)行武術(shù)散打鞭腿動作視覺跟蹤識別[5]，采用圖像分割方法構(gòu)建武術(shù)散打鞭腿動作特征動態(tài)分析模型，得到動態(tài)特征量：

對武術(shù)散打鞭腿動作視覺圖像進(jìn)行特征檢測，建立動態(tài)分布集，結(jié)合動態(tài)動作辨識方法，進(jìn)行動作圖像的優(yōu)化識別[6]。

1.2 動作特征表達(dá)處理

采用邊緣特征分割方法進(jìn)行武術(shù)散打鞭腿動作視覺特征表達(dá)處理，建立武術(shù)散打鞭腿動作視覺圖像的邊緣輪廓特征分析模型，得到武術(shù)散打鞭腿動作視覺分布函數(shù)為

2 武術(shù)散打鞭腿動作視覺圖像識別優(yōu)化

2.1 武術(shù)散打鞭腿動作視覺去模糊度處理

采用邊緣特征分割方法進(jìn)行武術(shù)散打鞭腿動作視覺特征表達(dá)處理，建立武術(shù)散打鞭腿動作視覺圖像的邊緣輪廓特征分析模型，結(jié)合模糊度辨識方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像的去模糊度處理，進(jìn)行武術(shù)散打鞭腿動作視覺圖像的多級特征分解，武術(shù)散打鞭腿動作視覺圖像的視覺特征分布為

采頻譜分割方法進(jìn)行武術(shù)散打鞭腿動作的關(guān)鍵動作特征點(diǎn)標(biāo)記，進(jìn)行武術(shù)散打鞭腿動作視覺圖像分割，構(gòu)建武術(shù)散打鞭腿動作視覺特征分析模型，得到視覺分布像素為

采用濾波器組合降噪方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像的降噪處理，濾波器組合函數(shù)為

2.2 武術(shù)散打鞭腿動作視覺圖像識別

采用的形態(tài)學(xué)知識進(jìn)行武術(shù)散打鞭腿動作視覺分解，建立武術(shù)散打鞭腿動作視覺特征分析和自適應(yīng)特征提取模型，根據(jù)對武術(shù)散打鞭腿動作視覺特征提取結(jié)果實(shí)現(xiàn)對武術(shù)散打鞭腿動作視覺圖像識別。

綜合上述分析，基于特征提取的武術(shù)散打鞭腿動作視覺圖像識別方法的具體流程如圖1所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測試本文方法在實(shí)現(xiàn)武術(shù)散打鞭腿動作視覺圖像識別的應(yīng)用性能，在仿真工具為Matlab 7下進(jìn)行仿真實(shí)驗(yàn)分析，實(shí)驗(yàn)參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

根據(jù)上述參數(shù)設(shè)定，選取樣本數(shù)據(jù)。實(shí)驗(yàn)中所使用的數(shù)據(jù)來源于百度圖庫，部分武術(shù)散打鞭腿動作視覺圖片共計(jì)10000張。剔除不合格圖像，選擇其中1000張圖像作為此次實(shí)驗(yàn)的訓(xùn)練集，將數(shù)據(jù)庫中的圖片格式設(shè)定為400*400。將1000張圖像隨機(jī)分為5組測試數(shù)據(jù)。將以上樣本設(shè)定作為此次實(shí)驗(yàn)的數(shù)據(jù)基礎(chǔ)，武術(shù)散打鞭腿動作視覺圖像如圖2所示。

以圖2的武術(shù)散打鞭腿動作視覺圖像為測試樣本，采用邊緣特征分割方法進(jìn)行武術(shù)散打鞭腿動作視覺特征表達(dá)處理，建立武術(shù)散打鞭腿動作視覺圖像的邊緣輪廓特征分析模型，得到特征提取結(jié)果如圖3所示。

圖2 武術(shù)散打鞭腿動作視覺圖像

圖3 武術(shù)散打鞭腿動作視覺圖像的特征提取結(jié)果

根據(jù)對武術(shù)散打鞭腿動作視覺圖像的特征提取結(jié)果，采用本文方法、語義識別方法和多層小波識別方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像的動作識別，得到識別結(jié)果如圖4所示。

圖4 武術(shù)散打鞭腿動作視覺圖像的識別結(jié)果

分析圖4得知，采用本文方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像識別的輸出質(zhì)量比語義識別方法和多層小波識別方法的武術(shù)散打鞭腿動作視覺圖像識別輸出質(zhì)量好。為了進(jìn)一步驗(yàn)證本文方法的有效性，測試不同方法進(jìn)行武術(shù)散打鞭腿動作視覺識別的誤差，得到對比結(jié)果如表2所示。

表2 武術(shù)散打鞭腿動作視覺識別的誤差對比

分析表2結(jié)果得知，本文方法進(jìn)行武術(shù)散打鞭腿動作視覺識別的誤差較低，而語義識別方法和多層小波識別方法的武術(shù)散打鞭腿動作視覺識別誤差均較高，說明本文方法的武術(shù)散打鞭腿動作視覺圖像識別效果較好。

4 結(jié)束語

結(jié)合圖像處理和計(jì)算機(jī)視覺特征識別方法，進(jìn)行武術(shù)散打圖像分析，采用模糊信息處理和特征提取技術(shù)，進(jìn)行武術(shù)散打中鞭腿過程中的視覺特征提取，需要進(jìn)行武術(shù)散打鞭腿動作視覺圖像優(yōu)化識別，提出基于特征提取的武術(shù)散打鞭腿動作視覺圖像識別方法，結(jié)合幀片段掃描技術(shù)進(jìn)行武術(shù)散打鞭腿動作視覺圖像采樣，建立武術(shù)散打鞭腿動作視覺圖像的邊緣輪廓特征分析模型，結(jié)合模糊度辨識方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像的去模糊度處理，提高武術(shù)散打鞭腿動作視覺的輸出信噪比，建立武術(shù)散打鞭腿動作視覺特征分析和自適應(yīng)特征提取模型，根據(jù)對武術(shù)散打鞭腿動作視覺特征提取結(jié)果實(shí)現(xiàn)對武術(shù)散打鞭腿動作視覺圖像識別。分析得知，采用本文方法進(jìn)行武術(shù)散打鞭腿動作視覺圖像識別的準(zhǔn)確性較高，誤差較低，在指導(dǎo)武術(shù)散打鞭腿動作訓(xùn)練中具有很好的應(yīng)用價(jià)值。

[1] 陳超. 多閾值優(yōu)化的運(yùn)動圖像輪廓特征提取方法[J]. 沈陽工業(yè)大學(xué)學(xué)報(bào)，2019, 41(03): 315-319

[2] 陸興華，劉銘原，龍慶佳，等. 基于灰度直方圖的運(yùn)動目標(biāo)特征檢測算法[J]. 計(jì)算機(jī)與現(xiàn)代化，2019(06): 71-75

[3] 梁漠楊. 圖像的采樣率自適應(yīng)分塊壓縮感知算法研究[D]. 2020

[4] 高晶，陳曉臻. 基于AR動態(tài)圖像的人物動作捕捉技術(shù)研究[J]. 現(xiàn)代電子技術(shù)，2018(8): 144-146

[5] 錢銀中，沈一帆. 姿態(tài)特征與深度特征在圖像動作識別中的混合應(yīng)用[J]. 自動化學(xué)報(bào)，2019, 45(03): 626-636

[6] 陳勝娣，魏維，何冰倩，等. 基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)的人體動作識別方法[J]. 計(jì)算機(jī)應(yīng)用研究，2019, 36(03): 945-949

[7] 張曉琪，侯世英. 基于導(dǎo)向?yàn)V波與分形維度的圖像加權(quán)融合算法[J]. 包裝工程，2018, 39(09): 220-227

[8] 張慧，常莉紅. 基于方向?qū)Рㄔ鰪?qiáng)的紅外與可見光圖像融合[J]. 激光與紅外，2020, 50(04): 507-512

A visual image recognition method for wushu sanda whip leg action based on feature extraction

TIAN Zhi-guo

(Department of Health Care, Zhangzhou Health Vocational College, Fujian Zhangzhou 363000, China)

In order to improve the effective guidance of wushu sanda whip kick movement, a visual image recognition method of wushu sanda whip kick movement based on feature extraction is proposed. Combining frame segment scanning technology to sample the visual image of wushu sanda whip and leg action, adopt edge feature segmentation method for action visual feature expression processing, establish the edge contour feature analysis model of action visual image, and combine the fuzzy recognition method to deblur the action visual image speed processing, improve the output signal-to-noise ratio of motion vision, establish motion visual feature analysis and adaptive feature extraction model, and realize the visual image recognition of wushu sanda whip leg motion based on the results of the motion visual feature extraction. The simulation results show that the accuracy of visual image recognition of wushu sanda whip leg movement with this method is high, and the feature recognition ability is better. It has good application value in guiding wushu sanda whip leg movement training.

wushu；sanda whipping leg；visual image；feature extraction

2020-08-19

福建省中青年教師教育科研課題（JZ180830）

田治國（1980-），男，河南新鄉(xiāng)人，講師，碩士，主要從事民族傳統(tǒng)體育研究，jkyangzh@163.com。

TP391.41;G852.4

A

1007-984X(2021)01-0051-05