立定跳远运动成绩测量方法

摘要

本发明提出一种立定跳远运动成绩测量方法。本发明属于立定跳远运动成绩智能测量领域，尤其涉及使用摄像头和机器视觉技术实现立定跳远运动成绩的智能化测量方法。该方法包括以下步骤：设置测试区域和运动参数，采集用户测试视频，分析用户测试视频获取成绩。本发明使用摄像头和机器视觉进行立定跳远运动的成绩测量，实现了立定跳远运动成绩测量的自动化、标准化、智能化。

说明书

技术领域

本发明属于立定跳远运动成绩智能测量领域，尤其涉及使用摄像头和机器视觉技术实现立定跳远运动成绩的智能化测量方法。

背景技术

当前立定跳远运动的成绩测量大都使用人工测量、红外设备测量，这些测量方式均存在测试标准不一致、测试人员和测试成绩不能自动对应、测试效率低、裁判员工作负荷大等问题，特别是红外测量设备需带电工作，给参加测试的人员安全带来一定的危险。

人工测量：人工测量的结果和测量人员的基本素质和技能直接相关，不同测量人员因主观标准不一致而导致测量出的成绩不一致。同时皮尺等量具的精度也会影响测量结果。在大量测试人员一起参加测试的情况下，测量人员的工作负荷很大，成绩需要手工记录，测试效率也很低。

红外传感测量：红外传感测量依赖红外发射器和红外接收器协同工作。当立定跳远运动人员处于红外发射器和红外接收器中间时，红外发射器发射的红外线被测试人员遮挡，红外接收器无法接收到红外信号，遮挡位置处即为立定跳远运动人员双脚所处位置，从而计算出成绩。当红外线被非测量对象遮挡后系统也会计算出成绩。同时红外测量的结果和精度与红外发射矩阵的密度有关。红外传感测量设备普遍存在的问题是容易被异物干扰而误报成绩，而用于立定跳远运动的红外传感设备由于成本原因，测量成绩精度普遍不高。

以上所述立定跳远运动成绩的测量方法存在的共性问题就是，不能基于一致标准精确测量出立定跳远成绩，自动化、智能化程度低，测试效率低，测量人员工作负荷大。

发明内容

本发明使用摄像头和机器视觉进行立定跳远运动的成绩测量，改变目前立定跳远运动成绩的测量方式，实现立定跳远运动成绩测量的自动化、标准化、智能化。本发明突破了传统立定跳远运动成绩无法进行智能化测量的局限性，通过将摄像头和机器视觉技术引入立定跳远成绩测量方法，实现了立定跳远运动成绩测量的智能化，提高了立定跳远运动成绩的测试效率，提高了立定跳远运动成绩测量的精度。

本发明采用以下技术方案实现：

立定跳远运动成绩测量方法，包括：

1，设置测试区域和运动参数

设置立定跳远运动对应的测试区域及立定跳远成绩测量所需要的参数。

(1).测试区域：测试目标在设置区域内进行测试时测试有效，目标出测试区域时测试无效。

(2).起跳线：测试目标在起跳线后进行立定跳远运动，计算成绩时，计算落地点和起跳线的垂直距离为最终成绩。

(3).落地距离阈值：测试目标起跳落地后，在一定时间范围内，脚上关键点移动距离未超过落地距离阈值，则判断稳定落地，反之则判断为未稳定落地。

2，采集用户测试视频

通过摄像头采集测试人员在测试区域内的立定跳远测试视频。

3，分析用户测试视频获取成绩

(1).获取人体姿态关键节点：对采集到的视频图像进行处理分析，使用卷积神经网络获取和立定跳远运动成绩分析相关的人体姿态关键节点。

(2).判断测试目标落地：取脚上一关键点坐标，及前一帧脚上同一关键点坐标，计算两坐标点间的距离即为两帧之间脚的移动距离。若连续两帧移动距离小于落地距离阈值，则判断测试目标落地。

(3).基于落地图片计算左脚和右脚的鞋跟和鞋尖位置。

(4).判断动作的规范性。

(5). 如果测试目标在测试过程中动作规范，则分别计算左鞋跟到起跳线的最短距离和右鞋跟到起跳线的最短距离，两者中更小的距离为该次立定跳远成绩；如果测试目标在测试过程中有动作不符合规范，则判犯规。

本发明方法实现了自动化、标准化、智能化的立定跳远成绩测量。

附图说明

图1示出了本发明实施例提供的一种立定跳远运动成绩测量方法的流程示意图。

图2示出了本发明实施例提供的一种立定跳远运动成绩测量方法的测试分析人体关键节点示意图。

图3示出了本发明实施例提供的一种立定跳远运动成绩测量方法的左脚轮廓示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

为了实现立定跳远运动成绩测量，本实施例公开了一种立定跳远运动成绩测量方法，请参考图1，包括：

步骤S101，设置测试区域和运动参数

设置立定跳远运动对应的测试区域及立定跳远成绩测量所需要的参数。

(1).测试区域：测试目标在设置区域内进行测试时测试有效，目标出测试区域时测试无效。

(2).起跳线：测试目标在起跳线后进行立定跳远运动，计算成绩时，计算落地点和起跳线的垂直距离为最终成绩。

(3).落地距离阈值：测试目标起跳落地后，在一定时间范围内，脚上关键点移动距离未超过落地距离阈值，则判断稳定落地，反之则判断为未稳定落地。

步骤S102，采集用户测试视频

通过摄像头采集测试人员在测试区域内的立定跳远测试视频。

步骤S103，分析用户测试视频获取成绩

(1)、获取人体姿态关键节点：对采集到的视频图像进行处理分析，使用卷积神经网络分析立定跳远运动相关的姿态关键节点。对于采集到的视频的每帧图像，经过卷积神经网络提取特征，得到一组特征图，然后分解成两个支路，分别提取置信度和链接性，得到这两个信息之后采用二分匹配的方式获得不同部位两两之间的配对关系，然后融合共享的关键点，得到最终的立定跳远运动相关的人体骨架关键点结果，包括左脚腕、右脚腕、左脚跟、右脚跟、左小脚趾、右小脚趾、左大脚趾、右大脚趾、左膝盖、右膝盖、左臀、右臀、左手腕、右手腕、中臀这十五个关键点，用来做立定跳远运动成绩的分析，即附图2中，A表示左脚腕；B表示右脚腕；C表示左脚跟；D表示右脚跟；E表示左小脚趾；F表示右小脚趾；G表示左大脚趾；H表示右大脚趾；I表示左膝盖；J表示右膝盖；K表示左臀；L表示右臀；M表示左手腕；N表示右手腕；O表示中臀。

(2).判断落地：取当前帧脚腕坐标(x，y)及前一帧脚腕坐标(x’,y’)，计算坐标点间距离为两帧之间移动距离，若连续两帧移动距离小于落地距离阈值，则判断测试目标落地。连续两帧移动距离计算方式为：起跳线起点坐标及终点的y方向坐标记为y1，y2，则：

move = max(((y1 + y2) / 2) / 200 * 10.0, 20.0)。

(3).判断鞋跟/鞋尖。

(3.1) 采集起跳前图像，并存入内存，图像定义为图a。

(3.2) 落地后获取A、B、C、D、E、F、G、H八个点，以A、C、E、G为左脚组，B、D、F、H为右脚组，取左脚组点的外接最小矩形为左脚矩形，取右脚组点的外接最小矩形为右脚矩形。

(3.3) 增加轮廓缓冲区：取左脚矩形，并获取到矩形四个顶点，将矩形宽度左右各增加CE/2（脚跟到大脚趾距离的一半），将矩形高度向下增加EG（大脚趾到小脚趾的距离），将增加了缓冲区的矩形定义为左脚轮廓，左脚轮廓定义为图b（即图 3）。

(3.4) 边缘检测：将图b进行Sobel算子卷积灰度处理，获得左脚缓冲轮廓图像的带边缘方向信息的左脚轮廓图c。

(3.5) 获得左鞋尖和左鞋跟：获取图b在其原始图片中的位置（x1,x2，y1，y2），将图a中相同位置（x1,x2，y1，y2）的图片截取下来，并取灰度图，定义为图d。将图c和图d进行差分，差分后得到图片中的轮廓即为左脚部轮廓，并参照起跳方向，在起跳方向前方的即为左鞋尖，在起跳方向反方的即为左鞋跟。

(3.6) 同理获得右鞋尖和右鞋跟。

(4).判断动作的规范性：

(4.1) 是否踩线：测试目标左脚尖或右脚尖超出起跳线，则判断测试目标踩线，反之则未踩线，踩线后测试目标起跳不计成绩。目标可以将超出起跳线的脚收回至起跳线后，此时状态置为就绪，测试目标起跳后成绩将被计算。

(4.2) 是否单脚落地： 测试目标落地后，在一定时间范围内，单只脚移动距离超过落地距离阈值，则判断测试目标为单脚落地。

(4.3) 是否屁股着地： 测试目标落地后，目标中臀在左脚腕或右脚腕的坐标Y轴下方，且小腿的斜率与大腿的斜率的积小于0，也即在X轴平面，膝盖的x坐标在脚腕的x坐标与臀部的x坐标中间，则判断测试目标屁股着地。

(4.4) 是否手撑地： 测试目标落地后，在沿起跳方向平面，若目标手的坐标在脚腕坐标后面，则判断测试目标手撑地。

(4.5) 是否连续跳：测试目标落地后在一定时间范围内，两只脚移动距离都超过落地距离阈值，则判断测试目标为连续跳。

(5).计算测试成绩

如果以上五项要求都符合规范，则认为测试目标在测试过程中动作规范，则分别计算左鞋跟到起跳线的最短距离和右鞋跟到起跳线的最短距离，两者中更小的距离为该次立定跳远成绩；如果测试目标在测试过程中有动作不符合规范，则判犯规。

本发明实施例方法实现了自动化、标准化、智能化的立定跳远测试。

显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。