摘要: 近十年来，人们的生活越来好，对体育竞赛的关注度也是与日俱增。在当前信息时代中，体育竞赛和运动员的数据十分重要，尤其是篮球，足球，排球等的团队型的大球类运动。教练可以透过这些数据，很好地分析自己队员和对方队员的情况，从而更好地指定相... 展开 近十年来，人们的生活越来好，对体育竞赛的关注度也是与日俱增。在当前信息时代中，体育竞赛和运动员的数据十分重要，尤其是篮球，足球，排球等的团队型的大球类运动。教练可以透过这些数据，很好地分析自己队员和对方队员的情况，从而更好地指定相应的战术来获取胜利。然而，目前大部分数据结果都是需要通过人工的方式，进行现场或者赛后看回播进行数据记录和统计。 各种体育运动都是由各种动作组成的，而动作则是由连续的人体姿态序列所构成的。据此，本文结合基于机器视觉中的姿态估计和动作识别方法，针对篮球运动，尝试构建一个系统，替代人去记录和统计上述繁琐的却十分重要的数据。本系统将视频序列中每个篮球运动员的关节点，使用姿态估计方法将其提取并构成定长的姿态序列。得到定长后的姿态序列信息后，将其送入基于图卷积的动作识别方法中，获得动作分类。最后使用系统对每个球员每一帧的动作进行记录，并按照篮球中的意义进行统计。 本文主要工作如下： 1.本论文针对篮球运动动作提出了的篮球姿态动作识别分析系统，分别由两部分串行组成，其中第一部分是基于自底向上的姿态估计方法进行关节点定位，用于提取视频种的目标的姿态序列；而第二部分是基于时空图卷积的动作识别算法分析与研究，根据提取的姿态序列，对设定分类的篮球动作进行识别。 2.本文通过对系统的两部分设置相应的参数对比实验，折中地为系统选出识别率较好的参数。最后将两部分结合起来，使用python中的Pyqt5和OpenCV建立前端人机界面对网络输出结果进行统计与显示，最终形成一个篮球运动姿态统计分析系统，并使用新的篮球视频验证其有效性。 3.本文根据系统需求，使用OpenCV制作篮球视频动作和相应的篮球图片的采集及标定工具，建立了相关的篮球比赛的动作分类视频数据集与人体姿态数据集，将其合理分割获得相应的训练集和测试集，用于系统的构建及测试。 4.在第一部分实验中发现，对标准的篮球比赛使用经典的姿态估计模型Openpose进行姿态估计，会由于运动模糊影响姿态识别效果。对此，本文根据动作模糊原理，创新地提出新的数据增强方法来增加模型训练的数据，并结合迁移学习，通过训练获得新的模型，改善数据中由于动作模糊而产生的识别错误，最后通过实验证明方法有一定的提高。 收起