一种基于视频图像技术的羽毛球击球速度测定方法以及系统与流程

1.本发明涉及速度测定技术领域，特别地，涉及一种基于视频图像技术的羽毛球击球速度测定方法以及系统。


背景技术：

2.羽毛球运动是是世界上速度最快的运动。羽毛球普通玩家，扣杀速度能达到250公里/小时以上，世界纪录最快扣杀速度则为426公里/小时，远超其他球类极限速度。
3.目前，国际羽联一般采用微波传感器测试球速，具有稳定性高、体积小、感应灵敏等特点，但同时具备使用成本高、不便随身携带等缺点。
4.因此，本领域专业技术人员在统筹考虑了羽毛球专业运动员以及业余爱好者的不同需求，提供了一种基于视频图像技术的羽毛球击球速度测定方法，能较好解决现阶段羽毛球球速测试专项技能中存在的问题，并为低成本实时、便捷地测量羽毛球击球速度提供具有较强操作性的解决方案。
5.基于此，有必要提出一种基于视频图像技术的羽毛球击球速度测定方法以及系统以解决或至少缓解上述缺陷。


技术实现要素：

6.本发明的主要目的在于提供一种基于视频图像技术的羽毛球击球速度测定方法以及系统，旨在解决现有的羽毛球击球速度测定过程中，通过微波传感器进行测试，对于一般的羽毛球场馆以及运动爱好者而言，无法进行测量，导致不能够直观地进行羽毛球击球速度专项技能评价的技术问题。
7.为实现上述目的，本发明采用的技术方案如下：
8.一种基于视频图像技术的羽毛球击球速度测定方法，包括如下步骤：
9.s1、图像序列获取：采用拍摄设备于羽毛球场场外拍摄获取若干羽毛球运动图像序列，且确保拍摄视角完全覆盖羽毛球场边线四个顶点，选取其中一个顶点作为基准坐标系；
10.s2、图像序列预处理：记录s1中获取的若干羽毛球运动图像序列中任意图片的时间戳，且根据对应羽毛球场地的规格建立标准坐标系；
11.s3、羽毛球三维坐标模型构建：基于s2的标准坐标系，将若干图像序列中羽毛球球头位置转化为三维坐标，形成若干离散的羽毛球位置点；
12.s4、轨迹拟合：利用深度学习神经网络模型，将s3中的获得的若干离散羽毛球位置点进行拟合，形成羽毛球连续运动轨迹；
13.s5、瞬时速度测定：根据s4获得的羽毛球连续运动轨迹，通过计算某一时刻该运动轨迹的斜率，求得羽毛球瞬间击球速度。
14.进一步地，所述s4中的深度学习神经网络模型其构建步骤如下：
15.s100、获得训练数据的坐标信息(xi,yn,zm)和时间戳tk，其中，i、n、m＝1,2,3,
…
，k
＝1,2,3,
…
；
16.s101、根据目标函数进行瞬时速度的测算：
17.cosθ＝cos(180
°‑
α)；
18.f
风
＝k*λ；
[0019][0020][0021]
f＝m*a；
[0022]
f＝f
有效击打-f
阻力合值
；
[0023][0024]
其中，α表示图像帧中羽毛球所受的击打力与重力之间的夹角，θ表示图像帧中羽毛球受到的风阻力与重力之间的夹角，k表示风速系数，λ表示风速取值，δs、δt分别表示相邻两帧图片中羽毛球的位移距离以及相邻两帧图片的间隔时间，v0表示某一时刻的初始速度，m表示羽毛球的重量，n表示波动系数，通过计算在不同天气下的个人实力的一个发挥程度，f
挥拍
表示挥拍时对球拍所施加的力；
[0025]
s102、根据s101所计算出的瞬时速度v
瞬
得到若干个拟合点，从而构成离散拟合曲线。
[0026]
进一步地，所述s101中的确定标准如下：获取当天不同时刻的舒适指数值σ，n＝50，结合目标函数最终求得：
[0027]
σ＝(1.818a+18.18)*(0.88+0.002b)+(a-32)/(45-a)-3.2λ+18.2；
[0028]
其中，a表示平均温度，b表示相对湿度。
[0029]
进一步地，所述s2中的具体处理步骤如下：
[0030]
s20、根据图像序列素材，结合建筑学透视原理，对羽毛球场地进行网格化处理，形成若干个边长为1厘米的正方形网格；
[0031]
s21、建立三维坐标系(x,y,z)，xy平面为羽毛球场地平面，z轴为与xy垂直的竖轴，坐标系刻度精度取1厘米粒度；
[0032]
s22、记录图片序列中任意图片中羽毛球所在网格场地的平面位置(p1,p2)；
[0033]
进一步地，所述s3中羽毛球三维坐标模型的构建步骤如下：
[0034]
s30、利用摄像机成像原理，可计算摄像头焦距f以及羽毛球距离地面实际高度p3，目标函数如下：
[0035]
f＝c*(d1+l/2)/w；
[0036]
p3＝(d1+j)*z/f；
[0037]
其中，c表示为球网成像距离，z为测量图片序列中任意图片中羽毛球与地面成像距离；
[0038]
s31、在三维坐标系中记录图片序列中任意图片中羽毛球所在网格场地的三维位
置(p1,p2,p3)，形成若干离散三维点。
[0039]
进一步地，所述s4的轨迹拟合内容如下：通过深度学习神经网络模型，将具有规范化格式的若干离散三维点坐标(p1,p2,p3)按图像序列图片记录的先后顺序有序输入，完成三维曲线拟合，并输出可视化连续运动轨迹。
[0040]
进一步地，所述深度学习神经网络模型在训练过程中还包括比对过程，即在步骤s102之后，通过拍摄设备随机拍摄两张图片，与该离散拟合曲线进行验证，若拍摄两张图片的三维坐标值与该拟合曲线拟合的结果一致，则该模型可以投入实际应用，若与拍摄两张图片的三维坐标值存在差异，则继续所述深度学习神经网络模型的训练步骤，进行模型的训练。
[0041]
进一步地，在所述深度学习神经网络模型构建完成后，若输入任意相邻图片序列，则其计算步骤如下：
[0042]
s50、根据深度学习神经网络拟合的连续三维轨迹，测量图片序列中任意相邻图片中羽毛球的空间距离δs；
[0043]
s51、根据图片序列中任意图片时间戳，计算得到相邻图片的运动时间差δt；
[0044]
s52、将离散点位置差－时间差(δs，δt)，有序输入到上述深度学习神经网络中，进行二维曲线拟合，输出可视化连续位置差－时间差曲线；
[0045]
s53、利用微分原理，可计算羽毛球任意时刻运动速度考虑到羽毛球击球后速度衰减，微分拐点处速度最大值记为羽毛球瞬间击球速度。
[0046]
本发明还公开了一种用于羽毛球速度测定的系统，包括终端设备，以及如上述任一项方案中所述的深度学习神经网络模型，所述终端设备内置有所述深度学习神经网络模型。
[0047]
本发明具有以下有益效果：
[0048]
本发明通过视频图像技术采集运动素材，运用建筑学、几何学、光学、微分学等原理分析计算羽毛球运动的轨迹和时间曲线，并结合运用深度学习神经网络模型进行训练，从而实现后续的羽毛球轨迹预测以及羽毛球击球速度的计算；
[0049]
从而实现羽毛球专业运动员、业余爱好者只需要手机等移动拍摄视频设备拍摄任意视频图像，以达到低成本、实时、准确记录并开展羽毛球击球速度专项技能评价，并为扣杀专项技能提高提供定量数据支撑。
[0050]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
[0051]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0052]
图1是本发明中测定方法的流程图。
具体实施方式
[0053]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0056]
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0057]
请参考图1，本发明中提供了一种基于视频图像技术的羽毛球击球速度测定方法，击球速度测定方法包括以下步骤：
[0058]
s1、图像序列获取：采用视频图像拍摄设备于场外记录羽毛球运动图像序列，确保拍摄视角完全覆盖羽毛球场边线四个顶点；
[0059]
s2、图像序列预处理：记录图片序列中任意图片的时间戳，同时，根据获得标准坐标系；
[0060]
s3、羽毛球三维坐标模型构建：基于s2获得的标准坐标系，将图片中羽毛球球头顶点位置转化为三维坐标，形成若干离散的羽毛球位置点；
[0061]
s4、羽毛球连续轨迹预测：利用深度学习神经网络模型，有效预测羽毛球运动方向，形成羽毛球连续运动轨迹；
[0062]
s5、羽毛球瞬间击球速度测定：根据s4获得的羽毛球连续运动轨迹，通过计算某一时刻该运动轨迹的斜率，求得羽毛球瞬间击球速度。
[0063]
优选的，所述击球速度测定主要包括运动员进攻时扣杀羽毛球的球速评价。
[0064]
优选的，在步骤s1中，为了能够获得羽毛球场地四个顶点的信息，所述图像序列采集应完整覆盖羽毛球场地，且确保场地边线清晰可见；
[0065]
对于本领域技术人员而言，为了提升深度学习神经网络对于速度测定的精准性，在初始数据积累过程中，所述图像序列采集应完整记录运动员击球动作，同时，确保击球时拍面在视点范围内；
[0066]
所述图像序列采集设备与羽毛球场最近边角距离(d1,d2)均在现场测量得到，其中d1为图像序列采集设备与距离最近的羽毛球场底线距离，d2为图像序列采集设备与距离最近的羽毛球场边线距离，值得一说的是，在此处的“最近”指的是，通过图像序列采集设备采集时，该羽毛球场与所述图像序列采集设备摄像镜头的距离，可以理解的是，由于设备和场地之间存在高度差，会形成透视效果，因此，需要选择基准以便于后续进行图像序列修正，提升速度测定的精准性。
[0067]
对于本领域技术人员而言，所述羽毛球标准场地长宽分别为：
[0068]
l＝13.40m；
[0069][0070]
此外，所述图片序列中任意图片的时间戳为视频图像拍摄设备拍摄记录该图片的时间t。
[0071]
结合上述内容来说，所述步骤s2、图像序列预处理的具体内容如下：
[0072]
s20、根据图像序列素材，结合建筑学透视原理，对羽毛球场地进行网格化处理，形成若干个边长为1厘米的正方形网格，且若干个所述正方形网格彼此拼接形成一个标准羽毛球场地的规格，可以理解的是，由于羽毛球球头底部为圆球形，直径一般为25－26毫米，1厘米粒度可确保羽毛球球头压在正方形网格中；
[0073]
s21、建立三维坐标系(x,y,z)，xy平面为羽毛球场地平面，z轴为与xy垂直的竖轴，坐标系刻度精度取1厘米粒度，坐标系原点的选取不影响位置相对关系，因此，在本实施例中，预设坐标系原点为该羽毛球场地任意顶点；
[0074]
s22、记录图片序列中任意图片中羽毛球所在网格场地的平面位置(p1,p2)。
[0075]
根据获得的网格场地的平面位置(p1,p2)，步骤s3中羽毛球三维坐标模型的构建步骤如下：
[0076]
s30、根据球网成像距离c，利用摄像机成像原理，可计算摄像头焦距f，目标函数如下：
[0077]
f＝c*(d1+l/2)/w；
[0078]
同理，测量图片序列中任意图片中羽毛球与地面成像距离为z，羽毛球x轴位置p1距离靠近摄像机羽毛球场地底线距离为j，利用摄像机成像原理，计算得到羽毛球距离地面实际高度p3，目标函数如下：
[0079]
p3＝(d1+j)*z/f；
[0080]
s31、在三维坐标系中记录图片序列中任意图片中羽毛球所在网格场地的三维位置(p1,p2,p3)，形成若干离散三维点。
[0081]
更进一步来说，通过深度学习神经网络模型，将具有规范化格式的若干离散三维点坐标(p1,p2,p3)按图像序列图片记录的先后顺序有序输入，完成三维曲线拟合，并输出可视化连续运动轨迹。
[0082]
更具体地说，为了提升本技术中运动轨迹输出的精准性，因此，需要对该深度学习神经网络模型进行重新构建，以适用本技术对羽毛球的速度进行测定，具体的模型训练和测试步骤如下：
[0083]
s100、获取多场羽联比赛视频以及对应比赛视频的羽毛球瞬时速度的测定结果，进行数据处理，获得训练数据的坐标信息(xi,yn,zm)和时间戳tk，其中，i、n、m＝1,2,3,
…
，k＝1,2,3,
…
；
[0084]
s101、根据互联网搜索引擎获知对应比赛场次的当天不同时刻的舒适指数值σ，风速λ，结合获取到的视频图像帧中羽毛球的运动方向与垂直方向的夹角α，根据如下目标函数进行瞬时速度的测算：
[0085]
cosθ＝cos(180
°‑
α)；
[0086]f风
＝k*λ；
[0087][0088][0089]
f＝m*a；
[0090]
f＝f
有效击打-f
阻力合值
；
[0091][0092]
其中，k表示风速系数，其取值随着风速呈阶梯变化，具体可以参考维基百科中相关文献，δs、δt分别表示相邻两帧图片中羽毛球的位移距离以及相邻两帧图片的间隔时间，v0表示某一时刻的初始速度，m表示羽毛球的重量，n表示波动系数，通过计算在不同舒适指数值下的个人实力的一个发挥程度，f
挥拍
表示挥拍时对球拍所施加的力；可以理解的是，此处的f
挥拍
并非由视频图像帧中获取，而是在实际场景中，通过在球拍上装设传感器，然后采集挥拍时施加于球拍上的力，以便于计算初始对羽毛球施加的加速度；
[0093]
另外，所表示的是一个比例系数的值，其具体含义为，不同舒适指数值下，运动人员的舒适比重，σ的计算公式如下：
[0094]
σ＝(1.818a+18.18)*(0.88+0.002b)+(a-32)/(45-a)-3.2λ+18.2；
[0095]
其中，a表示平均温度，b表示相对湿度，在实际应用场景中，结合维基百科上可知，该σ的取值范围基本在[25,79)，而当求的值不在该取值区间内时，则表明外部环境不适合进行比赛、训练或者进行速度测试，同时，根据维基百科上的“人体舒适度气象指数分级表”可知，当60≤σ＜70，人体感官是舒适的，因此，以此作为参考基准，适当上浮10％－20％的实力发挥，因此，n取值为50。
[0096]
s102、根据s101所计算出的瞬时速度v
瞬
得到若干个拟合点，从而构成离散拟合曲线，随后通过拍摄设备随机拍摄两张图片，与该离散拟合曲线进行验证，若拍摄两张图片的三维坐标值与该拟合曲线拟合的结果一致，则该模型可以投入实际应用，若与拍摄两张图片的三维坐标值存在差异，则继续上述步骤进行模型的训练，对于本领域技术人员而言，通过由瞬时速度v
瞬
反推该时刻的羽毛球坐标，从而得到若干拟合点的具体方式可参考申请号为cn2011100532813的国内专利，内容就不在此赘述，其次，通过对任意两个时间点的图像序列进行选取，从而将该两个时间点的图像序列中羽毛球所对应的三维坐标和该离散拟合曲线进行拟合，对于一般模型而言，需要选择相邻两帧的图像序列，从而根据公式求得瞬时速度v
瞬
，因此，需要对摄像设备的品质有较高的要求，同时，对于摄像操作人员的素养也要有较高的要求，但需要注意的是，基于本实施例中的方案，对于图像序列选择的两个任意时间点内，其时间差并无具体的要求，即对于摄像设备的品质以及操作该摄像设备的操作人员均无任何要求，只要其能够确保拍摄视觉覆盖羽毛球场的四个顶点即可，方便换算图像序列中羽毛球球头位置坐标，此外，该模型可内嵌于移动设备端，例如：笔记本、平板、手机，甚至于智能手表内，当然，对于本领域技术人员而言，该模型还可内嵌于终端设
备，例如：台式电脑。
[0097]
更进一步来说，所述步骤s5中对于羽毛球瞬间击球速度测定，具体步骤为：
[0098]
s50、根据深度学习神经网络拟合的连续三维轨迹，测量图片序列中任意相邻图片中羽毛球的空间距离δs；
[0099]
s51、根据图片序列中任意图片时间戳，计算得到相邻图片的运动时间差δt；
[0100]
s52、将离散点位置差－时间差(δs，δt)，有序输入到上述深度学习神经网络中，进行二维曲线拟合，输出可视化连续位置差－时间差曲线；
[0101]
s53、利用微分原理，可计算羽毛球任意时刻运动速度考虑到羽毛球击球后速度衰减，微分拐点处速度最大值记为羽毛球瞬间击球速度。
[0102]
值得注意的是，在实际进行速度测定时，通过人为将k、m、n、σ、f
挥拍
这几个数值输入模型中，从而进行干扰项的排除，以便于提升该模型测定的精准性，同时，通过该曲线轨迹可以判断运动员扣杀球的速度，进而帮助羽毛球爱好者、运动员低成本、实时、准确记录并开展羽毛球击球速度专项技能评价。
[0103]
有别于现阶段主流微波传感器测速方法，该方法综合考虑了专业运动员和业余爱好者的发展需求，从节约成本、便捷高效角度出发，不需要借助传感器及其他测速仪器，只需要移动视频拍摄设备，就可以实时、准确测定羽毛球击球速度，便于工作人员开展羽毛球扣杀专项技能评价和下一阶段技能提升任务。
[0104]
为了方便了解，以图片序列中任意1张图片举例计算羽毛球空间坐标：
[0105]
以羽毛球双打为例，标准场地长宽l、w，分别取13.4米，宽为6.1米，假设拍摄设备距离最近最近边角距离为(1m,1m)，网格法记录图片中羽毛球地平面坐标为(4,7)，球网成像距离0.02米，图像中羽毛球与地面距离成像0.04米，羽毛球距离场地边线距离1米，计算得到，
[0106]
摄像头焦距：f＝(1+13.4/2)*0.02/6.1＝0.02525m，
[0107]
击球点距离地面高度：h＝(1+1)*0.05/0.02525＝3.9604m，
[0108]
得到图片中羽毛球的空间三维坐标为(4,7,3.9604)。
[0109]
基于同一发明构思，将图片序列中所有图片中羽毛球空间三维坐标有序输入至深度学习神经网络中，进行三维曲线拟合，可得到羽毛球空间三维运动轨迹。进一步的，将离散点位置差－时间差(δs，δt)有序输入到上述深度学习神经网络中，进行二维曲线拟合，利用几何学、微分原理即可求得羽毛球击球速度。
[0110]
更进一步来说，本发明还公开了一种用于羽毛球速度测定的系统，包括终端设备，以及如上述任一项方案中所述的深度学习神经网络模型，所述终端设备内置有所述深度学习神经网络模型，值得注意的是，通过将本实施例中的深度学习神经网络模型采用内嵌的方式，以便于实现低成本、实时、准确记录并开展羽毛球击球速度专项技能评价的目的。
[0111]
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
[0112]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、
等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，包括如下步骤：s1、图像序列获取：采用拍摄设备于羽毛球场场外拍摄获取若干羽毛球运动图像序列，且确保拍摄视角完全覆盖羽毛球场边线四个顶点，选取其中一个顶点作为基准坐标系；s2、图像序列预处理：记录s1中获取的若干羽毛球运动图像序列中任意图片的时间戳，且根据对应羽毛球场地的规格建立标准坐标系；s3、羽毛球三维坐标模型构建：基于s2的标准坐标系，将若干图像序列中羽毛球球头位置转化为三维坐标，形成若干离散的羽毛球位置点；s4、轨迹拟合：利用深度学习神经网络模型，将s3中的获得的若干离散羽毛球位置点进行拟合，形成羽毛球连续运动轨迹；s5、瞬时速度测定：根据s4获得的羽毛球连续运动轨迹，通过计算某一时刻该运动轨迹的斜率，求得羽毛球瞬间击球速度。2.根据权利要求1所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述s4中的深度学习神经网络模型其构建步骤如下：s100、获得训练数据的坐标信息(x
i
,y
n
,z
m
)和时间戳t
k
，其中，i、n、m＝1,2,3,
…
，k＝1,2,3,
…
；s101、根据目标函数进行瞬时速度的测算：cosθ＝cos(180
°‑
α)；f
风
＝k*λ；＝k*λ；f＝m*a；f＝f
有效击打-f
阻力合值
；其中，α表示图像帧中羽毛球所受的击打力与重力之间的夹角，θ表示图像帧中羽毛球受到的风阻力与重力之间的夹角，k表示风速系数，λ表示风速取值，δs、δt分别表示相邻两帧图片中羽毛球的位移距离以及相邻两帧图片的间隔时间，v0表示某一时刻的初始速度，m表示羽毛球的重量，n表示波动系数，通过计算在不同天气下的个人实力的一个发挥程度，f
挥拍
表示挥拍时对球拍所施加的力；s102、根据s101所计算出的瞬时速度v
瞬
得到若干个拟合点，从而构成离散拟合曲线。3.根据权利要求2所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述s101中的确定标准如下：获取当天不同时刻的舒适指数值σ，n＝50，结合目标函数最终求得：σ＝(1.818a+18.18)*(0.88+0.002b)+(a-32)/(45-a)-3.2λ+18.2；其中，a表示平均温度，b表示相对湿度。
4.根据权利要求1所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述s2中的具体处理步骤如下：s20、根据图像序列素材，结合建筑学透视原理，对羽毛球场地进行网格化处理，形成若干个边长为1厘米的正方形网格；s21、建立三维坐标系(x,y,z)，xy平面为羽毛球场地平面，z轴为与xy垂直的竖轴，坐标系刻度精度取1厘米粒度；s22、记录图片序列中任意图片中羽毛球所在网格场地的平面位置(p1,p2)。5.根据权利要求4所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述s3中羽毛球三维坐标模型的构建步骤如下：s30、利用摄像机成像原理，可计算摄像头焦距f以及羽毛球距离地面实际高度p3，目标函数如下：f＝c*(d1+l/2)/w；p3＝(d1+j)*z/f；其中，c表示为球网成像距离，z为测量图片序列中任意图片中羽毛球与地面成像距离；s31、在三维坐标系中记录图片序列中任意图片中羽毛球所在网格场地的三维位置(p1,p2,p3)，形成若干离散三维点。6.根据权利要求5所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述s4的轨迹拟合内容如下：通过深度学习神经网络模型，将具有规范化格式的若干离散三维点坐标(p1,p2,p3)按图像序列图片记录的先后顺序有序输入，完成三维曲线拟合，并输出可视化连续运动轨迹。7.根据权利要求1－6中任一项所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，所述深度学习神经网络模型在训练过程中还包括比对过程，即在步骤s102之后，通过拍摄设备随机拍摄两张图片，与该离散拟合曲线进行验证，若拍摄两张图片的三维坐标值与该拟合曲线拟合的结果一致，则该模型可以投入实际应用，若与拍摄两张图片的三维坐标值存在差异，则继续所述深度学习神经网络模型的训练步骤，进行模型的训练。8.根据权利要求7所述的一种基于视频图像技术的羽毛球击球速度测定方法，其特征在于，在所述深度学习神经网络模型构建完成后，若输入任意相邻图片序列，则其计算步骤如下：s50、根据深度学习神经网络拟合的连续三维轨迹，测量图片序列中任意相邻图片中羽毛球的空间距离δs；s51、根据图片序列中任意图片时间戳，计算得到相邻图片的运动时间差δt；s52、将离散点位置差－时间差(δs，δt)，有序输入到上述深度学习神经网络中，进行二维曲线拟合，输出可视化连续位置差－时间差曲线；s53、利用微分原理，可计算羽毛球任意时刻运动速度考虑到羽毛球击球后速度衰减，微分拐点处速度最大值记为羽毛球瞬间击球速度。9.一种用于羽毛球速度测定的系统，其特征在于，包括终端设备，以及如权利要求1－8中任一项所述的基于视频图像技术的羽毛球击球速度测定方法中所述的深度学习神经网
络模型，所述终端设备内置有所述深度学习神经网络模型。

技术总结
本发明公开了一种基于视频图像技术的羽毛球击球速度测定方法，涉及速度测定技术领域，包括如下步骤：S1、图像序列获取：采用拍摄设备于羽毛球场场外拍摄获取若干羽毛球运动图像序列，选取羽毛球场其中一个顶点作为基准坐标系；S2、图像序列预处理：根据对应羽毛球场地的规格建立标准坐标系；S3、羽毛球三维坐标模型构建：基于标准坐标系，将若干图像序列中羽毛球球头位置转化为三维坐标，形成若干离散位置点；S4、轨迹拟合：利用深度学习神经网络模型，形成羽毛球连续运动轨迹；S5、瞬时速度测定：根据羽毛球连续运动轨迹，求得羽毛球瞬间击球速度；以达到低成本、实时、准确记录并开展羽毛球击球速度专项技能评价，并为扣杀专项技能提高提供定量数据支撑。能提高提供定量数据支撑。能提高提供定量数据支撑。


技术研发人员：谭华东 姚翔 李峰 李晨 李祎艺 张晓 肖谋清 刘瑛 李玲 龙炫予 马刻羽
受保护的技术使用者：湖南省交通规划勘察设计院有限公司
技术研发日：2023.05.29
技术公布日：2023/9/20