本技術(shù)涉及機(jī)器視覺，特別是涉及一種計算機(jī)視覺體育技能評估方法、計算機(jī)設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、在體育訓(xùn)練中，對學(xué)生的運動技能進(jìn)行精準(zhǔn)評估和及時反饋是提高訓(xùn)練質(zhì)量和效率的關(guān)鍵。然而，當(dāng)前的技能評估方法存在諸多問題和限制。傳統(tǒng)評估主要依賴教練的肉眼觀察和經(jīng)驗判斷，這種方法存在較強的主觀性，難以捕捉到瞬時的細(xì)微動作變化。教練們在觀察多名學(xué)生時，往往難以同時進(jìn)行精確的動作分析和即時評判，這不僅加重了他們的工作負(fù)擔(dān)，還可能導(dǎo)致評估的不一致性和疏漏。對于學(xué)生而言，他們往往難以通過教練的口頭反饋準(zhǔn)確理解自己的動作問題，也無法獲得量化的指標(biāo)來衡量自己的技能水平和進(jìn)步空間。

2、此外，現(xiàn)有的一些輔助工具如高速攝像機(jī)雖然能夠記錄動作細(xì)節(jié)，但往往缺乏自動分析和評估的能力。這要求教練花費大量時間進(jìn)行人工分析，效率低下。在學(xué)校環(huán)境中，這個問題更為突出，因為教師需要同時關(guān)注多個學(xué)生的表現(xiàn)，而沒有足夠的時間對每個學(xué)生的動作進(jìn)行詳細(xì)分析。同時，學(xué)校的訓(xùn)練環(huán)境往往不如專業(yè)訓(xùn)練場所穩(wěn)定，可能存在背景干擾、攝像設(shè)備抖動等問題，這進(jìn)一步增加了準(zhǔn)確評估的難度。

3、這些問題嚴(yán)重制約了訓(xùn)練的效果和學(xué)生的進(jìn)步速度。學(xué)生無法及時獲得對自身動作的精確反饋，難以有針對性地改進(jìn)技術(shù)動作。教練則難以高效地識別每個學(xué)生的個體差異和特定需求，從而制定個性化的訓(xùn)練計劃。在團(tuán)體訓(xùn)練中，這種情況可能導(dǎo)致部分學(xué)生的問題被忽視，影響整體的訓(xùn)練質(zhì)量。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠精確反饋徐盛運動情況的計算機(jī)視覺體育技能評估方法、計算機(jī)設(shè)備和存儲介質(zhì)。

2、一種基于信號處理的計算機(jī)視覺體育技能評估方法，包括以下步驟：

3、采集學(xué)生訓(xùn)練的初始視頻數(shù)據(jù)，分割初始視頻數(shù)據(jù)獲取多個初始視頻幀，并計算相鄰的初始視頻幀之間的特征點位移，得到多個特征點位移數(shù)據(jù)；

4、根據(jù)特征點位移數(shù)據(jù)，提取初始視頻幀的背景運動特征，得到背景運動特征集；

5、對特征點位移數(shù)據(jù)和背景運動特征集進(jìn)行時序關(guān)聯(lián)分析，得到全局運動估計矩陣；

6、基于全局運動估計矩陣，對初始視頻幀進(jìn)行運動補償，得到穩(wěn)定視頻數(shù)據(jù)序列；

7、對穩(wěn)定視頻數(shù)據(jù)序列進(jìn)行人體關(guān)鍵點檢測和跟蹤，得到初始運動軌跡序列，并分解初始運動軌跡序列得到運動分量信號；

8、利用運動分量信號，分析相鄰人體關(guān)鍵點的位置差異和時間間隔，確定運動分量信號的篩選因子，并根據(jù)篩選因子篩選運動分量信號，得到異常分量信號；

9、對異常分量信號進(jìn)行特征提取，得到權(quán)重特征向量；根據(jù)權(quán)重特征向量、篩選因子和初始運動軌跡序列，確定異常分量信號對應(yīng)的局部權(quán)重；

10、根據(jù)篩選因子和權(quán)重，確定異常分量信號的修正權(quán)重，并基于修正權(quán)重，對初始運動軌跡序列進(jìn)行修正，得到修正運動軌跡序列；

11、將修正運動軌跡序列與預(yù)設(shè)標(biāo)準(zhǔn)動作模板進(jìn)行比對，計算學(xué)生人體關(guān)鍵點和肢體的偏差值，并基于偏差值和預(yù)設(shè)評分規(guī)則，生成綜合評估報告。

12、在其中一個實施例中，根據(jù)特征點位移數(shù)據(jù)，提取初始視頻幀的背景運動特征，得到背景運動特征集的步驟，包括步驟：

13、基于隨機(jī)抽樣一致性算法分析特征點位移數(shù)據(jù)，獲取每對相鄰的初始視頻幀之間的背景運動特征模型；

14、從初始視頻幀檢測一組背景特征點；

15、基于背景運動特征模型，預(yù)測對應(yīng)的相鄰的初始視頻幀之間中上一個初始視頻幀的背景特征點在下一個初始視頻幀的預(yù)測位置，并計算預(yù)測位置和下一個初始視頻幀的背景特征點的實際位置之間的誤差；

16、根據(jù)誤差，定義初始視頻幀對應(yīng)的背景運動特征向量，基于背景運動特征向量構(gòu)建背景運動特征集。

17、在其中一個實施例中，對特征點位移數(shù)據(jù)和背景運動特征集進(jìn)行時序關(guān)聯(lián)分析，得到全局運動估計矩陣的步驟，包括步驟：

18、從特征點位移數(shù)據(jù)中提取位移向量，從背景運動特征集中提取統(tǒng)計量；

19、根據(jù)位移向量計算初始仿射變換參數(shù)，并基于統(tǒng)計量調(diào)整初始仿射變換參數(shù)，獲取仿射變換參數(shù)，并根據(jù)仿射變換參數(shù)構(gòu)建觀測向量；

20、基于觀測向量和卡爾曼濾波器，輸出全局運動估計矩陣。

21、在其中一個實施例中，基于全局運動估計矩陣，對初始視頻幀進(jìn)行運動補償，得到穩(wěn)定視頻數(shù)據(jù)序列的步驟，包括步驟：

22、選擇初始視頻數(shù)據(jù)中的第一幀作為參考幀；

23、基于全局運動估計矩陣，計算參考幀到任意初始視頻幀的累積變換矩陣；

24、基于累積變換矩陣的逆矩陣對初始視頻幀進(jìn)行穩(wěn)定處理，得到穩(wěn)定視頻數(shù)據(jù)序列。

25、在其中一個實施例中，對穩(wěn)定視頻數(shù)據(jù)序列進(jìn)行人體關(guān)鍵點檢測和跟蹤，得到初始運動軌跡序列，并分解初始運動軌跡序列得到運動分量信號的步驟，包括步驟：

26、使用深度學(xué)習(xí)模型在各穩(wěn)定視頻數(shù)據(jù)序列中分別識別一組人體關(guān)鍵點，并獲取人體關(guān)鍵點的檢測坐標(biāo)；各穩(wěn)定視頻數(shù)據(jù)序列識別到的人體關(guān)鍵點相同；

27、基于卡爾曼濾波器預(yù)測當(dāng)前幀的穩(wěn)定視頻數(shù)據(jù)序列中人體關(guān)鍵點在下一幀的穩(wěn)定視頻數(shù)據(jù)序列的預(yù)測坐標(biāo)；

28、使用匈牙利算法對預(yù)測坐標(biāo)與下一幀的穩(wěn)定視頻數(shù)據(jù)序列中人體關(guān)鍵點的檢測坐標(biāo)進(jìn)行匹配，得到人體關(guān)鍵點在穩(wěn)定視頻數(shù)據(jù)序列中的初始運動軌跡序列；

29、對初始運動軌跡序列進(jìn)行分解，得到運動分量信號。

30、在其中一個實施例中，對初始運動軌跡序列進(jìn)行分解，得到運動分量信號的步驟中，包括步驟：

31、將人體關(guān)鍵點的檢測坐標(biāo)從圖像坐標(biāo)系轉(zhuǎn)換到以髖部中心為原點的身體坐標(biāo)系，獲取轉(zhuǎn)換坐標(biāo)；

32、使用傅里葉變換將轉(zhuǎn)換坐標(biāo)從時間序列轉(zhuǎn)換到頻域，獲取轉(zhuǎn)換坐標(biāo)的頻域表示；

33、使用小波變換將轉(zhuǎn)換坐標(biāo)進(jìn)行轉(zhuǎn)換，獲取轉(zhuǎn)換坐標(biāo)的時間-頻率表示；

34、使用經(jīng)驗?zāi)B(tài)分解對轉(zhuǎn)換坐標(biāo)進(jìn)行分解，獲取轉(zhuǎn)換坐標(biāo)的內(nèi)在模態(tài)函數(shù)；

35、對初始運動軌跡序列進(jìn)行主成分分析，獲取主成分；

36、將頻域表示、時間-頻率表示、內(nèi)在模態(tài)函數(shù)和主成分組成運動分量信號。

37、在其中一個實施例中，利用運動分量信號，分析相鄰人體關(guān)鍵點的位置差異和時間間隔，確定運動分量信號的篩選因子，并根據(jù)篩選因子篩選運動分量信號，得到異常分量信號的步驟，包括步驟：

38、計算相鄰人體關(guān)鍵點在各初始視頻幀中的歐氏距離，并計算歐氏距離的均值和標(biāo)準(zhǔn)差；

39、計算人體關(guān)鍵點在連續(xù)初始視頻幀中的位移，并計算位移的均值和標(biāo)準(zhǔn)差；

40、根據(jù)運動分量信號，識別人體關(guān)鍵點在各初始視頻幀中主要頻率成分的峰值頻率，計算峰值頻率的均值和標(biāo)準(zhǔn)差；

41、根據(jù)運動分量信號，計算人體關(guān)鍵點在各初始視頻幀中的時頻能量，計算時頻能量的均值和標(biāo)準(zhǔn)差；

42、根據(jù)運動分量信號，計算人體關(guān)鍵點在各初始視頻幀中的瞬時振幅，并計算瞬時振幅的均值和標(biāo)準(zhǔn)差；

43、根據(jù)運動分量信號，將初始運動軌跡序列投影到主成分空間，得到投影系數(shù)，計算投影系數(shù)的均值和標(biāo)準(zhǔn)差；

44、根據(jù)歐氏距離、歐氏距離的均值和標(biāo)準(zhǔn)差、位移、位移的均值和標(biāo)準(zhǔn)差、峰值頻率、峰值頻率的均值和標(biāo)準(zhǔn)差、時頻能量、時頻能量的均值和標(biāo)準(zhǔn)差、瞬時振幅、瞬時振幅的均值和標(biāo)準(zhǔn)差、投影系數(shù)和投影系數(shù)的均值和標(biāo)準(zhǔn)差，構(gòu)建篩選因子；

45、當(dāng)運動分量信號對應(yīng)的篩選因子大于預(yù)設(shè)閾值，則篩選因子大于預(yù)設(shè)閾值的運動分量信號為異常分量信號。

46、在其中一個實施例中，對異常分量信號進(jìn)行特征提取，得到權(quán)重特征向量的步驟，包括步驟：

47、對異常分量信號進(jìn)行預(yù)處理；

48、將預(yù)處理后的異常分量信號輸入到時序卷積網(wǎng)絡(luò)，輸出特征圖；

49、特征圖通過全局平均池化層，將時間維度壓縮，得到全局特征向量；

50、全局特征向量通過全連接層處理，輸出權(quán)重特征向量。

51、一種計算機(jī)設(shè)備，包括存儲器和處理器，存儲器存儲有計算機(jī)程序，處理器執(zhí)行計算機(jī)程序時實現(xiàn)上述方法的步驟。

52、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

53、上述技術(shù)方案中的一個技術(shù)方案具有如下優(yōu)點和有益效果：

54、本技術(shù)通過以下步驟：采集學(xué)生訓(xùn)練的初始視頻數(shù)據(jù)，分割初始視頻數(shù)據(jù)獲取多個初始視頻幀，并計算相鄰的初始視頻幀之間的特征點位移，得到多個特征點位移數(shù)據(jù)；根據(jù)特征點位移數(shù)據(jù)，提取初始視頻幀的背景運動特征，得到背景運動特征集；對特征點位移數(shù)據(jù)和背景運動特征集進(jìn)行時序關(guān)聯(lián)分析，得到全局運動估計矩陣；基于全局運動估計矩陣，對初始視頻幀進(jìn)行運動補償，得到穩(wěn)定視頻數(shù)據(jù)序列；對穩(wěn)定視頻數(shù)據(jù)序列進(jìn)行人體關(guān)鍵點檢測和跟蹤，得到初始運動軌跡序列，并分解初始運動軌跡序列得到運動分量信號；利用運動分量信號，分析相鄰人體關(guān)鍵點的位置差異和時間間隔，確定運動分量信號的篩選因子，并根據(jù)篩選因子篩選運動分量信號，得到異常分量信號；對異常分量信號進(jìn)行特征提取，得到權(quán)重特征向量；根據(jù)權(quán)重特征向量、篩選因子和初始運動軌跡序列，確定異常分量信號對應(yīng)的權(quán)重；根據(jù)篩選因子和權(quán)重，確定異常分量信號的修正權(quán)重，并基于修正權(quán)重，對初始運動軌跡序列進(jìn)行修正，得到修正運動軌跡序列；將修正運動軌跡序列與預(yù)設(shè)標(biāo)準(zhǔn)動作模板進(jìn)行比對，計算學(xué)生人體關(guān)鍵點和肢體的偏差值，并基于偏差值和預(yù)設(shè)評分規(guī)則，生成綜合評估報告。本技術(shù)通過對初始視頻數(shù)據(jù)中學(xué)生的動作分析，能及時獲得對動作的精確反饋，高效地識別每個學(xué)生的個體差異和特定需求，從而制定個性化的訓(xùn)練計劃，從而提高的訓(xùn)練質(zhì)量。