一种基于时间序列的立定跳远落地成绩检测方法

1.本发明涉及立定跳远测距技术领域，尤其涉及一种基于时间序列的立定跳远落地成绩检测方法。


背景技术：

2.传统立定跳远比赛中，基本均是人工手动标定落地位，而后测距。但随着科技的快速发展，顺应智能化的趋势，越来越多的立定跳远比赛中开始使用机器视觉来进行测距，如中国专利申请号为202010052744.3、202111632521.5等专利文件所公开。机器视觉测距方法中，关键点在于立定跳远落地点的判定，其直接决定、影响测量的准确性与可靠性。现有立定跳远测距方法，利用连续两帧图像之间人体骨骼关键点形成的角度与阈值关系，判断立定跳远落地时刻的姿态是脚落地还是臀部落地，再用边缘检测方法查找落地身体部位的坐标，从而进行测距计算。然而，目前基于骨骼关键点来判断落地姿态的方法较为复杂，运动员落地姿态不确定性和繁杂的特征，使之无法用固定的骨骼角度阈值来进行姿态分析，进而导致计算难度大；且基于传统图像处理的边缘检测的方法，无法有效避开因不同款式颜色鞋子、阴影、地面噪点等造成的干扰，存在落地点判断不准确而导致最终立定跳成绩计算误差大的问题。


技术实现要素：

3.本发明的目的在于提供一种基于时间序列的立定跳远落地成绩检测方法。
4.实现本发明目的的技术方案是：一种基于时间序列的立定跳远落地成绩检测方法，包括以下步骤：s1. 使用摄像头拍摄运动员侧面的整个跳远过程，得到多张跳远图像；s2. 对跳远图像进行处理，处理过程包括：对跳远图像中的人体和背景进行分割，将分割后的人体部分作为一个统一的整体；s3. 建立xy坐标系，其中，xy坐标系中的x轴为水平移动距离，y 轴为离地高度；s4. 基于跳远图像，筛选出各跳远图像中人体部分的最低像素点p（x，y）；s5. 构造时间序列s
x
和时间序列sy，从准备起跳开始，直到运动员离场，生成时间序列s
x
的散点图和时间序列sy的散点图；其中，时间序列s
x
为每一帧跳远图像中人体部分的最低像素点p（x，y）在x轴方向的数值按时间先后顺序排列而成的数列，时间序列sy为每一帧跳远图像中人体部分的最低像素点p（x，y）在y轴方向的数值按时间先后顺序排列而成的数列；s6. 根据时间序列s
x
的散点图和时间序列sy的散点图的分布，判断运动员的落地情况，并针对运动员的落地情况，找到运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像；s7. 基于运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，找到其上身体部分的最低像素点p（x，y）在的x轴方向上的数值，并依据建立的xy坐标系与
跳远实际场地的比例关系，换算得到最终的跳远距离成绩。
5.进一步地，步骤s6中，时间序列s
x
中的数值随着时间的增大而增大，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地未倒退，并找到时间序列sy中的数值刚下降到保持不变那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。根据时间序列s
x
的散点图和时间序列sy的散点图的分布趋势，可判断立定跳远时的落地情况；立定跳远时的落地情况通常包括落地未倒退和落地倒退。落地未倒退和落地倒退在时间序列s
x
和时间序列sy的分布趋势上表现不同的是，落地未倒退时，时间序列s
x
中的数值随着时间的增大而增大；落地倒退时，时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大。也就是说，根据时间序列s
x
和时间序列sy的分布趋势，可反向确定立定跳远时的落地情况，同时，立定跳远时不同的落地情况，也对应着不同的落地点的裁定。如果人体部分的最低像素点p（x，y）的水平移动距离即时间序列s
x
中的数值随着时间的增大而增大，表现为向前跳离；人体部分的最低像素点p（x，y）的离地高度即时间序列sy中的数值均是随着时间的增大先增后降，直到最低值保持不变，表现为跳起、落下，此时，根据时间序列s
x
和时间序列sy的分布趋势，可判断立定跳远时的落地情况为落地未倒退，基于该落地情况，即可确定时间序列sy中的数值刚下降到保持不变那一刻所在的帧的跳远图像（即在时间序列sy上表现为数值连成的抛物线与时间轴切点的那一帧的跳远图像）为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，如此，在找到该运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，即可准确计算跳远距离。
6.进一步地，步骤s6中，时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地倒退，并找到时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。如人体部分的最低像素点p（x，y）的水平移动距离即时间序列s
x
中的数值随着时间的增大增大先增大后减小，再继续增大，表现为向前跳离后，又向后倾倒，再向前起身，此时，可判断立定跳远时的落地情况为落地倒退，基于该落地情况，确定向后倒的帧即时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像（即在时间序列s
x
上表现为“v”字形的最低点所在帧的跳远图像）为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，如此，在找到该运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，即可准确计算跳远距离。
7.进一步地，步骤s1中所述摄像头为高清摄像头，摄像头的帧率为48 fps以上。
8.进一步地，步骤s1中所述摄像头设于运动员跳远侧方的3m~4m处。
9.进一步地，步骤s1中所述摄像头设于水平高度为1.2~1.8m的位置。
10.进一步地，步骤s1中所述摄像头设于水平高度为1.5m的位置。
11.进一步地，步骤s2中利用人体分割ai模型bodypix或pasnet深度学习框架或fcn深度学习框架或unet深度学习框架对人体和背景进行分割。
12.进一步地，步骤s3中立定跳远的起跳线的中心点作为建立的xy坐标系的原点。xy坐标系的原点可任意设置，但相比其它，立定跳远的起跳线的中心点作为建立的xy坐标系的原点时，计算更为简单。
13.本发明基于时间序列的立定跳远落地成绩检测方法，具有以下优点：1、计算前对跳远图像进行处理，对人体和背景进行分割，分割后的图像计算受图像背景的干扰少，检测可减少对图像背景的要求，不管图像背景多复杂，其均可准确计算，提高复杂背景下对落地点判断的准确性，提升立定跳远测距的精度；2、检测时将分割后的人体部分作为一个统一的整体，且落地点的判断也只由该统一的整体的最低点p（x，y）的运动轨迹决定，而与跳远时脚部姿态无关，检测时无需判定跳远的脚步姿态，无需识别骨骼关键点，可应对更多的落地情况，其通用性更强；3、本发明将跳远运动分解，并基于时间序列将分解后的运动各自形成散点图，依据时间序列的散点图判定落地情况，找到可准确计算跳远距离的落地时刻所在帧的跳远图像，并快速、准确地计算出最终的跳远距离成绩，其计算过程无需设定复杂的图像处理阈值，计算简单、处理速度快、准确性高；4、本发明基于时间序列的立定跳远落地成绩检测方法中，以时间序列散点图的方式将运动轨迹呈现出来后，不仅可更加清晰、直观的看到整个跳远动作，并且，其也为后续对立定跳远做数据分析提供高度、距离、时间等相关数据，便于修正跳远动作，提高跳远成绩；5、基于单目摄像头纯图像的处理方式，设备简单，成本低，且其对摄像头摆放位置无特定要求，不需要额外进行摄像头标定，跳远测试场地的设备安装便捷。
附图说明
14.图1是本发明基于时间序列的立定跳远落地成绩检测方法的流程结构示意图；图2是本发明基于时间序列的立定跳远落地成绩检测方法中的摄像头的安装结构示意图；图3是跳远过程中落地情况为落地未倒退时采用本发明基于时间序列的立定跳远落地成绩检测方法测量得到的时间序列s
x
的散点图；图4是跳远过程中采用本发明基于时间序列的立定跳远落地成绩检测方法测量得到的时间序列sy的散点图；图5是跳远过程中落地情况为落地倒退时采用本发明基于时间序列的立定跳远落地成绩检测方法测量得到的时间序列s
x
的散点图。
实施方式
15.下面结合附图对本发明基于时间序列的立定跳远落地成绩检测方法的较佳实施方式作详细的说明：如图1所示，一种基于时间序列的立定跳远落地成绩检测方法，包括以下步骤：s1. 在运动员跳远侧方的3m~4m、水平高度为1.5m左右的位置处设置摄像头1，如图2所示，所述摄像头为高清摄像头，摄像头的帧率为48 fps以上；使用所述摄像头拍摄运动员侧面的整个跳远过程，得到多张跳远图像；s2. 对跳远图像进行处理，处理过程包括：利用人体分割ai模型bodypix对跳远图像中的人体和背景进行分割，将分割后的人体部分作为一个统一的整体；s3. 建立xy坐标系，其中，xy坐标系中的x轴为水平移动距离，y 轴为离地高度，x
轴和y 轴的单位为像素，立定跳远的起跳线的中心点作为建立的xy坐标系的原点；s4. 基于跳远图像，筛选出各跳远图像中人体部分的最低像素点p（x，y）；s5. 构造时间序列s
x
和时间序列sy，从准备起跳开始，直到运动员离场，生成时间序列s
x
的散点图和时间序列sy的散点图；其中，时间序列s
x
为每一帧跳远图像中人体部分的最低像素点p（x，y）在x轴方向的数值按时间先后顺序排列而成的数列，时间序列sy为每一帧跳远图像中人体部分的最低像素点p（x，y）在y轴方向的数值按时间先后顺序排列而成的数列；s6. 根据时间序列s
x
的散点图和时间序列sy的散点图的分布，判断运动员的落地情况，并针对运动员的落地情况，找到运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像；具体包括：如果时间序列s
x
中的数值随着时间的增大而增大，如图3所示，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，如图4所示，此时，判断运动员的落地情况为落地未倒退，并找到时间序列sy中的数值刚下降到保持不变那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像；如果时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大，如图5所示，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，如图4所示，此时，判断运动员的落地情况为落地倒退，并找到时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像；s7. 基于运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，找到其上身体部分的最低像素点p（x，y）在的x轴方向上的数值，并依据建立的xy坐标系与跳远实际场地的比例关系，换算得到最终的跳远距离成绩。
16.本发明基于时间序列的立定跳远落地成绩检测方法，具体使用时，将所述摄像头1设置在运动员跳远侧方的位置，从运动员侧面拍摄整个跳远过程。运动员准备就绪，启动跳远测距程序，发出开始指令，摄像头开始录制运动员立定跳远的过程，在指令发出的一定时间内，运动员完成立定跳远，所述摄像头1停止录制，并将所拍摄的每一帧图像均传送至后台服务器。后台服务器对每一帧图像进行图像处理，并计算得到最终的跳远距离。
17.本发明基于时间序列的立定跳远落地成绩检测方法，具有以下优点：1、计算前对跳远图像进行处理，对人体和背景进行分割，分割后的图像计算受图像背景的干扰少，检测可减少对图像背景的要求，不管图像背景多复杂，其均可准确计算，提高复杂背景下对落地点判断的准确性，提升立定跳远测距的精度；2、检测时将分割后的人体部分作为一个统一的整体，且落地点的判断也只由该统一的整体的最低像素点p（x，y）的运动轨迹决定，而与跳远时脚部姿态无关，检测时无需判定跳远的脚步姿态，无需识别骨骼关键点，可应对更多的落地情况，其通用性更强；3、本发明将跳远运动分解，并基于时间序列将分解后的运动各自形成散点图，依据时间序列的散点图判定落地情况，找到可准确计算跳远距离的落地时刻所在帧的跳远图像，并快速、准确地计算出最终的跳远距离成绩，其计算过程无需设定复杂的图像处理阈值，计算简单、处理速度快、准确性高；
4、本发明基于时间序列的立定跳远落地成绩检测方法中，以时间序列散点图的方式将运动轨迹呈现出来后，不仅可更加清晰、直观的看到整个跳远动作，并且，其也为后续对立定跳远做数据分析提供高度、距离、时间等相关数据，便于修正跳远动作，提高跳远成绩；5、基于单目摄像头纯图像的处理方式，设备简单，成本低，且其对摄像头摆放位置无特定要求，不需要额外进行摄像头标定，跳远测试场地的设备安装便捷。
18.本发明基于时间序列的立定跳远落地成绩检测方法，步骤s6中，根据时间序列s
x
的散点图和时间序列sy的散点图的分布趋势，可判断立定跳远时的落地情况；立定跳远时的落地情况通常包括落地未倒退和落地倒退。落地未倒退和落地倒退在时间序列s
x
和时间序列sy的分布趋势上表现不同的是，落地未倒退时，时间序列s
x
中的数值随着时间的增大而增大；落地倒退时，时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大。也就是说，根据时间序列s
x
和时间序列sy的分布趋势，可反向确定立定跳远时的落地情况，同时，立定跳远时不同的落地情况，也对应着不同的落地点的裁定。
19.本发明基于时间序列的立定跳远落地成绩检测方法，步骤s6中，具体地，如果时间序列s
x
中的数值随着时间的增大而增大，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地未倒退，并找到时间序列sy中的数值刚下降到保持不变那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。人体部分的最低像素点p（x，y）的水平移动距离即时间序列s
x
中的数值随着时间的增大而增大，表现为向前跳离；人体部分的最低像素点p（x，y）的离地高度即时间序列sy中的数值均是随着时间的增大先增后降，直到最低值保持不变，表现为跳起、落下，此时，根据时间序列s
x
和时间序列sy的分布趋势，可判断立定跳远时的落地情况为落地未倒退，基于该落地情况，即可确定时间序列sy中的数值刚下降到保持不变那一刻所在的帧的跳远图像（即在时间序列sy上表现为数值连成的抛物线与时间轴切点的那一帧的跳远图像）为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，如此，在找到该运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，即可准确计算跳远距离。
20.本发明基于时间序列的立定跳远落地成绩检测方法，步骤s6中，具体地，如果时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大，时间序列sy中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地倒退，并找到时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。如人体部分的最低像素点p（x，y）的水平移动距离即时间序列s
x
中的数值随着时间的增大增大先增大后减小，再继续增大，表现为向前跳离后，又向后倾倒，再向前起身，此时，可判断立定跳远时的落地情况为落地倒退，基于该落地情况，确定向后倒的帧即时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像（即在时间序列s
x
上表现为“v”字形的最低点所在帧的跳远图像）为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，如此，在找到该运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，即可准确计算跳远距离。
21.本发明基于时间序列的立定跳远落地成绩检测方法，较佳地，步骤s1中所述摄像
头为高清摄像头，摄像头的帧率为48 fps以上。
22.本发明基于时间序列的立定跳远落地成绩检测方法，较佳地，步骤s1中所述摄像头设于运动员跳远侧方的3m~4m处。
23.本发明基于时间序列的立定跳远落地成绩检测方法，较佳地，步骤s1中所述摄像头设于水平高度为1.2~1.8m的位置。
24.本发明基于时间序列的立定跳远落地成绩检测方法，较佳地，步骤s1中所述摄像头设于水平高度为1.5m的位置。
25.本发明基于时间序列的立定跳远落地成绩检测方法，步骤s2中除了可利用人体分割ai模型bodypix对人体和背景进行分割外，还可利用pasnet深度学习框架或fcn深度学习框架或unet深度学习框架等对对人体和背景进行分割。
26.本发明基于时间序列的立定跳远落地成绩检测方法，较佳地，步骤s3中立定跳远的起跳线的中心点作为建立的xy坐标系的原点。xy坐标系的原点可任意设置，但相比其它，立定跳远的起跳线的中心点作为建立的xy坐标系的原点时，计算更为简单。
27.基于时间序列的立定跳远落地成绩检测方法本发明对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于时间序列的立定跳远落地成绩检测方法，其特征在于：包括以下步骤：s1. 使用摄像头拍摄运动员侧面的整个跳远过程，得到多张跳远图像；s2. 对跳远图像进行处理，处理过程包括：对跳远图像中的人体和背景进行分割，将分割后的人体部分作为一个统一的整体；s3. 建立xy坐标系，其中，xy坐标系中的x轴为水平移动距离，y 轴为离地高度；s4. 基于跳远图像，筛选出各跳远图像中人体部分的最低像素点p（x，y）；s5. 构造时间序列s
x
和时间序列s
y
，从准备起跳开始，直到运动员离场，生成时间序列s
x
的散点图和时间序列s
y
的散点图；其中，时间序列s
x
为每一帧跳远图像中人体部分的最低像素点p（x，y）在x轴方向的数值按时间先后顺序排列而成的数列，时间序列s
y
为每一帧跳远图像中人体部分的最低像素点p（x，y）在y轴方向的数值按时间先后顺序排列而成的数列；s6. 根据时间序列s
x
的散点图和时间序列s
y
的散点图的分布，判断运动员的落地情况，并针对运动员的落地情况，找到运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像；s7. 基于运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像，找到其上身体部分的最低像素点p（x，y）在的x轴方向上的数值，并依据建立的xy坐标系与跳远实际场地的比例关系，换算得到最终的跳远距离成绩。2.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s6中，时间序列s
x
中的数值随着时间的增大而增大，时间序列s
y
中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地未倒退，并找到时间序列s
y
中的数值刚下降到保持不变那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。3.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s6中，时间序列s
x
中的数值随着时间的增大先增大后减小，再继续增大，时间序列s
y
中的数值随着时间的增大先增后降，直到最低值保持不变，此时，判断运动员的落地情况为落地未倒退，并找到时间序列s
x
中的数值从最高点下降到再上升的那一刻所在的帧的跳远图像，将找到的该跳远图像作为运动员跳远落地后可准确计算跳远距离的落地时刻所在帧的跳远图像。4.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s1中所述摄像头为高清摄像头，摄像头的帧率为48 fps以上。5.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s1中所述摄像头设于运动员跳远侧方的3m~4m处。6.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s1中所述摄像头设于水平高度为1.2~1.8m的位置。7.根据权利要求6所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s1中所述摄像头设于水平高度为1.5m的位置。8.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s2中利用人体分割ai模型bodypix对人体和背景进行分割。9.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步
骤s2中利用pasnet深度学习框架或fcn深度学习框架或unet深度学习框架对人体和背景进行分割。10.根据权利要求1所述的基于时间序列的立定跳远落地成绩检测方法，其特征在于：步骤s3中立定跳远的起跳线的中心点作为建立的xy坐标系的原点。

技术总结
本发明公开了一种基于时间序列的立定跳远落地成绩检测方法，将跳远运动分解，并基于时间序列将分解后的运动各自形成散点图，依据时间序列的散点图判定落地情况，找到可准确计算跳远距离的落地时刻所在帧的跳远图像，并快速、准确地计算出最终的跳远距离成绩，其计算过程无需设定复杂的图像处理阈值，无需判定跳远的脚步姿态，无需识别骨骼关键点，可应对更多的落地情况，其通用性更强，计算简单、处理速度快、准确性高；且计算前对跳远图像进行处理，对人体和背景进行分割，分割后的图像计算受图像背景的干扰少。像背景的干扰少。像背景的干扰少。


技术研发人员：翁金芳 林启招 郭勇 张晓敏 陈晖 王洪 陈文印 陈乐 张文海 卓树峰 陈开洪 程智双 赖欣伟 林灏明 陈宇航 郭婷月 黄琴榕
受保护的技术使用者：福建信息职业技术学院
技术研发日：2023.04.06
技术公布日：2023/8/14