36、基于骨架数据和 LSTM 的排球动作识别研究

基于骨架数据和 LSTM 的排球动作识别研究

1. 引言

从视觉数据中理解人类行为是计算机视觉的一个关键应用，广泛用于物联网、运动员表现监测和视频监控等领域。传统的动作识别方法采用手工制作的视觉和时间线索对特定活动进行分类。

排球作为一项在全球广受欢迎的运动，以其复杂的打法和快速的动作著称。能够分析和理解球员在球场上的每一个细微动作，对于比赛的发展具有重要意义。这不仅能帮助教练和运动员改进战术、研究对手和提升技能，也能让球迷和专家更深入地理解比赛。

在排球比赛中，识别运动序列中的相关姿势，有助于裁判做出公平的判罚，也能为教练和球员提供基于数据的建议。然而，目前大多数人类姿态检测技术主要用于识别常见且易于执行的动作，传统的基于视频的人类姿态识别研究面临着光照强度变化、复杂背景干扰和目标用户自我遮挡等问题，难以突破瓶颈。

近年来，随着 Kinect 等视频捕捉设备的快速发展，研究人员可以轻松获取图像、深度图像和骨骼关节点的坐标信息。与传统的视频分析技术相比，骨骼数据具有明显优势。传统方法需要分析师花费大量时间观察视频，凭借敏锐的眼光和直觉来解读战术和动作，但这些方法受到诸多问题的限制，如不一致的照明、多样的球员服装和不断变化的动态背景，使得重要细节容易被隐藏，并且从大量视频数据中实时提取有用信息也非常困难。

Johansson 的研究表明，仅通过观察肢体关节的位置就可以识别许多人类动作，这验证了在许多情况下，骨骼信息足以识别人类的位置和动作。现有的基于骨架的动作识别技术主要分为基于身体部位和基于关节的方法，通过线性动态系统（LDSs）学习这些特征的动态变化。这种方法将视觉场景的复杂性降低到更易于管理的水平，强调运动的本质，提高了准确性和计算效率