基于FSR和陀螺仪的足球运动腿部姿态实时检测技术

张 亮，张庆武

(安徽中医药大学 体育部，安徽 合肥 230012)

0 引 言

FSR(force sensitive resistor)又称力敏电阻，可依据运动员进行足球腿部运动时压力分布的差异性以及相关性判断姿态，FSR利用力敏电阻获取不同区域压力值，所获取压力值有助于分析不同足球运动姿态与压力间的相关性[1]。陀螺仪是一种维持传感方向的硬件设施，陀螺仪是通过角动量守恒定律实现方向传感的重要设备[2]。物体旋转过程中轴方向未受到外力时不发生变化，依据以上原理陀螺仪可保持运动方向，陀螺仪通过读取轴方向可为人们提供水平、角度等众多信息[3-4]。独立传感器具有自身优势以及缺陷，将多个传感器结合建立体域网，可以有效提升姿态检测精准性。图像分析和传感器是两种主要的人体姿态检测方法，图像分析的人体姿态检测技术是通过分析所采集图像检测人体姿态[5]；传感器检测人体姿态是通过加速度、惯性等传感器采集人体生理信息，利用所采集信息检测人体姿态的技术。

利用足球姿态检测结果辅助教练员制定决策训练计划，能够有效提升足球运动员足球竞技能力。足球运动中人体姿态较为复杂，足球运动主要通过运动员腿部动作实现运动，准确检测足球运动腿部姿态具有较强的现实意义。朱耀麟等人研究基于模板模型的实时人体姿态跟踪方法[6]，利用深度摄像头采集人体实时运动姿态，具有较高的检测精度。深度摄像头具有监控范围过小的缺陷，不适用于运动过程激烈的足球运动腿部姿态检测。郑毅等人研究基于长短时记忆网络的人体姿态检测方法[7]，利用长短时记忆网络方法解决载体运动时由于运动加速度造成的姿态估计误差，该方法具有较高的检测精度，但运算过程复杂，实时性较差。

针对上述问题，提出基于FSR和陀螺仪的足球运动腿部姿态实时检测技术，选取FSR以及陀螺仪作为足球运动腿部姿态检测的硬件传感器设备，利用传感器设备检测足球运动员腿部角速度、压力信息，将所采集数据利用常规应用于模式识别中的支持向量机方法实现足球运动腿部姿态实时检测。

1 基于FSR和陀螺仪的足球运动腿部姿态实时检测

1.1 足球运动腿部姿态

图1 足球运动腿部姿态分类

足球运动过程包含极为复杂的人体腿部姿态，足球运动腿部姿态实时检测前，需明确足球运动腿部姿态分类，科学合理的腿部姿势分类有助于准确检测足球运动腿部姿态[8-9]。依据足球运动员运动过程中肢体状态，将足球运动腿部姿态主要分为运动状态及静止状态。足球运动腿部姿态分类总体结构如图1所示。

足球运动具体分为静止、过人、跳跃、射门、传球、接球、抢球、走步、跑步9个腿部姿态。将FSR与陀螺仪分别安装于足球运动员腿部，FSR厚膜聚合物传感器尺寸极小，适用于采集触觉信号。传感器需安装于与腿部形状吻合的腓肠肌，令其与足球运动腿部充分接触。

利用陀螺仪与FSR所采集信息初步判断足球运动员腿部是否为运动状态，足球运动员腿部为运动状态时，提取FSR传感器以及陀螺仪传感器所采集数据的时域特征以及频域特征，并将所采集特征发送至支持向量机分类器，通过支持向量机分类器实现足球运动腿部姿态准确检测[10]。

1.2 FSR传感器采集压力数据

FSR受到压力施加时自身电阻值随之变化，依据电阻材料差异性可确定所施加压力与电阻值间存在的非线性关系[11-12]，依据FSR电阻两侧电压值与电阻值间关系可获取施加于FSR上的压力值。

FSR受到力的施加时，显示界面为0～N的值，通过所显示值体现FSR两侧压力，N设置值随处理器类型的差别而有所不同，FSR传感器处理器位数为n时，可得N值公式

N=2n-1

(1)

可得FSR两端电压计算公式

(2)

式中，V0与R分别表示初始电压以及电阻，Rr与V1分别表示力敏电阻串联的分压电阻以及处理器所检测电压最大值，可知FSR检测的电压与电阻关系公式

(3)

通过以上公式获取力敏电阻的电阻值，依据力敏电阻的电阻R与所受到力f间非线性关系获取足球运动员腿部所受压力，并将所采集压力值提取特征后利用支持向量机分类器提升腿部姿态检测精度。

本文选取力敏电阻型号为FSR402，感应直径以及感应面积分别为1.38 cm以及1.38 cm2，FSR402为固定位置，足球运动过程中接触面不断变化。

1.3 足球运动腿部姿态划分

(4)

(5)

(6)

角速度与压力的离散度在静止状态时分别在阈值αa以及阈值αp下，传感器数据在足球运动员进行足球运动时快速变化，传感器数据差异程度可通过离散度体现[13]，依据离散度实现足球运动腿部姿态划分。

设时间为n时，足球运动员腿部状态用βn表示，则βn为0以及为1时分别表示静止状态以及运动状态，可得公式

(7)

通过以上步骤获取FSR传感器以及陀螺仪传感器数据离散度，依据所获取阈值判断足球运动员腿部运动为静止状态以及运动状态。

利用离散度判断足球运动员腿部为运动状态时，提取足球运动腿部姿态的时域特征以及频域特征，利用支持向量机分类器实现足球运动腿部姿态的精准检测。

1.4 足球运动腿部姿态特征提取

1.4.1 时域特征提取

(8)

(9)

利用以上公式获取的压力矢量、角速度矢量和与压力向量以及角速度向量共同组成维数为8的特征矩阵。采样点数量为N时，其中一个样本即为大小为N×8的特征矩阵。

获取实时检测足球运动腿部姿态时域特征采样点均值

(10)

实时检测足球运动腿部姿态时域特征采样点方差公式

(11)

所提取时域特征具有FSR传感器以及陀螺仪传感器x、y、z轴矢量和均值各4维；FSR传感器以及陀螺仪传感器x、y、z轴矢量和方差各4维，所获取足球运动腿部姿态时域参数共16维。

1.4.2 频域特征提取

将时域采集数据利用傅里叶变换原理转换至频域公式

(12)

式中，Z(n)表示频域内第n个采样点值，j表示频域维数；e为指数函数。

傅里叶变换峰值即足球运动腿部姿态检测频域特征[14]，其公式

(13)

式中，H与fs分别表示频域采样点数量以及数据采集传感器采样频率。

所提取频域特征共有压力与角速度传感器x、y、z轴频域峰值以及与其相对应频率值各6维，压力矢量、角速度矢量以及频域峰值和相应峰值对应频率各2维，共包含频域特征总维数为16维。

1.5 足球运动腿部姿态实时检测

支持向量机分类器是模式识别领域中的一种高效方法，支持向量机是基于统计学习理论的结构风险最小化分类方法，常应用于非线性以及高维模式识别问题中，选取支持向量机方法依据FSR和陀螺仪监测数据实时检测足球运动腿部姿态。

支持向量机是将超平面设置于不同类别数据内，令数据与超平面距离最大[15]，实现不同类别数据线性分割。选取RBF核函数K应用于支持向量机实时检测足球运动腿部姿态公式

K(xi,xj)=exp(-σ‖xi-xj‖2)

(14)

式中，σ表示核参数，且满足σ>0。

将支持向量机二次规划问题通过拉格朗日优化算法转化至对偶问题并求解，获取分类问题最终决策函数公式

(15)

式中，ζi与xi分别表示拉格朗日乘子以及不同模式特征样本；yi与c分别表示为-1以及1的样本相应标号以及分类阈值。

利用网格搜索的参数选择方法选择适合该分类问题最优模型参数，将交叉验证方法与参数选择方法相结合避免分类器过拟合现象发生。搜索范围内针对训练样本选择最优支持向量机分类器后，利用分类器组二值划分不同分类样本，所获取数量最多的分类标号即为足球运动腿部姿态实时检测的支持向量机分类器输出。

2 实例分析

为验证本文方法实时检测足球运动腿部姿态的有效性，选取某地某高校体育专业足球队11人测试。11人均需同时安装FSR传感器以及陀螺仪传感器，令11人依据足球运动腿部不同姿态运动，采集大量实验数据作为实验样本，采用本文方法处理实验样本后获取不同足球运动腿部姿态特征作为支持向量机样本集合，将样本集合作为训练样本输入支持向量机，采用训练完成支持向量机分类器实时检测11名运动员足球运动时腿部姿态。

分别采集11名男性足球运动员的静止、过人、跳跃、射门、传球、接球、抢球、走步、跑步9种腿部姿态数据作为足球运动腿部姿态实时检测训练样本。令11名足球运动员每个腿部姿态各重复30次，获取样本数量共2 970个。所采集运动员腿部姿态样本数量见表1。

统计不同训练样本数量时本文方法检测结果见表2。

表1 运动员数据采集样本

表2 不同训练样本数量时检测结果

干扰检测率是指检测结果中存在较大干扰性的检测结果占全部检测结果的比率。表2统计结果可以看出，随着训练样本数量的增加，训练时间有所提升，平均检测精度有所提升，干扰检测率有所下降。主要原因是增加训练样本可提升支持向量机分类器分类性能，有效提升本文方法的平均检测精度，令本文方法的干扰检测率有所降低。表2测试结果说明本文方法可有效检测足球运动腿部姿态，且增加训练样本数量可有效提升支持向量机检测精度。

采用本文方法测试11名运动员10 min之内足球运动腿部姿态结果(表3)。

表3 足球运动腿部姿态测试结果 次

表3统计结果可以看出，采用本文方法可有效检测11名足球运动员于10 min足球比赛过程中腿部姿态次数，有效验证本文方法将FSR传感器与陀螺仪传感器相结合具有较高的腿部姿态检测有效性。

足球运动腿部姿态检测实时性极为重要，实时检测足球运动腿部姿态可进一步帮助足球教练员科学合理制定训练计划。统计采用本文方法检测足球运动腿部姿态FSR传感器与陀螺仪传感器的平均信息采集时间以及各姿态平均检测时间，统计结果如图2所示。

图2统计结果可以看出，本文方法采用FSR传感器以及陀螺仪传感器采集足球运动腿部姿态平均时间均低于300 ms；本文方法利用两种传感器所采集信息实时检测足球运动腿部姿态平均检测时间均低于500 ms。实验结果有效验证本文方法具有较高的实时性，可满足足球运动腿部姿态检测实时性需求。

为进一步验证本文方法实时检测足球运动腿部姿态精准性，并将本文方法与模板模型方法(文献[6])以及长短时记忆网络方法(文献[7])对比，统计采用三种方法实时检测足球运动腿部姿态的准确率，计算公式

(16)

式中，m表示足球运动腿部姿态的检测项目数量，h表示实际检测，h′表示预测检测。利用准确率计算公式，计算不同方法检测准确率对比结果(图3)。

图2 方法信息采集以及检测时间图3 不同方法检测准确率对比

图3对比结果可以看出，采用本文方法检测足球运动腿部不同姿态的检测准确率明显高于模板模型方法以及长短时记忆网络方法，本文方法检测不同足球运动腿部姿态的准确率均高于99.5%，有效说明本文方法相比于另两种方法具有更高的足球运动腿部姿态检测准确率。

统计采用3种方法实时检测足球运动腿部姿态召回率，计算公式

(17)

式中，A(a)表示在足球运动腿部姿态实时检测中运动员a召回量；B(a)表示运动员a在测试结果最终选择的对象集合的召回量。利用召回率公式，计算不同方法召回率对比结果(图4)。

图4 不同方法召回率对比结果

图4对比结果可以看出，采用本文方法检测9个足球运动腿部姿态的平均召回率高达99%以上，本文方法实时检测足球运动腿部姿态召回率明显高于另两种方法，再次验证本文方法具有较高的检测性能。

3 结 论

图像分析检测人体姿态存在众多不足，图像采集设备具有携带困难以及设备精度要求高等特点，图像采集设备采集过程中容易形成死角，导致采集范围过小影响检测性能。本文将FSR传感器与陀螺仪传感器相结合研究足球运动腿部姿态实时检测，利用传感器设备检测足球运动员运动状态信息，实现足球运动腿部姿态精准检测。实验通过实例分析有效验证该方法检测足球运动腿部姿态有效性，采用该方法可精准检测足球运动过程中9个腿部姿态，且具有较高的实时性，为足球运动腿部姿态实时检测的实际应用提供新的方法。