基于视频监控的足球教学和训练,使用深度学习
1School of Media and Design, Hangzhou Dianzi University, Hangzhou, Zhejiang, China.
概括
本研究介绍了使用IMU和计算机视觉进行客观运动员表现评估的足球教学运动识别 (DL-FTMR) 的深度学习. 在精英体育训练中,DL-FTMR显著提高了运动识别准确度.
科学领域:
- 运动科学 运动科学 运动科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 客观的运动员表现评估对于精英体育研究至关重要.
- 使用视频监控自动识别和分类足球练习克服了手动分析的局限性.
- 视频分析有助于通过根据人类行为对数字视频材料进行分类来检测和防止不适当的行为.
研究的目的:
- 系统地应用惯性测量单位 (IMU) 和计算机视觉数据来进行足球教学运动识别 (DL-FTMR) 的深度学习.
- 通过深度学习模型分析训练,并评估教练在体育特定决策方面的效率.
- 开发和验证DL-FTMR系统,用于增强足球训练分析.
主要方法:
- 用IMU和计算机视觉分析的数据用于DL-FTMR.
- 探索各种图书馆和深度学习方法,以进行深度模型构建.
- 采用基于视频的研究和UT-Interaction数据集用于复杂事件识别和人类活动识别 (HAR).
主要成果:
- DL-FTMR实现了94.5%的性能比率,超过了OCNN,GMM,YOLO和HAR-SAM的表现.
- 在行为处理 (92.4%),运动员能量 (92.5%),互动 (91.8%),预测 (92.5%),灵敏度 (93.7%) 和精度 (94.86%) 方面报告了高比例.
- 视频监控系统提供了类似游戏的视图,增强了选择准确性的感知,而不会影响响应时间.
结论:
- 使用视频监控系统的练习可以提高选择准确性的感知.
- 在精英体育运动中,DL-FTMR为客观的运动员表现评估提供了一种有价值的技术.
- 该研究验证了集成IMU和计算机视觉数据在足球训练中高级运动识别的有效性.
