| 标题 | 基于卡尔曼滤波的网球发球最佳击球点预测系统 |
| 范文 | 裴成禹 摘 要： 针对传统系统缺少最小方差估算步骤，容易受到信号干扰影响，存在预测精准度较低的问题，提出基于卡尔曼滤波的网球发球最佳击球点预测系统。根据系统硬件结构框图，设计预测感知模块，获取可读与不可读信息。为了使系统只传输可读信息，设计闭合开关，并在硬件末端设置客户端模块，显示预测结果，改善信号干扰问题。采用最小方差估计算法对硬件中的预测感知模块进行软件功能设计，并根据卡尔曼滤波原理进行多次迭代处理，获取最佳击球点滤波输出值。实验结果表明，该系统预测精准度最高可达到82%，能够准确找出最佳击球点。 关键词： 卡尔曼滤波； 网球； 发球； 最佳击球点； 预测； 滤波 中图分类号： TN911.1?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2018）11?0162?04 Kalman filtering based best hitting point prediction system of tennis serve PEI Chengyu （Sichuan Technology and Business University， Chengdu 611745， China） Abstract： The traditional system lacks the minimum variance estimation step， and is easily affected by signal interference， which may result in low prediction accuracy. A Kalman filtering based best hitting point prediction system of tennis serve is proposed to solve this problem. According to the structure diagram of the system hardware， the predictive perceptive module is designed to obtain the readable and unreadable information. The closed switch is designed to make the system can only transmit the readable information， and the client module is set on the hardware terminal to display the prediction results， so as to improve the signal interference. The minimum variance estimation algorithm is used to design the software function of the predictive perception module in hardware， and the multi?iteration processing based on Kalman filtering principle is adopted to obtain the best filtering output value of the hitting point. The experimental results show that the prediction accuracy of the system can reach up to 82%， and the system can find out the best hitting point accurately. Keywords： Kalman filtering； tennis； serve； best hitting point； prediction； filtering0 引 言 网球运动成为人们健身的重要项目，在该项运动中，击球技术是得分获胜的关键，也是整个网球训练的难点。在以往的训练模式中，通常都是由教练进行示范讲解，击球运动员按照自己的理解完成击球动作，之后教练对个别运动员进行指导，及时纠正击球时所犯的错误[1]。在这种传统教学模式中，击球运动员无法认知自身的错误，导致网球运动员对击球技术掌握能力较差。运动员在击球时，只有找到最佳击球点，才能使球拍与网球接触的空间位置达到最佳，有助于击球动作完成的连贯性，达到準确击球的目的。 由于传统系统存在预测精准度低的问题，不能满足网球运动员需求，为此提出基于卡尔曼滤波的网球发球最佳击球点预测系统设计。卡尔曼滤波预测具有精准度高的特点，对于目标的检测识别是目前发展最为迅速的领域[2]。该目标的识别指的是从视频序列中提取出每一帧击球的信息，该过程涉及计算机技术，具有广阔的应用前景。1 预测系统设计 网球发球最佳击球点预测系统的研发最关键的就是对硬件结构和软件功能两方面进行设计，在对系统实际运行功能和性能需求等方面做出合理假设后，结合卡尔曼滤波分析预测做出详细设计[3]。1.1 系统硬件结构设计 根据网球运动项目的实际环境特征，设计该环境下网球发球最佳击球点预测系统硬件结构框图，如图1所示。 由图1可知，击球感知、预测开关和客户端共同组成了网球发球最佳击球点预测系统硬件结构。其中，击球感知是对网球发球最佳击球点的数据信息进行预测和感知，预测开关主要负责向客户端传送发球击球点的可读数据信息，而客户端主要负责对预测信息进行展示，并进行远程监控。1.1.1 预测感知 预测感知模块主要负责对网球发球击球点数据信息进行预测和感知，该模块采用卡尔曼滤波的预测方法实现网球发球击球点预测信息的双向智能通信[4]。采集到的数据信息通过预测感知模块向预测开关单元进行数据传输时需通过5个节点，分别是系统总电源开关节点、传感节点、采集节点、处理节点和接收节点，这5个节点之间的关系如图2所示。 由图2可知，在上述5个节点中除了包含网球发球击球点预测传感信息，还包括可读信息和不可读信息。传感节点对可读信息和不可读信息进行监测，保证每个数据信息都具有特定属性。采集节点对系统运行数据进行实时采集，通过接收节点获取来自采集节点的数据信息。处理节点对接收到的信息进行处理[5]。1.1.2 预测开关 预测开关由无线传感协调器和网络服务器组成，在对网球发球击球点进行预测时，需精确传感装置的传输数据，该传感数据的产生需要通过预测开关进行控制[6]。为了使預测效果更佳，设计可读与不可读信息的闭合开关，如图3所示。 采用反向连接方式设计如图3所示的闭合开关，将一个节点作为一个电压输入值，并在回路中产生具有正向属性的电流值[7]。可读信息与不可读信息同时被传递到电路中，通过无线传感协调器向主机传送所有节点采集到的数据信息，传递出可读信息。1.1.3 客户端模块 在硬件末端设置客户端模块，主要负责显示预测结果，运动员可通过客户端界面实时查看网络终端数据预测结果[8]。系统预测开关是整个硬件结构设计的关键部分，利用客户端前端的服务器对数据进行无差错且不重复的信息预测，按照TCP协议完成客户端数据的传达[9]。不同击球点所产生的数据信息不同，因此需充分考虑信号的传输情况，利用无线传感设备对节点信息进行安全传输，保证数据信息传输的安全性。客户端界面设置如图4所示。 针对系统硬件结构的设计，采用卡尔曼滤波的预测方法实现预测信息的快速感知，由此获取可读与不可读信息。为了使系统只传输可读信息，需设计闭合开关，使预测效果更佳[10]。1.2 系统软件功能设计 对于系统软件部分的设计，需对硬件中预测感知模块的具体功能进行设计，在保证系统不受到信号干扰的同时，具备良好的预测效果。1.2.1 卡尔曼滤波原理 卡尔曼滤波原理框图的设计如图5所示。1.2.2 最小方差估计算法 根据卡尔曼滤波原理可以得到： 1） 第[n]个时刻的卡尔曼滤波器输出结果为： [Zn=αZn-1+NnFn-HαZn-1] （1） 式中：[Zn]为第[n]个时间段的卡尔曼滤波输出值；[Zn-1]为第[n-1]个时间段的卡尔曼滤波输出值；[Nn]为第[n]个时间段的卡尔曼滤波系数；[Fn]为第[n]个时间段的预测状态；[H]为预测矩阵；[α]为状态转移矩阵[11]。 2） 第[n]个时间段的方差为： [Kn=Knn-1-NnHKnn-1Kn+1n=αZn+Q] （2） 式中：[Kn]为[Zn]的方差，也就是第[n]个时间段的卡尔曼滤波输出误差估计值；[Kn+1n]为[Zn+1n]的方差，也就是第[n+1]个时间段的卡尔曼滤波输出误差估计值；[Q]为噪声方差矩阵[12]。 根据上述方程对预测数值进行多次迭代处理，即可获取满意的滤波输出值。1.2.3 算法设计实现 根据上述内容，实现对网球发球最佳击球点预测。具体实现过程为： 1） 输入网球发球最佳击球点视频，将该视频转化为图片，并设置图片大小一致； 2） 使用差分方法计算图片与背景图，以此获取预测范围，标记图像连接点，获取重要连接信息，确定击球点最佳质心坐标； 3） 计算图片预测范围并提取目标，获得最佳击球点质心和半径的最大值； 4） 用卡尔曼滤波器预测视频中的目标位置； 5） 将获取的最佳目标位置作为卡尔曼预测的数值，并实时更新参数数值； 6） 对所有与网球发球最佳击球点相关的视频进行处理，由此结束最小方差计算，否则，返回到步骤2）中； 7） 输出预测结果。 针对系统软件部分的设计，利用卡尔曼滤波方法对网球发球击球动态动作的状态序列进行最小方差估计，可选取任意一点为预测起点。根据卡尔曼滤波原理进行多次迭代处理，可获得满意滤波输出值，以此为基础对最小方差估计算法步骤进行设计，通过该步骤的设计可实现网球发球击球点的预测。2 实 验 实验验证选择某大学的网球训练队中的一名队员为实验对象，进行实验的场地为某大学的塑胶网球场。在进行实验前，需向实验对象说明进行本次实验的目的，并说明注意事项。使用IO Industries公司的摄像机，对实验对象进行定点拍摄。将摄像机放置在网球场的右侧，距发球运动员5 m，通过摄像头记录运动员的发球数量，以运动员手臂的标记点轨迹分析网球发球最佳击球点特征，如图6所示。2.1 信号干扰实验验证分析 利用卡尔曼滤波器进行网球发球最佳击球点预测时，由于会受到信号干扰影响，导致预测精准度发生变化，为了确保基于卡尔曼滤波的网球发球最佳击球点预测系统中硬件设计的合理性进行了如下实验。 在保证实验环境不变的条件下，重复实验6次，并记录结果，为了使实验结果更具有可靠性，在信号干扰条件下，将传统系统与基于卡尔曼滤波系统的预测精准度进行对比分析，结果如图7所示。 由图7可知，当系统不被信号干扰时，预测精准度可达到85%左右。当信号干扰强度为100 Hz时，传统系统预测精准度为75%，而基于卡尔曼滤波系统预测精准度为82%；当信号干扰强度为200 Hz时，传统系统预测精准度比基于卡尔曼滤波系统预测精准度低12%；当信号干扰强度为400 Hz时，传统系统预测精准度与基于卡尔曼滤波系统预测精准度下降的幅度最大；当信号干扰强度为600 Hz时，两种系统预测精准度都达到最低，传统系统预测精准度为38%，而采用卡尔曼滤波技术设计的系统预测精准度为57%。由此可知，在信号干扰条件下，采用卡尔曼滤波技术设计的系统预测精准度较高。 2.2 最小方差估算实验验证分析 有无方差估算对于预测系统来说是十分重要的，当系统设计缺少最小方差估算时，输出结果会存在一定误差，造成预测精准度发生变化，为了确保采用卡尔曼滤波技术设计的系统中软件部分设计的合理性，将传统预测系统与采用卡尔曼滤波技术设计的系统进行对比，结果如图8所示。 由图8可知，当实验次数为5时，传统系统预测精准度比基于卡尔曼滤波系统预测精准度低35%；当实验次数为10时，传统系统预测精准度比基于卡尔曼滤波系统预测精准度低60%；当实验次数为24时，传统系统预测精准度与基于卡尔曼滤波系统预测精准度差值达到最大，相差80%。由于基于卡尔曼滤波系统设计了最小方差估计算法，能够改善误差较大的问题，因此采用卡尔曼滤波系统预测精准度较高。2.3 实验结论 根据上述实验内容，可得出如下實验结论：由于基于卡尔曼滤波系统设计了最小方差估计算法，能够改善误差较大的问题，并在信号干扰条件下依然保持较高的预测精准度，由此可知，基于卡尔曼滤波的网球发球最佳击球点预测系统具有合理性。3 结 语 本文针对网球发球最佳击球点的预测就是判断视频序列中是否存在预测目标，由此确定网球运动员手臂标记点轨迹。对于发球与击球的跟踪是指在整个视频序列中预测最佳击球点的位置，预测精准度越高，则对于最佳击球点的预测信息就越多，为此采用卡尔曼滤波技术设计预测系统。虽然该系统的预测精准度得到了实验验证，但是还存在实验信息的不确定性，因此，在未来研究中，应尽量确定实验信息，以保证系统运行的高效性。 参考文献 [1] 李春来，张海宁，杨立滨，等.基于无迹卡尔曼滤波神经网络的光伏发电预测[J].重庆大学学报，2017，40（4）：54?61. LI Chunlai， ZHANG Haining， YANG Libin， et al. Photovoltaic power forecasting based on unscented Kalman filtering neural network [J]. Journal of Chongqing University （natural science edition）， 2017， 40（4）： 54?61. [2] 刘鹏华，姚尧，梁昊，等.耦合卡尔曼滤波和多层次聚类的中国PM2.5时空分布分析[J].地球信息科学学报，2017，19（4）：475?485. LIU Penghua， YAO Rao， LIANG Hao， et al. Analyzing spatiotemporal distribution of PM2.5 in China by integrating Kalman filter and multi?level clustering [J]. Journal of geo?information science， 2017， 19（4）： 475?485. [3] 辜小花，王坎，李燕，等.基于演化模型偏好多目标优化的智能采油辅助决策支持[J].机械工程学报，2017，53（13）：159?169. GU Xiaohua， WANG Kan， LI Yan， et al. The intelligent oil extraction auxiliary decision based on evolution model and pre?ference driven multi?objective optimization [J]. Journal of mechanical engineering， 2017， 53（13）： 159?169. [4] 张治远.基于三维图像的运动员起跑动作误差预测仿真[J].计算机仿真，2017，34（8）：412?416. ZHANG Zhiyuan. Error prediction and simulation of athlete′s starting action based on 3D image [J]. Computer simulation， 2017， 34（8）： 412?416. [5] 杜正聪，邓寻.基于自适应遗传算法的粒子滤波器[J].成都理工大学学报（自然科学版），2017，44（5）：636?640. DU Zhengcong， DENG Xun. Particle filter based on adaptive genetic algorithm [J]. Journal of Chengdu University of Techno?logy （science & technology edition）， 2017， 44（5）： 636?640. [6] 王坎，辜小花，高论，等.基于UPFNN的油田机采工艺动态演化建模[J].现代电子技术，2017，40（5）：109?114. WANG Kan， GU Xiaohua， GAO Lun， et al. UPFNN?based dynamic evolution modeling of oil field mechanical plucking technology [J]. Modern electronics technique， 2017， 40（5）： 109?114. [7] ZHENG Liang. Research on computer vision based trajectory tracking of rhythmic gymnastics [J]. Modern electronics technique， 2017， 40（19）： 19?24. [8] 彭继慎，吕东东，宋立业，等.基于非线性STUKF滤波器和ESN算法的耦合预测模型[J].传感技术学报，2017，30（7）：1029?1034. PENG Jishen， L? Dongdong， SONG Liye， et al. Prediction model of coupled algorithm based on nonlinear STUKF and ESN [J]. Chinese journal of sensors and actuators， 2017， 30（7）： 1029?1034. [9] 王炜，张国建，姜鸣，等.调度侧风电功率预测系统设计与应用[J].电网与清洁能源，2017，33（5）：79?82. WANG Wei， ZHANG Guojian， JIANG Ming， et al. Design and application of wind power forecasting system at dispatching center [J]. Advances of power system & hydroelectric enginee?ring， 2017， 33（5）： 79?82. [10] 高学攀，廖士中.基于贝叶斯网络的林火概率预测系统设计与实现[J].计算机工程与应用，2017，53（13）：246?251. GAO Xuepan， LIAO Shizhong. Design and implementation of forest fire probability prediction system based on Bayesian network [J]. Computer engineering and applications， 2017， 53（13）： 246?251. [11] 施建俊，李庆亚，张琪，等.基于Matlab和BP神经网络的爆破振动预测系统[J].爆炸与冲击，2017，37（6）：1087?1092. SHI Jianjun， LI Qingya， ZHANG Qi， et al. Forecast system for blasting vibration velocity peak based on Matlab and BP neural network [J]. Explosion and shock waves， 2017， 37（6）： 1087?1092. [12] GUO Zhun， ZHOU Tianjun. The simulation of stratocumulus and its impacts on SST： based on the IAP near?term climate prediction system [J]. Advances in earth science， 2017， 32（4）： 373?381. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。