粒子群優(yōu)化神經網絡的體育動作識別

摘 要： 為了提高體育動作識別的準確性，提出一種粒子群優(yōu)化神經網絡的體育動作識別模型。首先采用背景差法對體育視頻圖像處理，獲得體育動作輪廓，實現(xiàn)體育動作分割，然后提取體育動作的特征，并對特征進行核主成分分析，最后采用BP神經網絡對特征向量進行訓練，并通過粒子群優(yōu)化算法選擇BP神經網絡參數(shù)，建立體育動作識別的分類器。測試結果表明，該模型提高了體育動作的識別率，降低了誤識率，可以滿足體育動作的在線識別要求。

關鍵詞： 粒子群優(yōu)化算法； 神經網絡； 體育動作； 識別與分類

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）19?0049?04

Abstract： In order to improve the recognition accuracy of sports action， a sports action recognition model based on particle swarm optimizing neural network is proposed. The background subtraction method is used to process the sports video image to obtain the profile of sports action， segment the sports action， and extract the features of sports action. The kernel component analysis is performed for features. The BP neural network is used to train the feature vector. The particle swarm optimization algorithm is used to select the parameters of BP neural network to establish the recognition classifier of sports action. The test results show that the proposed model can improve the recognition rate of sports action and reduce the 1 recognition rate of sports action， and meet the online recognition requirement of sports action.

Keywords： particle swarm optimization algorithm； neural network； sports action； recognition and classification

0 引 言

隨著經濟水平不斷增長，人們越來越重視體育運動，而動作是體育運動的基本行為，對體育動作進行正確識別和分析，有利于規(guī)范運動員的動作和科學訓練，提高運動員成績，因此對體育動作識別進行研究具有十分重要的意義[1?3]。

體育動作識別是多分類的模式識別問題，包括兩個關鍵問題：體育動作特征和體育動作的分類[4]。體育動作特征有側影和輪廓兩種類型，側影特征維數(shù)高，使得體育動作的分類器輸入向量數(shù)量過大，計算時間復雜度較長，不能滿足體育動作的在線識別要求[5?7]。相對于側影特征，輪廓特征能夠更好地刻畫體育的動作類別，常采用傅里葉變換獲得體育動作輪廓特征，特征數(shù)量越多，越不利于體育動作的分類和識別，需要對輪廓特征進行降維處理，選擇一些重要特征進行體育動作識別建模[8]。體育動作識別的分類器主要采用神經網絡設計，尤其BP神經網絡的分類性能最優(yōu)，應用最廣泛[9]。在體育動作分類過程中，BP神經網絡的初始閾值和連接權值影響識別率，當前主要根據(jù)經驗設置初始閾值和連接，難以獲得最優(yōu)BP神經網絡結構。

為了獲得更加理想的體育動作識別結果，提出粒子群優(yōu)化神經網絡的體育動作識別模型（PSO?BPNN），并通過具體實驗測試體育動作識別結果的優(yōu)劣。

1 PSO?BPNN的體育動作識別模型

1.1 工作思路

PSO?BPNN的體育動作識別思路為：通過傅里葉變換獲得體育動作的特征，采用核主成分分析（KPCA）選擇重要特征；然后采用粒子群優(yōu)化算法選擇BP神經網絡的初始閾值和連接權值，并對選擇重要特征進行學習，建立體育動作識別的分類器，具體如圖1所示。

1.2 體育動作檢測

在體育動作識別過程中，首先要檢測出運動員的動作，結合運動員的動作特點，采用幀間差分法實現(xiàn)動作檢測，并對檢測結果進行膨脹、腐蝕輪廓強化等處理，具體如下：

1.5.2 粒子群優(yōu)化算法

要獲得性能優(yōu)異的體育動作識別分類器，確定合理的BP神經網絡的初始權值和閾值，采用粒子群優(yōu)化（PSO）算法解決初始權值和閾值確定問題，以獲得更優(yōu)的體育動作識別效果。

（2） 采用KPCA對體育動作的原始特征進行處理，選擇對識別結果有重要貢獻的特征。

（3） 根據(jù)選擇特征對體育動作訓練集和測試樣本進行簡化。

（4） 將簡化后的訓練樣本集輸入到BP神經網絡中進行學習，并通過粒子群優(yōu)化算法確定BP神經網絡的閾值和連接權值。

（5） 根據(jù)最優(yōu)閾值和連接權值建立BP神經網絡的體育動作識別分類器。

（6） 將簡化后的測試樣本集輸入到已建立的體育動作識別分類器中進行測試，并輸出識別結果。

2 實驗結果與分析

為了檢驗PSO?BPNN的體育動作識別性能，在4核 2.75 GHz Intel CPU，8 GB RAM，Win7 OS的個人計算機上采用VC++編程實現(xiàn)識別模型。選擇10個運動員，他們演示各種簡單體育動作，共得到600個數(shù)據(jù)，隨機選擇400個數(shù)據(jù)構建訓練集，其余數(shù)據(jù)構建測試集，基本動作如圖3所示。對比體育動作識別模型為：KPCA選擇特征，BPNN的初始閾值和連接值隨機確定（KPCA?BPNN）；全部原始體育動作特征，粒子群算法優(yōu)化BPNN的初始閾值和連接值（BPNN），采用體育動作識別率和平均一個動作的識別時間（s）作為性能評價指標。

采用訓練樣本構建體育動作識別模型，然后采用測試樣本進行測試，它們的識別率如圖4所示，從圖4可以得到如下結論：

（1） 相對于KPCA?BPNN，PSO?BPNN的體育動作識別率更高，有效降低了體育動作的誤識率，這表明KPCA?BPNN采用隨機方式確定BPNN的初始閾值和連接值，無法構建結構最優(yōu)的BP神經網絡，這樣體育動作分類器沒有達到最優(yōu)，難以獲得理想的體育動作識別結果，從而驗證了PSO算法優(yōu)化BP神經網絡的有效性。

（2） 相對于BPNN，PSO?BPNN提高了體育動作的識別率，這表明體育動作原始特征中有一些重復特征和無用特征，它們會對體育分類器構建產生不利影響，這樣體育動作的識別結果有待改善，而PSO?BPNN采用KPCA選擇一些重要特征，同時解決了特征選擇和分類器參數(shù)優(yōu)化問題，使體育動作的識別結果更加可靠。

經常要進行體育視頻動作的在線識別，因此采用測試實驗分析體育動作的識別速度，PSO?BPNN與其他模型的體育動作平均識別時間如表1所示。從表1的體育動作平均識別時間可知，PSO?BPNN的體育動作平均識別時間要少于KPCA?BPNN以及BPNN，這是因為PSO?BPNN采用KPCA選擇重要特征，降低了體育動作分類器的輸入維數(shù)，加快了體育動作識別的建模速度，同時采用PSO算法確定BP神經網絡的閾值和連接權值，加快了BP神經網絡的收斂速度，提高了體育動作的識別效率，更好的滿足了實際應用要求。

3 結 語

針對當前體育動作識別建模中的分類器參數(shù)優(yōu)化問題，提出PSO?BPNN的體育動作識別模型，采用測試實驗驗證了其有效性，結果表明，PSO?BPNN找到了體育動作識別的重要特征子集，PSO算法可以確定BPNN的最佳閾值和連接權值，獲得了比其他體育動作識別模型更高的識別率，執(zhí)行時間縮短，加快了體育動作識別速度，可以為體育教學、訓練提供有價值的參考信息。

參考文獻

[1] 周巧云，于仕琪.運動體育動作分析[J].先進技術研究通報，2009，3（5）：47?51.

[2] 阮濤濤，姚明海，瞿心昱，等.基于視覺的人體運動分析綜述[J].計算機系統(tǒng)應用，2010，20（2）：245?253.

[3] CHEN L， HOEY J， NUGENT C D， et al. Sensor?based activity recognition [J]. IEEE transactions on applications and reviews， 2012， 42（6）： 790?808.

[4] 黎洪松，李達.人體運動分析研究的若干新進展[J].模式識別與人工智能，2009，22（1）： 70?78.

[5] 苗雪蘭.體育動作量化分析智能系統(tǒng)的設計與實現(xiàn)[J].體育科學，2000，20（3）：85?87.

[6] 張毅，張爍，羅元，等.基于Kinect深度圖像信息的手勢軌跡識別及應用[J].計算機應用研究，2012，29（9）：3547?3550.

[7] 曹雛清，李瑞峰，趙立軍，等.基于深度圖像技術的手勢識別方法[J].計算機工程，2012，38（8）：16?18.

[8] 劉寅，滕曉龍，劉重慶.復雜背景下基于傅里葉描述子的手勢識別[J].計算機仿真，2005，22（12）：158?161.

[9] 苗雪蘭.基于模糊神經網絡理論的體育動作模式識別方法[J].計算機工程與應用，2006（6）：155?157.

[10] 王蕭.基于KPCA的探地雷達自適應雜波抑制算法研究[J].現(xiàn)代電子技術，2014，37（11）：31?33.

[11] 張玲，王玲，吳桐.基于改進的粒子群算法優(yōu)化反向傳播神經網絡的熱舒適度預測模型[J].計算機應用，2014，34（3）：775?779.

[12] 趙海勇，劉志鏡，張浩.基于輪廓特證的人體識別行為[J].光電子·激光，2010，21（10）：1547?1551.

[13] 李英杰，尹怡欣，鄧飛.一種有效的行為識別視頻特征[J].計算機應用，2011，31（2）：406?419.