粒子群优化神经网络的体育动作识别

《粒子群优化神经网络的体育动作识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、粒子群优化神经网络的体育动作识别　　摘要：为了提高体育动作识别的准确性，提出一种粒子群优化神经网络的体育动作识别模型。首先采用背景差法对体育视频图像处理，获得体育动作轮廓，实现体育动作分割，然后提取体育动作的特征，并对特征进行核主成分分析，最后采用BP神经网络对特征向量进行训练，并通过粒子群优化算法选择BP神经网络参数，建立体育动作识别的分类器。测试结果表明，该模型提高了体育动作的识别率，降低了误识率，可以满足体育动作的在线识别要求。　　关键词：粒子群优化算法；神经网络；体育动作；识别与分类　　中图分类

2、号：TN711?34文献标识码：A文章编号：1004?373X（2016）19?0049?04　　Abstract：Inordertoimprovetherecognitionaccuracyofsportsaction，asportsactionrecognitionmodelbasedonparticleswarmoptimizingneuralnetworkisproposed.Thebackgroundsubtractionmethodisusedtoprocessthesportsvideoi

3、magetoobtaintheprofileofsportsaction，segmentthesportsaction，andextractthefeaturesofsportsaction.Thekernelcomponentanalysisisperformedforfeatures.TheBPneuralnetworkisusedtotrainthefeaturevector.Theparticleswarmoptimizationalgorithmisusedtoselecttheparamet

4、ersofBPneuralnetworkto7establishtherecognitionclassifierofsportsaction.Thetestresultsshowthattheproposedmodelcanimprovetherecognitionrateofsportsactionandreducethefalserecognitionrateofsportsaction，andmeettheonlinerecognitionrequirementofsportsaction.　　K

5、eywords：particleswarmoptimizationalgorithm；neuralnetwork；sportsaction；recognitionandclassification　　0引言　　随着经济水平不断增长，人们越来越重视体育运动，而动作是体育运动的基本行为，对体育动作进行正确识别和分析，有利于规范运动员的动作和科学训练，提高运动员成绩，因此对体育动作识别进行研究具有十分重要的意义[1?3]。7　　体育动作识别是多分类的模式识别问题，包括两个关键问题：体育动作特征和体育动作的分类

6、[4]。体育动作特征有侧影和轮廓两种类型，侧影特征维数高，使得体育动作的分类器输入向量数量过大，计算时间复杂度较长，不能满足体育动作的在线识别要求[5?7]。相对于侧影特征，轮廓特征能够更好地刻画体育的动作类别，常采用傅里叶变换获得体育动作轮廓特征，特征数量越多，越不利于体育动作的分类和识别，需要对轮廓特征进行降维处理，选择一些重要特征进行体育动作识别建模[8]。体育动作识别的分类器主要采用神经网络设计，尤其BP神经网络的分类性能最优，应用最广泛[9]。在体育动作分类过程中，BP神经网络的初始阈值和连接

7、权值影响识别率，当前主要根据经验设置初始阈值和连接，难以获得最优BP神经网络结构。　　为了获得更加理想的体育动作识别结果，提出粒子群优化神经网络的体育动作识别模型（PSO?BPNN），并通过具体实验测试体育动作识别结果的优劣。　　1PSO?BPNN的体育动作识别模型　　1.1工作思路　　PSO?BPNN的体育动作识别思路为：通过傅里叶变换获得体育动作的特征，采用核主成分分析（KPCA）选择重要特征；然后采用粒子群优化算法选择BP神经网络的初始阈值和连接权值，并对选择重要特征进行学习，建立体育动作识别的分

8、类器，具体如图1所示。　　1.2体育动作检测　　在体育动作识别过程中，首先要检测出运动员的动作，结合运动员的动作特点，采用帧间差分法实现动作检测，并对检测结果进行膨胀、腐蚀轮廓强化等处理，具体如下：　　1.5.2粒子群优化算法　　要获得性能优异的体育动作识别分类器，确定合理的BP神经网络的初始权值和阈值，采用粒子群优化（PSO）算法解决初始权值和阈值确定问题，以获得更优的体育动作识别效果。　　（2）采用KPCA对体育动作的原始特征进行处理，