抽象
动作捕捉是近年来发展起来的跨领域应用领域，包括电子、通信、控制、计算机图形学、人体工程学、导航等学科。篮球技术动作在篮球比赛中的准确应用非常重要。因此，捕捉和规范运动员的动作，提高他们的训练水平具有重要意义。不幸的是，传统的课堂教学存在许多问题，这些问题在很大程度上有助于训练运动员。针对传统篮球课堂教学存在的问题，深圳市芯米科技设计了一套AI传感器模块内涵高精度加速度计陀螺仪芯片地磁，配合配套的APP可以离线在线采集实时运动数据，并基于运动的各传感器数据构建了一种学生运动训练虚拟仿真系统。首先，对篮球运球运动信息进行三维捕获和模拟;其次，将其与标准数据库进行对比，判断运动员动作的不规则性，并结合系统功能对运动员的动作和技能提升统计进行数字化处理。第三，我们建立了一个循序渐进的培训周期。最后，采用基于Kinect的捕获技术，获取人体不同关节的活动信息。通过对运动数据进行处理，将相关的运动分析数据反馈到建立的运动模型中，实现对运动图片的对比分析。在我们的实验中，我们观察到体育教育的训练更好。
1. 引言
篮球是一项集体运动，在特定规则下将球放入对方篮筐得分，并阻止对手拿球得分。与其他球类运动相比，篮球技术多，战术形式多样，球员技术强，也体现了个人战斗和合作的特点。1].随着国家对素质教育的要求，越来越多的高校开始利用信息技术实现体育辅助教学。同时，借助仿真系统的开发，促进学生对体育和专业技术的学习。教育信息化“十三五”规划强调深化技术应用，融合技术创新，通过教育信息化实现教育现代化，构建网络化、数字化、个性化、终身化的教育体系。此外，其目的是积极应用新技术来改变传统的教学模式[2].使用多媒体数据库系统可以为学生提供更生动的学习资料，从而提高学生的学习兴趣。使用先进的多媒体系统还可以帮助实时分析多个视频。我们国家篮球迷很多，但篮球训练不足，特别是在训练方法上，与发达国家有些不同[3].篮球通过模仿特定的动作来训练自己的操作技能。篮球运动员经常模仿、观察和纠正动作。因此，体育锻炼应加强视觉和听觉的练习。目前，篮球教学通过观察教师的示范动作来学习篮球技能。
基于惯性传感的动作捕捉方法，使用微机电或电磁元件，并将它们排列在人体的多个关节点上。此外，它通过融合和计算运动过程中各个肢体部位的惯性数据来获得运动捕捉结果[4].图像分析的识别技术主要通过采集视频、图像等信息，对人体姿态进行识别。因此，需要将摄像头、传感器等监控设备提前放置在检测环境中，进行数据采集。图像分析技术早已应用于人体姿态的识别[5].在篮球训练中，训练过程可以与电脑篮球训练系统相结合，根据球员的个体特点进行个性化推荐。这样可以充分发挥篮球运动员的个人优势，提高运动员的运动效率。基于惯性传感的动作捕捉方式，不受遮挡，无光影响，室内外均可使用，易于实现全天候无限制的动作捕捉[6,7].但是，它也有一定的缺陷。例如，传感器的数量、布局、性能和姿态计算算法都会影响动作捕捉的精度、动态特性和稳定性。因此，存在重大的研究差距，应该进行调查以改善运动员的训练过程。在本文中，我们利用动作捕捉技术来改进篮球教学。以下是本文研究的主要贡献：(1)将动作捕捉与篮球教学有效融合。(2)设计和开发高质量的创新教学和培训资源。(3)为篮球教学与训练的设计与发展提供新思路。(4)为推动体育教育改革贡献力量。
本文其余部分的结构如下。在游戏和动作捕捉技术方面，相关工作的概述在一节中给出2.在章节中3，我们简要介绍了动作捕捉技术及其在游戏中的应用。部分4描述了研究方法的细节。在章节中5，我们讨论我们的工作成果。部分6介绍了对我们研究结果的分析和讨论。最后，部分7本文总结了本文，并为进一步的研究和调查提供了方向。
二、相关工作
在篮球行业，装饰品消费和设备消费是行业利润的两大支柱。随着科学技术的发展，智能化的概念逐渐渗透到现代市场的方方面面。将智能化与运动产品相结合、融合，打造智能化运动训练装备，是当前市场的主流元素[8,9].目前，动作捕捉按发展趋势主要分为（i）光学动作捕捉法和（ii）惯性传感动作捕捉法两大块。基于光学的动作捕捉方法需要事先在被捕捉物体上设置光学标记，然后通过高速摄像机捕捉物体上特定光斑的空间位置，以完成动作捕捉的任务[10].由于体育教育的特殊性，体育教学和训练在应用中存在一些问题，如录制和拍摄困难，体育教师在视频编辑制作过程中计算机技术应用能力不足[11].
夏等人 [12]对基于联合核稀疏表示的人体动作捕捉数据关键帧提取进行了相关研究。Boukhayma 和 Boyer [13]提出了表面动作捕捉动画的综合理论。Wang 等人 [14]研究了使用手持摄像机进行户外无标记动作捕捉的命题。通过对全国高校相关文献和教学竞赛作品的分析，发现当前篮球教学培训在教学设计上仍无法突破传统示范教学方式的桎梏。15].此外，在训练过程中，通过科学观察，很难避免运动员的肌肉、软组织、骨骼出现错误动作和可能的损伤。这些问题将进一步影响运动员的正常训练，甚至缩短运动员的运动寿命[16,17].篮球动作捕捉系统具有较高的图像特征提取能力，可用于拣选机器人视觉系统的设计，有效提高系统的目标识别能力，提高自动化操作水平。
3. 动作捕捉技术
本文的目的是通过惯性传感方法实现三维模型对真实人体运动的实时跟踪。基于运动感知的人体动作捕捉是将传感器放置在人体的关键节点，实时采集人体运动过程中的姿态信息，并通过数据融合和计算计算出人体运动过程的特征参数。用户识别的主要功能是检测访问者的身份，并根据其身份赋予他们不同的权限。用户识别是所有系统的必要条件，并且与系统的安全和操作有关。系统可以实时捕捉比赛视频帧的运动情况，并从运动特征中对技术运动数据进行计数，从而获得篮球技术运动的多媒体数据支持。18].在不同的拍摄环境下，通过设置相机的焦距、光圈、灰度和角度，采集并记录反射近红外线的标记球。此外，还可以准确捕获标记球所在位置的关键点的运动轨迹。为了达到逼真的渲染效果，系统建立的运动员模型具有准确的尺寸和结构，便于观察[19].硬件的工作原理是通过红外发射器将红外线连续发射到整个空间中，对空间进行编码，从而可以使用最常见的CMOS芯片来读取硬件，并获得生成空间的距离。对于基于惯性传感器的人体动作捕捉系统，初始信号包括三轴加速度、三轴角速度和地磁信息[20].通过处理这些信息，可以恢复最终的运动特性参数。
数据分析主要用于体育教学中的战术分析。基础特征分析软件用于对捕获的运动目标进行分析，获取运动目标的位移、速度、角速度、加速度等运动信息。同样，该技术还可以获得二维和三维轨迹图像，为教学提供准确的数据。数字1显示动作捕捉系统的操作流程。
第4章 方法论
为探究结合动作捕捉技术的篮球教学培训资源、教学设计、媒体设计、虚拟环境设计的实用性和有效性，本研究以师范大学篮球选修班50名学生为实验对象开展教学实验。测试结束后，所有受试者的测试结果都是平衡的。50名学生全部分为实验组和对照组。采用t检验法对两组最终试验结果进行统计分析，如表所示1和图2.
从表中显示的结果2和图3，从两组学生的篮球技术测试结果可以看出，两组学生在篮球技术上没有显著差异。因此，排除个体体能素质、篮球技术差异等主动因素的影响，受试者满足本实验要求。
在这篇文章中，人的骨骼分别分为手骨和人骨。手骨关节分为15块，人体骨关节分为16块。对于每个骨关节，具体的骨坐标定义如图所示4.
根据旋转矩阵的表达形式，可以发现载体在空间中的运动过程可以用旋转矩阵的形式来描述。该方法可有效避免不同旋转顺序导致的关节运动方向紊乱问题。同样，基于这一原理，它也适用于惯性运动捕捉领域，如图所示5.
当图像放置在三维空间中时，空间中任意两点之间的距离，表达式由以下公式给出：
该方法通过线性变换将原始数据映射到 0 到 1 之间的闭合区间，如图 （2），并实现对原始数据信号进行平均缩放的功能。
0 均值归一化方法将原始数据处理成均值为 0、方差为 1 的正态分布集，如 （3).但是，该方法仅适用于数据的分布形式类似于高斯分布（统计形状）的情况;否则，结果并不理想。
单位四元数可用于描述刚体在三维空间中的旋转。其形式如（4），这也是四元数的微分方程。
等式 （4）表示四元数，由陀螺仪探测到的角速度组成;它的实部是 0，如下式所示：
对于这个项目来说，捕捉用户的动作并获取空间中关节的坐标非常重要。该系统通过Kinect 的彩色图像相机获取实时图像，然后通过 OpenCV 将彩色图像转换为 HSV 图像，并在转换完成后对其进行二值化。根据动作捕捉系统，可以获得篮球运动员在起跳、深蹲、运球全过程中的力量顺序、力量、运动节奏等信息。该系统包括计算机设备、传感器和数据线。篮球运动员通过计算机设备回顾自己的运动图像 [21].对于长期用户，数据库会存储他们的训练信息。根据这些信息，可以发现培训中的不足，根据用户的个人情况向用户推荐合适的培训方法，并记录用户的培训效果。当采摘机器人自主工作时，其最重要的环节是自主定位水果目标，这需要依靠机器人自身强大的视觉系统。硬件设备主要包括专用近红外高灵敏度摄像机、高速3D运动数据采集工作站、DIMS控制器、专用电缆等。此外，该软件主要包括高精度3D空间标定软件、实时高精度3D运动数据采集软件、数据编辑和格式转换软件以及MotionBuilder 3D角色动画软件。Open GL在上述设计中仅提供了基本几何元素的建模功能，具有一定的局限性。复杂模型的建模可以采用3ds Max，这是一个强大的建模工具。3ds Max 可以为复杂的 3D 几何实体提供准确的建模，但不幸的是，在 3ds Max 程序中，对象的可移植性和渲染都不足。
本研究开发并结合动作捕捉技术的“定点拍摄”教学培训资源，作为教学实验的实验材料。实验组采用教学和培训视频进行教学，对照组采用传统教学方法。具体实验布置见表3.
实验结束后，再次采用相同的测试方法对两组学生的篮球技能进行测试。实验前后两组学生技术水平对比的结果和成果见表所示4和图6使用配对样本 t 检验。
从表格5和图7，从实验前后两组学生的测试结果可以看出，实验后两组学生在篮球技术水平上存在显著差异。这一观察表明，融合动作捕捉技术的篮球教学和训练资源可以提高学生对篮球技术的学习效率。
如果我们假设它代表系统在时间 K 时的状态，rk是系统下次的状态，r我是系统的过程噪声矢量，符合0的预期特性，则系统的态迁方程可由下式得到：
设 k 表示系统在时间 n 的测量值;k – 1 表示系统的过程噪声矢量，满足期望值为 0 的特性。然后，测量方程可以表示为如下式所示：
其中，表示系统状态与时间k处理想状态的系统观测之间的关系，实现了从系统状态到观测状态的过渡。对于系统的噪声协方差矩阵，由于过程噪声和测量噪声是两种不相关的信号形式，因此它们满足以下公式：
因此，与其相关的误差协方差矩阵如下式所示：
使用先验估计值M，可以通过系统的测量值μ对系统的先验估计进行优化。此外，噪声系统的测量值和先验估计值在下式中融合：
在获取人体关节的运动信息后，我们还必须使用Cal3D软件对骨骼运动进行渲染;也就是说，在拥有不同的关节之后，我们还必须实现骨骼运动的3D运动画面。由多个传感器设备组合而成的传感器节点可以将完成动作过程中的动作信息转换为电信号上传，从而实现后续逻辑运算、数据存储、通信等要求。在动作捕捉系统中，惯性传感器采集的人体运动特征数据中存在一定的误差和数据噪声，需要对其进行滤波和校正。由于三轴加速度计具有良好的静态特性，并且没有累积的时间误差，因此可以使用三轴加速度计计算的姿态角来校正陀螺仪计算的横滚角和俯仰角。Pose软件用于构建篮球运动员身体的三维模型，包括有效固定骨骼结构和某些关节等特定功能，并过滤信息中的噪声。数据转换的主要功能是将不同类型的数据转换为可以统一使用的相同数据。同时，在数据处理中，需要高速求解人体运动的特征参数。根据相关融合算法，从原始信号中分析出有效运动特性和轨迹。这些特征参数与3D运动模型相结合，以驱动模型并实时模拟真实的人体运动。
实验结束后，对两组学生篮球技术的所有得分进行比较和详细统计（见表6和图8).其中，实验组80分以上，共有5名学生被评为优秀，优秀率约24%;对照组的优良率约为11%。实验组失败率为15.17%，对照组失败率为35.23%。实验组合格率约为80.63%，对照组合格率为67.73%。
在动作捕捉系统中，动作的还原效果是评价动作捕捉产品优劣的标准。本文在设计系统中，参考人体运动学和解剖学原理，通过相关软件构建了基于骨堆叠三维视角的动作捕捉平台。根据篮球实时视频的动作提取技术，可以提取重要目标特征，最终实现机器人自主重要定位和自主操作。同时，可对捕获的三维运动数据中目标在任意时间点的三维空间位置信息进行编辑、删除、插值、过滤，修改后的完整数据可转换为CSM/BVH/TRC/FBX等3D和CG软件的通用运动数据格式。基于人体的捕捉是首先将人体的图像从深度图中分离出来，然后通过对像素的评估和识别，将其与系统中已有的人体模型进行匹配，得到符合身高和骨骼类型的模型。这属于模型的控制问题。设计人员输入机械手端的方向和目标位置。系统的轨迹规划主要负责确定关节轨迹到达目标的运动、形状、速度和时间。根据实际应用的要求，单个传感器模块很难满足工作要求。人体姿态识别所需的信息复杂多样，包括加速度、角速度或心率等物理和生理信息。然后，通过无线传输将其发送到PC的上位机。分析信号后，利用上位机实时驱动三维运动模型。需要注意的是，三维运动模型可以通过肢体结构建模来构建。
5. 结果分析
本系统基于IOS平台和Windows平台开发。由于 Kinect 和九轴惯性传感器是同时开发的，因此获得的数据更加准确。动作捕捉技术是利用某些生物体在固定时域内的一些虚拟仿真结果中的关键信息跟踪节点的运动轨迹，并将关键点的运动轨迹转换为可以数学表达和组合的三维运动过程。系统需要具备运动仿真功能。可以结合实际场景进行虚拟化建模，使其成为与真实环境一样的虚拟场景，对场景中的角色进行3D模拟。边缘检测算法的主要目标是检测梯度变化的最大值，并通过优化梯度值来抑制噪声，从而有效地找到边缘的位置。修改后的完整数据可以通过特定的数据分析系统对运动目标点的位置信息、运动速度、角度、角速度、加速度等进行分析，也可以通过两组数据进行对比和显示相应的数据图表。该系统给出了运动员的初始位置、目标位置以及他们之间的路径通过的几个关键点。在这种情况下，设计适当的轨迹来完善运动员轨迹中未给出的部分。它可以转换为特征参数，可用于驱动人体模型的运动，从而实现模型对真实人体运动的实时准确跟踪。同时，上位机还可以实时显示和存储运动特征数据，从而实现全面的在线实时监管。
一般来说，在人体动作捕捉中，骨骼运动的范围必须受到生物力学的限制，以使其在可靠的范围内移动。桌子7分别定义了人体关节和手关节的类型及其运动范围。
为了利用惯性运动传感器捕捉人体姿态，实现对人体运动姿态的捕捉，根据上面介绍的人体树形结构，采用分层建模方法。整个人体被看作是一棵由刚体组成的骨架树。在骨架树中，除指定的根节点外，每个骨骼都通过铰链连接，骨骼被划分为父子关系，子节点围绕父节点移动。数字9描绘了人体的基本骨架树结构。
基于惯性传感的人体动作捕捉将人体视为由多个刚体组成的树形结构。为了准确捕捉人体运动，需要将传感器节点固定在每个校准位置，这是实现运动捕捉的基本环节。软硬件产品结合，通过4个九轴惯性传感器测量两臂的关节角度，跟踪整个手臂的运动轨迹和运动状态。在数据采集之前，应确认传感器安装的确切位置以及传感器与人体之间的相应位置。此外，人体不能含有任何金属制品，这会干扰磁场，影响人体数据的采集。从实际情况来看，动作捕捉主要是消除背景的影响，以个别运动员为捕捉对象，将采集的视频传输到系统进行综合处理。在此基础上，可以得到相应的人体模型，在系统中对人体模型进行参数化处理后，可以得到相应的捕获结果。在实时传感器采集过程中，由于篮球运动速度较快，不可避免地会产生较多的噪声，可以通过滤波方法将其降到最低。动作捕捉是系统工作的重要组成部分，是指系统通过8台近红外高灵敏度摄像机，在指定空间内捕捉并输出运动目标关键部位的标志球运动轨迹的过程。通过这些设备，捕捉运动物体的运动状态，并将捕获的信息以图像的形式记录下来，并在计算机上进一步处理，以获得不同运动员模型的空间坐标。
将扩展卡尔曼滤波技术应用于非线性变化的实际场景，首先需要定义一个非线性变化的微分方程群，如下式所示：
过程噪声矩阵 k 由一组过程噪声向量 r 组成我，如下式所示：
此外，测量函数是一个非线性状态方程，如下所示：其中函数 SN是系统的观测方程，n 是预期为 0 的测量误差向量，由测量噪声矩阵 N 表示0，如下式所示：
接下来，需要对异构传感器的数据进行建模和分析。我们的目标是通过处理传感器收集的运动数据，获得传感器坐标系和全局世界坐标系之间的旋转矩阵。因此，首先需要利用传感器采集人体初始运动特征信号，并根据其矢量表示获得每个传感器的矢量数据。桌子8和图10分别显示陀螺仪和磁力计的动态测量值。
6. 研究结果的讨论
在本文设计的系统中，传感器部署在人体的关键节点上，由传感器捕获关键节点的运动信息;因此，可以计算出整个人体的运动情况。如何选择关键节点的位置是一个关键的环节和问题。在使用 Kinect 作为数据采集的过程中，Kinect 通常会获取 17 个不同的关节点。但是，在采集过程中，由于人体运动的加速，会出现某些关节因人体运动而阻挡图像的问题。与传感器节点相比，移动设备的佩戴位置不是固定的，会影响系统的识别结果。当通过传感器检测运动信息时，可以将设备放置在固定位置，以避免这种或其他类似影响。将关键骨骼的运动轨迹放置在构建的虚拟角色上，通过控制关键骨骼的运动轨迹来控制虚拟运动员的训练过程。这种方法便于掌握篮球运动员的技术特点。在实际训练过程中，系统可以将运动员的运动过程和各种参数数字化;特别是各种细节的参数处理，可以有效提高运动员的技术水平。它还可以实时监测运动员的各种体能技能参数，如心率、血压、心肺功能等。要准确捕捉人体姿态，就必须准确把握人体骨骼结构及其运动状态。因此，在分析人体结构的过程中，需要对人体结构进行合理划分，提取人体运动过程中的关键骨骼运动特征，以利于理解。
运动员通过虚拟仿真技术提升篮球技能的过程需要数理统计功能的支持。因此，系统需要具备数理统计功能，在实际分析中可以与系统结合进行综合分析。当然，除了分析模型的结构外，我们还需要定义每个骨骼结构的运动角度。在现实生活中，我们可以发现，由于骨骼结构等的限制，许多关节的运动角度在范围上受到限制，无法向各个方向360度移动。利用梯度算法原理，通过改变图像的梯度，使图像的部分模糊部分变得清晰，从而找到图像的明显边缘。数据处理包括全自动3D数据重建和识别点自动跟踪。操作员可以自动和手动重建和跟踪动作捕捉数据，以获得准确的 3D 数据。
传感器安装在运动员的模拟模型上。传感器属于特定的跟踪设备。它可以跟踪运动员以确定其位置并控制运动轨迹。动作捕捉的精细度可以通过传感器的数量来衡量。体育教学系统的目的是纠正学生的教学行为。本文结合体育教育实践，该系统的应用只适用于高校中比较专业的学科，如篮球、高尔夫球场等。采用该系统后，运动员的徒手体操、球类体操和翻滚练习的数量显着增加。而且，运动员的柔韧性得到了极大的提高，有利于降低运动员碰撞受伤的概率。
7. 结论和未来工作
本文构建了学生运动训练的虚拟仿真系统。实验结果表明，该系统能够促进篮球运动员的体能训练，能够显著提高篮球运动员的奔跑速度、身体柔韧性和跳跃能力。使用Kinect彩色摄像头和深度摄像头获取用户的拍摄臂数据，使用4个九轴惯性传感器完成对两臂关节角度的测量，获取大量数据。结合现有的动作捕捉技术，在当前光学和机械动作捕捉的基础上，对现有的动作捕捉技术研究理论进行了分析和总结。此外，提出了一种基于惯性感知的人体姿态实时捕捉方法。结合相关研究思路，对设计内容和方案进行总结分析，提出总体设计方案和技术路线。系统采用数据处理算法等个性化推荐算法，系统各部分通过分布式结构构建。在各部分的共同作用下，系统可以有效地分析用户的需求，解决用户的实际需求。通过测试，得出本研究构建的系统具有显著的可靠性和有效性。未来，我们将考虑更多的实验和更大的数据集，以及其他几个参数，以研究所提出的想法的泛化和验证。同样，应该研究其他动作捕捉方法，以支持我们研究的发现和结果。
数据可用性
用于支持本研究结果的数据包含在文章中。
利益冲突
作者声明不存在利益冲突。