粒子群优化神经网络体育动作识别.docVIP

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 中图分类号： TN711?34 文献标识码： A 文章编号： 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 false 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 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] 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[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 1 PSO?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