基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)

裴成禹

摘 要： 針對傳統(tǒng)系統(tǒng)缺少最小方差估算步驟，容易受到信號干擾影響，存在預(yù)測精準(zhǔn)度較低的問題，提出基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)。根據(jù)系統(tǒng)硬件結(jié)構(gòu)框圖，設(shè)計預(yù)測感知模塊，獲取可讀與不可讀信息。為了使系統(tǒng)只傳輸可讀信息，設(shè)計閉合開關(guān)，并在硬件末端設(shè)置客戶端模塊，顯示預(yù)測結(jié)果，改善信號干擾問題。采用最小方差估計算法對硬件中的預(yù)測感知模塊進(jìn)行軟件功能設(shè)計，并根據(jù)卡爾曼濾波原理進(jìn)行多次迭代處理，獲取最佳擊球點濾波輸出值。實驗結(jié)果表明，該系統(tǒng)預(yù)測精準(zhǔn)度最高可達(dá)到82%，能夠準(zhǔn)確找出最佳擊球點。

關(guān)鍵詞： 卡爾曼濾波； 網(wǎng)球； 發(fā)球； 最佳擊球點； 預(yù)測； 濾波

中圖分類號： TN911.1?34； TP391.41 文獻(xiàn)標(biāo)識碼： A 文章編號： 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； filtering

0 引 言

網(wǎng)球運動成為人們健身的重要項目，在該項運動中，擊球技術(shù)是得分獲勝的關(guān)鍵，也是整個網(wǎng)球訓(xùn)練的難點。在以往的訓(xùn)練模式中，通常都是由教練進(jìn)行示范講解，擊球運動員按照自己的理解完成擊球動作，之后教練對個別運動員進(jìn)行指導(dǎo)，及時糾正擊球時所犯的錯誤[1]。在這種傳統(tǒng)教學(xué)模式中，擊球運動員無法認(rèn)知自身的錯誤，導(dǎo)致網(wǎng)球運動員對擊球技術(shù)掌握能力較差。運動員在擊球時，只有找到最佳擊球點，才能使球拍與網(wǎng)球接觸的空間位置達(dá)到最佳，有助于擊球動作完成的連貫性，達(dá)到準(zhǔn)確擊球的目的。

由于傳統(tǒng)系統(tǒng)存在預(yù)測精準(zhǔn)度低的問題，不能滿足網(wǎng)球運動員需求，為此提出基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)設(shè)計?？柭鼮V波預(yù)測具有精準(zhǔn)度高的特點，對于目標(biāo)的檢測識別是目前發(fā)展最為迅速的領(lǐng)域[2]。該目標(biāo)的識別指的是從視頻序列中提取出每一幀擊球的信息，該過程涉及計算機(jī)技術(shù)，具有廣闊的應(yīng)用前景。

1 預(yù)測系統(tǒng)設(shè)計

網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)的研發(fā)最關(guān)鍵的就是對硬件結(jié)構(gòu)和軟件功能兩方面進(jìn)行設(shè)計，在對系統(tǒng)實際運行功能和性能需求等方面做出合理假設(shè)后，結(jié)合卡爾曼濾波分析預(yù)測做出詳細(xì)設(shè)計[3]。

1.1 系統(tǒng)硬件結(jié)構(gòu)設(shè)計

根據(jù)網(wǎng)球運動項目的實際環(huán)境特征，設(shè)計該環(huán)境下網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)硬件結(jié)構(gòu)框圖，如圖1所示。

由圖1可知，擊球感知、預(yù)測開關(guān)和客戶端共同組成了網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)硬件結(jié)構(gòu)。其中，擊球感知是對網(wǎng)球發(fā)球最佳擊球點的數(shù)據(jù)信息進(jìn)行預(yù)測和感知，預(yù)測開關(guān)主要負(fù)責(zé)向客戶端傳送發(fā)球擊球點的可讀數(shù)據(jù)信息，而客戶端主要負(fù)責(zé)對預(yù)測信息進(jìn)行展示，并進(jìn)行遠(yuǎn)程監(jiān)控。

1.1.1 預(yù)測感知

預(yù)測感知模塊主要負(fù)責(zé)對網(wǎng)球發(fā)球擊球點數(shù)據(jù)信息進(jìn)行預(yù)測和感知，該模塊采用卡爾曼濾波的預(yù)測方法實現(xiàn)網(wǎng)球發(fā)球擊球點預(yù)測信息的雙向智能通信[4]。采集到的數(shù)據(jù)信息通過預(yù)測感知模塊向預(yù)測開關(guān)單元進(jìn)行數(shù)據(jù)傳輸時需通過5個節(jié)點，分別是系統(tǒng)總電源開關(guān)節(jié)點、傳感節(jié)點、采集節(jié)點、處理節(jié)點和接收節(jié)點，這5個節(jié)點之間的關(guān)系如圖2所示。

由圖2可知，在上述5個節(jié)點中除了包含網(wǎng)球發(fā)球擊球點預(yù)測傳感信息，還包括可讀信息和不可讀信息。傳感節(jié)點對可讀信息和不可讀信息進(jìn)行監(jiān)測，保證每個數(shù)據(jù)信息都具有特定屬性。采集節(jié)點對系統(tǒng)運行數(shù)據(jù)進(jìn)行實時采集，通過接收節(jié)點獲取來自采集節(jié)點的數(shù)據(jù)信息。處理節(jié)點對接收到的信息進(jìn)行處理[5]。

1.1.2 預(yù)測開關(guān)

預(yù)測開關(guān)由無線傳感協(xié)調(diào)器和網(wǎng)絡(luò)服務(wù)器組成，在對網(wǎng)球發(fā)球擊球點進(jìn)行預(yù)測時，需精確傳感裝置的傳輸數(shù)據(jù)，該傳感數(shù)據(jù)的產(chǎn)生需要通過預(yù)測開關(guān)進(jìn)行控制[6]。為了使預(yù)測效果更佳，設(shè)計可讀與不可讀信息的閉合開關(guān)，如圖3所示。

采用反向連接方式設(shè)計如圖3所示的閉合開關(guān)，將一個節(jié)點作為一個電壓輸入值，并在回路中產(chǎn)生具有正向?qū)傩缘碾娏髦礫7]?？勺x信息與不可讀信息同時被傳遞到電路中，通過無線傳感協(xié)調(diào)器向主機(jī)傳送所有節(jié)點采集到的數(shù)據(jù)信息，傳遞出可讀信息。

1.1.3 客戶端模塊

在硬件末端設(shè)置客戶端模塊，主要負(fù)責(zé)顯示預(yù)測結(jié)果，運動員可通過客戶端界面實時查看網(wǎng)絡(luò)終端數(shù)據(jù)預(yù)測結(jié)果[8]。系統(tǒng)預(yù)測開關(guān)是整個硬件結(jié)構(gòu)設(shè)計的關(guān)鍵部分，利用客戶端前端的服務(wù)器對數(shù)據(jù)進(jìn)行無差錯且不重復(fù)的信息預(yù)測，按照TCP協(xié)議完成客戶端數(shù)據(jù)的傳達(dá)[9]。不同擊球點所產(chǎn)生的數(shù)據(jù)信息不同，因此需充分考慮信號的傳輸情況，利用無線傳感設(shè)備對節(jié)點信息進(jìn)行安全傳輸，保證數(shù)據(jù)信息傳輸?shù)陌踩浴？蛻舳私缑嬖O(shè)置如圖4所示。

針對系統(tǒng)硬件結(jié)構(gòu)的設(shè)計，采用卡爾曼濾波的預(yù)測方法實現(xiàn)預(yù)測信息的快速感知，由此獲取可讀與不可讀信息。為了使系統(tǒng)只傳輸可讀信息，需設(shè)計閉合開關(guān)，使預(yù)測效果更佳[10]。

1.2 系統(tǒng)軟件功能設(shè)計

對于系統(tǒng)軟件部分的設(shè)計，需對硬件中預(yù)測感知模塊的具體功能進(jìn)行設(shè)計，在保證系統(tǒng)不受到信號干擾的同時，具備良好的預(yù)測效果。

1.2.1 卡爾曼濾波原理

卡爾曼濾波原理框圖的設(shè)計如圖5所示。

1.2.2 最小方差估計算法

根據(jù)卡爾曼濾波原理可以得到：

1） 第[n]個時刻的卡爾曼濾波器輸出結(jié)果為：

[Zn=αZn-1+NnFn-HαZn-1] （1）

式中：[Zn]為第[n]個時間段的卡爾曼濾波輸出值；[Zn-1]為第[n-1]個時間段的卡爾曼濾波輸出值；[Nn]為第[n]個時間段的卡爾曼濾波系數(shù)；[Fn]為第[n]個時間段的預(yù)測狀態(tài)；[H]為預(yù)測矩陣；[α]為狀態(tài)轉(zhuǎn)移矩陣[11]。

2） 第[n]個時間段的方差為：

[Kn=Knn-1-NnHKnn-1Kn+1n=αZn+Q] （2）

式中：[Kn]為[Zn]的方差，也就是第[n]個時間段的卡爾曼濾波輸出誤差估計值；[Kn+1n]為[Zn+1n]的方差，也就是第[n+1]個時間段的卡爾曼濾波輸出誤差估計值；[Q]為噪聲方差矩陣[12]。

根據(jù)上述方程對預(yù)測數(shù)值進(jìn)行多次迭代處理，即可獲取滿意的濾波輸出值。

1.2.3 算法設(shè)計實現(xiàn)

根據(jù)上述內(nèi)容，實現(xiàn)對網(wǎng)球發(fā)球最佳擊球點預(yù)測。具體實現(xiàn)過程為：

1） 輸入網(wǎng)球發(fā)球最佳擊球點視頻，將該視頻轉(zhuǎn)化為圖片，并設(shè)置圖片大小一致；

2） 使用差分方法計算圖片與背景圖，以此獲取預(yù)測范圍，標(biāo)記圖像連接點，獲取重要連接信息，確定擊球點最佳質(zhì)心坐標(biāo)；

3） 計算圖片預(yù)測范圍并提取目標(biāo)，獲得最佳擊球點質(zhì)心和半徑的最大值；

4） 用卡爾曼濾波器預(yù)測視頻中的目標(biāo)位置；

5） 將獲取的最佳目標(biāo)位置作為卡爾曼預(yù)測的數(shù)值，并實時更新參數(shù)數(shù)值；

6） 對所有與網(wǎng)球發(fā)球最佳擊球點相關(guān)的視頻進(jìn)行處理，由此結(jié)束最小方差計算，否則，返回到步驟2）中；

7） 輸出預(yù)測結(jié)果。

針對系統(tǒng)軟件部分的設(shè)計，利用卡爾曼濾波方法對網(wǎng)球發(fā)球擊球動態(tài)動作的狀態(tài)序列進(jìn)行最小方差估計，可選取任意一點為預(yù)測起點。根據(jù)卡爾曼濾波原理進(jìn)行多次迭代處理，可獲得滿意濾波輸出值，以此為基礎(chǔ)對最小方差估計算法步驟進(jìn)行設(shè)計，通過該步驟的設(shè)計可實現(xiàn)網(wǎng)球發(fā)球擊球點的預(yù)測。

2 實 驗

實驗驗證選擇某大學(xué)的網(wǎng)球訓(xùn)練隊中的一名隊員為實驗對象，進(jìn)行實驗的場地為某大學(xué)的塑膠網(wǎng)球場。在進(jìn)行實驗前，需向?qū)嶒瀸ο笳f明進(jìn)行本次實驗的目的，并說明注意事項。使用IO Industries公司的攝像機(jī)，對實驗對象進(jìn)行定點拍攝。將攝像機(jī)放置在網(wǎng)球場的右側(cè)，距發(fā)球運動員5 m，通過攝像頭記錄運動員的發(fā)球數(shù)量，以運動員手臂的標(biāo)記點軌跡分析網(wǎng)球發(fā)球最佳擊球點特征，如圖6所示。

2.1 信號干擾實驗驗證分析

利用卡爾曼濾波器進(jìn)行網(wǎng)球發(fā)球最佳擊球點預(yù)測時，由于會受到信號干擾影響，導(dǎo)致預(yù)測精準(zhǔn)度發(fā)生變化，為了確?；诳柭鼮V波的網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)中硬件設(shè)計的合理性進(jìn)行了如下實驗。

在保證實驗環(huán)境不變的條件下，重復(fù)實驗6次，并記錄結(jié)果，為了使實驗結(jié)果更具有可靠性，在信號干擾條件下，將傳統(tǒng)系統(tǒng)與基于卡爾曼濾波系統(tǒng)的預(yù)測精準(zhǔn)度進(jìn)行對比分析，結(jié)果如圖7所示。

由圖7可知，當(dāng)系統(tǒng)不被信號干擾時，預(yù)測精準(zhǔn)度可達(dá)到85%左右。當(dāng)信號干擾強度為100 Hz時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度為75%，而基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度為82%；當(dāng)信號干擾強度為200 Hz時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度低12%；當(dāng)信號干擾強度為400 Hz時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度與基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度下降的幅度最大；當(dāng)信號干擾強度為600 Hz時，兩種系統(tǒng)預(yù)測精準(zhǔn)度都達(dá)到最低，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度為38%，而采用卡爾曼濾波技術(shù)設(shè)計的系統(tǒng)預(yù)測精準(zhǔn)度為57%。由此可知，在信號干擾條件下，采用卡爾曼濾波技術(shù)設(shè)計的系統(tǒng)預(yù)測精準(zhǔn)度較高。

2.2 最小方差估算實驗驗證分析

有無方差估算對于預(yù)測系統(tǒng)來說是十分重要的，當(dāng)系統(tǒng)設(shè)計缺少最小方差估算時，輸出結(jié)果會存在一定誤差，造成預(yù)測精準(zhǔn)度發(fā)生變化，為了確保采用卡爾曼濾波技術(shù)設(shè)計的系統(tǒng)中軟件部分設(shè)計的合理性，將傳統(tǒng)預(yù)測系統(tǒng)與采用卡爾曼濾波技術(shù)設(shè)計的系統(tǒng)進(jìn)行對比，結(jié)果如圖8所示。

由圖8可知，當(dāng)實驗次數(shù)為5時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度低35%；當(dāng)實驗次數(shù)為10時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度低60%；當(dāng)實驗次數(shù)為24時，傳統(tǒng)系統(tǒng)預(yù)測精準(zhǔn)度與基于卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度差值達(dá)到最大，相差80%。由于基于卡爾曼濾波系統(tǒng)設(shè)計了最小方差估計算法，能夠改善誤差較大的問題，因此采用卡爾曼濾波系統(tǒng)預(yù)測精準(zhǔn)度較高。

2.3 實驗結(jié)論

根據(jù)上述實驗內(nèi)容，可得出如下實驗結(jié)論：由于基于卡爾曼濾波系統(tǒng)設(shè)計了最小方差估計算法，能夠改善誤差較大的問題，并在信號干擾條件下依然保持較高的預(yù)測精準(zhǔn)度，由此可知，基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點預(yù)測系統(tǒng)具有合理性。

3 結(jié) 語

本文針對網(wǎng)球發(fā)球最佳擊球點的預(yù)測就是判斷視頻序列中是否存在預(yù)測目標(biāo)，由此確定網(wǎng)球運動員手臂標(biāo)記點軌跡。對于發(fā)球與擊球的跟蹤是指在整個視頻序列中預(yù)測最佳擊球點的位置，預(yù)測精準(zhǔn)度越高，則對于最佳擊球點的預(yù)測信息就越多，為此采用卡爾曼濾波技術(shù)設(shè)計預(yù)測系統(tǒng)。雖然該系統(tǒng)的預(yù)測精準(zhǔn)度得到了實驗驗證，但是還存在實驗信息的不確定性，因此，在未來研究中，應(yīng)盡量確定實驗信息，以保證系統(tǒng)運行的高效性。

參考文獻(xiàn)

[1] 李春來，張海寧，楊立濱，等.基于無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測[J].重慶大學(xué)學(xué)報，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] 劉鵬華，姚堯，梁昊，等.耦合卡爾曼濾波和多層次聚類的中國PM2.5時空分布分析[J].地球信息科學(xué)學(xué)報，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標(biāo)優(yōu)化的智能采油輔助決策支持[J].機(jī)械工程學(xué)報，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] 張治遠(yuǎn).基于三維圖像的運動員起跑動作誤差預(yù)測仿真[J].計算機(jī)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] 杜正聰，鄧尋.基于自適應(yīng)遺傳算法的粒子濾波器[J].成都理工大學(xué)學(xué)報（自然科學(xué)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，高論，等.基于UPFNN的油田機(jī)采工藝動態(tài)演化建模[J].現(xiàn)代電子技術(shù)，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] 彭繼慎，呂東東，宋立業(yè)，等.基于非線性STUKF濾波器和ESN算法的耦合預(yù)測模型[J].傳感技術(shù)學(xué)報，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] 王煒，張國建，姜鳴，等.調(diào)度側(cè)風(fēng)電功率預(yù)測系統(tǒng)設(shè)計與應(yīng)用[J].電網(wǎng)與清潔能源，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] 高學(xué)攀，廖士中.基于貝葉斯網(wǎng)絡(luò)的林火概率預(yù)測系統(tǒng)設(shè)計與實現(xiàn)[J].計算機(jī)工程與應(yīng)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，李慶亞，張琪，等.基于Matlab和BP神經(jīng)網(wǎng)絡(luò)的爆破振動預(yù)測系統(tǒng)[J].爆炸與沖擊，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.