打开文本图片集

中图分类号：G853   文献标识：A     文章编号：1009-9328（2024）04-266-02

摘    要  针对跆拳道教学中面对面授课方式对教练依赖度高、难以个性化指导学生动作的问题，本文提出了一种基于人工智能技术识别用户跆拳道动作的智能教育系统，其原理是通过提取用户跆拳道技术动作关节点特征相关信息，通过比对标准动作特征，实现系统对用户人体姿态识别、跆拳道动作识别、动作完成质量判定。基于该系统，可实现跆拳道自主化学习、系统自动判定动作完成质量等目标，达到教学辅助和教学诊断的目的。

关键词  人工智能  跆拳道  品势动作  深度挖掘  系统设计

近年来，随着信息技术的发展，人工智能技术在体育领域应用日益广泛，如在体育竞赛方面，人工智能技术可用于预测比赛结果或用于赛事辅助判罚等方面。将人工智能技术应用于跆拳道教育教学领域，可借助深度学习技术深入挖掘大量样本数据，从中挖掘样本内在规律和表示层次，从而使系统获得与人类相似的分析学习能力，进而基于人工智能技术实现跆拳道姿态、行为准确描述、人体姿态自动识别[1]。为实现将人工智能技术与跆拳道智能教育相融合，本文提出了基于跆拳道动作质量智能评估算法的跆拳道智能教育系统，目的在于解决跆拳道教学中动作质量智能评估和“虚拟教练”智能教学，实现人工智能技术与跆拳道教学深度融合。

一、系统总体设计

（一）系统设计目标

跆拳道智能教育系统设计总体目标是实现跆拳道多种腿法的智能化教学，即通过人工智能技术和软件工程相结合方法构建跆拳道智能教学系统，为跆拳道教学指导、评价反馈提供的依据，一定程度上弥补现有跆拳道教育教学存在的不足，实现跆拳道教育教学信息化、智能化。

（二）功能需求分析

结合人工智能技术在图像识别、人体姿态识别中的运用，综合确定跆拳道智能教育系统的基本功能包括动作数据采集模块、人体关节识别模块、跆拳道动作评价模块、信息反馈模块。

动作数据采集模块即基于跆拳道用户动作视频分析功能，实现动作视频分帧处理、图像尺寸修改处理等功能。

人体关节识别模块即实现动作视频图片中人体关键点坐标识别、动作预测。

动作评价模块即实现跆拳道动作质量评价、打分等功能[2]。

信息反馈模块即将跆拳道动作质量评价反馈、纠偏建议等信息反馈给用户，供用户参考。

（三）系统总体架构设计

该系统基于深度学习算法实现人体姿态识别，并融入专业知识特征提取方法对特征向量提取和机器学习分类算法进行动作准确度分类，以此实现跆拳道品势动作准确度、动作质量评价。系统架构采用C/S架构模式，系统采用移动手持设备作为终端。考虑到手持终端均具备一定计算能力，可将部分简单计算预先在终端设备进行处理后传输至服务端，达到降低网络传输压力和服务端负载的目的[3]。服务端对终端设备传输数据进行计算处理，包括人体姿态识别、特征提取、机器学习分类评分三个模块，并将服务端处理结果反馈至用户移动终端设备。

（四）融合深度学习的跆拳道动作姿势识别模型

跆拳道教学中，结合跆拳道品势动作特点，可提取人体14个关节点，包括鼻子、脖子、左右肩部、左右手肘、左右手腕、左右髋部、左右膝、左右脚踝等。通过对人体关节姿态获取，可准确描述人体姿态信息，即可较好获得人体关节点定位信息，实现跆拳道品势动作识别。但由于在跆拳道动作中存在一些特殊、非常规姿态动作较难识别，如下劈时脚位于头顶上方，后踢时躯相对于躯干呈横向姿态，导致常规系统较难识别跆拳道品势动作，难以准确定位和识别。针对该难点问题，本文提出了融合深度迁移学习的跆拳道动作姿态识别模型，即通过深度迁移学习方式，以训练模型作为初始参数，对跆拳道品势动作中正常动作和姿态动作进行训练，以此提高跆拳道品势动作识别准确性。

1.融合品势专业知识的特征提取方法。通过对跆拳道品势动作特征进行研究发现，完整的跆拳道品势动作包括运动中动作和静止动作两种类型。

运动动作特征提取时，可通过提取动作运行速度和力度特征识别运动动作，其中力度特征可采用同一关节坐标点加速度获取近似力度，以此可通过系统分析视频帧动作坐标点位置差，计算坐标点的速度与加速度，实现的运动动作特征提取。如假设t-1帧关节坐标为W（xt-1，yt-1），第t帧的坐标为W（xt，yt），则可计算2个坐标点之间的欧式距离。在此基础上，通过计算2帧之间的时间差，即可获得相应运动时间，即可计算得出该关节坐标点在2帧之间的位移速度和加速度，从而实现运动动作特征提取。

静态动作特征提取时，由于跆拳道训练大纲对静止动作标准角度值均有明确要求，可通过提取静态动作角度值特征与预设角度值进行比较，实现静态动作特征判断，如双肘角度、双臂与垂直方向夹角、双腿与垂直方向夹角、双膝角度等。以左肘角度为例，假设左轴角度为E（x，y），左腕部坐标为W（x，y），左肩部坐标为S（x，y），则肘关节和腕关节连接可获取特征向量EW，肘关节和肩关节相连可提取特征向量ES，则肘部角度可通过计算获得：。在静态动作评价时，如训练大纲中要求左臂与垂直方向夹角为45°，设定阈值为42°～48°，如用户动作夹角在该范围内，则系统判定用户动作标准。如用户动作夹角超出该范围，则表明该动作角度偏离度较大，系统自动判定用户动作不达标，

2.基于LSTM网络的动作质量评分模型。跆拳道品势动作由连续动作组成，前后动作存在较强的时序关系。为获取跆拳道品势动作时序特征，可在人体姿态特征提取的基础上融入LSTM网络算法，基于LSTM网络算法能够排除无关特征干扰、提取视频帧时间特征的特点，实现对跆拳道品势动作时序特征提取，便于最终获得客观的动作质量评分。具体而言，即通过训练LSTM网络模型能够提取人体姿态时序特征的模型，其优势在于深层次提取时序特征中关于速度、力度、角度的特征变化[4]，并将提取的特征映射到全连接层中，通过评分层神经元输出动作质量评分。考虑到LSTM网络因参数数量多导致模型训练耗时长、损失函数收敛速度慢等缺点，该模型全连接层采用Softmax作为激活函数，假设存在向量V，C为向量V中元素个数，表示向量V中第个元素，则激活函数值可表示为：

通过采用激活函数约束，可将多个神经元输出映射到区间[0，1]范围内，并保证和为1，即为相对于跆拳道标准动作的概率值，也可视为跆拳道品势动作完成质量和评价分数，以此可实现跆拳道连续品势动作完成质量连贯性、客观性评价。

二、系统功能模块实现

基于人体姿态识别的跆拳道智能教育系统功能模块包括学习功能模块、动作数据采集模块、人体姿态识别模块、跆拳道动作评价模块等。

（一）学习功能模块

学习功能模块是用户终端客户端设备操作界面重要功能之一，其主要是面向用户提供跆拳道课程内容和标准动作展示等内容，具体包括零基础入模课程、基础巩固课程、锻炼前热身课程、拉伸和柔韧度训练课程、极致训练课程等，用户可根据自身基础条件选择适宜的课程内容进行学习。

具体操作时，用户选择课程内容，页面自动跳转至详情页面，页面展示录制跆拳道基础知识、理论知识或品势动作讲解视频，用户可根据视频自行学习、掌握品势动作要领。

（二）动作数据采集模块

用户采用智能终端APP拍摄用户跆拳道动作视频，由系统将拍摄视频压缩后传输至服务端。具体操作中，用户在观摩学习视频后，点击“练习”按钮进入练习模式，借助手持智能终端设备拍摄用户练习视频，拍摄完成后，APP将用户拍摄视频上传至服务端，服务端分析完成后返回APP客户端品势动作评分结果。用户在接收到系统评价反馈后，可在APP页面下部点击查看标准动作讲解视频，便于用户对照标准动作视频自我纠正。

（三）人体姿态识别模块

人体姿态识别模块是该系统功能实现关键模块，该模块基于预先训练好的人体姿态训练识别模型，将用户拍摄完成的视频按视频帧分解，借助高性能运算服务器对视频帧中人物关键点特征进行检测、提取，服务端将视频图像中鼻子、脖子、肩部、肘部、手腕、臀部、膝部、脚踝等关节坐标点信息输出XML文件，实现人体姿态信息采集、提取。

（四）动作评价模块

系统服务端在获取人体姿态信息后，基于跆拳道品势动作专业知识，对用户视频动作中间各项数据进行比对分析，包括方向、角度、速度等数据，由此获得用户跆拳道动作特征向量值。在此基础上，融入LSTM网络模型对用户跆拳道动作进行时序特征提取。具体实现流程为：在人体姿态特征提取的基础上，系统根据跆拳道训练大纲要求和专业教练指导，计算出用户各项特征参数，形成用户跆拳道动作特征向量。通过将用户跆拳道与标准动作模型对比，将用户特征向量输入到机器学习模型中，输出用户动作是否达到大纲要求的评价结果，从而实现系统对用户跆拳道技术动作分解、整体动作完成质量评价，由系统自动评价用户跆拳道技术动作完成质量。

三、结语

基于人体姿态识别技术的跆拳道智能教育系统设计与实现，通过将人工智能技术与跆拳道教育教学相结合，实现了跆拳道专业技术动作特征提取与表示、用户跆拳道动作特征深度挖掘和建模，能够实现跆拳道品势动作讲解、示范和用户动作评价反馈自动化、智能化，最终实现用户跆拳道动作完成质量自动判别。系统可用于用户自主学习跆拳道品势动作，也可为教练改进跆拳道教学质量、教学质量诊断和教学反思提供依据。

参考文献：

[1]艾新龑.基于深度学习的跆拳道智慧教学算法与应用[D].新乡：河南师范大学，2022.

[2]陈思.Daedo与KP&P电子护具下跆拳道技战术运用特征的研究[D].北京：北京体育大学，2017.

[3]崔海亭，刘鹏.基于可穿戴计算的跆拳道状态识别系统研究[A].中国体育科学学会（China Sport Science Society）.2015第十届全国体育科学大会论文摘要汇编（二）[C].2015：2.

[4]王海霞.跆拳道真假动作视觉信息认知特征的研究[D].苏州：苏州大学，2012.