1. 引言
随着体育科技的发展，计算机技术已成为辅助开展体育训练、提升竞技水平的重要手段。通过计算机视觉对体育运动者的动作行为进行识别，从而辅助运动者提升个人技战术能力，对体育科技的发展有着很重要的影响。乒乓球被称为我们国家的“国球”，同时乒乓球运动也是一项老少皆宜的动作，但是对于大多数乒乓球业余爱好来说，由于没有受过专业培训，个人技战术水平如何提升是一项较为困难的事情。通过乒乓球发球机结合计算机手段是辅助训练者提升个人技战术水平的一项重要选择。
动作行为跟踪识别在计算视觉领域是近来的研究热点，其目标是通过视频或者摄像头识别人体行为、人与环境交互、人与人交互等活动，一般分为基于骨骼关键点和时空特征分析两个主要部分，基于骨骼关键点主要算法是图卷积网络(GCN) [1]，时空图卷积网络(ST-GCN)是通过图卷积研究动作识别的开山之作 [2]，通过骨骼提取算法提取人体骨骼关键点信息，时空图卷积对骨骼关键点的时空特征信息进行学习以完成行为识别的目的。基于时空特征分析的主要算法有三种：双流法(Two-Stream) [3]，使用两种分类器同时训练并融合的方式达到识别人体行为的目的，一种是RGB图像的分类器，另一种是光流图像分类器；3D卷积神经网络(3D CNN) [4] 方式直接使用3D卷积核学习视频帧序列的时空特征；卷积神经网络与长短时记忆网络结合(CNN + LSTM) [5] 方式，使用卷积神经网络学习视频帧序列的空间特征，用长短时记忆网络学习视频序列的时间特征。对于时空特征分析的动作识别算法，其数据集中为正常视频数据集，视频图像中干扰识别的环境因素较多，利于用在人与环境交互的场景。而基于骨骼关键点的动作识别算法是对人体骨骼点的时空信息进行分析，不受环境的干扰，利于在个人动作行为识别场合使用。
2. 算法流程设计
文章构建数据集并训练乒乓球击球模型，以辅助乒乓球爱好者自己通过乒乓球发球机、乒乓球动作训练器等硬件设备训练时矫正发力动作。通过与具备专业乒乓球技能的老师和学生合作，采用60 fps相机采集其击球动作，利用OpenPose提取人体骨骼关键点，最后根据乒乓球击球动作对ST-GCN网络的卷积核更改并对数据集进行训练，得到的训练模型可以完成对乒乓球击球动作的识别，并且泛化性能和鲁棒性较强。乒乓球击球动作识别流程图如图1所示。
Figure 1. Flowchart of recognition of table tennis striking action
图1. 乒乓球击球动作识别流程图
3. 数据集采集
3.1. 数据集采集硬件设备与乒乓球运动员选择
乒乓球辅助训练的硬件设备为乒乓球发球机，能发出上旋、下旋转和侧旋球，同时具备调节发球速度、角度、频率等功能，因此可满足基本技术动作训练。
视频采集设备为摄像机，为保证击球动作速度较快时图片不会出现运动模糊现象，摄像机参数调整为：分辨率720像素、帧率60 fps。
目前，乒乓球击球动作没有一个准确的动作集标准，然而项目组邀请的专业教练员和运动员的测试结果表明，他们的击球时肢体动作大致一致，因此选择与专业乒乓球运动员和教练进行合作，以他们的击球动作作为标准数据集，辅助乒乓球击球爱好者通过硬件设备训练时矫正自身动作。
3.2. 数据集采集
香港中文大学研究者于2020年构建了一个大规模体操运动人体动作数据集：FineGym [6]，数据集通过层级化标注对动作的细粒度进行了区分，最细划分到一个具体的体操动作，例如平衡木体操下马动作中的团身前空翻动作。文章根据此数据所划分的细粒度动作，构建了乒乓球击球动作数据集。
乒乓球击球动握拍方式大致可以分为横拍和直拍两种，通过分析视频中的连续帧发现，在图2中所示，直拍中有些击球动作轨迹相似，例如正手击球和正手拉球在即将击球的瞬间的连续2~3帧动作相似，反手击球和反手拉球在准备接球和击球的瞬间都有1~3帧的动作相似，这也是击球动作中区分的难点。因此，在采集数据和做动作区分时，选择了对正手击球、正手拉球、反手击球、反手拉球的动作进行采集。采集的数据集中，击球动作之外的动作将其称为其他动作，对4类击球动作和1类其他动作进行识别，以便于模型更好区分击球动作。
4. 数据集处理
4.1. 手工处理数据
对乒乓球击球视频的每一帧进行提取，经过研究对比发现，每种动作在32帧内完成击球，将包含一个击球动作的连续帧进行提取，形成一个击球动作的时空特征数据，而其非击球动作一般在48个连续帧之内，提取非击球动作的连续帧，形成一个非击球动作的时空特征数据。经过手工提取数据后的数据集包括了824个动作片段，共4类击球动作，1类非击球动作。表1显示了动作类别和动作数量。
Table 1. System resulting data of standard experiment
表1. 数据集动作类别和动作数量
4.2. OpenPose提取骨骼关键点
OpenPose [7] 是美国卡耐基梅隆大学的研究者在人体姿态识别项目中提出的一个模型 [8]，此模型可以实时跟踪识别15、18或者25个身体关键点，单只手上的21个手部关键点，70个面部关键点 [7]。此模型是通过自底向上的方法实时检测出图像中多人的人体、面部和手部的关键点，是基于深度学习的实时多人姿态估计应用的开山之作 [8]。乒乓球横拍击球是腰部和手臂动作的配合，使用OpenPose提取人体中的18个关键点，所提取获取的是每个骨骼关键点的索引(index)、像素坐标(x,y)和置信度，如图3所示。
通过研究将手工区分数据集中16个连续视频帧视为一个击球动作，对于大于16帧的动作片段，根据式1进行跳帧提取，首先保存连续动作的第一帧，设置所选取的动作帧 初始值为1，
为手工处理后一个动作连续帧的总数量，m为
除以16并向下取整后的正整数，随后15帧从 开始每隔m帧取一帧。
(1)
通过OpenPose提取出每16连续帧中人体骨骼关键点，由于数据集中没有其他人员的干扰，于是只设置提取一个人的骨骼关键点即可，最终用一个json文件存放一个动作的连续骨骼点，文件存储格式如表2。键date和其值存储骨骼点的数据。键frame_index和其值确定哪一帧的数据。键skeleton和其值存储一帧骨骼点的坐标和精准度。键pose对应的值是36个归一化到1.0以内的像素坐标值，存储形式每两个数值为一个骨骼点的在图像坐标轴上的坐标，共18个骨骼点。键score和其值存储骨骼点的精准度。键label和其值存储动作的名称。键label_index和其值存储动作的标签。
Table 2. Storage of continuous bone key point using json format
表2. 连续骨骼关键点存储json格式
Figure 3. 18 bone points of human body extracted by OpenPose
图3. OpenPose提取的人体18个骨骼点
5. 基于图卷积的动作识别算法
5.1. ST-GCN网络
图卷积网络与图像的卷积网络不同，最大的区别在于图这种非欧式空间中邻居节点数目并不确定，不像图像那种邻居节点数目固定的空间结构，这也就导致了图卷积网络和图像卷积网络的不同。图卷积的卷积核可由拉普拉斯矩阵变换表示 [9]，矩阵聚合方式有多种如归一化、随机游走归一化、对称归一化等 [10]。在ST-GCN网络的实际代码中卷积核使用的是归一化拉普拉斯算子，公式如式(2)，其中D和A分别为拉普拉斯矩阵的度矩阵和邻接矩阵 [11]。
(2)
5.2. 骨骼点连通方式
在乒乓球击球过程中，击球的核心力量区位置是肩关节以下、髋关节以上的区域，击球核心肌肉群处于人体上半身身体躯干周围，核心力量区域内的核心肌肉群对乒乓球运动员击球身体姿势有着稳定和支撑的作用 [12]。
(a) ST-GCN使用的连接方式 
(b) 文章提出的连接方式
Figure 4. Connection of skeleton point: (a) connection method used in the ST-GCN project; (b) connection method using improved skeletal point proposed in the article based on core strength area of table tennis striking
图4. 骨骼点连接：(a)为ST-GCN项目中使用的连通方式；(b)是文章根据乒乓球击球核心力量区域改进的骨骼点连通方式
乒乓球的核心力量区域决定着在提取数据连接骨骼点时要考虑到肩关节和髋关节的连通，考虑整个击球过程是由核心力量在支撑运动员的击球动作，因此基于OpenPose提取的骨骼点中两个肩部骨骼点和两个臀部的骨骼点要完全连通，如图4所示，(a)为ST-GCN原有的骨骼连通方式，根据乒乓球击球核心力量区域的要求，其连通方式并不适合对乒乓球击球动作进行分类识别。
骨骼点连通方式改变后，在空间和时间上都可以更有效的提取到乒乓球击球核心力量区的特征。根据图4(a)的骨骼连接方式，骨骼点8学习到与骨骼点11的空间特征关系需要多次卷才能提取，其中学习到的特征可能会有其它骨骼点特征的干扰，经过图4(b)连接后，骨骼点8与骨骼点11的特征上有直接的联系，提取到的特征更符合乒乓球击球核心力量区域的动作表现。
6. 实验结果与分析
文章中基于自建数据集训练乒乓球击球动作识别模型实验硬件环境为：处理器Intel(R) Core(TM) i7-7800X CPU@3.50GHz 3.50 GHz和NVIDIA GeForce RTX 2080Ti GPU；软件环境为：python 3.6语言，Windows10系统，Pycharm编译器。
6.1. 模型训练实验结果分析
训练模型的训练集和验证集均来自于自建乒乓球击球骨骼数据集，对每个击球动作划分出80%为训练集和20%为验证集，则最后总数据集训练集和验证集的划分也分别为数据集的80%和20%。分别测试了文章改进的ST-GCN和原网络在文章自建的骨骼数据集上的表现，以及在开源数据集kinetics-400骨骼数据集上的表现。通过实验，网络模型性能对比结果如表3所示。
Table 3. Comparison of performance among network models
表3. 网络模型性能对比
文章自建乒乓球击球动作骨骼数据集研究的是较为细粒度的人体动作，输入时空图卷积的数据时间序列长度为16，时间序列上干扰因素较少，精准度较高；Kinetics-400骨骼数据集是属于行为识别的范畴，输入网络的数据时间序列长度为150，时间序列上的干扰因素较多。通过模型训练结果对比，乒乓球击球核心力量区域的骨骼点连通后能提高动作的识别精度。同时在Kinetics-400骨骼数据集上训练精度有所提升，可以表明乒乓球击球核心力量区域对其他人体行为也存在影响。
6.2. 模型泛化效果测试
文章对模型的识别效果和泛化效果进行测试，发现乒乓球的击球核心力量区域骨骼的连通性对动作识别的效果有很大的影响。例如图5(a)中ST-GCN原网络实际结果应是其他动作这一类，结果识别成了正手击球，而文章改进的模型识别结果符合实际，如图5(b)所示，图片为连续动作16帧中截随机提取两帧动作。
(a) ST-GCN 网络模型泛化效果
(b) 文章改进后网络模型泛化效果测试
Figure 5. Comparison of generalization effect between ST-GCN network and network improved in this paper
图5. ST-GCN网络与文章改进后网络泛化效果对比
7. 结语
文章自建乒乓球击球动作骨骼数据集，通过研究得知乒乓球击球动作的核心力量区是肩关节以下、髋关节以上，从而在数据预处理部分对乒乓球击球核心区域骨骼关键点的连接进行调整，骨骼关键点连通调整也就改变了图卷积的卷积核，致使原ST-GCN卷积核的卷积视野扩大，能更好地学习到乒乓球核心力量区域骨骼点关系的特征。最终，改进卷积核视野的时空图卷积网络在Kinetics-400骨骼动作数据集上训练后，Top1精度和Top5精度分别提升了1.07%和1.93%，在自建的乒乓球击球骨骼数据中精准度为98.16%，比原时空图卷积效果提升了约8%的精准度。通过对模型实际应用效果进行测试，调整后骨骼连接的模型识别乒乓球动作更符合自建数据集的动作要求。下一步将在此数据上扩增其他乒乓球击球动作，进一步提高乒乓球击球动作识别模型的实际应用可能性。
基金项目
大连市科技创新基金项目“面向足球青训的技战术分析算法及配套可穿戴设备研发”(项目编号：2020JJ26GX038)；大连民族大学学科团队项目“基于机器学习的乒乓球接发球动作识别与水平评估算法研究”。