本發(fā)明涉及電子及體育領(lǐng)域，尤其涉及一種球員踢球的運動狀態(tài)分析的方法及終端。

背景技術(shù)：

足球是全球最受歡迎的運動之一，就專業(yè)的足球比賽直播而言，比賽中球員運動信息會及時的顯示在熒幕上。目前，可用于足球比賽中分析足球運動中球員踢球狀態(tài)(例如，帶球、射門、長傳、短傳、鏟球等)的一項技術(shù)是基于圖像和視頻處理和分析的技術(shù)。圖像和視頻處理及分析技術(shù)需要在球場的特定位置安置視像頭，終端設(shè)備將實時采集的圖像和視頻數(shù)據(jù)利用圖像和視頻的相關(guān)技術(shù)，分析出運動員的踢球狀態(tài)。然而，由于這一套系統(tǒng)的費用非常高，因此只在專業(yè)的球場才有應(yīng)用。綜上可知，現(xiàn)有的球員踢球的運動狀態(tài)分析的技術(shù)方案的成本高。

技術(shù)實現(xiàn)要素：

提供一種球員踢球的運動狀態(tài)分析的方法，所述球員踢球的運動狀態(tài)分析的方法通過慣性傳感器監(jiān)測球員的數(shù)據(jù)，并依據(jù)數(shù)據(jù)判斷該球員踢球的狀態(tài)。因此，該方法具有成本低的優(yōu)點。

一方面，提供一種球員踢球的運動狀態(tài)分析方法，所述方法包括如下步驟：

獲取球員身體特定部位的角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合；

將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合分別輸入訓(xùn)練好的球員踢球識別模型；

球員踢球狀態(tài)識別模型依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合，使用球員踢球狀態(tài)識別模型中各個踢球狀態(tài)子模型計算該數(shù)據(jù)與踢球狀態(tài)子模型所對應(yīng)踢球狀態(tài)的相似度度量；

球員的踢球狀態(tài)即為相似度度量最高的那一個踢球狀態(tài)子模型所對應(yīng)的踢球狀態(tài)。

可選的，所述識別模型具體包括：

隱馬爾可夫模型、支持向量機模型、高斯混合模型、神經(jīng)網(wǎng)絡(luò)模型，深度神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)，條件隨機場。

可選的，相似度度量包括：

多維數(shù)據(jù)空間中的空間距離、概率等。

可選的，當所述識別模型為隱馬爾可夫模型時，訓(xùn)練好的各個踢球狀態(tài)子模型為隱馬爾可夫模型具體，包括：

將已知各個踢球狀態(tài)的角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合輸入到待訓(xùn)練的隱馬爾可夫模型內(nèi)訓(xùn)練得到各個踢球狀態(tài)下的隱馬爾可夫模型的狀態(tài)轉(zhuǎn)移概率、每個狀態(tài)下觀測值的輸出概率和初始狀態(tài)的概率；

可選的，所述訓(xùn)練好的各個踢球狀態(tài)下的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率，具體包括：

將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合分別輸入深度神經(jīng)網(wǎng)絡(luò)計算得到所述訓(xùn)練好的各個踢球狀態(tài)下的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率

第二方面，提供一種球員踢球的運動狀態(tài)分析裝置，所述裝置包括：

獲取單元，用于獲取球員身體特定部位的角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合；

輸入單元，用于將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合分別輸入訓(xùn)練好的踢球狀態(tài)子模型；

計算單元，用于各個踢球狀態(tài)子模型依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合計算球員踢球狀態(tài)與踢球狀態(tài)子模型中對應(yīng)狀態(tài)的相似度度量；

判斷單元，用于選擇球員踢球狀態(tài)與各個踢球狀態(tài)子模型所對應(yīng)踢球狀態(tài)相似度度量最高的踢球狀態(tài)為球員的踢球狀態(tài)。

可選的，所述識別模型具體包括：

隱馬爾可夫模型、支持向量機模型、高斯混合模型、神經(jīng)網(wǎng)絡(luò)模型，深度神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)，條件隨機場。

可選的，相似度度量包括：

多維數(shù)據(jù)空間中的空間距離、概率等。

可選的，當所述識別模型為隱馬爾可夫模型時，訓(xùn)練好的各個踢球狀態(tài)子模型為隱馬爾可夫模型具體，包括：

將已知各個踢球狀態(tài)的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種的組合輸入到待訓(xùn)練的隱馬爾可夫模型內(nèi)訓(xùn)練得到各個踢球狀態(tài)下的隱馬爾可夫模型的狀態(tài)轉(zhuǎn)移概率、每個狀態(tài)下觀測值的輸出概率和初始狀態(tài)的概率；

可選的，所述訓(xùn)練好的各個踢球狀態(tài)下的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率，具體包括：

將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種的組合分別輸入深度神經(jīng)網(wǎng)絡(luò)計算得到所述訓(xùn)練好的各個踢球狀態(tài)下的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率。

根據(jù)各實施方式提供的技術(shù)方案通過訓(xùn)練多個隱馬爾可夫模型來實現(xiàn)運動狀態(tài)的區(qū)分，由于該設(shè)備可以設(shè)置在便攜式設(shè)備內(nèi)，所以其能夠有效的降低成本，通過實驗數(shù)據(jù)證明，通過此方式辨識的運動狀態(tài)的準確度可以達到90％以上，所以其具有識別精度高，成本低的優(yōu)點。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明第一較佳實施方式提供的球員踢球狀態(tài)分析方法的流程圖；

圖2為本發(fā)明第一較佳實施方式的提供的隱馬爾可夫模型的識別算法框圖的示意圖；

圖3為本發(fā)明第二較佳實施方式提供的球員踢球狀態(tài)分析方法的流程圖；

圖4為本發(fā)明第二較佳實施方式提供的深度神經(jīng)網(wǎng)絡(luò)的識別算法框圖的示意圖；

圖5為本發(fā)明第四較佳實施方式提供的球員踢球狀態(tài)分析裝置的結(jié)構(gòu)示意圖；

圖6為本發(fā)明提供的智能終端的結(jié)構(gòu)示意圖。

圖7為本申請實施例提供的另一種用戶設(shè)備結(jié)構(gòu)示意圖。

具體實施方式

在更加詳細地討論示例性實施例之前應(yīng)當提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各項操作描述成順序的處理，但是其中的許多操作可以被并行地、并發(fā)地或者同時實施。此外，各項操作的順序可以被重新安排。當其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。

在上下文中所稱“計算機設(shè)備”，也稱為“電腦”，是指可以通過運行預(yù)定程序或指令來執(zhí)行數(shù)值計算和/或邏輯計算等預(yù)定處理過程的智能電子設(shè)備，其可以包括處理器與存儲器，由處理器執(zhí)行在存儲器中預(yù)存的存續(xù)指令來執(zhí)行預(yù)定處理過程，或是由ASIC、FPGA、DSP等硬件執(zhí)行預(yù)定處理過程，或是由上述二者組合來實現(xiàn)。計算機設(shè)備包括但不限于服務(wù)器、個人電腦、筆記本電腦、平板電腦、智能手機等。

后面所討論的方法(其中一些通過流程圖示出)可以通過硬件、軟件、固件、中間件、微代碼、硬件描述語言或者其任意組合來實施。當用軟件、固件、中間件或微代碼來實施時，用以實施必要任務(wù)的程序代碼或代碼段可以被存儲在機器或計算機可讀介質(zhì)(比如存儲介質(zhì))中。(一個或多個)處理器可以實施必要的任務(wù)。

這里所公開的具體結(jié)構(gòu)和功能細節(jié)僅僅是代表性的，并且是用于描述本發(fā)明的示例性實施例的目的。但是本發(fā)明可以通過許多替換形式來具體實現(xiàn)，并且不應(yīng)當被解釋成僅受限于這里所闡述的實施例。

應(yīng)當理解的是，雖然在這里可能使用了術(shù)語“第一”、“第二”等來描述各個單元，但是這些單元不應(yīng)當受這些術(shù)語限制。使用這些術(shù)語是為了將一個單元與另一個單元進行區(qū)分。舉例來說，在不背離示例性實施例的范圍的情況下，第一單元可以被稱為第二單元，并且類似地第二單元可以被稱為第一單元。這里所使用的術(shù)語“和/或”包括其中一個或更多所列出的相關(guān)聯(lián)項目的任意和所有組合。

這里所使用的術(shù)語是為了描述具體實施例而不意圖限制示例性實施例。除非上下文明確地另有所指，否則這里所使用的單數(shù)形式“一個”、“一項”還意圖包括復(fù)數(shù)。還應(yīng)當理解的是，這里所使用的術(shù)語“包括”和/或“包含”規(guī)定所陳述的特征、整數(shù)、步驟、操作、單元和/或組件的存在，而不排除存在或添加一個或更多其他特征、整數(shù)、步驟、操作、單元、組件和/或其組合。

還應(yīng)當提到的是，在一些替換實現(xiàn)方式中，所提到的功能/動作可以按照不同于附圖中標示的順序發(fā)生。舉例來說，取決于所涉及的功能/動作，相繼示出的兩幅圖實際上可以基本上同時執(zhí)行或者有時可以按照相反的順序來執(zhí)行。

參閱圖1，圖1為本發(fā)明第一較佳實施方式提供的球員踢球的運動狀態(tài)分析(簡稱：踢球狀態(tài))的方法,所謂的球員踢足球的運動狀態(tài)包括帶球、射門、長傳、短傳等，該方法由智能終端執(zhí)行，該方法如圖1所示，包括如下步驟：

步驟S101、獲取球員的角速度數(shù)據(jù)、加速度數(shù)據(jù)、地磁場數(shù)據(jù)中的任一種或多種組合；

上述步驟S101可以由慣性傳感器來獲取，該慣性傳感器可以根據(jù)球員的時間需要固定在相應(yīng)的位置，例如，在本發(fā)明第一較佳實施方式的一個優(yōu)選實施例中，上述慣性傳感器可以固定設(shè)置在球鞋中，當然在本發(fā)明具體實施方式內(nèi)(包括但不限于：第一較佳實施方式、優(yōu)選實施例等)也可以通過其他裝置固定腳踝處或者護腿板上，當然還可以設(shè)置在其他的不影響運動員運動的設(shè)備內(nèi)，例如設(shè)置在運動員的手環(huán)或者手表內(nèi)等等。

需要說明的是，上述角速度數(shù)據(jù)可以通過陀螺儀傳感器來獲取，上述加速度數(shù)據(jù)可以通過加速計傳感器來獲取，上述地磁場數(shù)據(jù)可以通過磁力計傳感器來獲取。當然在實際應(yīng)用中，也可以采用其他形式的傳感器來獲取上述三種數(shù)據(jù)。本發(fā)明第一較佳實施方式并不限制上述三種數(shù)據(jù)的獲取方式。此外，本發(fā)明第一較佳實施方式也不限定上述三種數(shù)據(jù)的組合方式，即可以是任意二種數(shù)據(jù)組合，任意三種數(shù)據(jù)組合，當然也可以是任意一種數(shù)據(jù)。

步驟S102、將該角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種的組合分別輸入訓(xùn)練好的踢球狀態(tài)的識別模型(例如隱馬爾可夫模型)；

下面以隱馬爾可夫模型(英文全稱：Hidden Markov Model，英文簡稱：HMM)為例來說明識別模型的工作原理：

基于HMM的踢球狀態(tài)的識別算法框圖如圖2所示。HMM有兩個特點：1)數(shù)據(jù)的時序表被描述為狀態(tài)轉(zhuǎn)移；2)數(shù)據(jù)的值被描述為每個狀態(tài)下的輸出模型，例如高斯混合模型。針對每個踢球狀態(tài)的數(shù)據(jù)，我們都訓(xùn)練一個HMM。對于本發(fā)明第一較佳實施方式來說，其需要為每個踢球運動狀態(tài)訓(xùn)練一個HMM。對于基本動作的識別，我們通過比較每個HMM的對運動數(shù)據(jù)的擬合度，來判斷踢球狀態(tài)。針對本發(fā)明第一較佳實施方式，即通過每個踢球運動狀態(tài)的HMM計算一個概率值，最大的概率值所對應(yīng)的踢球狀態(tài)即為識別的球員踢球的狀態(tài)。

HMM的學(xué)習(xí)步驟如下：

數(shù)據(jù)預(yù)處理：數(shù)據(jù)預(yù)處理的目的是簡化數(shù)據(jù)和去除干擾的數(shù)據(jù)。數(shù)據(jù)預(yù)處理包括量化，去冗余，去噪，分割、加窗等。這里的數(shù)據(jù)是指屬于同一運動狀態(tài)的數(shù)據(jù)，例如，如果是帶球狀態(tài)的HMM，則需要輸入的數(shù)據(jù)為帶球狀態(tài)的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種組合。

特征提?。簲?shù)據(jù)特征的提取是從原始數(shù)據(jù)中提取能夠有效反應(yīng)運動狀態(tài)的數(shù)據(jù)。數(shù)據(jù)特征提取在基于HMM的運動狀態(tài)識別中是非常關(guān)鍵的步驟。

模型參數(shù)學(xué)習(xí)：HMM主要包括三個參數(shù)，分別是初始狀態(tài)的概率，狀態(tài)轉(zhuǎn)移的概率，和每個狀態(tài)下觀測值的輸出概率。根據(jù)數(shù)據(jù)的特征，我們需要選擇若干個HMM的狀態(tài)來描述運動數(shù)據(jù)的變化；在每個HMM狀態(tài)下，HMM的輸出值符合高斯混合模型。那所謂的模型參數(shù)學(xué)習(xí)是指學(xué)習(xí)HMM的三個參數(shù)，即初始狀態(tài)的概率，狀態(tài)轉(zhuǎn)移的概率，和在每個狀態(tài)下觀測值的輸出概率。在模型參數(shù)學(xué)習(xí)過程中，我們利用大量的已知的運動數(shù)據(jù)并通過最大期望(英文全稱：Expectation–Maximization，英文簡稱：EM)算法來學(xué)習(xí)以上三個參數(shù)。

踢球狀態(tài)的的識別是在已學(xué)習(xí)的HMM中，尋找與運動數(shù)據(jù)最擬合的HMM。在識別之前，我們同樣需要對運動數(shù)據(jù)進行預(yù)處理和特征提取。識別算法是計算產(chǎn)生該運動數(shù)據(jù)概率最大的HMM，而該HMM所對應(yīng)的踢球狀態(tài)即為識別所得的踢球狀態(tài)。

步驟S103、踢球狀態(tài)的識別模型依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種組合計算各個踢球狀態(tài)的概率；

步驟S104、在各個踢球狀態(tài)概率中，選取最大的概率所對應(yīng)的踢球狀態(tài)作為識別的球員的踢球狀態(tài)。本發(fā)明第一較佳實施方式通過訓(xùn)練多喝識別(例如HMM)模型來實現(xiàn)踢球狀態(tài)的區(qū)分，由于該設(shè)備可以設(shè)置在便攜式設(shè)備內(nèi)，所以其能夠有效的降低成本，通過實驗數(shù)據(jù)證明。通過此方式辨識的運動狀態(tài)的準確度可以達到90％以上，所以其具有識別精度高，成本低的優(yōu)點。

參閱圖3，圖3為本發(fā)明第二較佳實施方式提供的球員踢球狀態(tài)分析的方法,該方法由智能終端執(zhí)行，該方法如圖3所示，包括如下步驟：

步驟S301、獲取球員的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種組合；

上述步驟S301可以由慣性傳感器來獲取，該慣性傳感器可以根據(jù)球員的時間需要固定在相應(yīng)的位置，例如，在本發(fā)明第一較佳實施方式的一個優(yōu)選實施例中，上述慣性傳感器可以固定設(shè)置在球鞋中。

需要說明的是，上述角速度數(shù)據(jù)可以通過陀螺儀傳感器來獲取，上述加速度數(shù)據(jù)可以通過加速計傳感器來獲取，上述地磁場數(shù)據(jù)可以通過磁力計傳感器來獲取。當然在實際應(yīng)用中，也可以采用其他形式的傳感器來獲取上述三種數(shù)據(jù)。本發(fā)明第一較佳實施方式并不限制上述三種數(shù)據(jù)的獲取方式。

步驟S302、將該角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種組合輸入訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)(英文全稱：Deep Neural Network，英文簡稱：DNN)得到替換概率，用該替換概率替換各個踢球狀態(tài)下的HMM中的每個狀態(tài)下觀測值的輸出概率得到替換后的各個踢球狀態(tài)下的HMM；

圖4給出了基于DNN和HMM的基本動作的識別框架圖。圖2和圖4有兩個不同點。第一，圖2中的觀測值特征提取在圖4中被DNN所代替。第二，圖4中每個狀態(tài)下觀測值概率是由HMM學(xué)習(xí)所得，而在圖4中該概率是由DNN模型學(xué)習(xí)所得。

基于DNN和HMM的踢球狀態(tài)的識別算法的核心思想同樣是將基本動作的特征描述為不同參數(shù)的DNN和HMM。我們使用各個不同參數(shù)的DNN和HMM的組合來描述各個踢球狀態(tài)。因此，我們通過識別不同的DNN和HMM組合來區(qū)分球員的踢球運動狀態(tài)。

基于DNN和HMM的算法在學(xué)習(xí)包括兩個部分，DNN參數(shù)學(xué)習(xí)和HMM參數(shù)學(xué)習(xí)，并且DNN參數(shù)學(xué)習(xí)和HMM參數(shù)學(xué)習(xí)是一個相互影響的。DNN-HMM算法學(xué)習(xí)過程如下：

1.利用運動數(shù)據(jù)預(yù)學(xué)習(xí)一個高斯混合HMM；

2.利用運動數(shù)據(jù)預(yù)學(xué)習(xí)一個DBN-DNN模型(英文全稱：Deep Belief Network；英文簡稱：DBN)；

3.利用步驟1中學(xué)習(xí)的高斯混合HMM和步驟2中學(xué)習(xí)的DBN-DNN模型，初始化DNN-HMM模型；

4.針對每段運動數(shù)據(jù)，利用DNN-HMM求其在HMM中所對應(yīng)的狀態(tài)序列；

5.利用所有運動數(shù)據(jù)和其對應(yīng)狀態(tài)序列，更新DNN-HMM中DNN模型中的參數(shù)；

6.針對每段運動數(shù)據(jù)，利用DNN-HMM求其在HMM中所對應(yīng)的輸出概率；

7.利用所有運動數(shù)據(jù)和其對的輸出概率，更新DNN-HMM中HMM中的初始狀態(tài)概率和狀態(tài)轉(zhuǎn)移概率；

8.如果識別率不符合條件，回到步驟4；否則終止。

步驟1的學(xué)習(xí)高斯混合模型HMM的方法即為本申請所講的方法。

步驟2的學(xué)習(xí)DNN模型的方法分為兩個部分。第一部分是學(xué)習(xí)DBN(英文全稱：Deep Belief Network；英文簡稱：DBN)；第二部分是將DBN轉(zhuǎn)化成DBN-DNN模型，即簡化為DNN模型。首先，學(xué)習(xí)DBN的過程是一層一層學(xué)習(xí)RBM(英文全稱：Restricted Boltzmann Machine；英文簡稱：RBM；中文全稱：受限玻爾茲曼機)的過程，且將學(xué)習(xí)的RBM疊加起來。第一層的RBM輸入是多維的原始數(shù)據(jù)；之后每層RBM的輸入由已訓(xùn)練得的RBM的輸出作為其輸入。在學(xué)習(xí)完成DBN后，我們用DBN中每層RBM中的權(quán)重值來初始化DNN。

步驟3是用高斯混合HMM和DBN-DNN模型來初始化DNN-HMM。

步驟4是求每段運動數(shù)據(jù)所對應(yīng)HMM中的狀態(tài)。該求解過程可以通過維特比算法來完成。

步驟5中利用所有運動數(shù)據(jù)和其對應(yīng)狀態(tài)序列，更新DNN-HMM中DNN模型中的參數(shù)。該更新過程利用DNN中的反向傳遞算法來完成。

步驟6通過正向計算運動數(shù)據(jù)所對應(yīng)的HMM的輸出概率。

步驟7利用運動數(shù)據(jù)和對應(yīng)的輸出概率更新DNN-HMM中HMM中的初始狀態(tài)概率和狀態(tài)轉(zhuǎn)移概率。該過程即為一輪參數(shù)學(xué)習(xí)。

步驟8通過計算識別率來判斷是否要繼續(xù)學(xué)習(xí)模型的參數(shù)。

基于HMM的踢球狀態(tài)的識別算法框圖如圖2所示。HMM有兩個特點：1)數(shù)據(jù)的時序表被描述為狀態(tài)轉(zhuǎn)移；2)數(shù)據(jù)的值被描述為每個狀態(tài)下的輸出模型，例如高斯混合模型。針對每個踢球狀態(tài)的數(shù)據(jù)，我們都訓(xùn)練一個HMM。對于本發(fā)明第一較佳實施方式來說，其需要為每個踢球運動狀態(tài)訓(xùn)練一個HMM。對于基本動作的識別，我們通過比較每個HMM的對運動數(shù)據(jù)的擬合度，來判斷踢球狀態(tài)。針對本發(fā)明第一較佳實施方式，即通過每個踢球運動狀態(tài)的HMM計算一個概率值，最大的概率值所對應(yīng)的踢球狀態(tài)即為識別的球員踢球的狀態(tài)。

步驟S303、替換后的各個HMM依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)中的任一種或多種的組合計算各個踢球狀態(tài)的概率；

步驟S304、在各個踢球狀態(tài)概率中，選取最大的概率所對應(yīng)的踢球狀態(tài)作為識別的球員的踢球狀態(tài)。

本發(fā)明第二較佳實施方式通過訓(xùn)練多個HMM和DNN模型來實現(xiàn)運動狀態(tài)的區(qū)分，由于該設(shè)備可以設(shè)置在便攜式設(shè)備內(nèi)，所以其能夠有效的降低成本，通過實驗數(shù)據(jù)證明，通過此方式辨識的踢球運動狀態(tài)的準確度可以達到95％以上，所以其具有識別精度高，成本低的優(yōu)點。

如圖5所示，圖5為本發(fā)明具體實施方式提供的足球帶球狀態(tài)分析裝置500，所述裝置包括：

獲取單元501，用于獲取球員的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)的任一種或多種組合；

輸入單元502，用于將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)的任一種或多種組合分別輸入訓(xùn)練好的帶球狀態(tài)下的識別模型和無球狀態(tài)下的識別模型；

計算單元503，用于踢球狀態(tài)的識別模型依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)的任一種或多種組合計算各個踢球狀態(tài)的概率；

判斷單元504，用于踢球狀態(tài)的判別。

上述識別模型具體包括：

隱馬爾可夫模型(英文全稱：Hidden Markov Model，英文簡稱：HMM)、支持向量機模型(英文全稱：Support Vector Machine，英文簡稱：SVM)、高斯混合模型(英文全稱：Gaussian Mixture model，英文簡稱：GMM)、神經(jīng)網(wǎng)絡(luò)模型(英文全稱：Neural Network，英文簡稱：NN)，深度神經(jīng)網(wǎng)絡(luò)(英文全稱：Deep Neural Network，英文簡稱：DNN)遞歸神經(jīng)網(wǎng)絡(luò)(英文全稱：Recurrent Neural Network，英文簡稱：RNN)，條件隨機場(英文全稱：Conditional Random Field，英文簡稱：CRF)馬爾可夫。

可選的，所述訓(xùn)練好的一種踢球狀態(tài)下的隱馬爾可夫模型具體，包括：

將已知該種踢球狀態(tài)的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)的任一種或多種組合輸入到待訓(xùn)練的隱馬爾可夫模型內(nèi)訓(xùn)練得到這種踢球狀態(tài)的隱馬爾可夫模型的狀態(tài)轉(zhuǎn)移概率、每個狀態(tài)下觀測值的輸出概率和初始狀態(tài)的概率。

可選的，所述訓(xùn)練好的一種踢球狀態(tài)下的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率，具體包括：

將所述該種踢球狀態(tài)的角速度數(shù)據(jù)、加速度數(shù)據(jù)和地磁場數(shù)據(jù)的任一種或多種組合分別輸入深度神經(jīng)網(wǎng)絡(luò)計算得到所述訓(xùn)練好的該種踢球狀態(tài)的隱馬爾可夫模型中的每個狀態(tài)下觀測值的輸出概率。

參閱圖6，圖6為本發(fā)明提供的一種智能終端600，該智能終端包括足球帶球狀態(tài)分析裝置500。

參閱圖7，圖7為本申請實施例提供的另一種用戶設(shè)備100，該用戶設(shè)備包括但不限于：手機、平板電腦、服務(wù)器、基站、移動交換中心等設(shè)備，如圖7所示，該用戶設(shè)備包括：用戶設(shè)備100包括處理器1001、存儲器1002、收發(fā)器1003和總線1004。收發(fā)器1003用于與外部設(shè)備之間收發(fā)數(shù)據(jù)。用戶設(shè)備100中的處理器1001的數(shù)量可以是一個或多個。本申請的一些實施例中，處理器1001、存儲器1002和收發(fā)器1003可通過總線系統(tǒng)或其他方式連接。用戶設(shè)備100可以用于執(zhí)行圖1所示的方法。關(guān)于本實施例涉及的術(shù)語的含義以及舉例，可以參考圖1對應(yīng)的實施例。此處不再贅述。

其中，存儲器1002中存儲程序代碼。處理器1001用于調(diào)用存儲器1002中存儲的程序代碼，用于執(zhí)行以下操作：

處理器1001，用于獲取球員身體特定部位的角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合；將所述角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合分別輸入訓(xùn)練好的識別模型中各個踢球狀態(tài)子模型；各個踢球狀態(tài)子模型依據(jù)角速度數(shù)據(jù)、加速度數(shù)據(jù)以及地磁場數(shù)據(jù)中的任一種或多種組合計算球員踢球狀態(tài)與踢球狀態(tài)子模型對應(yīng)的踢球狀態(tài)的相似度度量；所計算的相似度度量最高的踢球狀態(tài)子模型所對應(yīng)的踢球狀態(tài)即為球員的踢球狀態(tài)。

需要說明的是，這里的處理器1001可以是一個處理元件，也可以是多個處理元件的統(tǒng)稱。例如，該處理元件可以是中央處理器(Central Processing Unit，CPU)，也可以是特定集成電路(Application Specific Integrated Circuit，ASIC)，或者是被配置成實施本申請實施例的一個或多個集成電路，例如：一個或多個微處理器(digital singnal processor，DSP)，或，一個或者多個現(xiàn)場可編程門陣列(Field Programmable Gate Array，F(xiàn)PGA)。

存儲器1003可以是一個存儲裝置，也可以是多個存儲元件的統(tǒng)稱，且用于存儲可執(zhí)行程序代碼或應(yīng)用程序運行裝置運行所需要參數(shù)、數(shù)據(jù)等。且存儲器1003可以包括隨機存儲器(RAM)，也可以包括非易失性存儲器(non-volatile memory)，例如磁盤存儲器，閃存(Flash)等。

總線1004可以是工業(yè)標準體系結(jié)構(gòu)(Industry Standard Architecture，ISA)總線、外部設(shè)備互連(Peripheral Component，PCI)總線或擴展工業(yè)標準體系結(jié)構(gòu)(Extended Industry Standard Architecture，EISA)總線等。該總線可以分為地址總線、數(shù)據(jù)總線、控制總線等。為便于表示，圖7中僅用一條粗線表示，但并不表示僅有一根總線或一種類型的總線。

該用戶設(shè)備還可以包括輸入輸出裝置，連接于總線1004，以通過總線與處理器1001等其它部分連接。該輸入輸出裝置可以為操作人員提供一輸入界面，以便操作人員通過該輸入界面選擇布控項，還可以是其它接口，可通過該接口外接其它設(shè)備。

需要說明的是，對于前述的各方法實施方式或?qū)嵤├?，為了簡單描述，故將其都表述為一系列的動作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動作順序的限制，因為根據(jù)本發(fā)明，某些步驟可以采用其他順序或者同時進行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述實施方式或?qū)嵤├鶎儆趦?yōu)選實施例，所涉及的動作和單元并不一定是本發(fā)明所必須的。

在上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關(guān)描述。

本發(fā)明實施例方法中的步驟可以根據(jù)實際需要進行順序調(diào)整、合并和刪減。

本發(fā)明實施例裝置中的單元可以根據(jù)實際需要進行合并、劃分和刪減。本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實施例以及不同實施例的特征進行結(jié)合或組合。

通過以上的實施方式的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可以用硬件實現(xiàn)，或固件實現(xiàn)，或它們的組合方式來實現(xiàn)。當使用軟件實現(xiàn)時，可以將上述功能存儲在計算機可讀介質(zhì)中或作為計算機可讀介質(zhì)上的一個或多個指令或代碼進行傳輸。計算機可讀介質(zhì)包括計算機存儲介質(zhì)和通信介質(zhì)，其中通信介質(zhì)包括便于從一個地方向另一個地方傳送計算機程序的任何介質(zhì)。存儲介質(zhì)可以是計算機能夠存取的任何可用介質(zhì)。以此為例但不限于：計算機可讀介質(zhì)可以包括隨機存取存儲器(Random Access Memory，RAM)、只讀存儲器(Read-Only Memory，ROM)、電可擦可編程只讀存儲器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只讀光盤(Compact Disc Read-Only Memory，CD-ROM)或其他光盤存儲、磁盤存儲介質(zhì)或者其他磁存儲設(shè)備、或者能夠用于攜帶或存儲具有指令或數(shù)據(jù)結(jié)構(gòu)形式的期望的程序代碼并能夠由計算機存取的任何其他介質(zhì)。此外。任何連接可以適當?shù)某蔀橛嬎銠C可讀介質(zhì)。例如，如果軟件是使用同軸電纜、光纖光纜、雙絞線、數(shù)字用戶線(Digital Subscriber Line，DSL)或者諸如紅外線、無線電和微波之類的無線技術(shù)從網(wǎng)站、服務(wù)器或者其他遠程源傳輸?shù)?，那么同軸電纜、光纖光纜、雙絞線、DSL或者諸如紅外線、無線和微波之類的無線技術(shù)包括在所屬介質(zhì)的定影中。如本發(fā)明所使用的，盤(Disk)和碟(disc)包括壓縮光碟(CD)、激光碟、光碟、數(shù)字通用光碟(DVD)、軟盤和藍光光碟，其中盤通常磁性的復(fù)制數(shù)據(jù)，而碟則用激光來光學(xué)的復(fù)制數(shù)據(jù)。上面的組合也應(yīng)當包括在計算機可讀介質(zhì)的保護范圍之內(nèi)。

總之，以上所述僅為本發(fā)明技術(shù)方案的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。