融合AI与规则引擎的立定跳远犯规行为智能审判方法与流程

本技术涉及数据识别，特别是涉及一种融合ai与规则引擎的立定跳远犯规行为智能审判方法。

背景技术：

1、在校园立定跳远比赛中，准确判定学生的犯规行为对于维护比赛公平至关重要。传统的犯规判定主要依靠裁判员的主观判断，容易受经验、视角等因素影响，且实时性和一致性难以保证。特别是对于学生来说，他们的动作可能不如专业学生规范，这增加了判定的难度。

2、随着计算机视觉和人工智能技术的发展，通过对立定跳远过程的视频数据进行智能分析，结合规则引擎进行逻辑推理，可以实现犯规行为的自动检测和客观判定。现有技术通常采用单一的摄像机进行视频采集，这可能导致视角受限，无法全面捕捉学生的动作细节。此外，传统方法往往只关注关键帧的分析，忽视了动作的连续性和整体性。

3、在特征提取方面，现有技术主要集中于时域分析，缺乏对频域特征的充分利用。这限制了对微小动作和潜在违规行为的识别能力。同时，传统的特征提取方法往往采用线性模型，难以捕捉复杂的非线性关系，这可能导致对学生动作特征的表达不够精确。

4、在犯规判定方面，现有通常采用简单的阈值法或硬编码规则，缺少灵活性和适应性。这种方法难以应对学生动作的多样性和不确定性，可能导致误判或漏判。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够避免误判漏判的融合ai与规则引擎的立定跳远犯规行为智能审判方法。

2、一种融合ai与规则引擎的立定跳远犯规行为智能审判方法，包括以下步骤：

3、采集立定跳远者的动作视频信号，并按照预设采样频率从动作视频信号中采样，得到非整周期采样数据；非整周期采样数据为采样数据不完全覆盖整个跳远动作周期；

4、对非整周期采样数据进行预处理和标准化，得到整周期采样数据；整周期采样数据为采样数据完全覆盖整个跳远动作周期；

5、基于整周期采样数据构建补偿曲线，并利用补偿曲线对整周期采样数据进行优化；

6、对优化后的整周期采样数据进行时空特征转换，获得反映立定跳远者跳远特性的幅度、相位和尺度特征；

7、基于幅度、相位和尺度特征，提取立定跳远者的关键动作特征；关键动作特征包括起跳阶段的时空特征、空中阶段的运动轨迹特征、身体姿态的动态变化特征和落地阶段的时空特征；

8、采用人工智能驱动的逻辑分析和数据技术处理关键动作特征，获取立定跳远者的综合动作表现指标；综合动作表现指标用于判断立定跳远者的起跳阶段的规范性、空中阶段的动作质量以及落地阶段的有效性；

9、基于幅度，提取立定跳远者的高频动作特征；高频动作特征用于捕捉立定跳远者的微小的、快速的动作变化；

10、根据关键动作特征、综合动作表现指标和高频动作特征，构建增强型动作特征描述符；

11、将增强型动作特征描述符输入规则引擎，与规则引擎中预设犯规判定标准进行逻辑比对，生成犯规判定结果。

12、在其中一个实施例中，采集立定跳远者的动作视频信号，并按照预设采样频率从动作视频信号中采样，得到非整周期采样数据的步骤中，包括步骤：

13、部署卷积神经网络对动作视频信号进行实时分析，根据预设采样频率进行智能离散化处理；预设采样频率为基于动作视频信号中图像帧之间的语义差异度变化进行动态调整；

14、应用基于长短期记忆网络的动态窗口技术处理离散化的动作视频信号，捕捉立定跳远者的跳跃周期；跳跃周期为立定跳远者的从起跳到落地全过程；

15、将滑动缓冲数据段和跳跃周期智能拼接为非整周期采样数据；滑动缓冲数据段为ai系统缓存的立定跳远者起跳前和落地后的高价值视频信号。

16、在其中一个实施例中，对非整周期采样数据进行预处理和标准化，得到整周期采样数据的步骤中，包括步骤：

17、采用计算机视觉算法识别非整周期采样数据的关键帧；关键帧包括准备起跳姿势、离地瞬间和落地瞬间；

18、基于时序，在关键帧的前后添加补充采样点；

19、采用三次样条插值算法处理预设采样频率对应的采样点和补充采样点，获取三次样条插值函数；

20、基于三次样条插值函数，生成连续轨迹数据；

21、对连续轨迹数据中立定跳远者在空中飞行阶段的身体质心轨迹进行修正；

22、采用卡尔曼滤波算法对修正后的连续轨迹数据进行连续性增强处理，得到连续性增强数据序列；

23、对连续性增强数据序列中的空间坐标进行归一化处理，得到包含无量纲标准化坐标的标准化连续性增强数据序列；

24、对标准化连续性增强数据序列进行间隔重采样，得到整周期采样数据；整周期采样数据包含多个标准化周期。

25、在其中一个实施例中，基于整周期采样数据构建补偿曲线，并利用补偿曲线对整周期采样数据进行优化的步骤中，包括步骤：

26、对整周期采样数据中标准化周期的末尾部分进行分析，得到末尾运动特征；

27、基于末尾运动特征，生成过渡区间数据；

28、利用过渡区间数据，构建补偿曲线，利用补偿曲线对整周期采样数据进行优化。

29、在其中一个实施例中，对优化后的整周期采样数据进行时空特征转换，获得反映立定跳远者跳远特性的幅度、相位和尺度特征的步骤中，包括步骤：

30、对优化后的整周期采样数据中的空间坐标进行离散傅里叶变换，获得反映立定跳远者跳远特性的幅度和相位；

31、对优化后的整周期采样数据中的空间坐标进行连续小波变换，获得反映立定跳远者跳远特性的尺度特征。

32、在其中一个实施例中，基于幅度、相位和尺度特征，提取立定跳远者的关键动作特征的步骤中，包括步骤：

33、基于以下步骤获取起跳阶段的时空特征：

34、基于幅度和相位，计算立定跳远者的垂直方向频谱幅度和起跳持续时间；

35、基于垂直方向频谱幅度和起跳持续时间，定义起跳力指数，以表征起跳阶段的时空特征；

36、基于以下步骤获取空中阶段的运动轨迹特征：

37、基于尺度特征，跟踪立定跳远者的身体质心轨迹；

38、基于所述身体质心轨迹的质心位置小波系数，定义轨迹平滑度指数以表征空中阶段的运动轨迹特征；

39、基于以下步骤获取身体姿态的动态变化特征：

40、根据相位，获取立定跳远者的上半身运动相位和下半身运动相位；

41、根据上半身运动相位和下半身运动相位，定义姿态协调指数，以表征身体姿态的动态变化特征；

42、基于以下步骤获取落地阶段的时空特征：

43、基于幅度和相位，获取立定跳远者的高频范围垂直方向频谱幅度和平衡恢复时间；

44、基于高频范围垂直方向频谱幅度和平衡恢复时间，定义落地稳定指数，以表征落地阶段的时空特征。

45、在其中一个实施例中，采用人工智能驱动的逻辑分析和数据技术处理关键动作特征，获取立定跳远者的综合动作表现指标的步骤中，包括步骤：

46、采用多层感知机神经网络模型处理关键动作特征，得到立定跳远者的起跳规范性、空中动作质量和落地有效性；

47、对起跳规范性、空中动作质量和落地有效性进行加权处理，得到立定跳远者的综合动作表现指标。

48、在其中一个实施例中，基于幅度，提取立定跳远者的高频动作特征的步骤中，包括步骤：

49、根据幅度，计算高频能量比和高频波动指数；

50、基于高频能量比和高频波动指数，量化立定跳远者的高频动作特征。

51、在其中一个实施例中，根据关键动作特征、综合动作表现指标和高频动作特征，构建增强型动作特征描述符的步骤中，包括步骤：

52、根据关键动作特征、综合动作表现指标和高频动作特征，组建初始增强型动作特征描述符；

53、采用主成分分析算法对初始增强型动作特征描述符降维处理，得到增强型动作特征描述符。

54、在其中一个实施例中，将增强型动作特征描述符输入规则引擎，与规则引擎中预设犯规判定标准进行逻辑比对，生成犯规判定结果的步骤中，包括步骤：

55、将增强型动作特征描述符映射到整周期采样数据对应的原始特征空间，获取重构特征向量；

56、将重构特征向量输入规则引擎，与规则引擎中预设犯规判定标准进行逻辑比对，生成犯规判定结果。

57、上述技术方案中的一个技术方案具有如下优点和有益效果：

58、本技术通过以下步骤：采集立定跳远者的动作视频信号，并按照预设采样频率从动作视频信号中采样，得到非整周期采样数据；对非整周期采样数据进行预处理和标准化，得到整周期采样数据；基于整周期采样数据构建补偿曲线，并利用补偿曲线对整周期采样数据进行优化；对优化后的整周期采样数据进行时空特征转换，获得反映立定跳远者跳远特性的幅度、相位和尺度特征；基于幅度、相位和尺度特征，提取立定跳远者的关键动作特征；采用人工智能驱动的逻辑分析和数据技术处理关键动作特征，获取立定跳远者的综合动作表现指标；基于幅度，提取立定跳远者的高频动作特征；根据关键动作特征、综合动作表现指标和高频动作特征，构建增强型动作特征描述符；将增强型动作特征描述符输入规则引擎，与规则引擎中预设犯规判定标准进行逻辑比对，生成犯规判定结果。从而本技术能够应对学生立定跳远动作的多样性和不确定性，准确地识别各种各样的立定跳远动作，提升对犯规行为的识别准确度，避免误判或漏判。