基于AI的运球犯规动作判定方法及系统发明专利

专利名称：基于AI的运球犯规动作判定方法及系统

专利类型：发明专利

专利申请号：CN202410564305.9

专利申请（专利权）人：广州华夏汇海科技有限公司
权利人地址：广东省广州市荔湾区茶滘路茶滘桃湾工业厂房自编2号C幢4楼

专利发明（设计）人：杨炳杰,林鹏,肖建承

专利摘要：本发明涉及动作识别技术领域，具体为基于AI的运球犯规动作判定方法及系统，包括以下步骤：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录。本发明中，通过采用随机森林算法实现了对比赛场景中的球员位置、运动速度和比赛阶段的深入分析，有效构建了环境和动作的综合分析模型，从而增强了对比赛强度和球员之间互动作用的理解，利用时空图卷积网络模型，将运动序列转换为图结构，使得动作特征的提取更加精细和准确，动态时间弯曲算法的应用，增强了对差异化时间序列中动作模式的识别能力。

主权利要求：
1.基于AI的运球犯规动作判定方法，其特征在于，包括以下步骤：
基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录；
基于所述环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据；
基于所述调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图；
基于所述全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果；
基于所述时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果；
基于所述相似度分析结果，结合所述环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录；
基于所述犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型；
基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录的步骤具体为：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，识别关键影响因素，并对因素进行关键性排序，生成关键特征数据集；
基于所述关键特征数据集，应用K均值聚类算法，根据关联性对球员的运动模式和互动行为进行分组，识别比赛中的关键动态和球员间的交互模式，生成分组后的互动集；
基于所述分组后的互动集，利用主成分分析，结合球员位置、速度、比赛阶段和球员间的互动，建立环境和动作的分析模型，生成环境与上下文分析记录；
基于所述环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据的步骤具体为：基于所述环境与上下文分析记录，采用帧率转换算法，根据运动强度和动作频率的实时分析，自动调整视频帧率，并匹配当前场景的动作速度变化，生成帧率调整策略；
基于所述帧率调整策略，使用自适应流控制技术，根据实时场景的需求调整视频捕获的帧率，并验证捕捉的关键动作与场景变化匹配性，生成场景视频数据集；
基于所述场景视频数据集，采用H.265视频编码技术，对视频数据进行压缩处理，优化文件大小并保留动作细节，生成调整后的视频数据；
基于所述相似度分析结果，结合所述环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录的步骤具体为：基于所述相似度分析结果，采用主成分分析，对相似度数据进行分析，提取表征动作模式差异的关键特征向量，突出动作特性，生成特征向量数据集；
基于所述特征向量数据集，结合所述环境与上下文分析记录，应用贝叶斯网络模型，评估动作特征和环境因素，对每个动作的犯规概率进行计算，生成犯规概率预估值；
基于所述犯规概率预估值，采用逻辑回归校准，细化概率模型的输出，通过调整预测概率，优化概率评估的准确性和可靠性，生成犯规概率评估记录。
2.根据权利要求1所述的基于AI的运球犯规动作判定方法，其特征在于，所述环境与上下文分析记录包括球员位置坐标、球员运动速度和平均速度、比赛阶段、球员间交互频率和强度指标，所述调整后的视频数据包括调整的帧率信息、对应的时间戳、每帧的分辨率、动作捕捉的关键帧标识，所述全景动作视图包括从差异角度拼接而成的全方位视图、每个角度视图对应的空间校正参数、三维重建生成的动作深度图，所述时空特征分析结果包括动作序列的节点连接图、每个节点的空间位置参数、动作序列的时间延续性指标、关键动作特征的向量表示，所述相似度分析结果包括标准动作与观测动作的时间序列匹配度、非线性时间调整后的关联度评分、异常动作的差异特征标识，所述犯规概率评估记录包括目标动作的犯规概率值、关联环境因素和动作特征的权重参数、概率计算的置信区间。
3.根据权利要求1所述的基于AI的运球犯规动作判定方法，其特征在于，基于所述调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图的步骤具体为：基于所述调整后的视频数据，采用尺度不变特征转换算法，对每帧图像进行特征点的检测和表示，应用随机抽样一致性算法，对特征点进行匹配和优化，去除非匹配点，生成优化后的视频帧集；
基于所述优化后的视频帧集，利用视觉SLAM技术，对匹配的特征点重建场景的三维模型，通过序列化图像的关键帧提取和运动估计，构建三维点云表示，生成三维重建场景模型；
基于所述三维重建场景模型，采用泊松图像编辑，对多角度重建的三维模型进行整合，进行场景无缝衔接和视角统一，生成全景动作视图。
4.根据权利要求1所述的基于AI的运球犯规动作判定方法，其特征在于，基于所述全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果的步骤具体为：基于所述全景动作视图，运用图像分割技术确定动作关键区域，利用关键点检测算法，标定动作关键位置，并根据关键位置构建图结构，生成图结构化动作序列；
基于所述图结构化动作序列，采用图注意力网络模型，分析每个节点的空间关系和边的时间连续性，通过注意力权重优化关键节点的特征表示，提取表征动作序列的深层特征，生成动作序列特征集；
基于所述动作序列特征集，应用长短期记忆网络，对提取的特征进行时序分析，评估动作的持续性和变化，优化特征集并反映动作的核心属性和变化规律，生成时空特征分析结果。
5.根据权利要求1所述的基于AI的运球犯规动作判定方法，其特征在于，基于所述时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果的步骤具体为：基于所述时空特征分析结果，采用动态时间弯曲算法，分析每个动作序列，通过调整时间序列优化序列间的关联度匹配，辨识动作模式间的差异和一致性，生成序列相似度评分；
基于所述序列相似度评分，应用K均值聚类算法，对动作序列进行分类，根据时间特性将动作模式分为多个群组，并确定每个群组的共性和特性，生成群组聚类标签；
基于所述群组聚类标签，采用余弦相似度计算，对每一类动作模式与预定义的标准动作模式进行相似度比较，识别与标准模式有差异的异常动作模式，生成相似度分析结果。
6.根据权利要求1所述的基于AI的运球犯规动作判定方法，其特征在于，基于所述犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型的步骤具体为：基于所述犯规概率评估记录，采用在线梯度下降法，对模型进行实时更新，分析模型预测与结果之间的差异，调整模型权重并优化差异，生成性能调整反馈；
基于所述性能调整反馈，应用贝叶斯优化方法，对模型关键参数进行调优，评估差异参数配置下的模型性能，捕捉最优参数设置，生成参数优化结果；
基于所述参数优化结果，执行模型剪枝操作，通过移除模型中的冗余和不关键连接或神经元，对模型结构进行优化，并减少计算资源消耗，生成优化后的判定模型。
7.基于AI的运球犯规动作判定系统，其特征在于，根据权利要求1‑6任一项所述的基于AI的运球犯规动作判定方法，所述系统包括场景环境分析模块、视频帧率调整模块、全景视图构建模块、时空特征分析模块、相似度分析模块、犯规概率与模型优化模块；
所述场景环境分析模块基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，利用K均值聚类对数据进行分组，运用主成分分析，对数据集进行维度优化，生成环境与上下文分析记录；
所述视频帧率调整模块基于环境与上下文分析记录，采用帧率转换算法，调整视频帧率匹配至动作速度，利用自适应流控制技术调整视频流质量，通过H.265视频编码技术对视频数据进行压缩处理，生成调整后的视频数据；
所述全景视图构建模块基于调整后的视频数据，运用尺度不变特征转换算法，提取视频帧的特征点，利用随机抽样一致性算法，进行特征点匹配优化，并使用视觉SLAM技术从匹配的特征点构建场景的三维模型，生成全景动作视图；
所述时空特征分析模块基于全景动作视图，使用图像分割技术，识别动作关键区域，利用关键点检测算法，标定动作关键位置，采用图注意力网络模型分析节点间的空间关系，并通过长短期记忆网络，进行动作序列的时间属性分析，生成时空特征分析结果；
所述相似度分析模块基于时空特征分析结果，采用动态时间弯曲算法，分析动作序列的时间相似度，通过K均值聚类对动作模式进行分组处理，再利用余弦相似度计算，比较动作模式的相似度，生成相似度分析结果；
所述犯规概率与模型优化模块基于相似度分析结果，利用主成分分析，从相似度数据中提取关键特征向量，结合所述环境与上下文分析记录，使用贝叶斯网络进行犯规概率计算，通过逻辑回归对犯规概率进行调整，并运用在线梯度下降和贝叶斯优化方法，对模型进行参数优化，生成优化后的判定模型。 说明书 : 基于AI的运球犯规动作判定方法及系统技术领域[0001] 本发明涉及动作识别技术领域，尤其涉及基于AI的运球犯规动作判定方法及系统。背景技术[0002] 动作识别技术领域是一个利用计算机视觉、机器学习和图像处理技术来识别和分析人类动作的领域。动作识别技术能够通过分析视频或实时图像数据来识别特定的人体动作和行为模式。这项技术广泛应用于多个领域，包括安全监控、人机交互、体育分析和医疗康复。[0003] 其中，基于AI的运球犯规动作判定方法是一种应用于体育比赛中，特别是篮球和足球等，用于自动识别和判定运球时是否存在犯规动作的技术手段。其目的是提高比赛的公正性和准确性，通过减少人为判断错误来提升比赛质量。旨在通过自动化手段快速、准确地识别运球中的非法接触、双手运球、脚步错误等犯规行为，从而达到提高裁判判断效率的目的。[0004] 传统方法在处理动作判定时缺乏对比赛环境和动作上下文的综合分析，导致无法全面理解比赛强度和球员之间的互动作用。缺少动态调整视频捕获帧率的能力，以及在视频数据整合方面的技术支持，导致动作捕捉的不完整和视角的局限性。未能有效利用深度学习模型分析动作序列，限制了对复杂动作特征的提取和识别能力。传统方法在动作模式的时间序列分析上缺乏灵活性，难以区分正常与异常动作，影响了判定的准确性。缺乏有效的模型优化和更新机制，使得难以适应新的数据模式，限制了其长期应用的效能和适应性。导致了传统方法在实际操作中的局限，影响了动作判定的效率和准确率。发明内容[0005] 本发明的目的是解决现有技术中存在的缺点，而提出的基于AI的运球犯规动作判定方法及系统。[0006] 为了实现上述目的，本发明采用了如下技术方案：基于AI的运球犯规动作判定方法，包括以下步骤：[0007] S1：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录；[0008] S2：基于所述环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据；[0009] S3：基于所述调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图；[0010] S4：基于所述全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果；[0011] S5：基于所述时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果；[0012] S6：基于所述相似度分析结果，结合所述环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录；[0013] S7：基于所述犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型。[0014] 作为本发明的进一步方案，所述环境与上下文分析记录包括球员位置坐标、球员运动速度和平均速度、比赛阶段、球员间交互频率和强度指标，所述调整后的视频数据包括调整的帧率信息、对应的时间戳、每帧的分辨率、动作捕捉的关键帧标识，所述全景动作视图包括从差异角度拼接而成的全方位视图、每个角度视图对应的空间校正参数、三维重建生成的动作深度图，所述时空特征分析结果包括动作序列的节点连接图、每个节点的空间位置参数、动作序列的时间延续性指标、关键动作特征的向量表示，所述相似度分析结果包括标准动作与观测动作的时间序列匹配度、非线性时间调整后的关联度评分、异常动作的差异特征标识，所述犯规概率评估记录包括目标动作的犯规概率值、关联环境因素和动作特征的权重参数、概率计算的置信区间。[0015] 作为本发明的进一步方案，基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录的步骤具体为：[0016] S101：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，识别关键影响因素，并对因素进行关键性排序，生成关键特征数据集；[0017] S102：基于所述关键特征数据集，应用K均值聚类算法，根据关联性对球员的运动模式和互动行为进行分组，识别比赛中的关键动态和球员间的交互模式，生成分组后的互动集；[0018] S103：基于所述分组后的互动集，利用主成分分析，结合球员位置、速度、比赛阶段和球员间的互动，建立环境和动作的分析模型，生成环境与上下文分析记录。[0019] 作为本发明的进一步方案，基于所述环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据的步骤具体为：[0020] S201：基于所述环境与上下文分析记录，采用帧率转换算法，根据运动强度和动作频率的实时分析，自动调整视频帧率，并匹配当前场景的动作速度变化，生成帧率调整策略；[0021] S202：基于所述帧率调整策略，使用自适应流控制技术，根据实时场景的需求调整视频捕获的帧率，并验证捕捉的关键动作与场景变化匹配性，生成场景视频数据集；[0022] S203：基于所述场景视频数据集，采用H.265视频编码技术，对视频数据进行压缩处理，优化文件大小并保留动作细节，生成调整后的视频数据。[0023] 作为本发明的进一步方案，基于所述调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图的步骤具体为：[0024] S301：基于所述调整后的视频数据，采用尺度不变特征转换算法，对每帧图像进行特征点的检测和表示，应用随机抽样一致性算法，对特征点进行匹配和优化，去除非匹配点，生成优化后的视频帧集；[0025] S302：基于所述优化后的视频帧集，利用视觉SLAM技术，对匹配的特征点重建场景的三维模型，通过序列化图像的关键帧提取和运动估计，构建三维点云表示，生成三维重建场景模型；[0026] S303：基于所述三维重建场景模型，采用泊松图像编辑，对多角度重建的三维模型进行整合，进行场景无缝衔接和视角统一，生成全景动作视图。[0027] 作为本发明的进一步方案，基于所述全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果的步骤具体为：[0028] S401：基于所述全景动作视图，运用图像分割技术确定动作关键区域，利用关键点检测算法，标定动作关键位置，并根据关键位置构建图结构，生成图结构化动作序列；[0029] S402：基于所述图结构化动作序列，采用图注意力网络模型，分析每个节点的空间关系和边的时间连续性，通过注意力权重优化关键节点的特征表示，提取表征动作序列的深层特征，生成动作序列特征集；[0030] S403：基于所述动作序列特征集，应用长短期记忆网络，对提取的特征进行时序分析，评估动作的持续性和变化，优化特征集并反映动作的核心属性和变化规律，生成时空特征分析结果。[0031] 作为本发明的进一步方案，基于所述时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果的步骤具体为：[0032] S501：基于所述时空特征分析结果，采用动态时间弯曲算法，分析每个动作序列，通过调整时间序列优化序列间的关联度匹配，辨识动作模式间的差异和一致性，生成序列相似度评分；[0033] S502：基于所述序列相似度评分，应用K均值聚类算法，对动作序列进行分类，根据时间特性将动作模式分为多个群组，并确定每个群组的共性和特性，生成群组聚类标签；[0034] S503：基于所述群组聚类标签，采用余弦相似度计算，对每一类动作模式与预定义的标准动作模式进行相似度比较，识别与标准模式有差异的异常动作模式，生成相似度分析结果。[0035] 作为本发明的进一步方案，基于所述相似度分析结果，结合所述环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录的步骤具体为：[0036] S601：基于所述相似度分析结果，采用主成分分析，对相似度数据进行分析，提取表征动作模式差异的关键特征向量，突出动作特性，生成特征向量数据集；[0037] S602：基于所述特征向量数据集，结合所述环境与上下文分析记录，应用贝叶斯网络模型，评估动作特征和环境因素，对每个动作的犯规概率进行计算，生成犯规概率预估值；[0038] S603：基于所述犯规概率预估值，采用逻辑回归校准，细化概率模型的输出，通过调整预测概率，优化概率评估的准确性和可靠性，生成犯规概率评估记录。[0039] 作为本发明的进一步方案，基于所述犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型的步骤具体为：[0040] S701：基于所述犯规概率评估记录，采用在线梯度下降法，对模型进行实时更新，分析模型预测与结果之间的差异，调整模型权重并优化差异，生成性能调整反馈；[0041] S702：基于所述性能调整反馈，应用贝叶斯优化方法，对模型关键参数进行调优，评估差异参数配置下的模型性能，捕捉最优参数设置，生成参数优化结果；[0042] S703：基于所述参数优化结果，执行模型剪枝操作，通过移除模型中的冗余和不关键连接或神经元，对模型结构进行优化，并减少计算资源消耗，生成优化后的判定模型。[0043] 基于AI的运球犯规动作判定系统，所述基于AI的运球犯规动作判定系统用于执行上述基于AI的运球犯规动作判定方法，所述系统包括场景环境分析模块、视频帧率调整模块、全景视图构建模块、时空特征分析模块、相似度分析模块、犯规概率与模型优化模块；[0044] 所述场景环境分析模块基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，利用K均值聚类对数据进行分组，运用主成分分析，对数据集进行维度优化，生成环境与上下文分析记录；[0045] 所述视频帧率调整模块基于环境与上下文分析记录，采用帧率转换算法，调整视频帧率匹配至动作速度，利用自适应流控制技术调整视频流质量，通过H.265视频编码技术对视频数据进行压缩处理，生成调整后的视频数据；[0046] 所述全景视图构建模块基于调整后的视频数据，运用尺度不变特征转换算法，提取视频帧的特征点，利用随机抽样一致性算法，进行特征点匹配优化，并使用视觉SLAM技术从匹配的特征点构建场景的三维模型，生成全景动作视图；[0047] 所述时空特征分析模块基于全景动作视图，使用图像分割技术，识别动作关键区域，利用关键点检测算法，标定动作关键位置，采用图注意力网络模型分析节点间的空间关系，并通过长短期记忆网络，进行动作序列的时间属性分析，生成时空特征分析结果；[0048] 所述相似度分析模块基于时空特征分析结果，采用动态时间弯曲算法，分析动作序列的时间相似度，通过K均值聚类对动作模式进行分组处理，再利用余弦相似度计算，比较动作模式的相似度，生成相似度分析结果；[0049] 所述犯规概率与模型优化模块基于相似度分析结果，利用主成分分析，从相似度数据中提取关键特征向量，结合所述环境与上下文分析记录，使用贝叶斯网络进行犯规概率计算，通过逻辑回归对犯规概率进行调整，并运用在线梯度下降和贝叶斯优化方法，对模型进行参数优化，生成优化后的判定模型。[0050] 与现有技术相比，本发明的优点和积极效果在于：[0051] 本发明中，通过采用随机森林算法实现了对比赛场景中的球员位置、运动速度和比赛阶段的深入分析，有效构建了环境和动作的综合分析模型，从而增强了对比赛强度和球员之间互动作用的理解。通过帧率转换算法和图像拼接与三维重建模型，提高了动作捕捉的全面性和准确性，确保了从多个角度捕获的视频数据能够无缝集成。利用时空图卷积网络模型，将运动序列转换为图结构，深入分析了节点间的空间关系和边的时间连续性，使得动作特征的提取更加精细和准确。动态时间弯曲算法的应用，增强了对差异化时间序列中动作模式的识别能力，有效区分了标准动作与异常动作的差异。使用贝叶斯网络模型计算了目标动作构成犯规的概率值，进一步提升了判定的科学性和合理性。通过在线学习算法，不断分析模型在应用中的表现，根据反馈数据调整算法参数，优化模型结构，以适配新的数据模式，保持了高效和准确的判定能力。附图说明[0052] 图1为本发明的工作流程示意图；[0053] 图2为本发明的S1细化流程图；[0054] 图3为本发明的S2细化流程图；[0055] 图4为本发明的S3细化流程图；[0056] 图5为本发明的S4细化流程图；[0057] 图6为本发明的S5细化流程图；[0058] 图7为本发明的S6细化流程图；[0059] 图8为本发明的S7细化流程图；[0060] 图9为本发明的系统流程图。具体实施方式[0061] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0062] 在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0063] 实施例一[0064] 请参阅图1，本发明提供一种技术方案：基于AI的运球犯规动作判定方法，包括以下步骤：[0065] S1：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录；[0066] S2：基于环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据；[0067] S3：基于调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图；[0068] S4：基于全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果；[0069] S5：基于时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果；[0070] S6：基于相似度分析结果，结合环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录；[0071] S7：基于犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型。[0072] 环境与上下文分析记录包括球员位置坐标、球员运动速度和平均速度、比赛阶段、球员间交互频率和强度指标，调整后的视频数据包括调整的帧率信息、对应的时间戳、每帧的分辨率、动作捕捉的关键帧标识，全景动作视图包括从差异角度拼接而成的全方位视图、每个角度视图对应的空间校正参数、三维重建生成的动作深度图，时空特征分析结果包括动作序列的节点连接图、每个节点的空间位置参数、动作序列的时间延续性指标、关键动作特征的向量表示，相似度分析结果包括标准动作与观测动作的时间序列匹配度、非线性时间调整后的关联度评分、异常动作的差异特征标识，犯规概率评估记录包括目标动作的犯规概率值、关联环境因素和动作特征的权重参数、概率计算的置信区间。[0073] 在S1步骤中，随机森林算法被采用来处理和分析比赛场景数据，涉及将球员位置、运动速度和比赛阶段的数据作为输入，用于构建多个决策树，每棵树都在数据集的一个随机子集上训练，以提高模型的鲁棒性和准确性，随机森林通过对所有决策树的预测结果进行汇总（通常是采用多数投票机制）来提高预测的准确度，在该过程中，算法详细分析了球员之间的互动频率和比赛的强度，通过识别和分类不同的比赛场景和球员行为，构建了一个环境和动作的分析模型，该模型能够生成包含球员位置、互动频率和比赛阶段等信息的环境与上下文分析记录，为后续的分析提供了数据基础。[0074] 在S2步骤中，帧率转换算法用于分析和调整视频捕获的帧率，以适应当前场景下的动作强度和频率，首先根据环境与上下文分析记录中的数据，评估当前动作的速度和频率，然后自动调整视频的帧率，以确保关键动作能够被准确捕捉，该调整过程不仅考虑了动作的速度变化，还考虑了动作捕捉的质量，确保生成的视频数据能够反映出动作的细节，通过该方法，调整后的视频数据包括了适应动作速度变化的帧率信息、时间戳和每帧的分辨率，为进一步的动作分析提供了高质量的数据源。[0075] 在S3步骤中，通过图像拼接算法和三维重建模型，对来自多个摄像头的视频帧进行处理，以建立一个全景动作视图，首先，图像拼接算法对每个摄像头捕获的视频帧进行空间校正，确保不同角度的视频帧能够在空间上对齐，接着，三维重建模型用于将校正后的视频帧合并成一个连续的、无缝的全景视图，该全景视图不仅包括了从多个角度拼接而成的全方位视图，还通过三维重建提供了动作的深度信息，为深度分析和动作识别提供了重要的视觉基础。[0076] 在S4步骤中，时空图卷积网络（ST‑GCN）模型被用于分析全景动作视图中的动作序列，ST‑GCN通过将动作序列转换为图结构，有效地捕捉了动作中的空间关系和时间连续性，在该图结构中，节点代表动作的关键位置，边表示节点之间的空间和时间关系，ST‑GCN利用图卷积操作来学习节点和边的特征，从而提取动作序列中的关键时空特征，该深度学习方法能够生成包含动作序列节点连接图、空间位置参数和时间延续性指标的时空特征分析结果，为识别复杂的动作模式提供了支持。[0077] 在S5步骤中，动态时间弯曲（DTW）算法被应用于对比不同时间序列中的动作模式，DTW通过在时间轴上进行非线性调整，匹配不同时间序列中的动作，有效识别出标准动作与异常动作之间的差异，通过计算两个时间序列之间的相似度，生成了相似度分析结果，包括时间序列匹配度、关联度评分以及异常动作的差异特征标识，该分析不仅揭示了动作之间的细微差别，还为犯规动作的识别提供了准确的量化依据。[0078] 在S6步骤中，贝叶斯网络模型被用于结合环境与上下文分析记录，计算动作构成犯规的概率值，通过考虑动作特征和环境因素的相互依赖关系，贝叶斯网络为每个动作赋予了一个基于先验知识和观测数据的条件概率值，该方法能够生成犯规概率评估记录，详细说明了目标动作的犯规概率、相关环境和动作特征的权重参数，以及概率计算的置信区间，贝叶斯网络的应用不仅提高了犯规判定的精确度，还为判定过程提供了一种可解释的量化方法。[0079] 在S7步骤中，在线学习算法被用于根据模型在实际应用中的表现来优化和调整算法参数，通过分析模型的实时反馈数据，识别模型性能的不足之处，并据此调整算法的参数和结构，以提高模型的适应性和准确度，在线学习的应用确保了判定模型能够持续适应不断变化的比赛环境和技术发展，生成的优化后判定模型具有更高的准确性和实用性，为运球犯规动作的准确判定提供了强大的技术支持。[0080] 请参阅图2，基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分类，分析比赛强度和球员之间的关键作用，构建环境和动作的分析模型，生成环境与上下文分析记录的步骤具体为：[0081] S101：基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，识别关键影响因素，并对因素进行关键性排序，生成关键特征数据集；[0082] S102：基于关键特征数据集，应用K均值聚类算法，根据关联性对球员的运动模式和互动行为进行分组，识别比赛中的关键动态和球员间的交互模式，生成分组后的互动集；[0083] S103：基于分组后的互动集，利用主成分分析，结合球员位置、速度、比赛阶段和球员间的互动，建立环境和动作的分析模型，生成环境与上下文分析记录。[0084] 在S101子步骤中，通过随机森林算法对比赛场景数据进行深入分析，识别球员位置、运动速度和比赛阶段数据的关键影响因素，数据格式涵盖球员的二维坐标位置、每个时间点的速度值以及比赛阶段标识，如攻防转换、定位球等，随机森林算法通过构建多个决策树，对各维度数据进行集成学习，包括为每棵树随机选择不同的数据子集和特征子集，确保模型的多样性，算法在决策树的节点分裂时评估各特征的重要性，采用基于信息增益或基尼不纯度的准则，自动进行特征选择，进而识别出对预测目标变量影响最大的因素，通过该过程，算法能够对每个因素进行关键性排序，生成关键特征数据集。[0085] 在S102子步骤中，应用K均值聚类算法基于关键特征数据集，将球员的运动模式和互动行为按关联性进行有效分组，该过程处理了球员间的距离、速度匹配度和比赛阶段的相似性等多维度特征，确保分组的准确性和可解释性，K均值算法以特征数据集为输入，首先随机选定K个初始聚类中心，然后迭代计算每个数据点到聚类中心的距离，根据最小距离原则将数据点分配到最近的聚类中心，聚类中心随后更新为所属类中所有点的均值位置，该过程重复进行，直至聚类中心的位置稳定，通过聚类分析，生成分组后的互动集。[0086] 在S103子步骤中，利用主成分分析（PCA）结合球员位置、速度、比赛阶段和球员间的互动数据，建立了环境和动作的综合分析模型，通过降维技术，从高维特征中提取最有代表性的成分，减少数据冗余和噪声，同时保留了数据集中的主要变异信息，操作过程中，PCA计算数据的协方差矩阵，进而求解特征值和特征向量，按特征值大小排列选择主成分，主成分作为新的数据表示基础，显著减少了数据维度，同时保留了关键信息，生成的环境与上下文分析记录详细反映了比赛中球员动作的环境背景，如场地区域的活跃度、球员之间的互动频率等。[0087] 请参阅图3，基于环境与上下文分析记录，运用帧率转换算法，分析当前场景下的运动强度和动作频率，自动调整视频捕获的帧率，并匹配动作的速度变化，生成调整后的视频数据的步骤具体为：[0088] S201：基于环境与上下文分析记录，采用帧率转换算法，根据运动强度和动作频率的实时分析，自动调整视频帧率，并匹配当前场景的动作速度变化，生成帧率调整策略；[0089] S202：基于帧率调整策略，使用自适应流控制技术，根据实时场景的需求调整视频捕获的帧率，并验证捕捉的关键动作与场景变化匹配性，生成场景视频数据集；[0090] S203：基于场景视频数据集，采用H.265视频编码技术，对视频数据进行压缩处理，优化文件大小并保留动作细节，生成调整后的视频数据。[0091] 在S201子步骤中，通过帧率转换算法对环境与上下文分析记录进行处理，自动调整视频帧率以匹配当前场景的动作速度变化，环境与上下文分析记录包含运动强度和动作频率等关键参数，格式为结构化数据，记录了每个比赛阶段的详细运动信息，帧率转换算法首先分析数据，识别出高运动强度和动作变化频繁的时段，然后根据时段的特点动态调整视频帧率，以确保高质量的动作捕捉，算法细化包括计算运动强度和动作频率的平均值和波动范围，基于此数据设定帧率调整的阈值，当实际数据超过阈值时，算法增加帧率以捕捉更多细节；反之，则降低帧率以减少资源消耗，通过该过程，生成的帧率调整策略详细指明了不同场景和时段下的最优帧率设置，有效提高了视频质量和动作捕捉的精准度，同时优化了存储和传输效率。[0092] 在S202子步骤中，使用自适应流控制技术根据帧率调整策略和实时场景需求调整视频捕获的帧率，自适应流控制技术依据实时分析的数据，包括场景变化速度、动作复杂度和网络条件，动态调整视频流的帧率，操作过程涉及实时监测视频捕获环境，分析当前场景与帧率调整策略匹配度，自动调整编码器设置以适应场景需求，该技术通过反馈循环确认捕捉的关键动作与场景变化的匹配性，确保视频流平滑且无明显延迟或质量下降，生成的场景视频数据集包含了经过帧率优化处理的视频文件，展示了比赛中的关键动作和场景变化，为后续分析和回放提供了高质量的视觉资料。[0093] 在S203子步骤中，采用H.265视频编码技术对场景视频数据集进行压缩处理，H.265技术以其高效的压缩能力和对动作细节的保留而著称，通过减少冗余信息和优化编码结构，显著降低文件大小，包括采用高级预测、转换和量化技术，以及更为精细的运动估计和补偿策略，优化视频数据的编码过程，此外，H.265支持更宽的色彩动态范围和更高的分辨率，使视频文件在压缩后仍保持出色的图像质量和动作流畅性，生成的调整后视频数据优化了存储空间。[0094] 请参阅图4，基于调整后的视频数据，采用图像拼接算法和三维重建模型，对多个摄像头的视频帧进行时间同步和空间校正，建立无缝视图并提供动作场景，生成全景动作视图的步骤具体为：[0095] S301：基于调整后的视频数据，采用尺度不变特征转换算法，对每帧图像进行特征点的检测和表示，应用随机抽样一致性算法，对特征点进行匹配和优化，去除非匹配点，生成优化后的视频帧集；[0096] S302：基于优化后的视频帧集，利用视觉SLAM技术，对匹配的特征点重建场景的三维模型，通过序列化图像的关键帧提取和运动估计，构建三维点云表示，生成三维重建场景模型；[0097] S303：基于三维重建场景模型，采用泊松图像编辑，对多角度重建的三维模型进行整合，进行场景无缝衔接和视角统一，生成全景动作视图。[0098] 在S301子步骤中，通过尺度不变特征转换（SIFT）算法对调整后的视频数据中每帧图像进行特征点的检测和表示，SIFT算法首先在多尺度空间中检测极值点，识别出图像中的关键特征点，然后通过梯度方向直方图为每个特征点建立一个独特的指纹，这确保了特征的不变性对于旋转、尺度缩放乃至亮度变化，接下来，应用随机抽样一致性（RANSAC）算法对特征点进行匹配和优化，通过迭代过程从一组初步匹配的特征点对中识别出一致性的点对，剔除那些非匹配点，从而获得更为精确和鲁棒的特征点匹配，该过程生成了优化后的视频帧集，其中每帧图像的特征点匹配经过优化，确保了后续处理步骤中数据的准确性和可靠性。[0099] 在S302子步骤中，利用视觉SLAM技术对优化后的视频帧集中匹配的特征点进行三维场景重建，视觉SLAM技术通过分析序列化图像中的关键帧和运动估计来构建场景的三维点云表示，关键帧提取依据图像之间的视觉差异和特征点的空间分布，选择那些能够提供最丰富场景信息的帧，运动估计则通过连续帧之间特征点的变化计算相机的移动路径和方向，结合数据，SLAM算法能够重建出与实际环境对应的三维模型，生成三维重建场景模型，模型展示了场景的空间布局和细节特征。[0100] 在S303子步骤中，通过泊松图像编辑技术对多角度重建的三维模型进行整合，实现场景的无缝衔接和视角统一，泊松图像编辑通过求解泊松方程，优化重建模型之间的边界匹配，使得不同视角下的三维模型能够在颜色、纹理和光照等方面实现平滑过渡和无缝整合，该过程中，算法细致调整各个模型间的相对位置和姿态，确保了从任何角度观察都能获得连贯一致的视觉效果，生成的全景动作视图提供了360度的场景覆盖。[0101] 请参阅图5，基于全景动作视图，利用时空图卷积网络模型，将运动序列转换为图结构，分析节点间的空间关系和边的时间连续性，对动作序列进行深度学习，并提取关键动作特征，生成时空特征分析结果的步骤具体为：[0102] S401：基于全景动作视图，运用图像分割技术确定动作关键区域，利用关键点检测算法，标定动作关键位置，并根据关键位置构建图结构，生成图结构化动作序列；[0103] S402：基于图结构化动作序列，采用图注意力网络模型，分析每个节点的空间关系和边的时间连续性，通过注意力权重优化关键节点的特征表示，提取表征动作序列的深层特征，生成动作序列特征集；[0104] S403：基于动作序列特征集，应用长短期记忆网络，对提取的特征进行时序分析，评估动作的持续性和变化，优化特征集并反映动作的核心属性和变化规律，生成时空特征分析结果。[0105] 在S401子步骤中，通过图像分割技术和关键点检测算法，从全景动作视图中确定动作关键区域并标定动作的关键位置，图像分割技术首先将全景图像中的每个帧分割成多个区域，识别出包含运动员和重要动作的区域，该过程利用深度学习模型，如卷积神经网络（CNN），自动识别图像中的不同对象和背景，确保动作关键区域的精确划分，随后，关键点检测算法在关键区域内识别出动作的具体关键位置，如运动员的关节位置，通过训练有素的网络模型，识别人体姿态的关键点，并标定在图像上，基于关键位置，构建图结构，其中节点代表关键位置，边代表位置间的相互关系，生成的图结构化动作序列详细反映了动作的结构和关系，为深入分析动作提供了丰富的信息。[0106] 在S402子步骤中，采用图注意力网络（GAT）模型分析图结构化动作序列中每个节点的空间关系和边的时间连续性，GAT模型通过引入注意力机制，能够自适应地分配不同的权重给每个节点的邻居节点，从而优化关键节点的特征表示，在处理过程中，模型计算节点间的注意力系数，这反映了节点之间相互作用的重要性，进而根据系数更新节点的特征表示，这样的机制使得模型能够聚焦于更有信息价值的连接，提取表征动作序列的深层特征，生成的动作序列特征集汇集了动作的核心空间和时间属性，为识别和分析复杂动作提供了关键的数据支持。[0107] 在S403子步骤中，应用长短期记忆网络（LSTM）对动作序列特征集进行时序分析，LSTM网络特别适用于处理时间序列数据，能够评估动作的持续性和变化，在此过程中，LSTM网络通过门控制机制处理输入的特征序列，长期记忆单元存储了动作序列的历史信息，而短期记忆关注于最近的事件，从而优化特征集，并精确反映动作的核心属性和变化规律，生成的时空特征分析结果详细描述了动作随时间的发展和转变，揭示了动作的内在模式和规律。[0108] 请参阅图6，基于时空特征分析结果，采用动态时间弯曲算法，对比差异化时间序列中的动作模式，通过时间轴的非线性调整匹配关联动作，识别标准动作与异常动作的差异，生成相似度分析结果的步骤具体为：[0109] S501：基于时空特征分析结果，采用动态时间弯曲算法，分析每个动作序列，通过调整时间序列优化序列间的关联度匹配，辨识动作模式间的差异和一致性，生成序列相似度评分；[0110] S502：基于序列相似度评分，应用K均值聚类算法，对动作序列进行分类，根据时间特性将动作模式分为多个群组，并确定每个群组的共性和特性，生成群组聚类标签；[0111] S503：基于群组聚类标签，采用余弦相似度计算，对每一类动作模式与预定义的标准动作模式进行相似度比较，识别与标准模式有差异的异常动作模式，生成相似度分析结果。[0112] 在S501子步骤中，通过动态时间弯曲（DTW）算法，对基于时空特征分析的结果进行深入处理，动态时间弯曲算法专为分析和比较时间序列数据而设计，其核心在于通过非线性地拉伸或压缩时间序列来找到两个序列之间的最佳对齐方式，具体执行过程中，算法首先计算每一对时间序列点之间的距离，构建一个成本矩阵，然后，通过该成本矩阵搜索最小成本的路径，这条路径代表了两个序列之间的最佳对齐，在此过程中，DTW算法能够自适应地调整序列之间的时间轴差异，优化序列间的关联度匹配，对于处理时间伸缩变化的动作序列特别有效，通过DTW算法处理后，每个动作序列被赋予一个序列相似度评分，该评分反映了动作模式间的差异和一致性，该结果不仅为动作序列提供了一个量化的相似度衡量，而且为后续的动作模式识别和分类提供了依据。[0113] 在S502子步骤中，应用K均值聚类算法对动作序列进行分类，K均值聚类是一种广泛使用的无监督学习方法，旨在将数据点分组成若干个簇，以使得同一簇内的点尽可能相似，而不同簇内的点尽可能不同，在执行过程中，算法首先随机选择K个数据点作为初始的簇中心，然后迭代地执行两个步骤：1）将每个数据点分配给最近的簇中心，从而形成K个簇；2）更新每个簇的中心为簇内所有点的均值，该过程一直重复，直到簇中心的变化小于某个预设阈值，或达到预定的迭代次数，通过K均值聚类，动作序列根据时间特性被有效地分类到多个群组中，每个群组代表了一类具有共性特征的动作模式，该过程生成的群组聚类标签不仅明确了每个群组的特性，而且为进一步的动作模式分析奠定了基础。[0114] 在S503子步骤中，采用余弦相似度计算方法，对每一类动作模式与预定义的标准动作模式进行相似度比较，余弦相似度是衡量两个向量方向相似度的一种度量，其值范围从‑1（完全相反）到1（完全相同），0表示两者独立，在此子步骤中，每个动作模式被表示为一个向量，包含了动作的时空特征，通过计算每个动作模式向量与标准动作模式向量之间的余弦相似度，能够量化动作模式之间的相似度，该计算过程详细识别了与标准模式有显著差异的异常动作模式，生成的相似度分析结果不仅为识别非标准或犯规动作提供了一种有效的方法，而且为理解动作模式之间的细微差异提供了关键的量化工具。[0115] 请参阅图7，基于相似度分析结果，结合环境与上下文分析记录，使用贝叶斯网络模型，根据已有动作特征和环境因素，计算目标动作构成犯规的概率值，生成犯规概率评估记录的步骤具体为：[0116] S601：基于相似度分析结果，采用主成分分析，对相似度数据进行分析，提取表征动作模式差异的关键特征向量，突出动作特性，生成特征向量数据集；[0117] S602：基于特征向量数据集，结合环境与上下文分析记录，应用贝叶斯网络模型，评估动作特征和环境因素，对每个动作的犯规概率进行计算，生成犯规概率预估值；[0118] S603：基于犯规概率预估值，采用逻辑回归校准，细化概率模型的输出，通过调整预测概率，优化概率评估的准确性和可靠性，生成犯规概率评估记录。[0119] 在S601子步骤中，通过主成分分析（PCA）对相似度分析结果中的数据进行处理，旨在提取表征动作模式差异的关键特征向量，相似度数据采用结构化格式，包含了多个动作实例之间的相似度评分，评分基于动作的关键特征如位置、速度和执行方式等计算得出，PCA处理数据时，首先计算数据的协方差矩阵，以识别数据变量间的相关性，然后通过求解协方差矩阵的特征值和特征向量，确定数据集的主成分，主成分代表了数据中最大方差的方向，即动作模式差异的关键特征向量，通过选择贡献最大的几个主成分，PCA减少了数据的维度同时保留了最重要的变异信息，生成的特征向量数据集突出了动作特性的核心差异，为后续的分析和决策提供了数据支持。[0120] 在S602子步骤中，结合环境与上下文分析记录，应用贝叶斯网络模型对特征向量数据集进行分析，评估动作特征和环境因素对每个动作犯规概率的影响，贝叶斯网络是一种图形模型，通过节点表示变量，通过边表示变量间的概率依赖关系，在此过程中，模型根据先验知识和特征向量数据集中的动作特征以及环境与上下文分析记录中的环境因素，计算条件概率分布，进而推断出每个动作发生犯规的后验概率，贝叶斯网络模型的应用能够合理融合来自不同来源的数据，提供一个全面考虑动作特征和环境影响的犯规概率预估值，为裁判决策和比赛分析提供了依据。[0121] 在S603子步骤中，采用逻辑回归校准对犯规概率预估值进行细化，优化概率模型的输出，逻辑回归是一种广泛应用于概率预测的统计方法，通过对数几率函数将特征空间映射到概率空间，实现了概率的预测，在此过程中，逻辑回归模型利用犯规概率预估值作为输入，通过调整模型参数，优化预测概率的准确性和可靠性，该校准过程考虑了数据的实际分布和预测值的偏差，确保了最终生成的犯规概率评估记录在反映动作的核心属性和变化规律方面的高度精确性，为比赛监管和规则制定提供了更为科学和合理的数据支持。[0122] 请参阅图8，基于犯规概率评估记录，采用在线学习算法，分析模型在应用中的表现，并根据反馈数据调整算法参数，优化模型结构，并匹配至新的数据模式，生成优化后的判定模型的步骤具体为：[0123] S701：基于犯规概率评估记录，采用在线梯度下降法，对模型进行实时更新，分析模型预测与结果之间的差异，调整模型权重并优化差异，生成性能调整反馈；[0124] S702：基于性能调整反馈，应用贝叶斯优化方法，对模型关键参数进行调优，评估差异参数配置下的模型性能，捕捉最优参数设置，生成参数优化结果；[0125] S703：基于参数优化结果，执行模型剪枝操作，通过移除模型中的冗余和不关键连接或神经元，对模型结构进行优化，并减少计算资源消耗，生成优化后的判定模型。[0126] 在S701子步骤中，通过在线梯度下降法实时更新模型，该过程深入利用了犯规概率评估记录中的数据，在线梯度下降法作为一种优化算法，专门用于在数据流到达时连续调整和优化模型的参数，以减少模型预测与实际结果之间的差异，具体执行过程涉及计算预测误差的梯度，然后根据该梯度调整模型的权重，目的是逐步减少误差，该方法的关键在于每接收到一个新的数据点，就立即进行一次权重更新，这使得模型能够快速适应新的数据变化，通过该方式，模型的权重被持续优化，以降低预测误差，最终生成的性能调整反馈详细记录了权重调整过程和优化后的误差，为进一步提高模型性能提供了实时反馈和依据。[0127] 在S702子步骤中，应用贝叶斯优化方法对模型的关键参数进行调优，贝叶斯优化是一种基于概率模型的优化技术，利用贝叶斯定理来预测参数配置下模型性能的不确定性，从而指导参数的选择过程，在执行该过程时，首先定义一个代理概率模型来模拟目标函数（即模型性能），然后基于当前观测到的数据更新概率模型，进一步利用该模型来预测哪些参数配置导致更好的性能，通过该预测，选择改善性能的参数配置进行测试，然后根据测试结果更新概率模型，该循环过程不断重复，直到找到最优的参数配置，贝叶斯优化通过该策略有效地减少了参数搜索空间，捕捉到了最优参数设置，生成的参数优化结果为模型提供了最佳的参数配置，从而提高了模型的预测精度和效率。[0128] 在S703子步骤中，执行模型剪枝操作，该过程旨在通过移除模型中的冗余和不关键的连接或神经元来优化模型结构，模型剪枝是一种模型压缩技术，通过识别并移除模型中对最终预测影响较小的部分，来减少模型的复杂度和计算资源消耗，具体来说，该过程分析模型中每个连接或神经元的重要性，然后根据预定的标准移除那些被认为是冗余或不重要的部分，剪枝不仅减少了模型的大小，提高了运行效率，还有助于防止过拟合，提高模型的泛化能力，通过模型剪枝，生成了一个更为精简高效的判定模型，该优化后的模型在保持预测性能的同时，减少了计算资源的需求，使模型更加适用于实时或资源受限的应用场景。[0129] 请参阅图9，基于AI的运球犯规动作判定系统，基于AI的运球犯规动作判定系统用于执行上述基于AI的运球犯规动作判定方法，系统包括场景环境分析模块、视频帧率调整模块、全景视图构建模块、时空特征分析模块、相似度分析模块、犯规概率与模型优化模块；[0130] 场景环境分析模块基于比赛场景数据，采用随机森林算法，对球员位置、运动速度和比赛阶段数据进行分析，利用K均值聚类对数据进行分组，运用主成分分析，对数据集进行维度优化，生成环境与上下文分析记录；[0131] 视频帧率调整模块基于环境与上下文分析记录，采用帧率转换算法，调整视频帧率匹配至动作速度，利用自适应流控制技术调整视频流质量，通过H.265视频编码技术对视频数据进行压缩处理，生成调整后的视频数据；[0132] 全景视图构建模块基于调整后的视频数据，运用尺度不变特征转换算法，提取视频帧的特征点，利用随机抽样一致性算法，进行特征点匹配优化，并使用视觉SLAM技术从匹配的特征点构建场景的三维模型，生成全景动作视图；[0133] 时空特征分析模块基于全景动作视图，使用图像分割技术，识别动作关键区域，利用关键点检测算法，标定动作关键位置，采用图注意力网络模型分析节点间的空间关系，并通过长短期记忆网络，进行动作序列的时间属性分析，生成时空特征分析结果；[0134] 相似度分析模块基于时空特征分析结果，采用动态时间弯曲算法，分析动作序列的时间相似度，通过K均值聚类对动作模式进行分组处理，再利用余弦相似度计算，比较动作模式的相似度，生成相似度分析结果；[0135] 犯规概率与模型优化模块基于相似度分析结果，利用主成分分析，从相似度数据中提取关键特征向量，结合环境与上下文分析记录，使用贝叶斯网络进行犯规概率计算，通过逻辑回归对犯规概率进行调整，并运用在线梯度下降和贝叶斯优化方法，对模型进行参数优化，生成优化后的判定模型。[0136] 场景环境分析模块通过随机森林算法和K均值聚类的结合，能够准确分析和分组比赛场景中的数据，同时通过主成分分析优化数据维度，极大提高了数据处理的效率和准确性，该模块为整个系统提供了精确的环境与上下文信息，确保了后续分析的准确性和相关性，从而提升了整体系统的判定性能。[0137] 视频帧率调整模块通过帧率转换算法和自适应流控制技术，有效地调整视频帧率以匹配动作速度，并利用H.265编码技术进行视频压缩，不仅保证了视频质量，同时减少了数据传输和存储的需求，提高了系统的运行效率和实用性。[0138] 全景视图构建模块利用尺度不变特征转换和视觉SLAM技术，从视频数据中构建出高质量的三维全景动作视图，不仅增强了系统对动作细节的捕捉能力，也为更深入的动作分析提供了丰富的视觉信息，增强了系统的分析深度和广度。[0139] 时空特征分析模块结合图像分割、关键点检测以及图注意力网络模型和长短期记忆网络，能够精确识别和分析动作的时空特征，对于理解复杂的动作模式尤为关键，大大提高了动作判定的准确性和细致性。[0140] 相似度分析模块通过动态时间弯曲算法和余弦相似度计算，有效地对动作模式进行了细致的相似度分析和分组，使得系统能够准确区分正常动作和犯规动作，提高了判定的准确率和效率，犯规概率与模型优化模块集成了贝叶斯网络、逻辑回归、在线梯度下降和贝叶斯优化等多种算法，不仅使犯规概率计算更加准确，还能够根据实际情况不断优化模型参数，确保系统随着时间推移而持续提高性能。[0141] 以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：广东

专利申请日期：2024-05-09

专利公开日期：2024-07-16

专利公告号：CN118155292B