基于单目视频的跳台滑雪飞行阶段数据提取方法.pdf

系统仿真学报系统仿真学报Journal of System Simulation第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023基于单目视频的跳台滑雪飞行阶段数据提取方法基于单目视频的跳台滑雪飞行阶段数据提取方法沈梓祎1，杨猛1,2*，杨超1，唐伟棣3，伍勰3，刘宇3，盛斌4(1.北京林业大学 信息学院，北京 100083；2.国家林业草原林业智能信息处理工程技术研究中心，北京 100083；3.上海体育学院，上海 200438；4.上海交通大学 计算机科学与工程系，上海 200240)摘要摘要：针对跳台滑雪运动难度系数高，穿戴式传感器等入侵式设备易发生危险且价格昂贵而导致该运动数据提取困难的问题，提出了一种基于单目视频的跳台滑雪飞行阶段的数据提取方法。针对单目视频存在畸变和画面背景杂乱的问题进行预处理，通过标定相机参数对拍摄画面进行畸变矫正，并使用帧间差分法去除背景；利用OpenPose人体姿态识别库对运动员的关节位置进行初步识别，得到每一帧各个关节点的二维像素坐标；结合跳台滑雪运动员的姿态特性，针对识别出现误差的关节点，提出一种迭代拟合算法对其进行修正；根据修正后的关节点对运动员的运动特征进行提取与计算，并应用生成的人体模型与视频中运动员姿态进行动作比对。实验结果表明，迭代拟合算法提高了关节点识别准确率和识别精度，且修正关节点后生成的SMPL(skinned multi-person linear)三维人体模型更加贴合实际，证明了该算法对关节点修正的有效性。关键词关键词：跳台滑雪飞行阶段；人体关节点检测；坐标修正；二维轨迹提取；三维人体模型对比中图分类号：TP391.9 文献标志码：A 文章编号：1004-731X(2023)09-2035-10DOI:10.16182/j.issn1004731x.joss.22-1408引用格式引用格式:沈梓祎,杨猛,杨超,等.基于单目视频的跳台滑雪飞行阶段数据提取方法J.系统仿真学报,2023,35(9):2035-2044.Reference format:Shen Ziyi,Yang Meng,Yang Chao,et al.Method for Extracting Data During Flight Phase of Ski Jumping Based on Monocular VideoJ.Journal of System Simulation,2023,35(9):2035-2044.Method for Extracting Data During Flight Phase of Ski Jumping Based on Monocular VideoShen Ziyi1,Yang Meng1,2*,Yang Chao1,Tang Weidi3,Wu Xie3,Liu Yu3,Sheng Bin4(1.School of Information Science and Technology,Beijing Forestry University,Beijing 100083,China;2.Engineering Research Center for Forestry-Oriented Intelligent Information Processing of National Forestry and Grassland Administration,Beijing 100083,China;3.Shanghai Institute of Physical Education,Shanghai 200438,China;4.Department of Computer Science and Engineering,Shanghai Jiao Tong University,Shanghai 200240,China)Abstract:To solve the problem of the high difficulty factor of ski jumping and the difficulty of extracting data of this sport due to the danger of invasive devices such as wearable sensors and high price,a method for extracting data during the flight phase of ski jumping based on monocular video is proposed.The distortion and background clutter of the monocular video are preprocessed.The distortion of the captured images is corrected by calibrating camera parameters,and the background is removed by the inter-frame difference method.The human pose recognition library,namely OpenPose is used to initially identify the joint position of the athlete and obtain the 2D pixel coordinates of each joint point in each frame.An iterative fitting algorithm is proposed to correct the joint points with errors in recognition by combining the pose characteristics of the athlete.The athletes motion features are extracted and calculated according to the modified joint points,and the generated human models are applied to compare with the 收稿日期：2022-11-23 修回日期：2023-01-30基金项目：国家重点研发计划（2019YFC1521104）第一作者：沈梓祎（1998-），女，硕士生，研究方向为图像与视频处理、虚拟现实。E-mail：通讯作者：杨猛（1982-），男，副教授，硕导，博士，研究方向为计算机图形学、虚拟现实。E-mail：第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023系统仿真学报Journal of System Simulationhttp:/www.china-athletes poses in the video.The experimental results show that the iterative fitting algorithm improves the accuracy and precision of joint point recognition,and the SMPL(skinned multi-person linear)3D human body model generated after joint point correction is more suitable for reality,which proves the effectiveness of the algorithm for joint point correction.Keywords:flight phase of ski jumping;human joint point detection;coordinate correction;2D track extraction;comparison of 3D human body model0引言引言跳台滑雪运动在第一届冬奥会就被列为比赛项目，但在中国起步较晚，2017年才正式组建国家队。在该运动中，运动员从极高的跳台上滑下，以高速冲入空中飞行，最后降落着陆，成绩以跳台和落点间的距离计算。在早期跳台滑雪训练中，由于该运动的危险性，主要依靠教练的经验来指导，缺少量化数据标准。近年来，随着科技的发展，开始利用穿戴设备进行数据的采集与分析，但大多在模拟实验室内进行。在场地上，这种入侵式设备不仅会对运动员造成危险，而且对设备要求也较高。因此，本文利用图像与视频处理技术对较为容易获取的跳台滑雪运动单目视频进行分析，对运动员的运动特征进行提取与计算，并形成三维人体模型与运动员进行动作比对。在降低成本、保障运动员安全的同时为教练指导运动员提供可靠的数据参考；生成的跳台滑雪运动人体三维模型还可应用于VR、三维动画等领域。1相关工作相关工作1.1 人体姿态识别方法人体姿态识别方法人体姿态识别是计算机视觉领域的一个重要研究方向。早期的人体姿态识别主要采用基于图结构模型的方法，文献1提出通过图形结构框架对人体部位的外观进行建模。随着深度学习的快速发展，越来越多的工作通过神经网络2来预测人体关节点。在多人姿态识别任务中，主要分为自上而下和自下而上两种方法。自上而下的方法先检测出有哪些人体，然后再利用单人姿态识别方法进行姿态预测，文献3提供了人体跟踪和姿态估计的基线方法，但随着人数增加，效率会大幅降低。而自下而上的方法4则通过预测所有人的关节位置，再将他们分别组装，极大地提升了多人姿态检测效率。文献5提出的一种轻量级网络进一步改善了姿态识别的检测效率。尽管姿态识别算法已经有了较大的进步与发展，但跳台滑雪飞行阶段的数据集较为稀有，因此已有的算法在这种特定场景下的识别仍有所欠缺。1.2 人体参数化三维模型人体参数化三维模型先前的人体三维模型重建主要通过借助设备来获得深度信息6，后来出现结合深度学习7的方法来进行人体三维重建，文献8从视频中估计人体形状。文献9提出一种与姿势相关的人体形状模型SMPL，文献10提出的SMPLify方法支持从一张图像中生成SMPL人体模型，文献11在此基础上添加手部和面部信息，提出SMPL-X模型和SMPLify-X方法。文献12扩充了SMPL的表达能力，有效模拟了软组织的运动。1.3 跳台滑雪运动数据提取与分析跳台滑雪运动数据提取与分析为了进一步获取和研究运动员各项数据，与计算机结合的方法已广泛应用于体育运动研究13。在跳台滑雪方面，文献14利用导航卫星系统和姿态估计系统来测量运动员从出发到着陆的运动学参数。文献15基于人工智能、超宽带的精准定位技术和加速度传感技术开发了跳台滑雪动作技术分析和生物力学反馈系统。文献16通过可穿戴设备测量运动员着陆时的运动学参数并进行分析。2036第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023沈梓祎,等:基于单目视频的跳台滑雪飞行阶段数据提取方法http:/www.china-文献17对跳台滑雪起跳阶段和早期飞行阶段运动学参数进行详细总结，为跳台滑雪运动分析工作提供参考。虽然跳台滑雪分析方法已经有了一定的发展，但大多借助了传感器技术以及其他设备，只利用单目视频进行研究的工作相对较少。且鲜有将跳台滑雪运动员飞行姿态重建出三维人体模型的工作。1.4 本文流程本文流程本文的主要流程如下：对跳台滑雪运动单目视频存在的畸变问题进行矫正，针对背景杂乱问题进行背景去除的预处理，然后利用OpenPose人体姿态识别库对运动员飞行姿态进行识别，得到关节点坐标；利用迭代拟合算法对关节点识别出现偏差的数据进行修正并对识别丢失的关节点进行补全；根据修正后的关节点坐标对特征进行提取与计算，主要有：运动员二维飞行轨迹、关节角角度、重心瞬时速度以及三维人体模型等，流程图如图1所示。本文的主要贡献有 3 点：迭代拟合算法。针对跳台滑雪飞行阶段的单目视频进行处理，提取运动员二维关节点坐标，结合运动员飞行过程中的姿态特性，对识别有误的点通过迭代拟合算法进行修正。跳台滑雪运动数据提取。针对跳台滑雪运动的特性以及摄像机拍摄为固定角度的特点提出一种专门针对单目跳台滑雪运动视频的数据提取方法，来提取运动员飞行轨迹、瞬时速度、角度等信息。关节点修正效果验证。根据未修正的关节点和修正后的关节点分别生成三维人体模型，反向验证二维关节点的修正效果。同时，最终生成的三维人体模型也可以反映运动员的飞行姿态。图1 本文算法流程图Fig.1 Flow chart of proposed algorithm 2037第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023系统仿真学报Journal of System Simulationhttp:/www.china-2基于基于OpenPose的姿态提取的姿态提取为了提高跳台滑雪运动姿态识别的准确率，首先对单目视频进行预处理，主要包括相机畸变矫正以及背景去除。之后利用现有的人体姿态识别库对运动员进行关节点识别。2.1 视频预处理视频预处理摄像机镜头是凸透镜，在拍摄时会使画面产生畸变，导致图像与真实世界的物体产生一定偏差且离凸透镜主轴越远偏差越大，进而会影响后续关节点识别与三维重建，因此需要对图像进行畸变矫正。准备一张长宽均为1.5 m的棋盘格并从多个角度进行拍摄来计算相机参数，并利用Matlab软件中的相机矫正功能进行畸变矫正，如图2所示。杂乱的背景会对关节点识别准确度产生一定影响，结合相机拍摄画面固定不变的特点，利用帧间差分法去除背景来获得运动目标，对视频中图像序列的相邻两帧之间做差法，得到运动的物体，使整个画面只关注运动员本身，如图 3所示。2.2 OpenPose姿态提取姿态提取本文使用 OpenPose 在 Body25 数据集上的模型进行人体姿态检测，关节点坐标以像素坐标(xy)来显示，如图4所示，分别为对应的25个人体关节点。为方便展示，后续将识别结果绘制在未去除背景的画面上。图5(a)为识别效果较好的帧，图5(b)则在左腕处和右膝处存在识别错误。图2 相机畸变矫正Fig.2 Camera distortion correction图3 视频背景处理效果Fig.3 Effect after video background processing图4 关节点顺序Fig.4 Order of joint points图5 OpenPose姿态识别效果Fig.5 OpenPose pose recognition effect 2038第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023沈梓祎,等:基于单目视频的跳台滑雪飞行阶段数据提取方法http:/www.china-3关节点修正关节点修正3.1 异常值判断异常值判断虽然OpenPose算法在现有数据集上已有较高的准确度，但在特定的跳台滑雪运动识别上仍有一些问题，因此对识别错误的帧或关节点进行修正。同时，在后续图中不再显示关注度较低的双眼和双耳坐标，保留鼻子坐标确定头部位置。将一个帧数为 Nprm的视频作为输入，通过OpenPose识别后得到所有帧中25个关节点的坐标Posrk(0k250rNfrm)，并将三类关节点数据判断为异常值。(1)空值：该帧画面中没有人体出现或人体姿态识别遗漏，如图6所示。(2)识别的部分关节点坐标为(00)：该人体关节点不在画面内，即运动员未完全进入或离开画面范围，如图7(a)所示；或是人体关节点识别遗漏，如图7(b)所示右手腕识别遗漏。(3)偏差值：识别关节点误差值大于预先设定的误差阈值。图 5(b)中左腕和右膝处即为识别偏差。3.2 异常值处理异常值处理针对3.1节三类识别错误的情况提出一种迭代拟合算法对关节点进行修正。设关节k的有效关节点数量为Nnode，为关节坐标识别误差阈值，该值选取于标注数据中点到拟合曲线的最大距离。使关节k的有效关节点Posrk(0kNnode0r，则用拟合曲线上的点取代原关节点，否则保留原关节点，然后重新拟合当前的关节点集合，循环执行上述步骤，直至所有点误差都在曲线Sk的范围内。Sk需满足2个条件：能够贴合准确数据点；受偏差值的影响较小。如图8所示，4种曲线对准确的关节点都有较好的拟合效果，但后三者对偏差值较为敏感。故采用多项式Sk=Ax2+Bx+C作为拟合函数。迭代拟合算法伪代码如下。算法：迭代拟合算法输入：Posrk(0kNnode0r then Posji=Sk(j)Sk=CurveFitting(Posk)j=0 redo loop输出：修正后的关节点坐标集合通过判断前后几帧范围内是否有人体被识别来区别空值是否属于姿态识别遗漏，同时，将识别关节点较少的帧设置为空值并处理；对于关节点坐标存在(00)的情况，经过上述算法处理后判断该点坐标是否在画面像素值范围内，若在则保图6 未识别到人体Fig.6 No human body identified图7 关节点识别遗漏Fig.7 Missing joint point recognition 2039第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023系统仿真学报Journal of System Simulationhttp:/www.china-留，否则删除。4特征提取与计算特征提取与计算本节将提取与计算以下4个特征，首先是飞行阶段的二维运动轨迹，其次是运动员的空间特征，然后是飞行过程中的时间特征，最后生成运动员三维人体模型。4.1 二维轨迹提取与拼接二维轨迹提取与拼接为拍摄运动员的飞行阶段，共架设4台摄像机以记录飞行过程，其中摄像机分别布置在20、40、60和80 m处，同时，相机摆设尽可能保持镜头面平行以降低拍摄位置问题对轨迹提取的影响。选取位置相对稳定的鼻子关节点运动轨迹作为运动员的轨迹，并通过拼接来获取运动员飞行阶段轨迹点。连接相邻视频所识别的鼻子关节点实现二维轨迹的连续，使用3.2中对准确点拟合效果最好的B样条曲线对轨迹点进行拟合。图9展示了4处摄像机位置关系、运动员运动轨迹以及拟合后的效果，运动员在早期飞行阶段轨迹斜率较小，此时运动员的水平速度较高，垂直速度较低，后因重力作用，垂直速度逐渐加大，轨迹斜率变大。4.2 空间特征的计算空间特征的计算空间特征主要包括人体重心位置的估计以及跳台滑雪运动飞行过程中夹角度数的计算。首先是人体重心坐标的估计，根据力矩合成法，人体各部位重心坐标值与其相应系数的乘积加和即为人体的重心坐标值。在二维空间下，人体重心坐标为(XY)=(xiWiWyiWiW)(1)式中：(xiyi)为各部位重心位置坐标；Wi为对应关节重量；W为人体质量。采用文献18中的关节系数作为本文人体各部位的系数，利用文献19的方法处理人体部位与前文所得关节点无法对应的部分，则人体重心坐标为(XY)=ki(xiyi)(2)式中：ki为对应关节的系数。根据文献17归纳文献20的工作，得出与运动员最终成绩相关系数较高的早期飞行阶段运动学参数有：肩踝关节连线与水平面夹角0；左腿与水平面夹角1；躯干与水平面夹角2；左滑图8 不同拟合曲线的对比Fig.8 Comparison of different fitting curves图9 运动员运动轨迹Fig.9 An athletes motion track 2040第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023沈梓祎,等:基于单目视频的跳台滑雪飞行阶段数据提取方法http:/www.china-板与左腿夹角3；左/右滑板与水平面夹角4。图10为各关节角度示意图，黑色点线表示人体，数字表示关节点序号，蓝色代表雪板，绿色虚线为关节连线，橙色虚线为水平线。利用脚踝与脚趾关节的连线作为雪板方向。同时，运动员在空中基本保持左右平衡的状态，因此假设左右两侧滑板方向一致。角度计算通用公式为i=arctan|ki-kikiki+1|(3)式中：i为关节角，且0i5；k为组成对应角度的关节点连线或水平面所在直线的斜率。表1为拍摄的某位运动员飞行到20 m处位于摄影机正前方时各关节角的角度值。4.3 时间特征的计算时间特征的计算时间特征主要包括运动员的重心瞬时速度、重心水平和垂直方向的瞬时速度。本文采用相机的拍摄帧率为60帧/s，根据瞬时速度公式：v=Dx/Dt(4)将每帧变换的时间看作瞬时时间Dt，将运动员每帧重心坐标的位移作为瞬时位移Dx，并利用2.1节所述的棋盘格将像素单位的位移转换为真实位移，最终得到瞬时速度：v=3(Xi+1-Xi)2+(Yi+1-Yi)22nDt(5)式中：Dt=0.016 7 s；(XiYi)为第i帧运动员的重心坐标；n为棋盘格单位长度所占像素点数量。由此，得到重心水平方向瞬时速度vL、重心垂直方向瞬时速度vV分别为vL=3(Xi+1-Xi)2nDt(6)vV=3(Yi+1-Yi)2nDt(7)利用此公式，计算了部分运动员重心瞬时速度后得出出台时最高时速达到90 km/h左右，与实际情况15相符。4.4 SMPL人体三维模型生成与姿态比对人体三维模型生成与姿态比对跳台滑雪运动关注运动员整体形态信息，无需考虑运动员的面部表情、手部姿势等信息，因此采用SMPL模型生成运动员三维人体模型。本文采用文献11中提出的SMPLify-X方法生成人体模型，将图像和经过迭代拟合算法修正后的二维关节点坐标作为输入并生成符合实际的人体三维模型。如图11(a)为运动员原始画面，图11(b)为根据原始画面和运动员修正后的二维关节坐标生成的SMPL三维人体模型。图10 关节角度Fig.10 Joint angles表1各关节角角度Table 1 Joint angles()关节角01234角度39.7353.6240.5822.7630.86图11 SMPL人体模型的生成Fig.11 Generation of SMPL human body model 2041第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023系统仿真学报Journal of System Simulationhttp:/www.china-为了进行姿态比对，一方面将模型贴合效果作为定性比较。另一方面，将三维模型投影到二维平面后与视频画面中的运动员进行像素重合度的对比并作为定量比较。其中，选取多个与原始图像接近的角度对三维模型进行投影，将像素重合度的最高值作为二者的对比结果，图12(a)为模型贴合对比，图12(b)为像素重合度对比。5实验结果实验结果本文的实验环境配置如下：操作系统为Windows10，CPU 为 Intel Core i7-9700，GPU 为GeForce RTX 2060，内存 16 GB。输入视频帧率60帧/s，画面分辨率480270。在目前公开的人体姿态数据集中少有相机固定的跳台滑雪飞行阶段的视频数据，因此本文在自建数据集上进行实验，其中共有 73 次跳跃的292段飞行阶段视频。首先与OpenPose识别后的关节点坐标和经过迭代拟合算法修正后的关节点坐标进行对比实验，同时，为了验证本文算法对不同方法识别的关节点同样具有较好的修正效果，将Lite-HRNet5识别后的关节点坐标和经过迭代拟合算法修正后的关节点坐标进行对比。如图13所示，选取4帧作为结果展示，第1列为手工标注；第2列为OpenPose识别结果；第3列为OpenPose经过迭代拟合算法修正后的结果；第4列为Lite-HRNet识别结果，此方法共识别17个关节点，相较于OpenPose缺少脖子、臀部、左右大脚趾、左右小脚趾和左右脚后跟的关节点；第5列为Lite-HRNet经过迭代拟合算法修正后的结果。选取人体姿态识别中2个常用指标作为定量对比，分别是以头部长度作为归一化标准的识别正确关节点比例(percentage of correct keypoints normalized by the head size,PCKh)和 平 均 精 度(mean average precision,mAP)，其中，平均精度阈值分别选取0.5、0.75和0.9。表2为不同方法下的指标对比。可以看出，在跳台滑雪运动视频中，本文算法对OpenPose的识别准确率和精度都有较好的提升，该算法也同样适用于Lite-HRNet的识别结果的修正。图12 SMPL人体模型的对比Fig.12 Comparison of SMPL human body model图13 关节点修正对比Fig.13 Comparison of joint point correction 2042第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023沈梓祎,等:基于单目视频的跳台滑雪飞行阶段数据提取方法http:/www.china-三维人体重建的精度很大程度上取决于提供的二维关节点是否准确，给出两种结果作为定性对比，如图14(b)上方是OpenPose识别结果，图14(b)下方是经过本文算法修正后的结果，图14(c)是分别对应生成SMPL模型后的结果，图14(d)是放大后的局部效果。可见，未经修正的关节点生成的模型在左手和右脚处都有一定偏差，而修正关节点后生成的模型则基本吻合原画面中的运动员。同时，利用4.4中的像素重合度方法进行对比，图14(c)上方的重合度为69.13%，下方的重合度为78.34%，修正关节点后生成的三维人体模型像素重合度更优。实验结果表明，本文所提出的迭代拟合算法针对跳台滑雪运动视频，对OpenPose的识别准确率和平均精度都有较好的提升。同时，本文方法利用修正后的关节点可以有效提取运动员运动轨迹、关节角角度、重心瞬时速度等运动数据并生成更加贴合人体姿态的三维人体模型。6结束语结束语本文提出的方法通过对跳台滑雪运动员飞行阶段场边四台不同位置的相机拍摄的单目视频进行分析，提出迭代拟合算法对OpenPose识别的人体关节点进行修正，提取并计算运动员飞行轨迹、瞬时速度、关节角角度等信息，利用生成的人体三维模型反向验证迭代拟合算法的有效性。本文所提方法针对姿态较为单一且拍摄角度固定的跳台滑雪飞行阶段单目视频进行分析，未来将针对自由式滑雪空中技巧等需要在空中做出复杂动作的运动以及镜头摆动的情况进行算法上的改进，以适用更多样的数据。参考文献参考文献：1Andriluka M,Roth S,Schiele B.Pictorial Structures Revisited:People Detection and Articulated Pose EstimationC/2009 IEEE Conference on Computer Vision and Pattern Recognition.Piscataway,NJ,USA:IEEE,2009:1014-1021.2Wang Jingdong,Sun Ke,Cheng Tianheng,et al.Deep High-resolution Representation Learning for Visual RecognitionJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2021,43(10):3349-3364.3Xiao Bin,Wu Haiping,Wei Yichen.Simple Baselines for Human Pose Estimation and TrackingC/Computer Vision-ECCV 2018.Cham:Springer International Publishing,2018:472-487.表2关节点修正对比结果Table 2Comparison results of joint point correction%算法OpenPose本文修正后Lite-HRNet本文修正后PCKh63.2478.5666.1379.52mAP67.9185.0870.2783.26图14 SMPL三维人体模型对比Fig.14 Comparison of SMPL 3D human body model 2043第 35 卷第 9 期2023 年 9 月Vol.35 No.9Sep.2023系统仿真学报Journal of System Simulationhttp:/www.china-4Cao Zhe,Simon T,Wei S E,et al.Realtime Multi-person 2D Pose Estimation Using Part Affinity FieldsC/2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway,NJ,USA:IEEE,2017:1302-1310.5Yu Changqian,Xiao Bin,Gao Changxin,et al.Lite-HRNet:A Lightweight High-resolution NetworkC/2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway,NJ,USA:IEEE,2021:10435-10445.6Zhao Tianhao,Li Songnan,Ngan K N,et al.3-D Reconstruction of Human Body Shape From a Single Commodity Depth CameraJ.IEEE Transactions on Multimedia,2019,21(1):114-123.7Xu Yuanlu,Zhu Songchun,Tung T.DenseRaC:Joint 3D Pose and Shape Estimation by Dense Render-and-compareC/2019 IEEE/CVF International Conference on Computer Vision(ICCV).Piscataway,NJ,USA:IEEE,2019:7759-7769.8Kocabas M,Athanasiou N,Black M J.VIBE:Video Inference for Human Body Pose and Shape EstimationC/2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway,NJ,USA:IEEE,2020:5252-5262.9Loper M,Mahmood N,Romero J,et al.SMPL:A Skinned Multi-person Linear ModelJ.ACM Transactions on Graphics,2015,34(6):248.10 Bogo F,Kanazawa A,Lassner C,et al.Keep It SMPL:Automatic Estimation of 3D Human Pose and Shape From a Single ImageC/Computer Vision-ECCV 2016.Cham:Springer International Publishing,2016:561-578.11 Pavlakos G,Choutas V,Ghorbani N,et al.Expressive Body Capture:3D Hands,Face,and Body From a Single ImageC/2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway,NJ,USA:IEEE,2019:10967-10977.12 Santesteban I,Garces E,Otaduy M A,et al.SoftSMPL:Data-driven Modeling of Nonlinear Soft-tissue Dynamics for Parametric HumansJ.Computer Graphics Forum,2020,39(2):65-75.13 李琪,墨瀚林,王向东,等.短道速滑场景下的多目标跟踪与运动仿真J.系统仿真学报,2021,33(5):1039-1050.Li Qi,Mo Hanlin,Wang Xiangdong,et al.Multiple Object Tracking and Kinematic Simulation for Short Track Speed SkatingJ.Journal of System Simulation,2021,33(5):1039-1050.14 Elfmark O,Ettema G,Groos D,et al.Performance Analysis in Ski Jumping with a Differential Global Navigation Satellite System and Video-based Pose EstimationJ.Sensors,2021,21(16):5318.15 伍勰,曲毅,刘思平,等.跳台滑雪技术生物力学智能分析与反馈系统的研发与应用J.中国体育科技,2021,57(12):3-8.Wu Xie,Qu Yi,Liu Siping,et al.An Intelligent Motion Capture and Feedback System Developed for Ski Jumping Technique AnalysisJ.China Sport Science and Technology,2021,57(12):3-8.16 Bessone V,Petrat J,Schwirtz A.Ground Reaction Forces and Kinematics of Ski Jump Landing Using Wearable SensorsJ.Sensors,2019,19(9):2011.17 曹峰锐,伍勰,唐伟棣,等.跳台滑雪起跳和早期飞行阶段生物力学研究进展J.北京体育大学学报,2022,45(1):35-44.Cao Fengrui,Wu Xie,Tang Weidi,et al.A Systematic Review of Research on the Biomechanics of Take-off and Early Flight of Ski JumpingJ.Journal of Beijing Sport University,2022,45(1):35-44.18 王蔚,冯亚琴,杨再兴,等.基于体感交互设备的人体重心计算方法J.数据采集与处理,2018,33(4):595-602.Wang Wei,Feng Yaqin,Yang Zaixing,et al.Calculation Method for Human Center of Gravity Based on Somatosensory InteractionJ.Journal of Data Acquisition and Processing,2018,33(4):595-602.19 应响.基于Openpose的姿态匹配研究及其在体育教学中的应用D.南京:南京师范大学,2021.20 Janez Vodiar,Milan oh,Bojan Jot.Kinematic Struc