一种双人跳水同步性自动分析方法

1.一种自动评价双人跳水同步性的方法，其特征在于，包括：
步骤1：运动目标提取是：基于动态背景重建，从双人跳水动作视频中提取运动员外轮廓和摄像机全局运动参数；
步骤2：同步性特征提取是：基于跳水规则中同步性评分要素表示运动员同步性特征JFF，通过已提取的运动员外轮廓和摄像机全局运动参数自底向上计算同步性特征JFF值；
步骤3：同步性评价是：同步性特征JFF值置入同步性评价函数，转换为同步性评价函数值，根据得到的数值大小表示同步性的高低即评价结果；
所述同步性特征JFF采用三个JFF特征，分别是起跳高度的一致性特征JFF1、空中动作配合时间的一致性特征JFF2和入水时间的一致性特征JFF3；
所述同步性特征JFF值自底向上计算步骤如下：
步骤21：将底层特征通过特征转换为中层特征作为输出；底层特征是提取的运动员外轮廓和摄像机全局运动参数；中层特征为每帧中运动员外轮廓质心相对第一帧质心的垂直高度、运动员外轮廓变化特征向量和入水时间差；特征转换包括轮廓质心计算、特定区域运动员外轮廓所包围面积比例计算和摄像机全局运动补偿技术；
步骤22：对中层特征通过分数评价函数进行转换，将计算得到的分数评价函数值作为高层特征值即输出同步性特征JFF值；
所述同步性特征JFF的起跳高度的一致性特征JFF1值计算步骤如下：根据运动员外轮廓和摄像机全局运动参数底层特征，首先，对每一帧中运动员外轮廓运用轮廓质心计算得出运动员外轮廓质心，并且通过摄像机全局运动补偿，将运动员外轮廓质心投影到第一帧，将每帧中两个运动员外轮廓质心位置在第一帧上对齐得出每帧中运动员外轮廓质心相对第一帧运动员外轮廓质心的垂直高度作中层特征把垂直高度置入相应的分数评价函数得到高层特征JFF1值；
所述同步性特征JFF的空中动作配合时间的一致性特征JFF2值计算步骤如下：根据运动员外轮廓底层特征计算得出，首先，用特定区域像素统计计算特定区域运动员外轮廓所包围面积比例，在运动员外轮廓质心建立极坐标系，用间隔为90度的极轴将运动员外轮廓分为四个区域，计算运动员外轮廓变化特征向量即中层特征为：
F＝{fi}＝{f1，f2，f3，f4}，
其中fi＝Ni/Nsum，Nsum是运动员外轮廓内部区域所有象素点的个数，Ni是被分割开来的第i区域内部象素点的个数，fi表示的是特定区域运动员外轮廓所包围面积比例作中层特征把运动员外轮廓变化特征向量置入相应的分数评价函数得到高层特征JFF2值；
所述同步性特征JFF的入水时间的一致性JFF3值计算步骤如下：根据运动员外轮廓和摄像机全局运动参数等底层特征计算得出，首先，与求起跳高度的一致性特征JFF1的过程类似，运用轮廓质心计算的方法和全局运动补偿得到每帧中运动员外轮廓质心相对第一帧运动员外轮廓质心的垂直高度；然后，通过求两名运动员入水时候，两者间的相对位置高度来表示入水时间差作中层特征把入水时间差置入相应的分数评价函数得到高层特征JFF3值；
所述同步性评价函数的函数体构造步骤包括：
步骤31：根据多个已知裁判评定的同步分数的双人跳水比赛动作视频，对其属于同一场比赛中的动作视频，两两组合间的裁判评定的同步分数大小进行比较，得到两两组合间的同步分数相对顺序作为输出；
步骤32：对多个已知裁判评定的同步分数的双人跳水比赛动作视频均进行运动目标提取和同步性特征提取，得到每一个动作视频的同步性特征JFF值作为输出；
步骤33：根据多个已知裁判评定的同步分数的双人跳水比赛动作视频中属于同一场比赛中的动作视频两两组合间的同步分数相对顺序和每一个动作视频的同步性特征JFF值，采用偏好性统计学习方法得到同步性评价函数体的结构和参数作为输出。
2.根据权利要求1所述的自动评价双人跳水同步性的方法，其特征在于，所述运动目标提取，实现步骤包括：
步骤11：对跳水动作视频，通过全局运动估计，得到摄像机全局运动参数，输出全局运动参数，用于同步性特征提取，并利用全局运动补偿，通过视频中相邻图像帧差分求得动作视频中每一幅图像帧中运动员粗分割外轮廓作为输出；
步骤12：利用运动员粗分割外轮廓，得到动作视频中每一幅图像帧的多个连续相邻图像帧中的背景冗余信息，利用每一幅图像帧的多个连续相邻图像帧中的背景冗余信息构建出其彩色背景图像作为输出；
步骤13：计算动作视频中每一幅图像帧与其彩色背景图像的差分图，对差分图进行假设检验统计得到前景区域，前景区域外轮廓即运动员外轮廓作为输出。
3.根据权利要求1所述的自动评价双人跳水同步性的方法，其特征在于，所述步骤31，在多个已知裁判评定的同步分数的双人跳水比赛动作视频中，设有A和B为同一场比赛中的两个动作视频，如果A中的裁判评定的同步分值A’高于B中的裁判评定的同步分值B’，有A’＞B’，将A’＞B’作为排序函数体构造过程中反馈环节的一个先验信息。

一种双人跳水同步性自动分析方法\n技术领域\n[0001] 本发明属于计算机应用技术领域，具体涉及计算机视觉技术，尤其涉及双人跳水多媒体内容同步性分析进行自动评定的方法。\n背景技术\n[0002] 为了减少比赛中的不公平性，现代计算机技术被越来越多地应用于体育比赛中，英国Hawk-Eye公司开发了一套应用于网球比赛的辅助性裁判系统：Hawk-Eye系统，并取得了巨大的成功。瑞士DartFish公司开发的运动技术和战术录像分析系统DartFish系统可以从体育视频中提取运动员的技术参数(例如，关节位置和角度，质心等等)。DartFish系统通过分析这些信息，可以给运动员提供相应的指导，进而提高训练水平。\n[0003] 双人跳水比赛是最近几年才正式开展的体育项目(2000年悉尼奥运会列入正式比赛项目)，是由两名运动员同时从跳板或者跳台起跳做动作的跳水比赛。比赛不仅要评定两名跳水运动员各自技术动作的完成情况，而且要综合考虑运动员在起跳、空中动作配合时间、入水角度、相对距离和时间等方面的一致性和协调性。在奥运会、世锦赛和世界杯双人跳水比赛中，9名裁判负责打分(其中4名负责评定技术分，另外5名负责评定同步分)。\n同步性裁判的判定对于比赛相当关键。而且由于跳水动作持续时间较短1s-2s，又完全是主观性的评价，同步性裁判往往会承受相当大的压力。\n发明内容\n[0004] 为了解决现有技术人工裁判方法给同步性裁判员的带来的压力问题，本发明目的是希望通过采用计算机自动评价的方法来减轻同步性裁判的压力，提高比赛的公正性，实现一个能够对裁判的水平和公正性进行客观的评价的裁判系统，为此，本发明采用计算机分析技术来评价比赛中的技术动作，利用计算机视觉方法对双人跳水同步性进行自动评定研究，提出了一个同步性自动分析的评价方法。\n[0005] 为了实现所述的目的，本发明的目的提出一种自动评价双人跳水同步性的方法，包括：\n[0006] 步骤1：运动目标提取是：基于动态背景重建，从双人跳水动作视频中提取运动员外轮廓和摄像机全局运动参数；\n[0007] 步骤2：同步性特征提取是：基于跳水规则中同步性评分要素表示运动员同步性特征JFF，通过已提取的运动员外轮廓和摄像机全局运动参数自底向上计算同步性特征JFF值；\n[0008] 步骤3：同步性评价是：同步性特征JFF值置入同步性评价函数，转换为同步性评价函数值，根据得到的数值大小表示同步性的高低即评价结果。\n[0009] 根据本发明的实施例，所述运动目标提取，实现步骤包括：\n[0010] 步骤11：对跳水动作视频，通过全局运动估计，得到摄像机全局运动参数，输出全局运动参数，用于同步性特征提取，并利用全局运动补偿，通过视频中相邻图像帧差分求得动作视频中每一幅图像帧中运动员粗分割外轮廓作为输出；\n[0011] 步骤12：利用运动员粗分割外轮廓，得到动作视频中每一幅图像帧的多个连续相邻图像帧中的背景冗余信息，利用每一幅图像帧的多个连续相邻图像帧中的背景冗余信息构建出其彩色背景图像作为输出；\n[0012] 步骤13：计算动作视频中每一幅图像帧与其彩色背景图像的差分图，对差分图进行假设检验统计得到前景区域，前景区域外轮廓即运动员外轮廓作为输出。\n[0013] 根据本发明的实施例，所述同步性特征JFF采用三个JFF特征，分别是起跳高度的一致性特征JFF1、空中动作配合时间的一致性特征JFF2和入水时间的一致性特征JFF3。\n[0014] 根据本发明的实施例，所述同步性特征JFF值自底向上计算步骤如下：\n[0015] 步骤21：将底层特征通过特征转换为中层特征作为输出；底层特征是提取的运动员外轮廓和摄像机全局运动参数；中层特征为每帧中运动员外轮廓质心相对第一帧质心的垂直高度、运动员外轮廓变化特征向量和入水时间差；特征转换包括轮廓质心计算、特定区域运动员外轮廓所包围面积比例计算和摄像机全局运动补偿技术；\n[0016] 步骤22：对中层特征通过分数评价函数进行转换，将计算得到的分数评价函数值作为高层特征值即输出同步性特征JFF值。\n[0017] 根据本发明的实施例，所述高层特征JFF的起跳高度的一致性特征JFF1值计算步骤如下：根据运动员外轮廓和摄像机全局运动参数底层特征，首先，对每一帧中运动员外轮廓运用轮廓质心计算得出运动员外轮廓质心，并且通过摄像机全局运动补偿，将运动员外轮廓质心投影到第一帧，将每帧中两个运动员外轮廓质心位置在第一帧上对齐得出每帧中运动员外轮廓质心相对第一帧运动员外轮廓质心的垂直高度作中层特征；把垂直高度置入相应的分数评价函数得到高层特征JFF1值。\n[0018] 根据本发明的实施例，所述高层特征JFF的空中动作配合时间的一致性特征JFF2值计算步骤如下：根据运动员外轮廓底层特征计算得出，首先，用特定区域像素统计计算特定区域运动员外轮廓所包围面积比例，在运动员外轮廓质心建立极坐标系，用间隔为90度的极轴将运动员外轮廓分为四个区域，计算运动员外轮廓变化特征向量即中层特征为：\n[0019] F＝{fi}＝{f1，f2，f3，f4}，\n[0020] 其中fi＝Ni/Nsum，Nsum是运动员外轮廓内部区域所有象素点的个数，Ni是被分割开来的第i区域内部象素点的个数，fi表示的是特定区域运动员外轮廓所包围面积比例作中层特征；把运动员外轮廓变化特征向量置入相应的分数评价函数得到高层特征JFF2值。\n[0021] 根据本发明的实施例，所述高层特征JFF的入水时间的一致性JFF3值计算步骤如下：根据运动员外轮廓和摄像机全局运动参数等底层特征计算得出，首先，与求起跳高度的一致性特征JFF1的过程类似，运用轮廓质心计算的方法和全局运动补偿得到每帧中运动员外轮廓质心相对第一帧运动员外轮廓质心的垂直高度；然后，通过求两名运动员入水时候，两者间的相对位置高度来表示入水时间差作中层特征；把入水时间差置入相应的分数评价函数得到高层特征JFF3值。\n[0022] 根据本发明的实施例，所述同步性评价函数的函数体构造步骤包括：\n[0023] 步骤31：根据多个已知裁判评定的同步分数的双人跳水比赛动作视频，对其属于同一场比赛中的动作视频，两两组合间的裁判评定的同步分数大小进行比较，得到两两组合间的同步分数相对顺序作为输出；\n[0024] 步骤32：对多个已知裁判评定的同步分数的双人跳水比赛动作视频均进行运动目标提取和同步性特征提取，得到每一个动作视频的同步性特征JFF值作为输出；\n[0025] 步骤33根据多个已知裁判评定的同步分数的双人跳水比赛动作视频中属于同一场比赛中的动作视频两两组合间的同步分数相对顺序和每一个动作视频的同步性特征JFF值，采用偏好性统计学习方法得到同步性评价函数体的结构和参数作为输出。\n[0026] 根据本发明的实施例，所述步骤31，在多个已知裁判评定的同步分数的双人跳水比赛动作视频中，设有A和B为同一场比赛中的两个动作视频，如果A中的裁判评定的同步分值A′高于B中的裁判评定的同步分值B′，有A′＞B′，将A′＞B′作为排序函数体构造过程中反馈环节的一个先验信息。\n[0027] 本发明的积极效果或优点：\n[0028] 本发明采用计算机分析技术来评价比赛中的技术动作，利用计算机视觉的方法对双人跳水同步性进行自动评定研究，实验表明该方法对于双人跳水同步性计算机自动评定是非常有效的。\n[0029] 本发明针对双人跳水自动评定，采用了一种能够有效表达跳水规则中同步性评分要素的同步性特征JFF，其优点在于：通过计算机从视频中提取出来的JFF能够和比赛中裁判考虑的因素保持一致，JFF包括一组数值可以从几个方面定量的反映同步性。本发明中同步性评价函数的函数体构造过程中只考虑多个已知裁判评定的同步分数的双人跳水比赛动作视频中，在同一场比赛中的动作视频之间裁判评定的同步性分数的相对顺序，其优点在于：不同场次的比赛中，不同的裁判员根据运动员的整体水平会有不同的评价尺度。同样质量的动作在不同的比赛中可能得到不一样的分数。然而，同一场比赛的最终排名仍然能够说明问题，一场比赛的分数可能整体都偏高或者整体偏低，但是，同一场比赛中排名的高低仍然能够代表运动员动作水平的高低。由于只有同一场比赛中两两相对排名的信息被考虑了，不同比赛的跳水动作都可以放到训练数据中去。不同比赛的跳水动作间的同步性也可以放在一起分析。\n附图说明\n[0030] 图1是本发明总体框架图；\n[0031] 图2是本发明中运动目标提取；\n[0032] 图3是本发明中同步性特征提取；\n[0033] 图4是本发明中同步性评价；\n[0034] 图5是本发明中同步性评价函数体构造过程；\n[0035] 图6是本发明目标提取过程结果的示意图；\n[0036] 图7是本发明中翻腾特征表示的示意图；\n[0037] 图8是本发明中翻腾特征变化趋势曲线图；\n[0038] 图9是本发明中实验结果的双人跳水动作不一致性分布示意图。\n具体实施方式\n[0039] 下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。\n[0040] 本发明中算法采用个人电脑既可实现，建议计算机配置：处理器：Pentium 4 CPU \n3.00GHz、内存：512MB。\n[0041] 如本发明总体框架图1所示：本发明算法包括3个部分， (1)运动目标提取；(2)同步性特征提取；(3)同步性评价。\n[0042] 如本发明中运动目标提取图2所示：运动目标提取提取包括三个的步骤：步骤\n11-图像粗分割、步骤12-背景重建和步骤13-前景检测。在步骤11图像粗分割过程中，首先对跳水动作视频，通过全局运动估计得出摄像机全局运动参数，然后在运动补偿的基础上对视频中相邻图像帧进行差分和二值化，最后在二值图上进行形态学处理得出运动员图像粗分割外轮廓。粗分割过程步骤11得到的全局运动参数，用于同步性特征提取。步骤\n12背景重建是利用动作视频中每一幅图像帧的多个连续相邻图像帧中的冗余背景信息来构造出每一幅图像帧的彩色背景图像。将图像中运动员粗分割轮廓所代表的像素去掉就是粗分割背景信息，再根据粗分割过程步骤11得到的全局运动参数，将每一幅图像帧相邻几帧的粗分割背景信息投影到当前帧得到冗余背景信息，最后取相邻帧投影背景信息的平均值作为当前背景信息。步骤13前景检测中，通过计算每一幅图像帧和其彩色背景图像的差值图得出，再用假设检验的办法来确定前景区域，其外轮廓即运动员外轮廓。图6本发明目标提取过程结果的示意图表示的是动作307C动作视频中某一帧的目标提取过程的结果，运动员轮廓提取，左上角是原始图，右上角是图像粗分割结果，左下角是背景重建的结果，右下角是前景检测的结果。\n[0043] JFF(judging factor features)为同步性性特征。根据国际泳联公布的跳水规则，同步性打分的几个要素包括：\n[0044] (1)起跳，包括起跳高度的一致性；\n[0045] (2)空中动作配合时间的一致性；\n[0046] (3)入水时间的一致性。JFF就是能够表达上述因素的特征。\n[0047] 如本发明中同步性特征提取图3所示：本发明通过一种从底层特征到高层特征的自底向上的办法提取JFF；步骤21：根据底层特征是目标提取得到的运动员外轮廓和摄像机全局运动参数，通过计算目标质心和特定区域内运动员外轮廓所包围的面积比例，并进行摄像机的全局运动补偿进行特征转换，得到的中层特征是每帧中运动员外轮廓质心相对第一帧质心的垂直高度、运动员外轮廓变化特征向量和入水时间差；步骤22：对中层特征进行分数评价函数计算，把中层特征值转换为高层特征值既是输出的同步性特征JFF值；\n本发明用3个JFF代表同步性评价因素，同步性特征用评价因素特征向量JFF＝[JFF1，JFF2，JFF3]来表示。\n[0048] 考虑第一个因素起跳高度的一致性特征JFF1，首先，运用轮廓质心计算的方法计算出运动员外轮廓质心，并且通过全局运动补偿的方法，将运动员外轮廓质心投影到摄像机静止的第一帧，将每帧中两个运动员外轮廓质心位置在第一帧上对齐得出每帧中运动员外轮廓质心相对第一帧运动员外轮廓质心各个时间的垂直高度位置，得到运动目标轨迹是中层特征；把垂直高度置入相应的分数评价函数得到高层特征值JFF1。采用如下评价函数：JFF1＝Δheight/bheight。Δheight是两个运动员外轮廓质心在最高点的垂直高度差的绝对值，单位为像素。bheght是一个将象素单位转换为标准单位(米)的常量，根据具体情况在不同的视频中采用不同的数值。\n[0049] 对于第二个因素，通过运动员外轮廓底层特征计算得出，用特定区域像素统计方法计算特定区域运动员外轮廓所包围面积比例，本发明运用了一种特殊的特征表达方式来评价空中动作配合时间的一致性JFF2。首先，用特定区域像素统计计算特定区域运动员外轮廓所包围面积比例，在运动员的外轮廓质心建立极坐标系。用间隔为90度的极轴将轮廓分为四个区域，如图7本发明中翻腾特征表示的示意图所示。\n[0050] 计算运动员外轮廓变化特征向量即中层特征为：\n[0051] F＝{fi}＝{f1，f2，f3，f4}，\n[0052] 其中fi＝Ni/Nsum，i＝1，2，3，4；Nsum是运动员外轮廓内部区域所有象素点的个数，Ni是被分割开来的第i区域内部象素点的个数。fi表示的是特定区域运动员外轮廓所包围面积比例作中层特征；把运动员外轮廓变化特征向量代入相应的分数评价函数得到高层特征值JFF2。用f1与f3的和来表示运动员外轮廓的变化趋势fs：fs＝f1+f3。运动员完成一个半周的时候，fs的值就达到一个局部峰值。图8本发明中翻腾特征变化趋势曲线图表示的是同一视频中两个运动员做某307C动作时的翻腾变化趋势，不同颜色代表不同运动员。在运动员达到最高点后，也就意味着开始做半周动作，标记出fs曲线上的达到局部峰值的帧的位置。得到这些位置之后，计算评价函数：\n[0053] \n[0054] 其中，hss是跳水动作对应需要翻腾的半周数目(如307C表示要翻腾7个半周)，pframe(i)是fs达到第i个峰值时候动作视频中图像帧在动作视频中的顺序位置。\n[0055] σk＝(pframe1(hss)-pframe1(1)+pframe2(hss)-pframe2(1))/(hss×2×2)[0056] 对于第三个因素：入水时间的一致性JFF3根据运动员外轮廓和摄像机全局运动参数等底层特征计算得出，通过评价运动员入水时候，两者间的相对位置高度来确定。通过两名运动员的高度变化曲线确定入水时的相对位置高度。首先，与求起跳高度的一致性特征JFF1的过程类似，运用运动员外轮廓质心计算的方法和全局运动补偿的方法得到每帧中运动员外质心相对第一帧运动员外轮廓质心的垂直高度轨迹；然后，通过求运动员入水时候，两者间的相对位置高度来确定入水时间差作中层特征；把入水时间差代入相应的分数评价函数得到高层特征值JFF3。评价函数：JFF3＝Δrheight/bheight。其中，Δrheight是两个运动员外轮廓质心在入水时相对高度差，bheght是一个将象素单位转换为标准单位(米)的常量，根据具体情况在不同的视频中采用不同的数值。\n[0057] 最终，如本发明中同步性评价过程图4和本发明中评价函数体构造过程图5所示：\n本发明首先需要根据多个已知裁判评定的同步分数的双人跳水比赛动作视频构造出同步性评价函数体的结构和参数。通过计算评价函数，将动作视频的同步性特征值转换为评价函数值，根据得到的数值大小确定同步性评价顺序。\n[0058] 步骤31：根据多个已知裁判评定的同步分数的双人跳水比赛动作视频，对其属于同一场比赛中的动作视频，两两组合间的裁判评定的同步分数大小进行比较，得到两两组合间的同步分数相对顺序作为输出；\n[0059] 步骤32：对步骤31中多个已知裁判评定的同步分数的双人跳水比赛动作视频均执行步骤1-运动目标提取(基于动态背景重建，从双人跳水动作视频中提取运动员外轮廓和摄像机全局运动参数)和步骤2-同步性特征提取(基于跳水规则中同步性评分要素表示运动员同步性特征JFF，通过已提取的运动员外轮廓和摄像机全局运动参数自底向上计算同步性特征JFF值)，得到每一个动作视频的同步性特征JFF值作为输出。\n[0060] 步骤33：根据步骤31，通过对多个已知裁判评定的同步分数的双人跳水比赛动作视频，其属于同一场比赛中的动作视频两两组合间的裁判评定的同步分数大小进行比较，得到两两组合间的同步分数相对顺序结果和步骤32，对多个已知裁判评定的同步分数的双人跳水比赛动作视频均进行运动目标提取和同步性特征提取，得到每一个动作视频的同步性特征JFF值的结果，然后采用偏好性学习策略运用RankBoost的统计学习方法，得到RankBoost方法中的排序函数体的结构和参数为： 其中，ht(JFF)表\n示单个弱分类器函数，αt表示单个弱分类器函数对应的权重系数，T表示弱分类器函数的个数。ht(JFF)和αt通过RankBoost方法学习得到。H函数就是同步性评价函数。\n[0061] 评价函数的构造用多个已知裁判评定的同步分数的双人跳水比赛动作视频采用偏好性学习策略运用RankBoost的统计学习方法得到；把比赛的评价看成是一个偏好性学习的问题，在评价函数的训练过程中，将多个动作视频两两组合，只考虑多个已知裁判评定的同步分数的双人跳水比赛动作视频中，在同一场次比赛中出现的动作视频两两组合之间同步性分数的相对顺序高低，而不考虑两两动作间的绝对相差分数，以及不同比赛场次间的动作视频比较。考虑已知结果比赛中所有动作两两组合的情况。假设多个已知裁判评定的同步分数的双人跳水比赛动作视频中，设有动作A和动作B为同一场比赛中的两个动作视频，动作A的同步分数A′，为9分，动作B的同步分数B′，为8分，排序函数训练过程中，只将动作A的同步性评价顺序在动作B的前面即动作A的同步分数A′，大于动作B的同步分数B′，将同步分数A′，作为排序函数参数学习过程中反馈环节的一个先验信息，作为一个反馈信息来训练函数的参数，例如动作A的同步分数A′，变成9.5，对于动作A和动作B来说同步性评价顺序并不会受到影响。(动作A的同步分数A′，仍然大于动作B的同步分数B′。)又例如，动作A的同步分数A′，变为8.5分，动作B的同步分数B′，为8分，动作A、动作B间的绝对相差分数变小了，但是，动作A的同步分数A′，仍高于动作B，这样反馈环节中动作A、动作B产生的先验信息不会受到影响。\n[0062] 本发明通过多个已知裁判评定的同步分数的双人跳水比赛动作视频采用偏好性学习策略运用RankBoost的统计学习方法得到评价函数的构造和参数。形式上，先产生了一些数据对(v，f)，其中v是已知排名的跳水动作视频片断，而f是这段视频的一个JFF值。\n定义排序特征ri由相应的JFF值ei确定；将评价值ei排序，假定ei在第j个位置，则有：ri((v，f))＝j。定义扣除分数Score为满分10分减去双人跳水比赛动作视频片断所表示动作的已知裁判评定的同步分数的三个有效分数的平均值所得的值。在v*的扣除分数Score*高于v的扣除分数Score情况下，定义反馈函数为：Φv((v*，f*)，(v，f))＝-1，Φv((v，f)，(v*，f*))＝+1，其他情况，Φv＝0。这样就可以运用偏好学习方法得出排序函数H的参数。排序函数H的构造和参数说明在文献Yoav Freund，Raj Iyer，RobertE.Schapire，Yoram Singer. An Efficient Boosting Algorithm forCombining Preference. Journal of Machine Learning Research，2003(4)：933-969中介绍，将得到的排序函数H就作为同步性评价函数，通过对未知排名的跳水动作视频计算JFF特征，然后计算相应评价函数H的值，得到的数值大小表示同步性的高低即评价结果，根据评价结果可以对其进行同步性排名。\n[0063] 实施效果\n[0064] 为了验证方法的有效性，这里设计了一组多次采样生成数据的同步性排序实验。\n实验采用30个2007世界游泳锦标赛的双人跳水比赛视频。随机采样其中20个为训练样本作为已知裁判评定的同步分数的双人跳水比赛动作视频，剩下10个为测试样本。由于总共可能生成的实验数据组是一个排列组合数，随机选取10000组不重复的数据作为实验数据。首先，从跳台正面角度动作视频中提取出运动员外轮廓。接着，得到同步性判定所需要的同步性特征JFF。最后，用训练样本通过RankBoost的方法构造出一个评价函数，再用评价函数来评价测试样本中不同跳水动作间的同步性。\n[0065] 采用不一致性的误差度量方法。不一致性disagreement的定义为：\n[0066] \n[0067] 其中，c表示一个实数值函数，这里是指已知裁判评定的同步分数。N表示同步性排名中所有可以组合的对数。[[…]]符号表示：当中间的条件成立的时候结果为1，否则结果为0。x0，x1表示在同一场比赛中，任意两组不同跳水视频的同步性特征向量。H表示同步性评价函数。从图9本发明中实施效果双人跳水动作不一致性分布示意图中可以看到，不一致性的分布类似于正态分布。其中，均值为0.1083，标准差为0.0441。从表1中可以看到，超过半数的测试数据的不一致性误差属于[0.075，0.125]区间。而[0.025，0.175]的置信区间包 含了90％以上的测试数据。从这些数据可以看到算法统计结果的置信区间比较小，而不一致性又比较集中，算法能够平均达到90％左右的正确率。\n[0068] 从测试数据组中选取比较有代表性的两组进行分析。表2表示的是实验中第23组数据的结果，表3表示的是第189组数据的结果。表中的序号项表示被评价动作视频在该组数据中的位置，评价项表示被评价动作视频通过评价函数H的评价结果。扣分项表示已知裁判评定的同步分的扣除分数。因此，这里的排序实际上是真实排名的倒序。表2中的扣分数集中在2.17和1.17之间。这里可以看到相同扣分之间的评价结果不是都完全一致，但是实际分数不一样的动作间的评价结果还是能够很好的排序且区分开来。而表3中的扣分数则相对分散。从这个表中可以看出实际分数相差较大的动作间的评价结果能比较明显的进行排序区分。\n[0069] 表1.不一致性数据\n[0070] \n不一致性区间 区间包含数据多少 百分率(100％)\n0～0.025 149 1.5\n0.025～0.075 1966 19.7\n0.075～0.125 5035 50.4\n0.125～0.175 2067 20.7\n0.175～0.225 508 5.1\n0.225～0.275 275 2.8\n[0071] 表2.评价和得分(1)\n[0072] \n序号 评价 扣分\n 1 23.23703 2.83000\n 2 20.76646 2.67000\n 3 13.93426 2.17000\n 4 07.96665 2.17000\n 5 12.19469 2.17000\n 6 10.29751 2.17000\n 7 12.19469 2.00000\n 8 08.47920 1.17000\n 9 06.58413 1.17000\n 10 07.13067 1.17000\n[0073] 表3.评价和得分(2)\n[0074] \n序号 评价 扣分\n 1 18.06973 2.67000\n 2 18.14224 2.67000\n 3 15.99845 2.50000\n 4 10.14118 2.17000\n 5 09.92700 2.17000\n 6 09.09735 2.00000\n 7 09.92700 2.00000\n 8 04.73707 1.17000\n 9 02.18520 1.00000\n 10 01.97984 1.00000\n[0075] 以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。