1。本发明涉及运动训练辅助技术的领域，尤其是与基于神经网络拟合篮球射击曲线的方法和系统有关的。

背景艺术：

2。篮球训练通常需要大量的时间和精力来逐渐形成自己的射击方法，并通过不断尝试和反复对运动员进行探索来射击习惯。如果中间没有标准化的教练指导，运动员通常很容易形成错误的运动习惯，这会影响射击的准确性和稳定性。

3。当前的先前艺术使用跟踪篮球的轨迹，并将篮球的轨迹与标准拟合曲线进行比较。但是，上述先前的艺术通过跟踪获得了篮球的轨迹，但是跟踪篮球的跟踪算法无法检测到轨迹中的所有篮球100％准确。因此，在先前的艺术中获得的篮球轨迹具有容易错过或误解的篮球。

技术实施元素：

4.鉴于上述艺术中存在的上述问题，现在提供了一种基于旨在以更高精度计算篮球射击曲线的神经网络的篮球射击曲线的方法和系统。

5。具体的技术解决方案如下：

6。一种基于神经网络的篮球射击曲线的方法，包括以下步骤：

7。步骤S1，获取和提取多个训练拍摄视频，预处理和篮球位置标记的视频帧，并将其输入神经网络模型，以训练神经网络模型以获得篮球识别模型；

8。步骤S2，获取要标识的拍摄视频，并输入要在射击视频的篮球识别模型中标识的每个视频框架，以确定以确定要识别的所有视频框架中的篮球位置；

9。步骤S3，获取要标识的拍摄视频的第一个预设数，并计算与每个拟合曲线相对应的拟合值，并使用对应于最大拟合值作为篮球射击曲线的拟合曲线；

10。其中，获得拟合曲线的特定步骤和对应于拟合曲线的拟合值包括：

11.第二个预设的视频帧数量是从要标识的所有视频帧中随机获得的，将确定要识别的获得的视频框架设置为要识别的第一个视频框架，并将要识别的未保留视频帧设置为第二个视频框架；

12。根据抛物线计算公式根据篮球位置计算相应的拟合曲线。

13.计算篮球位置与要识别的所有第二个视频帧的拟合曲线之间的巧合程度，并将巧合作为拟合曲线的拟合值。

14。最好是一种基于神经网络拟合篮球射击曲线的方法，其中步骤S1专门包括以下步骤：

15。步骤S11，获得多个训练射击视频，将每个训练镜头视频的至少一个视频框架作为培训图片，以获取包括所有培训图片的首个培训图片集；

16。步骤S12，在第一个训练图片集中标记每个训练图片的篮球位置，以获得第二次训练图集；

17。步骤S13，将第二个训练图片设置为神经网络模型，以训练神经网络模型以获得篮球识别模型。

18.最好是一种基于神经网络拟合篮球射击曲线的方法，其中获得训练拍摄视频的方法特别包括以下步骤：

19。至少一个图像采集传感器用于以固定的观看角度和固定位置获取训练射击视频，以便训练射击视频的所有视频框架的重叠率在预设重叠率范围内。

20。最好是一种基于神经网络的篮球射击曲线的拟合方法，其中每次获取拟合曲线和与拟合曲线相对应的拟合值包括以下步骤：

21。步骤S31，创建与要标识的拍摄视频相对应的坐标系；

22.步骤S32，随机获得第二个预设数量的视频帧，要在要识别的所有视频帧中识别，并将获得的视频框架设置为要识别为要标识的第一个视频帧，并将其设置为要识别为第二个视频框架的未取消视频框架；

23。步骤S33，获得每个第一个视频框架的篮球位置的第一个坐标，将在坐标系中标识；

24。步骤S34，将每个第一个坐标输入到抛物线计算公式中以获得拟合曲线；

25。步骤S35，获得每个第二个视频框架的篮球位置的第二个坐标；

26。步骤S36，计算每个第二个坐标和拟合曲线之间的坐标差，将第二个坐标的数量作为对应于预设差范围内的坐标差值作为重合度的坐标值，并将重合度作为拟合曲线的拟合值。

27。最好是一种基于神经网络拟合篮球射击曲线的方法，其中抛物线计算公式以下公式显示：

28.y = ax2+bx+c;

29。其中，Y用于表示坐标系中篮球位置的垂直坐标；

30.x用于表示坐标系中篮球位置的水平坐标；

31.a，b，c用于表示抛物线参数。

32。最好是一种基于神经网络的篮球射击曲线的拟合方法，其中训练拍摄视频包括从拍摄开始到篮球降落的视频框架。

33。最好是一种基于神经网络拟合篮球射击曲线的方法，其中第一个预设数大于或等于2。

34。最好是一种基于神经网络拟合篮球射击曲线的方法，其中第一个预设的数字为20。

35。最好是一种基于神经网络拟合篮球射击曲线的方法，其中第二个预设数大于或等于3。

36。还提供了基于神经网络的篮球射击曲线的合适系统，包括：

37。模型创建模块用于获取和提取多个训练拍摄视频以及预处理和篮球位置的视频帧，并将其输入神经网络模型，以训练神经网络模型以获得篮球识别模型；

38。标识模块连接到模型创建模块，用于获取要识别的拍摄视频，并输入要在篮球识别模型中识别的要标识的每个视频框架，以识别所有要识别的视频框架中的篮球位置；

39。连接到标识模块的曲线拟合模块，包括：

40。拟合曲线采集单元，用于随机获取要标识的要标识的所有视频帧的第一帧

两个预设的视频框架要标识，要识别的要确定的视频框架设置为要标识的第一个视频框架，并且在要识别的射击器视频中未获得要标识的视频框架，将其设置为要识别的第二个视频框架；根据抛物线计算公式根据抛物线计算公式计算相应的拟合曲线；计算所有第二个视频帧的篮球位置和拟合曲线的重叠度，并将重叠度用作拟合曲线的拟合值。

41。篮球射击曲线采集单元已连接到拟合曲线采集单元，用于执行拟合曲线采集单元，以获取要识别的要标识的要识别的拍摄视频的第一个预设拟合曲线，并且对应于每条拟合曲线的拟合值，以及与最大的拟合值相对应的拟合曲线，用作篮球射击曲线。

42。上面的技术解决方案具有以下优点或有益的效果：对应于最大拟合值的拟合曲线用作篮球射击曲线，从而提高了篮球射击曲线的准确性，以便以更高的准确性和标准的射击曲线来实现篮球射击曲线的随后拟合和比较，从而在射击移动移动教学中发挥参考作用；并且可以通过此实施例的方法获得高精度标准的射击曲线，以便为射击运动校正教学提供更准确的参考，从而避免形成和纠正错误的运动习惯的时间，精力和成本，从而大大提高训练效率。

图纸的附加描述

43。指的是附带的图纸，将更充分地描述本发明的实施例。但是，附带的图纸仅用于说明和插图，并且不构成对本发明范围的限制。

44。图1是本发明拟合方法的实施例的抛物面图；

45。图2是本发明的拟合方法的实施例的流程图；

46。图3是本发明拟合系统的实施方案的示意图。

特定的实施方法

47.本发明实施方案中的技术解决方案将根据本发明的实施方案中的附带图表清楚而完全描述。显然，描述的实施例只是本发明的实施方案的一部分，而不是全部。基于本发明中的实施例，在没有从事创造性劳动的情况下熟练的人获得的所有其他实施方案都属于本发明的保护范围。

48。应该指出的是，如果没有冲突，本发明实施方案中的实施和特征就可以彼此结合在一起。

49.本发明将在随附的图纸和特定实施方案中进一步解释，但本发明不会受到限制。

50。本发明包括一种基于神经网络的篮球射击曲线的方法，如图2所示，包括以下步骤：

51。步骤S1，获取和提取多个训练拍摄视频以及预处理和篮球位置标记的视频框架，然后将它们输入神经网络模型，以训练神经网络模型以获得篮球识别模型；

52。步骤S2，获取要识别的拍摄视频，并输入要在拍摄视频的篮球识别模型中识别的每个视频框架，以识别以确定要识别的所有视频框架中的篮球位置；

53。步骤S3，获取要标识的拍摄视频的第一个预设数量，并计算与每个拟合曲线相对应的拟合值，并使用对应于最大拟合值作为篮球射击曲线的拟合曲线；

54。其中，获取拟合曲线的特定步骤和对应于拟合曲线的拟合值包括：

55。随机获取要在射击器视频中确定的所有视频中要标识的要标识的第二个预设视频。

频率框架设置为要标识为要标识的第一个视频框架所获得的视频框架，并且在要识别的拍摄视频中要识别的未退休视频框架设置为要识别的第二个视频框架；

56。相应的拟合曲线是根据抛物线计算公式根据所有第一个要识别的视频帧中的篮球位置来计算的；

57。计算篮球位置与要识别的所有第二个视频帧的拟合曲线之间的巧合程度，并将重合度作为拟合曲线的拟合值。

58。在上述实施方案中，基于神经网络的篮球识别模型首先检测到要识别的射击视频中大多数视频帧中与篮球相关的篮球位置，然后使用自动拟合方法适合篮球射击曲线以获得多拟合曲线，并计算与每个拟合曲线相对应的拟合值。与最大拟合值相对应的拟合曲线用作篮球射击曲线，从而提高了篮球射击曲线的准确性，从而减少了篮球射击曲线的遗漏或错误检测，篮球位置与篮球中的篮球曲线中相关的篮球位置相关的篮球位置，以及在篮球射击曲线中以及在篮球射击过程中获得较高的篮球曲线的训练和分析的射击效果，并策划了篮球的准确性，并策划了标准的速度，并且速度均能策展人，并策划了篮球的速度，并策展人胜任，并且均精确地进行了赛车的速度，并策展人胜率均能策划。及时地进一步提高标准化的射击训练效果。

59。在上述实施例中，通过步骤S1对神经网络模型进行训练，以获取篮球识别模型，因此步骤S2可以将符合识别的拍摄视频输入到篮球识别模型中，并确定篮球位置在符合识别的视频框架中，该视频框架对应于每个视频的视频框架，以识别篮球，以识别篮球，跟踪篮球thrakaskall tr​​afore the the Baskathory traforness throctity traforty trafores trafore trofory trafory trafory trafory trafory trafory trafory trofory;

60。应该注意的是，篮球射击曲线是抛物线，因此，射击时的合身曲线可以通过第二个预设的篮球位置来计算。

61。随机获取要通过步骤S3识别的第一个视频框架的第二个预设数，并根据抛物线计算公式根据篮球位置计算相应的拟合曲线，该曲线在所有第一个视频帧中根据抛物线计算公式在所有第一个视频框架中的位置进行计算。由于此时的拟合曲线仅由第一个视频框架中的篮球位置计算出来，该视频框架对应于要标识的射击器视频中任何第二个预设的视频帧数量，因此此时的拟合曲线会错过或错过篮球，也就是说，此时的合适曲线不一定是最佳的合适曲线；

62。为了计算拟合曲线的准确性，在要识别的拍摄视频中的篮球位置尚未从第二个尚未获得的视频框架获得，并且可以在此时计算重叠度。

63。重复上述特定步骤，以获取拟合曲线和与拟合曲线相对应的拟合值，以获得第一个预设拟合曲线的数量，并使用对应于最大贴合值作为篮球射击曲线的拟合曲线，从而提高了篮球射击曲线的准确性，以提高篮球射击的准确性，从而策划了效果的准确性，并策划了赛车的准确性，以策划篮球的速度策划，并策划速度的速度策划。在射击者的射击运动校正教学中的参考角色；并且可以通过该实施例的方法获得高精度标准的射击曲线，以便获得更准确的射击运动校正教学的参考，从而避免了形成和纠正错误的运动习惯的时间，精力，成本和费用，从而极大地提高了训练效率。

64。此外，在上述实施例中，步骤S1专门包括以下步骤：

65。步骤S11，获得多个训练射击视频，将每个训练镜头视频的至少一个视频框架作为培训图片，以获取首次培训图片集，其中包括所有培训图片；

66。步骤S12，在第一个训练图片集中标记每个训练图片的篮球位置，以获得第二次训练图；

67。步骤S13，将第二个训练图片设置为神经网络模型，以训练神经网络模型以获得篮球识别模型。

68。在上述实施例中，在篮球练习期间拍摄的视频是作为训练拍摄视频收集的，其中捕获的视频镜头应覆盖练习过程中使用的完整半数；

69。全半用于表达：

70。首先，视频屏幕包括射手和篮子，即射手和篮子在同一视频屏幕中。

71。其次，训练拍摄视频包括一个视频框架，其中篮球开始拍摄和视频框架，并在其中拍摄了末端。末端拍摄的视频框架可以是篮球降落的那一刻，并且用户可以定制特定的视频框架。

72。在步骤S12中，可以手动标记每个训练图片的篮球位置，以获得第二次训练图片集；

73。在步骤S13中，第二次训练图集输入了神经网络模型，以训练神经网络模型以获得篮球识别模型。

74。作为一个首选实施例，神经网络模型是卷积神经网络模型，卷积神经网络模型可以是卷积神经网络模型，例如Yolo（您只看一次），有效的DET，Mask rcnn等。

75。在上述实施方案中，步骤S2中的识别方法可以具体：当在要识别的视频框架中检测到篮球的置信度大于设定的阈值时，确定篮球是由视频框架检测到的要识别的。如果检测到的篮球的信心小于设定的阈值，那么篮球就不会被识别的视频框架检测到。

76。此外，在上述实施例中，获得训练拍摄视频的方法特别包括以下步骤：

77。至少一个图像采集传感器用于以固定的观看角度和固定位置获取训练射击视频，以便训练射击视频的所有视频框架的重叠率在预设重叠率范围内。

78。在上述实施例中，训练拍摄视频是通过固定观看角度和固定位置获得的，因此训练拍摄视频的所有视频框架几乎是一致的，例如，除了篮球外，背景图像可以保持一致，以便可以确定相同的训练视频视频的视频框架，并在整个篮球上均设置相同的视频架构，并构建所有篮球的坐标。

79。在上述实施例中，在步骤S2中，可以在要标识的射击视频中标识的每个视频框架可以输入篮球识别模型中，以识别所有要识别的图片中的篮球位置。

80。此外，在上述实施例中，每次获取拟合曲线，与拟合曲线相对应的拟合值包括以下步骤：

81。步骤S31，创建与要标识的拍摄视频相对应的坐标系；

82。步骤S32，随机获得第二个预设的视频帧，要在要识别的要标识的所有视频框架中识别，设置要识别为要识别的第一个视频帧的视频框架，并将未取消的视频框架设置为要在要识别的第二个视频框架中识别的视频框架；

83。步骤S33，获得每个第一个视频框架的篮球位置的第一个坐标，将在坐标系中标识；

84。步骤S34，将每个第一个坐标输入到抛物线计算公式中以获得拟合曲线；

85。步骤S35，获得每个第二个视频框架的篮球位置的第二个坐标，将在坐标系中识别；

86。步骤S36，计算每个第二坐标和拟合曲线之间的坐标差，将第二个坐标的数量作为对应于预设差范围内的坐标差值作为重合度的坐标差，并将重合度作为拟合曲线的拟合值。

87。在上述实施方案中，相应方法的步骤不一定按其他实施例中所示和描述的顺序和描述。在其他一些实施方案中，该方法可能比本规范中所述的步骤多或更少。此外，本规范中描述的单个步骤可以分解为其他实施例中的多个步骤。尽管本规范中描述的多个步骤可以合并为其他实施例中的单个步骤，以进行描述。

行描述。例如，可以使用步骤S33同时执行上述实施方案中的步骤S35。

88。此外，在上述实施方案中，抛物线计算公式如下：以下公式：

89.y = ax2+bx+c;

90。其中，y用于表示坐标系中篮球位置的垂直坐标；

91.x用于表示坐标系中篮球位置的水平坐标；

92.a，b，c用于表示抛物线参数。

93.此外，在上述体现中，训练录像带包括从镜头开始到篮球降落的视频框架。

94。此外，在上述实施方案中，第一个预设数大于或等于2。

95。此外，在上述实施方案中，第一个预设数为20。

96。此外，在上述实施方案中，第二个预设数大于或等于3。

97。在上述实施例中，由于射击曲线是标准的抛物线，因此，只要有3分，就可以确定与拍摄曲线相对应的抛物线。

98。作为首选实施例，如图所示。 1，要识别的视频框架的左上角可以用作坐标来源，视频框架的水平方向被识别为水平轴，以及要识别为垂直轴的视频框架的垂直方向，以建立一个矩形坐标系统，在图中的黑点。 1是要标识的所有视频帧中的篮球位置。在此坐标系中，有一个相应的坐标点。

99。要识别的视频框架中的所有篮球位置都有该坐标系中的相应坐标点，任何三个点都可以决定抛物线。从所有视频框架中识别，选择要识别的任何三个视频帧（即，第一个要标识的视频框架）被选择以获得篮球位置的坐标，因为抛物线上的三个点要计算出抛物线的三个系数，以获得与抛物线相对应的拟合曲线；

100。替换对应于要标识的所有第二个视频帧的篮球位置的真实水平坐标，除了要识别要识别的三个第一个视频框架，并获得了与真实水平坐标相对应的拟合垂直坐标；

101。计算与篮球位置相对应的真实纵坐标坐标与拟合纵坐标之间的坐标差。如果坐标差位于预设差范围内，则要识别的第二个视频框架的重合度，并且上述拟合曲线为1；计算所有第二个视频框架的巧合度和上述拟合曲线，并使用重合度作为拟合曲线的拟合值；

102。重复上述步骤，例如20次，以获得20个拟合曲线和相应的拟合值，并从所有拟合曲线中选择最大的拟合值作为篮球射击曲线。

103。还提供了基于神经网络的篮球射击曲线的拟合系统，如图3所示，包括：

104。模型创建模块1用于获取和提取多个训练镜头视频的视频帧，并进行预处理和篮球位置标记，并将它们输入神经网络模型，以训练神经网络模型以获得篮球识别模型；

105。标识模块2连接到模型创建模块1，并用于获取要识别的拍摄视频，并输入要标识的要标识的要标识的要标识的射击视频中的每个视频框架，以确定识别所有视频框架中的篮球位置；

106。曲线拟合模块3连接到标识模块2，包括：

107。拟合曲线采集单元31用于随机获得第二个预设的视频帧，这些视频框架要在要识别的所有视频框架中被识别为要识别的所有视频框架，并将获得的视频框架设置为要识别的第一个视频帧，并将视频框架识别为示例视频框架，以识别为秒的视频框架，以识别为秒的视频帧；根据抛物线计算公式计算相应的拟合曲线；计算所有要识别的第二个视频帧的篮球位置与拟合曲线之间的重叠度，并将重叠度作为拟合曲线

价值

108。篮球射击曲线摄取单元32连接到拟合曲线采集单元31，用于执行拟合曲线采集单元，以获取要识别的要识别的拍摄视频的第一个预设曲线，并且对应于每个拟合曲线的拟合值，以及与拟合曲线相对应的拟合曲线，以及对应于篮球型篮球射击曲线的拟合曲线。

109。基于本发明的神经网络的篮球射击曲线拟合系统的特定实现模式基本上与基于神经网络的篮球射击曲线拟合方法的上述实施例相同，在这里不会描述。

110。以上仅是本发明的首选实施方案，因此不限制本发明保护的实施方案和范围。对于那些熟练艺术的人，他们应该能够意识到，使用本发明的规范和说明进行的同等替代和明显的更改所获得的所有解决方案都应包括在本发明的保护范围内。