Интеллектуальная система метрологии на основе однообъективного зрения для прыжка в длину с места

Почему важно измерять дальность прыжка

Прыжок в длину с места — один из самых простых способов, которыми школы по всему миру проверяют физическую подготовку учащихся: встаньте на линию, прыгните как можно дальше и измерьте расстояние. Но в многолюдных школьных дворах этот, казалось бы, простой тест может превратиться в беспорядок. Учителя по‑прежнему наклоняются с рулетками, решения могут оспариваться, а фиксация тысяч прыжков занимает много времени и утомительна. В этом исследовании представлена система на базе камеры, которая автоматически и точно измеряет дистанцию прыжка по обычному видео, обещая более быстрые и объективные тесты без дорогостоящего специализированного оборудования.

От рулетки к «умной» камере

Современные автоматизированные средства для измерения прыжков часто опираются на ультразвуковые датчики, сенсорные маты или световые балки, натянутые через песок. Несмотря на эффективность, они дороги в установке, чувствительны к погоде и трудны в обслуживании для широкого использования в школах. Авторы же рассматривают задачу как проблему зрения: если одна камера видит и стопы спортсмена, и коврик для приземления, программное обеспечение должно суметь вычислить, на какое расстояние человек переместился. Они разработали полный конвейер, превращающий сырое видео в итоговое число дистанции в реальном времени, используя сочетание современных методов компьютерного зрения и тщательной геометрической обработки.

Как система «видит» прыжок

Процесс начинается с высокоскоростной камеры, установленной в нескольких метрах вбок от коврика, записывающей четкое видео с частотой 240 кадров в секунду. Программное обеспечение сначала разбивает видео на отдельные кадры и использует готовый детектор, чтобы быстро определить, когда спортсмен появляется и покидает сцену. В этом окне оно ищет момент, когда пяточная точка максимально высока в изображении (пик прыжка), а затем — более поздние кадры, где положение пятки перестаёт меняться, что указывает на устойчивое приземление. Такая автоматическая выборка ключевых кадров позволяет системе не тратить время на анализ каждого кадра и избегать помех от частичных видов, когда спортсмен лишь наполовину в кадре.

Поиск коврика, пятки и реального расстояния

После определения кадра с приземлением активируется собственная модель сегментации FastNetSeg. Эта легковесная сеть объединяет две идеи: ветвь‑Трансформер, улавливающую общую компоновку сцены, и компактную сверточную ветвь, сосредоточенную на локальных деталях. Вместе они закрашивают пиксели, принадлежащие спортсмену, и пиксели коврика. По маске коврика алгоритм прослеживает его внешнюю границу, сглаживает мелкие неровности и сводит её к четырём надежным опорным углам. По маске спортсмена другой алгоритм рассматривает контур нижне‑левой области тела, отфильтровывает нерелевантные зоны и локализует пятку по кривизне — фактически находя резкий перегиб там, где задняя часть стопы встречается с землей. Эти несколько ключевых точек дают исходные данные для измерения.

Как пиксели превращаются в сантиметры

Поскольку камера смотрит на коврик под углом, расстояния в изображении не соответствуют напрямую реальным сантиметрам: пиксель у дальнего края коврика может соответствовать большему физическому расстоянию, чем пиксель рядом с камерой. Чтобы преодолеть это, система обучает «отображение» из координат изображения на плоскую поверхность коврика, используя стандартный геометрический инструмент — проективное преобразование. Зная истинную длину и ширину коврика, ПО вычисляет, как любая видимая точка — особенно пятка — разместится на виде сверху поверхности. Затем применяется дополнительная корректирующая ступень на основе простой полиномиальной кривой, подогнанной по калибровочным прыжкам, чтобы уменьшить небольшие систематические ошибки, остающиеся у краёв поля зрения камеры.

Насколько хорошо это работает в реальной среде

Чтобы проверить систему в реалистичных условиях, исследователи собрали специальный датасет: 1200 прыжков от 200 студентов университета, снятых на открытом воздухе в разное время дня и при разной погоде. Аннотаторы‑люди рисовали пиксельные контуры спортсменов и ковриков для обучения и оценки модели. На современных, но доступных GPU полная система обрабатывает примерно 23 кадра в секунду, что достаточно быстро для использования в реальном времени во время школьных тестов. И критично: при сравнении оценок дистанции с аккуратными измерениями рулеткой средняя ошибка составляет всего около 0,71 сантиметра — меньше ширины пальца. Удаление любого из ключевых модулей, таких как фильтр неполного спортсмена, одинарное отображение или точный шаг по поиску пятки, резко снижает точность, подчёркивая важность полной архитектуры.

Более прозрачный и справедливый тест на прыжок

Проще говоря, работа показывает, что одна «умная» камера может заменить ручные рулетки и дорогие сенсорные установки для прыжка в длину с места без потери точности. Сочетая быструю видеоаналитику, точную сегментацию прыгунов и коврика, осторожное геометрическое преобразование из изображения в поверхность земли и финальный шаг сглаживания ошибок, система обеспечивает надежность на уровне сантиметра в реальном времени. С открытым кодом и инструментами калибровки школы и спортивные программы могли бы широко внедрить этот подход, делая фитнес‑тестирование быстрее, справедливее и менее зависимым от человеческого суждения.

Цитирование: Kuang, G., Li, S., Liu, Y. et al. A smart monocular vision metrology system based on computer for standing long jump. Sci Rep 16, 14611 (2026). https://doi.org/10.1038/s41598-026-44523-3

Ключевые слова: прыжок в длину с места, компьютерное зрение, спортивные измерения, глубокое обучение, фитнес‑тестирование