编辑推荐：
为解决传统步法分析不准确、不易被接受的问题，研究人员开展基于支持向量机（SVM）算法的图像处理方法用于田径运动步法识别与轨迹跟踪的研究。结果表明 SVM 算法分类准确率高，该方法能提升运动员成绩，对田径运动发展有重要意义。
在田径运动的赛场上，运动员的每一步都关乎成绩。精准的步法不仅能让专业运动员如虎添翼，提升比赛成绩，还能帮助普通训练者降低受伤风险。然而，传统的步法分析方式存在诸多弊端。以往，教练主要依靠人工观察、记录和分析运动员的训练或比赛情况，这种方式不仅受限于教练数量，难以满足众多运动员的训练需求，而且无法精确获取脚步运动中的加速度、角速度等关键数据，使得训练难以深入、科学地开展。随着田径运动的不断发展，以及人们对运动成绩和训练效果要求的日益提高，寻找一种更智能、精准、高效的步法分析方法迫在眉睫。
为了解决这些问题，东北师范大学体育学院、吉林大学机械与航空航天工程学院以及哈尔滨工程大学船舶工程学院的研究人员联合开展了一项研究。他们利用基于支持向量机（SVM）算法的图像处理技术，对田径运动员的步法进行识别和轨迹跟踪。该研究成果发表在《Scientific Reports》上，为田径运动的训练和发展提供了新的思路和方法。
在这项研究中，研究人员运用了多种关键技术方法。首先是数据采集，他们从奥运会田径比赛运动员的视频中提取 13 秒的视频图像，同时选取 10 名学校运动员（6 男 4 女），用摄像机跟踪其运动步伐和轨迹。接着进行数据预处理，采用中值滤波和均值滤波算法对图像进行两次降噪处理，去除图像中的噪声干扰。然后利用尺度不变特征变换（SIFT）算法进行特征提取，该算法能在不同尺度空间中搜索关键点，对图像的旋转、平移、缩放和亮度变化具有不变性。最后使用 SVM 算法对提取的特征进行分类，通过优化模型参数，提高分类准确率。
研究结果主要体现在以下几个方面：
- 算法性能比较：研究人员对比了 SVM 算法与其他分类算法（如 KNN、朴素贝叶斯、决策树、卷积神经网络（CNN））对田径步法特征的识别效果。以 2021 年东京奥运会短跑视频为数据来源，将步法特征分为左脚落地（L1）、左脚腾空（L2）、右脚落地（R1）、右脚腾空（R2）四类。结果显示，SVM 算法的识别准确率较高，在 L1、L2、R1、R2 的识别准确率分别达到 96.8%、99.8%、93.4%、93.7% ，其 F1 评分在四个动作上也均高于其他模型，表明 SVM 算法在运动轨迹识别和脚步动作分类方面具有较高的精度和稳定性。不过，SVM 算法也存在过度拟合的风险，尤其在训练数据有限或数据分布简单的情况下更为明显。
- 步法标准化效果验证：研究人员以 10 名学校运动员为样本，对其动作进行标准化处理。对比标准化前后的运动轨迹发现，在 X 轴上，田径运动员的直线轨迹位移和曲线轨迹位移呈上升趋势；在 Y 轴上，线性轨迹位移和曲线轨迹位移相对稳定；在 Z 轴上则有所下降。在 100 米短跑测试中，运动员标准化前的平均成绩在 11.4 秒至 11.8 秒之间，标准化后成绩提升至 10.95 秒至 11.2 秒之间，这充分验证了该方法的有效性。
- 方法接受度调查：研究人员通过问卷调查的方式收集了 500 份问卷，最终获得 413 份有效问卷。调查结果显示，在田径运动中男性参与比例高于女性，运动员年龄主要分布在 15 - 30 岁。超过 80% 的人认为步法和步长对田径运动成绩有影响，并且如果标准化图像处理方法能提升成绩，大多数人愿意接受该方法，其中男性的接受程度更高，这表明该方法具有良好的推广潜力。
综合来看，研究人员通过一系列实验和分析得出结论：基于 SVM 算法的图像处理方法能够有效识别田径运动员的步法并跟踪其轨迹，显著提高运动员的运动成绩，且该方法在后续推广中没有明显困难。这一研究成果为田径运动的训练和比赛提供了有力的技术支持，有助于教练制定更科学的训练计划，提升运动员的训练效果和竞技水平，推动田径运动的健康发展。同时，研究人员也指出，该研究过程中存在一些问题，如数据集的收集规模有待进一步扩大，需要增加样本数量和田径步法动作类型，以增强结论的客观性；在步法识别和轨迹跟踪的效率方面也还有提升空间。未来，有望通过进一步的研究和改进，为田径运动带来更多的突破和发展。
