安阳工学院学报JournalofAnyangInstituteofTechnologyVol.22No.2（Gen.No.122）Mar.,2023第22卷第2期（总第122期）2023年3月DOI:10.19329/j.cnki.1673-2928.2023.02.023基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法周梦天（安徽科技学院，安徽滁州233100）摘要：以改善聚类分析质量，更好地挖掘大学生体育锻炼行为特征为目的，研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法。通过背景减除的方式确定体育锻炼视频图像中的大学生身体，获取其二值图像，通过图像矩判断体育锻炼中大学生身体的质心，结合局部二值模式直方图特征与质心速度特征获取体育锻炼行为特征向量。构建基于蚁群算法的聚类模型，根据体育锻炼行为特征向量间的一致度实现体育锻炼行为特征聚类。同时针对蚁群算法收敛效率差，且有较大概率产生停滞问题的缺陷，通过优化信息素更新方式与蚂蚁选择路径方式优化蚁群算法。实验结果显示该方法能够准确提取体育锻炼行为特征，获取高质量的体育锻炼行为特征聚类结果。关键词：蚁群算法；体育锻炼；行为特征；聚类挖掘；质心；信息素更新中图分类号：TP311.3文献标志码：A文章编号：1673-2928（2023）02-0118-06现代教育具有整体化与系统化的特征，而随着现代教育中对体育功能的认知提升，国内外大量专业学者对于体育锻炼行为的重要性进行了深入研究[1]。因此当代大学生在重视专业技能学习的同时，还需要注重通过体育锻炼提升自身身体素质[2]。而科学的体育锻炼是以技术监控的反馈信息为基础的[3]，根据反馈信息调整体育锻炼强度与运动行为，达到科学锻炼的目的。路来冰等在研究体育运动行为的聚类问题过程中引入人工智能技术，采用CiteSpaceV软件对体育运动行为视频图像实施可视化处理后，利用人工神经网络算法对体育运动行为进行聚类分析。但该算法在实际应用过程中无法准确提取体育运动行为特征[4]。邱云飞等在研究运动网格统计方法过程中引入局部聚类算法，采用局部区域抑制算法选取特征点作为聚类中心，获取运动网格，确定网格运动主方向，实现图像间的匹配[5]。但该算法实际应用过程中的聚类数量是人工设定的，所以导致最终聚类结果具有显著误差。针对上述问题，研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法，更好地实现大学生体育锻炼行为特征聚类。1大学生体育锻炼行为特征聚类挖掘1.1大学生体育锻炼行为特征提取在大学生体育锻炼过程中产生起跳动作的条件下，在水平方向与垂直方向上，大学生自身身体的质...
