超媒体阶段

四、超媒体阶段

随着计算机技术、网络技术和多媒体技术的迅速发展，超媒体系统逐步进入教学领域，以实现跨平台处理多媒体数据。

1.体育教学领域

随着现代教育技术的发展，电子课件、网络课程、立体化教材等事物的出现，为体育教学改革提供了新思路。20世纪90年代末，体育高等院校开始大量开发CAI课件用于辅助教学，取得了较好的教学效果，如图3—10为羽毛球基本技术CAI课件截图。同时，体育高校还出现了大量精品课程和网络课程，为教师的教学和学生的学习提供了新的平台，如图3—11为篮球国家级精品课程截图。

图3—10　羽毛球基本技术CAI课件

图3—11　篮球国家级精品课程

2.竞技体育领域

随着全球对竞技体育的重视，竞技体育已经发展到了一个相当水平，进一步提高运动成绩越来越依赖于先进的科学技术。国内外的体育专家经过长期实践与研究一致公认：在运动训练中引入数字视频技术，对运动技术提供基于视频的分析，可以帮助运动员在训练过程中尽快掌握动作的技术要领，减少盲目的重复，极大地提高训练效率、降低运动员受伤害的可能性，从而达到最佳的训练效果。目前在国外出现了几款运动技术视频分析软件，如瑞士Dart Fish公司的Dart Trainer软件，SIMI公司的系列软件。此类软件已经在竞技体育运动训练中发挥了重要作用。在备战雅典奥运会训练时，美国奥委会为各个运动项目的美国国家队都装备了Dart Trainer软件。

运动视频分析是指对视频呈现的全局运动信息以及局部运动信息进行分析、描述和利用。它涉及到图像处理、计算机视觉、模式识别等相关技术。运动视频分析关键技术有全局运动估计技术、运动视频全景图合成技术、视频运动对象提取技术、视频运动目标跟踪技术、视频内容标注技术等。

全局运动是指在视频序列中占有较大比例的像素运动。全局运动估计的目的就是要从视频序列中找出造成全局运动的摄像机运动的规律。通常运动视频一般都存在显著的摄像机运动，因此获得准确的全局运动参数是进行运动技术视频分析的基础。

全景图合成是指由描述连续场景的一系列局部图像，得到一个单一的、展现整个场景全貌的图像。在传统的应用中，全景图获取的是场景中静态的没有移动的背景。近年来，围绕辅助与指导运动训练，对全景图合成又提出了新的要求。运动视频全景图不仅要完整地构建出运动场景的全局背景，更要求在背景上展现出一系列的前景，即运动员图像，从而完整展现出运动的轨迹和动作的细节。相对于运动视频本身，全景图提供的信息更直观、更全面，可以帮助教练员和运动员对动作的完成情况静态地进行分析，从全局上掌握动作的要领。

视频运动对象提取的目的就是要把场景中的运动对象同背景分割开来，是实现基于对象的运动分析功能的基础（如图3—12所示），现有的视频运动对象提取方法可简单地分为两类：一类以时序属性为分割依据，根据视频的时序属性来分割运动对象；另一类方法以空间属性为分割依据，主要根据图像的区域或者边缘信息来分割运动对象。

视频运动目标跟踪技术是指基于位置、运动、形状、纹理和颜色等特征，在连续的图像间建立起图像结构的对应性，可用于在视频中锁定运动目标，自动获取其运动轨迹。运动目标跟踪是计算机视觉领域的一个重要研究内容。

对运动视频进行内容标注的目的是实现对大量的运动视频数据进行有效的内容管理，便于用户快速找到所需的视频内容。体育运动视频是海量数据，在运动训练与教学中，用户真正关心并有可能反复观看的却只是其中的小部分。用户需要一种方便快捷的手段来访问运动视频的内容。对于运动视频，其内容标注主要是指通过对运动视频中各种特征的提取和处理来分析语义信息。常用的特征包括视觉的、听觉的以及文本的。视觉特征主要有颜色、形状、纹理和运动等。听觉的特征主要通过对与比赛相关声音，如击球声、观众的欢呼声以及解说员的语音进行处理来提取。文本的特征则来自于两个方面：一个是视频画面上出现的文字，另一个是电视信号中的隐藏字幕。

图3—12　网球视频运动对象提取结果

体育视频分析经过10多年的发展，在研究内容、算法、系统和应用等方面都有很大扩展与进步。从研究的广度来说，从单一的足球节目到多项球类运动（足球、篮球、网球、排球、乒乓球、橄榄球、棒球等），田径运动以及游泳等运动。在算法方面，由单一模态特征到多模态特征融合，从启发式推理到自动机器学习，算法在性能和速度上都有了很大进步。

1.国外教育技术的发展历史中有那几个标志性的阶段？谈谈各阶段的特点及对教育技术发展的作用。

2.谈谈我国教育技术发展的经历和发展中的问题以及解决方法。

3.谈谈现代体育教育技术发展历史。