1.一种基于人工智能的羽毛球发球控制方法，其特征在于，包括如下步骤：

采集标准羽毛球对战视频集，所述标准羽毛球对战视频集中包括n段不同难度等级的标准羽毛球对战视频，其中第i段标准羽毛球对战视频包括双方运动员mi个无失误的击球来回，其中i取值从1到n；对所述标准羽毛球对战视频中双方运动员的运动姿态、身体运动信息和球拍运动信息进行分析，形成n个不同难度等级的标准发球策略集和形成n个不同难度等级的标准接球特征集；所述标准发球策略集包括发球次数mi、发球间隔时间、发球位置、发球高度、发球角度和发球力度；所述标准接球特征集包括姿态动作类别特征向量、关键点移动速度特征向量和球拍运动特征向量；所述关键点移动速度特征向量指人体特定身体部位的移动速度特征向量；当开始训练任务时，自动发球机按照某一难度等级下的标准发球策略集实现发球控制，训练人员作为接球方进行接球训练；采集训练人员的实时接球视频并分析，得到训练人员实时接球特征集和训练人员整体接球特征集；所述训练人员实时接球特征集对应于每一颗发球策略中训练人员的实时接球反应；所述训练人员整体接球特征集对应于这一轮发球策略中训练人员的整体接球反应；所述训练人员实时接球特征集包括每一颗球分别对应的训练人员接球结果和训练人员姿态动作类别特征向量；所述训练人员整体接球特征集具体计算方式与标准接球特征集计算方式相同；利用训练人员实时接球特征集确定下一颗球的发球策略并执行；利用标准接球特征集和训练人员整体接球特征集，确定下一阶段的发球策略并执行。

2.如权利要求1所述的一种基于人工智能的羽毛球发球控制方法，其特征在于，所述形成n个不同难度等级的标准发球策略集，具体包括：

将第i段标准羽毛球对战视频中的双方运动员分别标注为运动员A和运动员B；对标准羽毛球对战视频中的运动员A进行识别跟踪，定位mi个来回中运动员A对应的mi次击球图像帧IA1~IAmi，分别以每次击球图像帧IAmi为中心，抽取对战视频中IAmi的后ki张图像帧，与当前击球图像帧IAmi共同形成总数量为ki+1的运动员A第i次击球关键帧图像集合IA_i；

计算mi次击球图像帧IA1~IAmi中的前后相邻帧之间的时间戳差值，得到mi‑1次时间戳差值，作为标准发球策略集中的发球间隔时间；

构建羽毛球场对应的空间数据模型，建立像素坐标系和球场平面坐标系之间的坐标映射模型；

分别对mi次击球图像帧IA1~IAmi中的每一张进行半场球场区域识别并分割，得到包括运动员A的球鞋和羽毛球在内的半场球场区域图像；对所述半场球场区域图像中的运动员A的球鞋和羽毛球分别进行轮廓检测得到球鞋区域和羽毛球区域，分别计算该球鞋区域和羽毛球区域对应的2个最小外接矩形，得到球鞋质心像素坐标和羽毛球质心像素坐标，通过球鞋质心像素坐标和羽毛球质心像素坐标之间的相对位置，得到羽毛球的高度像素坐标，利用所述坐标映射模型得到球鞋地面坐标和羽毛球高度坐标，将所述球鞋地面坐标和羽毛球高度坐标分别作为标准发球策略集中的发球位置和发球高度；

分别对所述关键帧图像集合IA_i中的每张图像进行羽毛球识别并追踪，得到羽毛球运动关键点轨迹序列((x1,y1,t1),(x2,y2,t2),(x3,y3,t3),...,(xj,yj,tj))，其中，(xj,yj,tj)表示第j个关键点对应的横坐标、纵坐标和时间戳；利用该羽毛球运动关键点轨迹序列计算出羽毛球的飞行角度和初始速度，将所述飞行角度作为标准发球策略集中的发球角度；利用所述飞行角度和初始速度得到羽毛球的击球力度，将所述击球力度作为标准发球策略集中的发球力度；

按照上述方法分别对所述n段不同难度等级的标准羽毛球对战视频进行处理，得到n个不同难度等级的标准发球策略集。

3.如权利要求1所述的一种基于人工智能的羽毛球发球控制方法，其特征在于，所述形成n个不同难度等级的标准接球特征集，具体包括：

将第i段标准羽毛球对战视频中的双方运动员分别标注为运动员A和运动员B；对标准羽毛球对战视频中的运动员B进行识别跟踪，定位mi个来回中运动员B对应的mi次击球图像帧IB1~IBmi，分别以每次击球图像帧IBmi为中心，抽取对战视频中IBmi的前后各ki张图像帧，与当前击球图像帧IBmi共同形成总数量为2ki+1的运动员B第i次击球关键帧图像集合IB_i；

分别对所述关键帧图像集合IB_i中的每张图像进行运动员B识别并分割，得到运动员B的人体区域图像，对所述人体区域图像进行关键点检测，得到包括鼻子、脖子、左右肩膀、左右肘部、左右手腕、左右髋部、左右膝部和左右脚踝的共计14个关键点对应的关键点空间坐标集合；

利用所述关键点空间坐标集合得到关节角度特征集和关节距离特征集，将所述关节角度特征集和关节距离特征集进行拼接得到姿态动作特征向量，将所述姿态动作特征向量输入到预先训练好的姿态动作识别模型中进行识别，得到对应的姿态动作类别，所述姿态动作类别包括跳跃、侧身和抬手臂；将所述关键帧图像集合IB_i中的每张图像对应的姿态动作类别按照时间戳顺序组合得到标准接球特征集中的姿态动作类别特征向量；

利用关键帧图像集合IB_i中的每张相邻图像的所述关键点空间坐标集合，得到每个关键点在x和y方向上的移动速度序列，作为标准接球特征集中的关键点移动速度特征向量；

分别对所述关键帧图像集合IB_i中的每张图像进行球拍识别并分割，得到球拍区域图像，对所述球拍区域图像进行处理，计算球拍区域对应的最小外接矩形面积值和最小外接矩形质心坐标值；

分别对mi次击球图像帧IB1~IBmi中的每张图像进行球拍和羽毛球体识别，计算出球拍区域的最小外接矩形质心坐标值和羽毛球撞球点坐标值，得到撞球点相对坐标值；

将所述关键帧图像集合IB_i中的每张图像对应的面积值、质心坐标值和撞球点相对坐标值按照时间戳顺序组合得到标准接球特征集中的球拍运动特征向量；

按照上述方法分别对所述n段不同难度等级的标准羽毛球对战视频进行处理，得到n个不同难度等级的标准接球特征集。

4.如权利要求2或3所述的一种基于人工智能的羽毛球发球控制方法，其特征在于，所述训练人员实时接球特征集和训练人员整体接球特征集，具体包括：所述训练人员姿态动作类别特征向量通过处理分析训练人员的实时接球视频得到，具体计算方式与标准接球特征集中的运动员姿态动作类别特征向量计算方式相同；所述训练人员整体接球特征集通过处理分析训练人员的实时接球视频得到。

5.如权利要求1所述的一种基于人工智能的羽毛球发球控制方法，其特征在于，所述利用训练人员实时接球特征集确定下一颗球的发球策略并执行，具体包括：若实时接球特征集中的接球结果为失败，且训练人员姿态动作类别特征向量与标准接球特征集中对应球次的运动员姿态动作类别特征向量相似度小于预设阈值Tp，则下一颗球的发球策略重复本次发球策略，否则，按照预定的标准发球策略对应的下一球次发球策略进行发球；所述利用标准接球特征集和训练人员整体接球特征集，确定下一阶段的发球策略并执行，具体包括：若训练人员整体接球特征集与标准接球特征集之间的相似度小于预设阈值Tw，且整体接球失误率大于预设阈值Tn，则下一阶段的发球策略重复本阶段的发球策略，否则，认为本阶段发球策略对应的接球训练合格，下一阶段可进行难度更高的训练。

6.一种基于人工智能的羽毛球发球控制系统，其特征在于，包括如下功能模块：

标准对战视频处理分析模块：采集标准羽毛球对战视频集，所述标准羽毛球对战视频集中包括n段不同难度等级的标准羽毛球对战视频，其中第i段标准羽毛球对战视频包括双方运动员mi个无失误的击球来回，其中i取值从1到n；对所述标准羽毛球对战视频中双方运动员的运动姿态、身体运动信息和球拍运动信息进行分析，形成n个不同难度等级的标准发球策略集和标准接球特征集；所述标准发球策略集包括发球次数mi、发球间隔时间、发球位置、发球高度、发球角度和发球力度；所述标准接球特征集包括姿态动作类别特征向量、关键点移动速度特征向量和球拍运动特征向量；所述关键点移动速度特征向量指人体特定身体部位的移动速度特征向量；

发球控制分析模块：当开始训练任务时，自动发球机按照某一难度等级下的标准发球策略集实现发球控制，训练人员作为接球方进行接球训练；采集训练人员的实时接球视频并分析，得到训练人员实时接球特征集和训练人员整体接球特征集；所述训练人员实时接球特征集对应于每一颗发球策略中训练人员的实时接球反应；所述训练人员整体接球特征集对应于这一轮发球策略中训练人员的整体接球反应；所述训练人员实时接球特征集包括每一颗球分别对应的训练人员接球结果和训练人员姿态动作类别特征向量；所述训练人员整体接球特征集具体计算方式与标准接球特征集计算方式相同；

发球策略调整模块：利用训练人员实时接球特征集确定下一颗球的发球策略并执行；

利用标准接球特征集和训练人员整体接球特征集，确定下一阶段的发球策略并执行。

7.如权利要求6所述的一种基于人工智能的羽毛球发球控制系统，其特征在于，所述标准对战视频处理分析模块，具体包括：

标准发球策略集计算单元：将第i段标准羽毛球对战视频中的双方运动员分别标注为运动员A和运动员B；对标准羽毛球对战视频中的运动员A进行识别跟踪，定位mi个来回中运动员A对应的mi次击球图像帧IA1~IAmi，分别以每次击球图像帧IAmi为中心，抽取对战视频中IAmi的后ki张图像帧，与当前击球图像帧IAmi共同形成总数量为ki+1的运动员A第i次击球关键帧图像集合IA_i；

计算mi次击球图像帧IA1~IAmi中的前后相邻帧之间的时间戳差值，得到mi‑1次时间戳差值，作为标准发球策略集中的发球间隔时间；

构建羽毛球场对应的空间数据模型，建立像素坐标系和球场平面坐标系之间的坐标映射模型；

分别对mi次击球图像帧IA1~IAmi中的每一张进行半场球场区域识别并分割，得到包括运动员A的球鞋和羽毛球在内的半场球场区域图像；对所述半场球场区域图像中的运动员A的球鞋和羽毛球分别进行轮廓检测得到球鞋区域和羽毛球区域，分别计算该球鞋区域和羽毛球区域对应的2个最小外接矩形，得到球鞋质心像素坐标和羽毛球质心像素坐标，通过球鞋质心像素坐标和羽毛球质心像素坐标之间的相对位置，得到羽毛球的高度像素坐标，利用所述坐标映射模型得到球鞋地面坐标和羽毛球高度坐标，将所述球鞋地面坐标和羽毛球高度坐标分别作为标准发球策略集中的发球位置和发球高度；

分别对所述关键帧图像集合IA_i中的每张图像进行羽毛球识别并追踪，得到羽毛球运动关键点轨迹序列((x1,y1,t1),(x2,y2,t2),(x3,y3,t3),...,(xj,yj,tj))，其中，(xj,yj,tj)表示第j个关键点对应的横坐标、纵坐标和时间戳；利用该羽毛球运动关键点轨迹序列计算出羽毛球的飞行角度和初始速度，将所述飞行角度作为标准发球策略集中的发球角度；利用所述飞行角度和初始速度得到羽毛球的击球力度，将所述击球力度作为标准发球策略集中的发球力度；

分别对所述n段不同难度等级的标准羽毛球对战视频进行上述处理，得到n个不同难度等级的标准发球策略集。

8.如权利要求6所述的一种基于人工智能的羽毛球发球控制系统，其特征在于，所述标准对战视频处理分析模块，具体包括：

标准接球特征集计算单元：将第i段标准羽毛球对战视频中的双方运动员分别标注为运动员A和运动员B；对标准羽毛球对战视频中的运动员B进行识别跟踪，定位mi个来回中运动员B对应的mi次击球图像帧IB1~IBmi，分别以每次击球图像帧IBmi为中心，抽取对战视频中IBmi的前后各ki张图像帧，与当前击球图像帧IBmi共同形成总数量为2ki+1的运动员B第i次击球关键帧图像集合IB_i；

分别对所述关键帧图像集合IB_i中的每张图像进行运动员B识别并分割，得到运动员B的人体区域图像，对所述人体区域图像进行关键点检测，得到包括鼻子、脖子、左右肩膀、左右肘部、左右手腕、左右髋部、左右膝部和左右脚踝的共计14个关键点对应的关键点空间坐标集合；

利用所述关键点空间坐标集合得到关节角度特征集和关节距离特征集，将所述关节角度特征集和关节距离特征集进行拼接得到姿态动作特征向量，将所述姿态动作特征向量输入到预先训练好的姿态动作识别模型中进行识别，得到对应的姿态动作类别，所述姿态动作类别包括跳跃、侧身和抬手臂；将所述关键帧图像集合IB_i中的每张图像对应的姿态动作类别按照时间戳顺序组合得到标准接球特征集中的姿态动作类别特征向量；

利用关键帧图像集合IB_i中的每张相邻图像的所述关键点空间坐标集合，得到每个关键点在x和y方向上的移动速度序列，作为标准接球特征集中的关键点移动速度特征向量；

分别对所述关键帧图像集合IB_i中的每张图像进行球拍识别并分割，得到球拍区域图像，对所述球拍区域图像进行处理，计算球拍区域对应的最小外接矩形面积值和最小外接矩形质心坐标值；

分别对mi次击球图像帧IB1~IBmi中的每张图像进行球拍和羽毛球体识别，计算出球拍区域的最小外接矩形质心坐标值和羽毛球撞球点坐标值，得到撞球点相对坐标值；

将所述关键帧图像集合IB_i中的每张图像对应的面积值、质心坐标值和撞球点相对坐标值按照时间戳顺序组合得到标准接球特征集中的球拍运动特征向量；

分别对所述n段不同难度等级的标准羽毛球对战视频进行上述处理，得到n个不同难度等级的标准接球特征集。

9.如权利要求7或8所述的一种基于人工智能的羽毛球发球控制系统，其特征在于，所述发球控制分析模块，具体包括：

实时接球特征集计算单元：所述训练人员姿态动作类别特征向量通过处理分析训练人员的实时接球视频得到，具体计算方式与标准接球特征集中的运动员姿态动作类别特征向量计算方式相同；

整体接球特征集计算单元：所述训练人员的整体接球特征集通过处理分析训练人员的实时接球视频得到。

10.如权利要求6所述的一种基于人工智能的羽毛球发球控制系统，其特征在于，所述发球策略调整模块，具体包括：

若实时接球特征集中的接球结果为失败，且训练人员姿态动作类别特征向量与标准接球特征集中对应球次的运动员姿态动作类别特征向量相似度小于预设阈值Tp，则下一颗球的发球策略重复本次发球策略，否则，按照预定的标准发球策略对应的下一球次发球策略进行发球；所述利用标准接球特征集和训练人员整体接球特征集，确定下一阶段的发球策略并执行，具体包括：若训练人员整体接球特征集与标准接球特征集之间的相似度小于预设阈值Tw，且整体接球失误率大于预设阈值Tn，则下一阶段的发球策略重复本阶段的发球策略，否则，认为本阶段发球策略对应的接球训练合格，下一阶段可进行难度更高的训练。