Real Time Hand Pose Estimation using Depth Sensors Cem Keskin,Furkan K?rac?,Yunus Emre Kara and Lale Akarun
Bo?g azic?i University
Computer Engineering Department,34342,Istanbul,Turkey keskinc@https://www.doczj.com/doc/d816205376.html,.tr,{kiracmus,yunus.kara,akarun}@https://www.doczj.com/doc/d816205376.html,.tr
Abstract
This paper describes a depth image based real–time skeleton?tting algorithm for the hand,using an object recognition by parts approach,and the use of this hand modeler in an American Sign Language(ASL)digit recog-nition application.In particular,we created a realistic 3D hand model that represents the hand with21different parts.Random decision forests(RDF)are trained on syn-thetic depth images generated by animating the hand model, which are then used to perform per pixel classi?cation and assign each pixel to a hand part.The classi?cation results are fed into a local mode?nding algorithm to estimate the joint locations for the hand skeleton.The system can pro-cess depth images retrieved from Kinect in real–time at30 fps.As an application of the system,we also describe a support vector machine(SVM)based recognition module for the ten digits of ASL based on our method,which at-tains a recognition rate of99.9%on live depth images in real–time1.
1.Introduction
After the release of multi–touch enabled smart phones and operating systems,there has been a renewed interest in natural interfaces and particularly in hand gestures.Hand gestures are used in these systems to interact with programs such as games,browsers,e–mail readers and a diverse set of tools.Vision based hand gesture recognition,and partic-ularly sign language recognition have attracted the interest of researchers for more than20years.Yet,a framework that robustly detects the naked hand and recognizes hand poses and gestures from colored images has continued to be elu-sive.This can be attributed mostly to the large variance of the retrieved images caused by changing light conditions, and to the dif?culty of distinguishing the hand from other body parts.With the release of Kinect[1],a depth sensor 1This work has been supported by research grants Tubitak108E161 and BU-BAP09M101.
that can work in absolute darkness,the hand detection and segmentation processes are considerably simpli?ed.Thus, libraries for basic hand gesture recognition tasks have been developed.However,these only consider hand movement, and not hand pose.The estimation of the hand skeleton con-?guration has largely remained unsolved.
Recently,Kinect has been used to achieve real–time body tracking capabilities,which has triggered a new era of natural interface based applications.In their revolutionary work,Shotton et al.?t a skeleton to the human body using their object recognition based approach[14].The idea is applicable to the hand pose estimation problem as well,but there are some notable differences between the human body and hand:i)The projected depth image of a hand is much smaller than that of a body;ii)A body can be assumed to be upright but a hand can take any orientation;iii)In the case of hands,the number of possible meaningful con?gurations is much higher and the problem of self occlusion is severe.
On the other hand,the inter–personal variance of the shape of hands is much smaller compared to the huge differences between fully clothed human bodies.
Most approaches to hand pose estimation problem make use of regular RGB cameras.Erol et al.[7]divide the pose estimation methods into two main groups in their re-view:partial and full pose estimation methods.They further divide the full pose estimation methods into single frame pose estimation and model-based tracking methods.Athit-sos et al.[2]estimate3D hand pose from a cluttered image.
They create a large database of synthetic hand poses using an articulated model and?nd the closest match from this database.De Campos and Murray[5]use a relevance vec-tor machine[19]based learning method for single frame hand pose recovery.They combine multiple views to over-come the self-occlusion problem.They also report single and multiple view performances for both synthetic and real images.Rosales et al.[13]use monocular color sequences for recovering3D hand poses.Their system maps image features to3D hand poses using specialized mappings.Ster-giopoulou and Papamarkos[16]?t a neural network into the detected hand region.They recognize the hand gesture us-1
ing the grid of the produced neurons.De La Gorce et al.[6] use model-based tracking of the hand pose in monocular videos.Oikonomidis et al.[12]present a generative single hypothesis model-based pose estimation method.They use particle swarm optimization for solving the3D hand pose recovery problem.Stenger et al.[15]apply model-based tracking using an articulated hand model and estimate the pose with an unscented Kalman?lter.
A number of approaches have been reported to estimate the hand pose from depth images.Mo and Neumann[11] use a laser-based camera to produce low-resolution depth images.They interpolate hand pose using basic sets of?n-ger poses and inter-relations.Malassiotis and Strintzis[10] extract PCA features from depth images of synthetic3D hand models for training.Liu and Fujimura[9]recognize hand gestures using depth images acquired by a time-of-?ight camera.The authors detect hands by thresholding the depth data and use Chamfer distance to measure shape sim-ilarity.Then,they analyze the trajectory of the hand and classify gestures using shape,location,trajectory,orienta-tion and speed features.Suryanarayan et al.[18]use depth information and recognize scale and rotation invariant poses dynamically.They classify six signature hand poses using a volumetric shape descriptor which they form by augment-ing2D image data with depth information.They use SVM for classi?cation.
In this work,we largely follow the approach in[14]. Adopting the idea of an intermediate representation for the tracked object,we generate synthetic hand images and label their parts,such that each skeleton joint is at the center of one of the labeled parts.We form large datasets created from random and manually set skeleton parameters,and train several randomized decision trees(RDT)[3],which are then used to classify each pixel of the retrieved depth image.Finally,we apply mean shift algorithm to estimate the joint centers as in[14].The resulting framework can estimate the full hand poses in real time.As a proof of con-cept,we demonstrate the system by using it to recognize American Sign Language(ASL)digits.
In Section2we describe the methodology used for?tting the skeleton.Section3lists the details of conducted exper-iments and presents our results on ASL digit recognition. Finally,we conclude the paper and discuss future work in Section4.
2.Methodology
The?owchart of the system can be viewed in Figure1. Our framework handles automatic generation and labeling of synthetic training images by manually setting or ran-domizing each skeleton parameter.It can then form large datasets by interpolating poses and perturbing joints via ad-dition of Gaussian noise to each joint angle without violat-ing skeleton constraints.Multiple decision trees are then trained on separate datasets,which form forests that boost the per pixel classi?cation accuracy of the system.Finally, posterior probabilities of each pixel are combined to esti-mate the3D joint coordinates,and the corresponding skele-ton is rendered.The application can connect to Kinect and perform skeleton?tting in real–time without experiencing frame
drops.
Figure1.Flowchart of the system
The overall accuracy of the system largely depends on the ef?ciency of the individual RDTs.If the tree height is excessive or if training images do not re?ect the variety of hand poses encountered in real life,the trees over?t and can-not generalize well.A solution is to feed a large number of real life training images to the system.However,Shotton et al.reported in[14]that synthetic images are more useful for generalization,since real images of unlikely con?gura-tions are rare,and most of the possible con?gurations do not exist in real datasets.Given that the inter–personal vari-ance is much lower for hands,we decided to put more ef-fort into generating realistic synthetic images that re?ect the variance well,and trained the system using these images.
2.1.Data
We use a3D skinned mesh model with a hierarchical skeleton,consisting of19bones,15joints and21different parts as viewed in Figure2.The hand parts are chosen in a way to ensure that all signi?cant skeleton joints are in the centers of some parts.Hence,the thumb contains three parts and all the other?ngers contain four parts that signify each bone tip.The palm has been divided into two different parts, namely,upper and lower palm,so that the topology of the hand can be inferred better.The model can be animated and rendered with or without shading to generate depth images and labeled images,respectively.
We trained several RDTs on synthetic datasets of size ranging from60K to200K images.These datasets are de-signed with target applications in mind,so that the trained trees can generalize well to previously unseen hand poses that can be encountered during common tasks.These con-tain mostly common hand poses used for games,natural in-
(a)(b)
Figure2.3D hand model with hierarchical skeleton and labeled parts
terfaces and sign languages,such as the letters of ASL,all of which are manually modeled.The animator tool can inter-polate between these poses using the hierarchical skeleton model,and add slight variations to each frame by perturbing joint locations,while changing the camera pose.Skeletal constraints are applied to each interpolated pose,ensuring that the resulting con?gurations are feasible.
2.2.Features
Since we perform per pixel classi?cation,the complex-ity of the features has a large impact on the ef?ciency of the system.We use the same simple depth comparison features as in[14],since their choice proved to be very fast and ef?-cient.For a pixel at coordinate x,two vectors u and v,and depth image I,where I(c)gives the depth of the pixel at the coordinate c,a feature F u,v(I,x)can be computed as follows:
F u,v(I,x)=I(x+u
)?I(x+
v
)(1)
The offsets u and v are relative to the pixel in question,and normalized according to the depth at x.This ensures that the features are3D translation invariant.Note that,they are neither rotation nor scale invariant,and the training images should be generated accordingly.As background segmen-tation is easy for depth images,we assume that the pixels corresponding to the hand are known,and the depth values for the rest of the pixel locations,including the outside of the image,are taken to be a large constant value.
2.3.Per Pixel Classi?cation
Per pixel classi?cation is done with RDF[3].RDF is an ensemble of random decision trees,which improves the stability and accuracy of individual RDT considerably. RDTs on the other hand,perform stochastic discrimination, since they select a random subset of features in each step,which enables controlled variation during training.More-over,RDTs,and therefore RDFs are very fast,and can be implemented on the GPU.
During the training phase,the nodes of the RDTs learn to split the data into their left and right children in a way that produces purer nodes at each step.At a pure node,only samples that belong to the same class remain.In our case, each node learns a set of offsets u and v,and a threshold τ,and splits the data consisting of(I,x)pairs into two sets for each child,as follows:
C L(u,v,τ)={(I,x)|F u,v(I,x)<τ}(2)
C R(u,v,τ)={(I,x)|F u,v(I,x)>=τ}(3)
In the training phase,a large number of pixels and their depth images are input to the RDF.The features and the thresholds are chosen randomly by each node,and the split is scored by the total decrease in entropy:
S(u,v,τ)=H(C)?
s∈{L,R}
|C s(u,v,τ)|
|C|
H(C s(u,v,τ))
(4) where H(K)is the Shannon entropy estimated using the normalized histogram of the labels in the sample set K.At each node,several random selections for(u,v,τ)are made, and the one producing the maximum score is taken as the split criterion for the node.
All trees are trained with2500random pixels from each training image of size160x160.Pixel selection is not forced to be uniform over class labels,as some of the hand parts such as?nger tips are signi?cantly smaller than the others. Length of offset vectors u and v are selected uniformly be-tween zero and60pixels.Thresholdτis selected randomly from a range between a positive and negative depth value corresponding to200mm,which is roughly the size of a hand.We try up to4000different combinations of{u,v,τ} before choosing the best split for each node.
Classi?cation of a pixel(I,x)is performed by starting at the root node and assigning the pixel either to the left or the right child recursively until a leaf node is reached. Each leaf node is associated with a set of posterior proba-bilities P(c i|I,x)for each class c i learned during the train-ing phase.For the?nal decision,the posterior probabilities estimated by all the trees in the ensemble are averaged:
P(c i|I,x)=
1
N
N
n=1
P n(c i|I,x)(5)
where N is the number of trees in the ensemble.
To enhance the classi?cation results,we evaluate the en-tire set of pixels on the RDTs to recalculate the class label histograms at the leaves,which can increase the per pixel classi?cation accuracy by2–3%for individual trees and by 6–8%for forests.
2.4.Joint Position Estimation
After each pixel is assigned posterior probabilities,these are used to estimate the joint positions.Note that this ap-proach is likely to produce many false positives.These out-liers have a large effect on the centroid of the pixel locations belonging to a hand part.To reduce the effect of outliers, the mean shift local mode?nding algorithm[4]is preferred over?nding the global centroid of the points belonging to the same class.Mean shift algorithm estimates the prob-ability density of each class label with weighted Gaussian kernels placed on each sample.Each weight is set to be the pixel’s posterior probability P(c i|I,x)corresponding to the class label c i,times the square of the depth of the pixel,which is an estimate of the area the pixel covers,in-dicating its importance.The joint locations estimated using this method are on the surface of the hand and need to be pushed back to?nd an exact match for the actual skeleton. Since the thickness of the hand is nearly uniform,this trans-formation becomes a simple translation of the entire hand.
Mean shift algorithm uses a gradient ascent approach to locate the nearest maximum point.As the maxima are lo-cal,several different starting points are used and the one converging to the highest maximum is selected.
2.5.Occlusion Handling
Since hands are highly articulate and?exible objects, self occlusion of entire hand parts is natural and happens very frequently.Note that,since each pixel is assigned a posterior probability for every class,each class label most likely receives some non–zero probability mass in practice.
A decision regarding the visibility of the joint is made by thresholding the highest score reached during the mean shift phase.The effect of the thresholding process is shown in Figure2.5.Here,the images on the left are the original pixel classi?cation results.The images in the middle are the same images with the corresponding joint locations.These images show spurious joints,which are caused by false pos-itive pixels.The images on the right are produced by thresh-olding the con?dence of each joint.However,if the thresh-old is too high,this process might eliminate proper joints as well.In the top row,the threshold is too high,and in the bottom row,the threshold is too low.
Several analytical or machine learning based methods can be employed to infer the locations of the missing joints from the known ones.In particular,we trained Arti?cial Neural Network(ANN)regressors to estimate missing?n-ger joints from the?ngers,which are trained on commonly used hand poses to ensure realistic results.For pose classi?-cation tasks,however,the descriptive power of the skeleton is high enough even without the missing joints.Assign-ing the location of each occluded joint to the nearest visible joint proved to be a simple and ef?cient heuristic for pose
classi?cation.
(a)
(b)
(c)
(d)
(e)(f)
Figure3.Fitting of the hand skeleton and effect of thresholding the con?dence scores of each joint on two examples.
3.Experiments
3.1.Datasets
3.1.1Synthetic data
Synthetic datasets are used to train the RDFs for per pixel classi?cation task.Performance of RDFs depends heavily on the training set provided.Each training image set con-sists of a depth image synthetically rendered from the hand model and a corresponding labeled image.A utility is de-veloped for creating individual hand poses and animating an interpolation between such poses.The generated image sequences are then fed to the RDF training module.We used ASL letters,ASL digits and many well known and commonly used hand shapes to generate the animation se-quences.Each of these poses are interpolated and viewed from different angles using several extra frames,and each joint in the skeleton is perturbed using Gaussian noise to account for the inter-personal variance of hand shapes.We limited the size of each such dataset to200,000images due to memory constraints.
3.1.2Real data
For pose classi?cation tasks,we collected a dataset consist-ing of real depth and label images.A dataset for ten ASL digits are captured from ten different people.Each shot takes ten seconds,amounting to a total of300frames for each digit per person.To generate the label images,RDFs trained using synthetic datasets are used.Mean shift algo-rithm is used to estimate the joint locations of the real im-ages,and occluded joints are mapped to the closest joints as explained in Section2.5.These?nalized skeletons form the dataset that is used for pose classi?cation tasks.
3.2.Per pixel classi?cation results
We investigated the effects of tree height,pixel count,u ,v ,and τparameters on the per pixel classi?cation accuracy.Figures 4,5,and 6show these
effects.
Figure 4.The effect of tree height on per pixel classi?cation accu-racy.The extensions over the bars depict the effect of enhancing the trees using the entire dataset.The positive effect of increasing the tree height beyond 20is outweighed by the impact of increased need for memory.
Increasing the tree height has a positive effect on per pixel classi?cation accuracy as expected,but at the cost of considerable amount of memory for each new level.There-fore,the height of the trees used in the system is limited to 20,and the corresponding per pixel classi?cation rate is 67%after the training and 70%after enhancing the trees.Pixel count needs to be as high as possible,as some parts of the hand are very small,and are under-represented if the number of pixels per image is low.For u and v ,the best size is found to be 60,and the effect of changes in τhas been found to be negligible as long as it is larger than 20.
3.3.Proof of Concept:American Sign Language
Digit Recognizer
To test the system on a real world application,we devel-oped a framework for classifying ASL digits in real–time.The method described in Section 2gives estimates of the hand skeleton as output.The pose classi?er uses these esti-mates to recognize the digits by mapping the estimated joint coordinates to known hand poses.
To train the classi?ers,we ?rst train the RDFs and let them label the real ASL images acquired from the Kinect.The joint location estimates are found using these labels and input to several classi?ers that categorize the hand con?gu-ration into one of the ASL
poses.
(a)
(b)
Figure 5.The effects of u ,v ,and τon
accuracy
Figure 6.The effect of pixel count on accuracy
3.3.1Hand Pose Classi?ers
As the intended usage of the system is real–time recogni-tion of ASL digits,speed is as important a concern as the recognition rate.For all the classi?ers tested,parameter op-timization is performed ?rst,and the optimal parameters are used to conduct 5x2cross validation tests next.
We trained and tested the system on both real and syn-thetic data.The results on synthetic data are used mainly to optimize the parameters,test the effect of occlusion han-dling methods as discussed in Section 2.5and to test the feasibility of tested classi?ers for real–time execution.We trained ANNs,SVMs and decision forests on the synthetic data.On real data,we only use ANNs and SVMs.
3.3.2ASL Digit Classi?cation Results on Synthetic
Data
The synthetic dataset used to train the classi?ers consists of 20,000samples,formed by2000synthetic images for each of the ASL digits.The images are generated by perturbing the manually designed pose templates using Gaussian noise per joint angle,and by rotating the camera around the hand,
so that the same hand pose is viewed from different angles.
For the ANN,the optimum number of hidden nodes is estimated to be20.For SVMs,the optimal parameters are found to be26for the cost parameter and2?4for the Gaus-sian spread(γ).For decision forests,we used128trees to match the accuracy of SVMs.
The classi?cation accuracies and classi?cation times for each of the models are listed in Table1.The?rst col-umn gives the average accuracies achieved by the cross–validation tests.The second column gives the running times on a single core.Judging from these results,we prefer SVMs over RDFs as they proved to be more accurate.
The intermediate phases and the?nal skeletons for sev-eral examples are given in Figure7.
Method Accuracy Classi?cation
Name Duration(ms)
ANN99.890.0045
SVM99.960.3
RDF-12899.940.32
Table1.Classi?cation rates and evaluation times of each classi?er on the ASL digit dataset consisting of20,000synthetic images.
3.3.3ASL Digit Classi?cation Results on Real Data We conducted5x2cross validation and grid search to esti-mate the optimal parameters of the methods again for the real dataset.Table2shows the parameters tested.In Ta-ble3,we show the optimal values of the parameters and the respective accuracies.
Method Parameter
Name Values
ANN H={5,10,15,20,25,30,35,40,45,50,55}
SVM C={2?1,20,21,22,23,24,25,26,27}
SVMγ={2?5,2?4,2?3,2?2,2?1,20,21}
Table2.Tested parameter values(H:hidden nodes,C:SVM cost,γ:Gaussian spread)
Table3lists the optimal parameters and recognition rates on training and validation sets for ANNs and SVMs for real
data.SVMs
outperform ANNs and
reach
near perfect
ac-
curacy
on the
validation set,
indicating that
the descriptive
power of the
skeleton
is suf?cient for this task.
Method Optimal Training Validation
Name Parameters Accuracy Accuracy
ANN Hidden nodes=4099.2798.81
SVM Cost=25,Γ=2?210099.90
Table3.Optimal parameters and average training and validation
accuracies.
(a)(b)(c)
(d)(e)(f)
(g)(h)(i)
(j)(k)(l)
Figure7.Examples of?tted skeletons on synthetic ASL images.
Top row lists the depth images.Second row shows the per pixel
classi?cation results.Third row displays the estimated joint loca-
tions on top of the labeled images.The?nalized skeleton is shown
in the bottom row.
4.Discussions and Conclusion
In this study,we described a depth image based real–
time skeleton?tting algorithm for the hand,using RDFs to
classify depth image pixels into hand parts.To come up
with the huge amount of samples that are needed to train
the decision trees,we developed a tool to generate realistic
synthetic hand images.Our experiments showed that the
system can generalize well when trained on synthetic data,
backing up the claims of Shotton et al.in[14].In particular,
just by feeding manually designed hand poses correspond-ing to ASL digits to the RDFs,the system learned how to correctly classify the hand parts for real depth images of hand poses that are close enough.This in turn enabled us to collect real data labeled by the RDFs that can be used for further pose classi?cation tasks.We demonstrated the ef?ciency of this approach by reaching a recognition rate of99.9%using SVMs on real depth images retrieved with Kinect.The features used by SVMs are the mean shift based joint estimates calculated in real time from the per pixel classi?cation results.We also demonstrated that as long as the number of target classes are low,and the poses are distinct enough,occluded joints carry no importance for classi?cation tasks.We achieved near perfect classi?cation results by mapping each occluded joint to its nearest visible neighbor in the skeleton.
We focused on optimizing the speed and accuracy of the system,in particular by performing grid search over all model parameters.The resulting framework is capable of retrieving images from Kinect,apply per pixel classi?ca-tion using RDFs,estimate the joint locations from several hypotheses in the mean shift phase,and?nally use these lo-cations for pose classi?cation at30fps,which is the limit of Kinect.The system is optimized for multicore systems and is capable of running on high end notebook PCs without experiencing frame drops.Further enhancement is possible through the utilization of the GPU,and this framework can be used along with more CPU intensive applications such as games and modelling tools.This method is the?rst to retrieve the full hand skeleton in real time using a standard PC and a depth sensor,and has the extra bene?t of not being affected by illumination.
The main focus of this paper is skeleton?tting to the hands from a single frame.Consequently,temporal in-formation is ignored,which can certainly be used to en-hance the quality of the?tted skeleton,via methods such as Kalman[20]or particle?ltering[8].Inverse kinemat-ics or some machine learning based inference method can also be used to precisely locate the occluded joints.Such enhancements are indeed possible,and will be the focus of our future work.
References
[1]Microsoft Corp.RedmondW A.Kinect for Xbox360.1
[2]V.Athitsos and S.Sclaroff.Estimating3D hand pose from a
cluttered image.2003IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2003.Pro-ceedings.,pages II–432–9,2003.1
[3]L.Breiman.Random forests.Machine Learning,45:5–32,
2001.2,3
[4] https://www.doczj.com/doc/d816205376.html,aniciu and P.Meer.Mean shift:a robust approach
toward feature space analysis.Pattern Analysis and Ma-chine Intelligence,IEEE Transactions on,24(5):603–619, may2002.4
[5]T.de Campos and D.Murray.Regression-based Hand Pose
Estimation from Multiple Cameras.2006IEEE Computer Society Conference on Computer Vision and Pattern Recog-nition-Volume1(CVPR’06),pages782–789,2006.1 [6]M.de La Gorce,D.J.Fleet,and N.Paragios.Model-Based
3D Hand Pose Estimation from Monocular Video.IEEE transactions on pattern analysis and machine intelligence, pages1–14,Feb.2011.2
[7] A.Erol,G.Bebis,M.Nicolescu,R. D.Boyle,and
X.Twombly.Vision-based hand pose estimation:A review.
Computer Vision and Image Understanding,108(1-2):52–73,Oct.2007.1
[8]M.Isard and A.Blake.Condensation-conditional den-
sity propagation for visual tracking.International Journal of Computer Vision,29:5–28,1998.7
[9]X.Liu and K.Fujimura.Hand gesture recognition using
depth data.Sixth IEEE International Conference on Auto-matic Face and Gesture Recognition,2004.Proceedings., pages529–534,2004.2
[10]S.Malassiotis and M.Strintzis.Real-time hand posture
recognition using range data.Image and Vision Computing, 26(7):1027–1037,July2008.2
[11]Z.Mo and U.Neumann.Real-time Hand Pose Recognition
Using Low-Resolution Depth Images.2006IEEE Computer Society Conference on Computer Vision and Pattern Recog-nition-Volume2(CVPR’06),pages1499–1505,2006.2 [12]I.Oikonomidis,N.Kyriazis,and A.Argyros.Markerless and
ef?cient26-DOF hand pose recovery.In Proceedings of the 10th Asian conference on Computer vision-Volume Part III, pages744–757.Springer,2011.2
[13]R.Rosales,V.Athitsos,L.Sigal,and S.Sclaroff.3D hand
pose reconstruction using specialized mappings.In Proceed-ings Eighth IEEE International Conference on Computer Vi-sion.ICCV2001,volume2000,pages378–385.IEEE Com-put.Soc,2001.1
[14]J.Shotton,A.Fitzgibbon,M.Cook,T.Sharp,M.Finocchio,
R.Moore,A.Kipman,and A.Blake.Real-time human pose recognition in parts from single depth images.In CVPR, 2011.1,2,3,6
[15] B.Stenger,P.Mendonc?a,and R.Cipolla.Model-based
3D tracking of an articulated hand.In Proceedings of the 2001IEEE Computer Society Conference on Computer Vi-sion and Pattern Recognition.CVPR2001,pages II–310–II–315.IEEE Comput.Soc,2001.2
[16] E.Stergiopoulou and N.Papamarkos.Hand gesture recog-
nition using a neural network shape?tting technique.Engi-neering Applications of Arti?cial Intelligence,22(8):1141–1158,Dec.2009.1
[17]P.Suryanarayan,A.Subramanian,and D.Mandalapu.Dy-
namic Hand Pose Recognition Using Depth Data.2010 20th International Conference on Pattern Recognition,pages 3105–3108,Aug.2010.2
[18]M.E.Tipping and A.Smola.Sparse bayesian learning and
the relevance vector machine,2001.1
[19]G.Welch and G.Bishop.An introduction to the kalman?lter,
1995.7
一、开始部分 10’ 1、学生按照要求排队，师生问好。 2、体育老师点名，检查上课出勤情况。 3、宣布本课的学习内容、目标和要求，安排见习生。 X X X X X 0 O O O O X X X X X 0 O O O O △ 二、准备部分 20’ 1、教师自我介绍 学生与教师相互介绍情况。 2、为学生安排体育课的队形。 根据学生身高和特点安排队形。 3、准备活动，徒手操（4×8拍） A 头部运动 B 肩部运动 C 扩胸运动 D 体转运动 E 腹背运动 F 全身运动 G 原地高抬腿跑 H 手腕关节运动 要求：活动充分。 三、基本部分 50’ 排球 排球比赛是由两队各6名队员在被网隔开的排球场内，根据规则规定，以身体的任何部位将球击入对方场区，而不使其落入本方场区的集体的、攻防对抗的体育项目。 1、首先讲解排球选项课学习的基本理论、基本技术、 2、讲解排球选项课的期末考试内容，以供学生积极训练，积极准备。 3、讲解排球技术的基本概念： 排球技术是指在排球规则允许的条件下，运动员采用的各种合理的击球动作和为完成击球动作所必不可少的与其他配合动作的总称。 4、讲解排球技术的基本组成动作： 排球的技术主要包括：准备姿势与移动、垫球、传球、发球、扣球、拦网。 5、讲解排球运动的概念：
排球运动是由参加运动的人，以身体的任何部位（以单手或双手为主）相互在空中击球，使球不落地，既可隔网进行比赛，也可不设球网进行击球游戏的一种体育运动项目。 排球球性练习： 1、6个人一个小组，每个小组一个排球，站成一个圆圈，熟悉球性练习。 2、每人自垫球5个，然后换人。 3、在圆圈内对垫球，在圆圈内对传球。 4、不要求排球动作的正确性，只要求熟悉球性。 四、结束部分 10’ 1、点名整队。 2、小结，收拾体育器材。 3、放松操。 4、师生告别。
排球垫球的动作要领 垫球是排球基本技术之一。是接发球、接扣球以及后排防守的主要技术动作，是组织反攻战术的基础。垫球技术的熟练程度和运用能力，是争取胜利的重要条件。有下面双手垫球、体侧垫球、正面低姿势垫球、背垫球、单手垫球、前扑垫球、鱼跃垫球、侧卧垫球、滚翻垫球、挡球和救入网球等。其中正面双手垫球是各种垫球技术的基础，适合接速度快、弧度平、力量大、落点低的各种来球，在排球比赛中运用较多。 垫球 垫球是用小臂从球的下部,利用来球的反弹力向上击球的技术动作.它在比赛中运用于接发球,接扣球,接拦回球,有时也用来处理球.是排球基本技术之一. (一)垫球技术要领 1,正面双手垫球 正面对正来球方向,两脚开立稍宽于肩,脚跟微起,两膝弯曲稍内收的准备姿势.两手手指重叠后合掌互握,掌跟靠拢.两拇指平行朝前,手臂伸直,手腕下压,两臂外翻,前臂形成一个击球平面。击球点在腹前约一臂距离,用前臂腕关节以上10厘米左右,桡骨内侧平面触球。击球时,手臂插入球下,蹬腿抬臂,身体重心向前上方移动。同时含胸,压腕,顶肘等动作协调配合,身体和两臂要有自然的随球伴送动作,以便控制球的落点和方向. 2,体侧双手垫球 当球向左侧飞来,右前脚掌内侧蹬地,左脚向左跨出一步,左膝弯曲,重心随即移至左脚上,两臂夹紧向左伸出,右肩稍向下 倾斜,用向右转腰和提左肩的动作,使两臂击球面截住球的飞行路线,垫击球的后下部。 3,背垫球 判断好球的飞行方向,迅速移动到球的落点处,背对击球方向,两臂夹紧伸直,击球手形与正面垫球相同,击球点要高于肩部。击球用力是通过抬头挺胸,展腹后仰,带动手臂向后上方抬送而实现的.在背垫低球时,也可以屈肘,翘手腕动作,以虎口处将球向后上方垫起. 4,单手垫球 单手垫球多在无法用双手垫球的情况下采用.体侧单手垫球方法是一脚迅速向侧前方跨出一大步,重心移至跨出的腿上,以跨出腿的同侧臂迅速伸出,用虎口或小臂击球的后下部。在体前可用手背平面击球,手臂要伸直,有抬击动作. (二)垫球技术练习方法 1,在简单条件下掌握垫球技术 (1)原地做徒手模仿垫球动作练习. (2)垫固定球.两人一组,一人持球于腹前,另一人用 垫球动作击球,体会垫球部位和用力动作.要求蹬腿抬臂协调用力. (3)自垫球.一人一球连续向上自垫,垫球高度可固定,也可高,低结合. (4)抛垫球.两人一球相距4～5米,一人将球抛至同伴的腹前,同伴将球垫回. (5)移动垫球.两人一组,一人抛出不同距离,方向,速度和高度的球,另一人在移动中采取正面,侧面,跨步,低姿或背向等法将球垫回. (6)对垫球.两人相距4～5米,做连续对垫球练习,尽量采用正面垫球. (7)对墙连续垫球.要求手臂角度固定,全身协调用力. (8)转换方向垫球.三人一组,三角连续垫球.可任意或按顺时针,逆时针的方向依次
《排球——正面垫球》教学设计 银川市第十五中学刘建华 一、指导思想 本课依据《体育课程标准》的理念，以“健康第一”为指导思想，以学生发展为中心，突出体现学生学练的主体地位，不断激发学生的学习兴趣，提高学生学练的基本技术和技能。本节课就是要体现体育运动本质就是游戏活动这一认识，游戏贯穿课的首尾，游戏活动替代热身准备和整理放松活动。本节课教学的主旨是：教师努力成为一位体验课堂活动的“学生”，而学生成为课堂的“驱动器”和“发动机”。教师不但要充分参与到各种互动活动之中，要同学生一起学练和游戏，而且要在潜移默化中让学生在知、情、意、行方面有所体会和收获。 教学过程遵循由易到难，由浅到深，层层递进的教学原则，教学内容和手段的安排要具有目的性和针对性。教学中教师要注重启发学生自学、自练、合作和探究学习；注重发展学生的合作意识和社会适应能力；逐步让学生形成积极的学习态度。 二、教学内容 排球：双手正面垫球 三、学情分析 1.教学内容分析 通过总结以往教学，可以看出排球是学生普遍喜欢运动内容，特别是围圈垫球和场地练习是学生最喜欢练习形式。学生喜欢打排球，这给排球基本技术教学提供了契机。如何通过排球基本技术的教学，使学生打排球的兴趣、爱好和行动最大化是教学中首要设计和考虑的。 2.学生情况分析 （1）对于八年级初学的学生来说，排球又重又硬，球打在手臂上很疼，而且出现红肿的情况，特别是女学生在练习中因为怕疼，而畏缩或不愿意练习的情况比较普遍。 一是教师要主动的引导和教育学生，把注意力放在学习上，教师要帮助学生，让学生在练习中有所提高和进步；同时教师要鼓励学生不怕困难，培养学生要有吃苦精神。二是教师要帮助学生快速进步，让学生体会到付出带来的快乐，尤其是一对一对垫时，教师要多多鼓励和表扬学生，激发他们练习的热情。 （2）学生“愿意”不受约束的“野玩”排球，但是在学习排球技术动作时
一、开始部分10’ 1、学生按照要求排队，师生问好。 2、体育老师点名，检查上课出勤情况。 3、宣布本课的学习内容、目标和要求，安排见习生。 X X X X X 0 O O O O X X X X X 0 O O O O △ … 二、准备部分20’ 1、教师自我介绍 学生与教师相互介绍情况。 2、为学生安排体育课的队形。 根据学生身高和特点安排队形。 3、准备活动，徒手操（4×8拍） A 头部运动 B 肩部运动 C 扩胸运动 D 体转运动 E 腹背运动 F 全身运动 % G 原地高抬腿跑H 手腕关节运动 要求：活动充分。 三、基本部分50’ 排球 排球比赛是由两队各6名队员在被网隔开的排球场内，根据规则规定，以身体的任何部位将球击入对方场区，而不使其落入本方场区的集体的、攻防对抗的体育项目。
1、首先讲解排球选项课学习的基本理论、基本技术、 2、讲解排球选项课的期末考试内容，以供学生积极训练，积极准备。 . 3、讲解排球技术的基本概念： 排球技术是指在排球规则允许的条件下，运动员采用的各种合理的击球动作和为完成击球动作所必不可少的与其他配合动作的总称。 4、讲解排球技术的基本组成动作： 排球的技术主要包括：准备姿势与移动、垫球、传球、发球、扣球、拦网。5、讲解排球运动的概念： 排球运动是由参加运动的人，以身体的任何部位（以单手或双手为主）相互在空中击球，使球不落地，既可隔网进行比赛，也可不设球网进行击球游戏的一种体育运动项目。 排球球性练习： 1、6个人一个小组，每个小组一个排球，站成一个圆圈，熟悉球性练习。 . 2、每人自垫球5个，然后换人。 3、在圆圈内对垫球，在圆圈内对传球。 4、不要求排球动作的正确性，只要求熟悉球性。 四、结束部分10’ 1、点名整队。 2、小结，收拾体育器材。 3、放松操。 4、师生告别。
蒲城中考体育排球垫球技术讲解 一.垫排球定义:垫球是排球运动的基本技术之一，是利用手臂从球的下部向上击球的技术动作。 二.垫排球正确动作讲解事项: 垫球手型:一般有三种。 一为抱拳式：双手抱拳互握，两拇指平行向前； 二为叠掌式：两手掌根紧靠，两手手指重叠后合掌互握，两拇指平行， 三为互靠式：两手腕部紧靠，两手自然放松。 无论什么手型，都应注意手腕下压，两臂外翻形成一个平面。 准备姿势:两腿前后开立，左右脚间距离与肩同宽，两手自然持球. 向上抛球:抛球出手时,尽可能使球向自己的正上方行进.与此同时,把要击球的手上动作做好,准备击球 准备击球姿势:中心降低,双腿微屈,与此同时,把要击球的手上动作做好,准备击球 击球动作：:重心抬高,两臂夹紧伸直,两脚向正上方蹬地并抬臂，同时压腕顶肘. 三.分解动作,单个动作讲解.： 准备击球姿势:
1.手臂动作:将球抛出之后,两手迅速做出垫球手型,且两臂夹紧伸直, 2.双腿屈膝:将球抛出之后,身体重心迅速降低,同时把手臂动作做好. 辅助动作练习:空手做准备击球姿势 击球动作: 1.击球部位:正面双手垫球的击球点一般应保持在腹前一臂远距离，用小臂前半部腕关节以上左右挠骨内侧平面去击球。垫击部位过高或过低，不便垫准和垫稳，并且还容易造成“持球”“连击”犯规或垫球失误等。同时，击球点保持在腹前，便于控制手臂与地面的角度；便于观察来球；便于运用身体的协调力量，可以提高垫球的准确性。对墙练习击球 2.击球动作:重心抬高,两臂夹紧伸直,两脚向正上方蹬地并抬臂，同时压腕顶肘. 空手练习击球动作 击球时用力::垫球时根据落球力量、速度和垫击的距离，掌握好手臂迎击球的用力和缓冲作用。如落球速度慢或垫击球的距离较远时，垫击用力大些，必须加大抬臂击球动作，来增加球的反弹力；如落球速度快或垫击距离较近，垫击时，可用力小些，靠球的反弹力量将球垫起；如落球速度大，为了缓冲来球力量， 错误一：屈臂 屈臂是指在击球的瞬间，利用屈肘关节，抬前臂的力量来击球。
排球垫球的动作要领 的主要技术动作，是组织反攻战术的基础。垫球技术的熟练水准和使用水平，是争取胜利的重要条件。有下面双手垫球、体侧垫球、正面低姿势垫球、背垫球、单手垫球、前扑垫球、鱼跃垫球、侧卧垫球、滚翻垫球、挡球和救入网球等。其中正面双手垫球是各种垫球技术的基础，适合接速度快、弧度平、力量大、落点低的各种来球，在排球比赛中使用较多。 垫球 垫球是用小臂从球的下部,利用来球的反弹力向上击球的技术 动作.它在比赛中使用于接发球,接扣球, 接拦回球,有时也用来处 理球.是排球基本技术之一. （一）垫球技术要领 1,正面双手垫球 正面对正来球方向,两脚开立稍宽于肩,脚跟微起,两膝弯曲稍内 收的准备姿势.两手手指重叠后合掌互握,掌跟靠拢.两拇指平行 朝前,手臂伸直,手腕下压,两臂外翻,前臂形成一个击球平面。击球点在腹前约一臂距离,用前臂腕关节以上10 厘米左右,桡骨内侧 平面触球。击球时,手臂插入球下,蹬腿抬臂,身体重心向前上方移 动。同时含胸,压腕,顶肘等动作协调配合,身体和两臂要有自然的 随球伴送动作,以便控制球的落点和方向. 2,体侧双手垫球 当球向左侧飞来, 右前脚掌内侧蹬地,左脚向左跨出 ,左膝弯 曲,重心随即移至左脚上,两臂夹紧向左伸出,右肩稍向下
倾斜,用向右转腰和提左肩的动作,使两臂击球面截住球的飞行路线,垫击球的后下部。 3,背垫球 判断好球的飞行方向,迅速移动到球的落点处,背对击球方向,两 臂夹紧伸直,击球手形与正面垫球相同,击球点要高于肩部。击球 用力是通过抬头挺胸,展腹后仰,带动手臂向后上方抬送而实现的 在背垫低球时,也能够屈肘,翘手腕动作, 以虎口处将球向后上方 垫起. 4,单手垫球 单手垫球多在无法用双手垫球的情况下采用.体侧单手垫球方法 是一脚迅速向侧前方跨出一大步,重心移至跨出的腿上,以跨出腿 的同侧臂迅速伸出,用虎口或小臂击球的后下部。在体前可用手 背平面击球,手臂要伸直,有抬击动作. (二)垫球技术练习方法1,在简单条件下掌握垫球技术 (1)原地做徒手模仿垫球动作练习. (2)垫固定球.两人一组,一人持球于腹前,另一人用 垫球动作击球,体会垫球部位和用力动作.要求蹬腿抬臂协调用力. (3)自垫球.一人一球连续向上自垫,垫球高度可固定,也可高,低结合. (4)抛垫球?两人一球相距4?5米，一人将球抛至同伴的腹前，同伴将球垫回. (5)移动垫球.两人一组,一人抛出不同距离,方向,速度和高度的
排球正面双手垫球是指双手在腹前垫击来球的一种垫球方法，它是各种垫球技术中最基础最简单的技术。排球正面双手垫球适合于接发各种球、扣球、拦网球等，有时也能够垫传球，在困难的时候用来组织进攻。正面双手垫球的基本手形有：抱拳式、叠掌式和互靠式等。 排球正面双手垫球技术要领 一、动作要领： 准备姿势：正面对准球，两脚开立(左右、前后)稍宽于肩，脚尖内收或朝前，脚跟稍提起，两膝弯曲稍内扣，上体稍前倾，重心靠前，落于前脚掌， 两臂微屈置于肤前，两肘稍向内收，两眼注视来球。 二、垫击手型： 抱拳式：一手半握拳，另一手抱住握拳手，两拇指平行朝前。 叠掌式：两手手指上下相叠，掌根紧靠，合掌互握，两拇指朝前。 垫击球时两臂自然伸直，两掌跟和两小臂外旋紧靠，手腕下压，使腕关节 以上的前臂形成一个垫击的平面。 用腕关节以上10厘米左右，桡骨内侧平面触球的后中下部。 四、动作要点： 正面对准来球，两脚开立，两臂并靠并插入球下，在腰腹前约一臂距离的 位置上，用腕关节以上10厘米左右部位，触球的后中下部，并迅速蹬伸前移 重心。击球时，两臂伸直夹紧，提肩压腕、前送，靠上下肢的协调用力配合 来控制击球的力量和方向。 五、易犯错误纠正： 1.击球时机的掌握：学生在练习的过程中经常出现这种情况，对球的落点 判断不好，会出现击球过早或过晚这样那样的情况，对高球的处理尤其明显， 在这其中会出现击球“落空”的现象。 2.击球部位不准确：主要是手的部位不准确。触球时，应用前臂腕关节以 上10厘米左右的桡骨内侧平面接球。如触球部位过高，两臂间隙大而不好控 制球，触球部位过低，垫球腕部不易垫稳。 3.挥臂发力不协调：挥臂发力是指接球时，以肩关节为轴心，有下而上挥 双臂击球，垫球时应配合蹬地、跟腰动作，使重心向前上方移动，手臂应适
排球基本技术 一、排球的基本技术包括五项：发、垫、传、扣、拦 二、基本技术要领 1、发球（下手飘球） （1）准备动作：双脚自然开立站在端线后（左脚脚尖指向预计的排球出手后的飞行路线，右脚脚跟在左脚脚跟同一直线后约半步的位置上，右脚与左脚约成30°－45°），上身略前倾，身体中心线指向去球方向，目视预计的排球落点，左手略弯在身体左肩前方略下持球，右手伸直，略比右肩低一点，指向身体的右后方（以感觉自然顺手为准）。 （2）发球：左手将球向上抛出，待球落下后在合适的高度（即自己最自然顺手的高度）挥臂将球击打过网（以松握拳的虎口面击球）。 2、垫球 （1）预备动作：左右手自然弯曲，放在胸前两侧，上身略微前倾，两脚一前一后半蹲于场地上，后脚跟离地。 （2）来球时的动作：右手松握拳，放在左手上，两手自然合拢；两手臂自然伸直、夹紧，保持一定的紧张度，整个手臂抬起与身体约成90°（此角度尽量保持不变，即肩关节不转动），身体的中心线对向要去球的方向，以小臂的前三分之一触球（不可用握拳的部位垫
球），整个身体略下沉以缓冲来球，最后用脚蹬地的力量以整个身体将球“抬”起来――在整个垫球过程中手臂与身体的夹角应当尽量保持不变。 ▲注意事项： ①很多人垫球的习惯动作是将两手合拢后将手放置在腹部前方，以肩关节为中心向前“摆臂”将球“打”出去，这样的垫球动作太“硬”，对于来球缺乏缓冲，不能很好的控制球的去向，容易垫出界而且容易造成手臂部位的瘀血。因此，垫球前即必须将双手伸到自己的双眼下方（即垫球前一定要保证自己能够看到自己的双手），肩关节原则上是不能动的（可以“提肩”――即将整个手臂水平的“提”起来但不能“摆臂”），如上文所述一定要用自己的“整个身体将球‘抬’起来”。 ②有些人习惯于将双手“摆”到身体的侧面垫球，但是这样垫球一是动作慢，二是不能保证去球的方向，三是影响垫球后的下一个动作，因此在绝大多数情况下应该将双手放在身体的中心线上垫球（脚下移动一定要快，确保随时能将身体的中心线对正来球）。 ③单手垫球很容易将球垫“飞”，因此除非在紧急情况下不要用单手垫球。 ④垫球完毕后双手要有一个“跟随动作”――垫球出手后小臂以肘关节为轴心向上方转动，最终放置在面部两侧，同时目视排球飞行路线。
排球教案 课次：第1课学校; ***** 教师：*** 初二年级学生：（30）人 教学目标1、认知目标：了解垫球在排球运动中的作用，并能领会双手正面垫球技术要领。 2、技能目标：初步学会双手正面垫球技术，发展协调、灵敏力量等身体素质 3、情感目标：通过排球学习，培养学生的判断能力、应变能力，以及团结协助配合的集体主义精神。 学习 内容 学习双手正面垫球 重点难点重点：手臂伸直、夹紧、击球部位难点：协调用力，插、压、蹬、送 顺序时 间 学习目标教学内容教师活动学生活动 负 荷 准 备部分15 1、快、静、齐 队形整齐，使 学生精神饱 满。 动作准确有 力。 3、使学生充分 热身，预防运 动受伤。 一、上课： 1、集合、整队，报告人 数。 2、师生问好。 3、宣布本课教学内容和 目标。 检查服装，安排见习生。 二、慢跑热身 三、徒手体操 1、头部运动 2、扩胸运动 3、肩部运动 4、腰部运动 5、膝部运动 6、正压腿 7、侧压腿 8、踝腕运动 四、专门性活动 要求： 一、简洁、明确、语 气和蔼宣布教学内 容。 安排见习生。 二、徒手体操 1、口令指挥 2、动作示范 教师统一指挥 教师评价 集合队形： ★ ●●●●●● ●●●●●● ●●●●●● ●●●●●● ●●●●●● 成体操队形： ★ ●●●●●● ●●●●●● ●●●●●● ●●●●●● ●●●●●● 小
基本 部分22 1、课堂气氛活 跃，学生认真 学习新的内 容。 2、熟悉和掌握 双手正面垫球 的准备姿势， 大部分学生掌 握垫球的基本 动作。 3、初步了解双 手正面垫球在 排球运动中的 重要性，提高 学生的学习兴 趣。 学习双手正面垫球 动作要点： 1、腕关节以上10厘米处 击球。 2、半蹲准备姿势和身体 的快速移动。 3、击球时两手臂伸直夹 紧，提肩，前伸至球下。 4、上下肢协调用力。 游戏：垫球比赛 一、教学方式： 1、教师讲解、示范。 2、组织学生做徒手练 习。 3、检查学生身体姿 势。 4、组织学生定位击球 练习。 4、组织学生做垫球练 习。 5、检查指导学生练 习。 二、教学要求： 1、认真练习、互帮、 互学。 2、技术动作合理，协 调用力。 一、练习方法： 1、集体模仿练习3—4分钟。 要求：听口令指挥。 2、垫固定球。 要求：连续10次。 3、一抛一垫。（10次） 要求: 1、距离3到4米。 2、体会移动，击球时机。 3、落点控制好。 二、教学评价。 1、技术动作合理，协调用力， 落点控制好。 2、认真练习，体会动作 中 结 束部分5 一、整队集合。 二、放松练习。 三、总结上课 情况。 四、布置作业。 五、下课。 1、教师讲解、示范。 2、 带领学生做放松练习。3、 教师讲评。 体操队形。要求：1、 集体模仿练习。2、动 作放松。3、收器材。 要求：集体模仿练习。 强调动作放松。 消除疲劳 小 场地、器材排球场、排球若干预计平均心率：130-135% 预计练习密度：45%
打排球垫球教法_排球垫球动作要领 排球垫球练习方法介绍 垫球时上、下肢的口诀(上肢是一插、二夹、三提、四压;下肢是一蹬、二跟、三伴送)。 练习顺序。垫击手型的练习，徒手做击球动作，做这个练习时首先要让学生掌握垫击球的正确手型，其次让学生体会蹬地、抬臂协调用力的顺序。 垫击固定球。这个练习的主要目的是让学生掌握击球部位以及击球点的高度。 垫击手抛球，做这个练习时应尽量控制手抛球的高度、速度及落点，让学生在前两个练习的基础上，完整正确的做出垫击球的动作。对墙垫球，这种练习方法，是检验前三步练习效果的最佳办法，但这种练习法对初学者来说还是有一定的难度，在练习中应多对学生进行鼓励和表扬。以有效完成练习。 总而言之对于初学者来说，排球垫球易犯的错误无非就是：一、屈肘翘腕;二、垫击球时抬臂过大用力不柔和;三、垫击部位不合理，但本人通过十几年的排球教学经验看，只要严格遵循以上的教练方法，同时给学生一定的时间去学习，犯错误、改正错误这样经过反复的锤炼，学生一定能完全掌握排球垫球的基本动作并投身到这项难度适中、又无大运动量奔跑和相互碰撞的运动当中去。 垫球技术介绍 正面双手垫球、正面低姿垫球、跨步垫球、体侧垫球、侧倒垫球、背向垫球、滚翻垫球、前扑垫球、鱼跃垫球、单手垫球、单手和双手挡球等。垫球技术按运用分类时可分为接发球、接扣球、接拦回球、接其它球等。 垫球技术在50年代就出现了动作雏形，当时叫下手传球，是用手掌、虎口、手背、手腕关节部位来击球，但没有引起足够
的重视和被普遍采用。当时主要用来接大力扣球和大力发球。自60年代初，由于来球技术的问世与普及，用双手传球和虎口，手部垫球已不能适应于接来球。为了对付飘球，便出现了前臂垫球技术。采用前臂垫球技术，不但能适应接飘球、接扣球、接吊球等各种性能的来球，而且在很大程度上提高了垫球的准确性、稳定性和实用性。从而垫球技术被广泛采用。 随着排球规则的变化和技、战术水平的提高，垫球技术也日趋多样，不断完善与合理，无论是垫球动作还是击球手法都在不断发展。70年代单手垫球愈来愈被重视，并结合摔救垫球技术而普遍采用。80年代由于各项技术水平的不断提高，扣球攻击力的加大，各项快攻战术的发展运用，单纯依靠垫球技术来接球已非常困难，双手挡球技术在高水平的比赛中便不断出现，缕见不鲜。 进入80年代末90年代初，单手接球技术越来越被广泛运用。自从取消拦发球以后，以及攻强守弱的日益突出，钻研各项垫球技术已成为各队提高防守能力的当务之急。随着放宽垫击尺度，放宽垫击部位规则的实施，能否出现像足球那样的颠球技术，或者用脚及小腿部位踢挡球等新技术，在紧急时刻加以运用，这样就能扩大防守的面积，增加救起难险球的机会。随着全身任何部位都可以触球规则(1995年开始)的实施，脚踢排球必然成为新的垫击技术。脚踢排球也会像巴西的脚踢排球运动那样，像足球、藤球、毽球等技术那样，在不同的情况下要用不同的踢挡球动作，并且一定会日益完善，向着合理、实用的方向发展。 排球垫球技术规格 正面双手垫球是各种垫球技术的基础，适合接速度快、弧度平、力量大、落点低的各种来球。它是在准备姿势的基础上，判断来球的路线与落点，迅速移动取位，把来球保持在腹部的正前方，两臂插入球下并对准来球。垫球时，利用蹬腿移体，腰腹发力和提肩抬臂的协调动作，以两前臂所组成的平面击球的后下方，同时身体重心伴随击球动作前移，将球向前上方垫出。 准备姿势准备姿势分半蹲和深蹲两种。半蹲主要用于接轻球及中等力量的来球;而深蹲则用于垫重球。比赛中应根据不同
体教1101班纪春阳 欧阳家百（2021.03.07） 排球双手垫球动作要领： 双手下手垫球动作要领：半蹲姿势，正面对着来球方向，当球临近时，两手相抱成垫球手型，垫球技术按连贯动作的顺序一般可概括为“一插、二夹、三抬臂”。“插”，就是用垫球手型和双臂插到球下，下插的程度应能保证以小臂的前半部击球为宜。插臂的角应要根据来球的弧度作相应的变化。“夹”，就是夹臂。完成夹臂动作要自然，并配合有提肩、含胸、压腕及挺肘等动作。“抬臂”，就是用蹬地、压腕、挺肘、抬臂等动作协调地将球有控制，有目的地垫出。 正面双手垫球是各种垫球技术的基础，适合接速度快、弧度平、力量大、落点低的各种来球。它是在准备姿势的基础上，判断来球的路线与落点，迅速移动取位，把来球保持在腹部的正前方，两臂插入球下并对准来球。垫球时，利用蹬腿移体和提肩抬臂的协调动作，以两前臂所组成的平面击球的后下方，同时身体重心伴随击球动作前移，将球向前上方垫出。 1、准备姿势 准备姿势分半蹲和深蹲两种。半蹲主要用于接轻球及中等力量的来球；而深蹲则用于垫重球。比赛中应根据不同情况采用相应的准备姿势。初学垫球时，由于是垫一般的轻球，故可采用半
蹲准备姿势。做准备姿势时应正面对准来球方向，两脚前后开立，两脚距离稍宽于肩，后脚跟提起，前脚掌着地，两脚和两膝内收，膝部垂直面应超出脚尖。上体前倾，重心降低，并置于前脚掌的拇指根部，两肩的垂直面超出膝部。两臂微屈内靠，两臂自然下垂，两手置于腹前。两眼注视来球，两脚要保持“静中待动”的状态，随时准备移动。 2、击球手型 目前常用的击球手型有两种。一种是叠指法，两手手指上下重叠，掌根紧靠，合掌互握，两拇指朝前相对平行靠压在上面一手的中指第二指节上。两臂伸直夹紧，注意手掌部分不能相叠。另一种是包拳法，两手抱拳互握，两拇指平行朝前，两掌根和两前臂外旋紧靠，手腕下压，使前臂形成一个垫击平面。 3、击球点、击球部位 正面双手垫球的击球点一般应尽量保持在腰腹前的一臂距离，有两小臂腕关节以上10厘米左右桡骨内侧平面击球为宜。击球部位过高，既不便于控制球，而且易造成“持球”或“连击”犯规；击球部位过低，垫在虎口上，球易不稳，对球的方向、力量控制不准。 4、击球动作 在判断来球移动取位的同时，应根据来球情况和击球的需要变化身体重心，使击球点保持在腹部高度的正前方，并将两臂迅
排球正面双手垫球技术教 案 正面双手垫球技术 一、指导思想： 本课以体现课程改革新思想，转变教育教学方法和观念，发展学生身体素质和发展快乐体育为重点，以学生的兴趣爱好为切入点，以团结友爱、积极拼搏为德育渗透点，使学生养成良好的锻炼习惯，为学生终身体育打下坚实的基础。同时发展学生速度，灵敏，耐力，柔韧等身体素质；对于提高身体机能。培养勇于竞争，顽强拼搏，积极进取团结合作等精神。 二、教材分析： 排球运动具有集体性、竞争性强、趣味性浓等特点。通过排球运动，可以发展学生跑、跳等基本活动能力，提高灵敏、速度、力量、耐力等身体素质和动作的准确性、协调性。是一项有很高锻炼价值的运动项目。 本课教学内容是排球运动的垫球技术，垫球技术是排球运动中最主要的基本技术，是接发球和防守的最常用的主要技术。起着组织全队相互配合的重要桥梁作用，是排球教学重要组成部分，是更好地学习各种技术和战术的基础，防守也是进攻的开始，垫球技术好坏直接影响到集体力量的发挥和战术的配合的质量。 三、学情分析： 1、有利因素：学生有较强的模仿能力和创造潜能，对排球这项体育运动有着较高的兴趣，在日常生活中，部分学生已获得了一些排球的基础知识因此有利于学生进行自主性、创造性的学习。 2、不利因素：对于初学者具有一定的难度，特别是学生处在发育成长阶段，心理因素处于不稳定阶段，自我控制的能力不够，会造成运动损伤，个别女生想练而不敢，见球就躲，表现出对排球运动的恐惧心理。 3、主要困难：对于初学者，击球点不准确，判断力差，身体协调能力不够，在学习中会精力分散，精神不集中，因此在教学中充分
运用各种有趣的教学形式与手段，来提高学生的求知欲望与兴趣，在教学中应面向全体，而又注重学生的个体差异的不同需求。 四、教学过程：(见下页) 排球正面双手垫球教案 授课班级：高一（3）班授课教师：邢群利上课人数：24人
水平四《排球正面双手垫球》教学设计 南京市紫东实验学校王琴 一、设计指导思想： 本课是根据七年级教学大纲的要求，以“健康第一”为指导思想，全面锻炼学生身体，促进学生身心和谐发展。本课在教学中，以学生为主体，“学生主动学、自主学，教师点拔、辅导”的探究式学习方式，留给学生一定的时间与空间，培养他们的自主学习习惯。努力以“健康第一”为宗旨，贯彻以教师为主导，学生为主体这一原则，采用小组合作学习方式，通过教师的引导和恰当的比喻，让学生在练习中互相交流，互相探讨，最终达到提高技术动作的目的。通过“自由创练”激发学生的创新精神，这样不仅营造出课堂气氛，启发了学生的思维，而且使学生在轻松、民主的气氛下获得知识，掌握技能，发展思维，培养互相协作的精神，身心得到全面的锻炼。 二、教学内容： 1、排球：学习正面双手垫球 2、排球接力游戏 三、教学目标： 1、运动参与目标：使学生具有积极参与体育活动的态度和行为，着重培养学生体验参加体育活动的乐趣，提高健康水平，形成乐观开朗的生活态度，奠定终身体育锻炼基础。 2、运动技能目标：使学生获得运运基础知识，发展体能，提高学生对体育课的兴趣，较熟练地掌握排球双手正面垫球的动作技能。通过初步练习提高运动水平。 3、身体健康目标：提高学生的身体素质，了解体育活动对心理健康的作用，认识身、心发展的关系，以及与他人合作共同完成体育活动的协作意识。四、学情分析： 本课的教学对象是七年级学生，他们还带着小学生的稚气。好动是他们的天性，他们对体育活动有广泛的兴趣，特别是球类。他们很喜欢学习别人的运动技巧，自信心强，对动作技术的掌握日趋完善，渴望自己拥有正确的、完美的技术，但往往又具有一种不顺从性，或者有时过高估计自已的能力，不愿屈服于教师一板一眼的“看教师示范——听教师讲解——模仿教师徒手练习——持球练习”的传统教法，同时，他们的团队意识逐渐加深，很注意老师和同学们对自己的态度。因此，在教学中针对学生的心理、生理特点，灵活安排多样的练习，在课堂上为学生创设公平竞争的气氛，留给学生一定的活动天地，让
气排球基本技术动作要领 一、半蹲准备姿势 两脚左右开立稍比肩宽，两脚尖稍内收，两膝弯曲成半蹲。脚跟稍提起，身体重心稍靠前，两臂放松，自然弯曲，双手置于腹前。两眼注视来球，两脚始终保持微动放松。 二、移动移动的步伐分起动、跨步、滑步（并步）、交叉步、跑步、后退步等。 1、起动起动是指移动脚步和身体的最开始的那一瞬间态势。起动的快慢取决于重心的移动和蹬地的爆发力，以及前两三步步幅与频率。 2、跨步跨步是指跨出比肩宽稍大的步幅的移动，跨步取决于对来球的方向与速度的判断。 3、滑步（并步）滑步是保持屈膝低重心随来球移动的方法，分左、右滑步和前、后滑步。移动中，两臂自然张开，身体上下平稳（不起伏）。 4、交叉步交叉步是指两腿向左右前后交错移动的方法，一个交叉步幅比一个跨步步幅大。 5、跑步跑步是指来球运行路线离身体距离比较远必须以加速度跑步在球落地前接住球或把球打入对方场地的步法。 6、后退步后退步是指双腿用前后交错的步法接住高于身体球或者即将落入身后的球。 三、传球 1、半蹲准备姿势两脚左右开立稍比肩宽，两脚尖稍内收，两膝弯曲成半蹲。脚跟稍提起，身体重心稍靠前，两臂放松，自然弯曲，双手置于腹前。两眼注视来球，两脚始终保持微动放松。 2、垫球垫球技术动作要点可用“插、夹、抬、压”四个字概括。 插——双手互握插入球下。 夹——两臂夹紧伸直。 抬——提肩抬臂。 压——手腕下压。 击球时，用手腕上10厘米的前臂击球的后中下部。
3、正面下手发球 准备姿势：面对球网，两脚前后开立，左脚在前，两膝微曲，上体前倾，重心偏后脚，左手持球于腹前，右臂自然下垂。 引臂：击球的同侧手臂直臂向后摆动。 抛球：左手将球平稳地向上托送竖直抛起，抛球高度为30厘米左右。 挥臂击球：右腿蹬地，身体重心随着右臂的直臂前摆而前移，在腹前用掌的坚硬部位击球的后下部。重心随击球动作前移，迅速进场比赛。 4、正面上手传球 准备姿势：看清来球，迅速移动倒球的落点，对正来球，两脚左右开立，约同肩宽，左脚稍前，右脚脚跟稍提起，两膝微屈，上体稍前倾，两臂弯曲置于胸前，两肘自然下垂，两手成传球手形，眼睛注视来球方向。 手型：当手触球时，手腕稍后仰，两手自然张开，手指微屈成半球状。两拇指相对成“一”字形或“八”字形，两拇指间的距离不能过大，以防漏球。 击球点：击球点在前额上方约一球左右。 球触手的部位：拇指外侧，食指全部，中指的二三指节，无名指第三指节和小指第三指节的半个指节。简称为“3、2、1、半和拇指外侧”。 击球部位：后中下部 用力顺序：蹬腿、展腹、伸臂最后用手指手腕的弹力将球向前上方传出。 5、正面上手大力发球 准备姿势：面对球网站立，两脚自然开立，左脚在前，左手持球于体前。 抛球：左手将球平稳的垂直抛于右肩的前上方，抛球高度为1.5米左右。 引臂：屈肘后引，上体稍向右转，手停于耳旁。 挥臂击球：收腹、振胸、挂肘，上臂带动前臂向前上方弧形挥摆，伸直手臂，在肩的上方用全掌击球的后中部。 击球手法：包满打转，边包裹边推压；全手掌击球，使球呈上旋飞行。 6、一般二传的动作要点与要求 动作要点：采用变向传球的方法进行传球，先转体（面向出球方向）让球（使球到达转体后的前额前上方），然后进行正面传球。 传出球的基本要求： 高度——高于球网上沿2米左右。 远度——球的落点最远不超过边线，最近不近于离边线2米。 离球网距离——最近不小于一球，最远不超过1米。 7、扣球 准备姿势：两脚自然开立，两膝微屈，上体稍前倾，观察二传来球。 助跑：左脚先向前迈出一步，接着右脚迅速跨出一大步，左脚及时并上落在右脚侧前方，两脚尖稍向右准备起跳。
排球垫球基本动作及纠正方法 整理：马晓燕 垫球的特点与作用 垫球的特点： 1、动作简单易学，便于初学者掌握 2、便于接离身体远、速度快、弧度低的球 3、垫球的准确性不及双手传球高 垫球的作用 垫球在比赛中主要用于接发球、接扣球、接拦回球以及防守和处理各种困难球。垫球的种类：正面双手垫球、背垫球、防守垫球、体侧垫球、单手垫球。 正面双手垫球的动作规格与要领 垫球的准备姿势 比赛中应根据不同情况采用相应的准备姿势。初学垫球时，由于是垫击一般的轻球，故可采取一般准备姿势。上体稍前倾，两脚开立，两脚间的距离稍宽于肩，两臂微屈置于腹前，两肘稍内收，两眼注视来球。 击球手型、击球点和击球部位 垫击手型目前常用的方法有两种 叠指法两手手指上下相叠，两拇指对齐平行相靠压在上面一手的中指第二指节上，掌根紧靠，两臂伸直相夹。注意手掌部分不能相叠。 包拳法两手抱拳互握，两拇指平行放于上面，两掌根和两小臂外旋紧靠，手腕下压，使前臂形成一个垫击平面 击球点、击球部位 正面双手垫球的击球点，一般应尽量保持在腹前约一臂距离的位置。用腕上10 厘米左右的两小臂挠骨内侧所构成平面击球 垫球的动作要领 插及时移动取位，降低重心，两臂前伸插至球下，使两前臂的垫击面对准来球，并初步取好手臂的角度。 夹是指两手掌根紧靠，手臂夹紧，手腕下压，用平整而稳定的击球面去迎击球。
提由下肢蹬地，提肩、顶肘、压腕的动作去迎击来球，身体重心要随球前移，两臂在全身协调动作的配合下伴送球。 体侧双手垫球 动作方法 左侧垫球时，应先以右脚前脚掌内侧蹬地，左脚向左跨出一步，身体重心随即移至左脚，并保持两膝弯屈。与此同时，两臂向左侧伸出、左臂高于右臂，右肩微向下倾斜，两臂组成的击球面对准来球并拦击来球。击球时，以腰部发力，并借助左脚蹬地的力量，使身体重心微向内转，同时提肩抬臂将球垫起 背向垫球 动作方法： 在决定采用背垫时，首先要判断来球的落点和离网的距离，迅速移动取位，背对垫出球的方向。垫球时，两臂夹紧伸直，利用蹬地、抬头、挺胸及上体后仰的动作带动两臂向后上方迎击球。击球时要抬臂压腕触球的前下方，将球向后上方击出。背垫的击球点，一般要比正面垫球高。 教学步骤与方法： 1、讲解示范 2、练习顺序 3、模仿试作 垫球手型的练习集体原地试作，教师进行检查纠正。注意垫球动作要合理；小臂要夹紧；手臂要伸直；垫击面要平整。 徒手试作原地徒手模仿完整的垫球动作，要做得正确、协调。 垫击固定球 两人一组，一人持球固定在小腹前高度，另一人从准备姿势开始，做垫击动作，但不将球击出，只体会击球动作。击球手型和触球部位要正确，注意全身协调用力。垫击抛来的球 两人一组，一抛一垫。球要抛准，尽量固定抛球的高度、速度及落点，垫球人用原地正面垫球的动作将球垫回。当初步学会垫球动作后，再逐渐加大难度，适当将球抛在练习人的前后、左右，要求练习者移动后仍作正面垫球。
排球基本知识
排球基本知识 比赛场地长18米、宽9米，由中线将球场分为两个相等的场区，中线设置长9.50米、宽1米的球网。男子网高2.43米，女子网高2.24米。球由皮革制成外壳，内装用橡皮或类似物质制成的球胆，重260～280克。比赛方法采用每球得分制，为五局三胜，前四局每局先得25分者为胜，第五局先得15分者为胜，若出现24平或14平时，要继续比赛至某队领先2分才能取胜。双方上场的运动员必须轮转位置。上场运动员每队为6人。每方必须在3次以内将球击过网。 基本技术 1 排球基本技术概念 排球基本技术是指运动员在比赛中采用的各种合理击球动作和未完成击球动作必不可少的其他配合动作的总称。 发球、垫球、传球、扣球、和拦网是排球运动中5项完整的击球动作，又称有球技术。凡属没有触及球的各种准备姿势、移动、起跳以及前仆、滚翻、鱼跃、倒地等均为配合动作，或称无球动作。合理的击球动作和配合动作，首先要符合规则的要求，符合人体剖学和运动生物力学的原理，同时要结合个人的特点。完成动作时要做到协调、轻松、正确、省力，能够充分发挥人的体能和技能，能充分运用时间和空间的变化。 排球技术主要有步法移动和击球手法组成。排球规则允许比赛中运动员可用身体的任何部位接球。
基本技术分为六大项：准备姿势和移动、传球、垫球、发球、扣球、拦网。 1）准备姿势和移动：准备姿势就是准备迎接各种来球的身体姿势。在排球比赛中攻防的多数技术都是在准备姿势或快速移动后完成的，因此它是完成各项基本技术的基础。移动的作用是为了接近球，保持好人与球的位置关系，以保证击球动作的合理。 比赛中常用的移动步法有滑步、交叉步、跨步和跑步。 2）传球：传球是在额前上方用双手（或单手）借助蹬地、伸臂动作，通过手腕手指的弹击力量来完成的击球技术动作。传球主要作用是把接起的球传给前排队员进攻。一个队的进攻能力能否充分发挥，在很大程度上取决于该队的传球水平。为了争夺网上优势，使进攻战术快速多变，二传手更起着核心作用。 3）垫球：是在距腹前一臂距离处借助蹬地、抬臂动作，用双手前臂的前部，利用来球的反弹力将球击出的技术动作。垫球在比赛中多用于接发球、接扣球和接拦回球，是比赛中争取多得分、少失分由被动变主动的重要技术。 4）发球：由队员自己抛球，用一只手将球从网上空两标志杆内击入对方场区的技术动作。发球是比赛和进攻的开始。是排球技术中唯一不受别人制约的技术动作。攻击性强的发球不仅可以直接得分，还能破坏和削弱对方的进攻，打乱对方的部署，在心理上给对方造成威胁。
体育教案－排球正面双手垫球 教学内容：排球正面双手垫球 教学目标： 1、初步学会排球正面垫球的基本技术。 2、发展协调性、灵敏性、增强全身协调能力； 3、培养学生面对任何困难都不要轻言放弃，勇于向前、顽强、果断的优良品质；且在不断 的尝试中找出最佳的方法与快捷方式，建立与培养学生的自信心。 教学重点：应放在垫球时的手型正确，击球部位准确。。 教学难点：垫球时的全身协调用力。 班级：高一·1班人数：66人器材：排球34个授课教师：安耀东 程序教学内容 教学 目标 组织队形教法学法要求时间 开始部分1、体育委员集 合，整队，报告人 数 2、宣布课的 内容任务 3、检查服装 4、安排见习生 培养体育骨 干，提高学 生自觉组织 能力 队形： ×××××××××× ×××××××××× ¤¤¤¤¤¤¤¤¤¤ ¤¤¤¤¤¤¤¤¤¤ △ 教师在旁 边观察、提 醒 统一服 装、精神 饱满 集合做到 快、静、齐 3 分 钟 准备部1、慢跑400米 2、4节徒手操 3、游戏： “滚球接力” 将学生分成人数相 等的八队，两脚开 立成一路纵队，游 使学生能尽 快进入运动 状态 活跃课堂气 氛，提高学 绕田径场慢跑一圈， 以四路纵队进行。 队形：八人一组，全班分成八组。 10 分
分 戏开始，由排头同学持排球沿后面同学的两脚之间滚向排尾，排尾接球后 又跑到排头将球滚向排尾，依次进行，以最先完成的队为胜。 生的学习兴趣。 另外两名同学做裁判员 由教师讲解、强调游戏要求和规则 学生模拟做一次 在发令前学生要做好准备，每个球都要 按要求滚。否则算犯规。 钟 基 一、徒手模仿和自垫球练习: 教师口述重点：手型正确，击球部位准确。 难点：全身协调用力，控制好来球。 动作要领： 插、夹、抬 二、抛接球和对垫球练习： 抛接球： 两人一组， 两人一球， 一人抛球， 一人接球。 学生能体会动作 学生能掌握用 力顺序及垫球基本手型 动作基本 合理 组织队形：（同做操队形） ×××××××××× ×××××××××× ¤¤¤¤¤¤¤¤¤¤ ¤¤¤¤¤¤¤¤¤¤ △ 组织队形： ××××××××××××× Δ ¤¤¤¤¤¤¤¤¤¤¤¤¤ 两人一组，两人一球，一人练习，一人在旁观察；一分钟后互换。 垫球手型的练习:集体原地徒手练习，教师进行检查纠正。 教师巡回指导及时纠正错误 同上 当初步学会垫球动1、徒手分解动作练习 2、尝试垫球 3、两人一 球进行自垫练习 4、两人一组结合球练习 5、抛接球练习 要求： 注意垫球动作要合 理；小臂要夹紧；手臂要伸直；垫击面要平 整。 蹬地和伸臂动作协调，动作要正确。 要求： 动作配合 协调。 正面双手垫球的击 球点，一般 10 分 钟
排球双手垫球动作要领 双手下手垫球动作要领：半蹲姿势，正面对着来球方向，当球临近时，两手相抱成垫球手型，垫球技术按连贯动作的顺序一般可概括为“一插、二夹、三抬臂”。“插”，就是用垫球手型和双臂插到球下，下插的程度应能保证以小臂的前半部击球为宜。插臂的角应要根据来球的弧度作相应的变化。“夹”，就是夹臂。完成夹臂动作要自然，并配合有提肩、含胸、压腕及挺肘等动作。“抬臂”，就是用蹬地、压腕、挺肘、抬臂等动作协调地将球有控制，有目的地垫出。 正面双手垫球是各种垫球技术的基础，适合接速度快、弧度平、力量大、落点低的各种来球。它是在准备姿势的基础上，判断来球的路线与落点，迅速移动取位，把来球保持在腹部的正前方，两臂插入球下并对准来球。垫球时，利用蹬腿移体和提肩抬臂的协调动作，以两前臂所组成的平面击球的后下方，同时身体重心伴随击球动作前移，将球向前上方垫出。 1、准备姿势 准备姿势分半蹲和深蹲两种。半蹲主要用于接轻球及中等力量的来球；而深蹲则用于垫重球。比赛中应根据不同情况采用相应的准备姿势。初学垫球时，由于是垫一般的轻球，故可采用半蹲准备姿势。做准备姿势时应正面对准来球方向，两脚前后开立，两脚距离稍宽于肩，后脚跟
提起，前脚掌着地，两脚和两膝内收，膝部垂直面应超出脚尖。上体前倾，重心降低，并置于前脚掌的拇指根部，两肩的垂直面超出膝部。两臂微屈内靠，两臂自然下垂，两手置于腹前。两眼注视来球，两脚要保持“静中待动”的状态，随时准备移动。 2、击球手型 目前常用的击球手型有两种。一种是叠指法，两手手指上下重叠，掌根紧靠，合掌互握，两拇指朝前相对平行靠压在上面一手的中指第二指节上。两臂伸直夹紧，注意手掌部分不能相叠。另一种是包拳法，两手抱拳互握，两拇指平行朝前，两掌根和两前臂外旋紧靠，手腕下压，使前臂形成一个垫击平面。 3、击球点、击球部位 正面双手垫球的击球点一般应尽量保持在腰腹前的 一臂距离，有两小臂腕关节以上10厘米左右桡骨内侧平 面击球为宜。击球部位过高，既不便于控制球，而且易造成“持球”或“连击”犯规；击球部位过低，垫在虎口上，球易不稳，对球的方向、力量控制不准。 4、击球动作 在判断来球移动取位的同时，应根据来球情况和击球的需要变化身体重心，使击球点保持在腹部高度的正前方，