一種運(yùn)動(dòng)目標(biāo)跟蹤與檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及視頻處理技術(shù)領(lǐng)域，具體地，設(shè)及一種運(yùn)動(dòng)目標(biāo)跟蹤與檢測(cè)方法。
【背景技術(shù)】
[0002] 在足球比賽視頻中的多運(yùn)動(dòng)員行為識(shí)別過(guò)程中，由于單一特征很難有效地描述多 運(yùn)動(dòng)員的行為特征，所W用單一特征來(lái)進(jìn)行行為識(shí)別會(huì)導(dǎo)致計(jì)算結(jié)果的不可靠性?？捎糜?識(shí)別足球比賽視頻中的多運(yùn)動(dòng)員行為的特征較多，但選擇的特征過(guò)多、特征向量維數(shù)過(guò)大， 則會(huì)增加計(jì)算的復(fù)雜度；而選擇的特征過(guò)少，又不足W識(shí)別與理解足球比賽視頻中的多運(yùn) 動(dòng)員行為。
[0003] 在實(shí)現(xiàn)本發(fā)明的過(guò)程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在操作過(guò)程復(fù)雜、花費(fèi)時(shí) 間長(zhǎng)和可靠性低等缺陷。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于，針對(duì)上述問(wèn)題，提出一種運(yùn)動(dòng)目標(biāo)跟蹤與檢測(cè)方法，W實(shí)現(xiàn)操 作過(guò)程簡(jiǎn)單、花費(fèi)時(shí)間短和可靠性高的優(yōu)點(diǎn)。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種運(yùn)動(dòng)目標(biāo)跟蹤與檢測(cè)方法，包 括：
[0006] a、足球比賽視頻中的運(yùn)動(dòng)目標(biāo)分割；
[0007] b、球員跟蹤與檢測(cè)；
[0008] C、足球跟蹤與檢測(cè)；
[0009] d、球員與裁判分類
[0010] e、足球比賽位置的確定。
[0011] 進(jìn)一步地，所述步驟a,具體包括：
[0012] 使用減背景法進(jìn)行運(yùn)動(dòng)目標(biāo)分割，具體地：
[0013] (1)創(chuàng)建和維護(hù)背景：如果一個(gè)像素值（X，y)是背景模型的標(biāo)準(zhǔn)偏差的兩倍W上， 則認(rèn)為該像素是運(yùn)動(dòng)的；
[0014] 口)設(shè)置滑動(dòng)時(shí)間窗口尺寸W為預(yù)設(shè)帖數(shù)，選擇每個(gè)窗口的第一張圖片作為粗背 景模型Bt(x，y)，只對(duì)那些與粗背景模型對(duì)應(yīng)，強(qiáng)度值不變的點(diǎn)進(jìn)行均值和標(biāo)準(zhǔn)差估價(jià)，即 r(x,y)-Bc(x,y)I<th，其中，th是實(shí)驗(yàn)選定的闊值；
[0015] 該樣，在第一個(gè)W帖的分析結(jié)束后，算法計(jì)算出每個(gè)點(diǎn)的能量如下：
[0016]
[0017] 第一個(gè)W帖處理完后，產(chǎn)生的背景模型Bp可用（2)來(lái)表示；
[0018] (2)
[001引 闊值th(W)與窗口尺寸w成正比；
[0020] 將低能量點(diǎn)考慮為靜態(tài)點(diǎn)，相應(yīng)的統(tǒng)計(jì)包含在背景模型中，而高能量點(diǎn)對(duì)應(yīng)于前 景或背景中的運(yùn)動(dòng)物體；
[0021] 整個(gè)過(guò)程是在另一個(gè)W帖序列進(jìn)行迭代，W+1帖成為新的粗背景模型；如果統(tǒng)計(jì)參 數(shù)存在，（2)中的有關(guān)差異是新的統(tǒng)計(jì)參數(shù)與W前的值的平均值，否則，就是新的統(tǒng)計(jì)模型 值，將似改寫成：
[0022]
[0023] 減背景法中的參數(shù)0是典型更新參數(shù)，一般設(shè)定為0. 1 ;
[0024] 樹根據(jù)視頻圖像中的全局運(yùn)動(dòng)數(shù)量修改系統(tǒng)參數(shù)；將連通性分析應(yīng)用于分割好的 結(jié)果圖像，產(chǎn)生前景區(qū)域；通過(guò)每個(gè)區(qū)域形狀的幾何考慮，連通性分析消除陰影；在構(gòu)造連 通區(qū)域的過(guò)程中，刪除與預(yù)期球員的垂直位置相關(guān)的正交方向的擴(kuò)展區(qū)域。
[00巧]進(jìn)一步地，所述步驟b，具體包括：
[0026] (1)對(duì)足球比賽視頻進(jìn)行運(yùn)動(dòng)目標(biāo)分割和分類后，每一個(gè)球員可W用方塊盒BB表 示，第i個(gè)球員的狀態(tài)向量定義為xN(片乂，4 乂,，為，< )，其中；
[0027] 1)托,，< 和<分別表示BB的位置、速度和尺寸；
[002引。< 表示BB的狀態(tài)，并賦相應(yīng)的值；
[0029] 3)如果是單個(gè)斑塊，4,是單個(gè)標(biāo)簽，如果是混合斑塊，是標(biāo)簽集；
[0030] 4)如果是單個(gè)斑塊，< 是單個(gè)類的數(shù)目，如果是混合斑塊，< 是類集數(shù)目；
[00引]在t時(shí)刻，用=kIZ' = 1，…，Wf}表示多個(gè)運(yùn)動(dòng)員的輪廓，其中Nt是圖像中預(yù)測(cè)BB 的數(shù)目；用同樣的方法描述測(cè)量向量式={z/Ii= 1，…，M,}，其中z/二（片，)是觀測(cè)實(shí) 例向量，Mt是時(shí)刻t觀察到的BB的數(shù)目，觀察值Zt是分割和分類的結(jié)果；
[0032] 口)在每一個(gè)環(huán)節(jié)，根據(jù)過(guò)去的狀態(tài)演化來(lái)預(yù)測(cè)新的狀態(tài)分布，然后用新的測(cè)量結(jié) 果來(lái)驗(yàn)證該個(gè)預(yù)測(cè)；假設(shè)球員行為的線性模型f預(yù)測(cè)新的狀態(tài)分布Xt=f狂t_i)+N，其中N 是高斯噪聲；在新的預(yù)測(cè)中，根據(jù)球員的位置和影像參數(shù)得到：
[0033] 1)X;是單人蹤跡，即W前的斑塊位置的改變，如果咕:1的位置預(yù)測(cè)在圖像中，則狀 態(tài)為1 ;
[0034]2)X;'是混合跟蹤，如果有兩個(gè)或更多的斑塊(X/一，Xfli，…)，其預(yù)測(cè)位置落在圖像 中，則狀態(tài)與'為2 ;
[003引扣如果斑塊也的預(yù)測(cè)位置不在圖像中，與即為退出斑塊，其狀態(tài)與為3 ;
[003引在預(yù)測(cè)混合斑塊時(shí)，產(chǎn)生群組斑塊的W前事例(冶，皆,，…）仍保持在預(yù)測(cè) 0/，如…)中；
[0037] 在t時(shí)刻，一旦新的測(cè)量向量Zt可用，就對(duì)預(yù)測(cè)Xt進(jìn)行驗(yàn)證；
[0038] 需要對(duì)混合斑塊進(jìn)一步分析；在比賽過(guò)程中，兩個(gè)或更多的斑塊可能會(huì)混合在一 起，在相應(yīng)的觀察中對(duì)它們進(jìn)行分割。
[0039] 進(jìn)一步地，所述步驟C，具體包括：
[0040] 足球的跟蹤和檢測(cè)過(guò)程由兩步完成，具體地：
[0041] 第一步在所有運(yùn)動(dòng)區(qū)域選擇包含候選球的區(qū)域大小，候選運(yùn)動(dòng)區(qū)域的選擇取決于 球W前出現(xiàn)的信息；
[0042] 第二步對(duì)球出現(xiàn)的區(qū)域進(jìn)行分析來(lái)識(shí)別球，估計(jì)W候選區(qū)域?yàn)橹型?、的路徑和選定 的球樣本的比較集的參考模型之間的關(guān)聯(lián)度；
[0043] 該參考模型是數(shù)據(jù)集中所有樣本的均值圖像，圖像平面中的球的速度V和方向0 計(jì)算如下：
[0047] 的是球在圖像I(t)中的位置，是球在圖像I(t-n)中的位置，T是相機(jī)帖頻， n是檢測(cè)球的帖數(shù)；
[0048] 建立如下涵蓋了所有的處理圖像的球的位置概率圖：
[0049]
[0050] 其中，巧，巧是最后知道的球的位置；
[0051] (7)
[0052] 其中，Rp是W像素為單位的球半徑，R。。是W厘米為單位的球半徑，Vmai是最大的球 速，T是相機(jī)帖頻，n是兩次檢測(cè)到球之間的帖數(shù)。
[0053] 進(jìn)一步地，所述步驟d，具體包括；
[0054] (1)對(duì)足球比賽視頻中的球員進(jìn)行分割后，將他們進(jìn)行正確分類；
[00巧]口)分類程序是由兩步組成；首先，該些類是由基于改進(jìn)的BSAS聚類算法來(lái)產(chǎn)生， 該種算法實(shí)質(zhì)上是獨(dú)立于人類干設(shè)的無(wú)監(jiān)督方法；然后，在足球比賽視頻序列運(yùn)行時(shí)每個(gè) 分割對(duì)象被分配一個(gè)W前提取的類；
[0056] 聚類過(guò)程對(duì)球員和裁判員的可靠分類，具體包括：
[0057] 在訓(xùn)練集中隨機(jī)收集許多分割對(duì)象，并為BSAS算法提供相應(yīng)的歸一化直方圖來(lái) 檢測(cè)感興趣的類；
[0058] 根據(jù)已定義的聚類距離給每一個(gè)新向量分配一個(gè)現(xiàn)有聚類或創(chuàng)建新的聚類；
[0059] 運(yùn)行時(shí)，將每個(gè)分割好的球員與聚類原型進(jìn)行比較，根據(jù)最小距離標(biāo)準(zhǔn)用曼哈頓
[0060] 距離來(lái)選擇類Ck，對(duì)類的原型進(jìn)行如下更新：
(8)
[006。 其中，Ck是聚類K的原型，V是檢測(cè)對(duì)象的特征向量，Wk是最近兩個(gè)時(shí)間窗中分類 對(duì)象屬于聚類K的數(shù)量。
[0062] 進(jìn)一步地，所述步驟e，具體包括：
[0063] 足球比賽位置是指足球比賽視頻中當(dāng)前畫面對(duì)應(yīng)的球場(chǎng)上的位置，包括中場(chǎng)、左 右邊禁區(qū)前沿；足球比賽的節(jié)奏和狀態(tài)能夠用足球比賽的位置及其位置轉(zhuǎn)換來(lái)表示；
[0064] 判斷足球比賽位置需要檢測(cè)球場(chǎng)中的直線并且識(shí)別該些直線，通過(guò)統(tǒng)計(jì)學(xué)習(xí)方法 來(lái)推導(dǎo)球場(chǎng)的位置；將球場(chǎng)分為左半場(chǎng)、中場(chǎng)和右半場(chǎng)，或者將球場(chǎng)分為5個(gè)區(qū)域或15個(gè)區(qū) 域，滿足包含檢測(cè)射口、進(jìn)球、角球的事件要求。
[0065] 本發(fā)明各實(shí)施例的運(yùn)動(dòng)目標(biāo)跟蹤與檢測(cè)方法，由于包括；足球比賽視頻中的運(yùn)動(dòng) 目標(biāo)分割；球員跟蹤與檢測(cè)；足球跟蹤與檢測(cè)；球員與裁判分類；足球比賽位置的確定；從 而可W克服現(xiàn)有技術(shù)中操作過(guò)程復(fù)雜、花費(fèi)時(shí)間長(zhǎng)和可靠性低的缺陷，W實(shí)現(xiàn)操作過(guò)程簡(jiǎn) 單、花費(fèi)時(shí)間短和可靠性高的優(yōu)點(diǎn)。
[0066] 本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變 得顯而易見(jiàn)