專利名稱:體育視頻目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種運(yùn)動(dòng)目標(biāo)跟蹤方法，更具體地說(shuō)，是涉及一種基于體育視頻的目標(biāo)跟蹤方法。
背景技術(shù)：
運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤是應(yīng)用視覺(jué)領(lǐng)域的一個(gè)重要課題，其核心思想是綜合利用圖像處理，視頻分析等技術(shù)手段，快速、準(zhǔn)確地捕捉運(yùn)動(dòng)目標(biāo)。
通過(guò)攝像機(jī)監(jiān)控動(dòng)態(tài)場(chǎng)景，早已被廣泛應(yīng)用于社會(huì)生活的方方面面。從社區(qū)和重要設(shè)施的保安監(jiān)控到城市和高速公路上的交通監(jiān)控，從軍事目標(biāo)的檢測(cè)到智能武器，攝像機(jī)作為人類視覺(jué)的延伸起著非常重要的作用。近年來(lái)，隨著視覺(jué)監(jiān)控系統(tǒng)的廣泛應(yīng)用，運(yùn)動(dòng)目標(biāo)的快速定位和跟蹤技術(shù)越來(lái)越引起許多科研機(jī)構(gòu)及研究人員的濃厚興趣。目前，目標(biāo)跟蹤方法大多是基于靜態(tài)背景的，利用目標(biāo)同背景之間的幀差，提取運(yùn)動(dòng)目標(biāo)的輪廓信息，從而獲得目標(biāo)的運(yùn)動(dòng)位置。然而，體育視頻中，攝像機(jī)經(jīng)常發(fā)生劇烈運(yùn)動(dòng)，背景每時(shí)每刻都在變化，因此很難利用背景幀差獲得目標(biāo)的運(yùn)動(dòng)位置。在現(xiàn)有技術(shù)中，有人提出利用被跟蹤目標(biāo)的特征信息，再結(jié)合粒子濾波方法獲取目標(biāo)的運(yùn)動(dòng)位置。關(guān)于該方法的具體實(shí)現(xiàn)請(qǐng)見(jiàn)參考文獻(xiàn)1KatjaNUmmiaro，Esther Koller-Meier and Luc Van Gool“A Color-based ParticleFilter”Image and Vision Computing 2002.1.。
體育視頻中存在目標(biāo)運(yùn)動(dòng)較快，目標(biāo)速度變化較快等特點(diǎn)，因此可提出四種運(yùn)動(dòng)模型勻速、勻加速、靜止和碰撞。由于參考文獻(xiàn)1中所提出的粒子濾波算法只考慮了一種運(yùn)動(dòng)模式，因此，在跟蹤那些運(yùn)動(dòng)模式經(jīng)常發(fā)生變化的目標(biāo)時(shí)，效果往往較差，雖然可以通過(guò)增加粒子濾波樣本點(diǎn)的數(shù)目和擴(kuò)大樣本點(diǎn)分布的范圍得以解決，但是系統(tǒng)的計(jì)算復(fù)雜度也會(huì)明顯增加，誤差也會(huì)加大，而且還會(huì)產(chǎn)生很多對(duì)粒子濾波無(wú)用的樣本點(diǎn)。特別對(duì)那些運(yùn)動(dòng)幅度較大的運(yùn)動(dòng)視頻，該方法準(zhǔn)確度較低，而且運(yùn)算復(fù)雜度較大。

發(fā)明內(nèi)容本發(fā)明的目的是為了克服現(xiàn)有技術(shù)中只采用一種運(yùn)動(dòng)模式而造成跟蹤目標(biāo)的效果較差，計(jì)算復(fù)雜度高的缺點(diǎn)，提供一種快速，穩(wěn)定，魯棒的應(yīng)用于體育視頻的目標(biāo)跟蹤方法。
為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種體育視頻目標(biāo)跟蹤方法，包括1)、提取視頻中的顏色直方圖，利用核函數(shù)對(duì)顏色直方圖作歸一化處理，得到目標(biāo)的顏色分布特征；2)、采用粒子濾波算法預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置，具體包括以下步驟2-1)、在第一幀中由正態(tài)分布產(chǎn)生隨機(jī)樣本點(diǎn)集合St-1={st-1(n)}n=1,....,N,]]>從樣本集合中選擇N個(gè)服從概率分布的樣本；2-2)、根據(jù)下述公式，由當(dāng)前幀的樣本點(diǎn)集合St-1′={st-1′(n)}n=1,....,N]]>得到下一幀圖像的樣本點(diǎn)集合St={st(n)}n=1,....,N;]]>st(n)=Ast-1′(n)+wt-1(n)]]>其中，wt-1(n)是系統(tǒng)噪聲，符合高斯分布，A代表運(yùn)動(dòng)模型，下標(biāo)t-1代表當(dāng)前幀，下標(biāo)t代表下一幀，n代表樣本點(diǎn)的數(shù)目；下一幀中樣本點(diǎn)由當(dāng)前幀的樣本點(diǎn)根據(jù)運(yùn)動(dòng)模型產(chǎn)生；2-3)、預(yù)測(cè)目標(biāo)在下一幀圖像中的運(yùn)動(dòng)位置；3)、根據(jù)步驟2)得到的目標(biāo)的運(yùn)動(dòng)位置的預(yù)測(cè)值，采用均值聚類算法求目標(biāo)運(yùn)動(dòng)位置的精確值。
上述技術(shù)方案中，所述的步驟1)中，所述的顏色分布特征的提取方法的具體實(shí)現(xiàn)步驟如下1-1)、計(jì)算目標(biāo)中各個(gè)象素點(diǎn)的權(quán)重；1-2)、求目標(biāo)的顏色直方圖。
上述技術(shù)方案中，在所述的步驟2-3)中，預(yù)測(cè)目標(biāo)在下一幀圖像中的位置的實(shí)現(xiàn)步驟包括2-3-1)、計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)與運(yùn)動(dòng)模型的相似度；2-3-2)、由步驟2-3-1)得到的相似度，計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)的概率權(quán)重；2-3-3)、由步驟2-3-2)得到的各個(gè)樣本點(diǎn)的概率權(quán)重，估計(jì)目標(biāo)位置的期望值，所得到的目標(biāo)位置的期望值就是目標(biāo)在下一幀圖像中的位置。
上述技術(shù)方案中，所述的步驟3)中，求運(yùn)動(dòng)目標(biāo)位置的精確值的具體實(shí)現(xiàn)步驟如下3-1)、計(jì)算由步驟2)得到的目標(biāo)運(yùn)動(dòng)位置的預(yù)測(cè)值同運(yùn)動(dòng)模型之間的相似度，若相似度大于一個(gè)預(yù)先指定的閥值，則運(yùn)動(dòng)模型不發(fā)生變化，若相似度小于一個(gè)預(yù)先指定的閥值，則改變運(yùn)動(dòng)模型，并跳轉(zhuǎn)到步驟2-2)，重新預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置，直到相似度大于預(yù)先指定的閥值為止；3-2)、根據(jù)公式計(jì)算運(yùn)動(dòng)位置目標(biāo)的修正值；3-3)、對(duì)步驟3-2)得到的修正值和步驟2)得到的預(yù)測(cè)值求差，對(duì)差做取模運(yùn)算，對(duì)取模運(yùn)算的結(jié)果作判斷，若取模運(yùn)算的值小于用戶設(shè)定的值ε，則停止迭代的過(guò)程，所得到的修正值就是運(yùn)動(dòng)目標(biāo)的實(shí)際精確位置，否則將修正值賦給預(yù)測(cè)值，并重新執(zhí)行步驟3-2)，求新的修正值。
所述的運(yùn)動(dòng)模型包括勻速、勻加速、靜止和碰撞四種，對(duì)于不同的運(yùn)動(dòng)模型，在步驟2-2)中，A取不同的值。
在所述的步驟3-1)中，所述的預(yù)先指定的閥值取0.8。
在所述的步驟3-3)中，所述的用戶設(shè)定的值ε為2或3。
本發(fā)明的體育視頻目標(biāo)跟蹤方法引入多種運(yùn)動(dòng)模型，根據(jù)目標(biāo)運(yùn)動(dòng)的特點(diǎn)動(dòng)態(tài)地更新運(yùn)動(dòng)模型，從而利用很少的樣本數(shù)目達(dá)到了較好的效果，降低了計(jì)算復(fù)雜度，并提高了跟蹤的準(zhǔn)確度。
圖1為本發(fā)明的體育視頻目標(biāo)跟蹤方法的流程圖；圖2為本發(fā)明的體育視頻目標(biāo)跟蹤方法具體實(shí)現(xiàn)步驟的流程圖。
具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式
，對(duì)本發(fā)明的體育視頻目標(biāo)跟蹤方法作進(jìn)一步的說(shuō)明。
參考圖1、圖2，本發(fā)明的體育視頻目標(biāo)跟蹤方法包含以下步驟步驟10、提取視頻中的顏色直方圖，利用核函數(shù)對(duì)顏色直方圖作歸一化處理，得到目標(biāo)的顏色分布特征，本步驟的具體實(shí)現(xiàn)步驟如下。
步驟11、計(jì)算目標(biāo)中各個(gè)象素點(diǎn)的權(quán)重。假設(shè)被跟蹤的目標(biāo)是一個(gè)中心為y，窗寬為h的矩形窗口，由于目標(biāo)的外圍象素可能被遮擋或者受背景的影響而相對(duì)不可靠，因此對(duì)目標(biāo)中各象素點(diǎn)設(shè)定不同的權(quán)重，象素點(diǎn)越靠近目標(biāo)中心，權(quán)重越大。用g(xi)表示各象素點(diǎn)的權(quán)重，各象素點(diǎn)權(quán)重的計(jì)算公式如公式(1)所示g(xi)=k(||(xi-x0)h||2)---(1)]]>其中，k表示一個(gè)距離函數(shù)，‖代表取模運(yùn)算，xi表示目標(biāo)的一個(gè)象素點(diǎn)，x0代表目標(biāo)的中心點(diǎn)。
步驟12、求目標(biāo)的顏色直方圖。
求目標(biāo)的顏色直方圖的計(jì)算公式如公式(2)所示q′(y)＝{qu′(y)}u＝1...m(2)其中，m代表將顏色空間劃分成的區(qū)域的數(shù)目，u代表每個(gè)區(qū)域所在的顏色空間索引。qu′(y)的值用公式(3)和(4)表示。
Σu=1mqu′(y)=1---(3)]]>qu′(y)=chΣi=1Ng(xi)σ[b(xi)-u],σ[x]=1x=00x≠0---(4)]]>函數(shù)b(xi)為像素點(diǎn)xi在m值直方圖中的索引值，g(xi)是步驟11中所求到的象素點(diǎn)的權(quán)重，Ch的值用公式(5)表示。
ch=1Σi=1Nk(||(xi-x0)h||2)---(5)]]>步驟20、采用粒子濾波算法預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置，具體實(shí)現(xiàn)如下。
步驟21、由正態(tài)分布產(chǎn)生隨機(jī)樣本點(diǎn)集合St-1={st-1(n)}n=1,....,N,]]>從樣本集合中選擇N個(gè)服從概率分布πt-1n的樣本。
步驟211、根據(jù)公式(6)計(jì)算累積概率分布ct-1′c(0)t-1＝0
c(n)t-1=c(n-1)t-1+πt-1n---(6)]]>ct-1′(n)=ct-1(n)ct-1(N)]]>其中，t是代表時(shí)間的一個(gè)下標(biāo)，這里t-1代表前一幀圖像，t代表當(dāng)前幀圖像，計(jì)算累積概率分布ct-1′的過(guò)程是一個(gè)遞歸過(guò)程，每一次當(dāng)前幀產(chǎn)生的樣本點(diǎn)，都是通過(guò)前一幀圖像的樣本點(diǎn)產(chǎn)生的步驟212、產(chǎn)生N個(gè)服從均勻分布的隨機(jī)數(shù)rn∈[0，1]步驟213、在步驟211得到的集合{ct-1′(j)}中選擇滿足條件Ct-1′(j)≥rn]]>的最小j，令st-1′(n)=st-1(j),]]>0≤n≤N本步驟的意義就是隨機(jī)產(chǎn)生一個(gè)0-1區(qū)間內(nèi)的隨機(jī)數(shù)，然后根據(jù)這個(gè)隨機(jī)數(shù)選擇πt-1n(n＝1....N)的前幾項(xiàng)之和大于這個(gè)隨機(jī)數(shù)的樣本點(diǎn)。
步驟22、從集合St-1′={st-1′(n)}n=1,....,N]]>中利用運(yùn)動(dòng)方程(7)產(chǎn)生下一幀圖像中的樣本集合St={st(n)}n=1,....,N]]>st(n)=Ast-1′(n)+wt-1(n)---(7)]]>其中，wt-1(n)是系統(tǒng)噪聲，符合高斯分布，A代表運(yùn)動(dòng)模型。
步驟23、預(yù)測(cè)目標(biāo)在下一幀圖像中的位置。其具體實(shí)現(xiàn)如下。
步驟231、計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)與運(yùn)動(dòng)模型的相似度，相似度的計(jì)算公式如公式(8)所示，ρ[p′,q′(st(n))]=Σu=1mpu′qu′(stn)---(8)]]>其中，p′就是運(yùn)動(dòng)模型，代表被跟蹤目標(biāo)的顏色分布，q′(st(n))就是樣本點(diǎn)的顏色分布。
步驟232、計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)的概率權(quán)重，所述的概率權(quán)重用πtn表示，概率權(quán)重的計(jì)算公式如公式(9)所示。
πtn=12πσe-(1-ρ[p′,q′(st(n))])2σ2---(9)]]>步驟233、根據(jù)步驟232得到的各個(gè)樣本點(diǎn)的概率權(quán)重，估計(jì)目標(biāo)位置的期望值E[St]=Σn=1Nπtnst(n)---(10)]]>所得到的目標(biāo)位置的期望值就是目標(biāo)在下一幀圖像中的位置。
步驟30、根據(jù)步驟20得到的目標(biāo)的運(yùn)動(dòng)位置的預(yù)測(cè)值，采用均值聚類算法求目標(biāo)運(yùn)動(dòng)位置的精確值。假設(shè)由步驟20得到的運(yùn)動(dòng)目標(biāo)的預(yù)測(cè)值設(shè)為初始位置，用y0表示，求運(yùn)動(dòng)目標(biāo)位置的精確值的具體實(shí)現(xiàn)步驟如下。
步驟31、計(jì)算初始位置y0同運(yùn)動(dòng)模型之間的相似度，并對(duì)計(jì)算所得到的相似度作判斷，當(dāng)相似度ρ[p′，q′(y0)]＞θ時(shí)，認(rèn)為運(yùn)動(dòng)模型沒(méi)有發(fā)生變化，當(dāng)ρ[p′，q′(y0)]＜θ時(shí)，則改變運(yùn)動(dòng)模型，并跳轉(zhuǎn)到步驟22，更改運(yùn)動(dòng)模型(模型值為A)，重新預(yù)測(cè)目標(biāo)的初始位置，直到ρ[p′，q′(y0)]＞θ。其中，θ是一個(gè)預(yù)先指定的閥值，在一個(gè)實(shí)施例中，θ取0.8。對(duì)相似度的計(jì)算如公式(11)所示。
ρ[p′,q′(y0)]=Σu=1mpu′qu′(y0)---(11)]]>步驟32、根據(jù)公式(12)計(jì)算目標(biāo)位置的修正值y′。
y′=Σi=1hnxiwig(||y0-xi||2)Σi=1hnwig(||y0-xi||2)---(12)]]>其中，g為距離函數(shù)，wi=Σu=1mpu′qu′(y0)σ[b(xi)-u]]]>步驟33、對(duì)y′和y0的差做取模運(yùn)算，對(duì)取模運(yùn)算的結(jié)果作判斷，若取模運(yùn)算的值小于用戶設(shè)定的值ε，則停止迭代的過(guò)程，所得到的y′就是運(yùn)動(dòng)目標(biāo)的實(shí)際精確位置，否則將y′的值賦給y0，并重新執(zhí)行步驟32。其中，所述的用戶設(shè)定的值ε為2或3。
權(quán)利要求
1.一種體育視頻目標(biāo)跟蹤方法，包括以下步驟1)、提取視頻中的顏色直方圖，利用核函數(shù)對(duì)顏色直方圖作歸一化處理，得到目標(biāo)的顏色分布特征；2)、采用粒子濾波算法預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置，按以下步驟進(jìn)行2-1)、在第一幀中由正態(tài)分布產(chǎn)生隨機(jī)樣本點(diǎn)集合St-1={st-1(n)}n=1,···,N,]]>從樣本集合中選擇N個(gè)服從概率分布的樣本；2-2)、根據(jù)下述公式，由當(dāng)前幀的樣本點(diǎn)集合St-1′={st-1′(n)}n=1,···,N]]>得到下一幀圖像的樣本點(diǎn)集合St={st(n)}n=1,···,N;]]>St(n)=Ast-1′(n)+wt-1(n)]]>其中，wt-1(n)是系統(tǒng)噪聲，符合高斯分布，A代表運(yùn)動(dòng)模型，下標(biāo)t-1代表當(dāng)前幀，下標(biāo)t代表下一幀，n代表樣本點(diǎn)的數(shù)目；下一幀中樣本點(diǎn)由當(dāng)前幀的樣本點(diǎn)根據(jù)運(yùn)動(dòng)模型產(chǎn)生；2-3)、預(yù)測(cè)目標(biāo)在下一幀圖像中的運(yùn)動(dòng)位置；3)、根據(jù)步驟2)得到的目標(biāo)的運(yùn)動(dòng)位置的預(yù)測(cè)值，采用均值聚0類算法求目標(biāo)運(yùn)動(dòng)位置的精確值。
2.根據(jù)權(quán)利要求
1所述的體育視頻目標(biāo)跟蹤方法，其特征在于，所述的步驟1)中提取視頻中顏色直方圖的具體步驟如下1-1)、計(jì)算目標(biāo)中各個(gè)象素點(diǎn)的權(quán)重；1-2)、求目標(biāo)的顏色直方圖。
3.根據(jù)權(quán)利要求
1所述的體育視頻目標(biāo)跟蹤方法，其特征在于，在所述的步驟2-3)中，預(yù)測(cè)目標(biāo)在下一幀圖像中的位置的實(shí)現(xiàn)步驟包括2-3-1)、計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)與運(yùn)動(dòng)模型的相似度；2-3-2)、由步驟2-3-1)得到的相似度，計(jì)算目標(biāo)中的每個(gè)樣本點(diǎn)的概率權(quán)重；2-3-3)、由步驟2-3-2)得到的各個(gè)樣本點(diǎn)的概率權(quán)重，估計(jì)目標(biāo)位置的期望值，所得到的目標(biāo)位置的期望值就是目標(biāo)在下一幀圖像中的位置。
4.根據(jù)權(quán)利要求
1所述的體育視頻目標(biāo)跟蹤方法，其特征在于，所述的步驟3)中，求運(yùn)動(dòng)目標(biāo)位置的精確值的具體實(shí)現(xiàn)步驟如下3-1)、計(jì)算由步驟2)得到的目標(biāo)運(yùn)動(dòng)位置的預(yù)測(cè)值同運(yùn)動(dòng)模型之間的相似度，若相似度大于一個(gè)預(yù)先指定的閥值，則運(yùn)動(dòng)模型不發(fā)生變化，若相似度小于一個(gè)預(yù)先指定的閥值，則改變運(yùn)動(dòng)模型，并跳轉(zhuǎn)到步驟2-2)，重新預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置，直到相似度大于預(yù)先指定的閥值為止；3-2)、根據(jù)公式計(jì)算運(yùn)動(dòng)位置目標(biāo)的修正值；3-3)、對(duì)步驟3-2)得到的修正值和步驟2)得到的預(yù)測(cè)值求差，對(duì)差做取模運(yùn)算，對(duì)取模運(yùn)算的結(jié)果作判斷，若取模運(yùn)算的值小于用戶設(shè)定的值ε，則停止迭代的過(guò)程，所得到的修正值就是運(yùn)動(dòng)目標(biāo)的實(shí)際精確位置，否則將修正值賦給預(yù)測(cè)值，并重新執(zhí)行步驟3-2)，求新的修正值。
5.根據(jù)權(quán)利要求
4所述的體育視頻目標(biāo)跟蹤方法，其特征在于，所述的運(yùn)動(dòng)模型包括勻速、勻加速、靜止和碰撞四種，對(duì)于不同的運(yùn)動(dòng)模型，在步驟2-2)中，A取不同的值。
6.根據(jù)權(quán)利要求
4所述的體育視頻目標(biāo)跟蹤方法，其特征在于，在所述的步驟3-1)中，所述的預(yù)先指定的閥值取0.8。
7.根據(jù)權(quán)利要求
4所述的體育視頻目標(biāo)跟蹤方法，其特征在于，在所述的步驟3-3)中，所述的用戶設(shè)定的值ε為2或3。
專利摘要
本發(fā)明公開(kāi)了一種體育視頻目標(biāo)跟蹤方法，包括提取視頻中的顏色直方圖，利用核函數(shù)對(duì)顏色直方圖作歸一化處理，得到目標(biāo)的顏色分布特征；采用粒子濾波算法預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)位置；根據(jù)目標(biāo)的運(yùn)動(dòng)位置的預(yù)測(cè)值，采用均值聚類算法求目標(biāo)運(yùn)動(dòng)位置的精確值。本發(fā)明的體育視頻目標(biāo)跟蹤方法引入多種運(yùn)動(dòng)模型，根據(jù)目標(biāo)運(yùn)動(dòng)的特點(diǎn)動(dòng)態(tài)地更新運(yùn)動(dòng)模型，從而利用很少的樣本數(shù)目達(dá)到了較好的效果，降低了計(jì)算復(fù)雜度，并提高了跟蹤的準(zhǔn)確度。
文檔編號(hào)G06T7/20GK1992911SQ200510135495
公開(kāi)日2007年7月4日 申請(qǐng)日期2005年12月31日
發(fā)明者李錦濤, 熊文平, 張勇東 申請(qǐng)人:中國(guó)科學(xué)院計(jì)算技術(shù)研究所導(dǎo)出引文BiBTeX, EndNote, RefMan