一種運動目標(biāo)跟蹤與檢測方法
【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)及一種運動目標(biāo)跟蹤與檢測方法。
【背景技術(shù)】
[0002] 在足球比賽視頻中的多運動員行為識別過程中，由于單一特征很難有效地描述多 運動員的行為特征，所W用單一特征來進行行為識別會導(dǎo)致計算結(jié)果的不可靠性?？捎糜?識別足球比賽視頻中的多運動員行為的特征較多，但選擇的特征過多、特征向量維數(shù)過大， 則會增加計算的復(fù)雜度；而選擇的特征過少，又不足W識別與理解足球比賽視頻中的多運 動員行為。
[0003] 在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在操作過程復(fù)雜、花費時 間長和可靠性低等缺陷。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于，針對上述問題，提出一種運動目標(biāo)跟蹤與檢測方法，W實現(xiàn)操 作過程簡單、花費時間短和可靠性高的優(yōu)點。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種運動目標(biāo)跟蹤與檢測方法，包 括：
[0006] a、足球比賽視頻中的運動目標(biāo)分割；
[0007] b、球員跟蹤與檢測；
[0008] C、足球跟蹤與檢測；
[0009] d、球員與裁判分類
[0010] e、足球比賽位置的確定。
[0011] 進一步地，所述步驟a,具體包括：
[0012] 使用減背景法進行運動目標(biāo)分割，具體地：
[0013] (1)創(chuàng)建和維護背景：如果一個像素值（X，y)是背景模型的標(biāo)準(zhǔn)偏差的兩倍W上， 則認(rèn)為該像素是運動的；
[0014] 口)設(shè)置滑動時間窗口尺寸W為預(yù)設(shè)帖數(shù)，選擇每個窗口的第一張圖片作為粗背 景模型Bt(x，y)，只對那些與粗背景模型對應(yīng)，強度值不變的點進行均值和標(biāo)準(zhǔn)差估價，即 r(x,y)-Bc(x,y)I<th，其中，th是實驗選定的闊值；
[0015] 該樣，在第一個W帖的分析結(jié)束后，算法計算出每個點的能量如下：
[0016]
[0017] 第一個W帖處理完后，產(chǎn)生的背景模型Bp可用（2)來表示；
[0018] (2)
[001引 闊值th(W)與窗口尺寸w成正比；
[0020] 將低能量點考慮為靜態(tài)點，相應(yīng)的統(tǒng)計包含在背景模型中，而高能量點對應(yīng)于前 景或背景中的運動物體；
[0021] 整個過程是在另一個W帖序列進行迭代，W+1帖成為新的粗背景模型；如果統(tǒng)計參 數(shù)存在，（2)中的有關(guān)差異是新的統(tǒng)計參數(shù)與W前的值的平均值，否則，就是新的統(tǒng)計模型 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動數(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；通過每個區(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)的正交方向的擴展區(qū)域。
[00巧]進一步地，所述步驟b，具體包括：
[0026] (1)對足球比賽視頻進行運動目標(biāo)分割和分類后，每一個球員可W用方塊盒BB表 示，第i個球員的狀態(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)如果是單個斑塊，4,是單個標(biāo)簽，如果是混合斑塊，是標(biāo)簽集；
[0030] 4)如果是單個斑塊，< 是單個類的數(shù)目，如果是混合斑塊，< 是類集數(shù)目；
[00引]在t時刻，用=kIZ' = 1，…，Wf}表示多個運動員的輪廓，其中Nt是圖像中預(yù)測BB 的數(shù)目；用同樣的方法描述測量向量式={z/Ii= 1，…，M,}，其中z/二（片，)是觀測實 例向量，Mt是時刻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)在每一個環(huán)節(jié)，根據(jù)過去的狀態(tài)演化來預(yù)測新的狀態(tài)分布，然后用新的測量結(jié) 果來驗證該個預(yù)測；假設(shè)球員行為的線性模型f預(yù)測新的狀態(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)測在圖像中，則狀 態(tài)為1 ;
[0034]2)X;'是混合跟蹤，如果有兩個或更多的斑塊(X/一，Xfli，…)，其預(yù)測位置落在圖像 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)測混合斑塊時，產(chǎn)生群組斑塊的W前事例(冶，皆,，…）仍保持在預(yù)測 0/，如…)中；
[0037] 在t時刻，一旦新的測量向量Zt可用，就對預(yù)測Xt進行驗證；
[0038] 需要對混合斑塊進一步分析；在比賽過程中，兩個或更多的斑塊可能會混合在一 起，在相應(yīng)的觀察中對它們進行分割。
[0039] 進一步地，所述步驟C，具體包括：
[0040] 足球的跟蹤和檢測過程由兩步完成，具體地：
[0041] 第一步在所有運動區(qū)域選擇包含候選球的區(qū)域大小，候選運動區(qū)域的選擇取決于 球W前出現(xiàn)的信息；
[0042] 第二步對球出現(xiàn)的區(qū)域進行分析來識別球，估計W候選區(qū)域為中屯、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是相機帖頻， n是檢測球的帖數(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是相機帖頻，n是兩次檢測到球之間的帖數(shù)。
[0053] 進一步地，所述步驟d，具體包括；
[0054] (1)對足球比賽視頻中的球員進行分割后，將他們進行正確分類；
[00巧]口)分類程序是由兩步組成；首先，該些類是由基于改進的BSAS聚類算法來產(chǎn)生， 該種算法實質(zhì)上是獨立于人類干設(shè)的無監(jiān)督方法；然后，在足球比賽視頻序列運行時每個 分割對象被分配一個W前提取的類；
[0056] 聚類過程對球員和裁判員的可靠分類，具體包括：
[0057] 在訓(xùn)練集中隨機收集許多分割對象，并為BSAS算法提供相應(yīng)的歸一化直方圖來 檢測感興趣的類；
[0058] 根據(jù)已定義的聚類距離給每一個新向量分配一個現(xiàn)有聚類或創(chuàng)建新的聚類；
[0059] 運行時，將每個分割好的球員與聚類原型進行比較，根據(jù)最小距離標(biāo)準(zhǔn)用曼哈頓
[0060] 距離來選擇類Ck，對類的原型進行如下更新：
(8)
[006。 其中，Ck是聚類K的原型，V是檢測對象的特征向量，Wk是最近兩個時間窗中分類 對象屬于聚類K的數(shù)量。
[0062] 進一步地，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)前畫面對應(yīng)的球場上的位置，包括中場、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)換來表示；
[0064] 判斷足球比賽位置需要檢測球場中的直線并且識別該些直線，通過統(tǒng)計學(xué)習(xí)方法 來推導(dǎo)球場的位置；將球場分為左半場、中場和右半場，或者將球場分為5個區(qū)域或15個區(qū) 域，滿足包含檢測射口、進球、角球的事件要求。
[0065] 本發(fā)明各實施例的運動目標(biāo)跟蹤與檢測方法，由于包括；足球比賽視頻中的運動 目標(biāo)分割；球員跟蹤與檢測；足球跟蹤與檢測；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)中操作過程復(fù)雜、花費時間長和可靠性低的缺陷，W實現(xiàn)操作過程簡 單、花費時間短和可靠性高的優(yōu)點。
[0066] 本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變 得顯而易見