一种运动目标跟踪与检测方法技术

本发明专利技术公开了一种运动目标跟踪与检测方法，包括：足球比赛视频中的运动目标分割；球员跟踪与检测；足球跟踪与检测；球员与裁判分类；足球比赛位置的确定。本发明专利技术所述运动目标跟踪与检测方法，可以克服现有技术中操作过程复杂、花费时间长和可靠性低等缺陷，以实现操作过程简单、花费时间短和可靠性高的优点。

【技术实现步骤摘要】

本专利技术设及视频处理
，具体地，设及。
技术介绍
在足球比赛视频中的多运动员行为识别过程中，由于单一特征很难有效地描述多 运动员的行为特征，所W用单一特征来进行行为识别会导致计算结果的不可靠性。可用于 识别足球比赛视频中的多运动员行为的特征较多，但选择的特征过多、特征向量维数过大， 则会增加计算的复杂度；而选择的特征过少，又不足W识别与理解足球比赛视频中的多运 动员行为。 在实现本专利技术的过程中，专利技术人发现现有技术中至少存在操作过程复杂、花费时 间长和可靠性低等缺陷。
技术实现思路
本专利技术的目的在于，针对上述问题，提出，W实现操 作过程简单、花费时间短和可靠性高的优点。 为实现上述目的，本专利技术采用的技术方案是：，包 括： a、足球比赛视频中的运动目标分割； b、球员跟踪与检测； C、足球跟踪与检测； d、球员与裁判分类 e、足球比赛位置的确定。 进一步地，所述步骤a,具体包括： 使用减背景法进行运动目标分割，具体地： (1)创建和维护背景：如果一个像素值（X，y)是背景模型的标准偏差的两倍W上， 则认为该像素是运动的； 口)设置滑动时间窗口尺寸W为预设帖数，选择每个窗口的第一张图片作为粗背 景模型Bt(x，y)，只对那些与粗背景模型对应，强度值不变的点进行均值和标准差估价，即 r(x,y)-Bc(x,y)I<th，其中，th是实验选定的阔值； 该样，在第一个W帖的分析结束后，算法计算出每个点的能量如下： 第一个W帖处理完后，产生的背景模型Bp可用（2)来表示； (2)[001引 阔值th(W)与窗口尺寸w成正比； 将低能量点考虑为静态点，相应的统计包含在背景模型中，而高能量点对应于前 景或背景中的运动物体； 整个过程是在另一个W帖序列进行迭代，W+1帖成为新的粗背景模型；如果统计参 数存在，（2)中的有关差异是新的统计参数与W前的值的平均值，否则，就是新的统计模型 值，将似改写成： 减背景法中的参数0是典型更新参数，一般设定为0. 1 ; 樹根据视频图像中的全局运动数量修改系统参数；将连通性分析应用于分割好的 结果图像，产生前景区域；通过每个区域形状的几何考虑，连通性分析消除阴影；在构造连 通区域的过程中，删除与预期球员的垂直位置相关的正交方向的扩展区域。进一步地，所述步骤b，具体包括： (1)对足球比赛视频进行运动目标分割和分类后，每一个球员可W用方块盒BB表 示，第i个球员的状态向量定义为xN(片乂，4 乂,，為，< )，其中； 1)托,，< 和<分别表示BB的位置、速度和尺寸；[002引。< 表示BB的状态，并赋相应的值； 3)如果是单个斑块，4,是单个标签，如果是混合斑块，是标签集； 4)如果是单个斑块，< 是单个类的数目，如果是混合斑块，< 是类集数目；在t时刻，用=kIZ' = 1，…，Wf}表示多个运动员的轮廓，其中Nt是图像中预测BB 的数目；用同样的方法描述测量向量式={z/Ii= 1，…，M,}，其中z/二（片，)是观测实 例向量，Mt是时刻t观察到的BB的数目，观察值Zt是分割和分类的结果； 口)在每一个环节，根据过去的状态演化来预测新的状态分布，然后用新的测量结 果来验证该个预测；假设球员行为的线性模型f预测新的状态分布Xt=f狂t_i)+N，其中N 是高斯噪声；在新的预测中，根据球员的位置和影像参数得到： 1)X;是单人踪迹，即W前的斑块位置的改变，如果咕:1的位置预测在图像中，则状 态为1 ;2)X;'是混合跟踪，如果有两个或更多的斑块(X/一，Xfli，…)，其预测位置落在图像 中，则状态与'为2 ;[003引扣如果斑块也的预测位置不在图像中，与即为退出斑块，其状态与为3 ;[003引在预测混合斑块时，产生群组斑块的W前事例(冶，皆,，…）仍保持在预测 0/，如…)中； 在t时刻，一旦新的测量向量Zt可用，就对预测Xt进行验证； 需要对混合斑块进一步分析；在比赛过程中，两个或更多的斑块可能会混合在一 起，在相应的观察中对它们进行分割。 进一步地，所述步骤C，具体包括： 足球的跟踪和检测过程由两步完成，具体地： 第一步在所有运动区域选择包含候选球的区域大小，候选运动区域的选择取决于 球W前出现的信息； 第二步对球出现的区域进行分析来识别球，估计W候选区域为中屯、的路径和选定 的球样本的比较集的参考模型之间的关联度； 该参考模型是数据集中所有样本的均值图像，图像平面中的球的速度V和方向0 计算如下： 的是球在图像I(t)中的位置，是球在图像I(t-n)中的位置，T是相机帖频， n是检测球的帖数； 建立如下涵盖了所有的处理图像的球的位置概率图： 其中，巧，巧是最后知道的球的位置； (7) 其中，Rp是W像素为单位的球半径，R。。是W厘米为单位的球半径，Vmai是最大的球 速，T是相机帖频，n是两次检测到球之间的帖数。 进一步地，所述步骤d，具体包括； (1)对足球比赛视频中的球员进行分割后，将他们进行正确分类；口)分类程序是由两步组成；首先，该些类是由基于改进的BSAS聚类算法来产生， 该种算法实质上是独立于人类干设的无监督方法；然后，在足球比赛视频序列运行时每个 分割对象被分配一个W前提取的类； 聚类过程对球员和裁判员的可靠分类，具体包括： 在训练集中随机收集许多分割对象，并为BSAS算法提供相应的归一化直方图来 检测感兴趣的类； 根据已定义的聚类距离给每一个新向量分配一个现有聚类或创建新的聚类； 运行时，将每个分割好的球员与聚类原型进行比较，根据最小距离标准用曼哈顿 距离来选择类Ck，对类的原型进行如下更新：(8)[006。 其中，Ck是聚类K的原型，V是检测对象的特征向量，Wk是最近两个时间窗中分类 对象属于聚类K的数量。 进一步地，所述步骤e，具体包括： 足球比赛位置是指足球比赛视频中当前画面对应的球场上的位置，包括中场、左 右边禁区前沿；足球比赛的节奏和状态能够用足球比赛的位置及其位置转换来表示； 判断足球比赛位置需要检测球场中的直线并且识别该些直线，通过统计学习方法 来推导球场的位置；将球场分为左半场、中场和右半场，或者将球场分为5个区域或15个区 域，满足包含检测射口、进球、角球的事件要求。 本专利技术各实施例的运动目标跟踪与检测方法，由于包括；足球比赛视频中的运动 目标分割；球员跟踪与检测；足球跟踪与检测；球员与裁判分类；足球比赛位置的确定；从 而可W克服现有技术中操作过程复杂、花费时间长和可靠性低的缺陷，W实现操作过程简 单、花费时间短和可靠性高的优点。 本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种运动目标跟踪与检测方法，其特征在于，包括：a、足球比赛视频中的运动目标分割；b、球员跟踪与检测；c、足球跟踪与检测；d、球员与裁判分类e、足球比赛位置的确定。

【技术特征摘要】

【专利技术属性】
技术研发人员：王智文，刘美珍，罗功坤，阳树洪，欧阳浩，蒋联源，李春贵，夏冬雪，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：广西;45