您好,游客 登录 注册 站内搜索
背景颜色:
阅读论文

基于计算机视觉的艺术体操轨迹跟踪研究

来源:论文联盟  作者:郑亮 [字体: ]

基于计算机视觉的艺术体操轨迹跟踪研究

当前我国体育事业处于上升过程,体育科研工作逐渐受到人们的关注,特别是艺术体操运动项目成为热门运动项目。采用合理的方法对艺术体操轨迹实施跟踪,能够协助教练以及运动员科学分析运动和比赛过程中的姿态准确性,为提高运动质量提供可靠分析依据。传统基于卡尔曼滤波算法的艺术体操轨迹跟踪过程存在跟踪漂移以及跟踪效率低的问题[1]。因此,提出基于计算机视觉的艺术体操轨迹跟踪方法,实现艺术体操轨迹的准确跟踪。
  1 基于计算机视觉的艺术体操轨迹跟踪研究
  1.1 基于ViBe的运动目标检测算法
  ViBe运动目标检测算法是基于样本背景模型的背景差分方法,向图像的各像素位置采集[N]个近邻样本塑造背景模型,基于合理的调整方案存储波动信息[2],进而对艺术体操视频图像的背景变化实施描述,最终差分出前景目标。具体过程为:
  (1) 背景建模。基于首帧艺术体操运动视频图像中的各相似点随机采集[N]个近邻样本填充背景模型[M(x)]。ViBe算法基于即刻像素点的8邻域区域获取背景样本,在邻域中任意采集20个像素塑造背景模型,如下:
  [M(x)=v1,v2,…,vn-1,vn] (1)
  (2) 模型修正。為了提高背景本文由论文联盟http://wWw.LWlm.cOm收集整理模型样本集的真实性,ViBe算法采用随机修正方案,各背景位置在时间维度上基于均衡分布概率实施修正[3],修正概率基于像素波动的时间窗口大小实施控制,通常设置修正概率为[116]。ViBe算法通过背景采样传播方案确保背景模型空间维度的统一,如果某背景点模型实施修正,则随机通过背景模型的某样本位置对即刻像素实施填充,同时基于相应的概率通过即刻像素值对其邻域点背景模型进行填充。

(3) 前景检测。为了对即刻像素点实施分类,在颜色空间设置一个以即刻像素[v(x)]为中心,半径是[R]的球[SR(v(x))],则背景模型内与即刻像素[v(x)]距离低于[R]的样本数是:
  [#SR(v(x))?v1,v2,…,vN] (2)
  即刻像素点颜色与背景模型集内的全部采样像素点,如果颜色空间的距离低于[R]高于最低匹配规范[Cmin,]则将即刻像素当成背景,否则即刻像素是前景目标,最终检测出艺术体操运动目標。
  1.2 基于KCF的运动目标跟踪算法
  基于计算机视觉的艺术体操研究领域需要解决的技术难关是视频目标跟踪技术,当目标面对环境复杂、形变显著、有遮挡物等不利因素时,视频目标跟踪技术的提高需求迫切。本文采用KCF算法实现艺术体操运动目标的初步跟踪,在该方法的基础上,采用改进KCF算法解决传统KCF算法无法解决艺术体操运动目标被遮挡而出现的跟踪漂移问题,提高运动目标跟踪的精度。
  1.2.1 KCF算法基本原理
  KCF(Kernelized Correlation Filter)是一种利用与核相关的滤波器跟踪算法,通过 Tracking By Detection完成跟踪任务,实践过程中设定跟踪的艺术体操运动目标为主样本,再将运动目标周围的可视范围设定为负样本。采用判别分类器完成跟踪任务时主样本的回应值达到最高点。根据目标移动范围收集样本,主样本位于中间,负样本分布于周围区间,运用矩阵迭代更新算法,排除矩阵逆值的出现,将求解变化到离散傅里叶变换域中得益于循环矩阵,从而提高运算效率。
  目标中心为收集主样本提供资源,周边影像为收集负样本提供资源。基于样本中心与目标的距离将各样本用不间断的数值进行标识记录。数值接近1时与目标距离小,数值接近0时与目标距离大。
  (1) 求解过程
  KCF运算是通过收集艺术体操运动样本的求解岭回归过程实现的,也称为最小二乘法[4],可表示为:
  [minwxf(xi)-yi2+λw2] (3)
  式中:[λ]表示岭系数,求出一组权值[w]是实践的最高目标。
  [w=(XTX+λI)-1XTY] (4)
  在傅里叶域里计算共轭权值[w*:]
  [w*=(XHX+λI)-1XHY] (5)
  将艺术体操运动样本矩阵[X]由循环矩阵替代,则得到的简化运算式为:
  [X=Cx=x1x2x3…xnxnx1x2…xn-1xn-1xnx1…xn-2?????x2x3x4…x1] (6)
  如果艺术体操运动样本矩阵[X]是循环矩阵,则有以下属性:
  [X=FdiagxFH, x=Fx] (7)
  其中,[F]表示离散傅里叶变换矩阵。
  将式(7)运用到权值的运算中:
  [w*=FHdiagx*FFHdiagxF+λI-1FHdiagx*Fy=F-1diagx*·x+λI-1diagx*Fy=F-1diagx*x*·xλFy] (8)
  如果把向量[w]的运算过程转换到傅里叶域,将大大提高整个运算的效率。
  借助于核函数,KCF会有更好的表达方式。如果设置核函数的映射是[?x],那么权重[w]为:
  [w=iαi?x] (9)
  回归函数可表示为:
  [fz=wTz=i=1nαikz,xi,Kv=kxi,xj] (10)
  (2) 运算过程
  依据核函数的岭回归求解过程,则:
  [α=K+λI-1y] (11)
  利用核函数循环矩阵[K,]使离散傅里叶域的解成为:
  [α=ykxx+λ] (12)
  则由[K]的第一行元素构成的向量是[kxx]。
  (3) 检测过程
  艺术体操运动样本的核函数矩阵利用循环更新的方法组建:
  [Kz=Ckxz] (13)
  由第一行元素生成的向量用[kxz]表示。
  与此同时,可依据艺术体操样本[z]计算出艺术体操运动循环移动的响应,实现艺术体操运动轨迹的跟踪。
  [fz=KzTα] (14)
  处于DFT范围内的响应[fz=kxz?α,]“[?]”表示元素之间相乘。
  1.2.2 改进的融合深度信息的KCF算法
  1.2.1节分析的KCF运动目标检测方法处理目标长时间遮挡问题时,无法解决艺术体操运动员运动过程中的遮挡问题,因此本文采用融合深度信息的遮挡检测和操作方法。遮挡会产生跟踪漂移现象[5],导致参加跟踪器训练的样本中融入遮挡物噪声,使得跟踪器漂移,跟踪精度降低。因此,为了解决跟踪漂移问题,采用如下两种解决措施:
  (1) 识别目标遮挡。本文跟踪的艺术体操运动员运动具有复杂性,识别目标遮挡问题也较为复杂。普通的视频序列无法获取体操运动目标遮挡特征,目标遮挡主要是不同深度运动对象的混合,距离摄像机近的体操运动员肢体遮挡了距离远的肢体,此时通过深度信息对遮挡问题进行识别。但是视频深度检测会形成错误数据,对这些信息实施操作的过程中应进行特殊操作[6]。如果跟踪过程初始化,则目标区域的特征属性较佳,跟踪区域中被跟踪的艺术体操运动目标完整,跟踪目标不存在遮挡问题。本文基于原始视频跟踪范围的深度分布特征,运算获取艺术体操运动目标深度和背景分割阈值。
  (2) 减少负样本噪声。艺术体操运动目标存在遮挡问题,使得训练集中存在遮挡物的像素,随着跟踪模型的不断调整,导致对艺术体操运动轨迹跟踪出现漂移问题。因此,在跟踪模型不断调整状态时,为了提高对艺术体操运动目标遮挡问题的适应度,应降低负样本噪声。在目标训练样本集内降低目标以往负样本量[7],避免跟踪模型向背景以及遮挡物漂移。本文通过遮挡MASK对艺术体操运动目标被遮挡范围进行识别,采用完整的目标图像对被遮挡范围实施填充,保留检测范围中不存在遮挡的区域。存在遮挡情况下艺术体操运动目标的训练样本是:

欢迎浏览更多论文联盟首页艺术论文艺术文章
收藏 & 分享 推荐 打印 | 录入:pyuanmm

本文评论   查看全部评论 (0)
表情: 评论表情符号选择 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款
内容分类导航