基于圖像視頻序列分析的籃球飛行軌跡跟蹤

周岳峰

摘 要： 對(duì)籃球飛行軌跡進(jìn)行圖像視頻跟蹤，可以精準(zhǔn)分析籃球的飛行軌跡曲線，從而指導(dǎo)籃球投籃訓(xùn)練。提出基于圖像視頻序列分析的籃球飛行軌跡跟蹤方法。進(jìn)行籃球飛行軌跡的圖像視頻序列采集，采用Radon尺度變換方法進(jìn)行圖像的降噪處理，擬合跟蹤圖像視頻序列的灰度像素值特征點(diǎn)，實(shí)現(xiàn)飛行軌跡的圖像量化分析。最后進(jìn)行仿真測(cè)試，結(jié)果表明，采用該方法進(jìn)行籃球飛行軌跡跟蹤的擬合度較高，特征點(diǎn)提取的精度較高，對(duì)指導(dǎo)籃球訓(xùn)練具有積極意義。

關(guān)鍵詞： 視頻序列； 飛行軌跡跟蹤； 降噪處理； 圖像量化分析

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）07?0063?04

Basketball flight path tracking based on video image sequence analysis

ZHOU Yuefeng

（Department of Physical Education， Qiongtai Normal University， Haikou 571127， China）

Abstract： The video image tracking of the basketball flight path can analyze the curve of the basketball flight path accurately， and guide the basketball shooting training. A basketball flight path tracking method based on video image sequence analysis is put forward. The video image sequence of the basketball flight path is acquired. The Radon scale transform method is adopted to denoise the image. The gray level pixel value feature point of the tracked video image sequence is fitted to realize the image quantitative analysis of the flight path. The simulation test was performed for the flight path. The results show that the method has high fitting degree for tracking the basketball flight path， high extraction precision of the feature point， and positive significance to guide the basketball training.

Keywords： video sequence； flight path tracking； denoising； image quantitative analysis

0 引 言

籃球運(yùn)動(dòng)是目前普及性最廣的球類運(yùn)動(dòng)項(xiàng)目之一，籃球投籃是得分的關(guān)鍵，對(duì)籃球投籃中的飛行軌跡跟蹤，結(jié)合圖像處理技術(shù)進(jìn)行軌跡分析，能提高籃球投籃的準(zhǔn)確度[1]。

采用圖像處理方法進(jìn)行籃球飛行軌跡跟蹤主要是結(jié)合計(jì)算機(jī)三維視覺分析方法，通過成像設(shè)備采集視頻序列檢測(cè)圖像的邊緣幅度和輪廓特征，構(gòu)建專家數(shù)據(jù)庫(kù)進(jìn)行視覺分析，修正籃球軌跡，進(jìn)行籃球投籃動(dòng)作的矯正和綜合判斷[2?3]，傳統(tǒng)方法中，對(duì)籃球飛行軌跡跟蹤的方法主要有Harris尺度變換方法[4]、基于角點(diǎn)特征匹配的飛行軌跡跟蹤方法[5]、輪廓波域邊緣檢測(cè)的運(yùn)動(dòng)籃球飛行軌跡跟蹤識(shí)別方法等[6?7]，上述方法通過對(duì)籃球運(yùn)動(dòng)軌跡圖像信息的實(shí)時(shí)感知和狀態(tài)分析，利用邊緣輪廓檢測(cè)或者角點(diǎn)檢測(cè)方法進(jìn)行特征提取，跟蹤籃球飛行軌跡，指導(dǎo)籃球投籃訓(xùn)練。但是在對(duì)圖像視頻采集過程中受到干擾較大時(shí)，上述方法處理圖像的降噪性能不好，從而影響對(duì)籃球飛行軌跡跟蹤的準(zhǔn)確度，采用Harris角點(diǎn)檢測(cè)和尺度變換方法進(jìn)行籃球飛行軌跡圖像分析，存在計(jì)算開銷過大和軌跡跟蹤實(shí)時(shí)性不好等問題[8]。

針對(duì)傳統(tǒng)方法存在的弊端，提出基于圖像視頻序列分析的籃球飛行軌跡跟蹤方法。首先采集籃球飛行軌跡的圖像視頻序列，采用Radon尺度變換方法進(jìn)行圖像的降噪處理，然后進(jìn)行圖像視頻序列的灰度像素值特征點(diǎn)的擬合跟蹤，實(shí)現(xiàn)飛行軌跡的圖像量化分析。最后進(jìn)行仿真測(cè)試，得出有效性結(jié)論。

1 圖像采集與預(yù)處理

1.1 籃球飛行圖像視頻序列采集

采用數(shù)碼成像設(shè)備進(jìn)行籃球飛行圖像視頻序列采集，定義籃球飛行圖像視頻序列采集的幀差為[g，]離散采樣率為[?x=[1，-1]]，單幀籃球飛行軌跡跟蹤圖像的邊緣輪廓分塊信息素為：

[min F（x）=（f1（x），f2（x），…，fm（x））Ts.t. gi≤0， i=1，2，…，q hj=0， j=1，2，…，p] （1）

在成像序列采集中，假設(shè)[?y=[1，-1]T]為籃球飛行軌跡跟蹤圖像的高頻部分，[y=[?xg，?yg]]。在飛行三維空間中采用空間不變特征分解方法，得到二值多維圖像的能量函數(shù)：

[minx，kλx?k-y22+x1x2+βk1 ] （2）

圖像角點(diǎn)分布特征滿足約束條件：[k>0，iki=1]。其中[x]是籃球在飛行運(yùn)動(dòng)向量空間的高頻部分；[k]是未知的多重色差核（[ki]是相互獨(dú)立的元素）。

依據(jù)籃球飛行軌跡跟蹤的運(yùn)動(dòng)學(xué)理論，分解籃球飛行特征并提取邊緣輪廓信息的二維鄰域，構(gòu)建籃球飛行軌跡跟蹤中動(dòng)作圖像的紋理信息特征傳導(dǎo)模型為：

[c（x，y）=W[I（xi，yi）-I（xi+Δx，yi+Δy）]2] （3）

式中：[（Δx，Δy）T]是籃球飛行圖像在空中的位置分布概率密度函數(shù)；[（xi，yi）]是籃球飛行軌跡跟蹤的坐標(biāo)點(diǎn)。按照視覺信息特征傳輸結(jié)構(gòu)進(jìn)行空間像素特征分解，得到籃球飛行軌跡的信息特征傳導(dǎo)近似值：

[I（xi+Δx，yi+Δy）≈I（xi，yi）+Ix（xi，yi）Iy（xi，yi）ΔxΔy] （4）

式中：[?I=IxIyT，][x，y∈（0，1，2，…，L-1）]分別是圖像視頻序列采集色差和均勻量化函數(shù)。

進(jìn)行圖像的固有模態(tài)函數(shù)分析，采用視覺特征提取方法實(shí)現(xiàn)對(duì)籃球飛行軌跡跟蹤識(shí)別，飛行軌跡的尺度正則項(xiàng)為[（?x（f?k））α+（?y（f?k））α，]其中[?x，?y]分別是圖像在[x]方向和[y]方向的紋理分布信息。采用灰度像素模擬方法得到圖像的灰度像素集為：

[Pi，ji∈0，intW2-1， j∈0，intH2-1] （5）

籃球飛行軌跡跟蹤的邊緣像素集為：

[Eedge=l″mnM×N] （6）

對(duì)圖像的局部結(jié)構(gòu)點(diǎn)按照空中的位置特征點(diǎn)和坐標(biāo)點(diǎn)進(jìn)行級(jí)數(shù)展開，獲取籃球飛行軌跡跟蹤的灰度像素特征信息基團(tuán)，實(shí)現(xiàn)籃球飛行圖像視頻序列的采集。

1.2 圖像視頻序列的降噪預(yù)處理

通過上述方法采集籃球運(yùn)動(dòng)軌跡圖像視頻序列中較大的噪點(diǎn)干擾，需要進(jìn)行圖像的降噪處理，本文采用Radon尺度變換方法進(jìn)行圖像的降噪處理，設(shè)計(jì)基于Radon尺度變換的圖像降噪濾波器結(jié)構(gòu)框圖如圖1所示。

根據(jù)濾波結(jié)構(gòu)進(jìn)行籃球飛行軌跡的圖像視頻序列降噪濾波，提取圖像水平方向的前景點(diǎn)為[x，y，][x∈][0，W-1，y∈0，H-1]表示籃球飛行軌跡跟蹤的區(qū)域空間，將籃球運(yùn)動(dòng)背景圖像[B]和前景圖像[I]進(jìn)行Radon尺度變換和信息融合處理，得到籃球飛行軌跡的噪點(diǎn)分布特征模塊，將噪點(diǎn)分布模塊分為[W2×H2]個(gè)子塊，得到圖像水平分布的噪點(diǎn)信息缺失區(qū)域?yàn)椋?/p>

[p（x，y；t）=-σ?u（x，y；t）=-σG（x，y；t）=-σ[Gx（x，y；t）i+Gy（x，y；t）j]] （7）

采用三維視點(diǎn)切換方法對(duì)目標(biāo)圖像進(jìn)行動(dòng)態(tài)誤差修正和飛行軌跡運(yùn)動(dòng)信息融合跟蹤，融合跟蹤方程表達(dá)為：

[x=VcosθcosψV，y=Vsinθ] （8）

[z=-VcosθsinψV，?=ωysinγ+ωzcosγ] （9）

式中：[x，][y，][z]為籃球飛行軌跡局部信息特征點(diǎn)分布的量化融合信息點(diǎn)；[ψV]為籃球飛行軌跡跟蹤的運(yùn)動(dòng)切換偏角。

采用Radon尺度變換在圖像的成像區(qū)域進(jìn)行噪點(diǎn)盲分離，得到籃球飛行軌跡跟蹤的多重色差核矩陣標(biāo)記為：

[f（x1，x2）=r1x11-x1N1-σ1x2N2=0g（x1，x2）=r2x21-σ2x1N1-x2N2=0] （10）

式中：[r1]表示籃球飛行狀態(tài)關(guān)聯(lián)估計(jì)修復(fù)塊的高頻系數(shù)；[r2]表示關(guān)聯(lián)估計(jì)的低頻先驗(yàn)像素點(diǎn)；[σ1]表示信息模板匹配度；[N1]為圖像中的噪點(diǎn)分量。

2 籃球飛行軌跡跟蹤的量化分析

2.1 邊緣輪廓特征提取

設(shè)[Rt]為[t]時(shí)刻的圖像灰度像素值，[R0]為初始時(shí)刻的圖像邊緣輪廓特征集，在Ridgelet域進(jìn)行圖像的直線奇異分解，得到籃球飛行軌跡跟蹤的特征分解結(jié)果為：

[L=mii∈Smi=ai1，ai2，ai3，bi1，bi2，bi3，ci1，ci2，ci3T] （11）

對(duì)采集的圖像構(gòu)建子塊區(qū)域[k，]則圖像的灰度像素值特征點(diǎn)的正則化特征方程為：

[Kψ=ψ（ω）2ωddω<∞] （12）

稱[ψ]是[d]維空間的傅里葉變換，采用角點(diǎn)檢測(cè)方法得到籃球運(yùn)動(dòng)過程中的邊緣幅度特征點(diǎn)：

[Ni={i∈S[dist（i，i）]2≤r，i≠i}] （13）

式中：二維彩色圖像角點(diǎn)之間的Euclidean距離用[dist（i，i）]描述；[r]為一個(gè)常量。

利用Euclidean距離在鄰域內(nèi)像素點(diǎn)的不變性，得到籃球運(yùn)動(dòng)軌跡的邊緣輪廓特征集合為：

[Ri=1γij∈Ωgjdi-j2lgi-gj1 ] （14）

重構(gòu)圖像視頻序列分量[Ar，][Ag，][Ab]的邊緣輪廓特征，得到籃球飛行軌跡中鄰域內(nèi)像素的均值：

[A=scosθ-sinθsinθcosθ，t=txty] （15）

根據(jù)多尺度的輪廓邊緣特征提取，得到圖像的梯度幅度信息，以此為基礎(chǔ)進(jìn)行籃球飛行軌跡的跟蹤和量化分析。

2.2 籃球飛行軌跡跟蹤的量化

通過提取圖像的邊緣輪廓特征，擬合跟蹤圖像視頻序列的灰度像素值特征點(diǎn)，插值運(yùn)算后，得到圖像子塊區(qū)域在[（x，y，σ）]處的輪廓信息點(diǎn)：

[g=k?f+n] （16）

采用插值擬合方法得到圖像視頻序列的先驗(yàn)特征信息點(diǎn)：

[H1 ：Ut=Vt+αtWtH0 ： Ut=Vt] （17）

式中：[Vt]表示圖像的邊緣信息；[Wt]表示非高斯統(tǒng)計(jì)值；[αt]表示子塊區(qū)域分割的尺度；[H1]表示均勻量化尺度。采用最大似然比檢測(cè)得到飛行軌跡跟蹤的判別函數(shù)為：

[ΛU=pUtH1pUtH0≥η] （18）

對(duì)圖像視頻序列的每個(gè)子塊先做Radon變換，采用對(duì)數(shù)似然比檢測(cè)得到籃球飛行軌跡跟蹤的每一小塊尺度為：

[LRTU=lnΛU≤lnη] （19）

式中[LRTU]為小塊融合對(duì)數(shù)似然比。

通過奇異值分解擬合處理籃球飛行軌跡的特征點(diǎn)為：

[ρcsc=Δ?ρ（puc（y），quc）?ρ（put（y），qut）] （20）

式中[Δ]表示[（i， j）]位置處像素點(diǎn)的灰度增益。

在幾何鄰域尺度平移平面上，[（a，bm）]的量化加權(quán)函數(shù)為：

[L（a，bm）=TV（f）logVVm?VnVmVn+λ] （21）

式中：[λ]是正則化參數(shù)；[TV（f）=i（Δhif）2+（Δvif）2]是灰度像素值特征點(diǎn)的飛行軌跡方向矢量?？傻茫?/p>

[L（a，bm）=Vm∈Pres Vn∈PtrueVm?VnVlogVVm?VnVmVn] （22）

飛行軌跡跟蹤像素點(diǎn)[Uwi，j，Swi，j，Vwi，j]的均勻量化系數(shù)為：

[c=jmPz（k）mj（k），zk-1Pmj（k）zk-1=jmΛj（k）cj] （23）

用[Δhi=fi-fj，Δvi=fi-fk]分別表示籃球飛行軌跡的位置、尺度信息，由此實(shí)現(xiàn)擬合跟蹤圖像視頻序列的灰度像素值特征點(diǎn)，跟蹤模型為：

[vi=k=1nΔhi1-（1-uαik）1αm（xk+βxk）（1+β）k=1nΔvi1-（1-uikα）1αm] （24）

式中：[uik]為飛行徑向方向搜索閾值；[β]為均勻分塊系數(shù)；[xk]為模糊控制系數(shù)。

3 仿真實(shí)驗(yàn)

通過圖像視頻序列采集得到1 000幅圖像，對(duì)采集的圖像視頻序列進(jìn)行區(qū)域分割和特征重組，圖像采集中受到的噪聲干擾強(qiáng)度為-10 dB。根據(jù)上述仿真實(shí)驗(yàn)環(huán)境描述進(jìn)行籃球飛行軌跡跟蹤仿真實(shí)驗(yàn)，首先采集籃球飛行的圖像視頻序列，得到原始圖像視頻如圖2所示。圖2所示的圖像受到噪聲干擾較為嚴(yán)重，難以實(shí)現(xiàn)有效的軌跡跟蹤。

采用Radon尺度變換方法進(jìn)行圖像的降噪處理，得到圖像降噪輸出如圖3所示。由圖3的分析結(jié)果得知，通過圖像降噪處理，成像質(zhì)量得到較大的改善。

以圖像降噪輸出為樣本進(jìn)行圖像視頻分析，擬合跟蹤圖像視頻序列的灰度像素值特征點(diǎn)，實(shí)現(xiàn)飛行軌跡的圖像量化分析，得到軌跡跟蹤結(jié)果如圖4所示。

分析圖4結(jié)果得知，采用本文方法進(jìn)行籃球飛行軌跡跟蹤，能較好地?cái)M合并提取籃球飛行軌跡的灰度像素特征點(diǎn)，具有較好的圖像跟蹤性能。圖5描述的是采用不同方法進(jìn)行圖像軌跡跟蹤的誤差對(duì)比結(jié)果，從圖5可見，采用本文方法進(jìn)行籃球飛行軌跡跟蹤的誤差更小，精度更高。

4 結(jié) 語(yǔ)

為了提高籃球訓(xùn)練中投籃的標(biāo)準(zhǔn)性和準(zhǔn)確性，本文提出一種基于運(yùn)動(dòng)軌跡圖像視頻序列特征點(diǎn)擬合跟蹤的籃球飛行軌跡跟蹤方法。首先進(jìn)行籃球飛行軌跡的圖像視頻序列采集，采用Radon尺度變換方法進(jìn)行圖像的降噪處理，然后進(jìn)行圖像視頻序列灰度像素值特征點(diǎn)的擬合跟蹤，實(shí)現(xiàn)飛行軌跡的圖像量化分析。仿真結(jié)果表明，采用本文方法進(jìn)行籃球飛行軌跡跟蹤的精度較高，誤差較低，在指導(dǎo)籃球訓(xùn)練中具有較好的理論意義。

參考文獻(xiàn)

[1] 余曉東，雷英杰，岳韶華，等.基于粒子群優(yōu)化的直覺模糊核匹配追蹤算法[J].電子學(xué)報(bào)，2015，43（7）：1308?1314.

[2] 王旋，陳忻，劉巍.一種適用于并行運(yùn)算處理的實(shí)時(shí)高動(dòng)態(tài)范圍圖像合成算法研究[J].影像科學(xué)與光化學(xué)，2015，33（4）：330?335.

[3] 劉志華，息珍珍，張雙，等.基于序列相關(guān)值的蒙特卡羅優(yōu)化算法[J].電子學(xué)報(bào)，2015，43（10）：2110?2116.

[4] 陳先義，趙利平，林濤.一種新的用于屏幕圖像編碼的HEVC幀內(nèi)模式[J].電子與信息學(xué)報(bào)，2015，37（11）：2685?2690.

[5] 蔡自興，彭夢(mèng)，余伶俐.基于時(shí)序特性的自適應(yīng)增量主成分分析的視覺跟蹤[J].電子與信息學(xué)報(bào)，2015，37（11）：2571?2577.

[6] 張偉，熊偉麗，徐保國(guó).基于實(shí)時(shí)學(xué)習(xí)的高斯過程回歸多模型融合建模[J].信息與控制，2015，44（4）：487?492.

[7] 蔣建國(guó)，金玉龍，齊美彬，等.基于稀疏表達(dá)殘差的自然場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)[J].電子學(xué)報(bào)，2015，43（9）：1738?1744.

[8] PORWAL S， KATIYAR S K. Performance evaluation of va?rious resampling techniques on IRS imagery [C]// Proceedings of 2014 the Seventh International Conference on Contemporary Computing. India： IEEE， 2014： 489?494.