基于计算机视觉的艺术体操轨迹跟踪研究

1、基于计算机视觉的艺术体操轨迹跟踪研究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，特别是艺术体操运开工程成为热门运开工程。采用合理的方法对艺术体操轨迹施行跟踪，可以协助教练以及运发动科学分析运动和比赛过程中的姿态准确性，为进步运动质量提供可靠分析根据。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的运动目的检测算法ViBe运动目的检测算法是基于样本背景模型的背景差分方法，向图像的

2、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施行描绘，最终差分出前景目的。详细过程为：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：x=v1，v2，vn-1，vn12模型修正。為了进步背景本文由论文联盟.Ll.搜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平衡分布概率施行修正3，修正概率基于像素波动的时间窗口大小施行控制，通常设置修正概率为116。ViBe算

3、法通过背景采样传播方案确保背景模型空间维度的统一，假设某背景点模型施行修正，那么随机通过背景模型的某样本位置对即刻像素施行填充，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展填充。3前景检测。为了对即刻像素点施行分类，在颜色空间设置一个以即刻像素vx为中心，半径是R的球SRvx，那么背景模型内与即刻像素vx间隔 低于R的样本数是：#SRvx?v1，v2，vN2即刻像素点颜色与背景模型集内的全部采样像素点，假设颜色空间的间隔 低于R高于最低匹配标准in，那么将即刻像素当成背景，否那么即刻像素是前景目的，最终检测出艺术体操运动目標。1.2基于KF的运动目的跟踪算法基于计算机视觉的艺术体操研

4、究领域需要解决的技术难关是视频目的跟踪技术，当目的面对环境复杂、形变显著、有遮挡物等不利因素时，视频目的跟踪技术的进步需求迫切。本文采用KF算法实现艺术体操运动目的的初步跟踪，在该方法的根底上，采用改进KF算法解决传统KF算法无法解决艺术体操运动目的被遮挡而出现的跟踪漂移问题，进步运动目的跟踪的精度。1.2.1KF算法根本原理KFKernelizedrrelatinFilter是一种利用与核相关的滤波器跟踪算法，通过TrakingByDetetin完成跟踪任务，理论过程中设定跟踪的艺术体操运动目的为主样本，再将运动目的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到达最

5、高点。根据目的挪动范围搜集样本，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，从而进步运算效率。目的中心为搜集主样本提供资源，周边影像为搜集负样本提供资源。基于样本中心与目的的间隔 将各样本用不连续的数值进展标识记录。数值接近1时与目的间隔 小，数值接近0时与目的间隔 大。1求解过程KF运算是通过搜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：inxfxi-yi2+23式中：表示岭系数，求出一组权值是理论的最高目的。=XTX+I-1XTY4在傅里叶域里计算共轭权值*：*=XHX+I-1XH

6、Y5将艺术体操运动样本矩阵X由循环矩阵替代，那么得到的简化运算式为：X=x=x1x2x3xnxnx1x2xn-1xn-1xnx1xn-2?x2x3x4x16假设艺术体操运动样本矩阵X是循环矩阵，那么有以下属性：X=FdiagxFH，x=Fx7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：*=FHdiagx*FFHdiagxF+I-1FHdiagx*Fy=F-1diagx*x+I-1diagx*Fy=F-1diagx*x*xFy8假设把向量的运算过程转换到傅里叶域，将大大进步整个运算的效率。借助于核函数，KF会有更好的表达方式。假设设置核函数的映射是?x，那么权重为：=ii?x9回归

7、函数可表示为：fz=Tz=i=1nikz，xi，Kv=kxi，xj102运算过程根据核函数的岭回归求解过程，那么：=K+I-1y11利用核函数循环矩阵K，使离散傅里叶域的解成为：=ykxx+12那么由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=kxz13由第一行元素生成的向量用kxz表示。与此同时，可根据艺术体操样本z计算出艺术体操运动循环挪动的响应，实现艺术体操运动轨迹的跟踪。fz=KzT14处于DFT范围内的响应fz=kxz?，?表示元素之间相乘。1.2.2改进的交融深度信息的KF算法1.2.1节分析的KF运动目的检测方法处理目的长

8、时间遮挡问题时，无法解决艺术体操运发动运动过程中的遮挡问题，因此本文采用交融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，为理解决跟踪漂移问题，采用如下两种解决措施：1识别目的遮挡。本文跟踪的艺术体操运发动运动具有复杂性，识别目的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的遮挡特征，目的遮挡主要是不同深度运动对象的混合，间隔 摄像机近的体操运发动肢体遮挡了间隔 远的肢体，此时通过深度信息对遮挡问题进展识别。但是视频深度检测会形成错误数据，对这些信息施行操作的过程中应进展特殊操作6。假设跟踪过程初始

9、化，那么目的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的完好，跟踪目的不存在遮挡问题。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的深度和背景分割阈值。2减少负样本噪声。艺术体操运动目的存在遮挡问题，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，为了进步对艺术体操运动目的遮挡问题的适应度，应降低负样本噪声。在目的训练样本集内降低目的以往负样本量7，防止跟踪模型向背景以及遮挡物漂移。本文通过遮挡ASK对艺术体操运动目的被遮挡范围进展识别，采用完好的目的图像对被遮挡范围施行填充，保存检测范围

10、中不存在遮挡的区域。存在遮挡情况下艺术体操运动目的的训练样本是：trainSaplex=detetSaplex，ASKx=1riginalSaplex，ASKx=015即刻检测的目的样本是detetSaple，遮挡前保存的完好目的样本是riginalSaple。假设艺术体操运动目的不存在遮挡，那么对riginalSaple样本进展调整，保存完好目的，采用完好目的样本对跟踪器进展训练；假设艺术体操运动目的存在遮挡，那么通过遮挡ASK得到新训练样本trainSaple。新的训练样本中存在即刻目的未被遮挡的区域以及目的被遮挡前的区域，训练样本存储完好的目的像素，降低遮挡的不利影响，确保目的跟踪过程不

11、存在漂移。1.3艺术体操运动目的轨迹重建1.3.1运动模糊目的的处理由于艺术体操运发动运动速度较快，运动变化幅度较大，使得运动出现模糊问题，不能获取准确的运动质心，修正后的左右视图目的无法对齐。基于立体匹配的极线限制关系可得，在某个视图中的点可以在另一个视图中的极线中检索到匹配点8。假设可获取运动目的质心的大概位置，那么可获取运动目的质心的准确位置。图像高频成分在不同的运动方向上的波动具有一定的规律性，目的运动方向中的高频才能最低，偏离运动方向过程中的高频才能不断提升，运动目的垂直方向中的高频才能最高。通过方向微分方法运算不同方向的高频能量和，基于高频能量累积分布直方图可得，假设图像的微分灰度

12、值最低，那么高频分量损失最高的角度那么是运动模糊方向。设置即刻运动图像像素点灰度值以及插值像素灰度值分别是gi，j以及gi，j，微分间隔 是r，微分方向是，那么当前像素和插值像素的位置关系为：i=i+r?sinj=j+r?s16基于插值点坐标相邻的四个像素点灰度值二次样条插值得到插值像素灰度值gi，j。在不同方向中对图像施行微分处理，获取不同方向的图像微分能量和，获取能量直方图，将直方图中高频分量最小的方向当成目的运动方向。1.3.2Herite插值质心轨迹采用改进的交融深度信息的KF方法获取运动目的区域后，通过Herite插值运算运动目的质心，基于时刻t的运动模糊方向获取瞬时质心轨迹，最终得

13、到最正确的运动目的质心轨迹。时刻t目的投影区域中，目的质心处于经过目的投影中心以及经过目的投影的质心轨迹中。对左右视图施行对齐处理9，当左右视图目的的预测质心轨迹一致，那么可以得到大量的可能匹配的质心点。获取的可能匹配质心轨迹因为目的质心位置以及速度方向存在一定的偏向，应通过曲线拟合措施获取准确的质心轨迹。1.3.3目的轨迹拟合通过误差向量r的2?范数方法，评估近似函数px同对应节点xi，yi，i=0，1，2，间的误差ri=pxi-yi，i=0，1，2，。数据拟合的详细过程为：设置艺术体操运动数据xi，yi，i=0，1，2，在函数类?内，获取px?，确保误差的2?范数最低，也就是使得式17最低

14、，那么为近似。i=1r2i=i=1pxi-yi217在集合空间中检索同点xi，yi，i=0，1，2，间具有最低间隔 的曲线y=px，该曲线那么是拟合函数，也就是最小二乘解。假设艺术体操运动数据xi，yi，i=0，1，2，存在少于n次由多项式构成的函数类?，那么：pnx=k=0akxk?18确保式19中的I最小：I=i=0pnxi-yi2=i=0k=0nakxki-yi219假设pnx是多项式，那么满足式19的pnx为最小二乘拟合多项式。假设n=1，那么该过程是线性拟合。I是关于a0，a1，a2，an的多元函数，最小二乘拟合的过程那么是获取I极值的过程，对式19进展求导运算可以获取：?I?aj=

15、2i=0k=0nakxki-yixji=0，j=0，1，2，n20那么有：k=0ni=0 xj+kiak=i=0 xjiyi，j=0，1，2，n21式21是關于a0，a1，a2，an的线性方程组，并且存在akk=0，1，2，n，多项式为：pnx=k=0nakxk22其中，pnx满足最小二乘约束，也就是待求解的多项式，那么：r22=i=0pnxi-yi223式23称为拟合的平方误差。2实验结果与分析实验对某体育学院艺术体操运发动的运动轨迹施行跟踪监测，将双目摄像机架于某体育院校的艺术体操运动场地中，通过左右摄像机拍摄运发动的第1帧和350帧连续的运动图像序列，如图1所示。采用本文跟踪算法获取实验

16、运发动的平面轨迹图，如图2所示。分析图2可以看出，艺术体操运发动运行的平面轨迹同实际运动轨迹根本一致，说明本文方法跟踪的艺术体操运发动平面轨迹具有较高的准确度。实验得到的艺术体操运动视频帧率是18f/s，那么350帧图像内的运发动共运行14s。为了进步运发动轨迹跟踪准确度，将图2中运发动的平均运动轨迹当成运发动的部分运动轨迹，采用双目视觉获取部分艺术体操运发动运动轨迹后，分别采用本文算法和卡尔曼滤波算法实现运发动运动轨迹的跟踪，结果如图3所示。分析图3可以获取实验艺术体操运发动的实时运动状态，可以看出，本文算法跟踪的运发动轨迹同实际运动轨迹更匹配，而卡尔曼滤波算法跟踪的运动轨迹出现显著的波动，同实际运动轨迹间存在较高的偏向，说明本文跟踪算法具有较高的跟踪精度和稳定性。为了客观分析两种跟踪算法对实验艺术体操运发动轨迹跟踪的准确度，两种算法在300200s内对运发动运动状态的预测误差如图4所示。其中图4a和图4b分别描绘两种算法对运发动轨迹的预测误差以及运动速度的预测误差。分析图4可得，相对于卡尔曼滤波算法，本文算法轨迹预测误差小，跟踪精度高，在艺术体操运发动轨迹跟踪中的性能较高，收敛效率较高。为了更好地检测两种算法的艺术体操轨迹跟踪精度，实验通过蒙特卡洛