您好,游客 登錄 注冊 站內搜索
背景顏色:
閱讀論文

基于計算機視覺的藝術體操軌跡跟蹤研究

來源:論文聯盟  作者:鄭亮 [字體: ]

基于計算機視覺的藝術體操軌跡跟蹤研究

當前我國體育事業處于上升過程,體育科研工作逐漸受到人們的關注,特別是藝術體操運動項目成為熱門運動項目。采用合理的方法對藝術體操軌跡實施跟蹤,能夠協助教練以及運動員科學分析運動和比賽過程中的姿態準確性,為提高運動質量提供可靠分析依據。傳統基于卡爾曼濾波算法的藝術體操軌跡跟蹤過程存在跟蹤漂移以及跟蹤效率低的問題[1]。因此,提出基于計算機視覺的藝術體操軌跡跟蹤方法,實現藝術體操軌跡的準確跟蹤。
  1 基于計算機視覺的藝術體操軌跡跟蹤研究
  1.1 基于ViBe的運動目標檢測算法
  ViBe運動目標檢測算法是基于樣本背景模型的背景差分方法,向圖像的各像素位置采集[N]個近鄰樣本塑造背景模型,基于合理的調整方案存儲波動信息[2],進而對藝術體操視頻圖像的背景變化實施描述,最終差分出前景目標。具體過程為:
  (1) 背景建模。基于首幀藝術體操運動視頻圖像中的各相似點隨機采集[N]個近鄰樣本填充背景模型[M(x)]。ViBe算法基于即刻像素點的8鄰域區域獲取背景樣本,在鄰域中任意采集20個像素塑造背景模型,如下:
  [M(x)=v1,v2,…,vn-1,vn] (1)
  (2) 模型修正。為了提高背景本文由論文聯盟http://www.gajrsv.live收集整理模型樣本集的真實性,ViBe算法采用隨機修正方案,各背景位置在時間維度上基于均衡分布概率實施修正[3],修正概率基于像素波動的時間窗口大小實施控制,通常設置修正概率為[116]。ViBe算法通過背景采樣傳播方案確保背景模型空間維度的統一,如果某背景點模型實施修正,則隨機通過背景模型的某樣本位置對即刻像素實施填充,同時基于相應的概率通過即刻像素值對其鄰域點背景模型進行填充。

(3) 前景檢測。為了對即刻像素點實施分類,在顏色空間設置一個以即刻像素[v(x)]為中心,半徑是[R]的球[SR(v(x))],則背景模型內與即刻像素[v(x)]距離低于[R]的樣本數是:
  [#SR(v(x))?v1,v2,…,vN] (2)
  即刻像素點顏色與背景模型集內的全部采樣像素點,如果顏色空間的距離低于[R]高于最低匹配規范[Cmin,]則將即刻像素當成背景,否則即刻像素是前景目標,最終檢測出藝術體操運動目標。
  1.2 基于KCF的運動目標跟蹤算法
  基于計算機視覺的藝術體操研究領域需要解決的技術難關是視頻目標跟蹤技術,當目標面對環境復雜、形變顯著、有遮擋物等不利因素時,視頻目標跟蹤技術的提高需求迫切。本文采用KCF算法實現藝術體操運動目標的初步跟蹤,在該方法的基礎上,采用改進KCF算法解決傳統KCF算法無法解決藝術體操運動目標被遮擋而出現的跟蹤漂移問題,提高運動目標跟蹤的精度。
  1.2.1 KCF算法基本原理
  KCF(Kernelized Correlation Filter)是一種利用與核相關的濾波器跟蹤算法,通過 Tracking By Detection完成跟蹤任務,實踐過程中設定跟蹤的藝術體操運動目標為主樣本,再將運動目標周圍的可視范圍設定為負樣本。采用判別分類器完成跟蹤任務時主樣本的回應值達到最高點。根據目標移動范圍收集樣本,主樣本位于中間,負樣本分布于周圍區間,運用矩陣迭代更新算法,排除矩陣逆值的出現,將求解變化到離散傅里葉變換域中得益于循環矩陣,從而提高運算效率。
  目標中心為收集主樣本提供資源,周邊影像為收集負樣本提供資源。基于樣本中心與目標的距離將各樣本用不間斷的數值進行標識記錄。數值接近1時與目標距離小,數值接近0時與目標距離大。
  (1) 求解過程
  KCF運算是通過收集藝術體操運動樣本的求解嶺回歸過程實現的,也稱為最小二乘法[4],可表示為:
  [minwxf(xi)-yi2+λw2] (3)
  式中:[λ]表示嶺系數,求出一組權值[w]是實踐的最高目標。
  [w=(XTX+λI)-1XTY] (4)
  在傅里葉域里計算共軛權值[w*:]
  [w*=(XHX+λI)-1XHY] (5)
  將藝術體操運動樣本矩陣[X]由循環矩陣替代,則得到的簡化運算式為:
  [X=Cx=x1x2x3…xnxnx1x2…xn-1xn-1xnx1…xn-2?????x2x3x4…x1] (6)
  如果藝術體操運動樣本矩陣[X]是循環矩陣,則有以下屬性:
  [X=FdiagxFH, x=Fx] (7)
  其中,[F]表示離散傅里葉變換矩陣。
  將式(7)運用到權值的運算中:
  [w*=FHdiagx*FFHdiagxF+λI-1FHdiagx*Fy=F-1diagx*·x+λI-1diagx*Fy=F-1diagx*x*·xλFy] (8)
  如果把向量[w]的運算過程轉換到傅里葉域,將大大提高整個運算的效率。
  借助于核函數,KCF會有更好的表達方式。如果設置核函數的映射是[?x],那么權重[w]為:
  [w=iαi?x] (9)
  回歸函數可表示為:
  [fz=wTz=i=1nαikz,xi,Kv=kxi,xj] (10)
  (2) 運算過程
  依據核函數的嶺回歸求解過程,則:
  [α=K+λI-1y] (11)
  利用核函數循環矩陣[K,]使離散傅里葉域的解成為:
  [α=ykxx+λ] (12)
  則由[K]的第一行元素構成的向量是[kxx]。
  (3) 檢測過程
  藝術體操運動樣本的核函數矩陣利用循環更新的方法組建:
  [Kz=Ckxz] (13)
  由第一行元素生成的向量用[kxz]表示。
  與此同時,可依據藝術體操樣本[z]計算出藝術體操運動循環移動的響應,實現藝術體操運動軌跡的跟蹤。
  [fz=KzTα] (14)
  處于DFT范圍內的響應[fz=kxz?α,]“[?]”表示元素之間相乘。
  1.2.2 改進的融合深度信息的KCF算法
  1.2.1節分析的KCF運動目標檢測方法處理目標長時間遮擋問題時,無法解決藝術體操運動員運動過程中的遮擋問題,因此本文采用融合深度信息的遮擋檢測和操作方法。遮擋會產生跟蹤漂移現象[5],導致參加跟蹤器訓練的樣本中融入遮擋物噪聲,使得跟蹤器漂移,跟蹤精度降低。因此,為了解決跟蹤漂移問題,采用如下兩種解決措施:
  (1) 識別目標遮擋。本文跟蹤的藝術體操運動員運動具有復雜性,識別目標遮擋問題也較為復雜。普通的視頻序列無法獲取體操運動目標遮擋特征,目標遮擋主要是不同深度運動對象的混合,距離攝像機近的體操運動員肢體遮擋了距離遠的肢體,此時通過深度信息對遮擋問題進行識別。但是視頻深度檢測會形成錯誤數據,對這些信息實施操作的過程中應進行特殊操作[6]。如果跟蹤過程初始化,則目標區域的特征屬性較佳,跟蹤區域中被跟蹤的藝術體操運動目標完整,跟蹤目標不存在遮擋問題。本文基于原始視頻跟蹤范圍的深度分布特征,運算獲取藝術體操運動目標深度和背景分割閾值。
  (2) 減少負樣本噪聲。藝術體操運動目標存在遮擋問題,使得訓練集中存在遮擋物的像素,隨著跟蹤模型的不斷調整,導致對藝術體操運動軌跡跟蹤出現漂移問題。因此,在跟蹤模型不斷調整狀態時,為了提高對藝術體操運動目標遮擋問題的適應度,應降低負樣本噪聲。在目標訓練樣本集內降低目標以往負樣本量[7],避免跟蹤模型向背景以及遮擋物漂移。本文通過遮擋MASK對藝術體操運動目標被遮擋范圍進行識別,采用完整的目標圖像對被遮擋范圍實施填充,保留檢測范圍中不存在遮擋的區域。存在遮擋情況下藝術體操運動目標的訓練樣本是:

歡迎瀏覽更多論文聯盟首頁藝術論文藝術文章
收藏 & 分享 推薦 打印 | 錄入:pyuanmm

本文評論   查看全部評論 (0)
表情: 評論表情符號選擇 姓名: 字數
點評:
       
評論聲明
  • 尊重網上道德,遵守中華人民共和國的各項有關法律法規
  • 承擔一切因您的行為而直接或間接導致的民事或刑事法律責任
  • 本站管理人員有權保留或刪除其管轄留言中的任意內容
  • 本站有權在網站內轉載或引用您的評論
  • 參與本評論即表明您已經閱讀并接受上述條款
內容分類導航
体育彩票浙江11选5开奖结果