特征降維和高斯混合模型的體育運動動作識別

區峻++石千惠

摘 要： 為了解決當前體育運動動作識別方法的不足，以獲得更優的體育運動動作識別效果，提出特征降維和高斯混合模型的體育運動動作識別方法。首先采集體育運動動作的視頻圖像，并提取體育運動動作的特征向量，然后采用隨機投影算法對特征向量進行降維處理，最后采用高斯混合模型對降維后的訓練樣本進行學習，構建體育運動動作識別模型，并采用各種體育運動動作數據集對性能進行測試。結果表明，該方法獲得了理想的體育運動動作識別結果，而且識別正確率高于其他體育運動動作識別方法。

關鍵詞： 體育運動動作識別； 隨機投影； 高斯混合模型； 特征向量降維

中圖分類號： TN911.73?34； TP191 文獻標識碼： A 文章編號： 1004?373X（2017）11?0061?04

Sports action recognition based on feature dimension reduction

and Gaussian mixture model

OU Jun， SHI Qianhui

（Teaching and Research Section of Gymnastics， College of Physical Education， Guangxi Normal University， Guilin 541004， China）

Abstract： In order to overcome the shortcomings of the current sports action recognition methods， and obtain the optimal recognition effect of sports action， a new sports action recognition method based on feature dimension reduction and Gaussian mixture model is proposed. The video image of sports action is collected to extract the feature vector of the sports action. The random projection algorithm is used to reduce the dimension of the feature vector. The Gaussian mixture model is used to study the training samples after dimension reduction to construct the sports action recognition model. The performance of the method is tested with various sports action datasets. The results show that the proposed method can obtain the satisfied recognition result of sports action， and the recognition accuracy is higher than that of other sports action recognition methods.

Keywords： sports action recognition； random projection； Gaussian mixture model； feature vector dimension reduction

0 引 言

在體育的訓練和教學過程中采集了大量的體育視頻，對視頻中的體育運動動作進行準確識別可以防止意外受傷，保護運動員的健康，因此構建性能優異的體育運動動作識別方法具有重要意義[1?3]。

體育運動動作識別分為三個過程：

（1） 提取視頻體育運動動作的識別特征，主要有尺度不變特征變換、光流直方圖等；

（2） 對高維特向量進行降維處理；

（3） 建立體育運動動作識別的分類器[4?6]。

有學者將體育運動動作視頻劃分為多個幀，提取它們的光流直方圖特征，并采用隨機投影算法對體育運動動作特征進行降維，最后采用K鄰近算法進行體育運動動作分類和識別[7]。文獻[8]采用稀疏算法提取體育運動動作的時空特征，然后采用神經網絡建立體育運動動作識別模型。文獻[9]提取體育運動動作的能量圖和運動描述子兩種特征，采用支持向量機建立體育運動動作識別模型。隨機投影是一種有效的高維數據降維算法，在圖像處理和模式識別中得到了廣泛的應用，為體育運動動作特征的降維提供了一種新工具。

為了解決當前體育運動動作識別方法的不足，以獲得更優的體育運動動作識別效果，提出了特征降維和高斯混合模型的體育運動動作識別方法。首先提取體育運動動作的特征向量，然后采用隨機投影算法（Random Projection，RP）對特征向量進行降維處理，最后采用高斯混合模型（Gaussian Mixture Model，GMM）對降維后的訓練樣本進行學習，構建體育運動動作識別模型。測試結果表明，本文方法加快了分類器的訓練速度，提高了體育運動動作的識別正確率。

3 仿真測試

3.1 數據集

為了分析特征降維和高斯混合模型的體育運動動作識別效果，在RAM 32 4 GB，AMD 3.4 GHz CPU的個人計算機上采用Visual Studio 2013進行編程開發的體育運動動作識別程序，選擇UCF50數據集作為實驗對象，其中包括50個體育運動動作，主要有打籃球、跳水、舉重、單杠、騎馬等類型，背景復雜，視覺角度相差很大，共有6 618個樣本，將選擇4 000個樣本作為訓練集，其他樣本作為測試集，采用平均識別率作為體育運動動作識別結果的衡量標準，以隨機投影降維特征算法作為對比實驗。

3.2 結果與分析

3.2.1 體育運動動作識別的正確率分析

本文方法和對比方法的體育運動動作識別結果如表1所示。從表1的試驗結果可以看出，本文方法綜合利用空間聚合的優勢，體育運動動作的識別正確率要明顯優于對比方法。由于隨機投影算法根據貢獻最大值進行體育運動動作特征降維，需要大量的訓練樣本，而且需要對全部體育運動動作訓練特征樣本進行統一降維處理，易破壞體育運動動作重要特征的內在聯系，特征信息的冗余性高，而本文方法采用隨機投影算法將體育運動動作特征隨機投影到一個低維子空間中，可以有效保證體育運動動作識別的可靠性。

同時從實驗結果可以看出，對于全部體育運動動作，兩種方法均出現識別結果不理想的現象，如打籃球動作的識別正確率比較低，發生該問題的主要原因是體育運動動作的背景復雜，在目標移動過程中，攝像機受到一定的干擾，影響了體育運動動作特征提取，從而降低了體育運動動作的識別正確率。

3.2.2 體育運動動作識別效率分析

在Matlab R2014b平臺上，對兩種方法的體育運動動作識別效率進行測試，采用運行時間評估識別效率，不同特征降維的計算時間（單位：s），實驗結果統計如表2所示。從表2可以看出，相對于對比方法，本文方法明顯提高了體育運動動作識別效率，這主要是由于對比方法采用隨機投影算法進行降維，要進行矩陣特征分解，使得時間復雜度高，隨著特征維數的增加，降維時間急劇增加，而隨機投影算法只需要進行簡單的矩陣運算，大幅度提高了特征降維的效率。

4 結 語

為了獲得更加理想的體育運動動作識別結果，針對體育運動動作識別過程中的特征提取問題，提出特征降維和混合高斯模型相融合的體育運動動作識別方法。實驗結果表明，本文方法可以大幅度提高體育運動動作的識別效率，時間復雜度急劇下降，有效提高體育運動動作識別的正確率，具有廣泛的應用前景。

注：本文通訊作者為石千惠。

參考文獻

[1] 周巧云，于仕琪.運動體育動作分析[J].先進技術研究通報，2009，3（5）：47?51.

[2] 阮濤濤，姚明海，瞿心昱，等.基于視覺的人體運動分析綜述[J].計算機系統應用，2010，20（2）：245?253.

[3] 黎洪松，李達.人體運動分析研究的若干新進展[J].模式識別與人工智能，2009，22（1）：70?78.

[4] 苗雪蘭.體育動作量化分析智能系統的設計與實現[J].體育科學，2000，20（3）：85?87.

[5] 張毅，張爍，羅元，等.基于Kinect深度圖像信息的手勢軌跡識別及應用[J].計算機應用研究，2012，29（9）：3547?3550.

[6] 曹雛清，李瑞峰，趙立軍，等.基于深度圖像技術的手勢識別方法[J].計算機工程，2012，38（8）：16?18.

[7] 李英杰，尹怡欣，鄧飛.一種有效的行為識別視頻特征[J].計算機應用，2011，31（2）：406?419.

[8] 苗雪蘭.基于模糊神經網絡理論的體育動作模式識別方法[J].計算機工程與應用，2006（6）：155?157.

[9] 趙海勇，劉志鏡，張浩.基于輪廓特征的人體識別行為[J].光電子·激光，2010，21（10）：1547?1551.

[10] 楊健，楊靜宇，葉暉.Fisher線性鑒別分析的理論研究及其應用[J].自動化學報，2003，29（4）：481?493.

[11] 林慶，徐柱，王士同，等.HSV自適應混合高斯模型的運動目標檢測[J].計算機科學，2010，37（10）：254?256.