體育訓(xùn)練過程中的運(yùn)動視頻分析與識別研究

南秋紅

摘 要： 當(dāng)前的體育訓(xùn)練過程中，訓(xùn)練員使用難度較小的視頻重播與解析管理方式為運(yùn)動員講解動作要領(lǐng)，不夠直觀和科學(xué)，不能滿足訓(xùn)練員對運(yùn)動效果評估的需求。針對該問題，研究了體育訓(xùn)練過程中的運(yùn)動視頻分析與識別過程，采用基于粒子濾波預(yù)測的自適應(yīng)閾值運(yùn)動目標(biāo)分離算法實(shí)現(xiàn)運(yùn)動目標(biāo)的自適應(yīng)分離。通過粒子濾波技術(shù)跟蹤運(yùn)動員的運(yùn)動，塑造運(yùn)動模型，并依據(jù)運(yùn)動模型預(yù)測后續(xù)運(yùn)動視頻幀內(nèi)不同重要關(guān)節(jié)點(diǎn)的位置，完成后續(xù)運(yùn)動視頻幀的跟蹤。采用條件隨機(jī)場方法實(shí)現(xiàn)體育訓(xùn)練視頻中的動作識別。實(shí)驗(yàn)結(jié)果說明該方法具有較高的動作識別率和較低的誤分離率。

關(guān)鍵詞： 體育訓(xùn)練； 運(yùn)動視頻； 分析與識別方法； 粒子濾波技術(shù)

中圖分類號： TN948.43?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）11?0068?04

Study on analysis and recognition of moving video in physical training

NAN Qiuhong

（Huanghe Science & Technology College， Zhengzhou 450003， China）

Abstract： The trainer replays the low difficulty action video and uses the analysis management way to explain the action essential for athletes in physical training， which is not intuitive and scientific enough， and can′t meet the demand of trainers for sports effect assessment. Aiming at the above problems， the motion video analysis and recognition process in sports training are studied， and the adaptive threshold moving target segmentation algorithm based on particle filtering prediction is employed to realize the adaptive segmentation of moving target. The movement of athlete is tracked with particle filtering technology to shape the motion model， and predict the locations of articulation?points with different importance in the subsequent moving video frame according to the motion model， so as to track the subsequent moving video frame. The condition random field method is adopted to realize the movement recognition in sports training video. The experimental results indicate that the method has high movement recognition rate and low false separation rate.

Keywords： physical training； moving video； analysis and recognition method； particle filtering technology

0 引 言

隨著科學(xué)技術(shù)的快速發(fā)展，采用科技手段提高體育訓(xùn)練質(zhì)量逐漸引起人們的關(guān)注。以往的體育訓(xùn)練過程中，訓(xùn)練員使用難度較小的視頻重播與解析管理方式為運(yùn)動員講解動作要領(lǐng)不夠直觀和科學(xué)，缺乏真實(shí)性和互動性，不能符合對運(yùn)動員動作規(guī)范與訓(xùn)練成果的基本評估要求[1]。但運(yùn)動視頻卻能夠提取運(yùn)動員訓(xùn)練參數(shù)，還可以通過構(gòu)建模型以及觀察訓(xùn)練動作等手段進(jìn)一步分析訓(xùn)練參數(shù)，獲取運(yùn)動員訓(xùn)練動作優(yōu)劣程度的分析結(jié)果[2]，確保運(yùn)動員直觀了解自身存在的缺點(diǎn)，按照教練的指導(dǎo)，提高體育訓(xùn)練質(zhì)量。

1 體育訓(xùn)練過程中的運(yùn)動視頻分析與識別

1.1 粒子濾波預(yù)測的自適應(yīng)閾值運(yùn)動目標(biāo)分離

體育訓(xùn)練運(yùn)動視頻中的運(yùn)動目標(biāo)分離可將視頻中的運(yùn)動目標(biāo)從動態(tài)背景中采集處理，是運(yùn)動視頻分析的基礎(chǔ)[3]。體育訓(xùn)練視頻序列分離中的運(yùn)動目標(biāo)是視頻中的運(yùn)動員，采用基于粒子濾波預(yù)測的自適應(yīng)閾值運(yùn)動目標(biāo)分離算法增強(qiáng)運(yùn)動目標(biāo)采集的準(zhǔn)確性。具體過程是：先通過三幀差分法對視頻中的前景圖進(jìn)行分離，依據(jù)攝像機(jī)穩(wěn)態(tài)運(yùn)動模型把背景投影到相鄰的視頻幀內(nèi)，得到每幀的背景分離圖。采用刪減背景的處理方式進(jìn)一步分離得到運(yùn)動目標(biāo)分離[4]。并且由于前景圖與背景圖存在一定的相似性，為了避免處于視頻前景圖中的運(yùn)動目標(biāo)被錯誤地融合到背景圖中出現(xiàn)分離的情況，需要分離出前景圖的坐標(biāo)范圍，并依據(jù)粒子濾波方法獲取未處于前景圖坐標(biāo)范圍內(nèi)的背景圖幀閾值，從而完成對運(yùn)動目標(biāo)的自適應(yīng)閾值分離。

通過三幀差分法分離獲取的前景目標(biāo)受到噪聲因素的干擾，會產(chǎn)生誤分離問題，對其進(jìn)行濾波處理后，可當(dāng)成自適應(yīng)閾值分離的運(yùn)算標(biāo)準(zhǔn)[5]。再通過粒子濾波的預(yù)測方案，按照此時幀分離結(jié)果預(yù)測出其他幀的前景坐標(biāo)區(qū)間，在其中加入圖像像素點(diǎn)與前景坐標(biāo)區(qū)間之間的偏移狀態(tài)，將其設(shè)為此像素點(diǎn)在其他幀中的分離前景概率，基于該概率可運(yùn)算出自適應(yīng)分離閾值。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)為了驗(yàn)證本文方法的優(yōu)越性，將ChienSY方法當(dāng)成對比分析方法。ChienSY方法融合三幀差分以及背景差分實(shí)現(xiàn)運(yùn)動目標(biāo)的識別。

實(shí)驗(yàn)1： 將某體育學(xué)院不同跳水訓(xùn)練視頻作為實(shí)驗(yàn)分析對象，圖像分辨率為3422 200。本文方法和ChienSY方法對跳水訓(xùn)練視頻的誤分離率如圖6所示。

分析圖6可知，采用ChienSY方法獲取的分離結(jié)果存在顯著的空洞問題，而采用本文方法獲取的結(jié)果更為完整和清晰。本文方法誤分離率保持在1%左右，而ChienSY方法的誤分離率保持在3.4%左右。受到攝像機(jī)靜態(tài)運(yùn)動模型中參數(shù)估算偏差對后序處理結(jié)果的干擾，ChienSY方法在后期的誤分離率出現(xiàn)大幅度提升趨勢，而本文方法的誤分離率未出現(xiàn)顯著變化，說明本文方法可實(shí)現(xiàn)體育運(yùn)動視頻的準(zhǔn)確分離。

實(shí)驗(yàn)2： 數(shù)據(jù)庫采用KTH 動作庫以及UCF Sports 動作庫。實(shí)驗(yàn)采用本文方法對兩種實(shí)驗(yàn)動作庫的混淆矩陣進(jìn)行識別，結(jié)果分別如表1和表2所示。其中KTH 庫訓(xùn)練數(shù)據(jù)采用了35個運(yùn)動員的體育訓(xùn)練視頻，剩下一個人的訓(xùn)練數(shù)據(jù)作為測試數(shù)據(jù)，進(jìn)行36輪交叉檢測，動作識別率取平均值。UCF Sports庫中的每類任意選擇一個視頻當(dāng)成測試視頻，剩下的視頻當(dāng)成訓(xùn)練數(shù)據(jù)使用，進(jìn)行50輪交叉驗(yàn)證，動作識別率取平均值。

分析表1可得，本文方法可完全分離 KTH數(shù)據(jù)庫中的前、后三種類型動作，但是對于走路、慢跑以及快跑后三類動作的識別率相對較低，主要是因?yàn)檫@三類動作的身體關(guān)節(jié)點(diǎn)的運(yùn)動幅度差異較低，容易造成誤識。從表2中可以看出，本文方法對UCF Sports數(shù)據(jù)庫上的混淆表中的各類動作的識別率基本相同，對該數(shù)據(jù)庫各類動作的識別率方差較低。

3 結(jié) 語

本文研究了體育訓(xùn)練過程中的運(yùn)動視頻分析與識別過程。實(shí)驗(yàn)結(jié)果說明，所研究方法具有較高的動作識別率和較低的誤分離率，并且對各類動作的識別率方差較低，具有較高的穩(wěn)定性。

參考文獻(xiàn)

[1] 龔暢，王華君，李榮，等.基于狀態(tài)依賴檢測的視頻運(yùn)動目標(biāo)軌跡跟蹤算法[J].現(xiàn)代電子技術(shù)，2016，39（7）：51?56.

[2] 宋宏權(quán)，王豐，劉學(xué)軍，等.地理環(huán)境下的群體運(yùn)動分析與異常行為檢測[J].地理與地理信息科學(xué)，2015，31（4）：1?5.

[3] 朱明.三軸加速度傳感器系統(tǒng)在運(yùn)動技術(shù)分析領(lǐng)域的研究與應(yīng)用[J].冰雪運(yùn)動，2015，37（2）：89?96.

[4] 隗方玲.運(yùn)動狀態(tài)下童褲關(guān)鍵部位松量設(shè)計(jì)[J].西安工程大學(xué)學(xué)報(bào)，2015，29（5）：550?554.

[5] 郭晗.基于雙通道目標(biāo)運(yùn)動檢測的乒乓球運(yùn)動決策系統(tǒng)[J].廣州體育學(xué)院學(xué)報(bào)，2014，34（6）：67?70.

[6] 睢丹，侯德恒.動態(tài)圖像跟蹤優(yōu)化算法的研究與仿真[J].現(xiàn)代電子技術(shù)，2016，39（6）：98?100.

[7] 李畢祥，劉芳，李德剛，等.校園智能視頻監(jiān)控中的運(yùn)動目標(biāo)異常行為檢測與識別[J].軟件導(dǎo)刊，2016，15（2）：134?136.

[8] 戎淼鋒，林瓏.競技運(yùn)動視頻識別與比較系統(tǒng)的研究[J].廣州體育學(xué)院學(xué)報(bào)，2014，34（4）：59?61.

[9] 李春木，連迅.民族傳統(tǒng)體育對抗類項(xiàng)目視頻分析與智能診斷系統(tǒng)研究[J].廣州體育學(xué)院學(xué)報(bào)，2016，36（1）：52?56.

[10] 魏巍，吳孔平，郭來功，等.記憶分水嶺圓盤梯度膨脹模板運(yùn)動視頻跟蹤[J].系統(tǒng)仿真學(xué)報(bào)，2016，28（2）：462?466.