基于改進高斯混合模型的體育視頻運動目標檢測與跟蹤

高野

摘 要： 針對當前體育視頻運動目標檢測存在的弊端，提出改進高斯混合模型的體育視頻運動目標檢測與跟蹤方法。通過分析高斯混合模型的弊端，保留原有的“背景重建?模型更新?背景更新?目標檢測”處理進程，將彩色圖像轉換為灰度圖像，在像素相似度差別小的背景區域進行動態擴張，加入基于灰度直方圖的目標跟蹤進程，提高高斯混合模型對體育視頻運動目標的處理效率與精度。實驗結果表明，所提方法對體育視頻的干擾處理能力強，檢測范圍大，檢測與跟蹤效果好。

關鍵詞： 高斯混合模型； 體育視頻； 運動目標； 目標檢測； 目標跟蹤

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2017）19?0091?03

Detection and tracking of moving object in sports video

based on improved Gaussian mixture model

GAO Ye

（Xian International Studies University， Xian 710128， China）

Abstract： Aiming at the drawbacks existing in current moving object detection of sports video， a detection and tracking method of moving object in sports video based on improved Gaussian mixture model is improved. The shortcomings of Gaussian mixture model are analyzed to retain the original processes of ″background reconstruction?model update?background update?target detection″， convert the color image into gray image， carry out the dynamic expansion of background area with small difference of pixel similarity， and add the target tracking process based on gray?level histogram. The improved Gaussian mixture model can improve the processing efficiency and precision of the moving target in sports video. The experimental results show that the method has strong ability for interference processing of sports video， wide detection range， and perfect detection effect and tracking effect.

Keywords： Gaussian mixture model； sports video； moving target； target detection； target tracking

0 引 言

隨著國內外體育賽事的頻繁開展，體育隊伍開始采用信息化手段提升運動員的比賽水平，體育視頻運動目標檢測與跟蹤是其中一種十分常見的方法。目標檢測就是進行視頻內運動點的屬性分析，其基于機器視覺理念展開，是目標跟蹤的先行條件[1]。但是，體育視頻中夾雜著大量的解說、觀眾聲音、自然聲音，環境噪音很強，運動目標多具干擾性，使體育視頻運動目標檢測與跟蹤的實現具有一定難度。

針對體育視頻的檢測與跟蹤難題，有關科研單位進行了長期研究，文獻[2]提出一種基于光流識別的目標檢測與跟蹤方法，對觀眾席與賽場區域光線遮擋與打光的不同之處進行分析，并實施跟蹤策略。這種方法適用于室內舉辦的體育比賽，但是運算量很大，檢測時間長，導致前期跟蹤不明確；文獻[3]引入相鄰幀差分技術進行運動目標檢測，運算量小，但檢測結果粗糙，跟蹤過程容易丟失運動目標點，常應用于場景簡單的體育賽事；文獻[4]采用背景差法作用于體育視頻時域，同樣適用于場景簡單的體育賽事，具有檢測效率高、跟蹤精度高的優點。

以上方法都存在很大缺陷，不能精準提取運動目標的屬性以及屬性隨光線、噪音等干擾的變化趨勢，因此需要一種穩定性強的算法或數學模型進行體育視頻運動目標的屬性提取，幫助增強檢測與跟蹤效果。高斯混合模型具有自更新能力，將其改進與體育視頻運動目標的屬性相契合，提出基于改進高斯混合模型的體育視頻運動目標檢測與跟蹤方法。

1 高斯混合模型

圖1是高斯混合模型原理圖，可以看出，模型基本流程依次為背景重建?模型更新?背景更新?目標檢測[5]，高斯混合模型匯集了多個單位高斯模型的分布規律，提取每一幀視頻的圖像像素屬性，將像素屬性寫入混合高斯模型計算各個屬性的相似度，提前給出背景與前景的像素閾值，對照相似度檢測視頻圖像中的目標前景。

設高斯混合模型中有[K]個單位高斯模型，每個單位高斯模型描述一個圖像像素[Xt]在檢測時刻[t]上的運動趨勢。圖像像素[Xt]的高斯分布情況為：

[P（Xt）=i=1Kwi，tη（Xt，ui，t，Σi，t）η（Xt，ui，t，Σi，t）=e-（Xt-ui，t）TΣ-1i，t（Xt-ui，t）2Σi，t12（2π）n2] （1）

式中：[wi，t]代表第[i]個高斯模型在檢測時刻[t]上的分布比例；[Σi，t]代表高斯混合模型協方差；[η（Xt，ui，t，Σi，t）]為高斯概率分布表達式[6]。

更新高斯混合模型是指對其中的分布比例[wi，t]和平均值[ui，t]兩項進行更新。以二維直角坐標系表示體育視頻的圖像像素坐標[7]，設為[I（x，y）]，當[I（x，y）]滿足式（2）給出的條件時，視這點的圖像像素坐標服從高斯概率分布。

[Dσi，t-1>I（x，y）-ui，t-1] （2）

式中：[D]代表模型置信因子；[σi，t-1]代表[ui，t-1]的標準差，[σi，t-1]的計算公式如下：

[σi=σ2i，t-1（1-ρ）+ρ（Xt-ui，t-1）（Xt-ui，t-1）T] （3）

式中[ρ]代表高斯混合模型的更新速度。

當式（2）成立，采用式（4）更新高斯混合模型，[α]代表高斯模型學習參數。

[wi，t=wi，t-1（1-α）+αui，t=ui，t-1（1-ρ）+Xtρ] （4）

當式（2）不成立，高斯混合模型直接將相似度計算結果為最小值的高斯模型刪除，此時只進行分布比例[wi，t]的更新：

[wi，t=wi，t-1（1-α）] （5）

[K]個高斯模型中不存在全部是背景或前景的情況，體育視頻中運動目標占據面積小，通常背景的分布比例要大于前景的分布比例，因此高斯混合模型將對分布比例[wi，t]和平均值[ui，t]進行排序，一般采用降序規則，背景序列靠前。

設[B]是背景的高斯分布數量，幀數為[b，B]的表達式如下：

[B=argminK=1bwi，t>ξ] （6）

式中：[argmin（ ）]代表降序規則；[ξ]代表總體先驗概率。

采用式（2）和式（6）檢測體育視頻前景運動目標。

2 高斯混合模型的改進

高斯混合模型有下列幾點缺陷：

（1） 模型停止于對體育視頻運動目標的檢測，未描述跟蹤過程；

（2） 對視頻圖像序列和更新速率考慮不周，未能排除環境噪音、光線的干擾；

（3） 總體先驗概率對前景檢測效率低。

根據上述分析，對高斯混合模型的圖像序列、更新速率和背景檢測手段做出改進，加入跟蹤過程。體育視頻運動目標跟蹤的實現非常簡單，在檢測到前景之后，將運動目標方位、體積、灰度值的分布情況提取出來，在灰度直方圖上進行顯示，通過全局匹配技術實時跟蹤運動目標。

體育視頻一般是彩色的，其容量大，運算量也大，采用灰度顯示體育視頻圖像有利于提高更新速率，從而更快地檢測到運動目標[8]。將彩色圖像轉換為灰度圖像的計算公式為：

[Gray（x，y）=0.11R（x，y）+0.59G（x，y）+0.3B（x，y）] （7）

式中：[R（x，y），G（x，y），B（x，y）]分別代表圖像在紅、綠、藍信道上的色彩度。

一旦高斯混合模型進行過一次背景重建，就需要不斷根據體育視頻內容更新模型背景參數項。更新速率[ρ]在以往的混合高斯模型中取決于高斯模型學習參數[α]和高斯概率分布[η（Xt，ui，t，Σi，t）]的參數項[9]，而[α，][η（Xt，ui，t，Σi，t）]的預設值都不易過高，造成更新速率[ρ]始終處于一個低數值，不能實時檢測運動目標，限制了跟蹤效果。

提高更新速率[ρ]的前提是不能對[α]和[η（Xt，ui，t，Σi，t）]造成精度干擾，也就是在像素相似度差別小的背景區域進行動態擴張，將前景區域從背景區域提取出來。對更新速率[ρ]動態擴張之后可得到：

[ρ=αXtη（Xt，ui，t，Σi，t）] （8）

以往的高斯混合模型采用總體先驗概率的背景檢測手段，改進后將采用背景圖更新法。背景圖更新法是對文獻[4]背景差法的改進，精度高且速度塊，尤其在體育視頻運動目標檢測與跟蹤過程中注重的是與前景有關的精度。可在背景檢測中進行實時背景對比，減少幀間模糊情況的產生，快速檢測運動目標。

在采用背景圖更新法對高斯混合模型總體先驗概率的改進中，[ξ]被替換成背景與前景的像素閾值[θ，]即：

[B=argminK=1Bwi，t>θ] （9）

閾值[θ]由用戶進行配置，如果[θ]很大，改進高斯混合模型會出現不止一個峰值，而且各峰值的灰度值一般不同，能夠看出光線和噪音對運動目標的干擾。

3 改進高斯混合模型的體育視頻運動目標檢測

與跟蹤

3.1 目標檢測

在改進的高斯混合模型中，體育視頻圖像的所有像素點都將在單位高斯模型內進行運動目標檢測，最終的檢測結果從第一次成功的檢測結果開始按比例降序輸出，與體育視頻圖像不對稱，因此，檢測結果將采用式（10）進行提?。?/p>

[I（x，y）=argminXt-ui，tσi] （10）

此時，背景與前景的像素閾值[θ]應滿足：

[Xt-ui，tσi≥θ] （11）

對于改進高斯混合模型中分布比例[wi，t]和平均值[ui，t]的更新，為了使式（10）輸出的檢測結果為最佳值，所提基于改進高斯混合模型的體育視頻運動目標檢測與跟蹤方法通常規定[wi，t≠ui，t，]但當體育視頻圖像像素量居于一個很高的數值時，應側重于檢測效率而非精度，此時[wi，t=ui，t=α]。

3.2 目標跟蹤

將目標檢測結果輸入灰度直方圖中進行目標跟蹤。構造體育視頻運動目標灰度直方圖最簡單的手段是對運動目標占據的像素點總數進行匯總，但這種手段不能精準描述運動目標的輪廓，無法得到運動目標的具體行為，造成跟蹤效果達不到用戶要求[10]。在這種情況下，需要在灰度直方圖中對運動目標和背景的相似度差異進行放大化處理，將背景灰度比例增大，距運動目標近的背景比例增大倍數要大于遠區域背景，背景灰度比例表達式為：

[we=i=1BηXt，ui，t，Σi，t×χ（ri）i=1Bηi-1Xt，ui，t，Σi，t] （12）

式中，[χ（ri）]代表像素距離函數；[ri]是參考距離，有：

[χ（ri）=1-ri2，ri<10，其他] （13）

[ri=d0dmax] （14）

式中：[d0]代表背景像素中點與運動目標像素的距離；[dmax]是背景像素與運動目標像素的最遠距離。

經過灰度擴大化處理，在灰度直方圖中，所提基于改進高斯混合模型的體育視頻運動目標檢測與跟蹤方法只需要跟蹤相似度高的目標，方法運算不復雜，不容易丟失運動目標點。對相似度的計算采用下式：

[ψ（we，κ）=i=1B（weκ）12] （15）

式中：[κ]代表改進高斯混合模型分布比例[wi，t]和平均值[ui，t]的分量。

4 實驗驗證

提取一段網球聯賽視頻作為實驗樣本，圖像采集分辨率為多模式。實驗對圖像、數據、圖標的處理和顯示都在計算機上進行，計算機為雙核、4 GB RAM（Random Access Memory，易揮發性隨機存取存儲器）和WIN 7系統。采用VS?2010和CV 2.0進行數據編程。采用光流識別方法、高斯混合模型方法和本文所提的改進高斯混合模型方法進行運動目標（網球軌跡、運動員行為）的檢測與跟蹤。將幾種方法干擾處理能力的驗證數據從跟蹤結果運動目標清晰度中提取出來，如圖2所示。

從圖2可以看出，改進高斯混合模型方法的圖像清晰度最高，保留了以往高斯混合模型中運動目標的細節信息，并對非運動目標進行了強效去噪，說明其干擾處理能力強，獲取了不錯的跟蹤效果。

對檢測范圍的驗證從檢測結果中正確運動目標的位置坐標中提取，如圖3所示，可以看出，本文方法對體育視頻運動目標的檢測結果輪廓完整，不存在空點，檢測范圍大，檢測效果好。

5 結 論

本文在高斯混合模型的原理上，提出基于改進高斯混合模型的體育視頻運動目標檢測與跟蹤方法，充分利用多方技術和處理手段，增強了以往高斯混合模型的性能，最后通過實驗對其檢測效果與跟蹤效果進行驗證，結果說明，本文方法的干擾處理能力強，檢測范圍大。

參考文獻

[1] 盧彬，陳域，李冬生，等.基于視頻圖像的車速檢測方法[J].電視技術，2014，38（7）：199?201.

[2] 戎淼鋒，林瓏.競技運動視頻識別與比較系統的研究[J].廣州體育學院學報，2014，34（4）：59?61.

[3] 程全，馬軍勇.基于改進高斯混合模型的運動目標檢測方法[J].計算機科學，2014，41（7）：318?321.

[4] 黃蘇雨，熊建強，陳紅，等.改進混合高斯模型的運動目標檢測與跟蹤算法[J].計算機測量與控制，2015，23（3）：861?863.

[5] 曾垂力.結合高斯混合模型和改進的LSBS的運動目標檢測方法[J].微型機與應用，2015，34（4）：46?48.

[6] 武善鋒.運動行為識別技術在高校體育教學中的應用研究[J].體育科技文獻通報，2015，23（6）：37?38.

[7] 崔杰，徐從體.基于高性能嵌入式平臺的人體運動目標跟蹤技術研究[J].山東農業大學學報（自然科學版），2016，47（4）：611?615.

[8] 郭俊，王平.基于改進的混合高斯模型的運動目標檢測[J].微型機與應用，2016，35（10）：30?32.

[9] ZHOU J Y. A moving object detection method based on sliding window Gaussian mixture model [J]. Journal of electronics & information technology， 2014， 35（7）： 1650?1656.

[10] 范文超，李曉宇，魏凱，等.基于改進的高斯混合模型的運動目標檢測[J].計算機科學，2015，42（5）：286?288.