蟻群優化算法優化支持向量機的視頻分類

王楊 劉蒙 閆偉光

摘 ?要： 針對當前支持向量機支持優化的參數無法獲得高精度的體育視頻分類結果的難題，為了提高體育視頻分類正確率，提出基于蟻群優化算法優化支持向量機的體育視頻分類方法。首先采集體育視頻，并提取體育視頻分類的多個特征;然后采用主成分分析算法對體育視頻分類特征進行處理，作為支持向量機的輸入，體育視頻類別作為支持向量機的輸出，建立體育視頻分類模型，并采用蟻群優化算法對支持向量機進行優化;最后采用多個體育視頻數據進行分類仿真實驗，結果表明，蟻群優化算法優化支持向量機的體育視頻分類正確率高于90%，降低了體育視頻分類錯誤，體育視頻分類效果明顯優于當前其他類型的體育視頻分類方法，而且體育視頻分類效率得到有效的改善。

關鍵詞： 體育視頻; 分類方法; 蟻群優化算法; 主成分分析; 特征提取; 支持向量機優化

中圖分類號： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）01?0056?03

Video classification based on support vector machine optimized

by ant colony optimization

WANG Yang， LIU Meng， YAN Weiguang

Abstract： In order to solve the problem that the current support vector machine （SVM） can′t support optimized parameters to obtain high?precision sports video classification results， the sports video classification method based SVM optimized by ant colony optimization （ACO） is proposed to improve the accuracy of sports video classification. The sports videos are collected and several features of sports video classification are extracted firstly， and then the classification features of sports video are processed by means of principal component analysis algorithm. The sports video classification features are taken as the input of SVM and the sports video category as the output of SVM to establish a sports video classification model. The SVM is optimized by ACO. A classification simulation experiment is conducted with multiple sports video data. The simulation experiment results show that the classification accuracy of the sports video classification based on SVM optimized by ACO is higher than 90%， and the classification error of sports video classification is reduced. The classification effect of sports videos is obviously better than that of other current sports video classification methods， and the classification efficiency of sports videos is effectively improved.

Keywords： sports video; classification method; ACO; principal component analysis; feature extraction; SVM optimization

0 ?引 ?言

隨著多媒體技術的不斷發展，圖像采集設備的種類越來越多，從事體育運動的人們數量也在不斷增加，每天可以通過手機、攝像機采集到大量的體育視頻，這給體育視頻管理帶來一定的挑戰[1?2]。體育視頻分類是體育視頻檢測系統的重要技術，要獲得性能優良的體育視頻檢測系統，首先必須設計高精度的體育視頻分類方法，因此體育視頻分類研究成為體育研究領域的一個重要研究方向[3?4]。

當前的體育視頻分類很多，最初人們通過專家系統實現體育視頻分類，但是專家系統對先驗知識要求比較高，對于新的體育視頻分類問題無能為力，當前主要是基于計算機處理的體育視頻自動分類方法[5?6]。當前體育視頻分類方法主要包括特征提取和分類器設計，體育視頻分類特征主要有顏色、運動等特征，它們之間存在一定的重復信息，但是當前方法都沒有考慮該問題，使得無法獲得最優的體育視頻分類特征[7]。當前體育視頻分類器主要通過神經網絡、隱馬爾可夫算法、支持向量機等[8?10]，其中，神經網絡要求體育視頻分類樣本數量大，這樣增加了體育視頻分類成本，而且體育視頻分類結果極不穩定[11];隱馬爾可夫算法的體育視頻分類正確率高，但是其體育視頻分類效率比較低，無法滿足一些實時性要求比較高的體育視頻處理領域，如鷹眼、視頻回放等[12]。支持向量機沒有神經網絡對體育視頻分類的樣本數量要求，同時克服了隱馬爾可夫算法的體育視頻分類速度慢的難題，在體育視頻分類研究中最為廣泛，但是支持向量機參數直接影響體育視頻分類效果，目前支持向量機參數優化問題還沒有得到有效解決[13?15]。

針對當前支持向量機支持優化的參數無法獲得高精度體育視頻分類結果的難題，為了提高體育視頻分類的正確率，提出基于蟻群優化算法優化支持向量機的體育視頻分類方法。仿真實驗結果表明，蟻群優化算法優化支持向量機的體育視頻分類正確率高，分類效果明顯優于對比方法，驗證了本文體育視頻分類方法的優越性。

1 ?蟻群優化算法優化支持向量機的體育視頻分類方法的具體設計

1.1 ?蟻群優化算法優化支持向量機的體育視頻分類原理

基于蟻群優化算法優化支持向量機的體育視頻分類原理為：首先采集體育視頻，并提取體育視頻分類的多個特征，然后采用主成分分析算法對體育視頻分類特征進行處理，作為支持向量機的輸入，體育視頻類別作為支持向量機的輸出，建立體育視頻分類模型，并采用蟻群優化算法對支持向量機進行優化，從而建立最優的體育視頻分類器。

1.2 ?主成分分析算法處理體育視頻分類特征

本文首先提取體育視頻分類的多個特征，主要包括運動特征、顏色特征、形狀特征，它們組成一個體育視頻分類原始特征集合，由于體育視頻分類原始特征之間有一定的重復信息，引入主成分分析算法對體育視頻分類原始特征進行處理，去除原始特征之間的重復信息，減少體育視頻分類的特征規模。設取體育視頻分類的訓練集為[{x1，x2，…，xn}]，[n]表示樣本的數量，每一個樣本包含有[m]維特征，那么體育視頻特征篩選步驟為：

Step1：計算矩陣的平均值[x=1ni=1nxi]。

Step2：體育視頻分類特征值的分解，對特征值[λ1，λ2，…，λIn]進行排序，得到特征向量為[u1，u2，…，uIn]。

Step3：初始化前[Pn]個特征向量，它們組成集合[Un=[u1，u2，…，uPn] ]。

Step4：采用3個投影矩陣[UT1]，[UT2]和[UT3]，根據[y=xm?UT1?UT2?UT3]對體育視頻分類樣本進行特征提取，得到最優的體育視頻分類特征。

1.3 ?支持向量機算法

支持向量機通過函數[φx]對體育視頻分類樣本進行映射，然后在高維空間進行如下處理：

[minω，b，ξ ?Jω，ξi=12ωT?ω+Ci=1lξ2is.t. ? ? yi=ωT?φxi+b+ξiξi≥0i=1，2，…，l] （1）

式中：[ξ2i]為分類誤差;[C]為懲罰參數。

引入Lagrange乘子，得到式（1）的對偶形式：

[Lω，b，ξ，α=Jω，ξ-i=1lαiω?φxi+b+ξi-yiαi≥0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）i=1，2，…，l]

對式（2）中的[ω]，[b]，[ξi]，[αi]求偏導得到：

[?L?ω=0?L?b=0?L?ξi=0?L?αi=0?ω=i=1lαiφxii=1lαi=0αi=CξiωTφxi+b+ξi-yi=0] ? ?（3）

消去[ω]和[ξi]，得到：

[0ITIφTxiφxl+C-1Ibα=0Y] ? ? （4）

根據Mercer條件，[Kxi，x=φTxiφx]，從而得到體育視頻分類函數為：

[f（x）=i=1n（αi-α*i）k（xi，x）+b] （5）

[k（xi，x）]具體為：

[k（xi，x）=exp-x-xiσ2] （6）

式中[σ]為核寬度參數。

由于支持向量機的核寬度參數[σ]和懲罰參數[C]影響體育視頻分類的效果，本文引入蟻群優化算法對支持向量機的核寬度參數[σ]和懲罰參數[C]進行優化。

1.4 ?蟻群優化算法優化支持向量機參數

1） 設置支持向量機參數[σ]和[C]的取值范圍，隨機初始化，為螞蟻分配一組參數（[σ]，[C]）。

2） 支持向量機根據（[σ]，[C]）對體育視頻分類訓練集進行學習，計算得到體育視頻分類誤差模型為：

[Δt（i）=α-Error（i）] （7）

3） 根據誤差模型得到體育視頻分類誤差，在此基礎上估計第[i]只螞蟻位置的信息素深度：

[T0（i）=α-Error（i）] （8）

4） 根據螞蟻留下的信息素大小，確定每個螞蟻下一步轉移概率為：

[p（i）=eT0（BestIndex）-T0（i）eT0（BestIndex）] （9）

式中[BestIndex]表示最大信息素濃度。

5） 對信息素深度采用式（10）進行更新操作：

[T0（i）=（1-ρ）*T0（i）+Δt（i）] （10）

6） 不斷重復上述過程，最后得到一條蟻群搜索的最優路徑，根據最優路徑得到支持向量機的核寬度參數[σ]和懲罰參數[C]值。

2 ?體育視頻分類的實驗研究

2.1 ?實驗數據

為了測試蟻群優化算法優化支持向量機的體育視頻分類效果，選擇5類體育視頻數據作為實驗對象，它們的樣本分布如表1所示。

為了使測試蟻群優化算法優化支持向量機的體育視頻分類效果具有可比性，選擇沒有進行參數優化支持向量機的體育視頻分類方法、BP神經網絡的體育視頻分類方法進行對比測試。

2.2 ?結果與分析

采用蟻群優化算法優化支持向量機的體育視頻分類方法、沒有進行參數優化支持向量機的體育視頻分類方法、BP神經網絡的體育視頻分類方法對表1的訓練樣本進行學習，建立相應的體育視頻分類器，然后對表1驗證樣本進行分類，統計它們的體育視頻分類正確率，結果如圖1所示。從圖1可以看出，蟻群優化算法優化支持向量機的體育視頻分類正確率為95.90%，沒有進行參數優化支持向量機的體育視頻分類正確率為91.58%，BP神經網絡的體育視頻分類正確率為87.16%，本文方法能夠有效降低體育視頻分類錯誤率，獲得更優的體育視頻分類結果。

統計3種方法的體育視頻分類時間，結果如圖2所示。從圖2可以看出，蟻群優化算法優化支持向量機的體育視頻分類時間均值為2.82 ms、沒有進行參數優化支持向量機的體育視頻分類時間均值為6.96 ms，BP神經網絡的體育視頻分類時間均值為4.97 ms，本文方法減少了體育視頻分類時間，加快了體育視頻分類速度。

3 ?結 ?論

為了解決體育視頻分類研究中的支持向量機參數優化難題，獲得理想的體育視頻分類效果，提出基于蟻群優化算法優化支持向量機的體育視頻分類方法。采用蟻群優化算法對支持向量機參數進行在線優化，找到最優的支持向量機參數，并應用于體育視頻分類研究中，通過仿真實驗可以得到如下結論：

1） 采用主成分分析算法對體育視頻分類原始特征進行處理，減少了體育視頻分類特征數量，降低了體育視頻分類的建模時間復雜度，加快了體育視頻分類速度，分類效率要明顯優于對比的體育視頻分類方法。

2） 采用蟻群優化算法對支持向量機參數進行優化，建立理想的體育視頻分類器。仿真結果表明，本文算法的體育視頻分類正確率高于當前其他類型的體育視頻分類方法，體育視頻分類錯誤率控制在了體育視頻應用的范圍內，具有較好的實際應用價值。

參考文獻

[1] 車益民.體育訓練中的運動視頻分析系統設計與實現[J].現代電子技術，2017，40（5）：70?73.

[2] 崔云翔.基于二維人體關節點特征的體育視頻標注[J].計算機工程，2014，40（4）：252?257.

[3] 蔣宇.基于均值移位算法與彩色直方圖算法的體育運動視頻跟蹤技術研究[J].蘇州大學學報（工科版），2012，32（2）：33?36.

[4] 孔祥魁，向華.體育視頻中基于粒子濾波和ARG模型的多目標跟蹤方案[J].湘潭大學自然科學學報，2016，38（4）：80?84.

[5] 繆剛，王萍，莊亞軍，等.基于流媒體技術的體育競賽視頻發布系統設計[J].微處理機，2016，37（5）：84?88.

[6] 潘丹，關衛軍.基于隱馬爾可夫模型的體育視頻分類方法[J].湘潭大學自然科學學報，2017，39（1）：73?77.

[7] 楊愛麗.基于iOS的移動體育教學視頻設計[J].自動化與儀器儀表，2017（6）：244?245.

[8] 楊輝.體育視頻中運動目標跟蹤技術研究[J].自動化與儀器儀表，2016（6）：176?177.

[9] 朱映映，朱艷艷，文振焜.基于類型標志鏡頭與詞袋模型的體育視頻分類[J].計算機輔助設計與圖形學學報，2013，25（9）：1375?1383.

[10] 周軼楓，楊濱峰.利用卷積神經網絡的體育視頻運動員檢測[J].湘潭大學自然科學學報，2017，39（1）：95?98.

[11] 朱欣華.多特征和神經網絡相融合的體育視頻識別[J].湖南科技大學學報（自然科學版），2015，30（4）：97?102.

[12] 曹愛春，楊曉艇，侯旭東.最小二乘支持向量機和證據理論融合的體育視頻分類[J].計算機工程與應用，2013，49（23）：95?99.

[13] 宋剛，肖國強，代毅，等.基于視頻區域特征及HMM的體育視頻識別研究[J].西南師范大學學報（自然科學版），2010，35（2）：180?185.

[14] 張龍飛，曹元大，周藝華，等.基于支持向量機元識別器的體育視頻識別[J].北京理工大學學報，2006，12（1）：41?44.

[15] 吳鵬，林新棋，李海濤，等.基于顏色紋理和SVM的體育視頻分類[J].福建師范大學學報（自然科學版），2014，30（2）：34?41.

作者簡介：王 ?楊（1979—），女， 河北張家口人，碩士，研究方向為體育教學、健美操。

劉 ?蒙（1979—），男，河北張家口人，碩士，研究方向為體育教學、足球、高山滑雪。

閆偉光（1988—），男，河北張家口人，碩士，研究方向為體育教學、健美操、高山滑雪。