基于單目視覺的足球進門位置自動判別算法*

高長旭， 孫巧妍， 陳祥光

(1.煙臺南山學院 人文學院，山東 煙臺 265713； 2.煙臺南山學院 工學院，山東 煙臺 265713；3.北京理工大學 化學與化工學院，北京 100081)

0 引 言

當前，我國體育產業發展和體育科技的運用滯后于競技體育的發展，先進的訓練方法、體育設施和設備的應用還較少，尤其是應用于大眾體育運動的先進體育設施和設備更有待于開發。在大學的足球訓練和教學中，定點射門是主要的教學和考核內容。根據實戰時足球的不同入射區域對守門員的撲救難度，將球門分成5個不同的得分區域，僅僅通過肉眼準確判斷球進門瞬間球所在的球門區域很難，而目前尚無此方面的產品或者設計供使用，因此，需要設計出一種檢測系統能夠分辨出球員在無守門員守門的前提下射門時足球入門時的具體區域。運用圖像處理的手段識別復雜背景下運動物體的形態特征和具體位置，是目前很多國內外學者關心和研究的熱點問題。以往的研究表明很多學者在數字圖像目標邊緣檢測與分割、圖像傾斜度校正、圖像形態學識別與定位方面做了深入研究，對本系統的設計與處理具有借鑒意義[1～8]。

1 足球進門位置自動判斷算法原理

球門區域劃分如圖1所示。設定從A至E區域分別賦分60～100分。對于運動物體軌跡的判斷，一般需要在不同位置安裝3臺以上的攝像機，通過計算機實現空間位置及運動軌跡預測的算法，計算并預測物體運動的軌跡[9]。由于足球場地大且空曠，攝像頭若要像在室內安裝那樣放置位置十分精準，則安裝難度和成本都很高。況且足球運動是室外運動，復雜的周邊環境和多變的天氣條件都會影響軌跡的準確判斷。因此，應當尋求一種不定點安放攝像頭即可以相對準確地判斷足球進門位置的方法。攝像頭使用時則帶到場地，不使用時可以收回到室內存放。

圖1 足球場球門入門區域劃分

根據FIFA國際11人制足球場標準規格[10]，球門：長7.32 m、高2.44 m；兩根球門柱以及橫梁的寬度和厚度都應當保持一致，截面最長部分不得超過12 cm。球門線與球門柱還有橫梁的寬度應當一致。足球尺寸周長68.5～69.5 cm，即直徑約21.5 cm。如果能鋪捉到足球進門瞬間的圖像，那么圖像中球門和足球面積的像素應對應成比例。只要判斷出圖像中球門位置和足球的位置，就可以方便地判斷出足球射門位置?？紤]到普通高校教學中對判斷精度的要求并不高，球心位置坐標判斷誤差實際在3.5 cm以內是可以接受的。實際訓練及測試過程中，球員一般都是在點球點附近進行射門訓練，因此，可以使用單攝像頭安放在如圖2所示區域。

圖2 單攝像頭可安放區域示意

攝像頭安裝好后，可以錄制球員射門的簡短視頻，通過一定算法可以捕捉到足球入門瞬間的一幀或幾幀圖像。這里只對捕捉到圖像后如何進行足球與球門的相對位置判斷的算法進行論述。

該算法的思路為：首先，將球門區域剪裁出來；然后，對剪裁出的圖像進行傾斜度校正；第三步，根據形態特征將足球從復雜背景中識別出來并判定球心坐標；最后，根據球心坐標判斷足球射門位置區域，判斷出成績，并向用戶顯示判斷結果。

2 足球進門位置自動判斷算法與仿真

2.1 球門位置判斷算法與仿真

實驗采用的實際圖片采集于2018年9月4日，使用的是小米MAX3手機拍攝，場地為煙臺南山學院東海校區體育場南足球門，攝像頭像素為1 200萬。拍攝位置在攝像頭允許區域內隨機，圖像大小為720×960×3。該足球門沒有按照國際FIFA規定油漆為白色，但顏色的差別不影響算法的應用。使用的處理軟件可以是MATLAB 7.0及以上版本。本次仿真使用的電腦配置為因特爾E7500處理器，主頻為2.94 GHz，32位操作系統，使用內存為3 GB，處理軟件為MATLAB 7.0。采集到的圖片背景區域較為復雜。綠色的草地和樹林、紅色的塑膠跑道、藍色的天空及白色的建筑等顏色混雜，邊界線不明顯，且有陽光照射的陰影影響。該圖片由于拍攝者手持手機不平的問題，明顯有個傾斜的角度。為了檢測出球門區域在圖片的準確位置，并校正傾斜度，采取的算法流程如下。

首先對采集到的RGB圖像進行藍色像素點的判斷[11]。具體方法是：

測試原RGB圖像的大小，新建一個縱橫尺寸相同的二維標志圖像。然后分別取出像素的RGB數值，進行如下計算

近年來，兒童及青少年甲狀腺癌的發病率逐漸增加，已成為較為常見的惡性腫瘤之一。其評估、治療和隨訪具有重要意義。超聲是其評估及隨訪的首選檢查方法，與成人相比，兒童及青少年甲狀腺癌更具侵犯性，更易發生術后局部復發和頸部及遠處轉移，超聲表現及FNA適應證也有所不同。根據其超聲及臨床表現，選擇合理手術方式及治療方法，可提高治療后長期生存率，改善預后。另外，分子學檢查可能具有很好的補充診斷前景，但仍需進一步研究支持。

Rij=image(i,j,1)/(image(i,j,3)

Gij=image(i,j,2)/image(i,j,3)

Bij=image(i,j,3)

其中,Rij為像素的R維數據值；Gij為像素的G維數據值；Bij為像素的B維數據值；image(i,j,*)為圖像的R、G、B三層數據中某一層坐標為(i,j)處的像素值。如果Rij<0.4&Gij<7&Bij>120，這判斷該位置為藍色像素點，對應像素位置標記為1，其余的位置標記為0。

經過顏色判別后的二值圖像含有很多大小不一且形態各異的小面積干擾圖，球門橫梁和立柱形狀也不規則，甚至可能存在部分位置斷續。球門后支撐框的圖像也清晰可見。為了獲取球門平面區域的邊界位置，應去掉干擾像素，并根據橫梁和立柱的位置判斷球門的平面圖。針對圖像做以下幾步的算法處理：1)使用自適應中值濾波算法去除小概率噪聲，但要保護球門圖像細節。經驗證，處理半徑為3時效果最佳。2)使用膨脹與腐蝕操作相結合，修善橫梁與立柱的斷點圖像。經驗證，使用3×3的方形結構元時處理效果最佳。3)將上一步處理完畢的圖像去掉面積小于20的小區域干擾，這樣可以去除背景中樹木綠葉及陰影的部分影響。4)根據圖像的連通情況和橫梁與立柱的位置關系，進一步去掉小面積干擾圖。

經過上述幾步處理后，圖像中的干擾和雜質基本去除，球門位置區域已經較為清晰。

常用的傾斜度角度查找方法有兩種[12]：一種是利用Hough變換找出傾斜角，另一種是利用角點檢測找出傾斜角度。為了檢測球門橫梁所在直線的水平傾角，此處采用的是利用球門橫梁線段所在直線檢測水平傾斜角度。

圖像傾斜角度矯正后，需要將球門橫梁和立柱位置的邊緣清晰化[13]。由于橫梁和立柱圖像上仍有干擾和雜質難以去除，取200像素點為閾值，分別檢測圖片中橫梁位置的像素行數和立柱位置的像素列數。根據圖片從上至下第一個符合閾值數量的行作為橫梁的最上端，圖片從左至右及從右至左第一個符合閾值的列數作為左右門柱的邊界。根據符合橫梁和立柱像素的行數和列數分別確定橫梁和立柱的粗。這樣就確定這整張圖片中球門的各個特征點的位置坐標，根據位置左邊重構球門圖像。圖3為采用上述各步驟算法處理后對應的圖像結果示意圖，經上述算法處理后得到二維圖像大小為721像素×961像素，各特征點坐標為：上梁200，橫梁寬16，左立柱45，右立柱928，立柱粗15，球門底線501，原圖傾斜角度0.019 997 rad，約1.145 8°。

圖3 球門位置判別過程各步驟處理后的結果

2.2 足球位置判別算法與仿真

取相同場地2019年1月20日拍攝的另一張圖片，該圖像中含有進門瞬間的足球。圖片原始圖像大小為720像素×960像素×3像素。球門位置區域按照上述檢測方法處理后得到的二維圖像大小為720像素×960像素，各特征點坐標為：上梁284，橫梁寬5，左立柱257，右立柱747，立柱粗6，球門底線449，傾斜角度0 rad。檢測出球門區域后，接下來就是檢測足球的位置。具體處理方法是：

首先，根據已檢測出的圖片傾斜度將原RGB彩色圖片進行傾斜度校正。然后根據已經檢測出的球門區域將彩色圖片進行剪裁。這樣做是為了去除復雜背景的過多干擾，縮小圖像尺寸降低后續算法的執行時間。

然后，將剪裁好的圖片進行邊緣檢測，以期望得到足球的圓形外形。由于實際使用的足球色彩和花紋多樣，訓練時因新舊程度不一，足球表面存在不同程度的磨損或污漬，一次性使用Edge算法對圖像處理不能得到理想的結果?？紤]到RGB圖像的特點及足球顏色與背景顏色的差別，將R、G、B三層數據分別取出形成3個二維圖像，即imgR,imgG,imgB。然后進行各自邊緣檢測和綜合邏輯與操作。

result=Edge(imgR)&Edge(imgG)&Edge(imgB)所得圖像result中存在連續長直線的干擾，而足球輪廓比較模糊。為了去除長直線的干擾，將長直線進行擦除。具體方法是：設圖像中某坐標位置的像素值為image(i,j)，其中i為橫坐標，j為縱坐標，根據直線的形態學特征和直線與圓形的形態學區別，如果存在以下兩種情形之一，則image(i,j)清0擦除。

情形一為：

image(i,j)=1&image(i,j+1)=1&image(i,j+2)

=1&image(i,j+3)=1

情形二為：

image(i,j)=1&image(i+1,j)=1&image(i,j+1)

=1&image(i+1,j+1)=1

由于直線擦除算法執行時是從左至右從上而下逐個像素判別并擦除，故該部分程序只需要遍歷一遍像素即可得到較好效果。這樣處理后，長直線變為斷續的一些小點。然后去除面積小于4的干擾點。接下來按照球門長7.32 m、高2.44 m，足球直徑約21.5 cm的比例關系確定圖像中足球的理論直徑。其計算式如下

按照計算后的r值構建一個大小為2r×2r，半徑為r的足球模型圖。然后用這個模型圖與處理好的圖進行匹配。具體匹配的方法是：自圖像矩陣的縱向i取第1行至倒數第2r行即與橫向j取第1列至倒數2r列，遍歷每個像素點img(i,j)，分辨檢測以當前像素點為左上端點的2r×2r矩陣,即img(i︰2r+i,j︰2r+j)與構建模型圖的匹配程度。匹配度最高的位置即為實際圖片足球所在位置，也易找到球心坐標。

如圖4和圖5所示為處理過程中各步驟處理后的圖像。球門區域圖片大小166像素×491像素，球心坐標(62,219)，半徑r=7。

圖4 足球位置判別過程中各步驟處理后的結果1

圖5 足球位置判別過程中各步驟處理后的結果2

2.3 成績的判斷與示意圖的重構方法

球心坐標和圖像中的球半徑r確定后，需根據圖1所示的比例要求判斷當前次射門的成績，并向用戶顯示出示意圖和分數。

根據前述分析結果，當前圖像的比例為

根據圖1所示的尺寸及計算出的rate可計算出該尺寸對應的實際像素數。根據計算結果可重構射門結果示意圖，結果如圖6所示。

圖6 判斷結果示意

此時rate=1.730 8，處理后可使用戶清晰的看到足球相對于球門的區域位置及本次射門的成績。由圖像處理結果可看出該圖片的處理誤差約在1～2個像素，最大誤差為

2×rate=2×1.7308≈3.46 cm

完整的程序執行時間為4.794 s，響應時間完全能夠滿足實際訓練和教學要求。如果使用的主機配置比實驗用的主機配置高，則程序執行時間還可以縮短。

3 結 論

本設計采用一部1 200萬像素的普通攝像頭安裝到足球場中限定區域內的任意位置進行圖像采集。將采集到的無守門員情況下的射門圖像按順序逐步進行所述算法的多步處理即可判定出足球進門位置，可實現使用數字圖像自動處理的方法輔助大學足球課程教學及訓練，在足球射門訓練過程中輔助教練員或教師自動的判別進門位置，從體育器材、體育服務等軟硬件方面作出提升。

經過仿真和實驗，證明該算法可以實現預設功能，誤差在5 cm以內，響應時間在3.5 s以內，符合普通高校實際訓練和上課要求。該算法在處理使用不固定位置的單目視覺拍攝于自然復雜背景環境的圖像中識別大小差異較大的矩形、圓形等外形的物體并準確分割、傾斜校正、判斷相對位置等算法方面具有一定的應用和參考價值。且算法的運行對計算機的配置要求很低，可以普遍適用。