基于级联特征的嵌入式篮球运动视频目标跟踪算法

黄 国 权

(芜湖职业技术学院 体育教学部，安徽 芜湖 241003)

嵌入式篮球运动视频是用于控制、监视或辅助篮球运动视频播放的一种视频类型[1]。当前使用的嵌入式装置体积较小，在跟踪篮球运动视频过程中常常出现延迟的问题。因此，跟踪算法在科学领域已经成为一个热点研究问题。基于压缩特征的鱼眼视频目标跟踪算法融合灰度特征与相对梯度特征以获得高维特征，通过平均降维获得压缩特征，依据鱼眼成像模型得到投影点运动特性，确定运动范围[2]。该算法能够有效处理目标畸变，但成功跟踪标记目标数量较少。基于模型融合和特征关联的视频目标跟踪算法采用改进对称帧间差分法提取目标轮廓，通过形态学腐蚀和膨胀确定运动目标质心位置，根据修正卡尔曼滤波参数获得运动目标的跟踪轨迹[3]。该算法能够有效提高跟踪准确率，但执行时间较长。针对上述问题，提出了基于级联特征的嵌入式篮球运动视频目标跟踪算法。通过提取篮球运动视频颜色级联特征，检测篮球运动视频目标，构建嵌入式篮球运动视频目标跟踪算法。实验结果表明，所提算法的跟踪执行时间较短且成功跟踪标记目标的数量较多，跟踪效果较好。

一、嵌入式篮球运动视频级联特征提取

级联特征是一种解决复杂环境中目标优化的特征，常用于目标级联分析方法中。目标级联法是解决非集中式层次协调问题的一种新方法，该方法允许层次结构中的各元素自主决策，具有可并行优化和强度较高的收敛性以及不受限制的优点。为了实现嵌入式篮球运动视频目标跟踪，随机选用嵌入式篮球运动视频作为级联特征提取目标[4]，设定Gabor滤波变换特征数量为64维，维度的频率为四频率，4个频率构成8个方向，设定方向值M为

(1)

在上述方向值下，分别提取该方向的特征值，设定方向值处理后的运动视频图像为I(x,y)，运动图像的复数特征值可表示为

(2)

公式(2)中，λ表示正弦函数波长，σ表示高斯函数标准差，γ表示空间的高宽比，ψ表示相位移动。级联特征提取时，将上述复数特征进行级连，筛选复数特征的实部与虚部，筛选后的复数特征如下所示：

(3)

公式(3)中，i表示特征参数的方向，其余参数含义不变。采用篮球运动视频图像复数特征的实部与虚部为级联对象，将级联对象表示为

(4)

公式(4)中，tx表示复数特征的级联样本集，n表示级联特征维度。在上述计算公式搭建成的级联集合中，构建得到级联过程(图1)。

图1 特征级联过程

在图1所示的级联过程下，首先提取篮球运动视频颜色特征，利用RGB颜色空间法表示级联过程中图像中的颜色分量，计算公式可表示为

(5)

公式(5)中，SR，SG，SB分别表示不同颜色的滤波器，E(θ)表示射入过滤器的光线，θ表示光线的波长。篮球运动视频是一个运动过程[5-6]，颜色分量在视频播放过程中形成了颜色转换，颜色转换过程可表示为

(6)

公式(6)中，H，W，Y分别表示颜色转换后的颜色空间，其余参数含义不变[7]。给定上述计算公式一个区间[0,1]，形成一个待检测区域，整个嵌入式篮球运动视频就可划分为3个扇形区域，该区域的面积可表示为

(7)

公式(7)中，A表示区域面积，r表示扇形半径，其余参数含义不变。通过设定Gabor滤波变换特征数量及维度频率控制误差积累，筛选篮球运动视频图像复数特征的实部与虚部为级联对象，构建级联过程，提取篮球运动视频颜色特征，利用RGB颜色空间法表示级联过程中图像颜色分量，通过转换颜色划分嵌入式篮球运动视频扇形区域。将使用上述级联特征构成的扇形面积作为检测区域，对嵌入式篮球运动视频目标进行检测。

二、嵌入式篮球运动视频目标检测

在完成嵌入式篮球运动视频级联特征提取后，上述级联特征构成的检测区域为主要检测对象，定义扇形区域中任意像素点处的积分图像值，计算公式可表示为

(8)

公式(8)中，x′,y′表示检测区域的任意点的坐标值。为了简化积分图像值的计算过程，将上述计算公式得到的像素点使用顶点积分图相减，控制积分的计算量(图2)。

图2 像素点相减过程

由相减过程可知，篮球运动视频检测区域经过不断剪切，最终形成一个目标检测区域D。为保证目标检测区域在篮球运动视频播放过程的检测准确[8]，采用加权叠加后的强分类器构造视频转换判别规则，规则化公式可表示为

(9)

公式(9)中，ht表示分类器特征，αt表示转换阈值，T为运动视频的帧频。嵌入式篮球运动视频存在多种检测因素，强分类器在实际使用时，过快的传球速度会导致检测速度产生迟滞[9-11]，无法满足目标跟踪的要求。在嵌入式篮球运动图像子窗口可构造一个强分类器级联，识别检测目标(图3)。

图3 强分类器级联结构

在强分类器级联结构控制下，将篮球运动视频缩放为20*20的像素比例，进入到强分类器级联结构中，分类器判定篮球运动视频区域，并拒绝部分图像进入到分类器中，被拒绝的图像则被输入到下一个分类器中，最终经过逐层分类，完成对运动视频目标的检测。通过上述步骤，运用加权叠加后强分类器建立视频转换判别规则，构造强分类器级联，检测嵌入式篮球运动视频目标。以上述检测的嵌入式篮球运动视频目标为基础，构建嵌入式篮球运动视频目标跟踪算法。

三、嵌入式篮球运动视频目标跟踪算法构建

完成嵌入式篮球运动视频目标检测后，在构建嵌入式篮球运动视频目标跟踪算法前，训练篮球运动视频目标检测的分类器[12]，形成检测跟踪过程，训练过程可表示为

(10)

公式(10)中，ε表示正则化参数，w表示分类器数量，f表示训练函数，xi，yi表示函数的自变量及因变量，i表示训练次数。为了防止分类器训练过程产生过度拟合，取上述计算公式(10)的最优解，最优解的计算公式可表示为

∑αiφ(xi)

(11)

公式(11)中，αi表示转换求解的系数，φ(xi)表示训练样本xi映射到高维度空间的核函数，在高维度特征空间中，两个样本间的相关性可计算为

(12)

α=(k+λδ)-1y

(13)

公式(13)中，K表示系数矩阵中的元素，δ表示单位矩阵，傅里叶变换上述计算公式(13)，得到：

(14)

公式(14)中，F表示离散傅里叶变换，kxx表示核矩阵的第一行向量，以经过上述计算公式处理得到的最优系数为目标模板[13]，在进行实际目标跟踪时，以目标模板为新输入图像，采用高斯核计算输入图像与目标模板的相似度，同时采用KCF对输入图像进行循环位移处理，构造篮球运动视频样本集，定义循环位移的处理矩阵为Kz，可表示为

Kz=C(kxx)

(15)

公式(15)中，kxz表示Kz矩阵的第一行，C表示矩阵循环移动系数，候选图像块与跟踪目标间的相似度用f(z)表示为：

(16)

图4 目标跟踪流程

由目标跟踪流程可知，根据嵌入式篮球运动视频的特殊性，以篮球运动图像单元中梯度方向幅度值的直方图作为跟踪目标的轮廓和形状信息，计算训练篮球运动视频目标检测分类器的最优解，根据函数关系推导得到转换系数数值，采用高斯核计算输入图像与目标模板的相似度，构造篮球运动视频样本集，得到篮球运动视频的序列结果。综合上述步骤和计算，实现嵌入式篮球运动视频目标跟踪。

四、仿真实验

为了验证基于级联特征的嵌入式篮球运动视频目标跟踪算法的有效性，以算法1和算法2作为对比方法设计实验。在跟踪执行时间和成功跟踪标记目标数量方面，验证该文所设计目标跟踪算法的时效性和跟踪效果。

(一)实验准备

为了验证设计目标跟踪算法的性能，采用配置为CPU-Intel Pentium(R)Dual-core 3.20 GHz，内存为8 GB，Windows 7 64位系统的电脑，USB摄像头分辨率为640*480像素。选取MATLAB 6.1的软件环境，搭建实验所需的硬件框架(图5)。

图5 实验所需硬件设施

在图5所示的硬件设施下，选取一段嵌入式篮球运动视频在目标场景处播放，并整合为不同的数据集(表1)。

表1 篮球运动视频实验数据集

使用表1实验数据集进行实验，分别对基于压缩特征的鱼眼视频目标跟踪算法(以下简称算法1)、基于模型融合和特征关联的视频目标跟踪算法(以下简称算法2)与基于级联特征的嵌入式篮球运动视频目标跟踪算法所提算法，进行实验，对比3种算法的性能。

(二)实验结果及分析

基于上述实验准备，以算法开始执行为时间记录点，以计算机出现跟踪框为时间统计截止点，统计3种跟踪算法执行时间(图6)。

图6 不同算法跟踪执行时间

由实验结果可知，随着数据集的增加，3种跟踪算法的执行时间随之增加，当数据集达到7个时，算法1的跟踪执行时间为8 s，算法2的跟踪执行时间为11 s，而所提算法的跟踪执行时间为4 s，由此可知，算法2的跟踪执行时间最长，算法1的跟踪执行时间次之，而所提算法的跟踪执行时间最短，具有较高的时效性。

保持上述实验环境不变，以实验数据集中的帧数作为实验对象，设置篮球运动视频在播放过程中，跟踪目标一直在跟踪范围内，规定跟踪目标被遮挡后仍能锁定跟踪目标为成功跟踪过程，汇总统计3种跟踪算法可跟踪的标记目标数量，成功跟踪的标记目标数量如表2所示。

表2 不同算法成功跟踪标记目标数量

由实验结果可知，3种跟踪算法针对实验准备的篮球运动视频数据集表现出了不同的跟踪效果，以实验准备阶段的标记目标为实验对象，算法1的平均成功跟踪标记目标数量为15个，跟踪成功的目标数量最小。算法2的平均成功跟踪标记目标数量为24个，比算法1的成功跟踪标记目标数量更多，而所提算法与标记目标数量相差最小，能够准确跟踪篮球运动视频的标记目标，跟踪效果最佳。综上所述，该文研究的跟踪算法执行时间最短，成功跟踪的目标数量较多，更适合在嵌入式篮球运动视频目标跟踪中使用。

运动视频跟踪一直是人工智能与机器视觉领域的重点研究方向。研究基于级联特征的嵌入式篮球运动视频目标跟踪算法能够改善当前目标跟踪算法执行时间过长及成功跟踪标记目标数量较少的问题，为研究视频目标跟踪算法提供理论研究方向，可满足篮球运动视频在实际运用时的实时性需求。