鄒業(yè)兵， 朱彥陳， 王 欣， 蘇利強

(1.江西中醫(yī)藥大學 體育教學部，江西 南昌 330004；2.江西中醫(yī)藥大學 計算機學院，江西 南昌 330004；3.南昌大學 體育與教育學院，江西 南昌 330031)

在高水平的訓練中，對運動員的運動關(guān)鍵技術(shù)特征提取是十分必要的.通過對運動技術(shù)動作進行特征提取，能夠獲取高質(zhì)量的技術(shù)動作數(shù)據(jù)[1-4].而高質(zhì)量的技術(shù)動作數(shù)據(jù)在提升運動訓練質(zhì)量乃至獲取更高水平運動成績方面都是十分重要的.近年來，一些研究人員對該領(lǐng)域進行了深入研究.文獻[5]提出了基于三維視覺系統(tǒng)圖像特征和三維信息的運動估計方法，該方法基于三維視覺系統(tǒng)實時獲取場景二維圖像信息和按二維圖像像素對應的空間三維信息.文獻[6]提出了一種基于稀疏模型實現(xiàn)光流和遮擋的計算檢測，發(fā)展一個魯棒稀疏模型和一個稀疏模型用于運動目標的跟蹤，并基于稀疏模型實現(xiàn)動作識別.文獻[7]對常見的運動目標檢測方法原理進行了介紹，分析總結(jié)了現(xiàn)有的幾種經(jīng)典運動目標檢測算法的優(yōu)劣.

隨著數(shù)字圖像處理技術(shù)的逐步成熟，紅外圖像序列逐漸進入研究者的視野[8-9].基于此，本文提出了一種基于光學圖像采集器的網(wǎng)球運動員姿勢識別算法.

1 提出姿勢識別方法

提出了一種基于紅外圖像序列的排球運動關(guān)鍵技術(shù)特征提取方法.首先，獲取紅外圖像序列的排球運動圖像，并對紅外圖像序列中的運動目標進行檢測和提取.進一步用圖像分割方法進行邊緣分割.然后，基于視點跟蹤切換方法進行閾值分析，實現(xiàn)對運動目標的準確跟蹤和提取.所提出的方法總體結(jié)構(gòu)如圖1所示.

1.1 目標檢測與圖像分割

紅外圖像序列的幀差圖像反映了運動目標引起的變化，可以據(jù)此確定運動目標所在區(qū)域.位移幀差Δk(x,y)可以表示為：

Δk(x,y)=|Ik(x,y)-Ik-1(x,y)|,

式中，Ik(x,y)是第k幀的亮度分布.已有的研究結(jié)果表明，由噪聲引起的背景方差變化，一般小于由運動目標引起的背景方差變化.記H1、H0為動目標和噪聲引起的變化,H0情況下，令σ表示背景圖像的均值，則噪聲模型分布函數(shù)為：

式中，P為H0假設(shè)下的樣本概率，x是幀差圖中樣本點灰度值，μb為圖像噪聲的標準差.然后即可通過閾值T來判定幀差圖像中像素的歸屬，對幀差圖像的各像素點一次進行掃描，計算質(zhì)心像素點所在的窗口偏差：

閾值T將樣本空間分成兩部分.

1.2 運動特征提取

通過上述的時域分割結(jié)果可以標記出運動目標的大概位置.

在上述進行的目標檢測與圖像分割的基礎(chǔ)上，基于視點跟蹤切換方法進行閾值分析，實現(xiàn)對運動目標的準確跟蹤和提取.首先，通過視點跟蹤切換，沿梯度方向搜索動作平面上的特征信息.采用小波分解方法[10-11]進行相位加權(quán)，得到角度信息：

將圖像邊緣幅度信息分解為沿梯度方向的兩個分量，采用高階平移泰勒展開式方法，進行單幀視頻跟蹤，即

此時，得到偏移量的幅度和相位等關(guān)鍵技術(shù)指標信息.通過多層網(wǎng)格分解，在運動特征迭代式中代入，從而得到：

用矩陣X表示目標特性的曲線軌跡，并提取二階特征向量.假設(shè)判別條件成立，可得到二階矩陣特征向量如下：

式中，(x,y)表示運動目標特征的數(shù)字圖像的旋度補償，其形式為：

通過上述分析推理，得到運動目標特征振幅分量和頻率分量如下：

2 實驗

為了測試本文方法特征提取的性能，選取了接球、扣球和發(fā)球3個排球運動關(guān)鍵技術(shù)動作進行實驗驗證，如圖2(a)、(c)、(e)所示.在運動員進行接球、扣球以及發(fā)球動作的瞬間，捕捉細節(jié)特征，并通過幾種技術(shù)姿勢的前景特征提取，實現(xiàn)運動感知數(shù)據(jù)的輸出.基于本文的方法進行動作特征提取，得到的提取結(jié)果如圖2(b)、(d)、(f)所示.

表1 傳統(tǒng)方法與本文方法提取精度對比

本文方法獲取基于紅外圖像序列的排球運動圖像，并對紅外圖像序列中的運動目標進行檢測和提取，進一步基于視點跟蹤切換方法進行閾值分析，實現(xiàn)對運動目標的準確跟蹤和提取，保證了動作特征提取的精確度.對100 幅排球運動圖像進行基于傳統(tǒng)方法與本文方法的特征提取，最終結(jié)果如表1所示.

實驗表明，本文提出的方法準確性和效率均高于傳統(tǒng)方法.

參考文獻

[1] 秦磊, 胡瓊, 黃慶明,等. 基于特征點軌跡的動作識別[J]. 計算機學報, 2014, 37(6): 1281-1288.

[2] 桑月標, 馬慶功. 網(wǎng)球視頻中基于背景模型的目標跟蹤方法[J]. 湘潭大學自然科學學報, 2017, 39(3): 111-114.

[3] KANEKO H, MURAKAMI M, NISHIZAWA K. Prevalence and clinical features of sports-related lumbosacral stress injuries in the young[J]. Archives of Orthopaedic & Trauma Surgery, 2017, 137(5):685.

[4] 呂福起, 李霄民. 利用MLT和SRS的混合圖像融合與去噪算法[J]. 湘潭大學自然科學學報, 2018, 40(1): 111-114.

[5] FAN Y C, CHEN Y C, LU C C, et al. Optimal displacement control and image warping architecture for 3D vision system[C]// IEEE International Symposium on System Integration. IEEE, 2014: 138-142.

[6] 陳鵬光. 基于稀疏模型的運動跟蹤識別算法[D].廣州：華南理工大學, 2016.

[7] 余路. 特征提取在運動目標檢測中的應用分析[D]. 武漢：中南民族大學, 2013.

[8] LIANG L, GU G, QIAN W, et al. Infrared image sequence mosaic based on feature points and Poisson fusion [J]. Infrared & Laser Engineering, 2013, 42(9): 2584-2588.

[9] JIAN B L, CHEN C L, CHU W L, et al. The facial expression of schizophrenic patients applied with infrared thermal facial image sequence [J]. Bmc Psychiatry, 2017, 17(1): 223-229.

[10] 趙偉. 基于DWT和隨機森林的運動自動分類方法[J]. 湘潭大學自然科學學報, 2018, 40(1): 107-110.

[11] 馬敏, 張彩霞, 陸成超,等. 基于小波變換的ECT圖像處理[J]. 中南大學學報(自然科學版), 2016, 47(6): 1947-1952.