王慧玲， 許 寧， 楊景元， 雷 魏

(1.西藏大學(xué) 教育學(xué)院，西藏 拉薩 850000；2.西藏大學(xué) 信息科學(xué)技術(shù)學(xué)院，西藏 拉薩 850000)

網(wǎng)球比賽中，對球及球員的有效快速跟蹤對于比賽視頻的錄制至關(guān)重要，而自動跟蹤球和球員面臨著一些挑戰(zhàn).如球在不同角度或視野中都非常小，且很多時(shí)候球可能是不可見的.尤其在跟蹤網(wǎng)球的背景下，由于球不僅小而且速度快，噪聲是一個(gè)很大的問題，圖像中經(jīng)常出現(xiàn)噪聲，干擾目標(biāo)檢測的過程[1-2].

文獻(xiàn)[3]提出一種背景差分檢測法，能夠消除部分背景噪聲，但是不能消除全部噪聲，且通常需要額外的濾波操作.為了克服由于拍攝的圖像質(zhì)量差而引起的限制，文獻(xiàn)[4]提出了一種改進(jìn)的背景差分檢測方法，使用背景差分檢測獲得二值圖像映射和測量集，并應(yīng)用高斯混合模型處理目標(biāo)跟蹤中的一些不確定性因素，但是在跟蹤檢測大的圖像或物體時(shí)，會消耗更多的處理時(shí)間.文獻(xiàn)[5]中提出了基于多假設(shè)跟蹤器的數(shù)據(jù)關(guān)聯(lián)方法，對一組離散度檢測信號進(jìn)行分區(qū)用以跟蹤，但是并沒有對多目標(biāo)進(jìn)行有效跟蹤.文獻(xiàn)[6]提出了針對球員的檢測和跟蹤方法，通過支持向量分類獲得球員的準(zhǔn)確球場分割區(qū)域，并采用粒子濾波器進(jìn)一步提升性能.文獻(xiàn)[7]針對網(wǎng)球視頻的自動標(biāo)注提出了網(wǎng)球的自動分析方法，將視頻延伸為具有精度的單個(gè)視頻截圖，在合適的位置分類球的區(qū)域軌跡.該方法對慢速球具有較好的跟蹤效果，但是在光照影響或快速球的情況下，效果欠佳.文獻(xiàn)[8]使用網(wǎng)球比賽的自動標(biāo)注技術(shù)結(jié)合粒子濾波器，對網(wǎng)球運(yùn)動進(jìn)行平滑化識別和軌跡觀察，這種方法一般只適用于跟蹤候選網(wǎng)球.本文提出一種基于紅外光譜儀的網(wǎng)球運(yùn)動目標(biāo)跟蹤方法.

1 基于紅外光譜儀的運(yùn)動目標(biāo)跟蹤方法

首先采集運(yùn)動目標(biāo)的干涉圖復(fù)原光譜，將其與實(shí)際光譜進(jìn)行相位差比對，接著構(gòu)建動態(tài)觀測模型，在創(chuàng)建完這個(gè)模型之后，在當(dāng)前幀和下一幀之間利用局部背景加權(quán)確定目標(biāo)標(biāo)記，在所創(chuàng)建的背景圖像中執(zhí)行邏輯與操作并獲得圖像加權(quán)結(jié)果，最后利用局部搜索算法動態(tài)更新粒子動態(tài)觀測模型，提出的方法框架如圖1所示.

1.1 紅外光譜儀采集處理

紅外光譜儀采用PCI的多通道采集卡結(jié)合CPLD作為控制核心，對運(yùn)動目標(biāo)進(jìn)行多路同步采集，采用32位AADC數(shù)模轉(zhuǎn)換芯片作為數(shù)模轉(zhuǎn)換，并用程控增益放大器進(jìn)行信號放大[9].采集時(shí)通過切光的辦法減少自然光干擾，并通過相敏檢測與可編程方法器的方法提高信號信噪比，改善對弱信號的采集.完整的光譜圖不僅需要使用動鏡掃描較長的距離，還要求在較小的間隔內(nèi)對干涉圖進(jìn)行抽樣.但是民用光譜儀的動鏡掃描距離是有限的，其干涉圖信號光程差也是有限的.因此需要對多邊采集到的運(yùn)動目標(biāo)進(jìn)行傅里葉變換，但在光程差截取范圍之外的干涉信息將丟失，造成變換后的光譜圖與理想值存在差距.本文通過旁瓣操作來減小誤差，還原紅外光譜圖信息.首先通過單色光分析運(yùn)動目標(biāo)截止對光譜復(fù)原的影響，其傅里葉變換為單色譜線.單色光經(jīng)過截止后相當(dāng)于原函數(shù)乘以一矩形窗函數(shù)，對其做傅里葉變換后會在單色譜線兩邊出現(xiàn)逐漸減弱的旁瓣振蕩，若要更好地光譜復(fù)原，需要盡可能減小旁瓣.文中采用旁瓣函數(shù)代替矩形函數(shù)實(shí)現(xiàn)對運(yùn)動目標(biāo)的截取，可以緩和矩形窗函數(shù)截止造成的不連續(xù)性.

由采集模塊采集干涉圖復(fù)原的光譜與實(shí)際光譜存在一定的相位差，相位誤差將造成干涉圖函數(shù)中的余弦項(xiàng)發(fā)生變化.干涉圖數(shù)據(jù)點(diǎn)采集漂移引起的相位誤差通常在單邊帶干涉信號采集中出現(xiàn)，因此采用Forman相位矯正法[10]，先計(jì)算短雙邊干涉圖的相位誤差函數(shù)，再通過誤差函數(shù)與干涉圖卷積得到雙邊干涉圖，最后對雙邊干涉圖做傅里葉變換實(shí)現(xiàn)相位矯正.

1.2 動態(tài)觀測模型

動態(tài)觀測模型負(fù)責(zé)管理運(yùn)動目標(biāo)圖像連續(xù)幀之間狀態(tài)的演變，假設(shè)動態(tài)觀測模型p(Xt|Xt-1)，公式如下：

Xt=Xt-1+Vt+ε(x.y.h.a).

速度向量Vt的噪聲ε(x.y.h.a)滿足零均值高斯分布，將Vt和Xt替換，獲得動態(tài)觀測模型：

1.3 背景加權(quán)目標(biāo)標(biāo)記

背景在目標(biāo)跟蹤中作用很大，對于兩個(gè)相似的目標(biāo)，利用背景往往可以很好地區(qū)分，因此將目標(biāo)背景信息融入到目標(biāo)跟蹤中非常必要[11]，目標(biāo)背景模型的權(quán)重計(jì)算公式如下：

(1)

1.4 局部搜索算法

局部搜索算法是通過考慮當(dāng)前和下幀之間的差分來找到候選網(wǎng)球的技術(shù).選擇局部搜索的原因是網(wǎng)球通常是快速移動的，它將在連續(xù)幀中占據(jù)一個(gè)完全不同的像素集，在該連續(xù)幀中，緩慢移動的目標(biāo)會有重疊.估計(jì)球和球員的灰度水平，需要考慮燈光、陰影和距離變化等影響因素.先獲得最佳跟蹤邊界，再通過當(dāng)前和前一時(shí)間步優(yōu)化速度向量為：

XBest,t和XBest,t-1分別為時(shí)間步t和t-1的最佳配置，若粒子直方圖交叉核相對于d*的平均值小于T，則更新粒子集.為了跟蹤效果更好，基于局部搜索算法迭代更新獲取的最佳粒子，并執(zhí)行偏移運(yùn)動以得到新的最佳解，直至最佳解逼近運(yùn)動目標(biāo)的似然值.

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)在來自澳大利亞網(wǎng)球公開賽和溫布爾頓公開賽的視頻序列上進(jìn)行，實(shí)驗(yàn)采用式(2)計(jì)算跟蹤的成功率:

(2)

式中ROIG表示實(shí)況狀態(tài)，ROID表示檢測狀態(tài).在所有幀中計(jì)算成功率，在每個(gè)幀中，當(dāng)這個(gè)分?jǐn)?shù)大于0.5時(shí)，則將其當(dāng)作如表1所示的成功.實(shí)驗(yàn)中檢測了1 000個(gè)幀，其中有50%的幀可以觀測到網(wǎng)球，實(shí)驗(yàn)在不同照明條件、角度、速度下檢測球和球員的跟蹤效果，并將本文的方法與文獻(xiàn)[4]、文獻(xiàn)[6]、文獻(xiàn)[7]的方法進(jìn)行對比.

表1 目標(biāo)跟蹤成功率

從表1可以看出，本文的方法目標(biāo)跟蹤成功率保持在了90%以上，比文獻(xiàn)[4]、文獻(xiàn)[6]、文獻(xiàn)[7]方法的成功率均高.這是因?yàn)樘岢龅姆椒ㄍㄟ^動態(tài)觀測模型提高了識別球和球員的跟蹤精度，并采用目標(biāo)加權(quán)對背景進(jìn)行目標(biāo)標(biāo)記，提高了目標(biāo)的跟蹤成功率.

3 結(jié) 論

本文提出一種基于紅外光譜儀的網(wǎng)球運(yùn)動目標(biāo)跟蹤方法，采用紅外光譜儀中采集模塊采集運(yùn)動目標(biāo)的干涉圖復(fù)原光譜，與實(shí)際光譜進(jìn)行相位差比對，構(gòu)建動態(tài)觀測模型，采用局部背景加權(quán)標(biāo)記運(yùn)動目標(biāo)，最后通過局部搜索算法自適應(yīng)更新動態(tài)觀測模型，完成對運(yùn)動目標(biāo)的自動跟蹤.實(shí)驗(yàn)在來自澳大利亞網(wǎng)球公開賽和溫布爾頓公開賽的視頻序列上進(jìn)行.實(shí)驗(yàn)結(jié)果表明，提出的方法在不同的背景、光照、角度變化的情況下能保持較高的跟蹤成功率.

參考文獻(xiàn)

[1] 邢運(yùn)龍, 李艾華, 崔智高,等. 改進(jìn)核相關(guān)濾波的運(yùn)動目標(biāo)跟蹤算法[J]. 紅外與激光工程, 2016, 45(6): 214-221.

[2] 畢篤彥, 庫濤, 查宇飛,等. 基于顏色屬性直方圖的尺度目標(biāo)跟蹤算法研究[J]. 電子與信息學(xué)報(bào), 2016, 38(5):1099-1106.

[3] XIAO J, STOLKIN R, LEONARDIS A. Single target tracking using adaptive clustered decision trees and dynamic multi-level appearance models[J]. Pattern Recognition, 2017, 103(5): 4978-4987.

[4] 王劉彭, 易年余. 線性有限元誤差的L～2范數(shù)估計(jì)及其應(yīng)用[J]. 湘潭大學(xué)自然科學(xué)學(xué)報(bào), 2018, 40(1): 35-40.

[5] CAMPBELL M. Quantifying the behavior of fish in response to a moving camera vehicle by using benthic stereo cameras and target tracking[J]. Fishery Bulletin-National Oceanic and Atmospheric Administration, 2017, 115(3):343-354.

[6] DONG P, JING Z, GONG D, et al. Maneuvering multi-target tracking based on variable structure multiple model GMCPHD filter[J]. Signal Processing, 2017, 141(12):158-167.

[7] 桑月標(biāo), 馬慶功. 網(wǎng)球視頻中基于背景模型的目標(biāo)跟蹤方法[J]. 湘潭大學(xué)自然科學(xué)學(xué)報(bào), 2017, 39(3): 111-114.

[8] 周明, 涂宏斌. 一種基于改進(jìn)粒子濾波的多目標(biāo)檢測與跟蹤方法[J]. 華東交通大學(xué)學(xué)報(bào), 2016, 33(2): 121-126.

[9] 祁興普, 陳通, 陳斌. 基于Android微型近紅外光譜儀實(shí)時(shí)檢測云系統(tǒng)的實(shí)現(xiàn)[J]. 食品安全質(zhì)量檢測學(xué)報(bào), 2016, 7(5): 1864-1869.

[10] 陸軍, 張藝競, 王成成,等. 相位偏移gamma矯正方法的結(jié)構(gòu)光三維視覺測量技術(shù)[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2017, 46(9): 182-188.

[11] FAN X, XU Z, ZHANG J. Infrared dim and small target background suppression based on improved gradient inverse weighting filter[J]. Opto-Electronic Engineering, 2017, 44(7): 719-724.