特征篩選和支持向量機的體育視頻識別

王宏霞

摘 要： 為了提高體育視頻識別的準確率，加快體育視頻識別的速度，提出特征篩選和支持向量機的體育視頻識別模型。首先提取體育視頻圖像的特征，并將特征輸入到支持向量機進行訓練；然后根據(jù)訓練樣本得到每一種特征對體育視頻識別的平均貢獻值，并根據(jù)平均貢獻值進行降序排列，去除一些無用、冗余的特征，篩選出重要特征；最后根據(jù)重要特征建立體育視頻識別模型，采用仿真實驗對模型的有效性進行測試和分析。仿真結果表明，該模型提高了體育視頻識別的正確率，而且誤識率要低于對比模型。

關鍵詞： 體育視頻； 支持向量機； 特征篩選； 特征相關性； 識別模型

中圖分類號： TN948.4?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）09?0032?04

Abstract： In order to improve the recognition accuracy of sports video， and speed up the recognition speed of sports video， a sports video recognition model based on feature screening and support vector machine is proposed. The features of the sports video image are extracted， and input into the support vector machine for training. The average contribution value of each feature to the sports video recognition is obtained according to the training samples， and performed with descending sort to eliminate the useless and redundant features， and screen out the important features. The sports video recognition model is established according to the important features. The simulation experiment is used to test and analyze the validity of the model. The results show that the model has improved the recognition correctness of sports video， and its false recognition rate is lower than that of other contrast models.

Keywords： sports video； support vector machine； feature screening； feature correlation； recognition model

0 引 言

體育視頻識別可以幫助人們對體育視頻進行分類，快速找到用戶真正需要的體育視頻，因此對體育視頻進行識別研究具有重要的實際應用價值[1?3]。體育視頻識別包括視頻采集、特征提取和分類與識別等過程，在所有步驟中，特征提取最為關鍵，決定了體育視頻識別結果的好壞[4]。體育視頻識別特征有靜態(tài)特征和動態(tài)特征兩種特征，靜態(tài)特征主要有顏色、尺寸、亮度等，動態(tài)特征包括運動矢量場，靜態(tài)特征和動態(tài)特征只能反映體育視頻信息的部分信息，建立的體育視頻類識別模型性能差，體育視頻類別識別正確率低[5]。為解決該難題，有關研究人員提出采用組合特征的體育視頻識別模型，該模型綜合利用體育視頻的靜態(tài)特征和動態(tài)特征的優(yōu)點，可以更加全面地反映體育視頻的類別，獲得更優(yōu)的體育視頻識別結果[6]。如果包括的靜態(tài)特征和動態(tài)特征過多，那么會使體育視頻識別的速度慢，特征維數(shù)過高，易出現(xiàn)維數(shù)災等缺陷[7]。為此，有學者提出對體育視頻特征進行篩選，篩選出一些重要的體育視頻特征，刪除一些不太重要的體育視頻特征，加快體育視頻識別的速度[8]。如何對特征進行合理篩選十分重要，當前主要采用逐步判別分析法進行體育視頻特征篩選，速度慢，而且難以獲得理想的體育視頻特征篩選結果[9?10]。

為了解決當前體育視頻識別模型的不足，提出特征篩選和支持向量機的體育視頻識別模型，并進行仿真實驗驗證了模型的有效性。

1 特征篩選和支持向量機的體育視頻識別框架

基于特征篩選和支持向量機的體育視頻識別思路為：首先提取紋理特征、顏色特征，并將特征輸入到支持向量機進行訓練；然后根據(jù)訓練樣本得到每一種特征的平均貢獻值，并篩選出重要特征；最后支持向量機根據(jù)重要特征建立體育視頻識別模型，具體框架如圖1所示。

2 體育視頻識別模型的具體設計

2.1 體育視頻的采集和預處理

為了防止光照變化對體育視頻識別結果的干擾，在光照條件好的環(huán)境下采集各種類型的體育視頻，然后對體育視頻進行分幀處理，去掉其中無效的幀，并將幀圖像轉化為灰度圖和二值化處理[11]。

2.2 提取特征

2.2.1 紋理特征

3 實驗結果及分析

為了分析本文提出的體育視頻識別模型的性能，采用Matlab 2012工具箱實現(xiàn)仿真測試，以籃球、足球、排球、羽毛球和乒乓球視頻作為實驗對象，分別選擇10幅體育視頻圖像組成訓練集，10幅體育視頻圖像組成驗證集，首先對它們的特征進行篩選，得到的結果具體如表1所示。從表1可以發(fā)現(xiàn)，顏色特征對體育識別結果的影響比較重要，綜合考慮模型的復雜程度，篩選前八個特征建立體育視頻識別模型。

為了使本文算法的體育視頻結果更具說服力，選擇文獻[8]和文獻[12]的體育視頻識別模型進行對比分析，它們的訓練樣本和驗證樣本的識別正確率如圖2所示，訓練時間和識別時間如圖3所示。

從圖2可以發(fā)現(xiàn)，本文算法的體育視頻識別正確率要高于文獻[8，12]的體育視頻識別模型，可以正確將體育視頻劃分到相應的類別中，獲得了理想的體育視頻識別結果。從圖3可以看出，本文算法的體育視頻識別時間更短，而且訓練時間大幅度下降，具有更快的體育視頻建模和識別速度，驗證了本文算法的優(yōu)越性。

4 結 語

針對體育視頻識別特征數(shù)量大、特征冗余嚴重等問題，提出了特征篩選和支持向量機的體育視頻識別模型。根據(jù)特征對體育視頻識別的平均貢獻值進行特征篩選，實驗結果表明，本文模型大幅度減少了體育視頻識別模型的輸入向量數(shù)量，簡化了識別模型的結構，降低計算時間的復雜度，以較少的特征實現(xiàn)較好的識別結果，不僅提高體育視頻識別率，而且改善了體育視頻識別的效率，具有十分廣泛的應用前景。

參考文獻

[1] 田宏陽，馬文靜.一種動態(tài)場景下基于時空信息的視頻對象提取算法[J].中國圖象圖形學報，2007，12（9）：1653?1658.

[2] ZHU Mingfeng. A novel approach for shaded moving object detection based on fuzzy sets [J]. Advanced materials research， 2012， 433（33）： 5293?5297.

[3] 趙驥，馮闖，邵富群，等.基于自適應幀差和水平集的運動目標檢測和分割[J].信息與控制，2012，41（2）：153?158.

[4] 蔣巍，張健，曾浩.基于智能視頻監(jiān)控系統(tǒng)的運動目標檢測和跟蹤[J].電視技術，2012，36（5）：110?114.

[5] KALAISELVI M， PALANIVEL S. A novel blocks intensity comparison code for video classification and retrieval [J]. Expert systems with applications， 2009， 36： 6415?6420.

[6] LIU J， TONG X F， LI W L， et al. Automatic player detection， labeling and tracking in broadcast soccer video [J]. Pattern recognition letters， 2009， 30（5）： 103?113.

[7] 宋剛，肖國強，代毅，等.基于視頻區(qū)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.

[8] 張龍飛，曹元大，周藝華，等.基于支持向量機元分類器的體育視頻分類[J].北京理工大學學報，2006，26（1）：41?44.

[9] 魯梅，盧忱，范九倫.一種有效的基于時空信息的視頻運動對象分割算法[J].計算機應用研究，2013，30（1）：303?306.

[10] 侯綠林，白亮，老松楊.一種壓縮域中的體育視頻慢鏡頭探測方法[J].計算機科學，2009，36（9）：283?286.

[11] 林彬，劉群，王群，等.足球視頻鏡頭分類方法[J].計算機工程與設計，2012，33（4）：1467?1471.

[12] 曹愛春，楊曉艇，侯旭東.最小二乘支持向量機和證據(jù)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.