基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類研究

張玉蘭

摘 要：為了提高體育視頻類型分類的正確率，設(shè)計了基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類方法。首先分析當(dāng)前體育視頻類型分類的研究進(jìn)展，介紹了機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類原理，然后提取體育視頻類型分類的特征向量，并引入機(jī)器學(xué)習(xí)技術(shù)中的支持向量機(jī)構(gòu)建體育視頻類型的分類器，最后通過多種體育視頻數(shù)據(jù)進(jìn)行仿真測試。結(jié)果表明，機(jī)器學(xué)習(xí)技術(shù)克服了當(dāng)前體育視頻類型分類方法存在的弊端，提高了體育視頻類型分類的正確率，體育視頻類型分類誤差要小于比對方法，獲得了理想的體育視頻類型的分類結(jié)果。

關(guān)鍵詞：機(jī)器學(xué)習(xí)技術(shù);運(yùn)動視頻;分類效果;特征向量;仿真測試

中圖分類號：TP 391

文獻(xiàn)標(biāo)志碼：A

文章編號：1007-757X（2020）11-0042-03

Abstract：In order to improve the accuracy of classification of sports video types， a classification method based on machine learning technology is designed. First of all， this paper analyzes the current research progress of sports video type classification， describes the principle of sports video type classification based on machine learning technology， then extracts the feature vector of sports video type classification， introduces the support vector mechanism of machine learning technology to build the sports video type classifier， and finally conducts simulation test through a variety of sports video data. The results show that the machine learning technology overcomes the shortcomings of the current sports video classification methods， improves the accuracy of sports video classification. The classification error of sports video types is less than the comparison method. The design obtains the ideal sports video classification results.

Key words：machine learning technology;motion video;classification effect;eigenvector;simulation test

0?引言

相對于其它類型的信息，視頻包含的信息量更加豐富，更受人們的歡迎，其中體育視頻就是一種十分重要的視頻。每天體育視頻以爆炸式的速度增長，體育視頻管理面臨巨大的挑戰(zhàn)[1]。體育視頻的分類可以加快體育視頻檢索效率，可以讓用戶找到自己真正的需要的體育視頻，可以指導(dǎo)運(yùn)動的訓(xùn)練和比賽。因此，體育視頻類型分類技術(shù)成為當(dāng)前體育視頻管理領(lǐng)域中一個重要研究內(nèi)容[2]。

針對體育視頻類型分類問題，全世界許多研究人員投入許多的時間和精力，體育視頻類型分類的研究可以劃分為兩個階段[3-4]：人工階段和自動階段。人工階段消耗時間長，無法對海量的體育視頻進(jìn)行分類，體育視頻分類的工作量比較大。自動階段基于計算機(jī)自動化技術(shù)，最近幾十年來有了長足的發(fā)展[5]。在體育視頻類型的自動分類過程中，首先要提取體育視頻類型特征向量，如視覺特征、音頻特征、場地面積特征、運(yùn)動特征等。由于體育視頻變化比較復(fù)雜，單一特征難以描述體育視頻類型，因此當(dāng)前要主要采用多種特征組合在一起進(jìn)行體育視頻類型分類[6-8]。體育視頻類型分類還要建立分類器，當(dāng)前采用隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)等，在實際應(yīng)用中，隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)均有一定的缺陷，導(dǎo)致分類體育視頻類型分類的正確率低，分類體育視頻類型分類實時性差等[9-11]。

為了降低了分類體育視頻類型分類錯誤率，設(shè)計了基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類方法。首先提取體育視頻類型分類的特征向量，然后引入機(jī)器學(xué)習(xí)技術(shù)中的支持向量機(jī)構(gòu)建體育視頻類型的分類器，最后通過多種體育視頻數(shù)據(jù)進(jìn)行仿真測試，驗證了本文方法的體育視頻類型分類性能。

1?基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類方法

1.1?提取體育視頻特征向量

1.1.1?提取體育視頻顏色特征向量

體育視頻的最小單位為視頻圖像中幀，為了有效區(qū)域不同類型的體育視頻，需要提取能描述視頻類型的特征，當(dāng)前特征主要有顏色、紋理、邊緣等。顏色是一種使用最為廣泛的體育視頻特征，最容易引起人們的注意，顏色空間是顏色特征提取的基礎(chǔ)。RGB空間是最常用的顏色空間，可以通過非線性變換得到HSV空間，更適合于模仿人的視覺系統(tǒng)。兩者的轉(zhuǎn)換關(guān)系，如式（1）—式（3）。

顏色直方圖是一種描述彩色圖像的色彩特征，計算公式如式（4）。

式中，N表示顏色的種類，h（i）表示第種顏色的像素數(shù)。

為了更好的描述體育視頻的顏色特征，進(jìn)行歸一化處理，如式（5）。

式中，n×m表示體育視頻圖像的分辨率。

對于一幅體育視頻圖像，顏色可以描述體育視頻圖像顏色的空間分布關(guān)系，如圖1所示。

1.1.2?提取體育視頻紋理特征向量

紋理是用來描述體育視頻圖像的光滑、粗糖和規(guī)則程度，與圖像顏色或者亮度特征無關(guān)，對環(huán)境變化的魯棒性好，粗糙度是一種重要的紋理特征，本文選擇其粗糙度構(gòu)建體育視頻紋理特征向量。粗糙度特提取步驟如下。

（1） 一個活動窗口

大小為2k*2k，計算其中像素的平均灰度值，如式（6）。

（2） 計算每個像素的水平和垂直方向的兩個鄰域邊緣像素的均值差值，如式（7）、式（8）。

（3） 從多個鄰域確定每一個像素的最佳尺寸，如式（9）。

（4） 將整幅體育視頻圖像Sbest的平均值作為粗糙度，即得到體育視頻圖像的紋理特征，如式（10）。

1.2?支持向量機(jī)算法

1.3?支持向量機(jī)構(gòu)建的體育視頻類型分類器

體育視頻類型有多種類型，例如足球、籃球、乒乓球、網(wǎng)球、羽毛球等，是一個多分類問題，而支持向量機(jī)是一種針對兩分類問題的機(jī)器學(xué)習(xí)技術(shù)，因此需要將多個二分類器組合在一起得到一個多分類器，本文采用“1對1”方式構(gòu)建，然后通過投標(biāo)方式得到體育視頻類型的分類結(jié)果，如圖2所示。

2?仿真測試

2.1?測試數(shù)據(jù)及環(huán)境設(shè)置

為了驗證基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類效果，選擇最常用的體育視頻數(shù)據(jù)作為測試對象，如表1所示。

仿真測試環(huán)境為：Window 10的操作系統(tǒng)，VC++ 2013的編程工具，采用Intel 奔騰G4560，金士頓DDR4 2400 16G RAM。

2.2?分類器參數(shù)值的確定

由于選擇徑向基核函數(shù)建立支持向量機(jī)的體育視頻類型分類器，因此確定參數(shù)C和σ的值。為測試實驗結(jié)果的公平性，進(jìn)行5次仿真實驗，分別從每一類體育視頻隨機(jī)選擇3/5的樣本組成訓(xùn)練樣本集合，余下的作為測試樣本集合，采用10折交叉驗證法確定每一次仿真實驗的體育視頻分類器參數(shù)，如表2所示。

2.3?體育視頻類型分類結(jié)果對比

選擇文獻(xiàn)[10]和RBF神經(jīng)網(wǎng)絡(luò)的體育視頻類型分類方法進(jìn)行對比實驗，統(tǒng)計每一次仿真實驗的體育視頻類型分類正確率，如圖2所示。

對圖2的體育視頻類型分類正確率進(jìn)行分析可以發(fā)現(xiàn)。

（1） 文獻(xiàn)[10]的體育視頻類型分類正確率最低，因為該方法認(rèn)為體育視頻類型分類特征向量和體育視頻類型之間是一種線性映射關(guān)系，這與情況不相符，在此體育視頻類型分類錯誤率最高。

（2） RBF神經(jīng)網(wǎng)絡(luò)的體育視頻類型分類正確率要高于文獻(xiàn)[10]方法的體育視頻類型分類正確率，主要是因為RBF神經(jīng)網(wǎng)絡(luò)認(rèn)為特征向量和體育視頻類型之間是一種非線性映射關(guān)系，而且可以很擬合的這種非線性映射關(guān)系，但是由于RBF神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風(fēng)險最大原則，當(dāng)樣本的數(shù)量比較小時，體育視頻類型分類結(jié)果不穩(wěn)定。

（3） 本文方法的體育視頻類型分類率遠(yuǎn)遠(yuǎn)高于文獻(xiàn)[10]和RBF神經(jīng)網(wǎng)絡(luò)，因為本文方法克服了文獻(xiàn)[10]的線性建模缺陷，同時不存在RBF神經(jīng)網(wǎng)絡(luò)需要大樣本的局限性，獲得了更好的體育視頻類型分類結(jié)果。

2.4?體育視頻類型分類效率對比

統(tǒng)計本文方法與對比方法的體育視頻類型分類的訓(xùn)練時間和測試時間，單位為秒（s），用其評價體育視頻類型分類的效率，結(jié)果表3所示。對表2的實驗結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，3種方法的體育視頻類型分類的測試時間相差不大，但是訓(xùn)練時間差別比較大，其中本文方法的訓(xùn)練時間最短，因此體育視頻類型分類的總時間最少，提高了體育視頻類型分類效率，如表3所示。

3?總結(jié)

體育視頻類型可以幫助用戶快速找到自己真正需要的視頻數(shù)據(jù)，為了解決當(dāng)前體育視頻類型分類過程中的一些問題，如錯誤率高、速度慢、通用性差等缺陷，提出了基于機(jī)器學(xué)習(xí)技術(shù)的體育視頻類型分類方法，并與其它方法在相同測試條件下，對于相同的體育視頻進(jìn)行了對比分析。測試結(jié)果表明，機(jī)器學(xué)習(xí)技術(shù)可以準(zhǔn)確、有效的區(qū)分各種體育視頻，降低了體育視頻出現(xiàn)誤分的概率，具有比較廣的應(yīng)用范圍。

參考文獻(xiàn)

[1] 鄧小亞.基于RGB顏色空間的視頻運(yùn)動目標(biāo)檢測[J].西南師范大學(xué)學(xué)報（自然科學(xué)版），2019，44（3）：119-123.

[2]?薛陽，張亞飛，楊天宇，等.一種針對抖動視頻序列的運(yùn)動目標(biāo)檢測算法[J].激光與光電子學(xué)進(jìn)展，2018，55（9）：332-338.

[3]?張壯暑，蔡曉東，張學(xué)敏.監(jiān)控視頻中運(yùn)動目標(biāo)識別分類系統(tǒng)研究[J].電視技術(shù)，2012，36（23）：165-167.

[4]?張馨嬌，李建萍.體育視頻中基于卡爾曼濾波器的運(yùn)動員人臉檢測識別方法[J].湘潭大學(xué)自然科學(xué)學(xué)報，2017，39（4）：95-98.

[5]?石念峰，侯小靜，張平. 時空特征局部保持的運(yùn)動視頻關(guān)鍵幀提取[J].計算機(jī)應(yīng)用， 2017，37（9）：2605-2609.

[6]?曹愛春，楊曉艇，侯旭東. 最小二乘支持向量機(jī)和證據(jù)理論融合的體育視頻分類[J].計算機(jī)工程與應(yīng)用，2013，49（23）：95-99.

[7]?朱映映，朱艷艷，文振焜.基于類型標(biāo)志鏡頭與詞袋模型的體育視頻分類[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2013，25（9）：1375-1383.

[8]?邢吉生，楊禮，尚祖飛，等.支持向量機(jī)在視頻運(yùn)動目標(biāo)分析中的應(yīng)用[J].吉林大學(xué)學(xué)報（理學(xué)版），2013，51（1）：107-110.

[9]?韓東. 基于向量機(jī)的體育運(yùn)動視頻自動分類方法設(shè)計[J].現(xiàn)代電子技術(shù)，2019，42（7）：79-81.

[10]?朱欣華.多特征和神經(jīng)網(wǎng)絡(luò)相融合的體育視頻識別[J].湖南科技大學(xué)學(xué)報（自然科學(xué)版），2015，30（4）：97-102.

[11]?吳鵬，林新棋，李海濤，等.基于顏色紋理和SVM的體育視頻分類[J].福建師范大學(xué)學(xué)報（自然科學(xué)版），2014，30（2）：34-41.

（收稿日期：2019.09.02）