運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤方法研究

張 偉

(安徽機(jī)電職業(yè)技術(shù)學(xué)院 公共基礎(chǔ)部，安徽 蕪湖 241002)

在計(jì)算機(jī)視覺環(huán)境下，采用圖像處理技術(shù)進(jìn)行運(yùn)動(dòng)視頻監(jiān)測，結(jié)合對(duì)人體運(yùn)動(dòng)視頻的特征檢測結(jié)果進(jìn)行運(yùn)動(dòng)動(dòng)作指導(dǎo)，提高體育運(yùn)動(dòng)的自動(dòng)規(guī)劃和動(dòng)作標(biāo)記能力，在運(yùn)動(dòng)視頻中進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤，并根據(jù)結(jié)果跟蹤進(jìn)行體育訓(xùn)練的動(dòng)作指導(dǎo)和設(shè)計(jì)，相關(guān)的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤方法研究受到人們的極大關(guān)注[1].

對(duì)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤是建立在圖像的信息融合和特征提取基礎(chǔ)上，獲取運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像區(qū)域的特征參數(shù)，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像區(qū)域的包絡(luò)檢測，從而準(zhǔn)確定位運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作區(qū)域，實(shí)現(xiàn)定點(diǎn)標(biāo)記，但上述方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的自適應(yīng)性能不好[2]，計(jì)算開銷較大，針對(duì)上述問題，本文提出一種基于邊緣相似性特征分割的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤方法.采用分區(qū)域特征匹配方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像采集和分塊融合性檢測，采用動(dòng)態(tài)特征融合技術(shù)進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的融合跟蹤識(shí)別，提取運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的邊緣輪廓特征值，結(jié)合模糊像素區(qū)域性融合技術(shù)實(shí)現(xiàn)對(duì)人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)檢測，采用邊緣相似性變換進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)特征分割，根據(jù)分割結(jié)果實(shí)現(xiàn)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤.最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤能力方面的優(yōu)越性能.

1 人體目標(biāo)動(dòng)作圖像采集和分區(qū)域特征匹配

1.1 人體目標(biāo)動(dòng)作圖像采集

圖1 運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作 特征點(diǎn)二維流行場分布模型

為了實(shí)現(xiàn)對(duì)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤，首先構(gòu)建運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的特征分析模型，采用分區(qū)域特征匹配方法進(jìn)行二維運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的分塊融合性檢測，采用銳化模板增強(qiáng)技術(shù)進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作特征點(diǎn)標(biāo)記[3]，運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作特征點(diǎn)二維流行場分布模型如圖1所示.

根據(jù)圖1所示的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的二維流行場分布結(jié)構(gòu)，得到運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的空間區(qū)域像素特征分量[4,5]，構(gòu)建運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的模板匹配函數(shù)f(gi)為

(1)

式(1)中，c1為關(guān)節(jié)點(diǎn)個(gè)數(shù)，λ為像素特征分量，υij為人體移速度，σ1為動(dòng)態(tài)噪聲系數(shù)，ε為人體目標(biāo)差異，ρj運(yùn)動(dòng)圖像的幀數(shù).由此獲得運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像三維動(dòng)態(tài)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的背景差分量，在運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的三維特征分布區(qū)域中進(jìn)行特征分解，采用RGB分解方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的顏色特征分解，RGB分解式為

(2)

運(yùn)動(dòng)視頻圖像核密度函數(shù)Φ(Tn)由下式給出

Φ(Tn)=f(Gn)+g(Gn)+h(Gn)

(3)

采用分區(qū)域特征匹配方法進(jìn)行二維運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的分塊檢測和信息融合處理[6]，采用多重分形技術(shù)進(jìn)行塊匹配，結(jié)合多重分形方法，得到運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像分區(qū)域網(wǎng)格分割的線性方程組為

(4)

在運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的動(dòng)作標(biāo)記點(diǎn)具有隨機(jī)性，結(jié)合像素空間融合技術(shù)，進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤和識(shí)別.

1.2 圖像分區(qū)域特征匹配

采用分區(qū)域特征匹配方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像采集和分塊融合性檢測，定義運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的Gibbs先驗(yàn)?zāi)芰亢瘮?shù)如下式所示

(5)

(6)

(7)

式(6)、式(7)中δ和ε分別表示運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的先驗(yàn)特征系數(shù)和關(guān)聯(lián)系數(shù)，在局部區(qū)域Potts模型中，采用分區(qū)域特征匹配方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的分塊融合處理[8]，得到信息融合輸出為

(8)

(9)

式(9)中：x1,x2,x3...xT是人體目標(biāo)動(dòng)作圖像的子塊模板匹配集，T為動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的紋理寬度.建立運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的統(tǒng)計(jì)形狀模型，結(jié)合多重分形方法，得到人體目標(biāo)動(dòng)作的邊緣像素集為

(10)

式(10)中

(11)

根據(jù)上述分析，進(jìn)行人體目標(biāo)動(dòng)作的分區(qū)域特征匹配，采用動(dòng)態(tài)特征融合技術(shù)進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的融合跟蹤識(shí)別[10].

2 人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤優(yōu)化

2.1 動(dòng)態(tài)特征融合

在上述采用分區(qū)域特征匹配方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像采集和分塊融合性檢測的基礎(chǔ)上，進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤算法設(shè)計(jì)，本文提出一種基于邊緣相似性特征分割的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤方法，提取運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的顏色邊界信息特征量，得到運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像超像素的亮度特征

(12)

(13)

由此得到了超像素運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像多尺度融合和分割模型，運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的模糊特征分量分別為

(14)

運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像動(dòng)作標(biāo)記點(diǎn)區(qū)域像素融合模型為

(15)

采用圖像RGB值匹配方法進(jìn)行二維運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的分塊融合處理，進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的動(dòng)態(tài)融合跟蹤識(shí)別.

2.2 人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)特征分割及動(dòng)態(tài)跟蹤

采用深度殘差學(xué)習(xí)方法進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)特征分割，初始化運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的水平像素集[11]，用活動(dòng)輪廓套索方法進(jìn)行圖像高分辨重構(gòu)，重構(gòu)圖像如下

(16)

ELBF為運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的局部灰度能量項(xiàng)，ELGF是局部梯度能量項(xiàng)，得到運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像的局部動(dòng)態(tài)特征量提取結(jié)果描述為

(17)

(18)

假設(shè)A，B為人體兩個(gè)動(dòng)作，采用邊緣相似性特征分割方法進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)檢測，將人體動(dòng)作通過二維流形分析[12]，得到動(dòng)作標(biāo)記點(diǎn)的邊緣輪廓特征分布函數(shù)

(19)

(20)

采用邊緣相似性變換進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)特征分割，根據(jù)分割結(jié)果實(shí)現(xiàn)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤分別對(duì)f1,f2,|?f1|,|?f2|極小化處理，得到人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)及動(dòng)態(tài)特征匹配表達(dá)式如下所示

(21)

(22)

根據(jù)回歸分析模型，采用非線性回歸函數(shù)進(jìn)行自適應(yīng)調(diào)整，結(jié)合模糊像素區(qū)域性融合技術(shù)實(shí)現(xiàn)對(duì)人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)檢測，提高人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤和特征分辨能力.

3 仿真實(shí)驗(yàn)

為了驗(yàn)證本文方法在實(shí)現(xiàn)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤中的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)分析，實(shí)驗(yàn)在Matlab 2012平臺(tái)下進(jìn)行編程，對(duì)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的采集像素級(jí)為2000，動(dòng)態(tài)特征點(diǎn)的個(gè)數(shù)設(shè)定24，邊緣相似度特征量λ設(shè)定為0.01，采用124×120像素點(diǎn)進(jìn)行動(dòng)態(tài)跟蹤識(shí)別，圖像的幀采集數(shù)為230～400幀，得到運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作特征采集結(jié)果如圖2所示.

圖2 運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作特征采集

圖3 運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的輪廓特征提取

圖4 人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤結(jié)果

以圖2的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作特征結(jié)果為輸入，采用動(dòng)態(tài)特征融合技術(shù)進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的融合跟蹤識(shí)別，提取運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的邊緣輪廓特征值，如圖3所示.

根據(jù)特征提取結(jié)果實(shí)現(xiàn)對(duì)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤，得到跟蹤結(jié)果如圖4所示.

分析圖4得知，采用本文方法能有效實(shí)現(xiàn)運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤識(shí)別，測試不同方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的精度，得到對(duì)比結(jié)果見表1，分析表1得知，本文方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的準(zhǔn)確性較高.

表1 人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的準(zhǔn)確性對(duì)比

4 結(jié) 語

在運(yùn)動(dòng)視頻中進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤，并根據(jù)跟蹤結(jié)果進(jìn)行體育訓(xùn)練的動(dòng)作指導(dǎo)和設(shè)計(jì)，本文提出一種基于邊緣相似性特征分割的運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤方法.采用分區(qū)域特征匹配方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作圖像采集和分塊融合性檢測，采用動(dòng)態(tài)特征融合技術(shù)進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)的融合跟蹤識(shí)別，提取運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作的邊緣輪廓特征值，結(jié)合模糊像素區(qū)域性融合技術(shù)實(shí)現(xiàn)對(duì)人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)檢測，采用邊緣相似性變換進(jìn)行人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)特征分割，根據(jù)分割結(jié)果實(shí)現(xiàn)動(dòng)作標(biāo)記點(diǎn)的動(dòng)態(tài)跟蹤.研究得知，本文方法進(jìn)行運(yùn)動(dòng)視頻中人體目標(biāo)動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的準(zhǔn)確性較好，動(dòng)態(tài)跟蹤能力較強(qiáng).