基于圖像識別的飛鏢計分系統(tǒng)

(杭州電子科技大學圖像圖形研究所，浙江 杭州310018)

0 引 言

雖然數(shù)字圖像處理技術(shù)發(fā)展已久、應用廣泛，但是數(shù)字圖像處理在體育計分中的應用并不常見[1]。一般用于投籃命中率分析[2]、高爾夫球視頻分析[3]等，但在飛鏢計分中的應用尚未得到充分的研究。本文針對飛鏢比賽的計分規(guī)則，飛鏢與飛鏢盤的物理特征，提出了一種基于圖像識別的飛鏢自動計分系統(tǒng)。本文首先運用背景建模得到穩(wěn)定的背景圖像，并提取出前景目標。然后對背景模型和前景分別處理，最后將兩者的處理相結(jié)合，最終實現(xiàn)了對飛鏢落點的自動識別與定位，從而實現(xiàn)了自動計分的功能。

1 系統(tǒng)描述

該系統(tǒng)功能包括實時讀取比賽視頻，提取出每支飛鏢的分數(shù)，并記錄比賽狀態(tài)、管理每位選手的比賽記錄。該系統(tǒng)處理流程如圖1所示，監(jiān)測到的實時的比賽視頻后，首先通過高斯建模得到穩(wěn)定的背景圖像，再將當前圖像與背景圖像相減，得到前景圖像。對前景圖像篩選出有用的前景目標并對其物理特性和運動情況進行分析，確定飛鏢在鏢盤上的位置。與此同時，還要對背景圖像進行定標，將圖像轉(zhuǎn)換為正視圖，最終得出飛鏢落點在飛鏢盤正視圖中的位置，從而計算出這支飛鏢打出的分數(shù)。

圖1 系統(tǒng)流程圖

2 背景建模

2.1 混合高斯模型

混合高斯模型是用來提取視頻中的背景。一般而言單高斯模型對于不是很復雜的場景可以很好地表示出每個象素上顏色矢量的變化。但為了使背景模型可以更好地適應室內(nèi)外環(huán)境的變化，本文使用GRIMSON 等提出的混合高斯模型[4]對顏色特征建模[5]。對每個象素點使用K高斯分布來模擬象素點的背景值，求得每一個觀察到的顏色矢量Xt的概率。令di為Xi時刻的幀的象素值，將P與已排列好的di高斯模型分布進行匹配，如滿足:

則H和該高斯函數(shù)匹配，式中D是參數(shù)(一般取2.5)，σi，t-1是標準差，ui，t是t時刻混合高斯模型中第i高斯分布的均值。如果沒有高斯分布和R 匹配，則ρi，t=ωi，t/σi，t中最小的一個值被新的均值為Xt的高斯分布取代。余下的高斯分布保持相同的均值和方差，但它們可能變小。把K高斯混合模型按ρi，t=ωi，t/σi，t進行降序排列，則最有可能代表背景的高斯分布排在序列前面，所以取前面B個高斯分布聯(lián)機生成背景(其中T為權(quán)重閾值):

2.2 提取目標

通過分析飛鏢比賽視頻，得出以下特點:比賽選手每輪依次投擲3支飛鏢，3支投完后將它們一起取下。投擲過程中，飛鏢沒有擊中飛鏢盤或反彈落地，都認為不得分。選手取飛鏢時，則標志著一輪已經(jīng)結(jié)束。為了便于說明，本文定義以下兩個概念:前景圖像，即當前圖像與背景圖像相減后得到的圖像;前景目標:即比賽選手和飛鏢。

分析發(fā)現(xiàn)，前景圖像中的白點數(shù)對前景目標的出現(xiàn)比較敏感，且不同前景目標出現(xiàn)時，白點數(shù)量的變化具有不同的表現(xiàn)。根據(jù)以上分析，得到如下系統(tǒng)設(shè)計步驟:(1)根據(jù)視頻大小、質(zhì)量等定義閾值S和T，用以區(qū)分前景圖像中白點的不同變化;(2)利用混合高斯模型進行背景建模，并從中提取穩(wěn)定的背景模型作為背景圖像B1;(3)對當前圖像進行去噪、形態(tài)學濾波等優(yōu)化，并與背景B1 相減，得到前景圖像P;(4)計算前景圖像P中的白點的數(shù)量S1，以及相對于前1 張前景圖像白點數(shù)量的變化率T1。將S1和T1 分別與閾值S和T 相比較，并記錄比較結(jié)果;(5)查看當前圖像與前面幾幀圖像的記錄，如果連續(xù)5幀以上圖像都同時滿足S1 ＞S 并且T1 ＞T，則認為比賽選手出現(xiàn)，跳至第7步。如果連續(xù)3幀以上圖像都同時上述條件，則認為飛鏢出現(xiàn)，跳至第6步。其它情況則不處理;(6)飛鏢出現(xiàn)后，白點很快恢復到飛鏢出現(xiàn)前的狀態(tài)，此時形成了新的穩(wěn)定的背景模型，保存為背景圖像B2。B2與B1 這兩張圖像相減即為所求的前景目標，用于做進一步處理。跳至第3步繼續(xù)進行，直到視頻結(jié)束;(7)比賽選手出現(xiàn)后，白點的數(shù)目劇增，選手離開后，白點的數(shù)量再次恢復到無前景目標時的狀態(tài)，此時形成的穩(wěn)定的背景模型作為B1，繼續(xù)進行第三步，直到視頻結(jié)束。

3 定 標

在通常情況下，由于攝像頭與飛鏢盤之間具有一定角度，通過背景建模得到的二維背景模型不能直接計算得分。為了方便后續(xù)處理，需要完成從背景模型到其正視圖的透視變換。

如圖2所示，圖2(a)是通過背景建模得到的穩(wěn)定的背景模型，圖2(b)是參考背景圖像構(gòu)造的正視圖。從圖2(a)中隨機取出N個點，依次記錄其坐標(xαi，yαi)，構(gòu)成大小為N×3的矩陣A。為了獲得較精確的映射效果，應盡量選擇角點且點的數(shù)目不少于8個。同時計算圖2(a)中選擇的點在圖2(b)中對應的點，記錄其坐標(xβi，yβi)構(gòu)成大小N×3的矩陣B。

圖2 從背景到其正視圖的映射

若存在3×3 矩陣C，那么說矩陣C是景模型到正視圖的透視變換矩陣。

透視變換矩陣C 只需要計算一次。在背景模型中的任意一個點(x，y)，都可以通過這個矩陣計算出它在正視圖中對應的坐標(x'，y')。其計算公式如下:

4 飛鏢鏢頭的檢測與分數(shù)的轉(zhuǎn)換

4.1 飛鏢鏢頭的檢測

鏢頭的位置決定了飛鏢的得分，在得到前景目標以后，需要進一步的檢測鏢頭的位置。

飛鏢的物理形態(tài)具有以下特征:飛鏢屬于剛體，運動變化具有很強的結(jié)構(gòu)性，大部分象素點都集中在尾部，而需要檢測的鏢頭細而突出?；谶@樣的物理特征，采用質(zhì)心法可以得到較好的效果。質(zhì)心法即選取距離飛鏢質(zhì)心最遠的點作為飛鏢鏢頭。步驟如下:(1)對于前景目標，求它的質(zhì)心坐標，記為P(Px，Py)，質(zhì)心為所有點坐標的平均值;(2)對于前景目標，進行邊緣檢測，將所有邊緣上的點存儲到數(shù)組X 中;(3)遍歷數(shù)組X中的每一個點，計算每一個點與質(zhì)心的距離式中，Xi是數(shù)組X中的第i點，di是Xi與質(zhì)心P的距離;(4)選取di最小的點為飛鏢鏢頭。

4.2 分數(shù)的轉(zhuǎn)換

飛鏢盤上一共有20個分數(shù)。每個分數(shù)是一個圓心角為18°的扇形區(qū)域。這些扇形又被4個圓環(huán)劃分成了共74個小區(qū)域，每個區(qū)域都代表不同的含義和得分。雖然區(qū)域劃分復雜，但是由于已經(jīng)完成了從背景到其正視圖的映射，可以方便地利用圓的特性來轉(zhuǎn)換分數(shù)。計算步驟如下:(1)把上文中求出的鏢頭，通過映射矩陣C，得到其在正視圖中的映射點，記為H;(2)計算正視圖中飛鏢盤中心點的坐標記為O，以及飛鏢盤的直徑，記為R;(3)計算從飛鏢盤中心指向鏢頭的矢量的大小和方向，記為s，則有公式(4)矢量的方向決定了飛鏢落入哪個分數(shù)的扇形區(qū)域，矢量的大小決定了飛鏢落入第幾個圓環(huán)內(nèi)。根據(jù)矢量的大小和方向求出相應的分數(shù)。

5 實現(xiàn)效果

為了驗證系統(tǒng)的有效性，本文對多段視頻進行了測試，所選視頻均為320×240的avi 格式視頻，幀率為25幀/s。其中包括室內(nèi)場景和室外場景，飛鏢盤與攝像頭之間不同的傾角等。實驗效果如圖3、4所示，其中圖3、4(a)是用背景建模得到的穩(wěn)定的背景模型，圖3、4(b)是第一支飛鏢進入畫面后停留在飛鏢盤上，圖3、4(c)是利用背景差分法檢測出的前景目標，圖3、4(d)是通過質(zhì)心法的實驗效果，圖3、4(d)中紅色的點是檢測出的飛鏢鏢頭。圖3是第一支飛鏢進入畫面的實現(xiàn)效果。圖4是已經(jīng)有一支飛鏢在背景中的讀取飛鏢分數(shù)的實現(xiàn)效果圖。

圖3 第一支飛鏢的實現(xiàn)效果

圖4 第二支飛鏢的實現(xiàn)效果

分別在室內(nèi)和室外測試了10組數(shù)據(jù)，每一組包含3支飛鏢。對應的實驗結(jié)果如表1、2所示，并分別統(tǒng)計了每組中第1支飛鏢、第2支飛鏢與第3支飛鏢的分數(shù)識別的正確率。由于光線的原因，室外的識別效果稍好于室內(nèi)。

表1 飛鏢的分數(shù)識別效果(室內(nèi))

表2 飛鏢的分數(shù)識別效果(室外)

分數(shù)識別錯誤主要是因為飛鏢鏢頭檢測的效果不是很完善。大部分情況下，分離出的前景目標很好地符合文中總結(jié)出來的規(guī)律，但有時候，飛鏢鏢頭被飛鏢尾部或其它飛鏢遮蓋，造成飛鏢鏢頭檢測的錯誤，從而影響了計分的正確性。

6 結(jié)束語

本文依據(jù)飛鏢的比賽規(guī)則和飛鏢的物理特征，先后運用了背景建模、目標提取、定標、邊緣檢測等常用圖像處理方法，提出了一個基于圖像識別的飛鏢自動計分系統(tǒng)，實現(xiàn)了對飛鏢的自動識別與實時計分。實驗結(jié)果表明，本系統(tǒng)具有較好的飛鏢提取效果與較高的計分正確率。對于復雜的背景以及噪聲較大的視頻也具有很好的處理能力。但也存在一些缺陷，比如適應性不強，識別鏢頭的算法也不是很完善。這些是以后要解決的問題。

[1]宋寶杰，宋國鈺.基于視頻的體育運動分析系統(tǒng)的研究與實現(xiàn)[J].電子科技，2009，22(11):76-80.

[2]柴業(yè)宏.數(shù)字圖像處理技術(shù)對影響投籃命中相關(guān)因素的分析[J].合肥工業(yè)大學學報(自然版)，2007，30(12):1 607-1 609.

[3]李蕊，韓亞紅.高爾夫球體育視頻分析系統(tǒng)的開發(fā)[J].電腦知識與技術(shù)，2007，1(4):1 127-1 129.

[4]Dick A R.Issues in Automated Visual Surveillance[C].Sydney:Proc with Digital Image，2003∶195-204.

[5]馬義德，朱望飛，安世霞，等.改進的基于高斯混合模型的運動目標檢測方法[J].計算機應用，2007，27(10):2 544-2 546.