姚晶晶

( 安徽新華學院,安徽 合肥 230088)

運動軌跡是運動訓練學術語，指的是身體某一部分從開始位置到結束位置所經過的路線組成的動作的空間特征.從形態(tài)上來講，運動軌跡形式主要有直線與曲線形式，從關節(jié)節(jié)點的矢狀面、額狀面以及垂直面三個平面來確定軌跡的運動方向[1].對體育運動視頻人體關節(jié)點運動軌跡自動識別可以為大眾體育提供豐富的運動形式，加強落實我國體育教育基礎，促進國家體育后備人才的培養(yǎng).國外針對人體關節(jié)點運動軌跡自動識別方法研究較早，利用傳感器記錄人體關節(jié)運動序列，在此基礎上發(fā)明了侵入式運動捕捉設備[2].國內針對該識別方法研究起步較晚，但已進入高速發(fā)展的階段，高校科研人員已總結改進得到了多種識別算法，為研究人體運動提供了很大的便利.

1 體育運動視頻人體關節(jié)點運動軌跡自動識別方法

1.1 檢測體育運動視頻人體運動目標

體育視頻中同時存在前景及背景，所以在檢測體育運動視頻運動目標時，濾除視頻中的背景，提取出運行的人體目標[3].控制體育運動視頻內的背景處在靜止或是變化不大的幀數下，利用背景差分法檢測視頻內的前景，假設視頻內部所有像素點獨立，將該幀數下的體育運動視頻減去對應的背景圖像，得到該幀下的前景目標，為了去除該前景目標中的噪聲，二值化處理前景圖像中的閾值，計算公式為：

(1)

其中，F(xiàn)(x,y)表示提取前景目標的某幀，B(x,y)表示體育視頻內的背景圖像，T表示二值化的閾值.當體育視頻內前景與背景像素顏色相近或是背景發(fā)生變化時，上述提取得到的前景存在一定的非自適應問題，利用高斯模型處理背景圖像中的像素亮度[4]，控制像素亮度服從如下關系：

FB(x,y)～N(u,d)

(2)

其中，u表示高斯分布函數的均值，d表示高斯分布函數方差.隨著體育運動視頻內背景環(huán)境不斷變化，體育運動視頻中像素高斯分布形態(tài)也不斷變化，調整上述計算公式中的均值及方差參數，不斷更新背景模型，計算公式如下：

(3)

其中，f(x,y)表示前景標記，α表示體育運動視頻內的幀率.若當前幀的像素點與更新的背景圖像對應的均值差大于閾值時，則更新過的該像素點為前景點.若均值差小于或是等于閾值時，則該像素點為背景點[5].為了防止該更新過程受到其他運動物體的干擾，調高識別的魯棒性，利用CodeBook模型處理上述更新過程，計算更新過程中像素點顏色失真的程度，計算公式如下：

(4)

其中，ε表示對應幀內的顏色失真系數，N表示體育運動圖像更新過程的總幀數.在該失真程度系數的控制下，計算像素點的亮度范圍，計算公式如下：

(5)

其中，S表示像素點的亮度范圍，R表示像素點對應的亮度半徑.利用codewords統(tǒng)計計算得到的像素顏色失真程度及亮度范圍，整合為像素點的CodeBook[6]，當體育運動視頻圖像發(fā)生變化時，匹配新圖像與整合過的像素點CodeBook，匹配過程如圖1所示.

按照如圖1所示的匹配過程，從分圖a開始分離該幀的前后背景，形成分圖b，利用高斯分布處理分離后的圖像，不斷更新目標的背景，形成分圖c，匹配像素點后最終形成分圖d，不斷匹配體育運動視頻中運動目標所有幀的像素點[7]，完成對體育運動視頻內運動目標的檢測.提取檢測得到的體育運動視頻內運動人體關節(jié)并跟蹤，最終實現(xiàn)人體關節(jié)點運動軌跡自動識別[8].

1.2 人體關節(jié)提取及跟蹤

對人體關節(jié)提取前，選用具有特征性及代表性的關節(jié)點，選取的關節(jié)點如圖2所示：

圖1 像素點匹配過程

由圖2所示的關節(jié)點，關節(jié)序號對應的人體部位關系，如表1所示：

表1 關節(jié)序號對應人體部位

按照如表1所示標記的關節(jié)節(jié)點，保持圖2人體拓撲結構不變，采用分塊采樣算法跟蹤人體關節(jié)點，根據不同的運動視頻時間點估計運動視頻維度參數[9]，重復估計維度參數，選定視頻中某個關節(jié)節(jié)點作為目標1，估算該目標的運動狀態(tài)，估算公式如下：

(6)

其中，x表示上一時刻目標關節(jié)點1與關節(jié)點2位置的狀態(tài)向量，x′表示關節(jié)點1的可能的位置，x″表示當前時刻下，目標關節(jié)點1及目標關節(jié)點2位置的狀態(tài)向量，n表示關節(jié)點的數量，h1及h2表示關節(jié)點的動力學函數.在上述計算得到的參數控制下，體育運動視頻內的運動人體在一個狀態(tài)空間中，按照關節(jié)點的不同，將該狀態(tài)空間分解為16個獨立的子狀態(tài)空間[10]，利用一個二維向量空間來表示該子狀態(tài)空間：

κM=(x,y)(M=1,2,...,16)

(7)

其中，(x,y)表示關節(jié)點在子狀態(tài)空間內的坐標，在每個時間步t中，人體關節(jié)點的運動狀態(tài)就可分解為子狀態(tài)，分解過程如下：

Zt∈κM(M=1,2,...,16)

(8)

其中，Zt表示關節(jié)點運動子狀態(tài).由上述處理公式可知，體育運動視頻中各個關節(jié)點跟蹤就可轉化為16個二維狀態(tài)空間中跟蹤，跟蹤過程如圖3所示：

圖3 關節(jié)點跟蹤過程

在圖3所示跟蹤過程中，“～”表示對關節(jié)點二維空間采樣過程，“*”表示動力學預測關節(jié)點運動過程，箭頭表示關節(jié)點運動子狀態(tài)更新過程.利用如上圖所示的跟蹤過程，最終輸出關節(jié)點跟蹤過程的函數表達式[11]，在該函數控制下，設定其肢體約束度量，完成對人體關節(jié)點運動軌跡的識別.

1.3 軌跡識別

在軌跡識別前，利用上述處理得到的關節(jié)點跟蹤計算公式，設定關節(jié)點之間的肢體約束度量，假設兩個運動關節(jié)點間的距離為l，利用高斯函數處理約束度量Pmn就可表示為：

(9)

其中，l0表示運動視頻初始化兩關節(jié)點間的距離，σ表示高斯函數標準差，m與n表示關節(jié)點.利用高斯函數的拐點值，判斷約束度量的約束效果.控制方差值不大于關節(jié)點間的距離，保證關節(jié)點運動軌跡在一個合理的軌跡中[12].計算在該肢體約束量下，采用等時間距離采樣方法采集視頻中軌跡，定義初始軌跡點，計算初始軌跡點與采樣軌跡的最近距離，計算公式如下：

(10)

其中，ac表示定義的初始軌跡點，G表示軌跡，xac與yac表示初始軌跡點的坐標值，xbi與ybi分別表示軌跡點序列坐標值.將上述計算得到的距離值作為訓練樣本，采用K-mean聚類算法處理該訓練樣本，隨機選取n個聚類初始中心點η1,η2,...,ηn，計算關節(jié)點運動軌跡中關節(jié)點與中心點間的距離，計算公式為：

d=argminj‖xi-ηj‖2

(11)

其中，xi表示待聚類的關節(jié)點與中心點的距離值，計算并更新該類中心點，計算公式為：

(12)

上述計算公式中，參數含義保持不變.參照上述計算公式(11)與(12)聚類處理體育運動視頻中所有的關節(jié)點，直至中心點不發(fā)生變化.將數值不變的中心點作為識別的類中心[13]，將體育運動視頻中的關節(jié)點分配到對應類的類中心中，即可完成對關節(jié)點運動軌跡的自動識別，軌跡分配過程如圖4所示.

由圖4所示的分配過程可知，當計算得到的軌跡距離為l2與l3相等并歸結為同類后，保留該距離下的時間點信息，當時間點相同時，采用同一類中心進行匹配，完成自動識別[14].當相等距離下的時間點值不相同時，則要計算兩個距離值公共連續(xù)最長點序列的中心，將重合部分作為類中心進行匹配.綜合各個關節(jié)點的匹配過程，最終完成對體育視頻人體關節(jié)點運動軌跡的自動識別[15].

2 仿真實驗

2.1 實驗準備

實驗選用一臺8 G內存的PC機，聯(lián)合Matlab2012軟件開展仿真實驗，PC機的參數如表2所示：

表2 實驗采用PC機參數

使用如表2所示參數的PC機，隨機選用一段鉛球運動視頻，標記某幀運動人體初始關節(jié)點，如圖5所示：

圖5 運動視頻某幀初始標記關節(jié)點

在如圖5標記的初始關節(jié)點下，播放對應的體育運動視頻，控制播放時長為1min，分別使用兩種傳統(tǒng)關節(jié)點運動軌跡自動識別方法與體育運動視頻人體關節(jié)點運動軌跡識別方法進行實驗，對比三種識別方法實際使用性能.

2.2 實驗結果及分析

基于上述實驗準備，在1min的體育運動視頻播放時長內，選用圖5中關節(jié)點4作為運動軌跡自動識別對象，匯總3種識別方法得到關節(jié)點的軌跡結果至一個二維坐標系中，以Matlab2012軟件得到的關節(jié)點4運動軌跡為標準，對比3種識別方法得到的關節(jié)點運動軌跡，實驗結果如圖6所示.

由圖6所示的4號關節(jié)點運動軌跡結果可知文中得到的軌跡結果更加貼切標準關節(jié)點運動軌跡，兩種傳統(tǒng)軌跡識別方法得到的關節(jié)點運動軌跡與標準運動軌跡相差較大.定義文中得到的軌跡近似于識別成功的軌跡，匯總圖5中所有關節(jié)點正確識別軌跡數量，計算3種識別方法的識別率，識別率如表3所示：

表3 3種識別方法識別率

由表3所示的實驗結果可知，3種識別方法在識別相同數量軌跡時，傳統(tǒng)識別方法1只可正確識別95條，方法對應的識別率最小，傳統(tǒng)識別方法2可以正確識別118條軌跡，提高了傳統(tǒng)識別方法1的識別率，而文中識別方法正確識別軌跡數量為127條，軌跡識別率為97%，對人體關節(jié)點運動軌跡識別率最大.綜合上述實驗結果可知，在選取關節(jié)點4時，文中設計的自動識別方法得到的軌跡結果與標準軌跡相差不大.匯總實驗準備階段標記的關節(jié)點，最終文中識別方法正確識別軌跡數量最多，識別率最高，最適合在實際中運用.

3 結 語

隨著計算機視覺技術在體育運動領域不斷應用推廣，對體育運動視頻人體關節(jié)軌跡進行識別，可以分析體育運動員的運動姿態(tài)，為體育運動員提供訓練建議.設計體育運動視頻人體關節(jié)點運動軌跡自動識別方法可以改善傳統(tǒng)軌跡識別方法識別率低的問題，但該識別方法存在大量計算，實施環(huán)境要求較高.