论文部分内容阅读
在体育视频中检测和跟踪运动员可以为体育视频的高层次处理如动作分析、事件检测、三维重建等提供必要的信息,因而具有重要的意义。本文在分析当前主要的运动目标检測和跟踪算法的基础上,重点研究了在体育视频中检测和跟踪运动员的方法,改进了传统的运动目标检测和跟踪算法,并开发了一个原型系统来验证算法的有效性。在运动员检测方面,本文采用自适应高斯混合模型(Adaptive GaussianMixture Model,GMM)为视频图像建模,并结合自适应背景消减法从视频图像中提取运动区域。传统GMM的缺点是在初始阶段其学习速率太低,在背景比较复杂的情况下更突出。因此,本文采用期望充分统计(expected sufficient statistics)与L-临近窗口(L-recent windoW)相结合的方法改进该模型的更新方式,加快了该模型的学习速率。为了提高运动员区域检测的准确性,本文采用基于梯度向量的纹理相似性度量方法检测和消除运动区域中的阴影,并根据球场信息将运动区域分类,从中提取运动员区域。在运动员跟踪方面,本文采用CamShift(Continuously Adaptive Mean Shift)算法跟踪运动员。CamShift算法利用目标的颜色特征在视频图像中跟踪目标,它的优点是实时性好。传统的CamShift算法只用HSV颜色空间的H分量为目标建立颜色模型,因此当背景与目标的颜色分布比较相似或者目标周围存在颜色相似的干扰物体时,其跟踪会失败。为了提高CamShift算法的鲁棒性,本文对其进行了改进:采用H、S、V三个分量为运动员建立颜色模型,并用加权直方图和比例直方图代替传统的直方图。为了解决运动员之间的遮挡问题,本文采用搜索窗口对比的方法来检测遮挡,当遮挡比较严重时,重新利用运动检测方法检测运动员并对其进行跟踪,从而避免了跟踪丢失的情况。本文受到国家863高技术项目(2006AA012328)和中科院计算机科学国家重点实验室开放基金(SYSKF0704)资助。