南秋紅

摘 要： 當前的體育訓練過程中，訓練員使用難度較小的視頻重播與解析管理方式為運動員講解動作要領，不夠直觀和科學，不能滿足訓練員對運動效果評估的需求。針對該問題，研究了體育訓練過程中的運動視頻分析與識別過程，采用基于粒子濾波預測的自適應閾值運動目標分離算法實現運動目標的自適應分離。通過粒子濾波技術跟蹤運動員的運動，塑造運動模型，并依據運動模型預測后續(xù)運動視頻幀內不同重要關節(jié)點的位置，完成后續(xù)運動視頻幀的跟蹤。采用條件隨機場方法實現體育訓練視頻中的動作識別。實驗結果說明該方法具有較高的動作識別率和較低的誤分離率。

關鍵詞： 體育訓練； 運動視頻； 分析與識別方法； 粒子濾波技術

中圖分類號： TN948.43?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）11?0068?04

Study on analysis and recognition of moving video in physical training

NAN Qiuhong

（Huanghe Science & Technology College， Zhengzhou 450003， China）

Abstract： The trainer replays the low difficulty action video and uses the analysis management way to explain the action essential for athletes in physical training， which is not intuitive and scientific enough， and can′t meet the demand of trainers for sports effect assessment. Aiming at the above problems， the motion video analysis and recognition process in sports training are studied， and the adaptive threshold moving target segmentation algorithm based on particle filtering prediction is employed to realize the adaptive segmentation of moving target. The movement of athlete is tracked with particle filtering technology to shape the motion model， and predict the locations of articulation?points with different importance in the subsequent moving video frame according to the motion model， so as to track the subsequent moving video frame. The condition random field method is adopted to realize the movement recognition in sports training video. The experimental results indicate that the method has high movement recognition rate and low false separation rate.

Keywords： physical training； moving video； analysis and recognition method； particle filtering technology

0 引 言

隨著科學技術的快速發(fā)展，采用科技手段提高體育訓練質量逐漸引起人們的關注。以往的體育訓練過程中，訓練員使用難度較小的視頻重播與解析管理方式為運動員講解動作要領不夠直觀和科學，缺乏真實性和互動性，不能符合對運動員動作規(guī)范與訓練成果的基本評估要求[1]。但運動視頻卻能夠提取運動員訓練參數，還可以通過構建模型以及觀察訓練動作等手段進一步分析訓練參數，獲取運動員訓練動作優(yōu)劣程度的分析結果[2]，確保運動員直觀了解自身存在的缺點，按照教練的指導，提高體育訓練質量。

1 體育訓練過程中的運動視頻分析與識別

1.1 粒子濾波預測的自適應閾值運動目標分離

體育訓練運動視頻中的運動目標分離可將視頻中的運動目標從動態(tài)背景中采集處理，是運動視頻分析的基礎[3]。體育訓練視頻序列分離中的運動目標是視頻中的運動員，采用基于粒子濾波預測的自適應閾值運動目標分離算法增強運動目標采集的準確性。具體過程是：先通過三幀差分法對視頻中的前景圖進行分離，依據攝像機穩(wěn)態(tài)運動模型把背景投影到相鄰的視頻幀內，得到每幀的背景分離圖。采用刪減背景的處理方式進一步分離得到運動目標分離[4]。并且由于前景圖與背景圖存在一定的相似性，為了避免處于視頻前景圖中的運動目標被錯誤地融合到背景圖中出現分離的情況，需要分離出前景圖的坐標范圍，并依據粒子濾波方法獲取未處于前景圖坐標范圍內的背景圖幀閾值，從而完成對運動目標的自適應閾值分離。

通過三幀差分法分離獲取的前景目標受到噪聲因素的干擾，會產生誤分離問題，對其進行濾波處理后，可當成自適應閾值分離的運算標準[5]。再通過粒子濾波的預測方案，按照此時幀分離結果預測出其他幀的前景坐標區(qū)間，在其中加入圖像像素點與前景坐標區(qū)間之間的偏移狀態(tài)，將其設為此像素點在其他幀中的分離前景概率，基于該概率可運算出自適應分離閾值。

2 實驗結果與分析

實驗為了驗證本文方法的優(yōu)越性，將ChienSY方法當成對比分析方法。ChienSY方法融合三幀差分以及背景差分實現運動目標的識別。

實驗1： 將某體育學院不同跳水訓練視頻作為實驗分析對象，圖像分辨率為3422 200。本文方法和ChienSY方法對跳水訓練視頻的誤分離率如圖6所示。

分析圖6可知，采用ChienSY方法獲取的分離結果存在顯著的空洞問題，而采用本文方法獲取的結果更為完整和清晰。本文方法誤分離率保持在1%左右，而ChienSY方法的誤分離率保持在3.4%左右。受到攝像機靜態(tài)運動模型中參數估算偏差對后序處理結果的干擾，ChienSY方法在后期的誤分離率出現大幅度提升趨勢，而本文方法的誤分離率未出現顯著變化，說明本文方法可實現體育運動視頻的準確分離。

實驗2： 數據庫采用KTH 動作庫以及UCF Sports 動作庫。實驗采用本文方法對兩種實驗動作庫的混淆矩陣進行識別，結果分別如表1和表2所示。其中KTH 庫訓練數據采用了35個運動員的體育訓練視頻，剩下一個人的訓練數據作為測試數據，進行36輪交叉檢測，動作識別率取平均值。UCF Sports庫中的每類任意選擇一個視頻當成測試視頻，剩下的視頻當成訓練數據使用，進行50輪交叉驗證，動作識別率取平均值。

分析表1可得，本文方法可完全分離 KTH數據庫中的前、后三種類型動作，但是對于走路、慢跑以及快跑后三類動作的識別率相對較低，主要是因為這三類動作的身體關節(jié)點的運動幅度差異較低，容易造成誤識。從表2中可以看出，本文方法對UCF Sports數據庫上的混淆表中的各類動作的識別率基本相同，對該數據庫各類動作的識別率方差較低。

3 結 語

本文研究了體育訓練過程中的運動視頻分析與識別過程。實驗結果說明，所研究方法具有較高的動作識別率和較低的誤分離率，并且對各類動作的識別率方差較低，具有較高的穩(wěn)定性。

參考文獻

[1] 龔暢，王華君，李榮，等.基于狀態(tài)依賴檢測的視頻運動目標軌跡跟蹤算法[J].現代電子技術，2016，39（7）：51?56.

[2] 宋宏權，王豐，劉學軍，等.地理環(huán)境下的群體運動分析與異常行為檢測[J].地理與地理信息科學，2015，31（4）：1?5.

[3] 朱明.三軸加速度傳感器系統(tǒng)在運動技術分析領域的研究與應用[J].冰雪運動，2015，37（2）：89?96.

[4] 隗方玲.運動狀態(tài)下童褲關鍵部位松量設計[J].西安工程大學學報，2015，29（5）：550?554.

[5] 郭晗.基于雙通道目標運動檢測的乒乓球運動決策系統(tǒng)[J].廣州體育學院學報，2014，34（6）：67?70.

[6] 睢丹，侯德恒.動態(tài)圖像跟蹤優(yōu)化算法的研究與仿真[J].現代電子技術，2016，39（6）：98?100.

[7] 李畢祥，劉芳，李德剛，等.校園智能視頻監(jiān)控中的運動目標異常行為檢測與識別[J].軟件導刊，2016，15（2）：134?136.

[8] 戎淼鋒，林瓏.競技運動視頻識別與比較系統(tǒng)的研究[J].廣州體育學院學報，2014，34（4）：59?61.

[9] 李春木，連迅.民族傳統(tǒng)體育對抗類項目視頻分析與智能診斷系統(tǒng)研究[J].廣州體育學院學報，2016，36（1）：52?56.

[10] 魏巍，吳孔平，郭來功，等.記憶分水嶺圓盤梯度膨脹模板運動視頻跟蹤[J].系統(tǒng)仿真學報，2016，28（2）：462?466.