高保華

摘 要： 針對(duì)體操落地穩(wěn)定性控制和定量分析難度較大的問題，提出基于圖像區(qū)域特征同態(tài)分割的體操落地圖像視覺評(píng)估和穩(wěn)定性分析方法。首先構(gòu)建Pairwise MRF模型提取體操落地視覺特征，并劃分圖像區(qū)域；然后對(duì)采集的體操落地視覺圖像在MRF框架下構(gòu)建視覺觀察分布模型，采用圖像區(qū)域特征同態(tài)分割方法設(shè)計(jì)體操落地穩(wěn)定性的視覺判別模型，實(shí)現(xiàn)體操落地穩(wěn)定性視覺定量分析；最后仿真結(jié)果表明，該方法的體操落地穩(wěn)定性控制和評(píng)價(jià)置信度較高，可靠性好，具有一定的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： 體操運(yùn)動(dòng)員落地穩(wěn)定性分析； 圖像分析； 圖像分割； 穩(wěn)定性控制

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）05?0066?04

Abstract： Since it is difficult for gymnasts to control their landing stability and for analyzers to perform their quantitative analysis， a gymnast landing image visual evaluation and stability analysis method based on the region feature homomorphism segmentation of the image is put forward. The Pairwise MRF model is constructed to extract the visual features of gymnast landing， and divide the image area. A visual observation distribution model is constructed for the acquired gymnast landing visual image under the MRF framework. The region feature homomorphism segmentation method of image is adopted to design the visual judgment model of the gymnast landing stability to realize the visual quantitative analysis of the gymnast landing stability. The simulation results show this method has good landing stability control and high evaluation confidence coefficient for gymnasts， high reliability， and a certain practical application value.

Keywords： gymnast landing stability analysis； image analysis； image segmentation； stability control

0 引 言

體操運(yùn)動(dòng)的落地穩(wěn)定性是評(píng)判動(dòng)作質(zhì)量完成好壞的重要指標(biāo)之一。通過人工視覺分析方法評(píng)價(jià)和控制體操運(yùn)動(dòng)落地穩(wěn)定性準(zhǔn)確度不高、主觀性強(qiáng)。隨著計(jì)算機(jī)視覺圖像處理技術(shù)的發(fā)展，采用圖像分析方法進(jìn)行體操運(yùn)動(dòng)的落地穩(wěn)定性判斷，實(shí)現(xiàn)對(duì)體操運(yùn)動(dòng)員的落地姿態(tài)矯正和控制，改善運(yùn)動(dòng)訓(xùn)練效果，發(fā)揮最佳的競(jìng)技水平。

采用計(jì)算機(jī)視覺判斷方法分析體操運(yùn)動(dòng)的落地穩(wěn)定性特征，同樣在進(jìn)行體操運(yùn)動(dòng)的動(dòng)作完成效果評(píng)價(jià)和成績(jī)?cè)u(píng)定中發(fā)揮著重要作用，分析體操落地穩(wěn)定性圖像以對(duì)體操落地穩(wěn)定性視覺特征建模為基礎(chǔ)，對(duì)體操運(yùn)動(dòng)員落地過程進(jìn)行圖像采集和視覺特征分析。采用圖像視覺特征分割方法進(jìn)行落地的穩(wěn)定性評(píng)價(jià)和控制，常見的方法主要有小波特征分解方法[1]、神經(jīng)網(wǎng)絡(luò)穩(wěn)定性控制及圖像訓(xùn)練方法和圖像輪廓邊緣檢測(cè)方法等[2?3]。上述方法通過對(duì)體操運(yùn)動(dòng)落地過程的圖像分解和識(shí)別，實(shí)現(xiàn)三維視覺對(duì)比分析和動(dòng)作判斷，提高穩(wěn)定性評(píng)價(jià)水平[4?5]。但是也都存在較大缺陷。

本文提出基于圖像區(qū)域特征同態(tài)分割的體操落地圖像視覺評(píng)估和穩(wěn)定性分析方法，仿真結(jié)果表明，本文的體操落地穩(wěn)定性控制和評(píng)價(jià)置信度高，可靠性好。

1 區(qū)域化運(yùn)動(dòng)視覺特征提取方法

1.1 提取運(yùn)動(dòng)視覺特征

式中：[βi=β1i，β2i，β3i，β4iT]稱為第[i]個(gè)局部區(qū)域的圖像前后平移特征變量；[k]表示劃分后的子圖模型節(jié)點(diǎn)分配標(biāo)號(hào)值；[yki]表示較大的圖像局部塊標(biāo)號(hào)值。

在建立的圖像局部區(qū)域MRF模型中劃分圖像區(qū)域，有利于描述圖像的局部特征。

2 圖像分析的落地穩(wěn)定性估計(jì)

2.1 圖像的區(qū)域特征匹配

首先采用Pairwise MRF模型進(jìn)行體操落地視覺特征提取和圖像的區(qū)域劃分，對(duì)采集的體操落地視覺圖像在MRF框架下進(jìn)行視覺觀察分布模型的構(gòu)建。根據(jù)全局固定的先驗(yàn)Potts模型[9?10]建立體操運(yùn)動(dòng)落地穩(wěn)定點(diǎn)的局部區(qū)域先驗(yàn)分布函數(shù)，Potts先驗(yàn)參數(shù)[βi]選擇如下：

3 仿真實(shí)驗(yàn)與結(jié)果分析

首先進(jìn)行體操運(yùn)動(dòng)員的動(dòng)作信息視覺采集，進(jìn)行計(jì)算機(jī)視覺分析和特征重構(gòu)，采用主機(jī)配置為Pentium[?] D CPU 2.80 GHz，2.79 GHz，2.00 GB內(nèi)存的CCD成像設(shè)備采集體操運(yùn)動(dòng)落地動(dòng)作，在Matlab仿真環(huán)境中進(jìn)行圖像處理和分析的軟件編程設(shè)計(jì)，體操運(yùn)動(dòng)員在落地過程中的位姿參量信息設(shè)定見表1。

根據(jù)上述三維模型參數(shù)設(shè)定，評(píng)價(jià)和分析體操運(yùn)動(dòng)中落地的穩(wěn)定性。給定落地穩(wěn)定性的收斂性條件如下：

如果求得的函數(shù)值滿足上述收斂性條件，則認(rèn)為體操運(yùn)動(dòng)員落地的穩(wěn)定性較好，完成體操動(dòng)作的質(zhì)量較高。首先進(jìn)行原始圖像采集，得到體操落地動(dòng)作圖像視覺采集如圖1所示。

對(duì)采集的體操落地視覺圖像在MRF框架下進(jìn)行視覺觀察分布模型構(gòu)建，進(jìn)行體操落地視覺特征提取和圖像的區(qū)域劃分，得到優(yōu)化處理后的輸出圖像如圖2所示。

由圖2可知，采用本文方法進(jìn)行圖像分析和處理，提高了體操運(yùn)動(dòng)員在落地過程的圖像重構(gòu)和穩(wěn)定性判斷。

不同方法進(jìn)行落地穩(wěn)定性評(píng)價(jià)的置信度測(cè)量性能對(duì)比如圖3所示。分析圖3得知，隨著像素點(diǎn)采樣個(gè)數(shù)的增多，對(duì)體操落地的穩(wěn)定性評(píng)價(jià)準(zhǔn)確性逐漸提高。而采用本文方法，在采樣像素信息不足的情況下，仍然能保持較高的評(píng)價(jià)準(zhǔn)確性，置信度高于傳統(tǒng)方法。

4 結(jié) 語(yǔ)

本文采用圖像分析方法進(jìn)行體操運(yùn)動(dòng)的落地穩(wěn)定性判斷，實(shí)現(xiàn)對(duì)體操運(yùn)動(dòng)員的落地姿態(tài)矯正和控制，改善運(yùn)動(dòng)訓(xùn)練效果，發(fā)揮最佳的競(jìng)技水平。提出基于圖像區(qū)域特征同態(tài)分割的體操落地圖像視覺評(píng)估和穩(wěn)定性分析方法，采用Pairwise MRF模型進(jìn)行體操落地視覺特征提取和圖像的區(qū)域劃分，對(duì)采集的體操落地視覺圖像在MRF框架下構(gòu)建視覺觀察分布模型，采用圖像區(qū)域特征同態(tài)分割方法進(jìn)行體操落地穩(wěn)定性的視覺判別模型設(shè)計(jì)，實(shí)現(xiàn)體操落地穩(wěn)定性視覺分析。分析實(shí)驗(yàn)得知，本文方法的準(zhǔn)確性較好，可靠性較高，性能優(yōu)于傳統(tǒng)方法。

參考文獻(xiàn)

[1] 高穎，王阿敏，王鳳華，等.改進(jìn)的小波變換算法在圖像融合中的應(yīng)用[J].激光技術(shù)，2013，37（5）：690?695.

[2] HAN M， LIU J M， MENG J Y， et al. Local energy information combined with improved signed distance regularization term for image target segmentation algorithm [J]. Journal of electronics and information technology， 2015， 37（9）： 2047?2054.

[3] KIRAN T， JAE?YOUNG P， CHUN?SU P， et al. Level set method with automatic selective local statistics for brain tumor segmentation in MR images [J]. Computerized medical imaging and graphics， 2013， 37（8）： 522?537.

[4] 王旋，陳忻，劉巍.一種適用于并行運(yùn)算處理的實(shí)時(shí)高動(dòng)態(tài)范圍圖像合成算法研究[J].影像科學(xué)與光化學(xué)，2015，33（4）：330?335.

[5] 余曉東，雷英杰，岳韶華，等.基于粒子群優(yōu)化的直覺模糊核匹配追蹤算法[J].電子學(xué)報(bào)，2015，43（7）：1308?1314.

[6] 劉建磊，劉曉亮.基于拐點(diǎn)線的大霧能見度檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2015，35（2）：528?530.

[7] 蘇奇全，賈宏光，朱明超，等.基于遞推閉環(huán)子空間辨識(shí)的自適應(yīng)預(yù)測(cè)控制方法[J].信息與控制，2015，44（2）：252?256.

[8] 張國(guó)強(qiáng)，謝紅梅，解一心.一種改進(jìn)的基于壓縮感知的差分關(guān)聯(lián)成像方法[J].計(jì)算機(jī)科學(xué)，2014，41（6）：227?229.

[9] 南棟，畢篤彥，馬時(shí)平，等.基于景深約束的單幅霧天圖像去霧算法[J].電子學(xué)報(bào)，2015，43（3）：500?504.

[10] 徐勝軍，韓九強(qiáng)，趙亮，等.用于圖像分割的局部區(qū)域能量最小化算法[J].西安交通大學(xué)學(xué)報(bào)，2011，45（8）：7?12.