高麗

摘 要： 針對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)特征建模困難的問(wèn)題，提出基于邊緣區(qū)域輪廓特征檢測(cè)的大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)判斷方法。首先采用大跨度運(yùn)動(dòng)中肢體擺動(dòng)視覺(jué)圖像；然后對(duì)圖像進(jìn)行高頻分量降噪，提高圖像的信噪比，并采用邊緣區(qū)域輪廓特征檢測(cè)方法提取肢體擺動(dòng)幅度特征，從而實(shí)現(xiàn)視覺(jué)檢測(cè)和圖像識(shí)別；最后進(jìn)行仿真測(cè)試。結(jié)果表明，該方法能夠準(zhǔn)確進(jìn)行大跨度運(yùn)動(dòng)中的肢體擺動(dòng)幅度判斷，具有較強(qiáng)的運(yùn)動(dòng)圖像分析能力，并且提高了圖像的輸出信噪比和準(zhǔn)確檢測(cè)概率。

關(guān)鍵詞： 大跨度運(yùn)動(dòng)； 肢體擺動(dòng)； 視覺(jué)圖像； 輪廓特征檢測(cè)

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）07?0067?04

Visual judgment of body swing amplitude in long span movement

GAO Li

（Henan University of Animal Husbandry and Economy， Zhengzhou 450046， China）

Abstract： Since it is difficult to model the visual feature of the body swing amplitude in the long span movement， an edge area contour feature detection based visual judgment method of the body swing amplitude in the long span movement is proposed. In the visual judgment method， the body swing visual image of the long span movement is used， and then the high frequency component of the image is denoised to improve its SNR. The edge area contour feature detection method is used to extract the feature of the body swing amplitude to implement vision detection and image recognition. The performance of the method was verified with simulation. The simulation results show that the method can judge the body swing amplitude in the long span movement accurately， has strong ability for movement image analysis， and can improve the output SNR of the image and probability of accurate detection.

Keywords： long span movement； body swing； visual image； contour feature detection

0 引 言

隨著計(jì)算機(jī)數(shù)字圖像處理技術(shù)的成熟，采用圖像視覺(jué)分析方法進(jìn)行運(yùn)動(dòng)圖像的特征檢測(cè)，在體育運(yùn)動(dòng)訓(xùn)練方面展示了較高的應(yīng)用價(jià)值。大跨度運(yùn)動(dòng)主要包括跳高、三級(jí)跳遠(yuǎn)、跨欄以及各種球類運(yùn)動(dòng)。大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度較大，采用傳統(tǒng)的視頻分析方法難以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)動(dòng)作的特征分析和視覺(jué)重構(gòu)，不能有效指導(dǎo)體育運(yùn)動(dòng)訓(xùn)練效果，需要采用計(jì)算機(jī)視覺(jué)圖像分析方法進(jìn)行大跨度運(yùn)動(dòng)圖像的檢測(cè)和分析，視覺(jué)重構(gòu)肢體擺動(dòng)幅度，從而改進(jìn)肢體運(yùn)動(dòng)中的不規(guī)范動(dòng)作，提高運(yùn)動(dòng)訓(xùn)練的效果[1]。

對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度的視覺(jué)判斷建立在人體三維模型建立和視覺(jué)特征重構(gòu)的基礎(chǔ)上。采用圖像信息處理技術(shù)對(duì)大跨度運(yùn)動(dòng)中的人體肢體擺動(dòng)運(yùn)動(dòng)動(dòng)作進(jìn)行特征視覺(jué)重構(gòu)[2]，典型的人體運(yùn)動(dòng)中肢體擺動(dòng)幅度的視覺(jué)特征重構(gòu)方法主要有局部線性插值方法、二值圖像擬合方法和邊緣輪廓特征提取方法等[3?5]。

本文提出邊緣區(qū)域輪廓特征檢測(cè)的大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)判斷方法。首先通過(guò)CCD圖像掃描技術(shù)或者視頻特征采集技術(shù)視覺(jué)采集運(yùn)動(dòng)圖像；然后對(duì)運(yùn)動(dòng)圖像進(jìn)行邊緣信息融合和特征重建，提高圖像的肢體擺動(dòng)幅度的特征分析和參量估計(jì)能力；最后通過(guò)仿真實(shí)驗(yàn)證明該方法取得了良好的視覺(jué)判斷效果。

1 運(yùn)動(dòng)圖像的初始化過(guò)程

1.1 圖像采集

為了實(shí)現(xiàn)對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度的視覺(jué)判斷，首先要采集大跨度運(yùn)動(dòng)中肢體擺動(dòng)視覺(jué)圖像，設(shè)圖像視覺(jué)特征為[vm=（Rm，Gm，Bm）]和[auxm（Im，Im，fm，λm，dfm，][dlm），][Ψ11，][Ψ12，][Ψ13，][Ψ14]和[Ψ15]表示模板匹配系數(shù)，像素集合為[N1×N2]的運(yùn)動(dòng)圖像邊緣輪廓特征矩陣，運(yùn)動(dòng)幅度輸出測(cè)試樣本為：

[identity（y）=argminiW12final（y-Diαi）22] （1）

式中：[Wfinal]是動(dòng)態(tài)變化過(guò)程的權(quán)值矩陣；[Di]是第[i]類訓(xùn)練樣本三維結(jié)構(gòu)模型。

初始特征狀態(tài)下肢體擺動(dòng)特征的形體坐標(biāo)為[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T。]在肢體擺動(dòng)動(dòng)作三維重構(gòu)和視覺(jué)分析中，建造一個(gè)級(jí)聯(lián)分類器進(jìn)行擺動(dòng)動(dòng)作的特征分類[6?7]。得到大跨度運(yùn)動(dòng)中肢體擺動(dòng)修正像素值[I（i，j）]為：

[I（i，j）=k=1PI（k）（i，j）×2k-1] （2）

對(duì)視覺(jué)特征進(jìn)行統(tǒng)計(jì)形狀模型分塊，進(jìn)行圖像樣本屬性的自適應(yīng)分割，跟蹤量化子塊互不相交的部分，那么圖像特征采集結(jié)果為：

[Gm，n=g（m，n）（1，1）g（m，n）（1，2）g（m，n）（2，1）g（m，n）（2，2）， m=1，2，…，M；n=1，2，…，N] （3）

[g（m，n）（u，v）=I（k）g[2（m-1）+u，2（n-1）+v]， u∈{1，2}；v∈{1，2}] （4）

式中：[u]為圖像[pi，j]在標(biāo)定點(diǎn)的像素值；[i，j]為匹配點(diǎn)沿梯度方向相應(yīng)像素的坐標(biāo)值。

1.2 圖像預(yù)處理

為了提高圖像的輸出信噪比，進(jìn)行圖像降噪預(yù)處理。采用圖像高頻分量降噪方法提高運(yùn)動(dòng)圖像的輸出信噪比[8]。在圖像的成像區(qū)域中，分區(qū)處理肢體擺動(dòng)空間信息特征，采用關(guān)聯(lián)信息特征重建方法構(gòu)建肢體擺動(dòng)的特征分布無(wú)向圖[G=（V，E），]其中[E]是[E]的非空子集，采用RGB三維映射分析方法對(duì)圖像的噪點(diǎn)[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]進(jìn)行噪點(diǎn)盲分離，其系統(tǒng)函數(shù)為：

[H（z）=k=1hp（k）g（i，j）×2k-1k=1hp*（k）g（i，j）×2k-1] （5）

選擇時(shí)間間隔較長(zhǎng)的[PE1]作為關(guān)鍵幀，通過(guò)最大灰度值提取輪廓特征空間信息，得到大跨度運(yùn)動(dòng)中肢體擺動(dòng)RGB圖像[Edx，y]的三維坐標(biāo)特征分布方程滿足：

[Fd-ddxFdx-ddyFdy=0] （6）

設(shè)RGB影像中像素的坐標(biāo)為[υ=（r，c），]對(duì)于最大灰度特征分頻，通過(guò)圖像降噪滿足[C∈S，]其輪廓邊緣特征的特征匹配系數(shù)為[MST（C，E），]圖像的噪點(diǎn)為[C={Ci：i∈I}。]假設(shè)運(yùn)用圖像干擾檢測(cè)方法進(jìn)行圖像噪聲分離，得到大跨度運(yùn)動(dòng)中肢體擺動(dòng)二值圖像的輪廓點(diǎn)標(biāo)記信息：

[g（x，y）=f（x，y）+ε（x，y）] （7）

式中：[f（x，y），][g（x，y），][ε（x，y）]分別代表每個(gè)三維模型中圖像噪聲方差為[σ2n]的邊緣輪廓特征函數(shù)[9?10]。

在圖像降噪過(guò)程中，可將兩個(gè)分布場(chǎng)集合描述為：

[dft+1i，j，k=ρdfti，j，k+1-ρdft-1i，j，k] （8）

式中[ρ]控制兩個(gè)圖像噪聲分布場(chǎng)特征歸并的時(shí)間間隔。

通過(guò)上述處理，從體元模型中獲取RGB影像的輪廓標(biāo)記點(diǎn)[r，]確定為大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度搜索的目標(biāo)。記錄[D（x）=0]處的體元，根據(jù)肢體擺動(dòng)幅值分布興趣點(diǎn)進(jìn)行邊緣像素集的跟蹤量化，量化值[VMmi]的計(jì)算式為：

[VMmi=j=1TCis_visibleMmi，CjTC-1] （9）

通過(guò)特征提取與特征歸并實(shí)現(xiàn)圖像降噪和肢體擺動(dòng)幅度的視覺(jué)判斷。

2 肢體擺動(dòng)幅度的視覺(jué)判斷優(yōu)化實(shí)現(xiàn)

2.1 基本思想

基于邊緣區(qū)域輪廓特征檢測(cè)的大跨度運(yùn)動(dòng)中，肢體擺動(dòng)幅度視覺(jué)判斷方法的基本思想為：采用邊緣區(qū)域輪廓特征檢測(cè)方法進(jìn)行肢體擺動(dòng)幅度特征提取，實(shí)現(xiàn)視覺(jué)檢測(cè)和圖像識(shí)別，在原始RGB圖像數(shù)據(jù)中構(gòu)建運(yùn)動(dòng)圖像邊緣區(qū)域輪廓特征檢測(cè)的網(wǎng)格圖，在網(wǎng)格頂點(diǎn)圖中進(jìn)行圖像深度轉(zhuǎn)換，采用頂點(diǎn)圖與法向向量圖融合方法進(jìn)行光纖投影，實(shí)現(xiàn)對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)視覺(jué)圖像的體元計(jì)算和數(shù)據(jù)融合，完成采集相機(jī)的位置追蹤和邊緣區(qū)域輪廓特征檢測(cè)。工作原理如圖1所示。

2.2 計(jì)算運(yùn)動(dòng)圖像邊緣區(qū)域輪廓特征距離

肢體擺動(dòng)視覺(jué)圖像的體元檢測(cè)結(jié)果為：

[xI（W（x；p））-A0（W（x；0））-?A0?W?pΔp2] （10）

基于角點(diǎn)檢測(cè)結(jié)構(gòu)，進(jìn)行體元數(shù)據(jù)融合，則有：

[Bel（xt）=p（ztxt）p（xtut-1，…，z0）p（ztut-1，d0，…，t-1）=ηp（ztxt）Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （11）

視覺(jué)圖像采樣的特征壓縮函數(shù)為：

[p（ztxt-1，d0，…，t-1）=Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （12）

[p（ztxt）=p（xtxt-1，ut-1）] （13）

用TPS頂點(diǎn)圖與法向向量圖變換來(lái)確定大跨度運(yùn)動(dòng)中肢體擺動(dòng)網(wǎng)格區(qū)間的圖像深度[η]：

[η=1p（ztut-1，d0，…，t-1）] （14）

為了實(shí)現(xiàn)運(yùn)動(dòng)圖像邊緣區(qū)域輪廓特征檢測(cè)，從頂點(diǎn)圖中進(jìn)行特征點(diǎn)自適應(yīng)檢索，得到大跨度運(yùn)動(dòng)中肢體擺動(dòng)的角點(diǎn)位置信息相關(guān)函數(shù)：

[RT1R1={X1，X2，…，Xm}{X1，X2，…，Xm}T] （15）

考慮特征向量分布空間的肢體擺動(dòng)視覺(jué)像素特征點(diǎn)，進(jìn)行運(yùn)動(dòng)圖像邊緣區(qū)域輪廓特征分解：

[RT1R1=V1Σ1VT1] （16）

得到大跨度運(yùn)動(dòng)中肢體擺動(dòng)的標(biāo)準(zhǔn)化特征滿足條件[?=sup?（θ）]，肢體擺動(dòng)目標(biāo)點(diǎn)與特定點(diǎn)之間的距離為：

[h（ωi，k）=（xi-x）2+（yi-y）2] （17）

通過(guò)SIFT角點(diǎn)檢測(cè)算法實(shí)現(xiàn)對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)視覺(jué)圖像的體元計(jì)算和數(shù)據(jù)融合，達(dá)到運(yùn)動(dòng)圖像邊緣區(qū)域輪廓特征檢測(cè)的效果。

2.3 肢體擺動(dòng)幅度規(guī)律性特征角度的識(shí)別

假設(shè)大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度向量集[K{ri}]為體源模型區(qū)域中的模型拼接信息，在特征檢測(cè)節(jié)點(diǎn)[（x，y）]處提取肢體擺動(dòng)幅度的規(guī)律性特征信息：

[Kwpg（x，y，ωi）=1，d（ωi，k）≤r-ruu-α1θβ1θ2β2+α2，r-ru

式中：[ru（0

[θi=ru-r+d（ωi，k）] （19）

采用計(jì)算機(jī)視覺(jué)信息判斷方法進(jìn)行肢體擺動(dòng)幅度的視點(diǎn)分割，得到視點(diǎn)分割的特征映射：

[Kwpg（Wpg）=1-ωi∈Wpg（1-Kwpg（x，y，ωi））] （20）

計(jì)算出計(jì)算機(jī)視覺(jué)下大跨度運(yùn)動(dòng)肢體擺動(dòng)的邊界網(wǎng)格中[ki（ki-1）2]個(gè)邊，這[ki]個(gè)肢體擺動(dòng)的像素信息點(diǎn)實(shí)際形成的邊[Ei]與[ki（ki-1）2]的比值構(gòu)成肢體擺動(dòng)的三維重構(gòu)信息，信息函數(shù)為[Ci，]即：

[Ci=Eiki（ki-1）2] （21）

肢體擺動(dòng)動(dòng)作的三維空間重構(gòu)輸出為：

[C=1Ni=1NCi] （22）

結(jié)合人體動(dòng)力學(xué)模型，得到[N=228]。結(jié)合邊緣區(qū)域輪廓特征檢測(cè)方法提取肢體擺動(dòng)幅度SIFT特征，實(shí)現(xiàn)視覺(jué)檢測(cè)和圖像識(shí)別。本文方法的實(shí)現(xiàn)過(guò)程如圖2所示。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)平臺(tái)硬件環(huán)境為：CPU 3.30 GHz，內(nèi)存4 GB DDR3的個(gè)人PC機(jī)，輸入圖像的像素值為1 024×1 689，實(shí)驗(yàn)次數(shù)為100次，圖像的信噪比為-12 dB。以三級(jí)跳遠(yuǎn)作為大跨度運(yùn)動(dòng)的測(cè)試向量集，以跳遠(yuǎn)運(yùn)動(dòng)中的正面和側(cè)面采集的兩幅肢體擺動(dòng)圖像作為測(cè)試對(duì)象，首先對(duì)大跨度運(yùn)動(dòng)中肢體擺動(dòng)視覺(jué)圖像進(jìn)行特征采集，得到原始運(yùn)動(dòng)圖像視覺(jué)信息采集的結(jié)果如圖3所示。

圖3給出的運(yùn)動(dòng)圖像采集結(jié)構(gòu)受到相機(jī)抖動(dòng)和環(huán)境因素的干擾，準(zhǔn)確判斷運(yùn)動(dòng)幅值的性能受限。采用圖像高頻分量降噪方法提高運(yùn)動(dòng)圖像的輸出信噪比，得到的圖像降噪結(jié)果如圖4所示。

把圖4中的大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)判斷及動(dòng)作數(shù)據(jù)保存為.txt文本數(shù)據(jù)，加載到圖像數(shù)據(jù)處理軟件中，進(jìn)行計(jì)算機(jī)視覺(jué)分析。然后采用邊緣區(qū)域輪廓特征檢測(cè)方法進(jìn)行肢體擺動(dòng)幅度特征提取，得到的結(jié)果如圖5所示。

從圖5可見(jiàn)，采用本文方法進(jìn)行大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度檢測(cè)，能較好地去除背景信息的干擾，提高肢體擺動(dòng)幅度檢測(cè)的準(zhǔn)確度和指向性。圖6為大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度的視覺(jué)檢測(cè)均方根誤差對(duì)比結(jié)果。

分析圖6可知：

（1） 采用本文方法進(jìn)行大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度檢測(cè)，提高了輸出圖像的峰值信噪比，改善了圖像成像質(zhì)量。

（2） 本文方法進(jìn)行大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)判斷，實(shí)現(xiàn)幅度參量檢測(cè)估計(jì)的均方根誤差較低，說(shuō)明準(zhǔn)確性能較好。

4 結(jié) 語(yǔ)

為了提高大跨度運(yùn)動(dòng)訓(xùn)練的指導(dǎo)水平，進(jìn)行大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)特征建模分析，提出基于邊緣區(qū)域輪廓特征檢測(cè)的大跨度運(yùn)動(dòng)中肢體擺動(dòng)幅度視覺(jué)判斷方法。研究結(jié)果表明，本文能夠?qū)崿F(xiàn)大跨度運(yùn)動(dòng)肢體擺動(dòng)幅度的視覺(jué)判斷，提高圖像的輸出信噪比和準(zhǔn)確檢測(cè)概率，誤差小，具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 柳超，李秀友，黃勇.優(yōu)化的多模型粒子濾波機(jī)動(dòng)微弱目標(biāo)檢測(cè)前跟蹤方法[J].信號(hào)處理，2015（9）：1131?1137.

[2] 趙石磊，郭紅，劉宇鵬.基于軌跡跟蹤的線性時(shí)滯系統(tǒng)容錯(cuò)控制[J].信息與控制，2015，44（4）：469?473.

[3] 尚朝軒，王品，韓壯志，等.基于類決策樹(shù)分類的特征層融合識(shí)別算法[J].控制與決策，2016，31（6）：1009?1014.

[4] 郭三黨，劉思峰，方志耕.基于核和灰度的區(qū)間灰數(shù)多屬性決策方法[J].控制與決策，2016，31（6）：1042?1046.

[5] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.

[6] 李旭超，宋博，甘良志.改進(jìn)的迭代算法在圖像恢復(fù)正則化模型中的應(yīng)用[J].電子學(xué)報(bào)，2015，43（6）：1152?1159.

[7] 涂超平，肖進(jìn)勝，杜康華，等.基于各向異性熱擴(kuò)散方程的多聚焦圖像融合算法[J].電子學(xué)報(bào)，2015，43（6）：1192?1199.

[8] 王寶進(jìn)，吳淑躍，薛娟.SDD?1改進(jìn)算法在Hive中應(yīng)用[J].湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2014，36（4）：77?82.

[9] 魏歌.基于覆蓋網(wǎng)絡(luò)的物聯(lián)網(wǎng)系統(tǒng)的應(yīng)用開(kāi)發(fā)平臺(tái)[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：77?79.

[10] 王軍，陳翠琴.基于RFID信息與視頻圖像的人員識(shí)別的研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：30?31.