區(qū)峻++石千惠

摘 要： 為了解決當(dāng)前體育運(yùn)動(dòng)動(dòng)作識(shí)別方法的不足，以獲得更優(yōu)的體育運(yùn)動(dòng)動(dòng)作識(shí)別效果，提出特征降維和高斯混合模型的體育運(yùn)動(dòng)動(dòng)作識(shí)別方法。首先采集體育運(yùn)動(dòng)動(dòng)作的視頻圖像，并提取體育運(yùn)動(dòng)動(dòng)作的特征向量，然后采用隨機(jī)投影算法對(duì)特征向量進(jìn)行降維處理，最后采用高斯混合模型對(duì)降維后的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，構(gòu)建體育運(yùn)動(dòng)動(dòng)作識(shí)別模型，并采用各種體育運(yùn)動(dòng)動(dòng)作數(shù)據(jù)集對(duì)性能進(jìn)行測(cè)試。結(jié)果表明，該方法獲得了理想的體育運(yùn)動(dòng)動(dòng)作識(shí)別結(jié)果，而且識(shí)別正確率高于其他體育運(yùn)動(dòng)動(dòng)作識(shí)別方法。

關(guān)鍵詞： 體育運(yùn)動(dòng)動(dòng)作識(shí)別； 隨機(jī)投影； 高斯混合模型； 特征向量降維

中圖分類(lèi)號(hào)： TN911.73?34； TP191 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）11?0061?04

Sports action recognition based on feature dimension reduction

and Gaussian mixture model

OU Jun， SHI Qianhui

（Teaching and Research Section of Gymnastics， College of Physical Education， Guangxi Normal University， Guilin 541004， China）

Abstract： In order to overcome the shortcomings of the current sports action recognition methods， and obtain the optimal recognition effect of sports action， a new sports action recognition method based on feature dimension reduction and Gaussian mixture model is proposed. The video image of sports action is collected to extract the feature vector of the sports action. The random projection algorithm is used to reduce the dimension of the feature vector. The Gaussian mixture model is used to study the training samples after dimension reduction to construct the sports action recognition model. The performance of the method is tested with various sports action datasets. The results show that the proposed method can obtain the satisfied recognition result of sports action， and the recognition accuracy is higher than that of other sports action recognition methods.

Keywords： sports action recognition； random projection； Gaussian mixture model； feature vector dimension reduction

0 引 言

在體育的訓(xùn)練和教學(xué)過(guò)程中采集了大量的體育視頻，對(duì)視頻中的體育運(yùn)動(dòng)動(dòng)作進(jìn)行準(zhǔn)確識(shí)別可以防止意外受傷，保護(hù)運(yùn)動(dòng)員的健康，因此構(gòu)建性能優(yōu)異的體育運(yùn)動(dòng)動(dòng)作識(shí)別方法具有重要意義[1?3]。

體育運(yùn)動(dòng)動(dòng)作識(shí)別分為三個(gè)過(guò)程：

（1） 提取視頻體育運(yùn)動(dòng)動(dòng)作的識(shí)別特征，主要有尺度不變特征變換、光流直方圖等；

（2） 對(duì)高維特向量進(jìn)行降維處理；

（3） 建立體育運(yùn)動(dòng)動(dòng)作識(shí)別的分類(lèi)器[4?6]。

有學(xué)者將體育運(yùn)動(dòng)動(dòng)作視頻劃分為多個(gè)幀，提取它們的光流直方圖特征，并采用隨機(jī)投影算法對(duì)體育運(yùn)動(dòng)動(dòng)作特征進(jìn)行降維，最后采用K鄰近算法進(jìn)行體育運(yùn)動(dòng)動(dòng)作分類(lèi)和識(shí)別[7]。文獻(xiàn)[8]采用稀疏算法提取體育運(yùn)動(dòng)動(dòng)作的時(shí)空特征，然后采用神經(jīng)網(wǎng)絡(luò)建立體育運(yùn)動(dòng)動(dòng)作識(shí)別模型。文獻(xiàn)[9]提取體育運(yùn)動(dòng)動(dòng)作的能量圖和運(yùn)動(dòng)描述子兩種特征，采用支持向量機(jī)建立體育運(yùn)動(dòng)動(dòng)作識(shí)別模型。隨機(jī)投影是一種有效的高維數(shù)據(jù)降維算法，在圖像處理和模式識(shí)別中得到了廣泛的應(yīng)用，為體育運(yùn)動(dòng)動(dòng)作特征的降維提供了一種新工具。

為了解決當(dāng)前體育運(yùn)動(dòng)動(dòng)作識(shí)別方法的不足，以獲得更優(yōu)的體育運(yùn)動(dòng)動(dòng)作識(shí)別效果，提出了特征降維和高斯混合模型的體育運(yùn)動(dòng)動(dòng)作識(shí)別方法。首先提取體育運(yùn)動(dòng)動(dòng)作的特征向量，然后采用隨機(jī)投影算法（Random Projection，RP）對(duì)特征向量進(jìn)行降維處理，最后采用高斯混合模型（Gaussian Mixture Model，GMM）對(duì)降維后的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，構(gòu)建體育運(yùn)動(dòng)動(dòng)作識(shí)別模型。測(cè)試結(jié)果表明，本文方法加快了分類(lèi)器的訓(xùn)練速度，提高了體育運(yùn)動(dòng)動(dòng)作的識(shí)別正確率。

3 仿真測(cè)試

3.1 數(shù)據(jù)集

為了分析特征降維和高斯混合模型的體育運(yùn)動(dòng)動(dòng)作識(shí)別效果，在RAM 32 4 GB，AMD 3.4 GHz CPU的個(gè)人計(jì)算機(jī)上采用Visual Studio 2013進(jìn)行編程開(kāi)發(fā)的體育運(yùn)動(dòng)動(dòng)作識(shí)別程序，選擇UCF50數(shù)據(jù)集作為實(shí)驗(yàn)對(duì)象，其中包括50個(gè)體育運(yùn)動(dòng)動(dòng)作，主要有打籃球、跳水、舉重、單杠、騎馬等類(lèi)型，背景復(fù)雜，視覺(jué)角度相差很大，共有6 618個(gè)樣本，將選擇4 000個(gè)樣本作為訓(xùn)練集，其他樣本作為測(cè)試集，采用平均識(shí)別率作為體育運(yùn)動(dòng)動(dòng)作識(shí)別結(jié)果的衡量標(biāo)準(zhǔn)，以隨機(jī)投影降維特征算法作為對(duì)比實(shí)驗(yàn)。

3.2 結(jié)果與分析

3.2.1 體育運(yùn)動(dòng)動(dòng)作識(shí)別的正確率分析

本文方法和對(duì)比方法的體育運(yùn)動(dòng)動(dòng)作識(shí)別結(jié)果如表1所示。從表1的試驗(yàn)結(jié)果可以看出，本文方法綜合利用空間聚合的優(yōu)勢(shì)，體育運(yùn)動(dòng)動(dòng)作的識(shí)別正確率要明顯優(yōu)于對(duì)比方法。由于隨機(jī)投影算法根據(jù)貢獻(xiàn)最大值進(jìn)行體育運(yùn)動(dòng)動(dòng)作特征降維，需要大量的訓(xùn)練樣本，而且需要對(duì)全部體育運(yùn)動(dòng)動(dòng)作訓(xùn)練特征樣本進(jìn)行統(tǒng)一降維處理，易破壞體育運(yùn)動(dòng)動(dòng)作重要特征的內(nèi)在聯(lián)系，特征信息的冗余性高，而本文方法采用隨機(jī)投影算法將體育運(yùn)動(dòng)動(dòng)作特征隨機(jī)投影到一個(gè)低維子空間中，可以有效保證體育運(yùn)動(dòng)動(dòng)作識(shí)別的可靠性。

同時(shí)從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于全部體育運(yùn)動(dòng)動(dòng)作，兩種方法均出現(xiàn)識(shí)別結(jié)果不理想的現(xiàn)象，如打籃球動(dòng)作的識(shí)別正確率比較低，發(fā)生該問(wèn)題的主要原因是體育運(yùn)動(dòng)動(dòng)作的背景復(fù)雜，在目標(biāo)移動(dòng)過(guò)程中，攝像機(jī)受到一定的干擾，影響了體育運(yùn)動(dòng)動(dòng)作特征提取，從而降低了體育運(yùn)動(dòng)動(dòng)作的識(shí)別正確率。

3.2.2 體育運(yùn)動(dòng)動(dòng)作識(shí)別效率分析

在Matlab R2014b平臺(tái)上，對(duì)兩種方法的體育運(yùn)動(dòng)動(dòng)作識(shí)別效率進(jìn)行測(cè)試，采用運(yùn)行時(shí)間評(píng)估識(shí)別效率，不同特征降維的計(jì)算時(shí)間（單位：s），實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表2所示。從表2可以看出，相對(duì)于對(duì)比方法，本文方法明顯提高了體育運(yùn)動(dòng)動(dòng)作識(shí)別效率，這主要是由于對(duì)比方法采用隨機(jī)投影算法進(jìn)行降維，要進(jìn)行矩陣特征分解，使得時(shí)間復(fù)雜度高，隨著特征維數(shù)的增加，降維時(shí)間急劇增加，而隨機(jī)投影算法只需要進(jìn)行簡(jiǎn)單的矩陣運(yùn)算，大幅度提高了特征降維的效率。

4 結(jié) 語(yǔ)

為了獲得更加理想的體育運(yùn)動(dòng)動(dòng)作識(shí)別結(jié)果，針對(duì)體育運(yùn)動(dòng)動(dòng)作識(shí)別過(guò)程中的特征提取問(wèn)題，提出特征降維和混合高斯模型相融合的體育運(yùn)動(dòng)動(dòng)作識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，本文方法可以大幅度提高體育運(yùn)動(dòng)動(dòng)作的識(shí)別效率，時(shí)間復(fù)雜度急劇下降，有效提高體育運(yùn)動(dòng)動(dòng)作識(shí)別的正確率，具有廣泛的應(yīng)用前景。

注：本文通訊作者為石千惠。

參考文獻(xiàn)

[1] 周巧云，于仕琪.運(yùn)動(dòng)體育動(dòng)作分析[J].先進(jìn)技術(shù)研究通報(bào)，2009，3（5）：47?51.

[2] 阮濤濤，姚明海，瞿心昱，等.基于視覺(jué)的人體運(yùn)動(dòng)分析綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，20（2）：245?253.

[3] 黎洪松，李達(dá).人體運(yùn)動(dòng)分析研究的若干新進(jìn)展[J].模式識(shí)別與人工智能，2009，22（1）：70?78.

[4] 苗雪蘭.體育動(dòng)作量化分析智能系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].體育科學(xué)，2000，20（3）：85?87.

[5] 張毅，張爍，羅元，等.基于Kinect深度圖像信息的手勢(shì)軌跡識(shí)別及應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2012，29（9）：3547?3550.

[6] 曹雛清，李瑞峰，趙立軍，等.基于深度圖像技術(shù)的手勢(shì)識(shí)別方法[J].計(jì)算機(jī)工程，2012，38（8）：16?18.

[7] 李英杰，尹怡欣，鄧飛.一種有效的行為識(shí)別視頻特征[J].計(jì)算機(jī)應(yīng)用，2011，31（2）：406?419.

[8] 苗雪蘭.基于模糊神經(jīng)網(wǎng)絡(luò)理論的體育動(dòng)作模式識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用，2006（6）：155?157.

[9] 趙海勇，劉志鏡，張浩.基于輪廓特征的人體識(shí)別行為[J].光電子·激光，2010，21（10）：1547?1551.

[10] 楊健，楊靜宇，葉暉.Fisher線性鑒別分析的理論研究及其應(yīng)用[J].自動(dòng)化學(xué)報(bào)，2003，29（4）：481?493.

[11] 林慶，徐柱，王士同，等.HSV自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)科學(xué)，2010，37（10）：254?256.