熊 輝， 孫書會

(1. 長江大學(xué)工程技術(shù)學(xué)院 體育教學(xué)部， 湖北 荊州 434020； 2. 沈陽工業(yè)大學(xué) 軟件學(xué)院， 沈陽 110870)

體育智能化是當(dāng)前發(fā)展的一個重要方向，在任何體育項目中，人體手臂的運動過程都十分重要，手臂的運動軌跡決定著一項運動是否能夠以最佳表現(xiàn)來完成，是影響運動效率的關(guān)鍵因素之一[1].通過科學(xué)合理地分析手臂運動軌跡，可觀察出運動員手臂運動姿勢標準與否，利于教練員指導(dǎo)運動員訓(xùn)練.分析運動軌跡比較有效的方式是采集軌跡圖像，并對圖像進行分割，通過處理圖像運動目標，為體育運動訓(xùn)練提供依據(jù)[2-3].

許冰等[4]人提出基于SIFT流的動態(tài)目標分割算法.論文依據(jù)SIFT流算法描述運動物體特征，結(jié)合圖像顏色空間以及亮度信息，構(gòu)建思維特征空間.通過改進多尺度中心對比法生成顯著圖，同時完成其線性融合，構(gòu)建序列圖像動態(tài)目標顯著模型.該算法具有較強的分割穩(wěn)定性，但存在分割完成后圖像信息完整性得不到保障的問題.任侃等[5]人提出移動相機下運動圖像分割方法.論文通過多平面視差約束法將運動圖像序列中各像素點劃分為背景區(qū)域與目標區(qū)域兩部分，無需固定參考平面，在相機跟隨下完成圖像分割，但也存在分割后圖像信息完整性差的問題.宋琳等[6]人提出基于CV-GAC和圖割的運動目標分割算法.該算法通過高斯模型與背景差分法得到目標初始輪廓區(qū)域，在所得區(qū)域中自適應(yīng)設(shè)定初始曲線輪廓，采用水平集模型自主處理運動目標拓撲變化，同時根據(jù)圖割法實現(xiàn)能量函數(shù)優(yōu)化，完成運動目標最終分割.實驗結(jié)果表明，該算法具有一定分割精度，但存在分割耗時較長的問題.

目前，關(guān)于運動目標圖像分割算法在性能上均存在一定不足，為此，本文提出基于目標區(qū)域約束的人體手臂運動軌跡圖像分割方法.

1 目標區(qū)域約束閾值的設(shè)定

在跟蹤手臂圖像區(qū)域中，閾值分割是一個重要的環(huán)節(jié)，如果選取一個閾值僅對圖像目標和背景進行劃分，可稱為單閾值分割；如果選取多個閾值，則圖像會被分為多個目標區(qū)域和背景，稱為多閾值分割.在實際的手臂運動圖像分割過程中，由于受到外界環(huán)境噪聲以及光照等因素的干擾，圖像上每個像素不適用單一的閾值分割方法，否則會出現(xiàn)目標區(qū)域過大的現(xiàn)象[7].

通常情況下，為了精準地對目標區(qū)域進行約束，需要設(shè)定靈活的閾值.當(dāng)圖像含有噪聲時，濾波器尺寸和閾值的選擇會影響圖像分割性能，較大的濾波器尺寸有助于降低圖像噪聲[8].

假設(shè)Qmax和Qmin分別代表分割手臂圖像的最大閾值和最小閾值，Qmax和Qmin對應(yīng)的圖像像素點分別為rmax和rmin，則像素差值設(shè)定為

Δr=rmax-rmin

(1)

假設(shè)目標跟蹤區(qū)域尺寸為χ，在給定初始值的情況下，χ值會根據(jù)Δr的變化而發(fā)生改變，可以表述為

(2)

式中，Δr1為像素點比例差值的閾值，Δr1取值通常不超過0.15.

根據(jù)式(2)可獲取閾值約束下的目標跟蹤區(qū)域尺寸χ，由此可得出約束閾值Q的取值為

(3)

式中：χ1為目標跟蹤區(qū)域尺寸比例變化的閾值；λ為圖像閾值系數(shù)，需滿足0.5<λ≤1.

根據(jù)上述閾值取值條件，可得出圖像閾值分割曲面圖如圖1所示.

圖1 圖像分割閾值曲面Fig.1 Image segmentation threshold surface

圖1中的梯度幅值是為了確定圖像質(zhì)量而給出的分割幅度變化情況，圖像中的灰度變化通?？煞譃殡A躍型、房頂型以及凸緣型，圖1所示屬于凸緣型.基于圖像像素灰度的梯度幅值變化可以表征圖像的邊緣信息，插值點用來估測圖像閾值，在梯度幅值波動情況下，插值點也隨之波動，此時圖片較為模糊，像素較低.

2 算法應(yīng)用

本文提出的算法提升了運動手臂區(qū)域圖像分割精度，減少分割耗時，增強圖像分割完整性，算法詳細步驟如下：

假設(shè){xi}i=1，2，…，n代表人體手臂運動軌跡在圖像中的像素點集，且區(qū)域坐標已經(jīng)調(diào)節(jié)至以0為中心，同時已依據(jù)區(qū)域大小進行歸一化處理.針對各像素值xi，設(shè)定函數(shù)b(xi)為此像素顏色值，通過Epanechnikov核函數(shù)，區(qū)域顏色在運動軌跡中出現(xiàn)概率可表示為

(4)

式中：u為區(qū)域顏色；C為歸一化函數(shù)；δ為Kronecker函數(shù)；S(i，j)為約束均衡函數(shù).假設(shè)將y作為中心，手臂運動區(qū)域顏色在運動軌跡中出現(xiàn)概率表達式可表示為

(5)

依據(jù)上述計算與分析，本文通過巴氏距離系數(shù)描述軌跡目標區(qū)域與候選目標區(qū)域之間的相似度.其中，巴氏距離系數(shù)及兩者之間相似度表達式為

(6)

(7)

ρ(y)系數(shù)值越大，表示距離值就越小，即軌跡目標與候選目標之間相似程度就越高[9-11].

軌跡目標跟蹤即為目前幀中檢索與目標相對應(yīng)的新位置，此位置可以使以y作為自變量的距離值最小.檢索由前一幀目標處起，在其附近鄰域中查詢.假設(shè)前一幀中的目標位置是y0，將ρ[pu(y)，qu]在運動軌跡目標預(yù)測位置y0處展開，得到的ρ[pu(y)，qu]線性近似值可表示為

(8)

將式(5)代入到式(8)得到

(9)

式中，wi為加權(quán)值.根據(jù)式(9)可以檢索鄰域范圍內(nèi)此密度評估的極大值.在整個過程中，中心位置由當(dāng)前位置y0向新位置y1移動，即

(10)

迭代上述過程，不斷更新運動軌跡目標，則可將人體手臂運動軌跡跟蹤結(jié)果定義為

Y=(y0，y1，…，yn)

(11)

基于圖像軌跡目標跟蹤結(jié)果，利用目標區(qū)域約束法實現(xiàn)圖像分割，詳細步驟如下：

1) 初始化.閾值與圖像平均灰度值相等，運動軌跡點數(shù)量為n0，其初始值為0.將剩余的背景像素定義為n1，G0為軌跡像素灰度值和，G1為背景點像素值.

2) 若t

3) 遍歷人體手臂運動軌跡圖像，并根據(jù)步驟1)中的定義計算n0、n1、G0和G1，即

(12)

(13)

G0=∑n0Y

(14)

G1=∑n1D

(15)

式中，D為圖像背景區(qū)域軌跡.

依據(jù)上述公式可計算圖像中類間方根值為

(16)

式中：Ave0為軌跡點平均灰度值；Ave1為背景點平均灰度值；Ave為圖像灰度均值；ω0、ω1為軌跡點在運動軌跡圖像中占據(jù)的比重和背景點在運動軌跡圖像中占據(jù)的比重，兩者表達式為

(17)

(18)

4) 若MC(Y，D)

5) 經(jīng)過迭代后的MC(Y，D)即為人體手臂運動軌跡圖像最佳分割閾值，利用其分割圖像得到的最終圖像分割結(jié)果可表示為

(19)

式中，?為分割符號.

3 實驗結(jié)果與分析

為驗證基于目標區(qū)域約束的人體手臂運動軌跡圖像分割方法整體的有效性，本文進行了仿真實驗.實驗數(shù)據(jù)來源于某市體院，選取其中男運動員與女運動員各50名，表1為實驗圖像具體信息.分別在不同場景下采集運動員手臂運動姿勢圖像，并對采集到的圖像進行編號，經(jīng)編號得到的有效實驗圖像為150幅，將其均分為手臂靜態(tài)與動態(tài)圖像，對比本文方法與傳統(tǒng)方法之間的差異.

表1 實驗圖像具體信息Tab.1 Experimental image specific information

將實驗平臺搭建在Matlab2017a上，對本文所提方法與傳統(tǒng)基于固定閾值方法的人體手臂靜態(tài)圖像分割結(jié)果進行對比分析，結(jié)果如圖2所示.

圖2 不同方法對比結(jié)果Fig.2 Results Comparison by different methods

根據(jù)圖2可知，本文方法分割得到的人體手臂圖像分割區(qū)域較為細致，分割邊緣連接較為光滑，具有較好的圖像分割效果.對手臂運動過程圖像分割的結(jié)果對比如圖3、4所示.

圖3 本文方法的動態(tài)分割結(jié)果Fig.3 Dynamic segmentation results by proposed method

圖4 傳統(tǒng)方法的動態(tài)分割結(jié)果Fig.4 Dynamic segmentation results by traditional methods

由圖3、4可知，在手臂運動過程中，本文方法分割得到的人體手臂圖像分割區(qū)域較為清晰，完整度較高.在手臂運動過程中，傳統(tǒng)方法對于手臂圖像的分割較為模糊，清晰完整度不足.取有效實驗圖像150幅中的10幅進行分割時間比較，分割時間對比結(jié)果如表2所示.

表2 運動軌跡圖像分割時間對比Tab.2 Comparison of segmentation time for motion trajectory images s

由表2可知，傳統(tǒng)方法與本文方法的軌跡圖像分割時間最大相差7 s，本文方法分割時間總體較低.本文采取多閾值分割方法，對目標區(qū)域約束閾值進行設(shè)定，排除了外界環(huán)境噪聲以及光照等因素的干擾，解決了目標區(qū)域過大的問題.分析上述實驗結(jié)果可知，本文所提方法具有較強分割性能，分割精度明顯提高.

4 結(jié) 論

本文提出基于目標區(qū)域約束的人體手臂運動軌跡圖像分割方法.設(shè)定靈活的閾值，并確定閾值取值，可得出圖像閾值分割曲面圖；對圖像中的手臂運動軌跡進行點集處理，確定區(qū)域顏色出現(xiàn)概率；對人體手臂運動軌跡進行跟蹤，選取目標區(qū)域約束，實現(xiàn)圖像分割.利用實驗測試所提方法進行對比，表明所提方法分割完整性較高，且分割時間較短.

下一步研究要特別注意以下幾個方面：

1) 有部分圖像整體維數(shù)較高，需要將高維圖像降為低維圖像，以此提升圖像處理效率；

2) 機器視覺體系應(yīng)用日益廣泛，圖像中運動目標檢測和分割技術(shù)也在日益創(chuàng)新，可將目標區(qū)域約束分割法與其他圖像分割法相結(jié)合，提升圖像分割精確性.