溫長(zhǎng)吉, 趙珊珊, 申利未, 任虹賓

(吉林農(nóng)業(yè)大學(xué) 信息技術(shù)學(xué)院, 長(zhǎng)春 130118)

行為識(shí)別涉及模式識(shí)別和計(jì)算機(jī)視覺(jué)等多個(gè)學(xué)科, 在人體運(yùn)動(dòng)分析、 安防監(jiān)控等領(lǐng)域應(yīng)用廣泛[1-2]. 主流的行為識(shí)別方法主要分為基于目標(biāo)物軌跡的行為識(shí)別方法和基于目標(biāo)物特征的行為識(shí)別方法[3], 目前已有很多研究結(jié)果. 在基于軌跡的行為識(shí)別方面, Ali等[4]利用人體頭部與軀干5個(gè)歸一化節(jié)點(diǎn)的軌跡信息構(gòu)建了人體行為進(jìn)而進(jìn)行識(shí)別； Ju等[5]根據(jù)運(yùn)動(dòng)軌跡和外觀信息定義了3種群體行為, 采用SVM進(jìn)行識(shí)別； 朱光宇[6]利用時(shí)間/空間交互關(guān)系的分析方法將隊(duì)員軌跡與球軌跡信息進(jìn)行融合, 構(gòu)建交互軌跡, 并基于交互軌跡對(duì)戰(zhàn)術(shù)行為進(jìn)行識(shí)別； Zhou等[7]通過(guò)分析個(gè)體軌跡間的相互影響識(shí)別群體行為. 在基于目標(biāo)物特征的行為識(shí)別方面, 鄭瀟等[8]提出了基于姿態(tài)時(shí)空特征的人體行為識(shí)別方法, 能有效識(shí)別視頻中的人體復(fù)雜動(dòng)作行為； Masui等[9]通過(guò)時(shí)空模式建立視覺(jué)信息, 利用背景減除法檢測(cè)目標(biāo)物, 并以符號(hào)序列表示目標(biāo)物在不同區(qū)域內(nèi)的空間分布, 繼而實(shí)現(xiàn)視頻行為識(shí)別； 王忠民等[10]提出了一種基于低層特征與高層語(yǔ)義的人體行為識(shí)別方法, 通過(guò)融合兩種特征的預(yù)分類結(jié)果得到最終判決的人體行為類別； 裴曉敏等[11]結(jié)合人體行為的時(shí)空特性, 提出了一種時(shí)空特征融合深度學(xué)習(xí)網(wǎng)絡(luò)的人體骨架行為識(shí)別方法, 對(duì)多視角骨架具有較強(qiáng)的魯棒性.

考慮到基于軌跡信息的行為識(shí)別方法易受遮擋、 背景變化等因素的影響[12-13], 本文基于2D局部回歸核提出一種基于局部時(shí)空模式的行為識(shí)別方法. 首先, 將改進(jìn)的局部時(shí)空回歸核作為特征檢測(cè)子檢測(cè)運(yùn)動(dòng)活躍的區(qū)域, 然后將其作為特征單詞, 并使用基于顏色信息的方法標(biāo)記目標(biāo)物, 繼而構(gòu)建特征詞袋模型. 其次, 根據(jù)目標(biāo)物在場(chǎng)地位置及行為方式利用Libsvm模式分類器對(duì)行為進(jìn)行分類識(shí)別. 最后, 將本文方法應(yīng)用到足球比賽視頻中, 分析2012年歐洲杯比賽及2013—2014賽季Barcelona球隊(duì)的所有進(jìn)球情況, 對(duì)整個(gè)比賽及單支球隊(duì)主要采用的戰(zhàn)術(shù)行為進(jìn)行識(shí)別, 根據(jù)人工分類標(biāo)注的結(jié)果計(jì)算準(zhǔn)確率, 從而驗(yàn)證本文方法的有效性.

1 相關(guān)原理

2D局部回歸核[14]是針對(duì)單幀圖像進(jìn)行的顯著性檢測(cè)方法, 該方法通過(guò)圖像底層特征的提取對(duì)其進(jìn)行分析. 為計(jì)算單幀圖像中每個(gè)像素點(diǎn)的顯著性, 首先需計(jì)算每個(gè)像素點(diǎn)的局部回歸核, 以中心點(diǎn)及其鄰域上的點(diǎn)構(gòu)成一個(gè)3×3(5×5)的局部窗口, 本文將2D局部回歸核函數(shù)定義為

(1)

其中:l∈{1,2,…,n},n為局部窗口中的像素點(diǎn)數(shù);i∈{1,2,…,m},m為單幀圖片像素總數(shù);k為抑制噪聲平滑參數(shù), 本文將其設(shè)置為固定值;Kl為協(xié)方差矩陣. 用式(1)計(jì)算局部窗口中鄰域點(diǎn)與中心像素點(diǎn)間的核函數(shù)值, 并對(duì)局部窗口中計(jì)算出的所有核函數(shù)值進(jìn)行歸一化處理, 得到該局部窗口中心點(diǎn)的特征向量Fi. 計(jì)算出圖像中每一像素點(diǎn)在其局部窗口的特征向量后, 用

(2)

進(jìn)行自相似方法測(cè)量. 其中:

‖·‖S為Schmidt范數(shù);

將其代入式(2), 可得顯著性表達(dá)式為

(3)

針對(duì)單幀圖像即2D圖像中的每個(gè)像素點(diǎn)用上述方法進(jìn)行計(jì)算, 將計(jì)算出的Gi值與預(yù)先給定的閾值進(jìn)行比較, 找出靜態(tài)圖像中較顯著的所有像素點(diǎn). 由于該方法相對(duì)于其他計(jì)算顯著性點(diǎn)的方法是非參數(shù)的, 因此運(yùn)算速度較快, 針對(duì)一些噪聲圖像有很好的魯棒性.

在利用2D局部回歸核針對(duì)單幀圖像進(jìn)行檢測(cè)時(shí), 本文選用Libsvm分類器輔助該算法進(jìn)行模型檢測(cè), 并借助Libsvm軟件對(duì)所給數(shù)據(jù)進(jìn)行分類, 針對(duì)諸如小樣本問(wèn)題, 其分類效果較理想, 執(zhí)行步驟如圖1所示.

圖1 Libsvm分類器執(zhí)行步驟

2 基于局部時(shí)空模式的活躍度判別模型

由于視頻中的行為識(shí)別是對(duì)輸入的一段視頻序列進(jìn)行分析, 因此本文在單幀圖像中利用局部回歸核作為特征檢測(cè)子對(duì)圖像像素點(diǎn)進(jìn)行顯著性檢測(cè)的基礎(chǔ)上, 提出一種基于局部時(shí)空模式的活躍度目標(biāo)物檢測(cè)方法. 該方法將時(shí)空狀態(tài)下的局部回歸核作為特征檢測(cè)子, 針對(duì)視頻片段序列中的像素點(diǎn)進(jìn)行檢測(cè). 首先對(duì)輸入視頻的像素點(diǎn)活躍度給出一個(gè)判別函數(shù), 該判別函數(shù)建立在概率基礎(chǔ)上, 其表達(dá)式為

(4)

其中: PixL(i)=(x,y,tj),i=1,2,…,I和j=1,2,…,J表示視頻序列中圖像的像素點(diǎn)坐標(biāo); PixV(i)表示如果第i個(gè)像素點(diǎn)為活躍點(diǎn), 則對(duì)其賦值1, 否則賦值0； th為本文預(yù)先給定的閾值, 以便判斷該點(diǎn)是否活躍. 由于時(shí)空狀態(tài)下的一點(diǎn)可用三維直角坐標(biāo)系中的坐標(biāo)表示, 在三維狀態(tài)下, 本文從時(shí)間維度及空間維度考慮時(shí)空序列下的視頻片段, 給定XT,YT表示時(shí)間維度,XY表示空間維度, 將視頻序列中的像素點(diǎn)作為計(jì)算的中心點(diǎn), 使用2D局部回歸核的計(jì)算方法分別計(jì)算出該像素點(diǎn)在XY,XT,YT3個(gè)坐標(biāo)面上的顯著性概率值, 然后對(duì)時(shí)間維度和空間維度賦以權(quán)重, 對(duì)計(jì)算出的3個(gè)面概率值進(jìn)行特征融合, 將3個(gè)平面融合后的值定義為活躍度, 從而獲得該像素點(diǎn)在時(shí)空位置下的活躍度. 對(duì)時(shí)空中每個(gè)像素點(diǎn)作如上處理, 繼而實(shí)現(xiàn)時(shí)空模式中視頻幀序列上的局部運(yùn)動(dòng)活躍度特征檢測(cè).

在特征T下, PixV(i)=1的概率值計(jì)算表達(dá)式為

其中: Fusion(TXY,TXT,TYT)表示以PixL(i)=(x,y,tj)點(diǎn)為中心的3個(gè)正交面XY,XT,YT上的特征融合函數(shù);T表示在其鄰域窗口內(nèi)得到的特征向量矩陣;W表示鄰域窗口的尺度;TXY,TXT,TYT分別表示XY,XT,YT在3個(gè)正交面上提取的特征值. 由于輸入的視頻幀是彩色圖像, 用XY坐標(biāo)面上視頻幀圖像對(duì)應(yīng)的R/G/B三色信道上的特征融合值表示TXY的特征值,XY,YT坐標(biāo)面上視頻幀圖像對(duì)應(yīng)灰色信道特征表示TXT,TYT特征值, 用a1,a2表示權(quán)值.

為了對(duì)條件概率公式(5)進(jìn)行求解, 利用Bayes公式對(duì)其進(jìn)行簡(jiǎn)化：

(6)

其中p(Pixl(i)=1)和p(T)的先驗(yàn)分布概率全部為均勻分布的常量, 因此Ai=P(PixV(i)=1|T)正比于p(T|PixV(i)=1), 即可將式(6)化簡(jiǎn)為如下形式：

Ai=P(PixV(i)=1|T)=βp(T|PixV(i)=1),

(7)

對(duì)于特征T的計(jì)算, 首先分別計(jì)算XY,XT,YT每個(gè)正交面上的顯著性概率值, 以XT平面為例, 計(jì)算XT坐標(biāo)面每個(gè)像素點(diǎn)的核函數(shù), 表達(dá)式為

(8)

其中: PixV(m)為XT坐標(biāo)面上以PixV(n)為中心點(diǎn)的鄰域窗口內(nèi)的像素;Cm為鄰域窗口內(nèi)像素值的協(xié)方差矩陣;k為抑制噪聲的平滑參數(shù), 本文自定義給出. 計(jì)算出坐標(biāo)面上所有點(diǎn)的核函數(shù)值后, 對(duì)每個(gè)像素點(diǎn)在其局部窗口內(nèi)進(jìn)行歸一化處理, 并將歸一化后的值作為特征向量, 表達(dá)式為

(9)

得到所有像素點(diǎn)在該坐標(biāo)面上的特征向量后, 便可計(jì)算該像素點(diǎn)的條件概率, 計(jì)算表達(dá)式為

(10)

對(duì)該像素點(diǎn)在XY,YT坐標(biāo)面上也做相同處理, 然后由式(4)和式(5), 即以子視頻段中每個(gè)像素點(diǎn)為中心, 計(jì)算該點(diǎn)在空間正交面檢測(cè)值的加權(quán)線性融合值, 與給定的閾值比較便可得到該點(diǎn)在時(shí)空模式下最終的活躍度判定結(jié)果.圖2為視頻片段中某一像素點(diǎn)在時(shí)空模式下的局部特征檢測(cè)子示意圖.

3 實(shí) 驗(yàn)

為驗(yàn)證本文提出方法的有效性, 實(shí)驗(yàn)窗口設(shè)為3×3的局部窗口, 且選取2012年歐洲杯賽事的進(jìn)球視頻和2013—2014賽季Barcelona球隊(duì)的進(jìn)球視頻作為輸入數(shù)據(jù)進(jìn)行戰(zhàn)術(shù)行為識(shí)別.

3.1 視頻預(yù)處理

將輸入的視頻以視頻幀圖像作為輸入：

x={x1,x2,…,xi,…,xN},

(11)

其中:xi(i=1,2,…,n)表示x子視頻段的第i幀圖像;N表示其幀數(shù). 將輸入的視頻段按相同時(shí)間間隔長(zhǎng)度進(jìn)行分割, 表示為

x={x1,x2,…,xj,…,xM},

(12)

其中M表示將整段輸入視頻進(jìn)行分割的子視頻段的段數(shù);

xj={xj1,xj2,…,xjq,…,xjm},j=1,2,…,M,

(13)

表示分割輸入視頻的第j個(gè)子視頻, 且jm=pm,j≠p,j,p=1,2,…,M,q=1,2,…,N,xjq為第j個(gè)子視頻段中的第q幀圖像.

為使球員在球場(chǎng)上的時(shí)空分布看起來(lái)不過(guò)于密集或稀疏[15], 將子視頻段劃分為3～9個(gè)較合理. 劃分不同段數(shù)的識(shí)別精度如圖3所示. 由圖3可見(jiàn), 將一個(gè)視頻段等分為6個(gè)子視頻段的效果最好, 每個(gè)子視頻段時(shí)間應(yīng)小于10 s.

3.2 信息特征提取

3.2.1 區(qū)域劃分 利用文獻(xiàn)[16]提出的場(chǎng)地線檢測(cè)算法, 以標(biāo)準(zhǔn)足球場(chǎng)地的左半場(chǎng)為劃分對(duì)象, 右半場(chǎng)地做相同處理. 根據(jù)足球場(chǎng)的幾何特征, 對(duì)其進(jìn)行如下劃分： 除頂點(diǎn)外在左半場(chǎng)邊線做等距3個(gè)點(diǎn), 底線上做對(duì)稱3個(gè)點(diǎn), 以直線連接相對(duì)線的對(duì)應(yīng)點(diǎn)即可得到一個(gè)包含16個(gè)小區(qū)域的左半場(chǎng)地. 圖4為足球場(chǎng)地劃分后的示意圖.

圖3 分割數(shù)識(shí)別精度

圖4 足球場(chǎng)地劃分示意圖

3.2.2 顯著性區(qū)域判別檢測(cè) 針對(duì)視頻中的目標(biāo)行為特征, 為得到符合人類視覺(jué)機(jī)制感興趣的區(qū)域或部分, 本文在局部回歸核的基礎(chǔ)上融入視覺(jué)顯著性的區(qū)域判別概念, 對(duì)視頻幀內(nèi)顯著性區(qū)域進(jìn)行精確提取, 以保證得到的特征信息符合觀測(cè)需求. 像素、 超體素的顯著度與視頻顯著圖的計(jì)算均是顯著性區(qū)域判別檢測(cè)過(guò)程的重要組成部分. 顯著圖計(jì)算公式為

(14)

為視頻幀數(shù)間的變化增量,λ為時(shí)間增量權(quán)重,α為時(shí)間調(diào)控因子,N為歸一化算子集合(其集合值屬于[0,1]). 通過(guò)視頻幀顯著圖對(duì)顯著度加權(quán)后, 得到每個(gè)超體素值集合, 并用該集合表示區(qū)域判別性的判別度大小, 超體素顯著度公式為

(15)

其中:S(i)為視頻幀中對(duì)應(yīng)的第i個(gè)超體素;N(S(i))為第i個(gè)超體素中包含的像素個(gè)數(shù);q為像素點(diǎn), Sal(q)為像素的顯著度. 針對(duì)判別性顯著度得到顯著性加權(quán)判別度公式為

(16)

其中:f(S(i))為第i個(gè)超體素判別后結(jié)果;β為平衡項(xiàng)權(quán)值. 當(dāng)D(S(i))>2時(shí), 被視為視頻的顯著性判別區(qū)域, 為觀測(cè)目標(biāo)區(qū)域, 最終實(shí)現(xiàn)區(qū)域性判別效果[17].

3.2.3 活躍球員檢測(cè)與定位 根據(jù)本文提出的三維狀態(tài)局部時(shí)空回歸核, 構(gòu)建直接參與戰(zhàn)術(shù)的活躍球員判別模型. 本文將局部時(shí)空回歸模型的閾值設(shè)為0.7, 將線性加權(quán)特征融合計(jì)算表達(dá)式中的權(quán)值設(shè)為a1=0.4,a2=0.6. 每個(gè)活躍度區(qū)域代表場(chǎng)上的一個(gè)球員, 若活躍度大于等于閾值, 則為活躍的, 否則為非活躍的, 然后構(gòu)建活躍度圖, 檢測(cè)出分割的每個(gè)子視頻段的活躍度球員, 并結(jié)合文獻(xiàn)[18]提出的攝像機(jī)標(biāo)定模型, 將其定位到已劃分好的球場(chǎng)區(qū)域上.

3.2.4 特征詞袋模型構(gòu)建與串聯(lián) 針對(duì)每個(gè)子視頻段, 將得到的活躍度圖對(duì)應(yīng)真實(shí)空間坐標(biāo)系中的球場(chǎng)分割區(qū)域位置進(jìn)行相應(yīng)標(biāo)號(hào), 即令Ej(i)=a,a∈{1,2,…,16}, 其中Ej(i)表示子視頻段xj上的第i個(gè)運(yùn)動(dòng)活躍度區(qū)域,a為對(duì)應(yīng)的球場(chǎng)區(qū)域標(biāo)號(hào), 每個(gè)活躍度區(qū)域?qū)?yīng)一個(gè)足球運(yùn)動(dòng)員. 由于不同球隊(duì)的球衣顏色不同, 因此可根據(jù)其顏色紋理信息對(duì)球員所屬球隊(duì)進(jìn)行識(shí)別, 將子視頻段上的所有活躍球員對(duì)應(yīng)的球場(chǎng)區(qū)域進(jìn)行標(biāo)號(hào)并識(shí)別出其所屬的球隊(duì).

先將等時(shí)間分割的所有子視頻段進(jìn)行上述相同處理, 然后計(jì)算每個(gè)子視頻段中所要識(shí)別球隊(duì)的運(yùn)動(dòng)活躍度區(qū)域在每個(gè)球場(chǎng)分割區(qū)域中出現(xiàn)的頻次, 頻次定義為

(17)

構(gòu)建子視頻段xj上的活躍度區(qū)域特征詞袋直方圖λj, 仍以左半場(chǎng)為例, 直方圖中橫軸表示子視頻段中{1,2,…,16}的球場(chǎng)區(qū)域標(biāo)號(hào), 縱軸表示每個(gè)球場(chǎng)區(qū)域中實(shí)驗(yàn)方球隊(duì)活躍度區(qū)域出現(xiàn)的頻次. 因?yàn)樽右曨l段是按等時(shí)間間隔進(jìn)行分割的, 因而在時(shí)序上有著連續(xù)關(guān)系. 得到每個(gè)子視頻段的特征詞袋直方圖后將其按時(shí)序關(guān)系串聯(lián), 即可得到足球視頻戰(zhàn)術(shù)行為的特征表示{λ1,λ2,…,λj,…,λM}.

3.3 戰(zhàn)術(shù)行為識(shí)別分類

圖5 足球場(chǎng)上戰(zhàn)術(shù)行為識(shí)別分類

根據(jù)球員在進(jìn)攻過(guò)程中足球場(chǎng)上所處的位置給出3種戰(zhàn)術(shù)行為類別, 即中路進(jìn)攻、 邊路進(jìn)攻和協(xié)同進(jìn)攻. 中路進(jìn)攻對(duì)應(yīng)圖4中的{5,6,7,8}和{9,10,11,12}區(qū)域, 邊路進(jìn)攻對(duì)應(yīng)圖4中的{1,2,3,4}和{13,14,15,16}區(qū)域, 協(xié)同進(jìn)攻活躍球員均勻出現(xiàn)在所劃分的區(qū)域上, 即對(duì)應(yīng)的局部時(shí)空模式平均分布于中路進(jìn)攻和邊路進(jìn)攻間. 按照進(jìn)攻中球的傳遞方式將其分為快速反擊和短傳滲透. 將3種按位置分類的方式與2種按傳遞的分類方式相結(jié)合, 可得到相應(yīng)的6種組合分類方式, 借助Libsvm分類器對(duì)輸入的進(jìn)球視頻進(jìn)行處理, 直觀的分類如圖5所示.

將整場(chǎng)比賽中的某支球隊(duì)或某個(gè)賽事的戰(zhàn)術(shù)行為按上述方法分類后, 根據(jù)進(jìn)球過(guò)程中采用的6種戰(zhàn)術(shù)行為所占百分?jǐn)?shù), 便可分析其在比賽中所使用的主要戰(zhàn)術(shù)行為.

3.4 實(shí)例分析

1) 2012年歐洲杯. 為得到查全率、 查準(zhǔn)率及準(zhǔn)確率, 對(duì)所選取的2012年歐洲杯足球賽進(jìn)球視頻進(jìn)行人工標(biāo)注, 結(jié)果列于表1.

表1 2012年歐洲杯足球賽采用各戰(zhàn)術(shù)的進(jìn)球數(shù)量及所占百分?jǐn)?shù)

經(jīng)篩選, 有60個(gè)包含上述定義的6種進(jìn)攻模式進(jìn)球片段. 2012年歐洲杯足球賽中6種進(jìn)攻模式的視頻幀如圖6所示.

下面以人工標(biāo)注結(jié)果m為比較標(biāo)準(zhǔn), 將計(jì)算機(jī)識(shí)別結(jié)果與人工標(biāo)注結(jié)果進(jìn)行比較分析. 設(shè)識(shí)別正確的結(jié)果為hc, 識(shí)別錯(cuò)誤的結(jié)果為hf, 未能識(shí)別出的結(jié)果為hm. 為說(shuō)明識(shí)別結(jié)果的準(zhǔn)確性, 對(duì)輸入數(shù)據(jù)進(jìn)行多次實(shí)驗(yàn)然后取平均值. 查全率R、 查準(zhǔn)率P及準(zhǔn)確率C分別定義為

利用本文方法得到的2012年歐洲杯足球比賽中采用的6種進(jìn)攻模式的識(shí)別結(jié)果列于表2. 由表2可見(jiàn), 2012年歐洲杯足球比賽中球隊(duì)進(jìn)球主要采用中路快速反擊方式, 其次是協(xié)同快速反擊. 應(yīng)用的6種戰(zhàn)術(shù)行為中, 中路和邊路進(jìn)攻的戰(zhàn)術(shù)方式識(shí)別準(zhǔn)確率較高, 而協(xié)同進(jìn)攻的準(zhǔn)確率相對(duì)前兩者稍低, 但也達(dá)到80%以上. 其中協(xié)同快速反擊和協(xié)同短傳滲透的識(shí)別準(zhǔn)確率分別為90.6%和80%, 但協(xié)同短傳滲透的查全率及查準(zhǔn)率分別為69.6%和71.1%, 低于其他戰(zhàn)術(shù)行為識(shí)別結(jié)果, 這主要是由于識(shí)別過(guò)程中對(duì)中路及邊路的界限區(qū)分人眼識(shí)別不很清楚, 所以人工標(biāo)注結(jié)果有誤差, 而由協(xié)同進(jìn)攻的定義也可理解其準(zhǔn)確率相對(duì)較低的原因.

圖6 2012年歐洲杯足球賽6種進(jìn)攻模式視頻幀圖像

表2 2012年歐洲杯足球賽進(jìn)球戰(zhàn)術(shù)行為識(shí)別結(jié)果及準(zhǔn)確率

圖7 2013—2014賽季Barcelona隊(duì)6種進(jìn)攻模式視頻幀圖像

2) 2013—2014賽季Barcelona隊(duì). 圖7為2013—2014賽季Barcelona隊(duì)相應(yīng)6種進(jìn)攻模式的視頻幀. 2013—2014賽季西甲Barcelona隊(duì)采用的6種進(jìn)攻模式的人工標(biāo)注結(jié)果及本文方法的識(shí)別結(jié)果分別列于表3和表4. 由表4可見(jiàn), Barcelona隊(duì)主要采用中路進(jìn)攻的方式, 其中中路快速反擊相比于短傳滲透所占百分?jǐn)?shù)更大, 實(shí)驗(yàn)結(jié)果與實(shí)際情況相符, 測(cè)試中6種戰(zhàn)術(shù)行為結(jié)果準(zhǔn)確率均達(dá)到80%以上, 與人工標(biāo)注結(jié)果相符. 由于人工標(biāo)注過(guò)程中帶有一定的主觀性, 同時(shí)對(duì)球場(chǎng)區(qū)域的劃分沒(méi)有一定的標(biāo)準(zhǔn), 且樣本數(shù)量相對(duì)較少, 因此本文實(shí)驗(yàn)與實(shí)際結(jié)果比較存在一定偏差. 經(jīng)計(jì)算, 實(shí)驗(yàn)結(jié)果的平均準(zhǔn)確率達(dá)91.3%, 實(shí)驗(yàn)結(jié)果較理想.

表3 2013—2014賽季西甲Barcelona隊(duì)采用各戰(zhàn)術(shù)的進(jìn)球數(shù)量及所占百分?jǐn)?shù)

表4 2013—2014賽季西甲Barcelona隊(duì)進(jìn)球戰(zhàn)術(shù)行為識(shí)別結(jié)果及準(zhǔn)確率

綜上所述, 本文在基于2D局部回歸核進(jìn)行圖片像素點(diǎn)顯著性檢測(cè)的基礎(chǔ)上, 提出了一種基于局部時(shí)空模式的活躍度判別模型. 首先, 通過(guò)計(jì)算時(shí)空上某一中心點(diǎn)在3個(gè)正交面上的特征融合值對(duì)該點(diǎn)活躍度進(jìn)行判別, 構(gòu)建活躍度圖. 其次, 提出將活躍度圖對(duì)應(yīng)于真實(shí)區(qū)域構(gòu)建特征詞袋模型, 結(jié)合研究對(duì)象的顏色信息作出特征直方圖, 最后, 將每個(gè)子視頻段的特征直方圖按時(shí)序關(guān)系進(jìn)行串聯(lián), 根據(jù)每個(gè)行為的特征選擇利用Libsvm識(shí)別分類器進(jìn)行分類識(shí)別, 有效解決了基于軌跡方法中由于遮擋導(dǎo)致軌跡提取不完整或背景過(guò)于復(fù)雜等因素造成的識(shí)別準(zhǔn)確程度較低的問(wèn)題. 將本文方法應(yīng)用到2012年歐洲杯及2013—2014賽季西甲足球比賽視頻中對(duì)球員進(jìn)球的戰(zhàn)術(shù)行為進(jìn)行識(shí)別, 平均準(zhǔn)確率為91.3%. 實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法對(duì)視頻中目標(biāo)物行為識(shí)別具有較高的準(zhǔn)確性和實(shí)用性.