文摘

针对大型跟踪误差的问题,在传统多人长时间跟踪目标动态跟踪方法,新方法对运动员训练的基于无线人体局域网多人提出了动态跟踪目标。身体第一,microinertial传感器在无线区域网络用于收集多人图像数据的运动员训练,和稀疏表示进行处理后,提高了数据的可靠性,降低了跟踪误差。其次,多人目标动态跟踪方法的基础上,使用自适应搜索框,结合目标隔离和闭塞检测,来判断运动员的训练目标。最后,最近邻算法是用来构造一个自适应搜索框来实现动态跟踪多个目标。实验结果表明,该方法可以准确地测量目标的相似特性,小的跟踪误差和跟踪时间短。最小跟踪误差只有0.11帧。

1。介绍

在现代生活中,体育比赛已经被大多数的深爱观众。随着人民生活质量的提高和科学技术的进步和发展,体育竞赛、培训视频和图像不再能满足社会的所有方面的要求(1]。例如,在运动员训练的过程中,许多人通常在一组训练,很多教练现场指导。因此,当观察培训视频和图片,有必要从多个目标识别多个或单一目标2]。

多人目标检测和跟踪技术的运动员训练的主要内容是许多学科如数字图像处理、计算机视觉和人工智能。它有广阔的应用前景和重要的研究价值在许多领域如人机交互、视频图像监控、和食品检索(3- - - - - -5]。一般来说,视频图像的场景是由背景和前景目标。前景目标图像序列的一个重要组成部分,是感兴趣的研究领域,包含重要的信息。因此,如何快速段多人目标对象和有效地定位和跟踪是研究的重点。

郑et al。6)提出了一个基于multifeature多人动态目标跟踪方法融合,训练有素的滤波器模型利用方向梯度直方图和颜色特征,并融合特性结果收集的过滤器根据不同特性的峰值旁瓣比和权重比响应图。根据最终目标位置响应的峰值旁瓣比每一帧的地图,判断目标是否堵塞。当发生阻塞时,该模型将不会更新,和当前的模型将继续被用于跟踪在下一帧。然而,这种方法有特征相似性测量精度低的问题。Yikun et al。7)提出了一个多人基于TLD和fdst动态目标跟踪方法。为了加强fdst算法的跟踪精度快速运动目标的情况下,快速变形,和目标消失,探测器和学习者的基础上添加了fdst算法修改和学习跟踪结果;探测器的正负样本和学习者是用来评估跟踪结果的信心,以完成目标的动态跟踪。然而,这种方法的跟踪误差很大,这使得难以满足实际应用的需要。Jianqiang和Zhibing8)提出了一个多人目标动态跟踪方法的基础上融合意味着转变和粒子滤波。使用均值漂移算法的快速收敛,迭代粒子集计算和粒子与第一保留15%的重量是形成新的粒子集,减少了计算周期。重采样获得的重粒子,粒子将被更新以提高目标定位精度。然而,该方法的计算需要很长时间。

针对穷人的影响已有多人动态场景中的目标检测和跟踪方法,采取动态跟踪的运动员训练为研究对象,基于现有的研究理论,运动员训练的多人图像准确地收集的无线区域网络,和收集到的图像稀疏表示。在此基础上,自适应搜索框是用来完成动态跟踪运动员训练的目标。

论文的研究贡献包括以下几点:(1)提出了一种新方法为运动员的训练多人目标动态跟踪基于无线区域网络(2)microinertial传感器在无线区域网络是用于收集多人图像数据的运动员的训练,和稀疏表示进行处理后,提高了数据的可靠性,降低了跟踪误差(3)本文采用多人目标动态跟踪方法基于自适应搜索框,结合目标隔离和闭塞检测,来判断运动员的训练目标

2。多人目标的动态跟踪运动员训练基于无线区域网络

2.1。运动员训练数据采集基于无线区域网络

身体无线区域网络是无线网络由便携、可穿戴或可植入的传感器节点,可以感知各种人类生理参数。身体无线区域网络提供了一个新的方法对人类健康监测具有重要应用意义和需求领域的疾病监测、健康复苏,特殊人群监测等等(9]。通过microinertial传感器戴在身体,身体区域网络可以收集人类的运动信号,广泛用于人类运动监测。它可以实现人体运动识别的目的,运动检测、异常步态识别和分析,运动能量消耗分析,等等。

研究领域的无线区域网络如图1。

图1总结了所涉及的研究领域现有的无线区域网络。从现有的研究中,数据融合技术、情境感知技术,和WBSN WBSN能量控制技术研究热点,研究多目标动态跟踪的WBSN运动员训练占很大比重(10]。

当用于多目标动态跟踪的无线人体局域网的运动员训练,身体microinertial传感器在无线区域网络需要用于识别目标的运动信息的运动员训练(11]。运动员训练的多人目标运动信息识别基于microinertial传感器是一系列的图像采样序列排列顺序,包括所有运动员训练的运动信息。

运动员训练领域的多人目标动态跟踪基于microinertial传感器是一个新的领域。它的基本内容是首先获得运动信号生成在运动员训练通过一个或多个惯性传感器然后稀疏表示图像采样,以方便后续运动员训练多人目标动态跟踪(12]。具体的处理过程如图2。

一般来说,惯性传感器收集的样本图像包含不仅运动员训练所产生的运动信号,还有各种噪音。因此,收集到的样本图像必须首先预处理。一般包括平滑和去噪预处理方法,规范化,重采样,窗口和倾斜校正。

平滑和去噪图像处理中经常使用的人类运动基于惯性传感器的样品。因此,样本图像采集的过程中,产生的噪声抖动的运动员的训练和传感器的测量噪声将被包括在收集到的图像,所以这些干扰噪音应该首先删除(13]。

此外,标准化和重采样技术常常用于预处理。在多人目标动态检测,因为运动员的动作幅度不是固定的,不同的运动员正在做不同的动作,信号幅度的影响对抽样结果必须消除。归一化通常可以用来调整信号的振幅差异(14]。

预处理后的样本图像,采样图像的稀疏表示模型。多人目标探测过程中运动员训练基于惯性传感器的三轴加速度值运动员训练过程可以通过惯性传感器,收集 代表了惯性传感器测量的加速度值 , ,和方向,分别,所以一旦收集样本的动态目标检测是加速度的时间序列数据。传感器的采样值是

然后, - - - - - -时间采样值获得对应于一个完整的运动员的训练姿势很短的时间内可以表示为一个一维向量,这是记录

从几何的角度看,许多数据类检测可以通过特定的特征子空间,和每个子空间代表一个数据分类15]。假设的空间分布不同的运动轨迹数据满足混合子空间模型,和不同的运动轨迹数据大约分布在不同的子空间。对于动态轨迹数据的收集,只要选择适当的动态轨迹满足混合子空间模型和每个子空间代表一个轨迹数据类别,运动轨迹识别问题可以转化为稀疏表示分类模型。

运动轨迹数据采集的问题是判断一个运动轨迹的运动类别向量收集的训练集类运动目标样本。基于稀疏表示的收购主要有两个步骤:稀疏编码和稀疏表示。使用超级完整的字典原子由训练样本,收集运动轨迹向量表示为这些原子的线性组合,因此,运动轨迹收购问题转化为多元线性回归模型的采集问题。

假设类训练样本包含运动轨迹,训练样本转化为一个列向量,和列向量 是用来表示运动类的 ,在哪里运动跟踪矢量的维数;然后,所有一维运动方向相对应的训练集类运动跟踪构成运动子空间跟踪,记录

根据线性子空间的原则,如果运动轨迹向量收集属于类运动,运动轨迹向量可以由所有训练运动的轨迹向量的线性组合的子空间,

的公式, ,是稀疏表示系数。

所有的训练样本类型的运动轨迹在整个训练样本集是形成冗余字典矩阵 。字典中的每个基向量代表一个训练样本,如下:

的公式, ,和词典的列数大于的行数。这样的一本词典称为overcomplete字典。

考虑到一些错误必然会被包括在实际的计算过程中,当冗余字典用于表示运动轨迹向量来衡量,它可以由以下公式表示:

的公式, 代表的系数向量, 代表了观测噪声,噪声容忍度 。理想情况下,样本收集只能线性由同一类别的训练样本字典;也就是说,在系数向量 ,唯一的表示系数属于同一类别的训练样本的样本收集不是0,剩下的都是0;然后,当类别的数量不够,与整个词典相比,这种表示方法将显示稀疏的特点。因此,基于先验知识的超级完整的字典的稀疏表示测试样本,最稀疏线性组合超级找到完整的字典来表示测试样品。

是一个系数向量 稀疏。当类别的数量达到一定程度时,方程的解有足够的系数。根据压缩感知理论,可以解决通过最小化常态下的二次约束。具体的计算公式

理想情况下,非零元素的稀疏系数向量通过公式(7)只会出现在相同的位置对应于样品类运动轨迹向量收集,所以可以确定测试样本的类别根据这些非零元素的分布。然而,由于噪声的存在,在实践中,非零元素也可能出现在相应位置的另一个类别去了。然后,计算运动矢量之间的加权线性差分和收集所有运动向量在每个类别,以及计算公式

的公式,意味着提取系数对应于所有类的运动矢量在稀疏表示系数 ,和其他系数0。选择的类别最小的区别,并记录最终收购的结果。

通过以上计算,多目标运动收集数据根据microinertial传感器的无线区域网络,为后续的多目标动态跟踪奠定了基础的多人训练。

2.2。多人目标动态跟踪

多人目标动态跟踪方法使用一种自适应搜索框使用目标隔离和目标遮挡的分离处理,提取目标特征通过一个高效的多人目标检测算法,并保持实时更新跟踪区域搜索框。当每个目标在一个孤立的运动状态,最近邻算法采用基于搜索框。当目标被挡住,一个特征匹配算法的基础上,中心区域是用来动态地跟踪目标。多人目标动态跟踪的框图如图3。

它从多人可以看到目标跟踪框图如图流动3这个方法是一个多人目标动态的基于检测的跟踪方法。这种方法维护一个良好的搜索框和目标特征信息基础通过实现准确的多目标检测。多人目标探测和标记技术,数据关联技术,采用特征匹配技术。以目标是否阻挡为分支点,混合算法用于解决目标跟踪在分时。

应该注意的是,当几个测量目标搜索框中出现,也就是说,在一个搜索框有几个目标,开关立即跟踪算法和开关的最近邻算法的特征匹配算法。这通常发生在目标被阻塞后的分离过程。当目标被屏蔽后突然停止,另一个目标十字架,这个时候,目标脱离闭塞状态和输入的孤立的运动目标。在这个时候,最近邻算法将不可避免地导致了错误的跟踪目标。

在实际的运动员训练场景,多人目标跟踪的目标之间的状态是预分析的基础和前提跟踪的实现方法。根据目标运动的实际情况,多目标运动状态主要包括四种情况:新目标的出现,目标之间的遮挡,相互遮挡、分离的目标,和旧的消失的目标。其中,多个人类目标之间的遮挡分为局部遮挡和严重阻塞。目标遮挡严重与否是判断算法的准确性。当跟踪算法不能有效实现闭塞的独立跟踪目标,阻挡多个人体目标的总和。否则,一些独立者阻挡目标跟踪。

一般来说,移动目标的位置变化的两个相邻帧图像相对于图像空间的距离非常小。因此,设定一个阈值的距离 。当目标的位置在一个圆的起源是当前帧的目标质心和半径 ,判断为同一目标,圆被定义为最近邻圆。因此,一个距离度量矩阵提出了,是 矩阵,代表的目标检测框架,代表blob分段的数量帧和多目标状态是决定根据目标在两个相邻帧的数量最近邻循环:

的公式, 代表的质心位置blob中发现帧图像, 代表的质心位置th目标帧图像。

根据矩阵的定义,我们可以得到

在上面的公式中,代表与前景块的数量th目标,代表的数量匹配的目标前景块。(1)当一个新的目标进入场景(包括目标分裂), ,也就是说,th blob中检测出当前帧未能找到一个匹配的目标框架。为了判断目标是新的或分裂,有必要提取颜色匹配的数据库信息。如果这是一个新的目标,目标;记录的静态特征参数如质心、最小外接矩形,和新目标的颜色信息;并获得运动速度和方向等动态特性参数与第二帧(2)当旧的目标离开现场(包括严重遮挡的目标)。在这个时候, ,也就是说,当弹道目标框架未能找到一个匹配当前帧的blob。当th目标边界的视频场景中,它是判断,旧的目标消失;删除目标,并刷新目标链;否则,认为目标是严重堵塞,确保th目标信息,并记录时间的目标状态 ,从而实现有效跟踪目标时,目标的分割(3)目标遮挡判断。如图4,是最低内切圆半径的重心集中在目标轮廓,然后呢最大外接圆半径的重心集中在目标轮廓。考虑到人体的形状特点,当质心的距离满足两个或两个以上相邻的目标 ,在哪里 和 ,判断目标相互阻碍,停止更新他们的特征参数;当 ,也就是说,当目标匹配的数量th块大于1时,它是多个目标相互阻碍的判断。跟踪的最小外外切矩形和内外圈图所示4

从图可以看出4自适应搜索框架是基于目标运动信息的提取和充分利用前一帧的目标区域检测来预测目标在下一帧的搜索范围。当新目标进入图像,目标的最小外接矩形是通过目标检测和状态评估算法,也就是说,目标的长度和宽度,重心和其他静态参数。多人的重心移动的目标是通过标记目标斑点。质心计算公式如下:

的公式, 代表的价值blob(0或1),和表示索引图像像素的位置,和代表的重心th目标帧图像的。同样,目标的长度和宽度也可以通过连接域的目标。

目标的动态参数时获得从第二帧检测到目标,主要包括运动速度和运动方向。目标运动方向的计算原理如图5。

如图5,质心的运动方向是获得当前帧与前一帧的位置。根据移动目标的位置信息,可以获得以下计算公式:

很容易知道当是在四个特殊角的0,90,180,到270年,有必要分解目标质心的运动的方向吗 。当 和 ,法官 ;同样的, 和 ,然后 ; 和 ,然后 ;和 和 ,然后 。为了降低计算复杂度,提高算法的运动效率,根据计算机操作的原则,考虑把反正弦计算和转换相应的单位。

多目标动态搜索模型如图6。

如图6,建立一个搜索框模型为每一个移动的目标。搜索框的建立从收购目标运动参数。当一个新的目标出现时,初始化搜索框从第二帧完成多人的动态跟踪目标。

3所示。实验验证

为了验证提出的多人运动员培训目标动态跟踪方法基于无线区域网络,仿真和对比实验进行验证。

环境实验中使用Matlab环境,和使用的测试序列是图像序列。运动员身体训练无线区域网络多人目标图像数据实验中使用存储在PETS-ECCV数据库、图像大小 ,图像的数量是500,图像帧的总数是180。

实验方案如下:功能相似性测量的准确性,跟踪时间,跟踪误差和实验比较指标,该方法比multifeature融合方法在文献[6)和TLD, fdst方法提出了文献[7]。具体实验结果如下。

3.1。特征相似度测量的准确性

多人目标过程中的动态跟踪,需要动态地跟踪不同运动员的训练特点,所以有必要来判断不同运动员的特点。特征相似性判断测量已经成为一个重要的特性。因此,以特征相似性度量的准确性为实验比较指数,与两种传统方法相比,此方法(16]。特性的比较结果相似度测量精度的三个方法如图7。

比较结果的特征相似性测量精度图所示7可以看出,三种相似性度量方法的准确性当测试帧序列显示了不同的趋势继续增加。本文方法的测量精度总是保持高水平,基本上高于0.9。multifeature融合方法从实验的开始开始上升,但当帧序列达到168,甚至开始逐渐减少,最后达到0.3。基于TLD测量精度和fDSST方法显示了一个先下降然后上升的趋势,但该方法的测量精度最高不超过0.7。因此,本文解释说,该方法准确多人目标特征的相似性措施来提高跟踪的可靠性(17]。

3.2。跟踪时间

跟踪时间是一个关键的指标来判断的总体性能跟踪方法。跟踪时间越短,越强跟踪性能的方法18]。跟踪时间比较三种方法的结果如图所示8。

观察跟踪时间比较结果如图8可以看出,增加实验图像,本文方法的跟踪时间显示了一个轻微的上升趋势,但最长时间不超过5分钟。的跟踪时间两种文学比较的方法增加严重,最长时间是超过15分钟。因此,这种方法可以减少跟踪时间和提高跟踪效率19,20.]。

3.3。跟踪误差

跟踪误差作为一个索引直接验证动态跟踪方法,其结果可以直观地显示不同的跟踪方法的性能。越明显的跟踪误差是,更好的跟踪性能的方法。三种方法的跟踪误差比较结果如表所示1。

观察跟踪误差比较结果见表1的过程中,我们可以看到完整的迭代验证,文本的跟踪误差方法远远低于两个传统的比较方法。最小跟踪误差的方法,该方法基于TLD和fDSST 4.62帧和4.39帧,分别。因此,本文证明了该方法可以提高跟踪的准确性。

4所示。结论和未来的工作

为了提高多人的可靠性目标动态跟踪运动员训练,身体一个无线区域网络动态跟踪方法的运动员训练多人目标提出和验证方法的性能从理论和实验两个方面。该方法跟踪时间短,降低跟踪误差在执行多人动态目标跟踪在运动员训练。具体地说,与基于multifeature融合方法相比,跟踪时间显著减少,和最大跟踪时间小于5分钟;与基于TLD和fDSST方法相比,跟踪误差显著降低,最小误差只有0.11帧。因此,它充分表明,该跟踪方法可以更好的基于无线人体局域网满足运动员训练的要求多人目标动态跟踪。运动员的状态的实时更新是当前的研究热点。如何在更短的时间内捕捉运动员的运动数据,更新他们的实时运动状态已成为研究的目标。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有竞争的经济利益或个人关系可能出现影响工作报告。