文摘

视频运动目标的实时跟踪已广泛应用于体育产业。为了进一步提高运动目标的实时跟踪精度,提出了一种运动目标实时跟踪方法在智能城市的背景下,互联网+。这种方法收集的数据和信息的目标在运动过程中,充分考虑运动过程的多样性,并执行升级的实时跟踪和检测运动目标。最后,本文中的实验研究表明,该方法可以实时准确跟踪目标,迅速在运动过程中,精度和实时跟踪相对比其他跟踪方法,可作为后续运动目标跟踪的有力工具。

1。介绍

与国内体育产业的不断发展,国内大型体育赛事发展迅速,更多的体育赛事继续出现。详细的分析进行的体育活动运动过程的探索问题和缺点为了发展培训和促销计划在后期1- - - - - -3]。在传统的运动目标实时跟踪系统定位精度滤波算法研究过程中,通常二维地图主要是用来描述运动目标实时跟踪系统的体育环境,但由于二维地图只能描述相对较高的环境平面信息,它不能提供相对完整的数据信息。目前,体育的需求要求体育公司解决一个一站式服务体系,为生活提供强有力的支持,并获得最高的经济效益对整个运动。这是体育的总体目标公司的工作。实时目标跟踪在运动中有着举足轻重的地位。良好的实时目标跟踪系统可以加快流动的运动,降低成本,保证服务的正常运行,实现资源的有效管理和利用。由于互联网技术的快速发展,互联网+作为一个新兴的目标跟踪技术,广泛应用于智能城市的实时跟踪移动目标的过程。在日常运动目标的智能城市,在互联网上实时信息的监测+智能城市体育目标行业正变得越来越重要。通过建立运动目标实时跟踪和实时监控智能城市,可以感知各种数据信息在智能城市体育目标,使用多个互联网终端实现监视和管理,并完成实时监控和实时跟踪管理。节点对应的运动跟踪目标的智能城市有更高灵活性和更大的规模目标跟踪,可靠性提出了更高的要求,稳定,安全的实时跟踪和实时跟踪。 Compared with traditional methods, tracking and real-time tracking based on Kalman filter processing target-tracking calculations need to analyze the extracted sports target data information, which can complete the equipment structure and cost of smart city sports target tracking. Low cost and easy to maintain, it has gradually become the trend of real-time tracking and real-time tracking of sports in smart cities.

为了有效地提高在体育运动目标的跟踪精度,提出了一种运动目标实时跟踪方法的上下文中互联网+。在互联网+的背景下,这个方法使用卡尔曼滤波器算法实时跟踪移动目标。最后,分析实验结果表明,本文算法可以准确、快速实时跟踪运动目标。

2。实时运动目标跟踪算法

2.1。实时数据更新算法

当构造运动目标跟踪模型,有必要检测运动目标的图像。当前使用的有相对多的运动目标跟踪方法,但与其他算法相比,计算实时数据更新算法的很小,所以跟踪是准确的。可以更好地跟踪运动目标的程度和速度(4- - - - - -7]。根据运动目标的特征,通过相应的改进传统的数据实时更新算法,可以有效地提高运动目标的准确性。实时数据更新算法可以执行微分获得运动图像序列的排序,完成运动图像帧的像素处理在短时间内,并且可以有效地检测出运动图像视频根据获得的图像阈值。实时数据更新算法如图1。

假设和的图片吗t和t+n根据工作流框架,使数学模型与差分法为背景更新:

和 代表图像的背景t和t+n帧;V(x,y), 代表的运动目标t,t+ 1帧; 和 的图片吗t,t+n帧噪声。

使用数据实时更新算法来获得tth帧,不同的t+n框架如下。 在哪里 是运动像素的强度; 噪声的强度。

K(x,y)代表二进制差分图像的实时数据更新算法如下。

的公式,T代表了阈值。

如果K(x,y)= 1,这意味着视频运动目标;K(x,y)= 0,这意味着目标是在静态状态。

针对传统的实时数据更新算法的缺点,本文改进它。基本的想法是马克像素强度变化并相应正确的背景区域,然后自动更新背景根据累积的区别,并调整补偿的参考背景,最后实现实时更新的背景。工作流图所示2。

让P(x,y)显示二进制差分图像背景更新后不同处理。然后,有

如果P(x,y)= 1,这意味着像素运动区域;P(x,y)= 0时,它在后台意味着像素运动区域,和背景需要实时更新。改变背景区域的像素框架实现回调的背景像素。

根据抽样在非零区和抽样在其他领域,可以获得背景图像的实时B如下:

描述更新背景图像的加权和B和 ,即

的公式,σ是重量。

邻帧差分法用于选择框架的平均值和不同照明振幅的变化值,和多个相邻帧的平均值差异是用来量化照明的大小变化,所以照明振幅变化值框架的和可以描述如下:

光强度的变化超过阈值时,光补偿是意识到,和更新背景图像如下:

2.2。基于卡尔曼滤波的运动目标跟踪

实时数据更新算法是用来跟踪运动目标实时,准确和卡尔曼滤波算法跟踪目标在运动8- - - - - -10]。代表了向量运动目标所在K,代表了系统观测向量,那么体育目标和观察者的状态可以通过以下公式表示: 代表了状态转移矩阵k来k+ 1;代表了随机噪声向量;观测矩阵;和是观测噪声向量。

卡尔曼滤波算法估计运动目标,和评估标准如下: 在哪里是一种无偏的估计 。

矢量跟踪移动目标估计先验的和协方差方程如下:

增益矩阵的计算公式的卡尔曼滤波算法如下:

postestimation移动的目标向量更新方程和协方差更新方程如下: 在哪里先验估计移动目标;是一个先验估计误差方差矩阵;是一种最优估计误差方差矩阵;是一种最优估计系数矩阵;是一个移动的目标的最优估计。

估计位置从以下7个步骤:

步骤1。结合智能城市体育的布局空间,观察节点和参考节点,数据信息存储在数据库中根据相应的价值坐标,MAC地址,观察节点和参考节点之间的距离。不同类型的节点可以分配不同。观察节点X1的重量,观察节点设置为X2的重量。

步骤2。位置指定节点收集周围的参考节点的相关数据并将数据发送给上层设备。包括三个参考节点的坐标距离跟踪节点。为了促进互联网的正确使用+同时,射频信号强度和互联网+三个参考节点的信号强度同时使用粒子滤波算法来过滤收集到的射频数据和实时跟踪数据的运动目标。

步骤3。根据上述参考相应节点的射频信号强度和互联网+信号强度,未知节点和已知的节点之间的距离可以计算: 的公式,一个代表了信号强度在1米的距离n表示节点的损失系数。

步骤4。使用参考节点为圆心,半径和相应的识别距离。它可以通过公式计算(18)的交集点 , 圈圆B和C之间的交集点 , 圆和圆C之间,交集点 , 圆和圆b .使用之间的距离公式 计算交点 在两个相交点之间的距离更接近一个,那么距离B点之间一个和C更接近于交点 ,和点B和C之间的距离接近的交点 。

第5步。在形成的三角点D,E,F分配的RSSI值三个已知的节点一个,B,C分别点DE和F。表1显示了特定的分布状态。
最高的RSSI值节点的信号强度与其他信号减去优势来定义 : 根据公式(21)、坐标(x,y)未知节点的参考节点的推断。 使用上述算法来估计一个特定节点的坐标的位置 估计。

步骤6。位置节点收集周围的观测节点的相关数据,并重复步骤(3)(5)计算协调评估价值 的跟踪节点。

步骤7。使用公式(6)来计算最终的未知节点的坐标。

2.3。运动目标实时跟踪系统的结构设计

智能城市运动目标实时跟踪系统构建本文主要由数据采集、数据融合和位置跟踪。数据收集主要是基于运动目标的实时跟踪数据结合射频数据和收集的数据分析实现通过使用互联网+采集模块。卡尔曼滤波算法实现两个不同的数据的分析和处理,可以收集不同类型的跟踪目标。智能城市运动目标实时跟踪系统可以有效地提高实时跟踪精度。

在此系统中,观察节点主要分为两个部分:射频读者和互联网+模块。无线电频率的读者可以收集RSSI数据信息。互联网+模块的主要功能是传输网关获取数据信息,同时,它还可以使用作为一个参考节点。互联网的参考节点主要由+模块。与观测点相比,结构相对简单,可用的。用于各种领域,集成射频标签和互联网+模块可以有效地集成在跟踪节点的位置。根据卡尔曼滤波跟踪算法处理,可以实现准确的跟踪节点的跟踪。

3所示。应用卡尔曼滤波算法在实时跟踪运动目标

为了优化的初始重量和阈值卡尔曼滤波器处理目标跟踪,提出了一种基于卡尔曼滤波算法的实时目标跟踪算法加速收敛的目标跟踪和获取全球最佳解决方案(10]在实际位置坐标方向实时跟踪实时跟踪结果和网络培训网络+ + /实时耦合跟踪结果来获得最好的目标实时跟踪结果。

3.1。卡尔曼滤波器处理目标跟踪设计

3.1.1。卡尔曼滤波器处理目标跟踪模型

假设每一层的激活函数节点目标跟踪是一个s形的函数,和第一层的输入我节点被标记为在目标跟踪 ,输出被标记为 ,和的输出k输出层的节点 ,然后中间的输入j层的th节点如下:

目标跟踪误差的定义是不同的 期望输出与实际输出之间。如果有我输出层神经元,定义之间的平方误差的实际输出和期望输出。

3.1.2。训练样本的决心

卡尔曼滤波的目标输入处理目标跟踪是一个四维矩阵组成的智能城市运动目标的实时跟踪结果和互联网+ /实时耦合跟踪结果,和目标输出采样点的实际坐标位置。最后的训练样本显示如下:

的公式,InputData是输入样本, 和 实时跟踪的坐标吗我th指向被跟踪智能城市体育目标,和跟踪坐标在互联网+背景;TargetData目标输出样本, 的真实点吗我指向被跟踪。

3.1.3。神经元参数的确定

确定隐层神经元的数量和使用经验(30.)来表达它

的公式,米隐层节点的数量,n是数量的输入阶段,1是输出段的数量,然后呢一个1到10之间是一个常数。

3.2。卡尔曼滤波算法设计

卡尔曼滤波算法选择卡尔曼滤波器来处理目标跟踪的初始值和阈值,并优化的全局最优解的目标跟踪通过交叉和变异等操作。主要步骤如下。

3.2.1之上。编码方法和初始种群的决心

如果目标跟踪输入神经元的数量n,输出层神经元的数目k隐层神经元的数目米,代码长度l。

在这篇文章中,实验方法用于获取组大小。

3.2.2。适应度函数的选择

自适应函数通常是基于实际输出之差确定的目标跟踪和预期的输出,和实时跟踪程度函数选择见公式(32摘要)。

在这个公式中,每个显示的实际输出和期望输出我th训练样本,n表示训练样本的数量。

3.2.3。选择的选择运营商

卡尔曼滤波算法优化BP算法时,轮盘赌方法通常是选择。设置的健身我届人 ,然后的概率的我th个人落在如下:

3.2.4。交叉算子的选择

本文所示的公式(34),整个交叉方案被选中。

的公式,α代表了基因编码的组合系数,代表的健身价值我th个人亲本种群中,和代表个人的最大和平均健身亲本种群,分别。

4所示。互联网+体育促进城市体育的发展

4.1。分析互联网的优势+城市全民健身运动

全民健身计划是我们国家的一个战略计划。这个国家正越来越多的关注健康的身体健康。中国著名的钟南山院士建议大家经常锻炼(11- - - - - -13]。的环境中,全国人民是健康的,使用互联网+体育进一步推广和普及体育。通过互联网+宣传,运动可以带来更多的人参与和空间的感觉。运动人群发生了相应的变化。人群中会逐渐走向多元化发展。把现有的体育培训机构作为一个例子。当前城市体育培训机构使用传统的招生模式结合互联网+招生。他们不仅可以宣传通过交朋友和广泛的招生信息的传播,让更多的人了解培训机构,提高城市居民的参与运动,奠定了良好的群众基础的发展为全国人民健身运动。通过网络+,运动可以改善的娱乐运动。传统健身基本上是在脱机环境中。 Internet+; It can provide participants with a sports environment combining online and offline. Allow participants to get a full communication and interactive environment, further enhance sports entertainment, and lay a solid foundation for more people to participate in sports.

4.2。研究互联网+城市竞技体育发展的应用

城市体育的发展稳步提高,但仍然存在缺点。的事件影响江西国际比赛和国内比赛主要是皮划艇和举重。这给城市体育的发展带来了前所未有的挑战。单项目和表现不佳的城市体育发展的局限性。系统采用三维虚拟设计形式的实时跟踪目标,这是小,低成本,和良好的连接性能(14,15]。它使用强大的跟踪系统定位精度过滤的方法来定位和跟踪运动系统数据来提高定位的准确性。它可以被应用到每一行的监控系统。监控系统可以确定项目的具体位置根据接收到的数据,效率高,精度高。通过许多实验,具有较高的定位精度,可以实时接收信息的背景下的障碍。人的品质要求不断提高,因此有必要提高在不同环境中定位的准确性。这个需求是未来研究的方向。

4.3。研究互联网+城市群众体育发展的应用

在全球一体化的背景下的体育运动,运动变得越来越繁琐的工作,和工作内容当前体育事业变得越来越复杂。现在是体育产业的重要组成部分是目标的实时跟踪。优化当前的运动跟踪系统在建材市场证实该系统跟踪的结果是高度可信的。该系统具有体积小、成本低、准确定位、实时性能,高的连接性能,可以使整个城市的贵重物品用于长距离。本文分析了互联网领域的城市体育发展的三个层次:(1)掌握城市的优势高参与体育和体育工作的居民,建立更完整的资源配置,使所有体育爱好者来说,有良好的体育环境。(2)统计分析的数据,对现有数据的统计分析,把握城市体育的发展趋势,把握现状城市居民的体育和铺设城市体育发展为更好的决策的基础。(3)建立资源共享,分析了在城市体育的发展问题和优势通过互联网+技术手段,并建立一个互联网+平台和模型有利于城市体育发展通过大数据网络提高城市体育发展的质量和为城市居民创造良好的体育环境。提供一个有效的城市竞技体育发展的开发平台。

5。实验

5.1。运动控制实验基于互联网+背景

在这篇文章中,最小二乘法是用来跟踪运动目标,与现有的可搜索的目标跟踪方法相比在体育产业。本文实验的目的是随机选择一个球体固定位置和自由落体。free-rolling领域基于机器视觉定位实验可以将实验平台划分为三个部分。通常,它的主体机制由一个球体和一个双轴平台,视觉传感器组成的告诉相机和图像捕捉卡,和一个运动控制器由一个主机和DSP控制板。系统结构主要是图所示3。

根据图4,我们可以看到,本文设计的控制系统框图显示领域不断卷在运动期间,还有一个滑动的现象。小球的运动模型相对应的是一个高阶系统。这个系统的建模精度不高。因此,对于综合分析,本实验采用模糊控制方法,该方法不需要系统模型精度和准确度。

本文中使用的控制系统主要由PC主机和机器视觉检测模块。电脑主机获取运动视频视觉传感器收集的信息,可以准确地确定球的位置信息。电脑主机也可以实现球的方向运动,在运动的过程。最后,跟踪值发送到DSP主要控制模块、DSP是用来控制运动的目标。为了避免噪声和外部干扰,图像需要高斯滤波器处理之前获得球的位置信息。为了完成实验比较和验证,运动目标的实时跟踪方法基于最小二乘法和全球目标检索体育目标是用于比较分析。

数据5(一)5(b),5(c)显示了X设在距离,Y设在距离,和实时跟踪轨迹球相对于目标位置检索在运动范围。在这个实验过程中,运动的区域期望检索范围,球可以移动在这个区域,即所谓的实验平台。检索所有当前的领域,我们可以找到一个移动的图像像素大小为418×415。高斯滤波和球的位置采集时间用在这个过程需要大约60 ms。因此,控制系统无法消除外部干扰和球不能稳定。在最初的预期。

从实验结果的分析,图6,基于实时显示移动目标的跟踪方法在本文中,展示了实时运动之间的误差曲线的移动目标X设在方向和运动曲线X设在方向在理想的情况下,实际之间的误差曲线的移动目标Y设在方向和运动曲线Y设在方向移动。从实验结果的分析在图5中,可以看出,移动目标的实时跟踪方法的基础上,跟踪方法对应的实时运动曲线的移动目标的位置X设在方向,X设在方向错误,运动区域检索错误,和运动半径;和Y设在方向实际曲线,Y设在方向错误,和搜索半径。实验过程中使用的参数值米= 7,n= 4,b= 0.4。这三个点作为基准点的历史球的位置。四次曲线拟合方法用于体重系数可以获取运动目标的地方。将其设置为0.4。在球的运动跟踪轨迹图2,物理线主要是对应于达成的目标点的运动轨迹球6 s。在人类干预下,虚线对应6 s球将使用运动目标轨迹偏离了目标运动轨迹的平衡点后,小球的人工干预。如图5,给定值跟踪球的精度保证其健壮的运动跟踪的性能。如果小球碰撞测试平台,小球的轨迹也会改变,导致大型实验过程中的错误。数据5(b),5(d)可以获取移动目标跟踪轨迹半径总是大于跟踪值,以确保移动目标不能偏离。图6显示目标的图像帧17日,23日,49岁,72年和160年的跟踪位置时对应图中的黑点,和黑色的框架表示运动区域。根据图7获得的值后,体育态度的最大体积会比体育总面积的1/6。由于高斯滤波和球的收集时间在运动中的位置面积大约需要10 ms或更少,跟踪算法的计算时间是8毫秒,所以它需要正确处理,否则100帧/秒的高速图像,可以确保你可以得到100帧每秒。秒的图像采集速度运动控制系统。

5.2。跟踪算法性能比较

根据上述实验结果的分析,对于运动目标跟踪,实时跟踪所花费的时间短于图像处理所花费的时间的方法。在这种情况下,实时运动跟踪可以跟踪快,突出其优势。使用卡尔曼滤波算法还可以更好的完成运动目标的实时跟踪。然而,尽管完成上述两个算法,使用粒子滤波算法,运动与一个单一的结构和跟踪可以进行,而且通常需要大约15帧每秒的处理速度。粒子滤波算法可以进行体育单一结构和跟踪,并且通常需要大约15帧每秒的处理速度。

表2显示,在上述三种算法,非线性轨迹与边缘碰撞后,和粒子滤波的跟踪误差显然是占主导地位,但卡尔曼滤波和粒子滤波的计算时间很长,和帧频率100赫兹。的最小二乘方法的计算时间丢失帧现象是最短的,确保图像处理达到100 Hz的帧速率。与体育运动球的速度大于1 m / s,采用基于最小二乘法的目标跟踪方法跟踪,和最大图像运动区运动跟踪后相当于所有体育领域的1/4。

5.3。时序分析

在运动目标的实时跟踪实验使用最小二乘法,PC主机获得收购移动图像100 Hz的速度,也就是说,获得每一帧的图像根据一段时间的25 ms(图8)。运动目标跟踪算法的计算过程大约需要8女士。收购了运动图像处理后,提取位置信息,移动的目标是试图跟踪图像搜索空间区域,运动区域的空间大小是5女士长。最高可以达到11女士,和获得的位置信息的实时跟踪运动目标的运动将模糊控制的DSP板生成控制指令。整个过程大约需要1毫秒。总时间获得一个移动的图像生成运动指令是13和19个女士,女士。质量检验可以确保完成收购了移动目标的位置信息在一个女士25帧频周期。图像处理过程是基于实验硬件和算法,根据以下发送控制命令,这将使一个错误的值代替实际操作值,然后意识到球的实时定位的位置。因此,运动控制系统是一个实时闭环控制。跟踪误差的跟踪误差接近的数字6(b)和6(d)。

6。结论

实时目标跟踪已经逐渐成为一个重要的研究方向运动的深入分析,可为运动训练提供重要的参考价值和竞争力的比赛。由于现有的运动目标跟踪方法的缺点,本文是一个实时的跟踪方法通过构造一个知识城市体育的目标。结合各种数据进行实验分析。最后,实验分析结果表明,本文方法能有效地结合差分法的优点和更新后的卡尔曼滤波算法的背景下互联网+,并可以有效地获得高精度的运动目标跟踪结果满足运动实时跟踪运动的需求分析。

数据可用性

数据共享不适用于本文没有生成数据集或分析在当前的研究中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的基础研究为河南大学的基金。