文摘
飞行的外观模型获得的篮球传统篮球的飞行轨迹跟踪方法是不准确的,导致轨迹跟踪的抗干扰性能不理想。基于数据融合和稀疏表示模型,提出了一种新的自动轨迹跟踪方法。首先,篮球的飞行轨迹自动跟踪的相关技术进行了研究和总结,然后方法进行了研究。这个方法的具体实现步骤如下:飞行篮球图像的特征提取的目标特征提取算法,和飞行的外观模型篮球是建立基于稀疏表示。数据融合技术和粒子滤波算法结合,实现自动跟踪的篮球飞行路径。通过三个轴向篮球轨迹的自动跟踪测试和噪声测试和验证3 d世界坐标系下的设计方法实现X, Y,和Z轴更准确的跟踪,与此同时,应用测量信号噪声后,自动轨迹跟踪结果受到一些影响,但仍设法实现轨迹跟踪。
1。介绍
当前对体育视频的研究主要集中在以下方面:第一,提取精彩的片段,也就是说,总结和收集精彩的剪辑,以满足观众不能看直播,这样他们就可以节省时间和享受观看比赛的乐趣最大程度(1]。第二个是事件的技术统计分析(2),也就是说,竞争形势的分析。通过计算机辅助,它可以自动分析和数量竞争以获得详细的视频比赛技术统计,减少错误,节省人力资源。最后是确定运动员的行为,不仅使用最广泛,也最体育视频分析的最终目标的工作。通过识别运动员的竞争行动,可以实现更高级的应用程序,如模拟运动竞赛。在篮球中,大多数游戏的内容是篮球和玩家之间的交互。跟踪篮球游戏的基本工作情况分析和其他应用程序(3,4]。
国外开始研究和分析体育视频在1980年代末。这一领域具有潜在的经济价值和广阔的应用前景。球的飞行轨迹跟踪问题,一些经典的研究成果已经在国内外获得的。文献[5)提出了一个基于图像的卡通图像融合方案结构分解和稀疏表示。提出的图像融合方法能源多通道图像分解成卡通图像和纹理图像。对于漫画的组件,提出了一个合适的空间形态结构保存方法。能源融合规则用于保持源图像的结构信息。对于结构的组件,提出了一种基于稀疏表示的方法。提出了基于稀疏表示的融合方法,字典,并有很强的表现能力训练。最后,根据纹理增强融合规则融合纹理动画和组件是融合。文献[6)神经网络提出了一个双目标跟踪算法集成干扰感知模型。底层由两个神经网络结构特征提取与高层语义特征有效地融合,提高的表征能力的特性。干扰感知模型引入基于颜色直方图特征的算法。目标反应分数地图是通过加权融合估计目标位置、规模和最优目标估计规模利用相邻帧自适应策略。
然而,目标外观模型获得的上述传统的目标跟踪方法不够准确,导致轨迹跟踪的不令人满意的抗干扰性能。指的是先前的研究结果,介绍了数据融合和稀疏表示模型实现篮球飞行轨迹的自动跟踪。
2。篮球的飞行轨迹跟踪的问题
在篮球的飞行轨迹跟踪的研究,仍有许多问题,比如拍摄清晰图像的困难当篮球在高速移动,变形(7相机成像的现象,球飞行时的空气阻力。
2.1。运动模糊的问题
运动模糊意味着篮球和相机的相对运动速度太快,这将使不同的场景点在光敏装置在同一时间在同一点,导致图像质量的退化(8]。有一个严重的高速在篮球运动模糊问题,这将影响轨迹跟踪的准确性。
2.2。透镜畸变
透镜畸变是固有的透视变形的一般术语光学镜头,也就是说,所造成的失真的角度来看,这是非常不利于[照片的成像质量9]。有一些镜头畸变因素在现实情况中,很难被描述的理想的畸变模型。
2.3。空气阻力
在空中高速飞行时,篮球将会被马格努斯力,空气阻力,等等,使其真正的飞行轨迹偏离理想的飞行轨迹。
3所示。相关技术的自动跟踪篮球飞行轨迹
3.1。数据融合技术
3.1.1。数据融合的概述
数据融合是指评估任务的实现通过多源信息和多传感器集成和决策,具体包括多种信息融合和数据融合等概念10,11]。
3.1.2。数据融合的分类
基于抽象层次,数据融合可以分为三类:功能层面,决策水平和像素级。
3.1.3。数据融合的关键
在数据融合,传统的理论和应用新技术。传统的理论包括优化理论和决策理论,而新技术包括加权平均法和科学博士(12]。
3.2。篮球基础飞行轨迹自动跟踪算法
3.2.1之上。目标特征提取
目标特征提取算法主要包括本地保存映射和独立分量分析。
3.2.2。粒子滤波算法
粒子滤波算法是一种蒙特卡罗滤波方法(13),这主要是基于贝叶斯理论。基本思想是表达系统相对应的后验概率分布随机变量通过一群随机粒子权重,可以解决非高斯、非线性问题(14]。
3.2.3。稀疏表示理论
稀疏表示模型包括合成稀疏模型和分析稀疏的模型。分析稀疏模型是一个扩张的信号稀疏的建模领域,主要强调非零元素的位置和数量的稀疏系数元素来描述信号的空间维度X。合成稀疏模型使用超级完整冗余字典稀疏分解的图像信号。
4所示。基于数据融合的篮球轨迹跟踪方法和稀疏表示模型
4.1。基于稀疏表示的外观模型
在图像目标跟踪、轮廓等特性,纹理和颜色通常用于描述目标。然而,在一些图像,目标轮廓不明显,背景是复杂的。跟踪算法基于传统观测模型往往会失去目标(15]。因此,一个新的外观模型的飞行篮球提出了基于稀疏表示模型。
假设图像序列中的目标位于一个低维子空间G= { };也就是说,目标可以通过这个子空间稀疏表示: 子空间称为目标子空间在哪里一个,这是由目标观测向量的特征向量矩阵在前面B帧图像;C代表超完整的字典;D代表表示误差引起的噪声和遮挡;和E代表稀疏(16]。
篮球飞行图像的特征提取的目标特征提取算法,和外观模型的飞行篮球是建基于稀疏表示模型。当篮球飞行图像提取特征,算法使用本地保存映射算法(17),也就是说,减少篮球飞行图像数据的维数,同时保留原始数据的特征。
在篮球的飞行图像的特征提取,再方法用于构造组内的邻接图和同类邻接图18]。
然后,确定边缘上的重量。使用的方法如下:
在公式(2),年代我,j代表了边缘和重量我和j分别代表了篮球的飞行图像的边缘特征。
以边缘重量为权重矩阵的邻接图,可以发现,矩阵是稀疏的,对称的。篮球的飞行图像数据集,通过权重矩阵转换和预计的邻接图获取篮球飞行图像特征(19,20.]。在投影中,需要对目标函数最小化合理化投影准则。最小化目标函数的具体计算公式T如下:
在方程(3),Wij邻接图的表示矩阵的权重;y我和yj代表两个相邻点篮球飞行图像数据集;N代表数据的数量在篮球飞行图像数据集;和T代表了最小化目标函数。
然后,外观模型的飞行篮球是建基于稀疏表示模型;飞行的外观模型,篮球是由稀疏重建算法。外观模型的具体施工过程如下:(1)篮球联赛形象特点是输入(21)和训练来获取字典对高分辨率和低分辨率,为代表Dl和Dh。(2)对每个图像块y我(大小b×b)在篮球飞的形象Y,按顺序处理每个图像块的图像块在左上角(22]。(3)的平均值Y我由Μ计算和表达。(4)功能块y我提取并由吗F{k}Y我。(5)字典vec (Z我),D计算如下: 在方程(3),X我代表了篮球飞行的图像重建高分辨率重建区域。(6)稀疏重建问题[23解决如下: 在方程(4),P代表稀疏重建问题的目标函数(24,25];代表了稀疏表示矩阵;F代表的线性特征提取算子;和λ是忠诚的平衡参数。(7)高分辨率的图像块篮球飞行外观模型,如以下公式所示: 在方程(7),X我代表了构造高分辨率图像块和篮球飞行外观模型T代表了稀疏平衡参数。
高分辨率篮球飞行外观模型(26)是由重复操作的局部加权平均高分辨率的图像块篮球飞行外观模型X0。最后,高分辨率篮球飞行外观模型X0是输出。
4.2。建立算法模型
然后,篮球的模型飞行轨迹自动跟踪算法是由使用数据融合技术和粒子滤波算法。首先,高分辨率的篮球飞行外观模型的数据由数据融合处理技术。使用的数据融合方法D- - - - - -年代证据理论(27),也就是说,把证据集,使用分裂的部分做出独立的判断识别框架,然后用法官规则重组之前划分的部分。组合的规则如下:
在公式(8),一个我和Bj分别代表两个独立的来源的证据;代表主张;米(Ø)代表宇宙的信任函数;米代表信任函数;和k代表命题的数量。
然后,篮球飞行轨迹的自动跟踪算法模型是由粒子滤波算法。协方差模型中的建筑、测量具有重要的影响最终的输出滤波器。为了避免测量协方差的影响,介绍了动态修正,如以下公式所示:
在公式(9),Rk代表了测量协方差;f(·)代表的动态校正功能;dk代表了双目摄像机之间的距离和篮球k在三维空间中,篮球飞行轨迹的自动跟踪算法模型,如以下公式所示:
在方程(10),xcyc,zc分别代表了中点位置时,左、右摄像机连接两个光学中心;xkyk,zk分别表示坐标测量值对应于篮球飞行在三维世界坐标系统。
4.3。两步跟踪
设计篮球飞行轨迹自动跟踪算法决定了价值范围和增加过程的动态校正函数根据实际校准相机的结果。
在初始跟踪阶段,小测量协方差的差异,因此,该算法可以快速遵循篮球的飞行。
然后,测量了协方差的大小差异正逐渐增加,提高粒子滤波算法的输出稳定。
两步过程中跟踪、测量协方差的表达式定义为下面的公式:
在方程(11),d0对应的初始距离值的光学中心篮球和双目相机的连接线的中点R0代表了初始计量协方差。
4.4。算法的步骤
的台阶设计篮球飞行轨迹自动跟踪算法进行了总结。算法的步骤分为三个步骤,如下:(我)篮球目标跟踪的最困难的问题是外观模型的飞行篮球是不够准确的,这仍然是一个未解决的问题在传统篮球的飞行轨迹跟踪方法。因此,基于篮球飞行图像特征的特征提取的目标特征提取算法,我构造稀疏表示的外观模型飞行的篮球,这对高精度目标跟踪奠定了基础的篮球的目标。(2)使用数据融合技术和粒子滤波算法,模型的篮球飞行轨迹自动跟踪算法。D- - - - - -年代证据理论的数据融合技术是用来完成信息处理的高分辨率篮球飞行外观模型数据。(3)最后,篮球飞行外观模型跟踪通过构建篮球飞行轨迹自动跟踪算法模型。
5。实验结果分析
5.1。用例跟踪测试
在实验中,双目视觉系统用于收集篮球飞行机器人篮球图像。条件下i5 - 7300总部处理器和10 GB内存,运动图像序列处理基于MATLAB 2020 b篮球飞行轨迹的自动跟踪实验。在图所示的实验图像1。
篮球目标跟踪的视觉结果如图所示2。
在实验中,平均价值米在Y我是32,k6,初始值的Tk是10毫米。减少的双目摄像机之间的距离和篮球k时间在三维空间中,Rk逐渐增加到40毫米。
5.2。三轴跟踪结果
因为篮球的飞行是在三维空间的过程中,其跟踪效果的测试分为三个方向:x设在,y设在,z设在。篮球运动图像是由MATLAB处理2020 b获得篮球飞行的轨迹坐标。篮球飞行轨迹跟踪利用本文提出的方法和跟踪结果与实际的坐标。如果他们接近,该方法是理想的跟踪结果。
5.2.1。X设在跟踪结果
设计篮球飞行轨迹自动跟踪方法基于数据融合和稀疏表示模型是用来跟踪的轨迹实验抛出的篮球篮球机器人。的实验结果x设在篮球飞行轨迹自动跟踪图所示2。
从实验的结果x设在篮球飞行轨迹图的自动跟踪3和表1可以看到,几乎没有明显区别的输出篮球飞行轨迹自动跟踪算法模型和实际的篮球飞行轨迹。400 ms的实验中,有一个小偏差之间的最初的飞行速度和跟踪速度,和偏差值是0.1 m / s,这表明,随着时间的增加实验,跟踪结果的设计方法仍然是相对稳定和输出噪声很小,证明的自动跟踪效果x设在篮球的飞行轨迹设计方法更好。
5.2.2。Y设在跟踪结果
然后,自动跟踪y设在篮球测试飞行轨迹的设计方法和具体的测试结果如图3。
的自动跟踪y设在篮球飞行轨迹图4和表2,当实验时间是300 ms, 350 ms,该方法有两个跟踪错误,3毫米/女士和2毫米/ ms,分别,但是误差不会影响整体的跟踪效果y设在。可以看出篮球飞行轨迹的自动跟踪方法基于数据融合和稀疏表示模型可以跟踪y设在更准确的三维世界坐标系统。也就是说,篮球飞行轨迹的输出在自动跟踪算法模型y设在跟踪非常接近事实,证明了设计方法可以准确地跟踪y设在轨迹。
5.2.3。Z设在跟踪结果
最后,自动跟踪z设在篮球测试飞行轨迹的设计方法和具体的测试结果如图4。
它可以自动跟踪的z设在篮球飞行轨迹图5和表3自动跟踪的准确性z设在篮球的飞行轨迹设计方法比低x设在和y设在篮球飞行轨迹。在整个跟踪轨迹有一定误差,但误差值总是小于33 mm / MS,这表明它仍然保持高精度。
基于三轴跟踪结果,可以发现,篮球的飞行轨迹自动跟踪算法的输出模型非常接近现实;即篮球飞行轨迹设计的基于数据融合的自动跟踪方法和稀疏表示模型可以更准确地跟踪篮球飞行轨迹。
5.2.4。错误和偏差校正测试
测试后,设计的误差和校正测试篮球飞行轨迹自动跟踪方法基于数据融合和稀疏表示模型进行;期间,一定噪声添加跟踪测试的抗干扰性能设计方法在篮球飞行轨迹的自动跟踪。
对于自动飞行轨迹跟踪方法,抗干扰性能是一个重要的指标来衡量其跟踪性能。自动跟踪的性能测试x设在篮球飞行轨迹为例,应用一定的噪声测试,自动跟踪x设在篮球飞行轨迹在噪声干扰下,测试和测试结果跟踪结果相比部分5.2。1观察抗干扰自动跟踪方法的基于数据融合的篮球飞行轨迹和稀疏表示模型。
在测试,噪音主要是应用于200 ms,和应用是测量信号噪声。的测试结果x设在篮球飞行轨迹自动跟踪的性能设计方法在噪声图所示5。
根据图6和表4的比较结果x设在篮球飞行轨迹自动跟踪测试的地方添加噪声后(200毫秒)表明,测量信号噪声,200 ms的飞行轨迹自动跟踪的结果是在一定程度上的影响。然而,轨迹跟踪仍成功地意识到,证明了篮球飞行轨迹设计的基于数据融合的自动跟踪方法和稀疏表示模型具有良好的抗干扰性能和可以抵抗噪声的影响。
6。结论
为了解决贫穷问题的抗干扰和低传统篮球的飞行轨迹跟踪方法跟踪精度,提出了一种新的轨迹自动跟踪方法。结合稀疏表示模型、数据融合、目标特征提取和粒子滤波算法,篮球的飞行轨迹跟踪进行了研究。总之,以下成就已经在这项研究中:(1)稀疏表示模型、数据融合、目标特征提取和粒子滤波算法深入研究和全面的分类。(2)以篮球为研究对象,通过综合应用各种算法,本文构造了篮球的飞行轨迹自动跟踪算法模型,实现了篮球的飞行轨迹自动跟踪精度高,抗干扰强,并具有广阔的应用前景。(3)为了验证该方法的有效性,仿真实验的设计。通过轨迹跟踪x设在,y设在,z设在,证明该方法可以跟踪精度高的篮球飞行轨迹,和跟踪精度可以保持在95%以上。为了验证其抗干扰性能、噪音低时添加实验时间是200 ms。实验结果表明,该方法的速度跟踪误差只有0.04 m·S−1噪声干扰,表明轨迹跟踪精度噪声干扰下仍能保持高水准。
数据可用性
我们使用模拟数据,我们的模型和相关hyperparameters提供在我们的纸上。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由安徽省自然科学的主要研究项目(KJ2019A0681)和支持的关键教学研究项目质量工程学院和大学在安徽合肥学院财政与经济的广州卓雅教育投资有限公司有限公司实践教育基地(没有主题。2020 sjjd093)。