文摘

足球运动员视频目标跟踪是一项非常有挑战性的工作,具有良好的实用和商业价值。传统的足球比赛目标跟踪依赖运动员携带录音芯片实现目标跟踪,但成本非常高。与摄影技术和深度学习技术的快速发展,运动员的目标跟踪是通过足球比赛视频。深度学习技术应用于计算机视觉检测和跟踪。如何实现足球球员的视频目标跟踪在深度学习是一项具有挑战性的课。为了解决这个问题,本文以视频目标跟踪的足球运动员为研究对象,收集游戏体育场通过多个摄像机的图像,实现长期的准确跟踪多个玩家,建立摄像机实现多目标跟踪系统。形成的KCF算法和改进的KCF算法代替猪KCF算法的特性与深度卷积神经网络用于比较不同目标跟踪和分析的影响范围和目标数字系统的目标跟踪精度,以便准确地获得足球运动员的运动轨迹。足球比赛的结果表明,该图像数据收集由多个摄像头,独立和多个摄像机收集的数据来生成每个目标运动数据。KCF算法的摄像机实现多目标跟踪具有良好的鲁棒性和实时长期准确跟踪的足球运动员;KCF算法和改进的KCF算法在目标跟踪精度高。 With the increase of tracking frame range, the accuracy of target tracking of the two algorithms is improved. At the same time, multitarget tracking helps to improve the antiocclusion ability of the system. The research results have important practical significance and good application prospects for the analysis technology of video content of football matches.

1。介绍

与奥运会和世界杯的发展,尤其是计算机技术的形式,视频点击和世界杯的数量正逐渐改善。最观赏运动,足球是世界各地的爱。足球比赛视频的分析主要包括球员跟踪,球员活动地图,和裁判视频地图(1]。视频是关键的目标检测和跟踪技术来实现这些。足球视频经常添加各种特效来引起注意。通过视频运动教练和分析师分析一些数据。玩家也想看自己的游戏性能,和这些行为需要依靠目标运动轨迹提取技术(2,3]。为主要的足球比赛,必须满足这些需求。只有通过增加成本和增加人力和物质资源的投资可以被实现。然而,对于一些业余足球比赛,低成本目标跟踪方案有更多的实用价值和现实意义(4]。

足球运动员在目标跟踪方面,国内外学者进行了丰富的研究,从单目标跟踪、多目标跟踪、和摄像机实现多目标跟踪。摄像机实现多目标跟踪获得大的图像采集区域的优势,解决遮挡、光照变化,等等,但是有困难在摄像机实现数据融合和目标匹配5,6]。一些研究人员提出了一个区域目标匹配方法,它利用目标特征匹配多个相机。一些研究人员实现目标匹配基于颜色特征和建立高斯颜色模式匹配目标的颜色直方图匹配的特征(7,8]。然而,当目标颜色是相似的,匹配很容易产生错误。与此同时,当光线变化时,颜色会改变,可能会有很大的差异的颜色相同的目标,大大影响目标匹配(9]。一些研究者提出了基于特征点匹配的目标10]。通过目标的质心特征点和建立三维坐标系,确定目标的位置。一些学者提出了目标匹配使用筛选功能,可有效解决变化的影响,如光照、旋转和反射11- - - - - -13]。然而,特征提取时间长,该算法要求非常高。同时,目标的数量越多,计算压力越大。

随着计算机视觉技术的发展,视频目标跟踪已成为一个热点研究领域,但很少有成熟的算法(14]。这是因为目标跟踪是极大地受到外部环境的影响,如运动状态,闭塞,和光线,所以很难实现快速处理的速度和准确性。深度学习技术的成熟,基于深度学习的目标跟踪算法发展迅速,精度是保证(15]。深入学习是机器学习的一个分支,在“深度”指的是网络层的神经网络模型。一些研究人员使用深度学习的方法来改善裂缝目标识别的准确性,10%高于传统方法。因此,深度卷积神经网络的模型逐渐取代了传统的图像分类算法(16]。一些研究人员提出RCNN深层神经网络模型,通过选择性提取目标区域的搜索,使用RCNN网络模型来提取目标特征,获得检测框架通过训练SVM分类器分类和nonmaximum抑制算法,并取得了良好的目标检测结果。然而,当需要检测多个目标同时,普查运行缓慢,从而影响检测效果;通过改善RCNN算法,有些学者提出了一种新的网络结构spp体系,大大提高了运行速度将不同大小的图像转换成固定尺寸和特征向量只需要一个RCNN目标特征提取(17];RCNN spp网的基础上,一些研究者提出了快速RCNN,实现端到端的培训通过添加softmax层而非支持向量机分类器。一些研究人员提出完整的络筒机的RPN网络,可以输入整个图像和输出包含目标的矩形(18]。同时,它可以覆盖整个图像通过使用各种不同的滑动窗口,每个滑动窗口可以得到概率和立场回归的结果的目标。在这篇文章中,一组摄像机实现多目标跟踪系统设计,它可以准确地跟踪多个运动员在很长一段时间内通过收集运动员的体育场比赛图片。一个摄像机实现多目标跟踪系统。KCF算法和KCF改进算法被用来分析不同目标跟踪的影响范围和目标数字系统的目标跟踪精度,从而达到深度下的足球球员的视频目标跟踪学习。

2。研究方法

2.1。摄像机实现多目标跟踪方法

通过跟踪球员在足球视频只有一个相机,足球场覆盖的区域是不完全的,球员有时会消失,有时还出现在镜头前,容易出现匹配错误数量。本文采用多个摄像机和多目标跟踪,收集整个体育场通过多个摄像头,处理收集到的图像数据,并使用多个摄像头获取目标信息,以确保球员们的视野。多个摄像头之间的目标可以纠正对方,当一个球员的数量匹配误差在一个由其他相机和相机可以纠正最后正确的球员可以匹配。

在足球视频中,玩家需要获得所有玩家的轨迹跟踪。首先,每个相机的坐标系统和法院以及它们之间的映射关系。同时,摄像头的位置是固定的,可以通过相机校正实现映射关系。相机校正(图的过程1)如下:(1)安装12个摄像头在足球场上。安装位置如图2。设置高度和焦距,以确保他们可以覆盖整个足球场。(2)使用校准板在不同的方向,以确保旋转摄像机校准板可以出现在所有位置的相机。同时,选择20个清晰的图像和使用的校准方法校准相机的内部参数。(3)模拟运动的足球,足球与不同的颜色从足球场,一片足球场的四角坐标系统的起源,并记录的坐标的投影坐标系统下的足球中心字段。(4)根据图像与足球的摄像机拍摄的,颜色是用来区分足球和场和足球在图像的坐标计算。(5)足球的球坐标之间的对应关系,计算得到的图像的像素坐标矩阵的内部参数和外部参数矩阵。(6)通过相机的内部和外部参数,足球的像素坐标转换成坐标。根据坐标转换之间的误差和实际记录坐标,补偿图像分为区域像素坐标。

2.2。多个摄像机融合算法

通过多个摄像机融合算法,个人目标跟踪多个摄像头的结果在一个完整的视频序列通过坐标变换转换为每个相应的运动员。为了提高融合精度,采用三重匹配方法,它使用历史信息通信,最近邻算法匹配,模板匹配。

历史信息匹配是一个映射关系,也就是说,每个相机下的目标数之间的映射和真正的运动员号码。最近邻算法行匹配目标距离测量的开始和结束位置之间的位置相邻周期达到最近邻算法匹配。模板匹配是通过计算两幅图像之间的相似性匹配对象。三重匹配后,归一化相关匹配方法是选择实现摄像机实现融合。

2.3。基于深度学习的摄像机实现多目标跟踪算法

为了收集的球员在球场实时图像和输出球员的运动轨迹在体育场,在游戏中球员的跟踪是分解为多个连续跟踪周期。每个跟踪周期输入一段视频(包括连续的图像N框架,n是一个常数),以保存所有球员在这个视频的运动轨迹和收集所有跟踪周期获得所有球员的运动轨迹在整个游戏。

摄像机实现目标跟踪过程如下:(1)对于每个跟踪周期N帧图像的摄像机采集的输入到单机多目标跟踪模块获得每个运动员的初始位置。运动员的运动跟踪与运动融合跟踪拍摄的镜头下前面的循环来获取每个运动员的运动跟踪和目标编号并保存。重复此操作为每个摄像头获取图像运动跟踪和其所有运动员在当前周期的数量。(2)玩家的图像坐标轨迹映射到法院坐标轨迹,和法院协调每个玩家的轨迹跟踪周期是由多个摄像机获得的融合算法。多个摄像头采集的数据可以同步与多个摄像头采集的数据在下一个周期。在计算过程中,足球是一个固定的目标。如果足球的现场坐标计算由多个相机有很大的不同,单一相机模块有一个目标跟踪误差和跟踪可以删除。同时,足球的体积很小,跟踪是困难的,而且可能经常被封。没有检测到足球轨迹之间的联系。丢失的球轨迹之间的两个周期通过线性插值进行补充。间隔两个星期大时,球的运动轨迹是失踪。

多个摄像机的操作流程(图多目标跟踪方法3)如下:当算法开始运行时,13个线程运行并行处理,前六,过去六个线程用于图像采集和singlecamera多目标跟踪,和第七个线程运行多个摄像机数据融合算法和集成的数据之前跟踪周期。通过循环处理,它将自动或手动完成。

3所示。结果和分析

3.1。摄像机实现目标跟踪系统的设计

通过深入学习算法,摄像机实现多目标跟踪系统可以处理多个摄像头收集的运动员的轨迹图像,提取每个运动员和足球的轨迹,并将其存储在数据库中以点的形式。同时,该系统还需要函数如表所示1。

系统设计主要分为输入层、单机多目标跟踪模块,多个摄像机数据融合层和输出层。输入层主要由摄像机输入图像采集到系统中。单机多目标跟踪模块实现多目标跟踪每个相机采集图像。摄像机实现数据融合层对应于相机多目标跟踪数据的融合与运动员。输出层是运动员的轨迹数据保存到数据库进行运动分析和关键事件分析。其中,单机多目标跟踪模块和多个摄像机融合模块形成一个摄像机实现多目标跟踪算法。

KCF算法,主要用于单机多目标跟踪,处理速度快,精度高,可以满足多目标跟踪。然而,只有通过深入学习算法,图像的RGB信息不能被处理。同时,很难处理重叠和目标跟踪中的遮挡问题。KCF的图像检索算法采用猪的特性,和它的跟踪框架是矩形。当跟踪目标的形状发生变化时,颜色和模型之间的差异变得更大,这是容易跟踪失败。为了提高目标探测的准确性,CNN卷积神经网络用于提取目标特性和使用的猪功能KCF算法被深卷积神经网络所取代。改进KCF卷积算法增加了5层的层。具体过程如下:使用第一帧的数据采样,conv3的位置特征,conv4 conv5目标了,三个相关性过滤器是训练有素的。在第二帧,conv3 conv4, conv5目标得到集中在第一帧的预测结果。然后,我们插入目标特性,计算最大响应点信心得分通过conv5层的过滤结果,预测目标的位置一层一层地根据卷积层的顺序,最后输出目标位置的预测结果,从而大大提高了处理速度。 Because it uses the deep learning framework to optimize the features, the target tracking accuracy is improved.

3.2。实验结果

实验设备采用显卡英伟达1080 CPU i7 - 6600和16 g内存。KCF算法和改进的KCF算法用于测试的信息处理速度打和多目标。视频时间是5秒,120帧。测试结果如表所示2。从表可以看出2打跟踪,KCF算法消耗24秒,0.2秒每帧,和改进KCF算法消耗120秒,平均1秒每帧。多目标跟踪,KCF方法消耗36秒,平均0.3秒每帧,和改进的KCF方法消耗240秒,2秒的平均每帧。

根据测试结果表2跟踪一个目标时,KCF算法可以跟踪的目标更快,因为更少的计算时间和没有重复加载。改进的KCF算法属于深学习算法,它需要高计算机性能和许多计算在同一时间。目标跟踪的速度明显低于KCF算法。

目标跟踪框架的大小影响了信息处理的速度。本文测试的具体目标根据实际尺寸跟踪框架。测试视频总共5000帧。跟踪单个球员的目标是5组,5组2守门员挡住了。选择100帧的视频为小范围(20 mm)×45毫米),中期(34毫米)×81毫米),和大范围(48毫米)×106毫米),并比较KCF算法的目标跟踪精度和KCF改进算法(表3)。从表可以看出3与目标跟踪框架的范围的增加,两种算法的目标跟踪精度降低,然后增加。KCF算法的目标跟踪精度仍高于KCF改进算法,但是差异很小。

选择100帧的视频为小范围(20 mm)×45毫米),中期(34毫米)×81毫米),和大范围(48毫米)×106毫米),并比较KCF算法的目标跟踪精度和KCF改进算法(表4)。从表可以看出3与目标跟踪框架范围的增加,两种算法的目标跟踪精度逐渐提高。KCF算法的目标跟踪精度远低于KCF改进算法和多目标跟踪KCF改进算法的精度高于85%。

根据测试结果,可以得出结论,与跟踪框架范围的增加,提高目标跟踪和多目标跟踪的准确性有助于改善antiocclusion系统的能力。这是因为当目标跟踪框架大,有更多的目标特征信息。当目标移动,其他功能也包含在跟踪范围,可以有效地解决这个问题,不能跟踪目标由于球员的快速运动,提高antiocclusion能力。KCF算法的准确性较高,而与深度学习改进KCF算法具有较高的精度。然而,由于客观原因,目标跟踪的精度不能达到100%。

4所示。结论

(1)快速发展的深度学习跟踪算法,目标跟踪的实时性和准确性大大提高。足球运动员的视频目标跟踪为研究对象,本文采用多个摄像机的运动轨迹和多目标跟踪收集多个球员在球场上,过程中收集到的视频图像,使用多个摄像机来获取目标特征信息。由多个摄像机目标特性可以纠正,以确保目标跟踪的准确性;一个摄像机实现多目标跟踪系统。系统分为输入层,单机多目标跟踪模块,多个摄像机数据融合层和输出层。KCF算法和KCF改进算法被用来分析不同目标跟踪的影响范围和目标系统的目标跟踪精度,以便准确地捕捉足球运动员的运动轨迹。(2)KCF算法和改进的KCF算法是用来测试摄像机实现目标跟踪系统的处理速度打和多目标跟踪。得出KCF算法具有更少的计算时间和不需要反复加载和目标跟踪的速度明显高于KCF改善算法。通过比较的目标跟踪精度KCF通过不同的目标跟踪算法和改进的KCF算法框架大小,得出增加的跟踪框架范围内,两种算法的目标跟踪精度提高。KCF改进算法集成了实时目标检测的算法提高跟踪精度和antiocclusion能力。当目标跟踪框架大,有更多的在该地区的目标特征信息。当目标移动,其他功能也包含在跟踪范围,有效地解决了问题,目标不能被跟踪由于球员的快速运动和提高antiocclusion能力。与此同时,这两个算法的目标跟踪精度高。

数据可用性

数据和表用于支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

作者想展示真诚的感谢那些促成了这项研究的技术。这项工作是由四川赞助部分中小学教师专业发展研究中心(PDTR2021-21)。