大跨度運動中肢體擺動幅度的視覺判斷

高麗

摘 要： 針對大跨度運動中肢體擺動幅度視覺特征建模困難的問題，提出基于邊緣區(qū)域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。首先采用大跨度運動中肢體擺動視覺圖像；然后對圖像進行高頻分量降噪，提高圖像的信噪比，并采用邊緣區(qū)域輪廓特征檢測方法提取肢體擺動幅度特征，從而實現(xiàn)視覺檢測和圖像識別；最后進行仿真測試。結(jié)果表明，該方法能夠準(zhǔn)確進行大跨度運動中的肢體擺動幅度判斷，具有較強的運動圖像分析能力，并且提高了圖像的輸出信噪比和準(zhǔn)確檢測概率。

關(guān)鍵詞： 大跨度運動； 肢體擺動； 視覺圖像； 輪廓特征檢測

中圖分類號： TN911.73?34； TP391 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）07?0067?04

Visual judgment of body swing amplitude in long span movement

GAO Li

（Henan University of Animal Husbandry and Economy， Zhengzhou 450046， China）

Abstract： Since it is difficult to model the visual feature of the body swing amplitude in the long span movement， an edge area contour feature detection based visual judgment method of the body swing amplitude in the long span movement is proposed. In the visual judgment method， the body swing visual image of the long span movement is used， and then the high frequency component of the image is denoised to improve its SNR. The edge area contour feature detection method is used to extract the feature of the body swing amplitude to implement vision detection and image recognition. The performance of the method was verified with simulation. The simulation results show that the method can judge the body swing amplitude in the long span movement accurately， has strong ability for movement image analysis， and can improve the output SNR of the image and probability of accurate detection.

Keywords： long span movement； body swing； visual image； contour feature detection

0 引 言

隨著計算機數(shù)字圖像處理技術(shù)的成熟，采用圖像視覺分析方法進行運動圖像的特征檢測，在體育運動訓(xùn)練方面展示了較高的應(yīng)用價值。大跨度運動主要包括跳高、三級跳遠、跨欄以及各種球類運動。大跨度運動中肢體擺動幅度較大，采用傳統(tǒng)的視頻分析方法難以實現(xiàn)對運動動作的特征分析和視覺重構(gòu)，不能有效指導(dǎo)體育運動訓(xùn)練效果，需要采用計算機視覺圖像分析方法進行大跨度運動圖像的檢測和分析，視覺重構(gòu)肢體擺動幅度，從而改進肢體運動中的不規(guī)范動作，提高運動訓(xùn)練的效果[1]。

對大跨度運動中肢體擺動幅度的視覺判斷建立在人體三維模型建立和視覺特征重構(gòu)的基礎(chǔ)上。采用圖像信息處理技術(shù)對大跨度運動中的人體肢體擺動運動動作進行特征視覺重構(gòu)[2]，典型的人體運動中肢體擺動幅度的視覺特征重構(gòu)方法主要有局部線性插值方法、二值圖像擬合方法和邊緣輪廓特征提取方法等[3?5]。

本文提出邊緣區(qū)域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。首先通過CCD圖像掃描技術(shù)或者視頻特征采集技術(shù)視覺采集運動圖像；然后對運動圖像進行邊緣信息融合和特征重建，提高圖像的肢體擺動幅度的特征分析和參量估計能力；最后通過仿真實驗證明該方法取得了良好的視覺判斷效果。

1 運動圖像的初始化過程

1.1 圖像采集

為了實現(xiàn)對大跨度運動中肢體擺動幅度的視覺判斷，首先要采集大跨度運動中肢體擺動視覺圖像，設(shè)圖像視覺特征為[vm=（Rm，Gm，Bm）]和[auxm（Im，Im，fm，λm，dfm，][dlm），][Ψ11，][Ψ12，][Ψ13，][Ψ14]和[Ψ15]表示模板匹配系數(shù)，像素集合為[N1×N2]的運動圖像邊緣輪廓特征矩陣，運動幅度輸出測試樣本為：

[identity（y）=argminiW12final（y-Diαi）22] （1）

式中：[Wfinal]是動態(tài)變化過程的權(quán)值矩陣；[Di]是第[i]類訓(xùn)練樣本三維結(jié)構(gòu)模型。

初始特征狀態(tài)下肢體擺動特征的形體坐標(biāo)為[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T。]在肢體擺動動作三維重構(gòu)和視覺分析中，建造一個級聯(lián)分類器進行擺動動作的特征分類[6?7]。得到大跨度運動中肢體擺動修正像素值[I（i，j）]為：

[I（i，j）=k=1PI（k）（i，j）×2k-1] （2）

對視覺特征進行統(tǒng)計形狀模型分塊，進行圖像樣本屬性的自適應(yīng)分割，跟蹤量化子塊互不相交的部分，那么圖像特征采集結(jié)果為：

[Gm，n=g（m，n）（1，1）g（m，n）（1，2）g（m，n）（2，1）g（m，n）（2，2）， m=1，2，…，M；n=1，2，…，N] （3）

[g（m，n）（u，v）=I（k）g[2（m-1）+u，2（n-1）+v]， u∈{1，2}；v∈{1，2}] （4）

式中：[u]為圖像[pi，j]在標(biāo)定點的像素值；[i，j]為匹配點沿梯度方向相應(yīng)像素的坐標(biāo)值。

1.2 圖像預(yù)處理

為了提高圖像的輸出信噪比，進行圖像降噪預(yù)處理。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比[8]。在圖像的成像區(qū)域中，分區(qū)處理肢體擺動空間信息特征，采用關(guān)聯(lián)信息特征重建方法構(gòu)建肢體擺動的特征分布無向圖[G=（V，E），]其中[E]是[E]的非空子集，采用RGB三維映射分析方法對圖像的噪點[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]進行噪點盲分離，其系統(tǒng)函數(shù)為：

[H（z）=k=1hp（k）g（i，j）×2k-1k=1hp*（k）g（i，j）×2k-1] （5）

選擇時間間隔較長的[PE1]作為關(guān)鍵幀，通過最大灰度值提取輪廓特征空間信息，得到大跨度運動中肢體擺動RGB圖像[Edx，y]的三維坐標(biāo)特征分布方程滿足：

[Fd-ddxFdx-ddyFdy=0] （6）

設(shè)RGB影像中像素的坐標(biāo)為[υ=（r，c），]對于最大灰度特征分頻，通過圖像降噪滿足[C∈S，]其輪廓邊緣特征的特征匹配系數(shù)為[MST（C，E），]圖像的噪點為[C={Ci：i∈I}。]假設(shè)運用圖像干擾檢測方法進行圖像噪聲分離，得到大跨度運動中肢體擺動二值圖像的輪廓點標(biāo)記信息：

[g（x，y）=f（x，y）+ε（x，y）] （7）

式中：[f（x，y），][g（x，y），][ε（x，y）]分別代表每個三維模型中圖像噪聲方差為[σ2n]的邊緣輪廓特征函數(shù)[9?10]。

在圖像降噪過程中，可將兩個分布場集合描述為：

[dft+1i，j，k=ρdfti，j，k+1-ρdft-1i，j，k] （8）

式中[ρ]控制兩個圖像噪聲分布場特征歸并的時間間隔。

通過上述處理，從體元模型中獲取RGB影像的輪廓標(biāo)記點[r，]確定為大跨度運動中肢體擺動幅度搜索的目標(biāo)。記錄[D（x）=0]處的體元，根據(jù)肢體擺動幅值分布興趣點進行邊緣像素集的跟蹤量化，量化值[VMmi]的計算式為：

[VMmi=j=1TCis_visibleMmi，CjTC-1] （9）

通過特征提取與特征歸并實現(xiàn)圖像降噪和肢體擺動幅度的視覺判斷。

2 肢體擺動幅度的視覺判斷優(yōu)化實現(xiàn)

2.1 基本思想

基于邊緣區(qū)域輪廓特征檢測的大跨度運動中，肢體擺動幅度視覺判斷方法的基本思想為：采用邊緣區(qū)域輪廓特征檢測方法進行肢體擺動幅度特征提取，實現(xiàn)視覺檢測和圖像識別，在原始RGB圖像數(shù)據(jù)中構(gòu)建運動圖像邊緣區(qū)域輪廓特征檢測的網(wǎng)格圖，在網(wǎng)格頂點圖中進行圖像深度轉(zhuǎn)換，采用頂點圖與法向向量圖融合方法進行光纖投影，實現(xiàn)對大跨度運動中肢體擺動視覺圖像的體元計算和數(shù)據(jù)融合，完成采集相機的位置追蹤和邊緣區(qū)域輪廓特征檢測。工作原理如圖1所示。

2.2 計算運動圖像邊緣區(qū)域輪廓特征距離

肢體擺動視覺圖像的體元檢測結(jié)果為：

[xI（W（x；p））-A0（W（x；0））-?A0?W?pΔp2] （10）

基于角點檢測結(jié)構(gòu)，進行體元數(shù)據(jù)融合，則有：

[Bel（xt）=p（ztxt）p（xtut-1，…，z0）p（ztut-1，d0，…，t-1）=ηp（ztxt）Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （11）

視覺圖像采樣的特征壓縮函數(shù)為：

[p（ztxt-1，d0，…，t-1）=Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （12）

[p（ztxt）=p（xtxt-1，ut-1）] （13）

用TPS頂點圖與法向向量圖變換來確定大跨度運動中肢體擺動網(wǎng)格區(qū)間的圖像深度[η]：

[η=1p（ztut-1，d0，…，t-1）] （14）

為了實現(xiàn)運動圖像邊緣區(qū)域輪廓特征檢測，從頂點圖中進行特征點自適應(yīng)檢索，得到大跨度運動中肢體擺動的角點位置信息相關(guān)函數(shù)：

[RT1R1={X1，X2，…，Xm}{X1，X2，…，Xm}T] （15）

考慮特征向量分布空間的肢體擺動視覺像素特征點，進行運動圖像邊緣區(qū)域輪廓特征分解：

[RT1R1=V1Σ1VT1] （16）

得到大跨度運動中肢體擺動的標(biāo)準(zhǔn)化特征滿足條件[?=sup?（θ）]，肢體擺動目標(biāo)點與特定點之間的距離為：

[h（ωi，k）=（xi-x）2+（yi-y）2] （17）

通過SIFT角點檢測算法實現(xiàn)對大跨度運動中肢體擺動視覺圖像的體元計算和數(shù)據(jù)融合，達到運動圖像邊緣區(qū)域輪廓特征檢測的效果。

2.3 肢體擺動幅度規(guī)律性特征角度的識別

假設(shè)大跨度運動中肢體擺動幅度向量集[K{ri}]為體源模型區(qū)域中的模型拼接信息，在特征檢測節(jié)點[（x，y）]處提取肢體擺動幅度的規(guī)律性特征信息：

[Kwpg（x，y，ωi）=1，d（ωi，k）≤r-ruu-α1θβ1θ2β2+α2，r-ru

式中：[ru（0

[θi=ru-r+d（ωi，k）] （19）

采用計算機視覺信息判斷方法進行肢體擺動幅度的視點分割，得到視點分割的特征映射：

[Kwpg（Wpg）=1-ωi∈Wpg（1-Kwpg（x，y，ωi））] （20）

計算出計算機視覺下大跨度運動肢體擺動的邊界網(wǎng)格中[ki（ki-1）2]個邊，這[ki]個肢體擺動的像素信息點實際形成的邊[Ei]與[ki（ki-1）2]的比值構(gòu)成肢體擺動的三維重構(gòu)信息，信息函數(shù)為[Ci，]即：

[Ci=Eiki（ki-1）2] （21）

肢體擺動動作的三維空間重構(gòu)輸出為：

[C=1Ni=1NCi] （22）

結(jié)合人體動力學(xué)模型，得到[N=228]。結(jié)合邊緣區(qū)域輪廓特征檢測方法提取肢體擺動幅度SIFT特征，實現(xiàn)視覺檢測和圖像識別。本文方法的實現(xiàn)過程如圖2所示。

3 實驗與結(jié)果分析

實驗平臺硬件環(huán)境為：CPU 3.30 GHz，內(nèi)存4 GB DDR3的個人PC機，輸入圖像的像素值為1 024×1 689，實驗次數(shù)為100次，圖像的信噪比為-12 dB。以三級跳遠作為大跨度運動的測試向量集，以跳遠運動中的正面和側(cè)面采集的兩幅肢體擺動圖像作為測試對象，首先對大跨度運動中肢體擺動視覺圖像進行特征采集，得到原始運動圖像視覺信息采集的結(jié)果如圖3所示。

圖3給出的運動圖像采集結(jié)構(gòu)受到相機抖動和環(huán)境因素的干擾，準(zhǔn)確判斷運動幅值的性能受限。采用圖像高頻分量降噪方法提高運動圖像的輸出信噪比，得到的圖像降噪結(jié)果如圖4所示。

把圖4中的大跨度運動中肢體擺動幅度視覺判斷及動作數(shù)據(jù)保存為.txt文本數(shù)據(jù)，加載到圖像數(shù)據(jù)處理軟件中，進行計算機視覺分析。然后采用邊緣區(qū)域輪廓特征檢測方法進行肢體擺動幅度特征提取，得到的結(jié)果如圖5所示。

從圖5可見，采用本文方法進行大跨度運動中肢體擺動幅度檢測，能較好地去除背景信息的干擾，提高肢體擺動幅度檢測的準(zhǔn)確度和指向性。圖6為大跨度運動中肢體擺動幅度的視覺檢測均方根誤差對比結(jié)果。

分析圖6可知：

（1） 采用本文方法進行大跨度運動中肢體擺動幅度檢測，提高了輸出圖像的峰值信噪比，改善了圖像成像質(zhì)量。

（2） 本文方法進行大跨度運動中肢體擺動幅度視覺判斷，實現(xiàn)幅度參量檢測估計的均方根誤差較低，說明準(zhǔn)確性能較好。

4 結(jié) 語

為了提高大跨度運動訓(xùn)練的指導(dǎo)水平，進行大跨度運動中肢體擺動幅度視覺特征建模分析，提出基于邊緣區(qū)域輪廓特征檢測的大跨度運動中肢體擺動幅度視覺判斷方法。研究結(jié)果表明，本文能夠?qū)崿F(xiàn)大跨度運動肢體擺動幅度的視覺判斷，提高圖像的輸出信噪比和準(zhǔn)確檢測概率，誤差小，具有廣泛的應(yīng)用前景。

參考文獻

[1] 柳超，李秀友，黃勇.優(yōu)化的多模型粒子濾波機動微弱目標(biāo)檢測前跟蹤方法[J].信號處理，2015（9）：1131?1137.

[2] 趙石磊，郭紅，劉宇鵬.基于軌跡跟蹤的線性時滯系統(tǒng)容錯控制[J].信息與控制，2015，44（4）：469?473.

[3] 尚朝軒，王品，韓壯志，等.基于類決策樹分類的特征層融合識別算法[J].控制與決策，2016，31（6）：1009?1014.

[4] 郭三黨，劉思峰，方志耕.基于核和灰度的區(qū)間灰數(shù)多屬性決策方法[J].控制與決策，2016，31（6）：1042?1046.

[5] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.

[6] 李旭超，宋博，甘良志.改進的迭代算法在圖像恢復(fù)正則化模型中的應(yīng)用[J].電子學(xué)報，2015，43（6）：1152?1159.

[7] 涂超平，肖進勝，杜康華，等.基于各向異性熱擴散方程的多聚焦圖像融合算法[J].電子學(xué)報，2015，43（6）：1192?1199.

[8] 王寶進，吳淑躍，薛娟.SDD?1改進算法在Hive中應(yīng)用[J].湘潭大學(xué)自然科學(xué)學(xué)報，2014，36（4）：77?82.

[9] 魏歌.基于覆蓋網(wǎng)絡(luò)的物聯(lián)網(wǎng)系統(tǒng)的應(yīng)用開發(fā)平臺[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：77?79.

[10] 王軍，陳翠琴.基于RFID信息與視頻圖像的人員識別的研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：30?31.