運動視頻中訓練參數自適應提取系統設計

林競

摘 要： 針對當前運動視頻中訓練參數自適應提取存在對運動視頻中目標識別不準確，導致訓練參數提取的準確度不高，提取速度慢等問題，提出一種基于自定義外設的運動視頻中訓練參數自適應提取系統設計方法。通過對運動視頻中訓練參數自適應提取系統硬件平臺的選型，利用自定義外設的方法確定運動視頻中訓練參數自適應提取系統硬件平臺構建方案，實現系統整體框架設計。確定框架中每一模塊的功能，并對系統框架中自定義IP核以及XPS軟件中IP核進行設計分析，提高提取的準確性，降低提取誤差。為保證提取的質量，還需要建立運動視頻中目標對象所處的三維空間坐標系，以及圖像二維坐標系，實現運動視頻中目標的坐標系變換。建立運動視頻影像全局運動坐標系模型，提高提取的速度，從而確定運動視頻中訓練參數自適應提取的目標函數，根據目標函數，實現運動視頻中目標的識別，從而完成運動視頻中訓練參數自適應提取。實驗結果表明，所提方法能夠準確地對運動視頻中的目標進行識別，降低了訓練參數提取的誤差，且提取速度較快。

關鍵詞： 運動視頻； 訓練參數； 自適應系統； 參數提取； 系統設計； 目標識別

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）15?0056?05

Design of adaptive extraction system for training parameters in moving video

LIN Jing

（Gannan Normal University， Ganzhou 341000， China）

Abstract： The adaptive extraction of training parameters in sports video has the problems of inaccurate target identification in moving video， which leads to low extraction accuracy and slow extraction speed of training parameters. Therefore， a user?defined peripherals based design method of adaptive extraction system of training parameters in sports video is proposed. The type selection of the hardware platform of the adaptive extraction system for training parameters in motion video is determined， and the user?defined peripheral method is used to determine the construction scheme of system hardware platform， and realize the overall framework design of the system. The function of each module in the framework is determined， and the IP cores defined in system framework and XPS software are designed to improve the extraction accuracy and reduce the extraction error. In order to ensure the extraction quality， it is necessary to establish the three?dimensional space coordinate system of the target object in the moving video and two?dimensional coordinate system of the image to realize the coordinate system transformation of the target in the moving video. The global motion coordinate system model of the moving video image is established to improve the extraction speed， so as to determine the objective function of the adaptive extraction of training parameters in the moving video. According to the target function， the target in moving video is recognized to realize the adaptive extraction system of training parameters in the motion video. The experimental results show that the method proposed in this paper can accurately identify the target in the moving video， reduce the extraction error of the training parameters， and has fast extraction speed.

Keywords： moving video； training parameter； adaptive system； parameter extraction； system design； target recognition

0 引 言

運動視頻由于視頻中的目標是運動的，對其提取區別于普通圖像提取，需要對目標進行識別跟蹤[1]。隨著攝影攝像技術的提高以及社會的發展，運動視頻的數量越來越多，對運動視頻中訓練參數進行自適應提取，能夠獲取運動視頻中的信息[2]。現如今，運動視頻來源于教育、科學、文化、安保等各個領域，在人們生活過程中發揮著越來越重要的作用，對運動視頻中訓練參數進行自適應提取受到了相關專家學者的重視[3]。目前廣泛采用的運動視頻中訓練參數自適應提取方法主要是通過在運動視頻中檢測運動目標，實現圖像運動坐標系下對應運動參數的提取，通過分析凝視拍攝的特點，將運動視頻看作具有全局運動特征的圖像，確定運動目標的參數，并利用小波分解的塊平均分配方法實現運動視頻中訓練參數自適應提取[4]。這種方法由于參數抽取的處理速度快，成為當前解決該課題的重點方法，然而這種方法的提取誤差較大，還需要相關專家學者研究解決[5]。

文獻[6]提出一種非均勻的視頻訓練參數自適應提取方法，通過以水槽實驗拍攝的視頻為基礎資料，對其進行去噪處理，對視頻中運動目標進行標記，得到運動目標的坐標位置，通過給出原始視頻到提取出目標坐標的詳細過程，利用編程等手段確定運動目標的運動參數，從而實現運動視頻中訓練參數自適應提取。但這種方法由于缺乏相關的理論依據，導致提取的誤差較大。文獻[7]提出一種基于視皮層V1模型的運動視頻中訓練參數自適應提取方法，根據生物視覺系統確定動態視頻目標的感知機制，改進初步視皮層（V1）細胞模型，利用時空濾波器及半平方歸一化分別模擬神經元感受野的線性與非線性特性，利用在輸出權值中加入方向選擇性調節參數得到V1細胞模型，根據該模型實現運動視頻中訓練參數自適應提取，這種方法由于沒有對運動視頻進行處理，影響提取的準確性。

針對上述問題，本文提出一種基于自定義外設的運動視頻中訓練參數自適應提取系統設計方法，通過對自適應提取系統硬件平臺進行選型，利用自定義外設確定自適應提取系統硬件平臺構建方案，實現系統整體模塊設計。為實現該系統，對系統中自定義IP核以及XPS（Xilinx Platform Studio）軟件中IP核進行設計，在此基礎上構建運動視頻的坐標系，實現運動視頻中目標的坐標系變換，建立運動視頻影像全局運動坐標系模型，從而確定運動視頻中訓練參數自適應提取的目標函數，根據目標函數，實現運動視頻中訓練參數的自適應提取。實驗結果表明，所提方法設計的系統能夠準確地對運動視頻中的目標進行識別，從而保證了訓練參數自適應提取的質量，提取效果較好。

1 運動視頻中訓練參數自適應提取系統設計

1.1 自適應提取系統硬件平臺的構建

為實現運動視頻中訓練參數自適應提取系統設計，需要對自適應提取系統硬件平臺進行構建。本文選用的自適應提取系統硬件平臺為同時具有ARM為核心的處理器系統以及FPGA為中心的可編程邏輯單元的AP?SoC平臺。本文利用開發板實現自適應提取系統硬件平臺AP?SoC中FPGA與ARM之間高性能接口的劃分，通過合理地利用這些接口進行運動視頻中訓練參數數據的傳輸，從而提高系統的性能。

本文在進行運動視頻參數自適應提取系統設計過程中，采用一種自定義外設的系統硬件平臺設計方法，利用FPGA實現運動視頻中訓練參數特征點提取，并將該模塊作為硬件平臺的外設模塊，利用AXI總線將得到的提取結果傳輸到處理器系統中。為實現提取的運動視頻中訓練參數特征點與處理器系統之間的數據傳輸，需要利用Xillinx的IP核和片上高性能數據端口構建DMA通道。通過編寫運行于處理器系統的邏輯應用程序，從而對本文設計的系統硬件平臺功能的正確性以及硬件加速性能的優越性進行分析。

本文在XPS開發軟件中構建運動視頻中訓練參數自適應提取系統，構建的系統框圖如圖1所示。

圖1中，PS表示訓練參數自適應提取系統中ARM?cortex?A9為核心的處理器系統；GP和HP分別表示處理器通用的主端口和高性能端口；CDMA模塊是DMA控制器IP核；Harris模塊表示Harris特征點提取模塊，實現對運動視頻中訓練參數特征點的提取，其中A表示訓練參數數據的輸入緩存接口，B表示運動視頻中橫坐標輸出緩存接口，C表示縱坐標輸出緩存接口；Axi_in_ctrl，Axi_row_ctrl以及Axi_col_ctrl模塊則通過BRAM控制器IP核得到，利用該模塊可以實現BRMA緩存端口與AXI總線之間的連接，Axi_harris_ctrl模塊利用Xilinx外設工具實現，該模塊可以連接Harris模塊中控制寄存器與AXI總線，其中AXI1的總線為32位，AXI2的總線是64位。

在本文設計的運動視頻中訓練參數自適應提取系統中，自定義IP核的設計效果直接影響系統對訓練參數自適應提取的速度。本文中，自定義IP核主要由Harris模塊和Axi_harris_ctrl模塊組成。

設計中，將Harris特征點提取模塊導入XPS，XPS的創建和導入外設向導如圖2所示，實現代入已存在外設選項的選擇。

自定義IP核生成后，能夠實現MPD文件的修改，其中，MPD文件是用于定義外設接口的微處理器外設規范。然后修改設計文件。該IP核添加后，能夠得到兩個相應的vhdl文件，為實現端口信號與控制器寄存器之間的連接需要在Axi_harris_ctrl模塊中添加端口信號和邏輯代碼，添加的邏輯代碼如下：

--USER logic implementation added here

en <= r_en；

rst <= r_rst；

Thr <=Thr；

r_point_cnt<= point_cnt；

r_load_flag<=load_flag；

r_cflag <=cflag；

r_result_flag <=result_flag；

process（clk）

begin

if（rising_edge（clk）） then

r_en <=slv_reg0（0）；

r_rest<=slv_reg1（0）；

r_Thr<=slv_reg2（31 downto 0）；

slv_reg3 <=r_point_cnt；

slv_reg4 （0） <=r_load_flag；

slv_reg4 （31 downto 1） <=（others=>‘0）；

slv_reg5 （0） <=cflag；

slv_reg5 （31 downto 1） <=（others=>‘0）；

slv_reg6 （0） <=result_flag；

slv_reg6 （31 downto 1）<―（other—>‘0）；

End if；

end process；

本文設計的系統中使用了7個控制寄存器，其中4個分別連接模塊的端口信號，剩余3個寄存器作為預留，提高了本文設計系統的擴展性。

在本文設計的訓練參數自適應提取系統中，主要使用XPS軟件中AXI Center DMA IP核和AXI BRAM Control IP核，兩個IP核性能如表1，表2所示。

上述論述中，通過對自適應提取系統硬件平臺進行選型，提出一種基于自定義外設的自適應提取系統構建方案，根據該方案，設計了系統的總體框架，并對框架中每一模塊的功能進行論述，對系統中自定義IP核以及XPS軟件中IP核進行設計，從而實現運動視頻中訓練參數自適應提取系統平臺設計。

1.2 運動視頻中訓練參數自適應提取的目標函數的確定

為實現運動視頻中訓練參數自適應提取，保證訓練參數的準確提取，需要建立運動視頻影像全局運動坐標系模型。在對運動視頻圖像進行描述和處理的過程中，需要考慮運動視頻中目標對象以及拍攝攝像機所在三維坐標系、運動視頻圖像所處的二維坐標系。在進行運動視頻參數自適應提取的過程中，利用坐標變換的方法構建運動視頻中訓練參數模型，實現對運動視頻中目標對象在其所處的三維坐標系下訓練參數的提取。本文設計的系統在進行訓練參數自適應提取過程中，設定視頻的拍攝攝像機采用針孔模型，通過將運動視頻中目標對象三維坐標系和拍攝攝像機所在三維坐標系重合，坐標系中，坐標原點為攝像機的光心，[z]軸表示光軸，[x]軸為水平方向，[y]軸為垂直方向。攝像機將目標對象所處的三維空間點[（X，Y，Z）]映射到二維空間平面點[（x，y）]上，設定攝像機的焦距為[f]，圖像平面與[z]軸垂直，中心坐標為[（0，0，f）]，則映射關系可以表示為：

[x=fXZ， y=fYZ] （1）

攝像機在位移運動模型下的坐標變換關系可以表示為：

[xy=xy+txty] （2）

式中[tx]和[ty]表示攝像機分別向[x]軸和[y]軸的位移。

為保證對象所處的世界坐標系轉換到圖像所處的二維坐標系轉換的準確度，提高提取精度，本文在位移運動模型的基礎上引入仿射變換的模型，坐標變換關系表示為：

[x=a1x+a2y+a3y=a4x+a5y+a6] （3）

式中：[a1]和[a5]表示縮放變換；[a2]和[a4]表示視頻的旋轉變換；[a3]和[a6]表示視頻的位移變換。則誤差函數表示為：

[H（a）=x，y（x-x）2+（y-y）2] （4）

式中[x]和[y]分別表示轉換過程中在[x]軸和[y]軸的誤差。

將式（3）代入式（4）得：

[H（a）=x，y（a1x+a2y+a3-x）2+（a4x+a5y+a6-y）2]

（5）

則最優全局運動參數即是式（5）達到最小的矢量[a]，即：

[aopt=argminaE（a）] （6）

上述論述中，通過坐標變換關系建立運動視頻影像全局運動坐標系模型，確定運動視頻中訓練參數自適應提取的目標函數，完成對運動視頻中訓練參數自適應提取，提高訓練參數自適應提取的質量，保證提取的準確度。

2 實驗結果與分析

針對運動視頻圖像，利用Matlab實現訓練參數自適應提取的實驗，實驗過程中選用美國麻省理工大學數據庫中一組跑步視頻作為實驗數據。

通過對比視頻中任意一幀中目標的提取效果，從而實現對本文所提方法的提取性能分析，通過實驗得到本文方法對運動視頻中目標的提取結果，如圖3所示。

通過圖3可以看出，本文所提方法設計的系統能夠對運動視頻中的目標進行提取，且提取的精度較高，為視頻圖像中訓練參數的提取提供依據，保證了運動視頻中訓練參數提取的質量。由于本文所提方法設計的系統在提取過程中重點考慮運動視頻中目標對象以及拍攝攝像機所在三維坐標系、運動視頻圖像所處的二維坐標系之間的變換關系，提高了提取的精度。

采用本文所提方法設計的系統在對運動視頻進行處理輸出后，視頻中任意一幀圖像進行三維點云變換，得到的三維點云圖像如圖4所示。

通過圖4可以看出，本文所提方法設計的系統處理圖像后在三維點云變換后圖像波動幅度較小，圖像較為平滑，說明本文所提方法設計系統能夠有效對運動視頻進行處理，保證處理后視頻圖像的質量。由于本文所設計的系統在構建框架時對系統中自定義IP核以及XPS軟件中IP核進行設計，降低了視頻中存在的噪聲，提高了視頻的質量。

對圖像自適應提取的效果進行分析，通過實驗得到本文方法的自適應提取效果。為保證對系統性能分析的準確性，實驗中引入增量非負矩陣分解實現運動視頻中訓練參數自適應提取的方法，將本文所提系統的提取效果與其進行對比，分析結果如表3所示。

3 結 論

通過表3可以看出，本文所提方法設計的系統進行運動視頻中訓練參數自適應提取，提取的能耗較小，花費的時間較少，提取的速度較快，運動視頻訓練參數提取過程中丟包率較低，說明本文所提方法能夠對運動視頻中每一幀圖像進行提取，提取的參數數量較多，對運動視頻中訓練參數的提取較為精確。

綜上所述，本文所提方法設計的系統能夠準確對運動視頻中訓練參數進行提取，提取的效果較好，且提取的速度較快。

參考文獻

[1] 張博研，李廣澤，武星星.Quickbird遙感影像的車輛自動檢測與運動參數估計[J].液晶與顯示，2015，30（4）：687?694.

ZHANG B Y， LI G Z， WU X X. Speed estimation and automatic detection of moving vehicle from Quickbird satellite images [J]. Chinese journal of liquid crystals and displays， 2015， 30（4）： 687?694.

[2] MOREIRA S R， TEIXEIRA?ARAUJO A A， OLIVEIRA D S A， et al. Ten weeks of capoeira progressive training improved cardiovascular parameters in male practitioners [J]. Journal of sports medicine & physical fitness， 2016， 57（3）： 157?161.

[3] 呂霞付，王博化，陳俊鵬.基于位平面分解方法的運動模糊圖像PSF參數辨識[J].半導體光電，2016，37（3）：449?454.

L? X F， WANG B H， CHEN J P. PSF parameter identification of motion blur images based on bit?plane segment decomposition [J]. Semiconductor optoelectronics， 2016， 37（3）： 449?454.

[4] 于蕭榕，席屏，黃健榮.監控系統預警視頻的分布式檢索設計與實現[J].計算機測量與控制，2015，23（7）：2511?2514.

YU X R， XI P， HUANG J R. Design and implementation of distributed retrieval in video monitoring system [J]. Computer measurement & control， 2015， 23（7）： 2511?2514.

[5] HOYO M D， SA?UDO B， CARRASCO L， et al. Effects of 10?week eccentric overload training on kinetic parameters during change of direction in football players [J]. Journal of sports sciences， 2016， 34（14）： 21?25.

[6] 許琳娟，劉春晶，曹文洪，等.非均勻推移質運動參數提取[J].中國水利水電科學研究院學報，2016，14（2）：138?143.

XU L J， LIU C J， CAO W H， et al. Extraction of non?uniform bedload movement parameters [J]. Journal of China institute of water resources and hydropower research， 2016， 14（2）： 138?143.

[7] 鄒洪中，許悅雷，馬時平，等.基于視皮層V1模型的隨機點視頻序列運動特征提取[J].計算機應用，2016，36（6）：1677?1681.

ZOU H Z， XU Y L， MA S P， et al. Motion feature extraction of random?dot video sequences based on V1 model of visual cortex [J]. Journal of computer applications， 2016， 36（6）： 1677?1681.

[8] 楊耀權，楊朔.基于數字圖像處理的單條輸電線路曲線提取[J].科學技術與工程，2016，16（28）：90?94.

YANG Y Q， YANG S. Curve extraction of single transmission line based on digital image processing [J]. Science technology and engineering， 2016， 16（28）： 90?94.

[9] 朱敏，蘇博.三維人工視覺圖像特征提取仿真研究[J].計算機仿真，2016，33（7）：261?264.

ZHU M， SU B. Three?dimensional artificial visual image feature extraction simulation research [J]. Computer simulation， 2016， 33（7）： 261?264.

[10] 李榮，徐燕華.基于視覺信息的圖像特征提取算法研究[J].電子設計工程，2016，24（9）：188?190.

LI R， XU Y H. Research on the extraction algorithm of image feature based on visual information [J]. Electronic design engineering， 2016， 24（9）： 188?190.