基于機器視覺的足球運動員犯規動作特征提取研究

黃歆龍 楊蓓蓓

摘 要：由于視覺分析存在誤差，在高水平足球運動員人群中，傳統足球運動員犯規動作特征提取方法存在犯規動作特征提取準確率低等問題.為此，提出基于機器視覺的足球運動員犯規動作特征提取方法.利用機器視覺系統獲取足球運動員動作圖像，基于閾值識別算法識別足球運動員犯規動作，以識別犯規動作圖像為前提，采用Harris 3D算子建立犯規動作序列勢函數，以犯規動作序列勢函數為依據，通過AdaBoost算法篩選足球運動員犯規動作特征數據，以此為訓練樣本實現足球運動員犯規動作特征提取.仿真結果表明，所提方法在高水平足球運動員范圍內犯規動作識別準確率較高，有效降低了識別的誤差.

關鍵詞：機器視覺;足球運動員;犯規動作;特征提取;閾值識別算法;Harris 3D算子

中圖分類號：TP843 ?文獻標識碼：A ?文章編號：1673-260X（2020）06-0049-04

引言

足球競賽是世界第一大體育運動，是一項存在身體接觸、激烈對抗的體育項目.隨著足球運動員水平的不斷提升，使攻守雙方矛盾愈加激烈.在足球比賽中，允許運動員合理利用身體部位控球，但若利用身體部位做出踢人、撞人、拉人、絆人等不合理動作，以此獲得攻防空間，上述動作即為犯規動作[1].

隨著球技和戰術水平不斷提升，足球比賽節奏越來越快，導致足球比賽中拼搶行為愈加激烈.雙方隊員身體接觸不斷增多，足球運動員犯規動作的出現頻率越來越高，導致運動員受傷事件屢屢發生.為了保障足球運動員身體安全，使其發揮最高水平，國際足聯不斷修改、完善足球比賽規則.與此同時，足球比賽激烈程度的增加，為裁判員判斷帶來了極大挑戰.裁判員水平直接影響足球運動員戰術水平的發揮.了解足球運動員犯規動作特征是提升裁判員業務水平的有效手段[2].

傳統足球運動員犯規動作特征提取方法是將犯規動作描述為一連串符號，分解各個符號，識別犯規動作特征.但該方法在高水平足球運動比賽中存在犯規動作特征提取準確率低等問題.

為了解決上述問題，提出基于機器視覺的足球運動員犯規動作特征提取方法研究.機器視覺是人工智能發展的一個分支，利用機器代替人眼判斷與測量.主要通過機器視覺產品將目標轉換為圖像信號，傳輸給專門圖像處理系統，將圖像像素的顏色、亮度、分布等轉換為數字化信號，通過運算提取目標特征信息.仿真結果表明：所提方法可有效提高足球運動員犯規動作特征提取的準確率較高，且耗時較短.

1 足球運動員犯規動作特征提取方法研究

1.1 足球運動員動作圖像獲取

獲取足球運動員動作圖像是提取犯規動作特征的前提.由于傳統方法獲取的動作圖像視覺誤差較大，直接影響犯規動作特征提取準確率.為此，本文利用機器視覺系統獲取足球運動員動作圖像.

在機器視覺系統中，利用攝像頭獲取足球運動員動作圖像[3].選取OV7670型號攝像頭實現.OV7670型號攝像頭是COMOS攝像頭的元件，具備獲取彩色圖像的能力，感光陣列最高可以達到640*680，傳輸速率最高可達到30幀/秒.

該攝像頭只有一組并行數據口，記為Y[7：0]，通過數據口讀取動作圖像像素值，以并行方式獲取足球運動員動作圖像.配合OV7670型號攝像頭獲取圖像的元件為PL與PS，依據行中斷與場中斷判斷數據完整度[4].利用VGA接口顯示足球運動員動作圖像，VGA時序如圖1所示.

其中，Data表示動作圖像信息列;HSYNC與VSYNC表示信號列與信號行;（a）、（b）、（c）、（d）與（e）分別表示HSYNC信號列同步段、后廊段、激活段、前廊段以及列元素數量;（o）、（p）、（q）、（r）與（s）分別表示VSYNC信號行同步段、后廊段、激活段、前廊段以及行元素數量.

動作圖像信號列與信號行每段像素元素數量情況如表1所示.

1.2 犯規動作識別

在獲取的足球運動員動作圖像基礎上，基于閾值識別算法識別足球運動員犯規動作，為犯規動作序列勢函數建立做準備.

足球比賽中會突發較多復雜情況，導致運動員動作圖像存在復雜背景.為此，采用閾值識別算法識別犯規動作，步驟如下：

步驟一：假設動作圖像有效像素點數量為Ne，動作圖像為矩陣，四個點坐標為A（x1，y1）、B（x2，y2）、 C（x3，y3）與D（x4，y4），參數P、S計算公式為

P=（x2-x1）/（y3-y1），S=（x2-x1）*（y3-y1）. ?（1）

步驟二：在犯規動作識別過程中，若像素點值大于識別閾值A，Ne+1.

步驟三：若像素點不存在規定范圍內，更新坐標，擴大搜索區域.

步驟四：掃描完畢，獲取Ne和識別目標.

步驟五：計算目標區域長寬比，與識別閾值相比較，若長寬比|1-P|小于A，轉至步驟六.

步驟六：計算目標區域大小，得到目標面積與圖像面積比M=Ne/S，相較于識別閾值A，若|0.785-M|

步驟七：輸出規范動作識別失敗.

1.3 犯規動作序列勢函數建立

在犯規動作識別結果前提下，采用Harris3D算子建立犯規動作序列勢函數，為犯規動作特征提取提供支撐[5].

利用Harris3D算子挖掘犯規動作，提取圖像中每個不同犯規動作的時空興趣點，獲取梯度直方圖與流光方向直方圖特征，將其分別劃分為72維與90維.融合梯度直方圖與流光方向直方圖，獲得一個162維特征向量，構成犯規動作的底層特征.選取足球運動員關鍵骨架點，記為（xzi，yzi）.依據人體構造特點，將足球運動員身體劃分為肩部、左、右胳膊、左、右腿部、左、右腳七個局部參考點，記為（ai，bi）.

犯規動作每個時空興趣點與局部參考中心點的最短歐式距離為：

n=， ? （2）

其中，n表示局部參考中心人體范圍標記，稱其為時空興趣點范圍，將其依據局部參考點劃分為7個區域;（xj，yj）表示每個時空興趣點.

將犯規動作定勢時空興趣點劃分為三個層級，具體劃分結果如表2所示.

采用K-means聚類底層犯規動作特征，聚類中心個數為K，獲得K×162維犯規動作圖像.同時產生三個層級七個區域的犯規動作圖像，將每個區域中犯規動作定勢持續的T幀定義為一個犯規動作的時空動作模塊，該模塊表示足球運動員某一部分犯規動作特征[6，7].連接兩個犯規動作圖像單元重疊幀數為T/2幀，將每個犯規動作圖像中所有動作單元進行有機合成，得到一個具有長度的時空犯規動作單元序列.

經過K-means聚類得到犯規動作數據集，犯規動作圖像呼應BOW特征表示為

fp=， ?（3）

其中，fp表示犯規動作圖像p呼應的BOW特征;Kn表示n范圍內聚類中心個數;N表示犯規動作圖像時空單元序列長度.

前期融合BOW特征，融合公式為

Fp=Kn×N， ?（4）

其中，Fp表示犯規動作圖像對應層級內每區域的融合特征.

依據公式（4）構建足球運動員犯規動作圖像條件概率模型[8]，表達式為：

P（Y，h/X，）={Xi}ti=1*Fp×， （5）

其中，Y表示序列標記;h表示層級;X即{Xi}ti=1，表示任意犯規動作序列;？茲表示常數;？漬（Y，h，X）表示犯規動作序列勢函數.

足球運動員犯規動作具有自身的變化規律，在公式（5）基礎上，計算不同層級犯規動作序列勢函數為：

其中，？漬1（Xj，hj）表示隱變量節點與預測節點之間關系;？漬2（Y，hj）表示隱變量節點與序列標點關系.當hj是犯規動作圖像隱節點，并屬于Y犯規動作定勢類別，此時勢函數為1，反之則勢函數為0; ？漬3（Y，hj，hk）表示隱變量節點邊與序列標記之間關系.當hj到hk犯規動作轉換后符合Y轉化進程時，此時勢函數為1，反之則勢函數為0.

1.4 犯規動作特征提取

在犯規動作序列勢函數基礎上，通過AdaBoost算法[10]篩選足球運動員犯規動作特征數據，以此為訓練樣本進行訓練與識別，實現足球運動員犯規動作特征提取.

假設足球運動員犯規動作圖像訓練樣本集為（x1，y1），…（xi，yi），…（xN，yN），其中，xi表示犯規動作圖像樣本數據;yi表示犯規動作圖像樣本標記.在訓練樣本N中任意選取犯規動作樣本數據作為已知樣本，以AdaBoost算法作為弱分類器，獲取訓練樣本假設條件，以？漬（Y，h，X）為依據，計算足球運動員犯規動作圖像樣本錯誤率，得到：

其中，？著t表示樣本錯誤率.

依據公式（7）計算結果，將提取犯規動作特征標記為1，其余標記為-1.通過迭代構建足球運動員犯規動作特征提取模型，模型表示為：

其中，di表示犯規動作序列中第i個特征數據;C（dj）表示訓練樣本中第j個犯規動作特征數據所屬類別.

依據公式（8）實現基于機器視覺足球運動員犯規動作特征提取.

2 實驗分析

為了驗證提出方法的性能，設計仿真對比測試.通過對比本文方法、基于Halcon的足球運動員犯規動作特征提取方法與基于FVRTS平臺的足球運動員犯規動作特征提取方法進行實驗分析.

2.1 實驗環境及參數

為了保障測試結果公正性，設置犯規動作捕捉測試室，安裝三個攝像頭獲取動作圖，機器視覺系統OV7670型號攝像頭參數設置情況如表3所示.

2.2 實驗結果分析

2.2.1 不同方法犯規動作特征提取準確率分析

犯規動作識別參數間接影響犯規動作特征提取準確率，犯規動作識別參數越大，表明特征提取準確率越高.通過測試得到犯規動作識別參數，實驗結果如表4所示.

分析表4數據可知，提出方法犯規動作識別參數范圍為9.02-10.23;傳統代表方法犯規動作識別參數范圍分別為3.98-5.12與5.12-6.94.相比之下，提出方法的犯規動作識別參數遠高于傳統識別方法.這是由于所提方法對犯規圖像進行特征提取，為犯規動作序列建立勢函數，對其進行了更為詳細的分析，進而提高了所提方法犯規動作識別準確率.

2.2.2 不同方法識別穩定性分析

識別方法穩定性直接影響特征提取的準確率，為此利用盒須圖比較提出方法與傳統代表方法的穩定性.盒須圖的上下兩個端點表示穩定性參數最大值與最小值;上下兩邊表示不考慮誤差的穩定性參數最大值與最小值;紅線表示穩定性參數平均值.對比結果如圖2所示.

分析圖3可知，本文方法的穩定性參數最大值與最小值均較為穩定，而其他兩種方法的穩定性參數最大值與最小值存在一定波動.驗證了本文方法進行特征識別的穩定性較好.

3 結束語

本文提出基于機器視覺的足球運動員犯規動作特征提取方法，通過對圖像的獲取并分析圖像的特征等，完成了足球運動員犯規動作特征的提取.仿真結果表明：本文方法可有效對足球運動員犯規動作進行識別，且犯規動作識別參數較大，具有一定實際意義.

參考文獻：

〔1〕辛松和.我國職業足球運動員轉會的委托代理關系及其特點[J].吉林體育學院學報，2018，34（02）：7-10.

〔2〕楊映紅，陳峰，陳海春.福建省足球運動員核心肌群穩定控制能力研究[J].體育科學研究，2018，22（01）：71-76.

〔3〕陳廷標.中職院校足球隊戰術訓練方案設計與作用研究[J].開封教育學院學報，2019，39（02）：153-154.

〔4〕王思樂，王銘羽，楊文柱，等.基于時空加權的多特征融合動作識別算法[J].河北大學學報（自然科學版），2019，39（01）：93-98.

〔5〕李丹，白國君，金媛媛，等.基于機器視覺的包裝袋缺陷檢測算法研究與應用[J].激光與光電子學進展，2019，56（09）：180-186.

〔6〕胡佳貝，劉喆，張鵬飛，等.基于離散Morse理論的散亂點云特征提取[J].光學學報，2019，39（06）：224-233.

〔7〕曹景勝，李剛，石晶，等.基于類Haar特征和自適應提升算法的前車識別[J].科學技術與工程，2019，19（07）：161-165.

〔8〕何冰倩，魏維，宋巖貝，等.融合時空興趣點和多元廣義高斯混合模型的人體動作識別[J].成都信息工程大學學報，2019，34（04）：358-364.

〔9〕吳暉輝，曾憲榮，賴燕君，等.基于機器視覺的線束連接器字符檢測[J].測試技術學報，2018，32（02）：174-179.

〔10〕都明宇，王志恒，荀一，等.多模式人手動作分類識別方法[J].中國機械工程，2019，30（12）：1474-1479.