基于機器學習技術的體育視頻類型分類研究

張玉蘭

摘 要：為了提高體育視頻類型分類的正確率，設計了基于機器學習技術的體育視頻類型分類方法。首先分析當前體育視頻類型分類的研究進展，介紹了機器學習技術的體育視頻類型分類原理，然后提取體育視頻類型分類的特征向量，并引入機器學習技術中的支持向量機構建體育視頻類型的分類器，最后通過多種體育視頻數據進行仿真測試。結果表明，機器學習技術克服了當前體育視頻類型分類方法存在的弊端，提高了體育視頻類型分類的正確率，體育視頻類型分類誤差要小于比對方法，獲得了理想的體育視頻類型的分類結果。

關鍵詞：機器學習技術;運動視頻;分類效果;特征向量;仿真測試

中圖分類號：TP 391

文獻標志碼：A

文章編號：1007-757X（2020）11-0042-03

Abstract：In order to improve the accuracy of classification of sports video types， a classification method based on machine learning technology is designed. First of all， this paper analyzes the current research progress of sports video type classification， describes the principle of sports video type classification based on machine learning technology， then extracts the feature vector of sports video type classification， introduces the support vector mechanism of machine learning technology to build the sports video type classifier， and finally conducts simulation test through a variety of sports video data. The results show that the machine learning technology overcomes the shortcomings of the current sports video classification methods， improves the accuracy of sports video classification. The classification error of sports video types is less than the comparison method. The design obtains the ideal sports video classification results.

Key words：machine learning technology;motion video;classification effect;eigenvector;simulation test

0?引言

相對于其它類型的信息，視頻包含的信息量更加豐富，更受人們的歡迎，其中體育視頻就是一種十分重要的視頻。每天體育視頻以爆炸式的速度增長，體育視頻管理面臨巨大的挑戰[1]。體育視頻的分類可以加快體育視頻檢索效率，可以讓用戶找到自己真正的需要的體育視頻，可以指導運動的訓練和比賽。因此，體育視頻類型分類技術成為當前體育視頻管理領域中一個重要研究內容[2]。

針對體育視頻類型分類問題，全世界許多研究人員投入許多的時間和精力，體育視頻類型分類的研究可以劃分為兩個階段[3-4]：人工階段和自動階段。人工階段消耗時間長，無法對海量的體育視頻進行分類，體育視頻分類的工作量比較大。自動階段基于計算機自動化技術，最近幾十年來有了長足的發展[5]。在體育視頻類型的自動分類過程中，首先要提取體育視頻類型特征向量，如視覺特征、音頻特征、場地面積特征、運動特征等。由于體育視頻變化比較復雜，單一特征難以描述體育視頻類型，因此當前要主要采用多種特征組合在一起進行體育視頻類型分類[6-8]。體育視頻類型分類還要建立分類器，當前采用隱馬爾可夫模型、神經網絡等，在實際應用中，隱馬爾可夫模型、神經網絡均有一定的缺陷，導致分類體育視頻類型分類的正確率低，分類體育視頻類型分類實時性差等[9-11]。

為了降低了分類體育視頻類型分類錯誤率，設計了基于機器學習技術的體育視頻類型分類方法。首先提取體育視頻類型分類的特征向量，然后引入機器學習技術中的支持向量機構建體育視頻類型的分類器，最后通過多種體育視頻數據進行仿真測試，驗證了本文方法的體育視頻類型分類性能。

1?基于機器學習技術的體育視頻類型分類方法

1.1?提取體育視頻特征向量

1.1.1?提取體育視頻顏色特征向量

體育視頻的最小單位為視頻圖像中幀，為了有效區域不同類型的體育視頻，需要提取能描述視頻類型的特征，當前特征主要有顏色、紋理、邊緣等。顏色是一種使用最為廣泛的體育視頻特征，最容易引起人們的注意，顏色空間是顏色特征提取的基礎。RGB空間是最常用的顏色空間，可以通過非線性變換得到HSV空間，更適合于模仿人的視覺系統。兩者的轉換關系，如式（1）—式（3）。

顏色直方圖是一種描述彩色圖像的色彩特征，計算公式如式（4）。

式中，N表示顏色的種類，h（i）表示第種顏色的像素數。

為了更好的描述體育視頻的顏色特征，進行歸一化處理，如式（5）。

式中，n×m表示體育視頻圖像的分辨率。

對于一幅體育視頻圖像，顏色可以描述體育視頻圖像顏色的空間分布關系，如圖1所示。

1.1.2?提取體育視頻紋理特征向量

紋理是用來描述體育視頻圖像的光滑、粗糖和規則程度，與圖像顏色或者亮度特征無關，對環境變化的魯棒性好，粗糙度是一種重要的紋理特征，本文選擇其粗糙度構建體育視頻紋理特征向量。粗糙度特提取步驟如下。

（1） 一個活動窗口

大小為2k*2k，計算其中像素的平均灰度值，如式（6）。

（2） 計算每個像素的水平和垂直方向的兩個鄰域邊緣像素的均值差值，如式（7）、式（8）。

（3） 從多個鄰域確定每一個像素的最佳尺寸，如式（9）。

（4） 將整幅體育視頻圖像Sbest的平均值作為粗糙度，即得到體育視頻圖像的紋理特征，如式（10）。

1.2?支持向量機算法

1.3?支持向量機構建的體育視頻類型分類器

體育視頻類型有多種類型，例如足球、籃球、乒乓球、網球、羽毛球等，是一個多分類問題，而支持向量機是一種針對兩分類問題的機器學習技術，因此需要將多個二分類器組合在一起得到一個多分類器，本文采用“1對1”方式構建，然后通過投標方式得到體育視頻類型的分類結果，如圖2所示。

2?仿真測試

2.1?測試數據及環境設置

為了驗證基于機器學習技術的體育視頻類型分類效果，選擇最常用的體育視頻數據作為測試對象，如表1所示。

仿真測試環境為：Window 10的操作系統，VC++ 2013的編程工具，采用Intel 奔騰G4560，金士頓DDR4 2400 16G RAM。

2.2?分類器參數值的確定

由于選擇徑向基核函數建立支持向量機的體育視頻類型分類器，因此確定參數C和σ的值。為測試實驗結果的公平性，進行5次仿真實驗，分別從每一類體育視頻隨機選擇3/5的樣本組成訓練樣本集合，余下的作為測試樣本集合，采用10折交叉驗證法確定每一次仿真實驗的體育視頻分類器參數，如表2所示。

2.3?體育視頻類型分類結果對比

選擇文獻[10]和RBF神經網絡的體育視頻類型分類方法進行對比實驗，統計每一次仿真實驗的體育視頻類型分類正確率，如圖2所示。

對圖2的體育視頻類型分類正確率進行分析可以發現。

（1） 文獻[10]的體育視頻類型分類正確率最低，因為該方法認為體育視頻類型分類特征向量和體育視頻類型之間是一種線性映射關系，這與情況不相符，在此體育視頻類型分類錯誤率最高。

（2） RBF神經網絡的體育視頻類型分類正確率要高于文獻[10]方法的體育視頻類型分類正確率，主要是因為RBF神經網絡認為特征向量和體育視頻類型之間是一種非線性映射關系，而且可以很擬合的這種非線性映射關系，但是由于RBF神經網絡是基于經驗風險最大原則，當樣本的數量比較小時，體育視頻類型分類結果不穩定。

（3） 本文方法的體育視頻類型分類率遠遠高于文獻[10]和RBF神經網絡，因為本文方法克服了文獻[10]的線性建模缺陷，同時不存在RBF神經網絡需要大樣本的局限性，獲得了更好的體育視頻類型分類結果。

2.4?體育視頻類型分類效率對比

統計本文方法與對比方法的體育視頻類型分類的訓練時間和測試時間，單位為秒（s），用其評價體育視頻類型分類的效率，結果表3所示。對表2的實驗結果進行分析可以發現，3種方法的體育視頻類型分類的測試時間相差不大，但是訓練時間差別比較大，其中本文方法的訓練時間最短，因此體育視頻類型分類的總時間最少，提高了體育視頻類型分類效率，如表3所示。

3?總結

體育視頻類型可以幫助用戶快速找到自己真正需要的視頻數據，為了解決當前體育視頻類型分類過程中的一些問題，如錯誤率高、速度慢、通用性差等缺陷，提出了基于機器學習技術的體育視頻類型分類方法，并與其它方法在相同測試條件下，對于相同的體育視頻進行了對比分析。測試結果表明，機器學習技術可以準確、有效的區分各種體育視頻，降低了體育視頻出現誤分的概率，具有比較廣的應用范圍。

參考文獻

[1] 鄧小亞.基于RGB顏色空間的視頻運動目標檢測[J].西南師范大學學報（自然科學版），2019，44（3）：119-123.

[2]?薛陽，張亞飛，楊天宇，等.一種針對抖動視頻序列的運動目標檢測算法[J].激光與光電子學進展，2018，55（9）：332-338.

[3]?張壯暑，蔡曉東，張學敏.監控視頻中運動目標識別分類系統研究[J].電視技術，2012，36（23）：165-167.

[4]?張馨嬌，李建萍.體育視頻中基于卡爾曼濾波器的運動員人臉檢測識別方法[J].湘潭大學自然科學學報，2017，39（4）：95-98.

[5]?石念峰，侯小靜，張平. 時空特征局部保持的運動視頻關鍵幀提取[J].計算機應用， 2017，37（9）：2605-2609.

[6]?曹愛春，楊曉艇，侯旭東. 最小二乘支持向量機和證據理論融合的體育視頻分類[J].計算機工程與應用，2013，49（23）：95-99.

[7]?朱映映，朱艷艷，文振焜.基于類型標志鏡頭與詞袋模型的體育視頻分類[J].計算機輔助設計與圖形學學報，2013，25（9）：1375-1383.

[8]?邢吉生，楊禮，尚祖飛，等.支持向量機在視頻運動目標分析中的應用[J].吉林大學學報（理學版），2013，51（1）：107-110.

[9]?韓東. 基于向量機的體育運動視頻自動分類方法設計[J].現代電子技術，2019，42（7）：79-81.

[10]?朱欣華.多特征和神經網絡相融合的體育視頻識別[J].湖南科技大學學報（自然科學版），2015，30（4）：97-102.

[11]?吳鵬，林新棋，李海濤，等.基于顏色紋理和SVM的體育視頻分類[J].福建師范大學學報（自然科學版），2014，30（2）：34-41.

（收稿日期：2019.09.02）