基于圖像分析的籃球進球識別研究

藍開輝

（泉州幼兒師范高等專科學校，福建泉州362000）

計算機技術的普及，使得計算機視覺技術被廣泛應用于各個領域，如目標檢測、物體運動跟蹤等.但由于籃球進球過程屬于運動過程，僅通過基礎的圖像處理技術難以實現對籃球進球的準確和及時判斷.另外，傳統的目標檢測方法，如背景差分法[1]、光流法[2]、幀間差分法[3]等，由于籃球進球路徑不確定且速度時變性較強，不適用于本研究的籃球進球識別.因此，有必要提出一種準確識別籃球進球的新方法.本研究根據籃球進球特點，提出一種基于圖像分析的籃球進球識別算法.針對籃球進球識別中籃球目標檢測，提出一種基于背景差分法與三幀差分的結合算法，以解決籃球進球路徑不確定且速度時變性較強的問題；針對籃球進球識別中籃筐目標檢測，采用Hough圓變換進行標定；最后，通過圖像處理，提出基于圖像分析的籃球進球識別算法，以實現籃球進球的準確識別.

1 基本算法

1.1 背景差分和幀間差分結合算法

籃球進球識別首先需對籃球和籃筐進行目標檢測.由于籃球屬運動目標，籃筐屬靜態圓形目標，因此需采用不同的方法對目標進行檢測.常用的運動目標檢測方法包括背景差分法、幀間差分法等，但由于籃球速度時變性強，且受室外光線等因素的影響，單一的方法雖可檢測到運動籃球，但往往達不到檢測精度需求.因此，結合以上兩種算法的優點[4]，提出一種基于結合算法的籃球目標檢測.具體步驟為：

第一步：采用中值濾波等圖像處理方法對視頻圖像進行預處理，以去除圖像中的噪聲，提高后續目標檢測的準確度；

第二步：選取一個固定的圖像作為背景圖像Bn（x，y），并選取連續的三幀圖像Fn-1（x，y），Fn（x，y），Fn+1（x，y）；

第三步：采用背景差分法對其進行差值計算，得到運動目標FD（x，y）.FD（x，y）的計算方式如式（1）：

第四步：采用三幀差分法分別計算Fn（x，y）與Fn-1（x，y）的差值和Fn（x，y）與Fn+1（x，y）的差值，將差值進行式（2）操作，得到目標的變化量FG′（x，y）；

第五步：采用式（3）對FG′（x，y）進行二值化；

第六步：將FG（x，y）與FD（x，y）進行交集，得到目標運動的區域圖像（x，y）：

1.2 Hough圓變換

籃筐屬靜態圓形目標，因此采用Hough圓變換進行檢測.而之所以采用Hough圓變換法，是因為Hough圓變換是一種檢測圖像中圓、直線、橢圓等形狀的邊緣檢測方法，通過轉換圖像中的曲線到參數空間，檢測參數空間的極值點，從而對曲線位置進行確定，最終提取規則曲線，使曲線更容易識別和檢測[5，6].該方法的具體描述為：

圓的一般方程式如式（5），（a，b）表示圓心，r表示圓的半徑.

采用Hough圓變換將該平面上的圓轉換到a-br參數空間，則平面空間中經過（x，y）的原對應的參數空間就形成了一個三維錐面，如圖1所示.

圖1 Hough圓變換

以此類推，圖像平面空間中任意一點均對應參數空間一個三維錐面.由此可知，在參數空間存在對應的三維錐面使過圖像空間的同一點圓在r高度必然相交于點（a，b，r）.通過檢測該點，即可得到圓的參數，進而可確定圓的曲線.

2 籃球進球識別模型構建

在對籃球目標檢測后，需對籃球數據進行特征提取，然后比較提取的特征參數與設定的籃球進球系統配置的參數，即可判斷籃球是否進球.

2.1 籃球特征提取

設籃球在X、Y方向的最小像素與最大像素坐標分別為min（x）、min（y）和max（x）、max（y）；直徑像素點總數分別為Ball_Pixel（X）、Ball_Pixel（Y），其計算方法如式（6）：

在籃球筐中連接坐標點（x1，y1）和（x2，y2）形成一條直徑線段，并通過式（7）計算線段上兩點間的像素點總數：

建立籃球實際直徑尺寸（L=45 cm）長度與圖像中籃球筐直徑像素總數的對應關系，如式（8）.

判斷籃球是否進球的決定參數是籃球進球時籃球直徑在圖像中的實際尺寸大小.

2.2 籃球進球圖像采集

在判斷籃球進球過程中，系統配置參數則為籃球進球識別值.不同的圖像采集安裝位置，系統配置的參數不同.本研究將籃球圖像采集的相機安裝在籃筐正上方，如圖2所示，并將系統配置參數Ball_r設置為0.5 cm.

圖2 相機安裝位置

2.3 籃球進球識別

籃球進球識別即判斷籃球是否進入籃筐.籃球是否進入籃筐存在三種情況：一是籃球全部進入籃筐中；二是籃球部分進入籃筐中，三是籃球處于籃筐外.由于第三種情況特殊，籃球處于籃筐外，因此通過區域分向像素的總數不同，計算X與Y方向像素總數值K的范圍，進而對籃球是否進球進行判斷.K值的計算方法如式（10）[7，8].

當籃球屬于第一種情況時，即籃球全部進入籃筐，算法可將籃球筐分割出來，使系統檢測不到沒進籃筐的籃球對應像素點，從而直接識別為未進球[9，10].針對第二種情況和第三種情況，若此時籃球與籃筐之間有接觸，K值的范圍是（0.9，1.1），若籃球與籃筐之間沒有接觸，K值約為1.當K值在（0.9，1.1）之間時，籃球進入籃筐范圍內.通過系統配置參數Ball_TimFactor計算籃球的Ball_R值，并與設定值Ball_r進行比較.若Ball_R＜Ball_r，系統延時0.2 ms，并再次比較Ball_R值與Ball_r值大小；當Ball_R＜Ball_r，判斷此次投籃為進球.此時，Ball_Num自動增加一次計數，并結束此次識別.

整個識別過程中，兩次比較Ball_R值與Ball_r值的原因，是為解決投籃中籃球以籃筐為支點旋轉到籃筐外的問題，從而避免誤判此類情況為進球的情況，提高識別的精準度.

3 仿真實驗

3.1 實驗環境搭建

本研究的圖像采集設備采用分辨率及幀率為640*480時60幀/s，可支持Windows8的免驅M30A相機；選用CPU為i5-7200U@2.5 GHz、內存大于4 G的計算機對采集圖像進行處理；在MATLAB上對圖像進行分析與處理.

3.2 圖像來源及預處理

基于圖2的圖像采集部署，采集來自左、中、右三個方向的投籃視頻各10組，每組數據時長90 s.

3.3 結果與分析

3.3.1 籃球目標檢測結果

為驗證提出的背景差分與三幀差分結合算法目標檢測的有效性，研究采用該算法對左投籃第一組視頻圖像中第34和第176幀圖像進行籃球目標檢測，結果如圖3所示.由圖3看出，本研究提出的算法可有效檢測運動中的籃球.

圖3 籃球目標檢測結果

3.3.2 籃筐目標檢測結果

為檢驗Hough圓變換算法是否可有效提取籃筐曲線，對任意采集圖像進行籃筐目標檢測，結果如圖4所示.由圖可知，Hough圓變換可準確標出籃筐的位置和大小，籃筐的半徑r=218 px，圓心位置為（232，234）.

圖4 籃筐目標檢測結果

3.3.3 籃球進球識別結果

對采集的左、中、右各10組投籃數據進行測試，得到表（1）~（3）的結果.由表可知，左投籃和右投籃中的準確率為100%，沒有出現漏檢或誤檢的情況；中投籃中第3組和第9組漏檢/誤檢了一個進球，分析其原因可知，主要是通過籃球進入籃筐后延時的合適時間判斷籃球與參數的匹配，以避免籃球進球誤檢，但中投籃可能存在空心球（籃球直接投入籃筐，沒有延時），因此導致了漏檢/誤檢.但總體來看，30組數據的檢測準確率為93.33%，漏檢率為6.67%，說明本研究基于圖像分析的籃球進球識別方法有效，滿足實際籃球進球識別需求，具有一定的實用價值.

表1 左投籃測試結果

表2 中投籃測試結果

表3 右投籃測試結果

4 結語

綜上可知，本研究提出的籃球進球識別算法可通過背景差分法和三幀差分結合算法實現對運動的目標檢測，并通過Hought圓變換實現對籃筐的檢測.同時通過仿真實驗可知，提出方法的識別準確率達到93.33%，漏檢率為6.67%，可滿足實際籃球進球識別的應用需求，在青少年籃球訓練以及運動隊基礎訓練方面具有一定的實際應用價值.但由于能力局限，本研究還存在一些問題，如提出的籃球進球識別算法不能進行多目標檢測，離實際應用還具有一定的距離.針對上述問題，研究將在今后的工作中逐步完善，以提高籃球進球識別算法的實用性，為籃球教學和訓練上提供方便.