基于高斯混合模型的遮擋籃球運動員目標檢測方法

摘 要：在籃球賽場上，由于區域位置不同，運動員運動的背景與攝像機拍到的圖像之間的差異很大，多人被遮擋的情況下籃球運動員目標檢測效果會下降。基于此，本文提出了一種基于高斯混合模型的籃球運動員目標檢測方法。利用金字塔特征結構的多尺度學習方法，建立遮擋籃球運動員特征表征數據集，根據每幀圖像提取出的像素點建立高斯混合模型，并進行背景描述，實現背景減除，最后優化遮擋籃球運動員的目標檢測流程。為驗證方法有效性，設計實驗，結果表明：應用該方法后，檢測速度更快，平均為14.3幀/s，檢測精度更高，平均為76.56%。

關鍵詞：高斯混合模型；遮擋目標監測；特征提取；表征數據集；背景減除

中圖分類號：TP391.4" 文獻標識碼：A" 文章編號：1673-260X（2025）02-0006-04

隨著我國計算機視頻圖像處理技術的持續發展和進步，熱衷于體育賽事的觀眾對視頻圖像的實時性和質量提出了更高的要求。我國的競技體育培訓通常采用經驗式教學方法，教練員往往依據個人經驗對運動員進行技術動作指導，而運動員則需通過反復練習來逐步掌握動作技巧。針對上述挑戰，深入研究和應用運動目標計算機檢測技術顯得尤為重要。籃球在我國是一項深受歡迎的體育項目，隨著籃球事業的快速發展和籃球賽事的不斷增加，對籃球運動員的檢測技術也在不斷進步，對籃球運動員的目標檢測在比賽中具有重要意義[1，2]。目標檢測不僅涉及運動員在比賽中的走位和動作，還包括對動作合規性的判斷，這些都對運動員檢測技術提出了更高的要求。

關于遮擋情況下的運動目標檢測，國內外許多學者都有相關研究。孫瑞山等提出了一種改進的幀間差分法[3]，該方法利用了相鄰兩幀圖像中的運動信息，可以有效地解決多人被遮擋時的檢測問題。張昀普等提出了一種基于光流法的多人檢測方法[4]，該方法可以有效地處理多人被遮擋問題。由于運動員的姿勢變化、位置變化等原因，即使在多角度攝像的情況下，也會出現部分運動員在遮擋位置，導致了傳統的基于背景減除的目標檢測方法難以對多人目標進行檢測。籃球比賽中由于球場上不同區域所處位置不同，運動員運動的背景與攝像機拍攝的圖像之間的差異很大，只能針對單目標進行檢測，當多人被遮擋時，其檢測效果會下降。針對檢測效果不理想問題，本文提出了一種基于高斯混合模型的籃球運動員目標檢測方法。文中所使用的GMM模型能夠將每個球員獨立地建模為一個高斯混合模型。在背景更新時，使用全局運動模型得到背景更新的全局運動信息，然后使用局部運動模型得到局部運動信息。在對多人進行檢測時，使用高斯混合模型對所有運動員進行建模。該方法可以有效地減少因背景更新次數和場景變換引起的誤檢與漏檢問題。

1 遮擋籃球運動員目標檢測方法研究

1.1 建立遮擋籃球運動員特征表征數據集

本文使用的數據集是高校的學生在校園內拍攝的20張籃球比賽圖片，通過對每張圖片進行處理，得到遮擋籃球運動員的特征表征數據集。由于采集到的圖片是經過處理的，因此該數據集中，每個學生只需提供一張遮擋圖片即可[5]。使用的數據集包括兩個部分，一部分是運動員檢測任務中需要使用到的數據集，另一部分是不需要使用到的數據集。由于本文以籃球比賽為背景，因此只對運動員檢測任務中需要用到的數據集進行介紹。運動員檢測任務中需要使用到的數據集包括20張遮擋圖片和20張不遮擋圖片。其中，遮擋圖片主要是指不能被背景所覆蓋，例如運動員在球場上跑動時產生的影子；不遮擋圖片主要是指有球員參與到比賽中時產生的遮擋圖像[6]。如果不對這兩類圖像進行區分，那么就會造成誤檢或者漏檢。將學生拍攝的20張圖片分為兩個部分：一是運動員在場上運動快、變化快，這給運動員的檢測和識別帶來了很大難度，學生拍攝照片所占的比例較大，約占整個數據集的50%；二是籃球運動是一項多人合作的體育項目，所以在籃球比賽錄像中，隊員們穿著相同的隊服，在外貌上比較相似，當球員發生激烈碰撞、交叉遮擋時，對其進行檢測是一項非常具有挑戰性的工作，運動員在賽場上奔跑時生成的遮擋圖像所占的比重很大，大約占整個數據集的25%[7]。為了建立一個有效的訓練樣本集，還需要一個能夠對遮擋特征進行表征的樣本集。針對第一類圖片較多且不能被背景所覆蓋這一問題，本文采用了一個新方案：將運動員檢測任務中需要用到的特征與不需要用到的特征進行比較。如果相似則說明運動員被遮擋了；反之則說明沒有被遮擋[8]。

根據前面對遮擋籃球運動員特征表征數據集結構分析可知：（1）所有學生照片都是從運動場中拍攝的。這表明所有學生在運動場上奔跑時產生的遮擋圖像都會被該學生所拍攝到；（2）不需要用到訓練樣本集中第二類圖片。因為有一個新方法可以很好地解決這一問題。而訓練樣本集中只包含第一類和第三類圖片，因此本實驗并沒有使用訓練樣本集中第三類圖片。（3）經過對數據集結構分析可知：對于不需要訓練樣本集中第三類圖片這種情況，本實驗只使用第一類圖片作為數據集。運動員檢測任務中需要用到數據集中第一類圖片較多，并且這些圖像主要是由球員奔跑產生。然而，這些球員在球場上跑動時產生的遮擋圖像所占比例相對較少[9]。因此，本文選擇了第一類圖片作為遮擋籃球運動員特征表征數據集。

在特征數據集建立的過程中，本文使用的是金字塔特征結構的多尺度學習方法，其示意圖如圖1所示，首先計算輸入圖像的高斯混合模型參數。根據高斯混合模型算法原理，當兩個高斯混合模型中的第一個高斯混合模型的參數等于第一個高斯混合模型的參數時，可以認為這個高斯混合模型是一個好的高斯混合模型[10]。根據視頻序列中每個像素點運動方向和速度的變化情況，可以計算每個像素點所對應的三個高斯混合模型。本文中使用高斯混合模型對視頻序列中所有籃球運動員進行分割，將所有籃球運動員從視頻序列中分離出來。

1.2 基于高斯混合模型進行背景減除

在采用高斯混合模型方式進行背景減除的基礎上，首先需要確定每個高斯模型的參數，序列及權值進行選擇。對高斯混合模型的全部參數向量賦值的過程即為高斯混合模型背景減除。

在獲取到分離出來的視頻序列之后，想要精準地實現運動員的檢測，還需要對圖像進一步進行處理。準確地分離運動員目標和背景區域，是目前提升檢測精度最有效的方法[11]。本文選擇利用高斯混合模型進行背景減除。高斯混合模型可以有效地解決背景更新問題，同時將多人目標檢測問題轉化為單目標檢測問題。在高斯混合模型的基礎上，本文提出了一種基于GMM的背景減除方法。該方法將所有球員看作一個整體，根據其建模時間，將其劃分成背景像素點和目標像素點。由于訓練數據較少，該方法可以有效地避免運動檢測中出現的問題。該方法使用高斯混合模型進行背景減除，并在每一幀圖像中檢測出一個高斯模型來生成背景圖像[12]。在每次背景更新后，都會使用新的GMM進行背景建模。與運動目標相比，背景區域中的像素點灰度值的波動較小，高斯模型的方差相對較小，權值更大。將劃分出的背景像素點進行整理，建立混合高斯模型來進行背景描述。

1.3 優化目標檢測流程

針對上文中高斯混合模型（GMM）進行背景減除后的圖像，為實現更好的檢測效果，對目標檢測的流程進行優化。首先，對高斯混合模型（GMM）進行背景更新。由于視頻中的背景不是一直保持不變的，因此首先將整個視頻序列分為三幀進行背景更新。在此過程中，我們需要將每幀圖像作為一個高斯混合模型的輸入圖像，在此時，如果使用傳統方法對視頻序列進行背景更新，在目標檢測的過程中，會導致大量誤檢、漏檢的發生。為避免此問題，我們將整個視頻序列分為兩部分進行背景更新：第一部分對每個幀圖像進行背景更新，并使用Adaboost算法對視頻序列進行背景建模；第二部分將整個視頻序列分為兩個部分，在計算過程中，本文所使用的是Adaboost算法能作為目標的分類算法。Adaboost算法本質上是一個多分類器算法，很好地解決局部分類器存在的問題[15]。經過Adaboost算法的訓練后，我們可以得到一個具有最小檢測概率的高斯分布參數。

2 目標檢測方法性能測試

2.1 數據集選擇

對基于高斯混合模型的遮擋籃球運動員目標檢測方法進行性能測試，需要選擇數據集。在數據集的選擇中，構建Basketball Player數據集，對本文設計的基于高斯混合模型的遮擋籃球運動員目標檢測方法進行訓練。本文所構建的數據集中圖像來自各個高校和專業籃球隊的日常訓練和比賽保存影像。為保證構建的數據集便于區分和使用，需要將不同來源的圖像獲取的時間進行規范。

從圖像中將運動員的身體與背景分離出來，并對整體進行目標跟蹤，存在遮擋的情況下進行劃分并標注。經過標注之后的圖像，在數據集上可以表示的特征有目標分類、目標局部和整體位置、所屬幀號、目標身份信息等要素。本文所選擇的數據集，共有12 334張圖片，將以上圖片進行翻轉、縮放、添加高斯噪聲等操作之后，能夠擴充原有數據集中圖像數量。將擴充之后的數據集劃分成不同功能的子集。在經過處理之后的數據集上進行方法性能測試。

2.2 實驗設計與指標分析

為了保證所設計的實驗結果準確無誤差，測試顯卡為Tesla V130 GPU下進行，在實驗中，相關的實驗參數設置情況如表1所示。

分別使用本文設計的基于高斯混合模型的遮擋籃球運動員目標檢測方法和傳統的目標檢測方法進行測試，并將檢測結果進行分析與對比。為能夠更加直觀地看出不同檢測方法之間的結果差異，本文使用平均精確度、訓練時間以及處理速度作為不同檢測方法結果的評價指標。平均精確度的計算公式如下。

3 結束語

本文通過引入支持向量機對多人進行分類，主要做了以下幾個方面的工作：（1）由于局部像素點之間的相似性，可能導致誤判情況發生的問題，在遮擋籃球運動員目標檢測的過程中，引入GMM模型進行背景減除，避免了由于局部像素點之間的相似性而導致誤檢與漏檢情況的發生。（2）通過對背景更新方式、局部運動模型以及支持向量機參數選擇等，使其檢測速度更快，檢測精度更高。

參考文獻：

〔1〕陳海燕，甄霞軍，趙濤濤.一種自適應圖像融合數據增強的高原鼠兔目標檢測方法[J].農業工程學報，2022，38（S1）：170-175.

〔2〕曹杰程，陶重犇.基于Stereo RCNN的錨引導3D目標檢測算法[J].儀器儀表學報，2021，42（12）：191-201.

〔3〕孫瑞山，陳雄，梁妍.基于高斯混合模型的飛機進近著陸階段運行異常檢測[J].安全與環境學報，2022，22（03）：1371-1376.

〔4〕張昀普，單甘霖，黃燕，等.考慮盲區的多移動傳感器地面目標檢測跟蹤調度方法[J].系統工程與電子技術，2023，45（02）：453-464.

〔5〕楊鈞智，吳金亮，智軍.基于多尺度圓周頻率濾波與卷積神經網絡的遙感圖像飛機目標檢測方法研究[J].電子與信息學報，2021，43（05）：1397-1404.

〔6〕鐘曉婉，匡軍，韓冬桂，等.基于四元數的滑雪運動員姿態檢測算法[J].科學技術與工程，2021，21（24）：10376-10380.

〔7〕安珊，林樹寬，喬建忠，等.基于生成對抗網絡學習被遮擋特征的目標檢測方法[J].控制與決策，2021， 36（05）：1199-1205.

〔8〕王梓歌，李盈盈，葛利躍，等.結合高斯混合模型與多通道雙邊濾波的RGBD場景流計算方法[J].模式識別與人工智能，2023，36（03）：225-241.

〔9〕張燕會，陸穎之，王丹丹，等.運動速度對冰球運動員多目標追蹤表現的影響特征：一項EEG研究[J].上海體育學院學報，2021，45（05）：71-80.

〔10〕鄭含博，李金恒，劉洋，等.基于改進YOLOv3的電力設備紅外目標檢測模型[J].電工技術學報，2021，36（07）：1389-1398.

〔11〕史朋飛，韓松，倪建軍，等.結合數據增強和改進YOLOv4的水下目標檢測算法[J].電子測量與儀器學報，2022，36（03）：113-121.

〔12〕寧欣，田偉娟，于麗娜，等.面向小目標和遮擋目標檢測的腦啟發CIRA-DETR全推理方法[J].計算機學報，2022，45（10）：2080-2092.

〔13〕李威，王蒙.基于漸進多源域遷移的無監督跨域目標檢測[J].自動化學報，2022，48（09）：2337-2351.

〔14〕張禹，魏一凡，陶靖婷，等.籃球運動員的多目標追蹤與軌跡預測[J].中國運動醫學雜志，2021，40（10）：800-809.

〔15〕任媛，雒江濤，梁旭鵬.基于自適應關鍵點熱圖的遮擋籃球運動員檢測算法[J].計算機輔助設計與圖形學學報，2021，33（09）：1450-1456.