篮球视频中基于AdaBoost分类器的运动员检测方法

张 斌， 刘 昊， 张 涛

(1.湖北经济学院 体育经济与管理学院，湖北 武汉 430205； 2.中南财经政法大学 体育部，湖北 武汉 430073; 3.湖北工业大学 信息技术中心，湖北 武汉 430068)

篮球视频中基于AdaBoost分类器的运动员检测方法

张 斌1*， 刘 昊2， 张 涛3

(1.湖北经济学院 体育经济与管理学院，湖北 武汉 430205； 2.中南财经政法大学 体育部，湖北 武汉 430073; 3.湖北工业大学 信息技术中心，湖北 武汉 430068)

针对篮球视频中运动员的检测识别问题，提出一种基于AdaBoost分类器的检测方法.首先，从视频中获取有用帧，并通过SampleCreator软件来标记运动员，提取出全身和上半身矩形图像.然后，基于积分图技术从对象图像中提取Haar特征.接着，利用AdaBoost算法选择出具有较强分类性能的特征，训练一系列的弱分类器，并将其进行级联来构建最终的强分类器.最后，通过强分类器对Haar特征进行判别，从而检测图像中的运动员.实验结果表明，该方法能够准确检测并识别视频中的运动员.

篮球视频；运动员检测；AdaBoost分类器；Haar特征

对体育视频中的运动员进行检测和跟踪有利于对视频进行更高层次的分析，例如比赛自动解说、重要事件检测和战术分析等[1].对于战术分析，通常是专家、教练根据经验将收集到的数据转化为实践知识.随着信息量的增加，需要一种更实用的方法.基于图像的数据挖掘技术的应用可以从比赛视频中提取出运动员的运动轨迹等信息，可为战术分析提供帮助[2].

常用的运动物体检测方法有背景差分法、帧间差分法、光流分析法等[3].然而，这些方法仅在固定背景场景中应用较好，如视频监控.针对体育视频中的多目标检测与跟踪，学者提出了一些方法，可分为：基于分类器的方法，基于模型的方法，基于运动的方法[4].在基于分类器的方法中，主要包括特征提取和构建分类器.其中，基于局部特征来描述运动员行为时，很难实现对多目标的同时检测，且场景环境背景非常复杂，运动员也存在遮挡现象.另外，分类器的优劣直接影响检测性能.常用的分类器如支持向量机分类器[5]、神经网络分类器和最大后验概率分类器，都不能很好地应用在视频对象检测中.

为此，提出一种基于AdaBoost分类器的运动员检测方法，将视频帧中的运动员进行标记并截取出全身或半身图像.然后提取Haar特征，并利用AdaBoost算法来构建和优化分类器.在一个视频训练集中的实验结果表明，该方法能够从视频帧中有效地检测出运动员.

1 构建训练集与特征提取

1.1 图像采集

由于本文目的是篮球比赛中的球员检测，所以通过电视台播放的篮球比赛视频，利用DirectShow视频帧采集软件[6]以0.5 s/帧的速度从视频中采集样本，从而构建训练集.NBA中一场比赛的时间为48 min，另外，中途还有一些中断(犯规、暂停、休息).那么，一场比赛从开始到结束的平均总时间约为100 min.所以，一场比赛将获得100*60*2=12 000个图像帧，并转换成黑白图片形式，这为AdaBoost算法提供了足够多的数据样本.

在获得的图像帧中，将包含感兴趣对象的图像作为正面帧，将不包含任何运动员的图像作为负面帧.图1为从篮球比赛中获得的正面帧和负面帧.负面帧对训练分类器毫无用处，所以在预处理过程中会删除.

1.2 提取对象实例

利用SampleCreator软件从篮球比赛视频帧中标记并提取出感兴趣对象，并以此来创建训练集.SampleCreator在标记整个球员时，根据经验，设定宽度和高度的比例为2.2(如宽度为100 px，高度为220 px)；而在标记运动员上半身时，设定比例为1.8(如宽度为100 px，高度为180 px).图2列举了一些标记出的篮球运动员全身和上半身图像.

需要注意，并不是所有的球员都会被标记为正面对象.当一些对象具备以下情况：不能清楚地显示，进入或离开图像背景，被其他图像遮挡时，这些对象可能会对训练产生不利影响，所以标记为负面对象，且不加入训练集中.例如图2中尚未标记的球员.

为了将标记的对象构建成训练集，需要将这些对象从图像中切割出来.为了训练高性能分类器，对于每个运动员，需要足够多的对象实例，本文总共采集约2 000个.图3列举了切割出来的全身和半身对象，其中每个运动员都有多个对象.

1.3 提取对象特征

在构建完训练集之后，需要对每个对象图像进行特征提取.采用Haar特征[7]作为运动员检测的关键特征.Haar特征是一种矩形特征，反映了图像局部的灰度变化.Haar特征计算所使用的特征模板通常采用2个或多个相等的矩形组合，采用积分图的方法对图像进行遍历来计算每个特征[8].积分图方法根据从图像的起点到各个点所形成的矩形区域的像素之和，来获得任意尺度和位置的Haar特征.对于图像中的一点A(x,y)，该点的灰度值为I(x,y)，其积分图ii(x,y)的计算方法为：

ii(x,y)=∑x!≤x,y!≤yI(x!,y!).

Haar特征模板分为白色矩形和黑色矩形，白色和黑色矩形之间的积分图之差就是Haar特征值.图4所示为一个Haar特征提取模板的例子.通过计算图4中1～6点的积分值来计算各个区域的Haar特征值.例如，图4中黑色区域的Haar特征计算表达式为：

Haar=[ii(6)-ii(5)-ii(4)+ii(3)]-[ii(4)-ii(3)-ii(2)+ii(1)].

2 基于AdaBoost算法构建分类器

在获得训练集并提取Haar特征之后，利用一种自适应增强算法来训练分类器.自适应增强算法是一种提高给定分类器性能的方法，其中最流行的为AdaBoost算法[9].AdaBoost算法根据分类器之前错误的分类实例来自适应调整分类器.其核心思想是：通过反复迭代找到具有最小错误率的弱分类器，然后增大由弱分类器错误分类的样本的权重，降低正确分类的样本的权重，以突出错误分类样本，这样下一次迭代将会更加针对这些错误分类样本，以此提高正确分类率[10].AdaBoost算法的伪代码如表1所示.

≠yi].

在篮球比赛视频中的球员识别应用中，xi表示球员(站在球场上不动、投篮、跳跃抢球、防守、运球突破等)，而yi表示一个给定的检测能否代表帧中的特定篮球运动员.弱分类器即假定某些对象是球员，同时根据权重分布Dt来选择由该分类器检验的子集合.

3 实验及分析

为了降低算法的运算复杂度，需要将对象图像的像素进行压缩.对于运动员全身对象，将图像降为20×44像素；对于运动员上身对象，将图像降为20×36像素.实验中构建了一个具有2 000个对象实例的训练集，并在此训练集上执行AdaBoost算法来训练分类器.

为了测试分类器的性能，选择100帧图像作为测试集，运动员检测方法的输出为测试图像上标记的运动员对象.通过统计已发现的对象数、未发现的对象数和错误分类对象的数量来计算检测方法的真阳性与假阳性率，并创建了受试者工作特征(ROC)曲线，用来评估检测方法的性能，如图5所示.可以看出，增加假阳性的允许数量会提高真阳性的百分比，当本文允许50%的假阳性率时，命中率可以达到85%.

表2 各种方法的检测性能比较

将本文方法与相关方法在检测准确率方面进行比较，结果如表2所示.其中，文献[11]使用Boosting算法构建了一种检测方案，但它仅依靠单独人脸图像来检测篮球运动员，在复杂背景下的检查率较低，其给出的准确性约为68.4%.文献[12]基于AdaBoost算法，利用具有背景变化的人脸作为训练集，一定程度上提高了准确率，其给出的准确性约为74.2%.文献[13]通过在可变形部件模型上应用条件随机场算法，来识别篮球比赛中的球员，其给出的准确性约为75.6%.本文方法以运动的全身和半身图像作为训练集，并通过AdaBoost算法来优化分类器，有效提高了检测准确率，达到了80.2%.

4 结束语

体育视频中，球员的检查是视频高层分析的基础.球员检测的目的是从图像视频帧中精确地检测出球员并识别，以此可构建出球员的运动轨迹和战术策略.本文针对篮球视频中的球员检测，提出一种基于AdaBoost分类器的检测方法.通过SampleCreator软件来标记运动员，并提取Haar特征.利用AdaBoost算法来训练并优化分类器，从而获得一个性能优越的强分类器来检测球员.在一个篮球比赛集中进行实验，结果证明了提出方法的有效性和可行性.

[1] 邵静雯, 孟朝晖. 基于质心的篮球运动员跟踪与检测[J]. 电子设计工程, 2016, 24(2): 176-179.

[2] HEYDARI M, MOGHADAM A M E. An MLP-based player detection and tracking in broadcast soccer video[C]// International Conference on Robotics and Artificial Intelligence.Rawalpindi: IEEE, 2012:195-199.

[3] 樊翠红. 人体视频运动图像的高精度实时分割仿真研究[J]. 计算机仿真, 2016, 33(1): 268-271.

[4] DUH D J, CHANG S Y, CHEN S Y, et al. Automatic broadcast soccer video analysis, player detection, and tracking based on color histogram[J]. Lecture Notes in Electrical Engineering, 2013, 23(4):123-130.

[5] 叶施仁, 孙宁. 基于SVM的新浪微博营销类水帖识别研究[J]. 湘潭大学自然科学学报, 2015, 37(4): 70-74.

[6] 朱尹华, 周尚波, 王兴星,等. 基于DirectShow视频帧实时捕捉的设计与实现[J]. 计算机应用与软件, 2011, 28(1): 35-38.

[7] JIANG X G, JIANG Z F, SHENG M B, et al. A Compositive detection method of lunar crater based on partial Haar and PHOG feature[J]. Scientia Sinica, 2013, 43(11):1421.

[8] 李淑婧, 嵇朋朋, 邓健康,等. 基于面部结构的表情识别[J]. 计算机应用研究, 2015, 32(3): 917-921.

[9] MAHMOOD Z, ALI T, KHATTAK S. Automatic player detection and recognition in images using AdaBoost[C]// International Bhurban Conference on Applied Sciences and Technology.Islamabad:IEEE, 2012:64 - 69.

[10] 孟子博, 姜虹, 陈婧,等. 基于特征剪裁的AdaBoost算法及在人脸检测中的应用[J]. 浙江大学学报(工学版), 2013, 47(5):906-911.

[11] ZHANG Z, YI D, LEI Z, et al. Regularized transfer boosting for face detection across spectrum[J]. IEEE Signal Processing Letters, 2012, 19(3):131-134.

[12] CUI-HUAN D U, ZHU H, LUO L M, et al. Face detection in video based on AdaBoost algorithm and skin model[J]. Journal of China Universities of Posts & Telecommunications, 2013, 20(13): 6-9.

[13] LU W L, TING J A, MURPHY K P, et al. Identifying players in broadcast sports videos using conditional random fields[C]// IEEE Conference on Computer Vision & Pattern Recognition. Providence：IEEE, 2011: 3249-3256.

责任编辑：龙顺潮

An Athlete Detection Method Based on AdaBoost Classifier in Basketball Video

ZHANGBin1*,LIUHao2,ZHANGTao3

(1.Sports Institute of Economics and Management, Hubei University of Economics, Wuhan 430205; 2.Sports Department, Zhongnan University of Economics and Law, Wuhan 430073; 3. Information Technology Center, Hubei University of Technology, Wuhan 430068 China)

For the issue that the athlete detection and recognition in basketball video, a detection method based on AdaBoost classifier is proposed. Firstly, the useful frames are obtained from the video, and through the SampleCreator software to mark the athletes, so as to extract the rectangular image of whole body and upper body. Then, the Haar feature is extracted from the object image based on the integral graph technique. After that, the AdaBoost algorithm is used to train a series of weak classifiers which are used to construct the final classifier. Finally, the Haar features are distinguished by the strong classifier to detect the players in the image. Experimental results show that the proposed method can accurately detect and identify the players in the video.

basketball video; athlete detection; AdaBoost classifier; Haar feature

2016-05-21

湖北省高校教学研究项目( 2013160)

张 斌(1973—)，男，湖北 新阳人，讲师.E-mail:zhangbinhbwh@qq.com

TP391

A

1000-5900(2016)04-0085-05