基于轮廓模型和AdaBoost算法的民族地区舞蹈人员跟踪技术研究
2020-07-23赖程程梁麟
赖程程 梁麟
摘 要: 为了提高对民族地区舞蹈人员的指导能力,提出基于轮廓模型和AdaBoost算法的民族地区舞蹈人员跟踪技术。构建民族地区舞蹈人员的视频跟踪扫描成像模型,检测民族地区舞蹈人员的视频图像边缘轮廓模型,根据初始轮廓分布进行民族地区舞蹈人员视频图像的增强处理,建立民族地区舞蹈人员跟踪图像的视觉感知模型,通过区域像素特征重构方法进行民族地区舞蹈人员图像跟踪的三维信息重建,采用AdaBoost算法完成民族地区舞蹈人员的轮廓检测和像素跟踪,提高民族地区舞蹈人员的像素跟踪和识别能力。仿真结果表明,采用該方法跟踪民族地区舞蹈人员的信息融合度及识别率较高,能有效提高民族地区舞蹈的训练指导能力。
关键词: 民族舞蹈人员; 跟踪技术; 民族地区; 图像处理; 轮廓模型; AdaBoost算法
中图分类号: TN911.73?34; TP391 文献标识码: A 文章编号: 1004?373X(2020)05?0042?04
Research on ethnic areas′ dancer tracking technology
based on contour model and AdaBoost algorithm
LAI Chengcheng1, LIANG Lin2
(1. Guangxi Normal University, Guilin 541004, China; 2. Guilin Wencui Software Development Co., Ltd., Guilin 541004, China)
Abstract: An ethnic areas′ dancer tracking technology based on the contour model and AdaBoost algorithm is proposed to improve the ability to guide the dancers in ethnic areas. The video tracking scanning imaging model for the dancers in ethnic areas is created to perform edge contour model detection for the video images of the dancers. The enhancement processing of video images of the dancers in ethnic areas is performed according to the initial profile distribution to establish the visual perception model of tracking images of the dancers in ethnic areas. The 3D information of image tracking of the dancers in ethnic areas is reconstructed by the method of regional pixel feature reconstruction. The AdaBoost algorithm is used for the contour detection and pixel tracking of the dancers to improve the pixel tracking and recognition abilities of the dancers in ethnic areas. The simulation results show that the method has high information fusion level and recognition rate, which effectively improves the training and guidance abilities of the dancers in ethnic areas.
Keywords: ethnic dancer; tracking technology; ethnic area; image processing; contour model; AdaBoost algorithm
0 引 言
民族地区舞蹈是我国的传统艺术瑰宝,为了实现对民族地区舞蹈的传承,需要进行民族地区舞蹈的优化指导,随着图像处理设计的发展,采用视频监控和视觉图像分析的方法进行民族地区舞蹈人员的图像重构和特征识别,根据图像分析结果进行舞蹈人员的动作纠正和规范,提高民族地区舞蹈的训练和优化指导能力[1]。研究民族地区舞蹈人员跟踪技术,分析民族地区舞蹈人员的动作特征,通过特征提取方法进行专家指导和评判,可以有效提高训练的针对性和动作的规范化纠正能力[2]。本文提出基于轮廓模型和AdaBoost算法的民族地区舞蹈人员跟踪技术。首先分析民族地区舞蹈人员的视频图像样本,然后构建民族地区舞蹈人员视频图像的轮廓模型,采用AdaBoost算法跟踪识别民族地区舞蹈人员,最后进行仿真实验分析,验证了所提方法在提高民族地区舞蹈人员跟踪识别能力方面的优越性能。
1 成像模型及边缘轮廓模型检测
1.1 民族地区舞蹈人员的视频跟踪扫描成像模型
为了实现民族地区舞蹈人员跟踪识别,需要构建民族地区舞蹈人员的视频跟踪扫描成像模型,检测民族地区舞蹈人员的视频图像边缘轮廓模型,采用视频图像跟踪技术分析舞蹈人员的细节化特征,根据民族地区舞蹈人员的动作特征提取结果,指导民族地区舞蹈训练和教学。结合视频特征分析和图像采集技术,采集民族地区舞蹈人员的动态视频信息样本,使用摄影机和图像传感器跟踪识别民族地区舞蹈人员的动作,并量化分析视频帧格式特征[3],结合机器视觉重构的方法提取民族地区舞蹈人员特征,根据特征提取结果跟踪民族地区舞蹈人员位姿,总体实现流程如图1所示。
结合图1对民族地区舞蹈人员视频图像进行边缘轮廓特征分解,采用视点跟踪切换方法进行民族地区舞蹈人员视频特征提取和技术动态跟踪识别[4]。假设民族地区舞蹈人员视频帧结构形式为:
[uit=uiti=1Nuit] (1)
式中:[uit]为民族地区舞蹈人员视频帧权重,[i=1,2,…,N]为关键视频帧数量。基于远程视频监控的方法,结合视频特征分析技术,采用视频像素融合的方法进行民族地区舞蹈的动作特征信息融合[5],得到输出的动态关联特征量为:
[MHF=i=1N1-V(Mi)i=1NMi(Ci)] (2)
式中:[MHF]为图像数据集的定位误差;[MiCi]为数据集图像内容分布特征集;[1-VMi]为三阶中心距。
根据初始轮廓分布进行民族地区舞蹈人员视频图像的增强处理,检测民族地区舞蹈人员的动作特征的边缘轮廓,并标定人员的关键部位特征点[6],在初始化向量误差下,得到民族地区舞蹈运动动作视频信息采集的模糊度函数和关联像素集为:
[Il(n1,n2)=14i1=01 i2=01Il-1(2n1+i1,2n2+i2)] (3)
[Jl(n1,n2)=14i1=01 i2=01Jl-1(2n1+i1,2n2+i2)] (4)
式中:[n1],[n2]分别为舞蹈动作在[x]轴、[y]轴方向的起始点;[i1],[i2]分别为舞蹈动作在[x]轴、[y]轴方向的终止点;[Il-12n1+i1,2n2+i2]为民族地区舞蹈视频模糊信息量;[Jl-12n1+i1,2n2+i2]为民族地区舞蹈视频关联信息量;[l]为误差系数。在计算机辅助视觉下,量化跟踪识别民族地区舞蹈人员动态视频信息,实现民族地区舞蹈人员的视频跟踪扫描成像[7]。
1.2 边缘轮廓模型检测
在上述构建民族地区舞蹈人员的视频跟踪扫描成像模型的基础上,对民族地区舞蹈人员的视频图像进行边缘轮廓模型检测[8],民族地区舞蹈人员视频图像[I(x)]的二值化分离的表达式为:
[I(x)=Aρ(x)e-βd(x)+A(1-e-βd(x))] (5)
式中:[e-βd(x)]表示民族地区舞蹈人员的视频图像边缘轮廓点阈值。
根据上述分块结构模型,采用模板特征匹配方法进行民族地区舞蹈人员视频图像模糊细节融合聚类分析[9],给出初始的民族地区舞蹈人员视频跟踪的灰度像素集为:
[hj=1-β3ht+β3hktj] (6)
式中:[ht]为民族地区舞蹈人员视频图像特征向量的第[j]个分量;[hktj]为[t]时刻第[k]个人员视频动作图像特征的第[j]个分量;[β]为舞蹈人员视频图像特征的更新率。
构建民族地区舞蹈人员视频图像的边缘轮廓检测模型,采用Gamma?Gamma分布模型构建民族地区舞蹈人员视频跟踪的模糊细节特征量[10],在分布式的散射模型中得到边缘轮廓特征分布集为:
[I(x)=J(x)t(x)+A(1-t(x))] (7)
式中:[I(x)]表示视频图像的联合结构相似性特征量;[t(x)]为相邻像素的模糊细节特征差系数。采用最大后验概率估计的方法,得到边缘像素集为:
[t(x)=1-minc=1Ic(y)Ac] (8)
重构先验形状分布特征集,将得到民族地区舞蹈人员视频图像的AdaBoost分解过程描述为:
[J(x)=I(x)-Amax(t(x),t0)+A] (9)
式中[(t(x),t0)]为分布特征集中特征点的重构坐标。采用AdaBoost算法分割舞蹈人员的动作特征[11],处理在[N×N]的局部区域中民族地区舞蹈人员视频图像分块,得到舞蹈人员的动作融合分块权重为:
[J(x)=NI(x)-Amax(t(x),t0)+A] (10)
采用目标轮廓重构的方法重构舞蹈人员动态特征[12],得到初始化的先验形状分解式为:
[pxi=i=1Kωi,t×ηxi;μi,t,Σi,t] (11)
式中:[K]为轮廓特征高斯分布个数;[ωi,t]为[t]时刻第[i]个关键视频帧出现的先验概率;[μi,t]为第[i]个关键视频帧在[t]时刻出现的均值;[Σi,t]为第[i]个关键视频帧在[t]时刻的协方差矩阵;[η]为舞蹈人员视频图像像素值[xi]符合第[i]个关键视频帧特征的概率分布函数。
利用多尺度Retinex分解方法进行几何结构重构,得到舞蹈人员的视频图像边缘轮廓检测模型。
2 民族地区舞蹈人员跟踪优化
2.1 舞蹈人员图像跟踪的三维信息重建
在上述构建民族地区舞蹈人員的视频跟踪扫描成像模型,并对民族地区舞蹈人员的视频图像进行边缘轮廓模型检测的基础上,进行民族地区舞蹈人员跟踪技术优化,本文提出基于轮廓模型和AdaBoost算法的民族地区舞蹈人员跟踪技术。通过区域像素特征重构方法进行民族地区舞蹈人员图像跟踪的三维信息重建,民族地区舞蹈人员视频图像的模糊细节分块特征提取结果为:
[2] 胡敏,李冲,路荣荣,等.基于三维视觉指导的运动想象训练性能分析[J].计算机应用,2018,38(3):836?841.
[3] WEI X S, LUO J H, WU J. Selective convolutional descriptor aggregation for fine?grained image retrieval [J]. IEEE transactions on image processing, 2017, 26(6): 2868?2881.
[4] AZIZPOUR H, RAZAVIAN A S, SULLIVAN J, et al. From generic to specific deep representations for visual recognition [C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Boston: IEEE, 2015: 36?45.
[5] RAZAVIAN A S, SULLIVAN J, CARLSSON S. Visual instance retrieval with deep convolutional networks [J]. ITE tran?sactions on media technology and applications, 2016, 4(3): 251?258.
[6] LIU Dong, ZHOU Dongming, NIE Rencan, et al. Multi?focus image fusion based on phase congruency motivate pulse coupled neural network?based in NSCT domain [J]. Journal of computer applications, 2018, 38(10): 3006?3012.
[7] YANG Lei. Multi?focus image fusion method based on NSST and IICM [C]// Proceedings of the 2017 International Confe?rence on Emerging Internetworking, Data and Web Technologies. Wuhan, China: [s.n.], 2017: 679?689.
[8] YANG Lei. Technique for image de?noising based on non?subsampled shearlet transform and improved intuitionistic fuzzy entropy [J]. Optik?international journal for light and electron optics, 2015, 126(4): 446?453.
[9] BHARADI V A, PADOLE L. Performance comparison of hybrid wavelet transform?I variants and contrast limited adaptive histogram equalization combination for image enhancement [C]// Proceedings of the 2017 14th International Conference on Wireless and Optical Communications Networks. Piscataway, NJ: IEEE, 2017: 1?8.
[10] L? Duliang, JIA Zhenhong, YANG Jie, et al. Remote sen?sing image enhancement based on the combination of nonsubsampled shearlet transform and guided filtering [J]. Optical engineering, 2016, 55(10): 103?104.
[11] 孙毅堂,宋慧慧,张开华,等.基于极深卷积神经网络的人脸超分辨率重建算法[J].计算机应用,2018,38(4):1141?1145.
[12] LIU Huaming, BI Xuehui, YE Zhongfu, et al. Arc promoting inpainting using exemplar searching and priority filling [J]. Journal of image and graphics, 2016, 21(8): 993?1003.
[13] AMINU M, WAHID A, IDRIS M Y I, et al. Digital video inpainting detection using correlation of hessian matrix [J]. Malaysian journal of computer science, 2016, 29(3): 179?195.
[14] CHEN R, YANG G, ZHU N. Detection of object?based manipulation by the statistical features of object contour [J]. Forensic science international, 2014, 236(3): 164?169.
[15] 张然,赵凤群.基于双向扩散与冲击滤波的雾天图像增强算法[J].计算机工程,2018,44(10):221?227.