基于机器学习技术的体育视频类型分类研究

张玉兰

摘 要：为了提高体育视频类型分类的正确率，设计了基于机器学习技术的体育视频类型分类方法。首先分析当前体育视频类型分类的研究进展，介绍了机器学习技术的体育视频类型分类原理，然后提取体育视频类型分类的特征向量，并引入机器学习技术中的支持向量机构建体育视频类型的分类器，最后通过多种体育视频数据进行仿真测试。结果表明，机器学习技术克服了当前体育视频类型分类方法存在的弊端，提高了体育视频类型分类的正确率，体育视频类型分类误差要小于比对方法，获得了理想的体育视频类型的分类结果。

关键词：机器学习技术;运动视频;分类效果;特征向量;仿真测试

中图分类号：TP 391

文献标志码：A

文章编号：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

相對于其它类型的信息，视频包含的信息量更加丰富，更受人们的欢迎，其中体育视频就是一种十分重要的视频。每天体育视频以爆炸式的速度增长，体育视频管理面临巨大的挑战[1]。体育视频的分类可以加快体育视频检索效率，可以让用户找到自己真正的需要的体育视频，可以指导运动的训练和比赛。因此，体育视频类型分类技术成为当前体育视频管理领域中一个重要研究内容[2]。

针对体育视频类型分类问题，全世界许多研究人员投入许多的时间和精力，体育视频类型分类的研究可以划分为两个阶段[3-4]：人工阶段和自动阶段。人工阶段消耗时间长，无法对海量的体育视频进行分类，体育视频分类的工作量比较大。自动阶段基于计算机自动化技术，最近几十年来有了长足的发展[5]。在体育视频类型的自动分类过程中，首先要提取体育视频类型特征向量，如视觉特征、音频特征、场地面积特征、运动特征等。由于体育视频变化比较复杂，单一特征难以描述体育视频类型，因此当前要主要采用多种特征组合在一起进行体育视频类型分类[6-8]。体育视频类型分类还要建立分类器，当前采用隐马尔可夫模型、神经网络等，在实际应用中，隐马尔可夫模型、神经网络均有一定的缺陷，导致分类体育视频类型分类的正确率低，分类体育视频类型分类实时性差等[9-11]。

为了降低了分类体育视频类型分类错误率，设计了基于机器学习技术的体育视频类型分类方法。首先提取体育视频类型分类的特征向量，然后引入机器学习技术中的支持向量机构建体育视频类型的分类器，最后通过多种体育视频数据进行仿真测试，验证了本文方法的体育视频类型分类性能。

1 基于机器学习技术的体育视频类型分类方法

1.1 提取体育视频特征向量

1.1.1 提取体育视频颜色特征向量

体育视频的最小单位为视频图像中帧，为了有效区域不同类型的体育视频，需要提取能描述视频类型的特征，当前特征主要有颜色、纹理、边缘等。颜色是一种使用最为广泛的体育视频特征，最容易引起人们的注意，颜色空间是颜色特征提取的基础。RGB空间是最常用的颜色空间，可以通过非线性变换得到HSV空间，更适合于模仿人的视觉系统。两者的转换关系，如式（1）—式（3）。

颜色直方图是一种描述彩色图像的色彩特征，计算公式如式（4）。

式中，N表示颜色的种类，h（i）表示第种颜色的像素数。

为了更好的描述体育视频的颜色特征，进行归一化处理，如式（5）。

式中，n×m表示体育视频图像的分辨率。

对于一幅体育视频图像，颜色可以描述体育视频图像颜色的空间分布关系，如图1所示。

1.1.2 提取体育视频纹理特征向量

纹理是用来描述体育视频图像的光滑、粗糖和规则程度，与图像颜色或者亮度特征无关，对环境变化的鲁棒性好，粗糙度是一种重要的纹理特征，本文选择其粗糙度构建体育视频纹理特征向量。粗糙度特提取步骤如下。

（1） 一个活动窗口

大小为2k*2k，计算其中像素的平均灰度值，如式（6）。

（2） 计算每个像素的水平和垂直方向的两个邻域边缘像素的均值差值，如式（7）、式（8）。

（3） 从多个邻域确定每一个像素的最佳尺寸，如式（9）。

（4） 将整幅体育视频图像Sbest的平均值作为粗糙度，即得到体育视频图像的纹理特征，如式（10）。

1.2 支持向量机算法

1.3 支持向量机构建的体育视频类型分类器

体育视频类型有多种类型，例如足球、篮球、乒乓球、网球、羽毛球等，是一个多分类问题，而支持向量机是一种针对两分类问题的机器学习技术，因此需要将多个二分类器组合在一起得到一个多分类器，本文采用“1对1”方式构建，然后通过投标方式得到体育视频类型的分类结果，如图2所示。

2 仿真测试

2.1 测试数据及环境设置

为了验证基于机器学习技术的体育视频类型分类效果，选择最常用的体育视频数据作为测试对象，如表1所示。

仿真测试环境为：Window 10的操作系统，VC++ 2013的编程工具，采用Intel 奔腾G4560，金士顿DDR4 2400 16G RAM。

2.2 分类器参数值的确定

由于选择径向基核函数建立支持向量机的体育视频类型分类器，因此确定参数C和σ的值。为测试实验结果的公平性，进行5次仿真实验，分别从每一类体育视频随机选择3/5的样本组成训练样本集合，余下的作为测试样本集合，采用10折交叉验证法确定每一次仿真实验的体育视频分类器参数，如表2所示。

2.3 体育视频类型分类结果对比

选择文献[10]和RBF神经网络的体育视频类型分类方法进行对比实验，统计每一次仿真实验的体育视频类型分类正确率，如图2所示。

对图2的体育视频类型分类正确率进行分析可以发现。

（1） 文献[10]的体育视频类型分类正确率最低，因为该方法认为体育视频类型分类特征向量和体育视频类型之间是一种线性映射关系，这与情况不相符，在此体育视频类型分类错误率最高。

（2） RBF神经网络的体育视频类型分类正确率要高于文献[10]方法的體育视频类型分类正确率，主要是因为RBF神经网络认为特征向量和体育视频类型之间是一种非线性映射关系，而且可以很拟合的这种非线性映射关系，但是由于RBF神经网络是基于经验风险最大原则，当样本的数量比较小时，体育视频类型分类结果不稳定。

（3） 本文方法的体育视频类型分类率远远高于文献[10]和RBF神经网络，因为本文方法克服了文献[10]的线性建模缺陷，同时不存在RBF神经网络需要大样本的局限性，获得了更好的体育视频类型分类结果。

2.4 体育视频类型分类效率对比

统计本文方法与对比方法的体育视频类型分类的训练时间和测试时间，单位为秒（s），用其评价体育视频类型分类的效率，结果表3所示。对表2的实验结果进行分析可以发现，3种方法的体育视频类型分类的测试时间相差不大，但是训练时间差别比较大，其中本文方法的训练时间最短，因此体育视频类型分类的总时间最少，提高了体育视频类型分类效率，如表3所示。

3 总结

体育视频类型可以帮助用户快速找到自己真正需要的视频数据，为了解决当前体育视频类型分类过程中的一些问题，如错误率高、速度慢、通用性差等缺陷，提出了基于机器学习技术的体育视频类型分类方法，并与其它方法在相同测试条件下，对于相同的体育视频进行了对比分析。测试结果表明，机器学习技术可以准确、有效的区分各种体育视频，降低了体育视频出现误分的概率，具有比较广的应用范围。

参考文献

[1] 邓小亚.基于RGB颜色空间的视频运动目标检测[J].西南师范大学学报（自然科学版），2019，44（3）：119-123.

[2] 薛阳，张亚飞，杨天宇，等.一种针对抖动视频序列的运动目标检测算法[J].激光与光电子学进展，2018，55（9）：332-338.

[3] 张壮暑，蔡晓东，张学敏.监控视频中运动目标识别分类系统研究[J].电视技术，2012，36（23）：165-167.

[4] 张馨娇，李建萍.体育视频中基于卡尔曼滤波器的运动员人脸检测识别方法[J].湘潭大学自然科学学报，2017，39（4）：95-98.

[5] 石念峰，侯小静，张平. 时空特征局部保持的运动视频关键帧提取[J].计算机应用， 2017，37（9）：2605-2609.

[6] 曹爱春，杨晓艇，侯旭东. 最小二乘支持向量机和证据理论融合的体育视频分类[J].计算机工程与应用，2013，49（23）：95-99.

[7] 朱映映，朱艳艳，文振焜.基于类型标志镜头与词袋模型的体育视频分类[J].计算机辅助设计与图形学学报，2013，25（9）：1375-1383.

[8] 邢吉生，杨礼，尚祖飞，等.支持向量机在视频运动目标分析中的应用[J].吉林大学学报（理学版），2013，51（1）：107-110.

[9] 韩东. 基于向量机的体育运动视频自动分类方法设计[J].现代电子技术，2019，42（7）：79-81.

[10] 朱欣华.多特征和神经网络相融合的体育视频识别[J].湖南科技大学学报（自然科学版），2015，30（4）：97-102.

[11] 吴鹏，林新棋，李海涛，等.基于颜色纹理和SVM的体育视频分类[J].福建师范大学学报（自然科学版），2014，30（2）：34-41.

（收稿日期：2019.09.02）