运动视频中人体目标动作标记点动态跟踪方法研究

张 伟

(安徽机电职业技术学院 公共基础部，安徽 芜湖 241002)

在计算机视觉环境下，采用图像处理技术进行运动视频监测，结合对人体运动视频的特征检测结果进行运动动作指导，提高体育运动的自动规划和动作标记能力，在运动视频中进行人体目标动作标记点动态跟踪，并根据结果跟踪进行体育训练的动作指导和设计，相关的运动视频中人体目标动作标记点动态跟踪方法研究受到人们的极大关注[1].

对运动视频中人体目标动作标记点动态跟踪是建立在图像的信息融合和特征提取基础上，获取运动视频中人体目标动作图像区域的特征参数，实现对运动视频中人体目标动作图像区域的包络检测，从而准确定位运动视频中人体目标动作区域，实现定点标记，但上述方法进行运动视频中人体目标动作标记点动态跟踪的自适应性能不好[2]，计算开销较大，针对上述问题，本文提出一种基于边缘相似性特征分割的运动视频中人体目标动作标记点动态跟踪方法.采用分区域特征匹配方法进行运动视频中人体目标动作图像采集和分块融合性检测，采用动态特征融合技术进行运动视频中人体目标动作标记点的融合跟踪识别，提取运动视频中人体目标动作的边缘轮廓特征值，结合模糊像素区域性融合技术实现对人体目标动作标记点动态检测，采用边缘相似性变换进行人体目标动作标记点特征分割，根据分割结果实现动作标记点的动态跟踪.最后进行仿真实验分析，展示了本文方法在提高运动视频中人体目标动作标记点动态跟踪能力方面的优越性能.

1 人体目标动作图像采集和分区域特征匹配

1.1 人体目标动作图像采集

图1 运动视频中人体目标动作 特征点二维流行场分布模型

为了实现对运动视频中人体目标动作图像的动作标记点动态跟踪，首先构建运动视频中人体目标动作图像的特征分析模型，采用分区域特征匹配方法进行二维运动视频中人体目标动作图像的分块融合性检测，采用锐化模板增强技术进行运动视频中人体目标动作特征点标记[3]，运动视频中人体目标动作特征点二维流行场分布模型如图1所示.

根据图1所示的运动视频中人体目标动作图像的二维流行场分布结构，得到运动视频中人体目标动作图像的空间区域像素特征分量[4,5]，构建运动视频中人体目标动作图像的模板匹配函数f(gi)为

(1)

式(1)中，c1为关节点个数，λ为像素特征分量，υij为人体移速度，σ1为动态噪声系数，ε为人体目标差异，ρj运动图像的帧数.由此获得运动视频中人体目标动作图像三维动态动作标记点动态跟踪的背景差分量，在运动视频中人体目标动作图像的三维特征分布区域中进行特征分解，采用RGB分解方法进行运动视频中人体目标动作图像的颜色特征分解，RGB分解式为

(2)

运动视频图像核密度函数Φ(Tn)由下式给出

Φ(Tn)=f(Gn)+g(Gn)+h(Gn)

(3)

采用分区域特征匹配方法进行二维运动视频中人体目标动作的分块检测和信息融合处理[6]，采用多重分形技术进行块匹配，结合多重分形方法，得到运动视频中人体目标动作图像分区域网格分割的线性方程组为

(4)

在运动视频中人体目标动作图像的动作标记点具有随机性，结合像素空间融合技术，进行运动视频中人体目标动作标记点的动态跟踪和识别.

1.2 图像分区域特征匹配

采用分区域特征匹配方法进行运动视频中人体目标动作图像采集和分块融合性检测，定义运动视频中人体目标动作图像的Gibbs先验能量函数如下式所示

(5)

(6)

(7)

式(6)、式(7)中δ和ε分别表示运动视频中人体目标动作图像的先验特征系数和关联系数，在局部区域Potts模型中，采用分区域特征匹配方法进行运动视频中人体目标动作图像的分块融合处理[8]，得到信息融合输出为

(8)

(9)

式(9)中：x1,x2,x3...xT是人体目标动作图像的子块模板匹配集，T为动作标记点动态跟踪的纹理宽度.建立运动视频中人体目标动作图像的统计形状模型，结合多重分形方法，得到人体目标动作的边缘像素集为

(10)

式(10)中

(11)

根据上述分析，进行人体目标动作的分区域特征匹配，采用动态特征融合技术进行运动视频中人体目标动作标记点的融合跟踪识别[10].

2 人体目标动作标记点动态跟踪优化

2.1 动态特征融合

在上述采用分区域特征匹配方法进行运动视频中人体目标动作图像采集和分块融合性检测的基础上，进行运动视频中人体目标动作标记点动态跟踪算法设计，本文提出一种基于边缘相似性特征分割的运动视频中人体目标动作标记点动态跟踪方法，提取运动视频中人体目标动作图像的颜色边界信息特征量，得到运动视频中人体目标动作图像超像素的亮度特征

(12)

(13)

由此得到了超像素运动视频中人体目标动作图像多尺度融合和分割模型，运动视频中人体目标动作图像的模糊特征分量分别为

(14)

运动视频中人体目标动作图像动作标记点区域像素融合模型为

(15)

采用图像RGB值匹配方法进行二维运动视频中人体目标动作图像的分块融合处理，进行运动视频中人体目标动作的动态融合跟踪识别.

2.2 人体目标动作标记点特征分割及动态跟踪

采用深度残差学习方法进行人体目标动作标记点特征分割，初始化运动视频中人体目标动作的水平像素集[11]，用活动轮廓套索方法进行图像高分辨重构，重构图像如下

(16)

ELBF为运动视频中人体目标动作的局部灰度能量项，ELGF是局部梯度能量项，得到运动视频中人体目标动作图像的局部动态特征量提取结果描述为

(17)

(18)

假设A，B为人体两个动作，采用边缘相似性特征分割方法进行人体目标动作标记点动态检测，将人体动作通过二维流形分析[12]，得到动作标记点的边缘轮廓特征分布函数

(19)

(20)

采用边缘相似性变换进行人体目标动作标记点特征分割，根据分割结果实现动作标记点的动态跟踪分别对f1,f2,|∇f1|,|∇f2|极小化处理，得到人体目标动作标记点及动态特征匹配表达式如下所示

(21)

(22)

根据回归分析模型，采用非线性回归函数进行自适应调整，结合模糊像素区域性融合技术实现对人体目标动作标记点动态检测，提高人体目标动作标记点的动态跟踪和特征分辨能力.

3 仿真实验

为了验证本文方法在实现运动视频中人体目标动作标记点动态跟踪中的应用性能，进行实验分析，实验在Matlab 2012平台下进行编程，对运动视频中人体目标动作标记点的采集像素级为2000，动态特征点的个数设定24，边缘相似度特征量λ设定为0.01，采用124×120像素点进行动态跟踪识别，图像的帧采集数为230～400帧，得到运动视频中人体目标动作特征采集结果如图2所示.

图2 运动视频中人体目标动作特征采集

图3 运动视频中人体目标动作的轮廓特征提取

图4 人体目标动作标记点动态跟踪结果

以图2的运动视频中人体目标动作特征结果为输入，采用动态特征融合技术进行运动视频中人体目标动作标记点的融合跟踪识别，提取运动视频中人体目标动作的边缘轮廓特征值，如图3所示.

根据特征提取结果实现对运动视频中人体目标动作标记点的动态跟踪，得到跟踪结果如图4所示.

分析图4得知，采用本文方法能有效实现运动视频中人体目标动作标记点动态跟踪识别，测试不同方法进行运动视频中人体目标动作标记点动态跟踪的精度，得到对比结果见表1，分析表1得知，本文方法进行运动视频中人体目标动作标记点动态跟踪的准确性较高.

表1 人体目标动作标记点动态跟踪的准确性对比

4 结 语

在运动视频中进行人体目标动作标记点动态跟踪，并根据跟踪结果进行体育训练的动作指导和设计，本文提出一种基于边缘相似性特征分割的运动视频中人体目标动作标记点动态跟踪方法.采用分区域特征匹配方法进行运动视频中人体目标动作图像采集和分块融合性检测，采用动态特征融合技术进行运动视频中人体目标动作标记点的融合跟踪识别，提取运动视频中人体目标动作的边缘轮廓特征值，结合模糊像素区域性融合技术实现对人体目标动作标记点动态检测，采用边缘相似性变换进行人体目标动作标记点特征分割，根据分割结果实现动作标记点的动态跟踪.研究得知，本文方法进行运动视频中人体目标动作标记点动态跟踪的准确性较好，动态跟踪能力较强.