基于粒子群优化算法的视频图像处理在运动动作识别中的应用

关键词：运动训练；视频图像；粒子群优化算法；视频增强

中图分类号：TP3 文献标识码：A

文章编号：1009-3044（2024）18-0027-03

0 引言

随着社会的发展，人们对信息的要求也越来越高，这就要求我们不断地提高信息处理技术，以便为用户提供更快、更便捷、更多样的服务。人是视频的主体，人的行为已经成为视频内容识别的重要组成部分[1-2]。因此，人体运动的分析与识别是视频图像处理领域的关键和难点问题[3]。通过分析视频序列中的人类行为，创建视频内容和动作类别之间的对应关系，使计算机可以像人类一样“阅读”和“理解”视频中的人类行为[4]。随着视频数据测量技术的逐步进步、高性能计算设备的广泛应用以及神经网络相关信息技术的发展，科学界对人体运动的分析已经从传统的基于短视频分类的动作识别任务转向基于长视频理解的动作预测任务，长视频理解的动作预测能够更好地进行跨模态视频动作定位和动作检测[5]。动作预测对人体运动识别与分析技术提出了更高的要求。利用人体运动识别技术，可以捕获人体运动的参数，如人体关节点的坐标和关节角度的图像序列。这一数据特征在医学、体育、舞蹈和身份识别的分析中都非常重要。

1 相关研究

Dufaux F[6]通过设计一种结合两种分布式计算机的计算框架，完成了分布式视频处理系统的构建。系统具有视频的实时处理和离线处理两种数据处理能力，可以方便用户在任何场景下处理视频，并可以为用户提供视频存储和内容分析等外部接口。Uddin MA[7]对视频处理平台AgileRAI进行了改进，可以完成视频流的实时捕获，并具有基于语义组织的多媒体数据搜索和访问功能。该系统配备了不同类型的机器学习算法，可以匹配和检索局部视觉特征，可以并行运行，系统本身具有可扩展性。Rana S[8]设计了一种分布式处理视频平台，可以促进Hadoop分布式文件系统存储功能的发展和完善，使其更适合当前的视频数据存储，然后用动态算法迁移和传输数据，动态算法迁移可将视频数据从普通硬盘传输至SSD硬盘，动态算法迁移能够在一定程度上提高数据传输的效率，并提高系统的处理速度。

3 体育视频处理和图像增强

3.1 视频解码方法

由于视频是非结构化的，所以Spark无法对其直接进行处理。现有两种办法：第一种方法是先对视频进行分块，再用Spark算法对其进行分块。在对各环节进行处理之后，得出结论。第二种方法是利用一个单独的 FFmpeg对视频进行解码，再将其压缩到序列文件中，再利用Spark对序列文件进行处理。这两种方式都会引起一些特殊的问题。比如，对图像进行分段、解码等，都要花费一定的时间。若采用 FFmpeg分割，则有两个画面或丢失画面，造成与原影像资料不相符。因此，本文提出了一套完整的视频译码方案，具体方法是按照一定的规则将视频按一定的逻辑划分。

本文研究内容：1） 对视频序列中的逻辑关系进行解析；2） 对视频格式进行了调节，使Spark能够直接读出视频内容。分布式视频解码的总体结构如图1 所示。

3.2 人体模型结构

人类骨骼的结构可以被认为是关节点和骨骼连接形成的结构。本文建立了一个结构模型，其中关节点作为图中的节点，骨骼作为结构模型。关节点的位置协调信息作为图节点的一部分输入网络中，采样函数由人体关节结构中的一组相邻关节点定义。其中，任意路径的最短长度被设置为选择该节点的一阶相邻节点，此步骤称为采样。同时，确保每次对n=4个组合点进行采样。不满足此条件的采样可以通过添加具有空节点信息的虚拟节点来解决。

4 运动动作识别的应用效果分析

4.1 实验数据收集

实验前，每个运动员的上半身关节都被标记。经过多次实验和对比分析，我们选择红色作为标记关节的颜色，标记点对运动员的运动没有影响。在以下分析中，我们提前得到红色标记的三原色的RGB颜色值，并保留其中刻入的像素，其余设置为零。

实验会对捕获的运动视频先去噪，然后提取运动特写，捕捉运动目标，再分标记点。为了消除一些噪声点，实验选择了一组侵蚀和扩展操作以获得标记点的坐标。最后，将标记点的坐标存储在文件中以供分析。

4.2 视频图像提取质量分析

视频图像提取质量分析需借助客观评估法，客观评估法旨在确定一种衡量指标，该指标能反映重构后的图像与原图像或基准图像的接近程度，而接近程度高低则取决于图像的具体用途和特征。在本文中，峰值信噪比和锐度这两个指标描述了细节的均匀性和清晰度，用于监控视频图像捕获的质量。

二次线性插值的像素值在很大程度上取决于重构过程中相邻像素的值，因此会受到图像纹理和边缘的明暗度和锐度的影响，该方法导致了值的损失，即图像细节的丢失。在本视频实验中，通过POMS-PSO 重建的超分辨率视频序列的平均值要高于参考视频，原因是在细节保存中引入了梯度算子。

4.3 实验结果分析

本实验共收集了82个视频样本数据集，并随机选择了一组视频动作标记进行分析。横坐标中左手和右手两个标记点的轨迹如图3所示。

5 结束语

基于视频图像处理的运动分析是计算机视觉研究的热点和难点。本文从视频片段中检测运动物体，捕捉人体重要部位，获取人体运动的有用信息，进一步分析和识别人体运动姿态。本文对测试人体的关节点进行彩色标记，通过高速摄像机采集运动员运动视频，将关节点的坐标替换为每帧图像中标记点的坐标，研究运动员发球时上肢的运动轨迹。在获得运动前景后，通过颜色特征获得标记点，并对运动轨迹进行分析，从而获得运动过程的运动学特征，从而提高运动训练的效率，达到辅助训练的目的。