基于改进高斯混合模型的体育视频运动目标检测与跟踪

高野

摘 要： 针对当前体育视频运动目标检测存在的弊端，提出改进高斯混合模型的体育视频运动目标检测与跟踪方法。通过分析高斯混合模型的弊端，保留原有的“背景重建?模型更新?背景更新?目标检测”处理进程，将彩色图像转换为灰度图像，在像素相似度差别小的背景区域进行动态扩张，加入基于灰度直方图的目标跟踪进程，提高高斯混合模型对体育视频运动目标的处理效率与精度。实验结果表明，所提方法对体育视频的干扰处理能力强，检测范围大，检测与跟踪效果好。

关键词： 高斯混合模型； 体育视频； 运动目标； 目标检测； 目标跟踪

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2017）19?0091?03

Detection and tracking of moving object in sports video

based on improved Gaussian mixture model

GAO Ye

（Xian International Studies University， Xian 710128， China）

Abstract： Aiming at the drawbacks existing in current moving object detection of sports video， a detection and tracking method of moving object in sports video based on improved Gaussian mixture model is improved. The shortcomings of Gaussian mixture model are analyzed to retain the original processes of ″background reconstruction?model update?background update?target detection″， convert the color image into gray image， carry out the dynamic expansion of background area with small difference of pixel similarity， and add the target tracking process based on gray?level histogram. The improved Gaussian mixture model can improve the processing efficiency and precision of the moving target in sports video. The experimental results show that the method has strong ability for interference processing of sports video， wide detection range， and perfect detection effect and tracking effect.

Keywords： Gaussian mixture model； sports video； moving target； target detection； target tracking

0 引 言

随着国内外体育赛事的频繁开展，体育队伍开始采用信息化手段提升运动员的比赛水平，体育视频运动目标检测与跟踪是其中一种十分常见的方法。目标检测就是进行视频内运动点的属性分析，其基于机器视觉理念展开，是目标跟踪的先行条件[1]。但是，体育视频中夹杂着大量的解说、观众声音、自然声音，环境噪音很强，运动目标多具干扰性，使体育视频运动目标检测与跟踪的实现具有一定难度。

针对体育视频的检测与跟踪难题，有关科研单位进行了长期研究，文献[2]提出一种基于光流识别的目标检测与跟踪方法，对观众席与赛场区域光线遮挡与打光的不同之处进行分析，并实施跟踪策略。这种方法适用于室内举办的体育比赛，但是运算量很大，检测时间长，导致前期跟踪不明确；文献[3]引入相邻帧差分技术进行运动目标检测，运算量小，但检测结果粗糙，跟踪过程容易丢失运动目标点，常应用于场景简单的体育赛事；文献[4]采用背景差法作用于体育视频时域，同样适用于场景简单的体育赛事，具有检测效率高、跟踪精度高的优点。

以上方法都存在很大缺陷，不能精准提取运动目标的属性以及属性随光线、噪音等干扰的变化趋势，因此需要一种稳定性强的算法或数学模型进行体育视频运动目标的属性提取，帮助增强检测与跟踪效果。高斯混合模型具有自更新能力，将其改进与体育视频运动目标的属性相契合，提出基于改进高斯混合模型的体育视频运动目标检测与跟踪方法。

1 高斯混合模型

图1是高斯混合模型原理图，可以看出，模型基本流程依次为背景重建?模型更新?背景更新?目标检测[5]，高斯混合模型汇集了多个单位高斯模型的分布规律，提取每一帧视频的图像像素属性，将像素属性写入混合高斯模型计算各个属性的相似度，提前给出背景与前景的像素阈值，对照相似度检测视频图像中的目标前景。

设高斯混合模型中有[K]个单位高斯模型，每个单位高斯模型描述一个图像像素[Xt]在检测时刻[t]上的运动趋势。图像像素[Xt]的高斯分布情况为：

[P（Xt）=i=1Kwi，tη（Xt，ui，t，Σi，t）η（Xt，ui，t，Σi，t）=e-（Xt-ui，t）TΣ-1i，t（Xt-ui，t）2Σi，t12（2π）n2] （1）

式中：[wi，t]代表第[i]个高斯模型在检测时刻[t]上的分布比例；[Σi，t]代表高斯混合模型协方差；[η（Xt，ui，t，Σi，t）]为高斯概率分布表达式[6]。

更新高斯混合模型是指对其中的分布比例[wi，t]和平均值[ui，t]两项进行更新。以二维直角坐标系表示体育视频的图像像素坐标[7]，设为[I（x，y）]，当[I（x，y）]满足式（2）给出的条件时，视这点的图像像素坐标服从高斯概率分布。

[Dσi，t-1>I（x，y）-ui，t-1] （2）

式中：[D]代表模型置信因子；[σi，t-1]代表[ui，t-1]的标准差，[σi，t-1]的计算公式如下：

[σi=σ2i，t-1（1-ρ）+ρ（Xt-ui，t-1）（Xt-ui，t-1）T] （3）

式中[ρ]代表高斯混合模型的更新速度。

当式（2）成立，采用式（4）更新高斯混合模型，[α]代表高斯模型学习参数。

[wi，t=wi，t-1（1-α）+αui，t=ui，t-1（1-ρ）+Xtρ] （4）

当式（2）不成立，高斯混合模型直接将相似度计算结果为最小值的高斯模型删除，此时只进行分布比例[wi，t]的更新：

[wi，t=wi，t-1（1-α）] （5）

[K]个高斯模型中不存在全部是背景或前景的情况，体育视频中运动目标占据面积小，通常背景的分布比例要大于前景的分布比例，因此高斯混合模型将对分布比例[wi，t]和平均值[ui，t]进行排序，一般采用降序规则，背景序列靠前。

设[B]是背景的高斯分布数量，帧数为[b，B]的表达式如下：

[B=argminK=1bwi，t>ξ] （6）

式中：[argmin（ ）]代表降序规则；[ξ]代表总体先验概率。

采用式（2）和式（6）检测体育视频前景运动目标。

2 高斯混合模型的改进

高斯混合模型有下列幾点缺陷：

（1） 模型停止于对体育视频运动目标的检测，未描述跟踪过程；

（2） 对视频图像序列和更新速率考虑不周，未能排除环境噪音、光线的干扰；

（3） 总体先验概率对前景检测效率低。

根据上述分析，对高斯混合模型的图像序列、更新速率和背景检测手段做出改进，加入跟踪过程。体育视频运动目标跟踪的实现非常简单，在检测到前景之后，将运动目标方位、体积、灰度值的分布情况提取出来，在灰度直方图上进行显示，通过全局匹配技术实时跟踪运动目标。

体育视频一般是彩色的，其容量大，运算量也大，采用灰度显示体育视频图像有利于提高更新速率，从而更快地检测到运动目标[8]。将彩色图像转换为灰度图像的计算公式为：

[Gray（x，y）=0.11R（x，y）+0.59G（x，y）+0.3B（x，y）] （7）

式中：[R（x，y），G（x，y），B（x，y）]分别代表图像在红、绿、蓝信道上的色彩度。

一旦高斯混合模型进行过一次背景重建，就需要不断根据体育视频内容更新模型背景参数项。更新速率[ρ]在以往的混合高斯模型中取决于高斯模型学习参数[α]和高斯概率分布[η（Xt，ui，t，Σi，t）]的参数项[9]，而[α，][η（Xt，ui，t，Σi，t）]的预设值都不易过高，造成更新速率[ρ]始终处于一个低数值，不能实时检测运动目标，限制了跟踪效果。

提高更新速率[ρ]的前提是不能对[α]和[η（Xt，ui，t，Σi，t）]造成精度干扰，也就是在像素相似度差别小的背景区域进行动态扩张，将前景区域从背景区域提取出来。对更新速率[ρ]动态扩张之后可得到：

[ρ=αXtη（Xt，ui，t，Σi，t）] （8）

以往的高斯混合模型采用总体先验概率的背景检测手段，改进后将采用背景图更新法。背景图更新法是对文献[4]背景差法的改进，精度高且速度块，尤其在体育视频运动目标检测与跟踪过程中注重的是与前景有关的精度。可在背景检测中进行实时背景对比，减少帧间模糊情况的产生，快速检测运动目标。

在采用背景图更新法对高斯混合模型总体先验概率的改进中，[ξ]被替换成背景与前景的像素阈值[θ，]即：

[B=argminK=1Bwi，t>θ] （9）

阈值[θ]由用户进行配置，如果[θ]很大，改进高斯混合模型会出现不止一个峰值，而且各峰值的灰度值一般不同，能够看出光线和噪音对运动目标的干扰。

3 改进高斯混合模型的体育视频运动目标检测

与跟踪

3.1 目标检测

在改进的高斯混合模型中，体育视频图像的所有像素点都将在单位高斯模型内进行运动目标检测，最终的检测结果从第一次成功的检测结果开始按比例降序输出，与体育视频图像不对称，因此，检测结果将采用式（10）进行提取：

[I（x，y）=argminXt-ui，tσi] （10）

此时，背景与前景的像素阈值[θ]应满足：

[Xt-ui，tσi≥θ] （11）

对于改进高斯混合模型中分布比例[wi，t]和平均值[ui，t]的更新，为了使式（10）输出的检测结果为最佳值，所提基于改进高斯混合模型的体育视频运动目标检测与跟踪方法通常规定[wi，t≠ui，t，]但当体育视频图像像素量居于一个很高的数值时，应侧重于检测效率而非精度，此时[wi，t=ui，t=α]。

3.2 目标跟踪

将目标检测结果输入灰度直方图中进行目标跟踪。构造体育视频运动目标灰度直方图最简单的手段是对运动目标占据的像素点总数进行汇总，但这种手段不能精准描述运动目标的轮廓，无法得到运动目标的具体行为，造成跟踪效果达不到用户要求[10]。在这种情况下，需要在灰度直方图中对运动目标和背景的相似度差异进行放大化处理，将背景灰度比例增大，距运动目标近的背景比例增大倍数要大于远区域背景，背景灰度比例表达式为：

[we=i=1BηXt，ui，t，Σi，t×χ（ri）i=1Bηi-1Xt，ui，t，Σi，t] （12）

式中，[χ（ri）]代表像素距离函数；[ri]是参考距离，有：

[χ（ri）=1-ri2，ri<10，其他] （13）

[ri=d0dmax] （14）

式中：[d0]代表背景像素中点与运动目标像素的距离；[dmax]是背景像素与运动目标像素的最远距离。

经过灰度扩大化处理，在灰度直方图中，所提基于改进高斯混合模型的体育视频运动目标检测与跟踪方法只需要跟踪相似度高的目标，方法运算不复杂，不容易丢失运动目标点。对相似度的计算采用下式：

[ψ（we，κ）=i=1B（weκ）12] （15）

式中：[κ]代表改进高斯混合模型分布比例[wi，t]和平均值[ui，t]的分量。

4 实验验证

提取一段网球联赛视频作为实验样本，图像采集分辨率为多模式。实验对图像、数据、图标的处理和显示都在计算机上进行，计算机为双核、4 GB RAM（Random Access Memory，易挥发性随机存取存储器）和WIN 7系统。采用VS?2010和CV 2.0进行数据编程。采用光流识别方法、高斯混合模型方法和本文所提的改进高斯混合模型方法进行运动目标（网球轨迹、运动员行为）的检测与跟踪。将几种方法干扰处理能力的验证数据从跟踪结果运动目标清晰度中提取出来，如图2所示。

从图2可以看出，改进高斯混合模型方法的图像清晰度最高，保留了以往高斯混合模型中运动目标的细节信息，并对非运动目标进行了强效去噪，说明其干扰处理能力强，获取了不错的跟踪效果。

对检测范围的验证从检测结果中正确运动目标的位置坐标中提取，如图3所示，可以看出，本文方法对体育视频运动目标的检测结果轮廓完整，不存在空点，检测范围大，检测效果好。

5 结 论

本文在高斯混合模型的原理上，提出基于改进高斯混合模型的体育视频运动目标检测与跟踪方法，充分利用多方技术和处理手段，增强了以往高斯混合模型的性能，最后通过实验对其检测效果与跟踪效果进行验证，结果说明，本文方法的干扰处理能力强，检测范围大。

参考文献

[1] 卢彬，陈域，李冬生，等.基于视频图像的车速检测方法[J].电视技术，2014，38（7）：199?201.

[2] 戎淼锋，林珑.竞技运动视频识别与比较系统的研究[J].广州体育学院学报，2014，34（4）：59?61.

[3] 程全，馬军勇.基于改进高斯混合模型的运动目标检测方法[J].计算机科学，2014，41（7）：318?321.

[4] 黄苏雨，熊建强，陈红，等.改进混合高斯模型的运动目标检测与跟踪算法[J].计算机测量与控制，2015，23（3）：861?863.

[5] 曾垂力.结合高斯混合模型和改进的LSBS的运动目标检测方法[J].微型机与应用，2015，34（4）：46?48.

[6] 武善锋.运动行为识别技术在高校体育教学中的应用研究[J].体育科技文献通报，2015，23（6）：37?38.

[7] 崔杰，徐从体.基于高性能嵌入式平台的人体运动目标跟踪技术研究[J].山东农业大学学报（自然科学版），2016，47（4）：611?615.

[8] 郭俊，王平.基于改进的混合高斯模型的运动目标检测[J].微型机与应用，2016，35（10）：30?32.

[9] ZHOU J Y. A moving object detection method based on sliding window Gaussian mixture model [J]. Journal of electronics & information technology， 2014， 35（7）： 1650?1656.

[10] 范文超，李晓宇，魏凯，等.基于改进的高斯混合模型的运动目标检测[J].计算机科学，2015，42（5）：286?288.