基于蜂群算法的排球正面扣球轨迹快速跟踪方法

刘文萍，李 影

(1.安徽职业技术学院 基础教学部，安徽 合肥 230011;2.安徽审计职业学院 基础部，安徽 阜阳 236000)

在排球比赛中当运动员实施正面扣球后，排球运行轨迹不仅是影响正面扣球得分的重要因素，也是对方运动员如何采取应对措施的判断依据，正面扣球轨迹关系排球赛场的局势变化[1]，对排球正面扣球轨迹进行快速跟踪，不仅有利于研究运动员的扣球特点，更对排球赛场战术战略的制定具有深远意义。

熊新国等人通过位移传感器确定运动目标的三维坐标数据，获得运动目标的三维运动轨迹的描述，实现运动目标的轨迹跟踪，该方法应用于情形多变的排球赛场具有局限性，难以捕捉运动员的三维坐标数据，计算复杂度较高[2]；秦武韬等人就邻近空间跳跃滑翔运动目标难以跟踪问题，提出通过构建自适应衰减震荡模型反映运动目标的运动特性，并设计卡尔曼滤波器实现运动目标的轨迹跟踪，但该方法获取的图像质量不高，对运动目标轨迹跟踪具有消极影响[3]。因此，排球正面扣球轨迹研究的重点是根据排球运动员的正面扣球图像，提取排球正面扣球图像边缘轮廓特征，并对图像中正面扣球动作发生时的排球轮廓实施角点检测。利用蜂群算法可实现排球运动轮廓角点确定，达到轨迹跟踪目标。本文提出一种基于蜂群算法的排球正面扣球轨迹快速跟踪方法，实现排球正面扣球技术研究目标，可提升排球运动的战略战术水平。

1 排球正面扣球轨迹快速跟踪

为实现排球正面扣球轨迹跟踪目标，首先需对排球正面扣球图像信息采集模型进行构建，并检测排球正面扣球图像的边缘轮廓信息，对相邻帧图像的正面扣球边缘轮廓进行角点检测，从而完成排球正面扣球的轨迹跟踪。

1.1 构建正面扣球图像信息采集模型

建立排球正面扣球的三维几何模型，通过式(1)得到正面扣球特征的不变矩序列[4]，即

Dif(C1,C2)=minh(x,y)，

(1)

式中：x、y表示正面扣球动作特征的采样点；相邻点数量用h表示；Dif(C1,C2)代表正面扣球特征的不变矩序列结果值。

针对排球正面扣球图像，将低维图像空间映射到高维空间，利用变分法、Euler-Lagrange方程实现排球正面扣球图像信息采集模型的构建[5]，即

(2)

1.2 排球正面扣球图像增强

采用直方图均衡法对采集的排球正面扣球图像进行增强处理，可使正面扣球动作的边缘轮廓信息更加清晰，有助于正面扣球动作轮廓的精准提取，具体分两步：

1) 对采集的彩色排球正面扣球图像进行转换处理[6]，将其变成灰度图像。A为采集的彩色排球正面扣球图像，转换后的灰度图像表示为G，转换过程为

G=[0.2990.5870.114]×[ARAGAB]T，

(3)

式中：R、G、B分别代表图像各像素不同色彩点；AR、AG、AB分别代表图像各像素分量。

2) 对排球正面扣球灰度图像的直方图增强。正面扣球灰度图像中图像灰度i出现的概率为

pi=n-1×ni，i∈{0,1,…L-1}，

(4)

式中：i表示图像灰度；ni表示图像灰度i出现的数量；pi代表灰度图像i出现的概率结果；L代表正面扣球灰度图像全部灰度总量。

在确定了正面扣球灰度图像像素概率基础上，为了提升图像的增强效果，设置[Gmin,Gmax]为G图像的灰度取值区间，以M为直方图均衡依据，对正面扣球灰度图像G进行增强处理，其增强后的图像表示为g，得到

g=Gmin(M+1)-GminM.

(5)

上述获取的图像灰度呈g均匀性排列，且增强后正面扣球图像直方图曲线变化具有规律性[7]。因此，需要采用最小二乘法对该直方图曲线进行拟合，即

y=φ(k)，k=0,1,2,…,255，

(6)

式中：y代表直方图曲线拟合结果；k代表图像直方图像素点取值范围。

直方图均衡法可有效去除原始正面扣球图像中的干扰因素，消除图像噪声、提升图像对比度，在确保原排球正面扣球图像中正面扣球动作完好、形状不缺失的前提下，使扣球动作的边缘轮廓信息更加清晰、具有较高的辨识度。

1.3 排球正面扣球图像边缘轮廓检测

为了实现排球正面扣球轨迹快速跟踪，还需要将上述增强后的排球正面扣球图像g的边缘进行检测。通过构建的退化模型确定排球正面扣球图像的高维信息，即

g(x,y)=b(x,y)+ε(x,y)，

(7)

式中：b(x,y)、ε(x,y)表示正面扣球图像高维信息分布范围内三维特征的分布点。

(8)

式中：q、l表示排球正面扣球图像序号；θ表示扣球动作，该动作的像素编码序列则用i、j。

排球正面扣球图像的低维空间中，像素排列呈现均匀性特点。通过对排球正面扣球动作特征的融合，实现其扣球动作边缘轮廓检测，计算方法如式(9)。

(9)

式中：Int(C)代表正面扣钱动作边缘轮廓检测结果；MST(C,E)代表分块熵取值范围。

在建立排球正面扣球图像信息采集模型基础上，提取排球正面扣球动作图像的边缘轮廓信息，通过获取扣球动作特征标志点完成图像信息的融合，实现排球正面扣球动作边缘轮廓模型的构建，有效检测排球边缘轮廓。

1.4 排球边缘轮廓角点检测

(10)

选择相邻帧排球正面扣球图像，对其排球边缘轮廓实施角点检测，角点检测通过公式(11)求得。

(11)

排球运动员在正面扣球时排球运动轨迹点通过公式(12)计算，

(12)

1.5 基于人工蜂群算法的排球正面扣球轨迹跟踪

采用人工蜂群算法对排球运动轮廓角点进行优化，实现排球正面扣球轨迹跟踪，轨迹跟踪流程如下：

第一步：选择相邻帧排球边缘轮廓图像，对排球边缘轮廓实施角点检测，获取角点值[10-12]；

第二步：根据上述确定的角点值，设置蜂群算法中的蜜蜂种群初始值，将公式(12)求解结果作为适应度值，该值即为排球正面扣球时排球边缘轮廓角点运行轨迹值；

第三步：依据适应度值将蜜蜂划分成两类，分别为采蜜蜜蜂、跟随蜜蜂；

第四步：各采蜜蜜蜂在蜜源周围可利用公式(13)寻找新的蜜源位置，也就是确定排球正面扣球时排球边缘轮廓角点位置变化值，确定其变化的规律，即

(13)

当新蜜源的适应度值大于前一蜜源适应度值时，则用新蜜源替换原有蜜源[13]，也就是当确定跟踪的角点位置已经确定后，继续寻找其他角点值。

第五步：求解各跟踪排球不同轮廓角点的选择概率值，当此概率值与蜜源适应度值为正比关系时，则依据选择概率确定角点位置，追随蜜蜂在此蜜源周围继续采蜜并搜索新的蜜源，当新蜜源适应度值为最大值时，更新蜜源，此时追随蜜蜂可升级为采蜜蜜蜂。通过公式(14)计算排球轮廓角点位置选择概率，即

(14)

式中:Xi为角点中的任意位置；Xm代表排球扣球时排球运行时旋转的所有角点总数量；f代表升级后的蜜蜂蜂群。

第六步：当达到最大搜索次数仍未搜寻到最大适应度的角点时，停止搜索，说明当前确定的角点是排球扣球时球面上的所有旋转点，根据确定的这些角点，生成排球正面扣球轨迹，实现最终的跟踪，得到跟踪结果如式(15)，即

(15)

2 实验分析

2.1 实验方案

以某高校排球运动员的正面扣球视频信息为研究对象，排球赛事视频由G·V16摄像机摄取，摄像机与地面距离2.4 m，视频录制频率为80幅/s，数据集中包含3 000条运动员排球赛事视频信息，从中筛选完整正面扣球视频信息，利用MATLAB软件对排球正面扣球的运行轨迹进行模拟，采用本文方法对排球正面扣球轨迹进行快速跟踪，验证本文方法的轨迹跟踪效果。

2.2 实验结果分析

采用本文方法采集数据集中的排球正面扣球图像信息，并与文献[5]、文献[6]方法进行对比，分析本文方法的正面扣球图像采集效果，实验结果如图1所示。

(a)本文方法 (b)文献[5]方法 (c)文献[6]方法图1 排球正面扣球图像信息采集结果

由图1可知，本文方法采集的排球正面扣球图像信息完整，图像细节纹理丰富，具有较高的辨认度；文献[5]方法采集到的正面扣球图像亮度较暗，图像清晰度较差，使得图像纹理细节不丰富，影响正面扣球轨迹跟踪效果；文献[6]方法采集的正面扣球图像信息存在虚化现象，排球运动员的手部、胳膊及排球部分细节丢失严重，正面扣球动作边缘轮廓特征不明显，图像效果非常差。由此得出，本文方法在正面扣球图像信息采集方面具有一定优势。

采用本文方法对采集的排球正面扣球图像进行增强处理，通过对增强前后的正面扣球图像进行对比，分析本文方法的图像增强效果，实验结果如图2所示。

(a)原灰度 (b)增强后灰度 图2 本文方法的图像增强效果分析

由图2可知，正面扣球图像原始灰度图亮度较低，且图像中存在一定的噪声，经本文方法作图像增强处理后，增强后的正面扣球灰度图对比度明显提升，正面扣球动作边缘轮廓信息更加清晰，且特征突出，图像视觉效果显著。由实验结果可知，本文方法可有效提升正面扣球图像的视觉效果，有利于后续的正面扣球动作边缘轮廓提取。

信噪比是判断排球正面扣球帧图像质量的重要指标，并影响排球正面扣球轨迹跟踪结果的准确度，通过与文献[5]、文献[6]方法进行比较，分析不同时间下本文方法处理后的排球正面扣球图像信噪比的变化情况，实验结果如图3所示。

图3 正面扣球图像信噪比分析

分析图3可知，随着排球正面扣球帧图像处理时间的不断增长，3种方法处理后的排球正面扣球图像信噪比呈增大趋势，本文方法增强后的排球正面扣球图像信噪比最大，可达到31.5 dB；其次为文献[5]方法，文献[6]方法获取的排球正面扣球图像信噪比最低。实验结果表明，本文方法获取的正面扣球图像质量更好、视觉效果突出，且此结论与实验2所得的实验结果一致。

以采集的排球运动员正面扣球图像信息为例，利用本文方法提取该正面扣球图像的边缘轮廓信息，分析本文方法的排球边缘轮廓特征提取能力，实验结果如图4所示。

图4 排球边缘轮廓提取结果

分析图4可知，本文方法提取的正面扣球时的排球边缘轮廓完整度高，细节特征丰富，细节内容保留完好。实验结果表明，本文方法可有效提取排球正面扣球时的排球边缘轮廓，边缘轮廓清晰，排球边缘检测效果突出。

采用本文方法对排球正面扣球轨迹进行跟踪，并与文献[5]、文献[6]方法进行对比，分析本文方法的排球正面扣球轨迹跟踪效果，实验结果如图5所示。

图5 排球正面扣球轨迹跟踪结果

分析图5可知，与排球正面扣球的实际运行轨迹进行对比，本文方法跟踪的正面扣球运行轨迹遵循了实际轨迹的走势规律，且两条轨迹曲线间具有微弱差异，基本可以忽略不计；文献[5]、文献[6]方法获取的正面扣球运行轨迹虽与实际轨迹曲线具有相同的走势规律，但与实际轨迹曲线均有较大的差异性。实验结果表明，本文方法的排球正面扣球轨迹跟踪结果优于文献[5]、文献[6]方法，轨迹跟踪效果突出。

3 结语

正面扣球是排球赛场上重要得分项目，为对排球运动员的战术特点进行针对性分析，提出基于蜂群算法的排球正面扣球轨迹快速跟踪方法。以G·V16摄像机拍摄的某高校排球运动员的赛事视频信息为研究对象，分别利用文献[5]方法、文献[6]方法及本文方法采集其中的正面扣球图像，分析各方法的正面图像采集性能；在正面扣球灰度图像增强的基础上，提取排球的边缘轮廓特征，并对排球的运行轨迹进行跟踪。实验结果表明：①本文方法采集的正面扣球图像优于文献[5]、文献[6]方法；②增强后的正面扣球灰度图像信噪比高、对比度明显提升，正面扣球动作边缘轮廓信息更加清晰，特征突出，图像视觉效果显著；③提取的排球轮廓特征完整、细节丰富，跟踪到的正面扣球轨迹与实际轨迹偏差很小，轨迹跟踪效果突出。