[发明专利]一种基于在线多示例学习的足球视频球员跟踪方法

权利要求书

1.一种基于在线多示例学习的足球视频球员跟踪方法，其特征在于，所述方法包括：

(1)判断接受帧是否为首帧，若是，则获取目标球员初始位置，提取场地主色和球员模板主色直方图，所述球员模板主色直方图包括上半部分主色直方图和下半部分主色直方图；同时对粒子滤波运动模型进行粒子初始化，粒子初始化的位置和球员模板位置一致；生成多个Haar-like特征模板；随后进入步骤(4)；若否，则进入步骤(2)；

(2)对前一帧目标球员位置的所有粒子进行状态转移，计算经过状态转移后的所有粒子与球员模板主色直方图的相似度，对粒子权重按相似度值进行归一化，将粒子按照权重排序，去除权值较低的粒子，并用权值大的粒子代替，生成新的粒子集；

所述步骤(2)中主色直方图相似度的计算公式为：

其中，d(L_a,L_b)表示a和b的主色直方图相似度；a_upⁱ和a_downⁱ表示a的上半部分和下半部分直方图的第i个分量值；b_upⁱ和b_downⁱ表示b的上半部分和下半部分直方图的第i个分量值；场地主色对应的bin值记为bin；

对粒子权重按相似度值进行归一化具体为：

设正包X⁺＝{x₁₀,x₁₁,...,x_1,N-1}，负包X^-＝{x_0N,x_0,N+1,...,x_0,N+L-1}，即正包、负包中的示例个数分别为N、L，样本x₁₀为当前帧中的目标位置，示例x_1j的权重定义为：

其中，c表示归一化常量，lx()表示距离函数；

负包中的示例权重均赋予常量w；

(3)新的粒子集作为当前帧候选图像集合，根据多个Haar-like特征模板获取集合中每一个候选图像的Haar-like特征向量，并利用积分图加速计算，将所述特征向量输入多示例学习分类器中计算，输出当前帧目标球员位置；

(4)在目标球员位置周围采集正包和负包，计算正包和负包内图样的Haar-like特征值，更新多示例学习分类器；

(5)判断当前帧是否为尾帧，是则结束；否则接受下一帧图像。

2.根据权利要求1所述的一种基于在线多示例学习的足球视频球员跟踪方法，其特征在于，所述步骤(1)中提取场地主色具体为：

读取图像每个像素的色调H、饱和度S和明度V；

将图像所有像素的H、S和V各分量的值分别作非均匀量化，量化具体规则如下：

若V∈[0,0.2)，则像素颜色为黑色，L＝0；

若S∈[0,0.2]∩V∈[0.2,0.8)，则像素颜色为灰色，L＝|(V-0.2)*10|+1；

若S∈[0,0.2]∩V∈(0.8,1.0]，则像素颜色为白色，L＝7；

若S∈(0.2,1.0]∩V∈(0.2,1.0]，则像素颜色为彩色，L＝4H+2S+V+8；

其中，

重新量化后的值L的范围是[0,35]，即36维特征向量，表示为(l₀,l₁,...,l₃₅)，l_i表示图像中L＝i的像素个数，场地主色对应的bin值

3.根据权利要求1或2中所述的一种基于在线多示例学习的足球视频球员跟踪方法，其特征在于，所述步骤(1)中球员模板主色直方图为球员模板矩形区域内所有像素作非均匀量化后得到的(l₀,l₁,...,l₃₅)。