[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

说明书

本发明公开了一种基于在线多示例学习的足球视频球员跟踪方法，属于计算机视觉识别领域。本技术方案在目标特征提取方面，结合了全局特征和局部特征，提取场地主色和球员模板主色直方图；同时对粒子滤波运动模型进行粒子初始化，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，去除场地主色的影响，粒子权重按相似度值进行归一化，并用权值大的粒子代替，生成新的粒子集；获取集合图像的Haar‑like特征向量，输入多示例学习分类器中，计算得到当前帧目标球员位置。本发明技术方案能减少目标运动的不确定性，有效抑制跟踪中的漂移现象，提高跟踪结果准确性。

技术领域

本发明属于计算机视觉识别领域，更具体地，涉及一种基于在线多示例学习的足球视频球员跟踪方法。

背景技术

当前随着图像处理和机器学习理论的快速发展和应用，运动目标跟踪技术成为近年来计算机视觉方向的研究热点，所谓目标跟踪指的是通过对输入初始帧中的感兴趣区域进行目标建模，进而在后续帧中对目标进行持续跟踪的过程，已被广泛应用在视频监控、军事航空和智能交通等多个领域。

足球运动已成为全球最流行的体育运动之一，赛事丰富，普及程度高，拥有十分广大的观众群体和极高的比赛关注度。从普通观众的角度来看，他们注意力常常聚焦在某个感兴趣的球员身上，观众希望看到其赛场上的表现；从教练员的角度来看，他们往往需要了解到某些球员的身体运动参数和轨迹路线信息，用来进行球员比赛表现评估、分析和制定比赛策略、后续训练改进等；从裁判员的角度来看，由于比赛过程中球员发生的激烈争抢可能导致判罚出现争议，为了保证比赛的公平公正，可以利用摄像机拍摄到的镜头对其中感兴趣的球员进行实时跟踪，分析其运动轨迹和位置信息以辅助裁判员进行判罚。此外，基于目标的检测和跟踪可以辅助体育视频内容分析，如生成视频摘要、精彩事件检测、行为动作分析等。因此，在足球视频中进行球员跟踪具有重要的现实意义，也是体育视频分析领域的理论基础。

当前已经有大量的学者致力于目标跟踪算法的研究，理论发展十分迅速，虽然已经取得了许多创新成果，但是目标跟踪问题仍然面临多方面的挑战。算法性能易受多种因素的影响，目前还不存在某种算法能够适应各种视频场景下的跟踪，因此对于特定领域的问题也需要结合特定领域的特点来进行处理。除了跟踪领域中普遍存在的目标遮挡、形变、光照变化等挑战之外，足球视频当中的球员跟踪还存在以下问题：

1.由于足球比赛的激烈性，球员的运动状态极不稳定，运动速度、身体姿态可能发生各种变化，包括形变、球员碰撞、摔倒等，这就要求跟踪器有较强的适应性；

2.足球视频中的人物多而密集，球员之间发生拥挤、遮挡可能会造成干扰，尤其是远镜头下同队球员之间视觉外观上很相似，特征区分性不明显，极容易造成目标跟错，发生跟踪漂移；

3.球员奔跑过程中由于摄像机的运动和球员速度过快可能导致摄像机捕捉到的帧画面出现模糊的情况，此时球员特征表现不明显，进而影响跟踪器判断。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于在线多示例学习的足球视频球员跟踪方法，其目的在于结合了全局特征和局部特征的优点，改进了传统在线多示例学习跟踪算法，用粒子滤波运动估计的运动模型来生成位置候选集，由此解决现有跟踪技术适应性不够、易发生跟踪漂移和球员特征识别不清的问题。

(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；