论文部分内容阅读
本文以篮球比赛视频中持球队员的行为预测为研究对象,围绕与之相关的球场与球场标志线提取、球员跟踪、持球队员视野判定等问题展开,主要工作体现在以下几个方面：(1)采用改进的K均值聚类算法提取视频中的球场区域,排除观众席的干扰,缩小后续球员跟踪的计算范围。在提取的球场区域内,采用Hough变换与最小二乘法提取球场标志线,用于后续摄像机的标定。(2)提出了一种基于层次化多特征融合粒子滤波的运动球员跟踪方法。定义一种由辅助特征与主特征构成的层次化结构,层与层之间通过粒子的建议分布关联；球员跟踪时,按照层次问的关联关系,通过辅助特征引导主特征粒子移动到更靠近目标的区域来优化更新主特征粒子建议分布。该方法只需少量高置信度粒子就能表示目标后验概率分布,减少了系统计算量,提高了跟踪实时性。同时,采用辅助特征和一种辅助特征自更新策略,增强了跟踪的抗遮挡能力。(3)提出了一种基于前向逐步叠加模型的人体头部姿态识别方法。针对篮球赛视频中球员头部图像分辨率低、所占比例小、特征有限的特点,提出运用协方差描述子对球员的多种头部特征融合,构成黎曼流形,再将其映射到切空间中构成特征向量,采用FSAMME多分类器识别持球队员的八种头部姿态。较之传统Boosting多分类器,FSAMME分类器无需将多类问题转化为多个两类问题,从而减少了算法的计算量,增强了系统的实时性。(4)提出了一种基于在线RBF神经网络的持球队员行为预测方法。为了描述影响持球队员行为决策的诸多因素,提出基于人工势能场的球员信息量对持球队员视野内的场上球员站位情况建模,形成一描述比赛场景的特征向量作为在线RBF神经网络的输入。采用基于GIRAN学习算法的在线RBF神经网络预测持球队员运球、传球以及投篮三种行为,较之离线RBF神经网络,该在线神经网络能随着比赛的发展相应地调整网络结构参数,预测准确度有了一定程度提高。