英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
足球运动员的运动分析
Pascual J. Figueroa a, Neucimar J. Leite a,*, Ricardo M.L. Barros b
摘要
在这项工作中，我们考虑通过使用多个摄像头在足球比赛中跟踪球员的问题。这里的主要目标是在每一个时间点找到球员在球场上的位置。跟踪是通过图形表示来实现的，其中节点对应于图像分割得到的斑点，边缘用图像序列中的斑点信息和轨迹加权，表示节点之间的距离。我们提出了一种新的方法，通过基于形态学算子的分割块和一个前后向图形表示，允许自动跟踪的帧数增加。与其他作品不同的是，本文对短视频序列进行了分析，并对整个游戏中所有球员的跟踪结果进行了说明。.
关键词：跟踪；足球运动员；运动分析
1。介绍
足球是世界上一项非常受欢迎的运动，如果你想在比赛中提高一支球队的表现，更好地适应训练计划，那么就有很大的兴趣更好地了解它的重要资金。球员在球场上的移动，作为时间的函数，是一个有用的信息，有助于提高球员在不同位置的表现[1]。例如，对于一个团队在游戏中可以假定的战术变化，测量值可能与生理变量以及技术和战术信息有关。[3,18].
Reilly和Thomas[18]首先研究了球员在游戏中的移动，他们使用录音机记录了球员的估计位置。威瑟斯等人。[23]使用摄像机分析一个独特的足球运动员的动作。May Hew和Wenger[15]也用一台相机来跟踪两个游戏。
ERS，每个都交替拍摄7分钟。他们计算这些被跟踪球员的每项活动所花费的时间，如步行、跑步、慢跑、停留，以及相应活动的频率。
为了更好地量化球员的动作，Erd Mann[7]拍摄了一个固定电视摄像机时代的足球比赛（使用130L广角镜头），并通过一帧一帧地回放、使用录像机和一个适合屏幕监视器的透明方格片来分析一个球员的位移。在5分钟内，每1秒对运动员的位置进行注释，并计算出运动量。
Henning和Briehle[10]使用全球定位系统（GPS）分析足球运动员的运动。这种系统通过卫星定位物体的全局位置，卫星接收位于地球表面的发射器发出的信号。该方法要求被跟踪物体携带一个250克的装置，从该装置中以1赫兹的频率收集数据。
D Ottavio和Anquillii[6]提出了一种基于电位计和两个摄像头的方法，用于在90分钟内跟踪一个球员。操作员专注于感兴趣的球员。
跟随他的动作。电位计中存储的信息允许根据时间计算相应的播放器位置。
视频技术和计算机处理性能的最新进展激发了研究人员使用计算机视觉和图像处理技术通过视频测量对运动游戏进行自动分析的兴趣。
Intille和Bobick[11]首先提出了一个解决自动跟踪运动员问题的工作，他们开发了一种被称为“封闭世界”的技术，用于跟踪美国足球运动员。封闭世界被定义为一个时间和空间区域，在该区域中，特定的上下文足以确定该区域中存在的所有可能的对象，例如运动员、场地线、散列标记、草地等。作者报告说，这种方法比一般的模板匹配更好地跟踪孤立的球员，他们的主要困难是处理一个封闭的世界代表包含多个球员的情况。
塔基等人。[21]提出一种定量评估足球比赛中团队工作的方法。为此，他们只考虑使用模板匹配跟踪的静态摄像机和独立播放机。基姆等人使用电视广播图像和基于模板匹配的跟踪方法以及基于直方图反投影概念的跟踪方法来解决遮挡问题。Nead Ham和Boyle[17]提出了一种使用卡尔曼滤波器进行多目标跟踪的方法，称为凝聚法。将该方法应用于五人制视频图像序列分析。在[22]中，不同的颜色表示系统用于足球运动员的细分。Matsui等人。[14]还提供了一个使用电视广播图像制作足球场景动画的作品。康等。[13]使用颜色信息和联合概率数据关联过滤器，事先了解场景，以便跟踪足球运动员的行动。
由于其他基于摄像机的跟踪系统也是如此，跟踪方法需要解决与提取、识别和正确定义球员轨迹有关的各种问题。此外，室外的无约束环境和非常复杂的遮挡问题使得对所有球员的正确跟踪更加困难。
事实上，最具挑战性的问题之一与足球运动员的跟踪有关的是闭塞和球员的拥挤，特别是在任意球和角球的情况下。Iwase和Saito在[12]中使用了8个覆盖整个球门区域（罚球区）的摄像头来处理这个问题。然而，这种解决方案代价昂贵，而且遮挡问题也没有完全解决。
在这项工作中，我们提出了一个跟踪系统的所有主要程序，用于分析一个完整的足球比赛，基于至少四个静态摄像机，这四个静态摄像机一起应覆盖整个球场。正如我们将在其他地方看到的，通过考虑球员的模型和一些形态操作，我们通过分割代表两个或更多部分被阻挡球员的分割块来处理阻塞和拥塞问题。分割过程是使用一个向前和向后的图形表示来完成的，它是我们方法的主要贡献之一。
与四个摄像头相关的重叠区域用于同步和解决某些情况下的闭塞。这种配置基于一组摄像机在球场上的位置，为摄像机的校准提供了足够的参考点，并保证图像中的播放器大小足以区分噪音和感兴趣的场景组成部分。
我们的跟踪算法的第一步涉及球员的细分，而第二步则检测他们的正确轨迹。分割步骤包括提取代表这些参与者的blob。此外，我们还构造了一个以斑点为节点的图，并通过该图上的最小路径搜索找到球员的轨迹。通过考虑斑点之间的距离、颜色（灰度强度）和被跟踪运动员的运动方向等信息来定义图的边缘。在这里，我们的目标是通过分割相应的斑点来隔离球员，并正确处理一些闭塞情况。本文的组织结构如下：下一节介绍了分割算法。第3节详细描述了跟踪程序。第4节说明并讨论了该方法应用于足球图像真实序列时的结果，最后在第5节中得出了一些结论。.
2。球员细分
背景减影是一种非常常用的分割运动物体的方法，它由一组图像与其背景模型之间的差异组成。为了解决室外场景中光照、阴影、背景对象等变化的问题，需要经常更新背景表示模型。为此，文献中讨论了一些统计分析方法[4,8,16,20]。这些方法适用于光照变化缓慢的相对简单的场景，通过假设每个帧的背景为高斯分布来更新其背景模型。这种方法可以很容易地合并到模型对象中，这些对象在一段时间内停止移动。然而，在某些应用中，需要保持这些静止或缓慢移动的对象的正确跟踪。例如，在足球比赛中，通常会有球员站着观看许多视频画面。
在照明和背景物体突然变化的情况下，我们需要考虑更复杂的过程，同时考虑分析序列的一些附加信息。例如，在[9]中，背景使用几个连续帧和高斯双峰分布建模，其中每个像素由最小和最大强度值以及帧之间的最大差异表示。
在这项工作中，我们通过沿一些连续帧的像素应用中值滤波器来提取背景图像，从而定期更新一定数量的视频帧的背景图像。每个背景像素的强度计算为沿所考虑的帧集最可能重复强度的平均值。该方法正确地更新了光照变化缓慢时的背景图像，保持了大部分静止物体的检测。
图1。学院足球视频帧
图2。背景图像
图3。分割图像中的斑点
我们的完整分割算法包括以下步骤：
bull;背景提取。
bull;当前帧与图像之间的差异对应于提取的背景。
bull;通过阈值实现图像二值化。
bull;形态过滤（打开和关闭），消除噪音。
连接像素的标记和相应区域的定义为斑点.
图1显示足球视频序列的帧，图2显示了考虑一组20帧的相应更新背景。图3显示了分割步骤的最终结果。
三.追踪球员
在这一部分中，我们考虑了跟踪代表球员的斑点的具体问题，最后，还讨论了它们在球场上的位置的定义。如前所述，跟踪过程的主要困难之一是目标的部分或全部时间闭塞。因此，在本节中也考虑了以分离或隔离球员为目的的斑点分割。这种分割考虑了图像序列的时空信息。通过考虑斑点的大小、形状和颜色来探索空间信息，而时间信息则探索不同帧中斑点之间的关系。在这项工作中，我们使用图形表示来定义这种时间依赖性。
该图是由分割步骤中获得的一组斑点组成的，这样节点就可以表示斑点和边缘，以及这些斑点之间的距离。因此，图中的每个节点存储一个BLOB的空间信息，而边则传递与BLOB之间的依赖性相关的时间信息。这种表示模型使我们能够更好地处理对象的cor respondence问题，这不仅有助于blob的拆分，而且有助于沿着序列正确地跟踪它们。每个球员的跟踪都是通过图中的最小路径搜索来完成的。边是斑点之间的距离，通过考虑斑点的速度、方向和颜色等信息来加权图形的边缘。这种结构也被用于[5]中，用于跟踪从移动的气动平台获得的视频流中的物体。
由于该图构成了该方法的主要数据结构，下一节将详细讨论其构造。
3.1图形构造
设g为视频序列的定向图，ni（t）为t帧处的节点，我们的数据结构可按以下步骤定义：
1.为第一帧中的每个blob i创建一个节点ni（t），t=1，并将该节点插入到图g中。
2。为第t 1帧中的每个blob j创建一个节点nj（t 1），并插入到g中。
3.计算节点ni（t）和nj（t 1）之间的距离di，j
创建满足条件di，jlt;dmax的边ei，j，其中dmax表示给定的最大距离。
对整个视频序列重复步骤2-4。
用于将节点包含到图形中的斑点之间的距离计算为两个斑点轮廓像素之间的最小距离。计算这一距离的一种自然方法是从相应斑点的质心开始，然而，由于斑点可以代表多个参与者，因此考虑到AC计数其轮廓信息，可以获得更好的结果。
每个节点都存储关于图构造期间定义的blobs特性的信息。这些信息的示例包括：
宽度和高度：块的边框的大小。区域：一个斑点的像素数。周长：斑点轮廓中的像素数。X，Y：图像中斑点中心的坐标。颜色：与斑点相关的颜色（第3.3节）。图构造完成后，可以定义以下参数：
num_comp：与一个blob中玩家数量相关的组件数量（秒。3.2）。dist：两个链接节点之间的距离，计算为斑点中心点之间的欧几里得距离。方向：球员轨迹的方向。速度：物体的速度。边缘信息的主要功能是在跟踪过程中定义图形上播放器的路径或可能的路径。因此，根据dmax值，连接非常远的斑点的边不包括在图中。这个值可以通过一个组件在两个连续帧之间实现的最大位移来定义。
3.2组件数量定义
组件数量信息表示一个blob中的玩家数量。如果我们需要分割这个斑点（代表多个玩家），并在跟踪过程中对轨迹做出正确的决定，那么正确确定组件的数量非常重要。例如，这个数字很难确定在T帧中，一个包含多个玩家的blob何时被拆分或连接到T 1帧中的另一个blob。
为了解决这个问题，我们通过考虑斑点之间的边缘来对它们进行分组，如图5所示。如果图中存在任何节点u，则T帧中的两个节点v1和v2属于同一组，因此图中存在边（v1、u）和（v2、u）。定义一个组的一个简单方法是对由T和T 1中的节点和边定义的新的无向图进行深度优先搜索。对于图上的每个新搜索，从T帧中的节点开始，定义一个新的组号。在这个搜索过程中，每个访问过的节点都会收到相应的已定义的组号。例如，在图5中，从节点v1和v3开始的搜索分别定义了组号1和2。
这里考虑的blob区域是一个与每个节点的组件数量相关联的参数。这个区域（以像素数表示）与玩家相对于凸轮擦除位置的距离成反比。
对于T帧中属于同一组的每一组节点，我们考虑T 1帧中对象的细分过程。首先，属于同一组的对象数定义为其节点的组件数之和。对于T 1帧中属于某一组的每个节点U，估计实际位置（基于场上玩家的位置）中相应斑点的面积，并从斑点中指示的实际面积中减去。此时，T帧中的组组件总数减少了1，T 1帧中的节点组件数量也按相同比例增加。此步骤确保每个节点至少与场景的一个对象相关联。当区域中的组件数大于零时，执行上述过程。在每个步骤中，我们总是从具有最高区域的节点开始。下面的算法总结了该过程的主要步骤
3.3斑点颜色定义
在足球运动中，就像许多其他团体运动一样，两个队的制服颜色必须不同。这些信息可以用来区分团队，也可以用来解决遮挡问题。在这种情况下，一些应用程序考虑了柱状图反投影法[24,16]，它可以很好地适用于全色制服。通过我们的相机定位设置，很难区分颜色，因此，我们只使用组件的强度或灰度信息。此外，制服的每个部分可能有不同的颜色，如图8a所示。一般来说，玩家可以被建模为多个区域的一组，每个区域都有一些主要的颜色（图7）。例如，在[24]中，将斑点的垂直RGB分布（图8b）与对应的播放机模型的分布进行比较。
在我们的工作中，由于一个斑点的大小可能会发生变化，这取决于球员在球场上的位置，我们试图将球员的模型分成两个或两个以上的区域，这样每个区域就代表了球队统一形式的一部分，即T恤、短裤、袜子等。对于每个区域，我们考虑一个基于斑点垂直强度分布的阈值过滤。图8b中的两条垂直线表示两个阈值T1和T2，被定义为垂直分布的最小和最大平均值。这些阈值构成了限制
3.4分块
正如我们在第3.2节中看到的，我们通过考虑分段对象的空间和时间信息来定义每个BLOB中的对象数量。在这一部分中，我们考虑了分割包含多个跟踪对象的blob的问题，目的是让一个blob与一个播放器关联。当然，这种分割很难实现，主要是在两个或两个以上的玩家彼此非常接近并且几乎完全闭塞的情况下。
在分割步骤中，由于一些对象之间的距离很小或影响（如阴影和噪声），可以将它们分组为一个斑点。我们对分割问题的第一种方法是试图隔离由短连接连接的参与者，如图12a所示。此过程可能被视为分割步骤的后处理。此外，可以通过考虑构造的图和blob的模型来分割blob，稍后我们
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[20626]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
