基于OPENCV平台的运动物体跟踪与轨迹生成研究.docVIP

基于OPENCV平台的运动物体跟踪与轨迹生成研究 　　摘要：在比赛项目中，对运动员进行跟踪和分析，精确计算运动员的体能消耗和状态是十分必要的。一个新兴的交叉学科Sports IT，就是利用先进的计算机图形图像技术来分析各种比赛时运动员状态。在此背景下，利用OPENCV平台，实现运动物体的实时跟踪，生成轨迹和长度。实现了对艺术体操运动进行识别和追踪，生成运动轨迹。首先采用camshift方法进行跟踪，当遇到相似的背景导致跟踪失败时，采用帧间差分算法对运动物体再次识别，在出现多个候选运动目标中挑选出距离跟踪失败坐标点最近的运动目标，找回跟踪物体。 　　关键词关键词：运动识别；轨迹生成；camshaft跟踪算法；帧间差分；OPENCV；投射变换 　　中图分类号：TP311文献标识码：A 文章编号2014）002003503 　　0引言 　　我国体育事业正处在一个上升的阶段，体育科研工作越来越受到重视。对运动项目中的运动员进行分析，可以帮助教练和运动员在之后的训练中更有效地提高技能；电视台在直播大型比赛时，也可以用数据的形式展现和分析运动员的表现。在国外，Sports IT研究人员对冰壶、花样滑冰以及棒球运动研究的成果颇丰。本文采用OPENCV平台，因为有很多优秀的跟踪算法被整合到该视觉库中，绝大多数算法都有对应函数实现，而且OPENCV的函数库是开源的，便于研究者使用。 　　OPENCV全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库，由英特尔公司发起并开发。由于是开源函数库，能够在商业和研究领域中免费使用。本文的程序是在加载了OPENCV函数库的vs2010平台上实现的。Dorin[1]等人提出了基于核函数的物体追踪方法。为了找到目标，首先选取一个特征空间，选择目标模型的颜色特征值来代表该目标物体，利用mbin直方图来作为无参数密度估计，降低运算量以达到实时运算的效果。目标物体用椭圆来进行标注，论文中采用了卡尔曼预测来解决多个运动物体与目标运动物体相交时的跟丢现象。梁娟、项俊等[2]人提出了camshift与卡尔曼滤波进行结合的自动跟踪算法。 Wang[5]对短道滑冰比赛项目进行了追踪和检测，得到运动员的速度曲线和轨迹，分析了两名男性运动员与一名女性运动员的速度差异，提出了一种运动模糊模型和基于该运动模糊模型的多模板演化算法，实现了对多个相似运动物体的跟踪。 　　1相关算法介绍 　　1.1运动目标检测跟踪算法 　　在OPENCV中，可实现运动物体识别的检测算法主要有3种，分别是帧间差分算法、背景差分算法和光流场算法。帧间差分算法是通过对视频图像序列中相邻两帧做差分运算来获得运动目标轮廓的方法，算法简单，获得前景速度快。缺点是出现多个运动物体识别区域，无法定位要跟踪的物体；背景差分算法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测运动区域的一种技术；光流场算法原理比较复杂，它是给图像中的每一个像素点赋予一个速度矢量，形成一个图像运动场，在运动的一个特定时刻，图像上的点与物体上的点一一对应，根据各个像素点的速度矢量特征，对图像进行动态分析，如果图像中没有运动物体，则光流矢量在整个图像区域是连续变化的。当图像中有运动物体时，目标和图像背景存在相对运动，运动物体形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体及位置。 　　运动目标的检测跟踪，首先采用的是OPENCV中的camshift算法，计算色彩投影图，为减少光照变化对追踪目标的影响，将图像从RGB空间转换到HSV空间，对H分量进行直方图统计，颜色概率直方图代表了不同H分量取值出现的概率。将图像中出现的每个像素值用其颜色分量H出现的概率进行替换，得到颜色概率分布图，然后采用meanshift算法不断进行迭代，得到最优搜索窗口的位置和大小，最后将该帧的窗口位置和大小当作下一帧的初始值，不断循环迭代，实现目标的跟踪。 　　1.2轨迹生成和长度计算算法 　　关于轨迹的生成，采用链表的形式存储运动物体的质心点，并在每一帧图片中进行轨迹的绘制。具体来讲，先将camshift算法和帧间差分算法结合得到运动物体，用不断变化的红色椭圆来跟踪标示，得到椭圆的中心值，并添加到链表中。由于在实际运行中每个帧都进行存储及绘制会导致运行速度逐渐变慢，所以采用每隔20帧存储运动物体坐标点的方法，这样能对速度进行改善。对链表中的运动物体坐标进行一次筛选，去掉两个相邻坐标距离过大的点，这些距离过大的点很有可能就是噪音。轨迹生成之后要写入新的视频文件中。在写入新的视频文件过程中，在文件路径下出现了新生成的视频，但是无法打开观看，多次试验和摸索后，发现虽然都是后缀为“avi”格