基于尺度自适应局部时空特征足球比赛视频中多运动员行为表示.docVIP

基于尺度自适应局部时空特征足球比赛视频中多运动员行为表示 　　摘要：为提高足球比赛视频中的多运动员行为识别的准确率，提出一种基于尺度自适应局部时空特征的足球比赛视频中的多运动员行为表示方法，利用时空兴趣点来表示足球比赛视频中的多运动员行为。首先将足球比赛视频序列中的多运动员行为看作是三维空间中的时空兴趣点的集合，然后采用直方图量化技术将时空兴趣点集合量化为维数固定的直方图（即时空单词），最后采用K-means聚类算法生成时空码本。在聚类生成码本之前，对每个时空兴趣点都进行了归一化，以保证其缩放和平移不变性。实验结果表明，该方法能够大大减少足球比赛视频中的多运动员行为识别算法的计算量，显著提高识别的准确率。 　　关键词：时空兴趣点；多运动员行为表示；行为识别；K-means聚类算法；时空特征检测操作数 　　中图分类号：TP311； TP391 　　文献标志码：A 　　0引言 　　足球比赛视频中多运动员行为表示的好坏会直接影响行为识别的准确率。在足球比赛中的多运动员行为分析和识别过程中，选取的特征越多，对行为的描述也就越充分；但是选取过多的特征会导致数据间的冗余过大，特征向量的维数过高，数据分布的本质规律不容易被发现，训练行为识别模型所需的数据量过大，算法的计算量大，不利于行为识别的实时性处理。因此，足球比赛视频中的多运动员行为识别研究的关键问题是如何有效地描述提取的特征才能够很好地表征行为。 　　1相关研究 　　过去研究者对行为表示进行了广泛的研究，其中比较典型的研究有：Bobick等[1]利用减背景法推导出时间模板的表示，该行为表示方法简单，但容易受噪声影响。Wang等[2]采用自适应多阈值选择光流特征作为行为的表示来识别足球比赛视频中的团队行为，但研究局限于处理三类团队行为，且易受噪声干扰。文献[3]采用时间序列的因果关系来描述成对行为，并利用空间行为轨迹匹配来识别人类行为，但难以被推广到多运动员的行为识别中来。文献[4]用一个完整的四维对象实时交互张量来描述团队行为模式，通过学习并优化张量积来减少内核，使它凝聚到一个可区别的时空互动矩阵中。在视觉变化的情况下，用来简洁描述团队行为模式的时间互动矩阵被证实是稳定的。更重要的是，给定一个黎曼度量，所有时空互动矩阵集形成一个黎曼流形，可用来建立概率框架，特征化团队行为模式每个类，但实现起来比较困难。文献[5]提出目标之间结构化的相互作用模型，使用基于目标的原语和低阶时空关系集成的概率框架从含噪声的感知数据中识别出结构严密、高度结构化的多人行为。基于模型的目标识别和概率计划识别的表示基于下面四个主要假设：1）在智能体之间从事团队活动时，单个智能体目标是指定时空关系的天然的原子表示单位；2）在高度结构化的多智能体的行为识别过程中，行为的时间结构的高层次描述使用较少的低阶时空关系集和逻辑限制就足以表达智能体之间的关系；3）贝叶斯网络为不确定的视觉感知特征的多种来源提供了一种适当的融合机制；4）可以用自动生成的贝叶斯网络来融合不确定时态信息和对象轨迹数据集，识别一个特定的多智能体的行为。假设的限制容易引起标记的偏置问题，且难以实现。文献[6]引入了一个能明确对动态团队成员进行编码和适应计划识别形式的多智能体计划表示法。从多智能体计划表示法中提取的局部时间依赖性能够有效地修剪潜在的团队计划的假设集，但修剪过程比较费时，不能满足实时足球比赛行为识别的要求。文献[7]在无监督的时间分割过程中提出了一种基于动态时间序列的高斯混合模型匹配行为的行为识别方法。该方法假定行为数据是一个能够充分描述的多单向标签，利用了时空特征，通过假设行为的优先级顺序来识别多人行为；但是在团队行为识别的特征子集中会出现多个同时事件，而且在特殊情况下，事先设定的优先级高的行为可能是不重要的行为，这样会影响多运动员行为识别的准确性。文献[8]提出利用浓密轨迹和运动边界进行行为识别。首先，用轨迹来捕获视频的局部运动信息；然后，密集轨迹的表示保证良好地覆盖前景运动以及周围的背景；最后，利用一种最先进的光流算法确保提取密集轨迹的鲁棒性和有效性。文献[9]为人的属性和行为识别提出扩展的部分模型。该模型依赖于收集的部分模板，通过学习区别地解释图像中特定的尺度空间位置（人类为中心的坐标）。它避免了高度结构化的模型限制，提出了用一个自动挖掘算法来学习相应的区分性模板来识别人类行为。Laptev[10]为视频数据的简洁表示提出了时空兴趣点，并探讨了利用时空兴趣点来描述人的行为的优势。借鉴Laptev[10]的思想，本文提出基于尺度自适应局部时空特征来表示足球比赛视频中的多运动员行为。通过提取不随视频图像的缩放和平移而变化的稀疏时空特征来表示多运动员行为，减少多运动员行为识别算法的计算量，提高多运动员行为识别的准确率和实时