关键词：体育视频、超像素分割、轮廓信息
1超像素分割
超像素指的空间位置上相邻并且纹理、颜色和亮度等特征相似的像素点集合。分割超像素的准则一般是使得同一个超像素内的像素点相似度尽量大，而不同超像素内的像素点相似度尽量小[1]。与以像素为基本分割单元的分割算法相比，以超像素为基本计算单元分割图像，既能保持图像中轮廓信息，又避免大量像素的冗余计算。近年来，以超像素为基本计算单元的算法广泛应用到图像分割、目标定位以及骨架提取等方面[2]。
1.1超像素分割的相关算法
超像素分割是一种过分割，速度快、分割准且具备易用性是超像素分割算法的目标。目前已经有很多超像素分割算法，主要分为基于图论和基于梯度下降两类[3]。基于图论分割超像素算法的首要步骤是根据图像的像素信息构建一个图来初始化分割。基于梯度下降的超像素分割算法一般都以对像素作粗糙聚类初始分割，然后基于梯度下降的思路迭代优化聚类直至收敛以达到最优的分割效果[4]。
1.2 SLIC超像素分割
SLIC(Simple Linear Iterative Clustering, SLIC)算法是由Aravind Ganapathiraju等人提出的一种简单线性迭代聚类分割超像素方法[5]。该算法速度比较快，且能够认为指定超像素大小，最后能够生成紧凑和近似均匀的超像素。运动员检测分割算法是分镜头类型实现，不同镜头类型中的运动员大小不一样，运动员区域内的超像素粒度也不一样，所以需要区分不同镜头中的超像素粒度;第二，SLIC超像素分割算法简单，速度较快[6]。
1.3 Grab Cut图像分割算法
Grab Cut算法利用了图像中的颜色、纹理和少量用户标记信息分割图像中的物体[7]。该算法采用混合高斯模型对图像中的每个像素点的各个颜色通道分别建模，即采用多通道混合高斯模型描述图像的前景背景的颜色信息，根据交互信息中的像素初始标记估计各类GMM参数，通过迭代最小化分割能量标记像素类别以达到最优分割[8]。
2运动员分割流程
运动员分割流程如图2-1所示，主要分为三个阶段:
2.1运动员检测阶段
用二值图像mask存储运动员检测结果，采用轮廓检测算法获取图像中联通区域的矩形框，即运动员的位置[9]。运动员的分割是根据运动员的位置逐个分割。
2.2运动员分割
分割运动员之前对图像分割超像素，然后利用运动员的多边形区域表示计算超像素的分类。遍历图像统计每个超像素的总像素个数和每个超像素在运动员多边形区域内的像素个数，计算每个超像素的在多边形区域内的像素数与像素总数的比值[10]。使用两个阈值T1, T2用来判断标记超像素，将超像素标记为：“前景超像素”、“可能前景超像素”和“可能背景超像素”三类。当超像素的比值≥T1，则该超像素是“前景超像素”;当T1超像素比值大于T2时，该超像素是“可能前景超像素”;当超像素比值小于T2时，该超像素属于“可能背景超像素”。阈值T1和T2的设置需要根据中层特征块的选择设置，如果中层特征块包含的背景比较多，则T1与T2的值设置相对较大一些;反之则阈值T1与T2的值设置较小一些。将运动员所在位置的矩形框和前景背景标记信息作为交互信息传递给Grab Cut函数，最终得到单个运动员的最优分割[11]。
2.3合并多个运动员分割结果
Grab Cut分割运动员的结果存储在使用0和1标记的单通道mask，在一帧图像中含有多个运动员的情况下，需要合并每次分割运动员的结果mask，即将所有结果mask作或操作，得到最终运动员检测分割结果。
3.实验结果与分析
从图2-2实验结果可以看出文中提出的分割算法能够分割出足球、羽毛球运动员的大部分轮廓，但是由于运动员头发与背景颜色相近、个别部位如胳膊部分过于细长，运动员的头发和胳膊的分割结果不够准确。
4.小结
本章在检测获得运动员区域(矩形框区域和多边形区域)的基础上，利用多边
形区域与运动员实际轮廓之间的关系，使用超像素为基本单位，对超像素进行标记分类，分为运动员超像素、可能前景超像素和可能背景超像素三种。再将标记信息和矩形框作为交互信息传递给Grab Cut分割函数，使用Grab Cut分割算法实现运动员的分割。实验证明，分割算法与体育类型无关，能够适用于其他类型的体育视频中运动员分割。分割结果表明，文中提出的分割算法能够分割出运动员的大部分轮廓，但是由于运动员头发与背景颜色相近和胳膊部分过于细长的原因，运动员的头发和胳膊的分割结果不够准确。针对这一现象，算法有待进一步改进。
参考文献：
[1]苑廷刚. 运动视频图像多重处理技术系统在田径科研领域中的应用和创新[D].北京体育大学,2011.
[2]李帅,韩俊岗,范望,张恩泽.基于超像素的遥感图像并行分割算法[J].舰船电子工程,2019,39(10):220-226.
[3]马雪,杨大伟,毛琳.粗细粒度超像素行人目标分割算法[J].大连民族大学学报,2019,21(05):418-424.
[4]张文霞,袁健.一种运动员运动视频和运动加速度同步采集与分析系统[J].智能机器人,2018(06):63-65+72.
[5]杨静.体育视频中羽毛球运动员的动作识别[J].自动化技术与应用,2018,37(10):120-124.
[6]王丹.中层特征块分类的运动视频运动员检测模型[J].科技通报,2017,33(12):137-140.
[7]张馨娇,李建萍.体育视频中基于卡尔曼滤波器的运动员人脸检测识别方法[J].湘潭大学自然科学学报,2017,39(04):95-98.
[8]苗凯.足球运动员角球射门视频图像轨迹提取仿真[J].计算机仿真,2017,34(04):231-234+240.
[9]周轶枫,杨滨峰.利用卷积神经网络的体育视频运动员检测[J].湘潭大学自然科学学报,2017,39(01):95-98.
[10]王世伟.排球运动员视频姿势目标定位仿真研究[J].计算机仿真,2016,33(12):216-219.
[11]姚沁汝. 体育视频中的运动员检测与分割[D].华中科技大学,2014.
项目编号：陕西省体育局常规课题（2019084）；商洛学院校级科研项（18SKY-FWDF004）
作者简介：韩美林，女，硕士研究生，职称讲师，研究方向：电路与系统
论文作者:韩美林
论文发表刊物:《科学与技术》2019年第14期
论文发表时间:2019/12/17
标签：像素论文; 运动员论文; 算法论文; 图像论文; 视频论文; 轮廓论文; 多边形论文; 《科学与技术》2019年第14期论文;