基于蚁群算法的篮球远距离投篮最佳轨迹提取方法_杨彦杰.pdf

第 卷第期 年月沧州师范学院学报 ，基于蚁群算法的篮球远距离投篮最佳轨迹提取方法杨彦杰（山西应用科技学院 基础教学部，山西 太原 ）摘要：常规方法提取的篮球投篮目标轨迹特征不完整，仅提取颜色特征而忽略方向梯度直方图特征的匹配，导致提取轨迹与实测轨迹拟合度较低为此，提出基于蚁群算法的篮球远距离投篮最佳轨迹提取方法采集运动员远距离投篮运动图像序列，利用蚁群算法分割目标像素和背景像素；提取分割图像篮球特征，包括颜色特征、方向梯度直方图特征；匹配同一视场多帧图像特征点的极值点，提取分割图像篮球像素区域，通过像素坐标计算篮球三维空间坐标，利用线性插值理论填充两个空间点之间遗漏的篮球位置，构成一条完整的投篮轨迹，选取命中率最高的投篮轨迹作为最佳轨迹 实验中令运动员在固定位置进行远距离投篮，采用设计方法和常规方法分别提取篮球最佳运动轨迹，结果表明，设计方法提高了提取轨迹与实测轨迹的拟合度，最佳轨迹提取结果更加精确可靠关键词：蚁群算法；远距离投篮；轨迹提取；篮球位置；图像分割；目标特征中图分类号：；文献标识码：文章编号：（）随着体育运动的大范围普及，篮球运动受欢迎程度越来越高在篮球运动中，运动员投篮动作的标准性以及篮球投出后的运动轨迹成为篮球命中得分的关键教练普遍通过篮球视频校准运动员投篮动作，但由于远距离投篮过程中，篮球和运动员的运动不断产生变化，篮球视频难以准确判断投篮过程中篮球的位置信息，对篮球运动轨迹判断不准确，使得运动员远距离投篮最佳轨迹的提取成为该领域待解决的重点问题因此，研究篮球远距离投篮最佳轨迹提取方法，分析运动员投篮运动图像，根据多帧图像的篮球位置信息提取篮球运动轨迹，能够修正远距离投篮的动作，提高运动员投篮的命中率，具有重要意义现阶段，运动轨迹提取相关研究已取得较多成果韩丰宇等提出基于卷积神经网络的运动轨迹提取方法，建立能量优化模型，提取运动图像目标特点，通过视觉背景提取子，降低目标像素区域数据量和目标关联时间 该方法能够实现复杂背景下的轨迹提取，但存在提取轨迹与实测轨迹拟合度低的问题 李大湘等提出基于动态视频摘要算法的运动轨迹提取方法，结合目标参考点关联方法和均匀抽取方法，判别图像序列中的运动区域重叠部分，利用粒子群优化算法，求取模型最优解，检测运动目标的空间位置，聚类分组运动轨迹位置信息，重新组合运动轨迹，但该方法难以处理目标重叠的运动轨迹，提取轨迹与实测轨迹拟合度同样较低 针对以上问题，结合现有的研究理论，提出基于蚁群算法的篮球远距离投篮最佳轨迹提取方法篮球远距离投篮最佳轨迹提取方法 基于蚁群算法分割运动员远距离投篮图像为实现远距离投篮最佳轨迹的提取，首先获取运动员远距离投篮运动图像序列 本文利用蚁群算法分割图像中的篮球、运动员、篮球架等像素区域 选取电荷耦合式相机，采集运动员远距离投篮运动图像，通过通用串行总线（，）进行相机的数据采集工作，使用星型拓扑结构，扩展图像采集的外部设备数量，按照空间域分布和时间域分布，把运动图像光电信号逐点转换为离散电信号，得到远距离投篮的视频信号序列，利用以太网无线传输图像数据，避免丢失图像数据帧，由图像采集卡存储图像数据，利用外围收稿日期：基金项目：年山西省高等学校教学改革创新项目“应用型高校 党建体育 育人模式研究”，编号：作者简介：杨彦杰（），男，山西黎城人，山西应用科技学院基础教学部讲师，研究方向：运动训练、篮球教学技术DOI:10.13834/ki.czsfxyxb.2023.01.017部件互连（，）总线，将图像数据写入计算机内存将篮球、运动员、篮球场、篮球架等作为运动图像分割目标，把图像划分为目标、噪声、背景等内容，找到区别不同内容的特征量，包括邻域、梯度、灰度等 由于噪声像素点的灰度会产生突变，针对这一特点，将梯度作为区分噪声点的特征，设置像素点与邻域像素点的灰度差阈值，当运动图像细节较多时，令灰度差阈值取值范围为 ，当图像细节较少时，令阈值取值范围为 选取像素点的邻域像素点，计算每个邻域点与中心点的灰度差，比较灰度差和灰度差阈值，筛选大于阈值的邻域点，当筛选的邻域点个数大于，判定该中心点为噪声点，计算邻域点的灰度均值代替该中心点运动图像噪声像素点去除完毕后，结合蚁群算法，分割目标像素和背景像素，背景像素包括大地、天空等将图像数据转换为一个矩阵，将邻域、梯度、灰度作为区分目标像素点的特征，将每个像素点视为一只蚂蚁，令每只蚂蚁具有不同的邻域、梯度、灰度特征 设第个像素点和第个像素点分别为和，和之间的欧式距离 计算公式为（）（）其中，为蚂蚁特征维数，为第个特征加权因子，和 分别为两个像素点第个特征的值.聚类运动图像中的目标像素，设聚类半径为，两个像素点之间的信息量为，表达式为（）引入引导函数，表示两个像素点之间的相似度，计算公式为（）（）选择目标像素点聚类中心，计算蚂蚁搜索食物源过程从像素点到的路径转移概率，公式为 （）其中，为蚂蚁搜索食物源的可行路径集合，分别为像素点与聚类中心的信息量、相似度.聚类循环目标像素点，预设像素点之间的路径转移概率标准值，若路径转移概率 大于标准值，更新像素点间的路径信息量，若小于标准值，把像素点和归为以像素点为中心的簇，不断调整路径上的信息量，直至循环次数达到设置的最大循环次数，输出目标像素点的聚类结果.至此，完成基于蚁群算法的运动员远距离投篮轨迹图像分割.提取分割图像篮球目标特征提取分割图像中的篮球目标特征，包括颜色特征、方向梯度直方图特征.引入拉格朗日乘子和转置符号，线性滤波分割图像.采用离散像素序列重构的方法，重构像素点的线性微分向量，在重构的几何空间中，得到分割图像的灰度不变矩和二阶矩.根据灰度不变矩和二阶矩的量化误差，融合分割图像灰度信息，降噪处理分割图像像素特征.将篮球视为分割图像的目标区域，选取粒子滤波作为跟踪窗，跟踪运动员远距离投篮的篮球轨迹，设篮球目标区域像素数量为，篮球像素点的位置坐标为，引入高斯函数（），定义量化参数（），把篮球像素点灰度值，映射至个量化等级，计算第个量化区间单颜色通道的灰度值，公式为（）（）（）其中，为各个颜色通道，（）为 函数，判定像素点的灰度值是否位于量化区间内，为跟踪窗尺寸.由公式（）可以得到各个颜色通道的灰度分布，利用归一化常数，归一化处理个颜色通道，的灰度分布，获得运动员远距离投篮过程中的篮球目标颜色特征，表达式为，（）设篮球目标区域中心位置的像素点坐标为（，），描述篮球目标的观测向量和状态向量，令两个向量服从概率分布，初始化概率密度，不断递推观测向量和状态向量，获得像素点的水平梯度（，）以及垂直梯度（，）.计算梯度的模值（，）和方向（，），公式为（，）（，）（，）（，）（，）（，）（）由公式（）获得篮球目标方向梯度直方图特征.计算每帧图像篮球颜色特征和方向梯度直方图特征（，），（，），采用量化编码方法，统计每帧图像篮球目标特征量，完成分割图像篮球目标特征提取.提取篮球远距离投篮最佳轨迹通过篮球目标特征确定每帧运动图像的篮球位置信息，构成篮球远距离投篮轨迹，从中选取最佳轨迹.同一视场的运动员远距离投篮场景，存在多帧运动图像，匹配多帧图像的颜色特征和方向梯度直方图特征.使用高斯卷积核，定义图像可变的尺度空间，确保颜色特征对应的尺度小，方向梯度直方图特征对应的尺度大，引入不同尺度的高斯核差分，对分割图像和高斯核差分进行卷积处理，形成尺度空间.选取篮球目标特征点的 个相邻点，比较每一个尺度域的特征点和相邻点，判断特征点和相邻点的大小，检测尺度空间中特征点的极值点，根据极值点之间的欧式距离，判定不同图像极值点相似程度，将欧式距离较大的两个极值点视为不稳定的边缘响应点，去除后保留稳定的极值点，确定稳定极值点的尺度和位置.计算极值点的梯度值和方向角，利用直方图统计极值点的像素梯度，利用直方图的最大峰值表示极值点的主方向，分配极值点方向参数，包括位置、尺度、方向三个信息.匹配多帧图像篮球目标极值点的方向参数，得到篮球目标的边缘轮廓，把篮球像素区域从分割区域中提取出来，区分篮球像素点和运动员、篮球架等像素点.将篮球像素坐标转换为三维空间坐标，把采集图像的相机作为载体，分析相机在地理坐标系下的运动姿态，判定地理坐标系固定不变，以此建立篮球运动的三维空间坐标.引入旋转矩阵，根据相机运动的姿态角，确定旋转矩阵中的元素，旋转矩阵数学表达式为 （）其中，分别代表着载体运动右方、前方、上方所旋转的姿态角.篮球像素坐标（，）向三维空间坐标（，）的转换公式为（）由公式（）得到运动员远距离投篮时篮球的真实位置计算投篮过程中每帧图像的篮球位置，获得篮球位置信息构成的数据集合将三维空间坐标视为集合中的元素，对位置集合进行初始化处理 通过卡尔曼滤波器，确定每帧图像的篮球三维坐标，在一条投篮轨迹上的位置，标注该帧图像篮球坐标的位置点，输出由图像序列得到的投篮轨迹提取值 找到投篮轨迹提取区间内距离最近的两个位置点，两个位置点之间存在遗漏的图像帧，利用线性插值理论，通过两个位置点的均值坐标，填充两点之间遗漏的篮球位置，直至构成一条完整的投篮轨迹 在所有投篮轨迹中，选取命中率最高的运动员投篮图像序列，将该图像序列提取的篮球运动轨迹作为最佳轨迹，完成远距离投篮最佳轨迹的提取，实现基于蚁群算法的篮球远距离投篮最佳轨迹提取方法设计实验分析为验证所提方法的有效性，将其与基于卷积神经网络的运动轨迹提取方法、基于动态视频摘要算法的运动轨迹提取方法进行对比，比较三种方法提取的远距离投篮最佳轨迹与实测最佳轨迹的拟合度分类远距离投篮动作，令运动员分别采取不同的动作技术进行远距离投篮，运动员投篮的位置固定，拍摄运动员远距离投篮的运动图像，设置采样时间为 ，对不同投篮姿势的运动图像序列进行编号，获得 组图像作为测试集，样本图像的灰度平均值为，分辨率为 ，尺寸大小为 删除采集图像中未命中的图像序列，剩余的每类动作技术图像序列都以运动员准备动作为起始图像，篮球命中篮筐为终止动作，样本图像包含的细节信息较少，设计方法设置的灰度差阈值为，去除原始运动图像中的噪声点，图像去噪效果如图所示去躁前去躁后图运动员远距离投篮原始图像去噪效果由图可知，去噪后图像保留了原始图像细节信息，有效抑制了噪声干扰，目标像素和背景像素更为清晰 应用蚁群算法计算去噪后图像任意两个像素点间的路径转移概率，设置路径转移概率标准值为 ，把篮球、运动员、篮球架等目标像素与天空、大地背景分割开来，得到目标像素分割图像，如图所示提取分割图像中的篮球颜色特征、方向梯度直方图特征，确定运动图像的篮球像素位置，结果如图所示 输出每帧图像的篮球目标区域像素位置，将像素位置转换为三维空间位置，得到篮球位置坐标构成的集合，获得不同动作技术的远距离投篮轨迹图目标像素分割图像图篮球目标区域像素位置图提取最佳轨迹与实测最佳轨迹位置信息为进一步验证所提方法的有效性，输出三种方法提取的篮球远距离投篮最佳轨迹，以及实际测量的篮球最佳轨迹，提取轨迹与实测轨迹的三维坐标如图所示 图中轨迹右侧表示运动员起始动作的篮球位置，左侧表示远距离投篮命中篮筐的篮球位置 可以看出，设计方法提取的最佳轨迹与实测最佳轨迹最为贴近，变化趋势基本一致，命中篮筐的篮球位置处于同一空间坐标 另外两种方法提取轨迹与实测轨迹存在一定距离，命中篮筐的篮球位置三维坐标存在偏差计算提取轨迹与实测轨迹的拟合度，值计算公式为（?）（）（）其中，为最佳轨迹拟合点数量，为实测轨迹第个拟合点的位置数据，?为实测轨迹拟合点位置坐标的均值，为提取轨迹第个拟合点的位置数据将图数据代入公式（），得到三种方法提取轨迹与实测轨迹的拟合度，对比结果如表所示由表可知，运动员远距离投篮采集的图像序列帧数越多，获得的篮球位置信息越丰富，提取轨迹与实测轨迹的拟合度越高 设计方法提取轨迹与实测轨迹的平均拟合度为 ，基于卷积神经网络的轨迹提取方法平均拟合度为 ，基于动态视频摘要算法的轨迹提取方法平均拟合度为 相比另外两种方法，设计方法拟合度分别提升 和 ，提高了篮球远距离投篮最佳轨迹提取的精度，证明本方法可实现最终的研究目标表提取轨迹与实测轨迹拟合度实验对比结果（）帧数设计方法基于卷积神