基于OpenCV的三級跳遠(yuǎn)體育視頻分析研究

《基于OpenCV的三級跳遠(yuǎn)體育視頻分析研究》由會員分享，可在線閱讀，更多相關(guān)《基于OpenCV的三級跳遠(yuǎn)體育視頻分析研究（7頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、基于OpenCV的三級跳遠(yuǎn)體育視頻分析研究 牛永亮 摘要：基于開源計(jì)算機(jī)視覺類庫OpenCV，采用光流法、自適應(yīng)角度調(diào)整、模塊化拼接及角點(diǎn)檢測等方法實(shí)現(xiàn)三級跳遠(yuǎn)體育視頻中運(yùn)動背景及前景合成、運(yùn)發(fā)動關(guān)鍵技術(shù)指標(biāo)定量分析。文章首先結(jié)合三級跳遠(yuǎn)視頻特點(diǎn)，采用光流法將視頻中呈現(xiàn)的局部運(yùn)動信息和全局背景信息分析、提取;其次利用Hough變換、仿射變換、區(qū)域填充法對光流法提取的背景特征進(jìn)行模塊化合成;然后依據(jù)視頻序列中呈現(xiàn)的時(shí)間和空間屬性，將三級跳遠(yuǎn)運(yùn)動視頻中展現(xiàn)的背景、前景合成為全局場景圖;最后，對運(yùn)發(fā)動的三級跳關(guān)鍵技術(shù)指標(biāo)進(jìn)行定量分析。實(shí)驗(yàn)說明，該算法能夠?qū)崿F(xiàn)三級跳遠(yuǎn)運(yùn)動

2、場景合成，通過對運(yùn)發(fā)動關(guān)鍵運(yùn)動指標(biāo)進(jìn)行定量分析，為其他競技類視頻分析提供借鑒，對指導(dǎo)現(xiàn)實(shí)訓(xùn)練具有一定意義。 關(guān)鍵詞：OpenCV;運(yùn)動背景;三級跳遠(yuǎn);運(yùn)動場景合成;指標(biāo)定量分析 Abstract：BasedontheopensourcecomputervisionlibraryOpenCV，themethodsofopticalflow，adaptiveangleadjustment，modularsplicingandcornerdetectionareusedtorealizethesynthesisofsportsbackgroundandforegroundofthesportsv

3、ideointhetriplejumpandquantitativelyanalyzethekeytechnicalindicatorsofathletes.Firstly，combinedwiththecharacteristicsofthetriplejumpvideo，theopticalflowmethodisusedtoanalyzeandextractthelocalmotioninformationandglobalbackgroundinformationpresentedinthevideo.Secondly，weuseHoughtransform，affinetransfo

4、rmandareafillingmethodtomakemodularsynthesisofthebackgroundfeaturesextractedbyopticalflowmethod.Then，accordingtothetimeandspaceattributespresentedinthevideosequence，thebackgroundandforegroundpresentedinthetriplejumpvideoaresynthesizedintoaglobalscenediagram.Finally，thekeytechnicalindicatorsoftriplej

5、umpareanalyzedquantitatively.Theexperimentshowsthatthealgorithmcanrealizethescenesynthesisofthetriplejumpandquantitativelyanalyzethekeysportsindicatorsofathletes，whichprovidesreferenceforothercompetitivevideoanalysisandhascertainsignificanceforguidingthepracticaltraining. Keywords：OpenCV;movingback

6、ground;triplejump;motionscenesynthesis;quantitativeanalysisofindicators 一、研究背景與現(xiàn)狀 當(dāng)今，競技體育開展越來越迅速，運(yùn)發(fā)動之間的競爭也越來越劇烈，提高其運(yùn)動成績的難度也越來越大。OpenCV視覺類庫于1999年由Intel建立，是由C函數(shù)和少量C++類構(gòu)成開源軟件開發(fā)包，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法，為視頻分析研究帶來了便利。競技類運(yùn)動視頻將訓(xùn)練或比賽中運(yùn)發(fā)動的各個動作用攝像機(jī)拍攝下來，通過數(shù)字視頻處理和圖像解析技術(shù)對動作狀態(tài)和細(xì)節(jié)進(jìn)行分析處理、比較，可以讓運(yùn)發(fā)動直觀地了解自身的缺乏和優(yōu)勢，實(shí)現(xiàn)體

7、育訓(xùn)練的科學(xué)化。 競技類運(yùn)動視頻是典型的運(yùn)動背景視頻。基于運(yùn)動背景的視頻研究，可以克服靜止攝像機(jī)帶來的場景固定、觀測范圍小等不利因素，實(shí)現(xiàn)實(shí)時(shí)跟蹤、擴(kuò)大觀測范圍，目前已廣泛應(yīng)用于人機(jī)交互、圖像導(dǎo)航、戰(zhàn)場測繪等軍事和民事領(lǐng)域，并取得了豐富的成果。美國國防部VSAM〔VisualSurveillanceandMonitoring〕研究工程，實(shí)現(xiàn)了戰(zhàn)場態(tài)勢分析、難民管理、重點(diǎn)場所管控等功能【1】;在歐盟，由法國計(jì)算機(jī)科學(xué)與控制研究院及英國的雷丁大學(xué)等機(jī)構(gòu)聯(lián)合開發(fā)了一套用于提高公共交通網(wǎng)絡(luò)管理的ADVISOR系統(tǒng)【2】。在國內(nèi)，各高校及科研機(jī)構(gòu)對此也特別關(guān)注。2021年北京奧運(yùn)會期間，中科院自動化所

8、建立了針對室內(nèi)外場景監(jiān)控的視頻分析系統(tǒng)，可對運(yùn)動目標(biāo)進(jìn)行分析，并記錄場景的變化情況【3】;西北工業(yè)大學(xué)設(shè)計(jì)完成的GreatWall視頻系統(tǒng)，可以在門禁控制、航拍目標(biāo)檢測等方面進(jìn)行分析【4】。 在體育科學(xué)研究領(lǐng)域，芬蘭赫爾辛基理工大學(xué)的Perttu、美國亞利桑那州立大學(xué)的KanavKahol博士等分別通過延時(shí)視頻技術(shù)對運(yùn)發(fā)動訓(xùn)練過程中的復(fù)雜技術(shù)動作、舞蹈訓(xùn)練中的姿勢等進(jìn)行自動分割，用于識別和指導(dǎo)訓(xùn)練[5-6]。相較國外而言，國內(nèi)面向運(yùn)動訓(xùn)練的視頻分析研究起步較晚，但現(xiàn)今也取得了一些成果。國防科技大學(xué)陳劍赟等提出了根本語義單元BSU〔BasicSemanticUnit〕的概念，并給出了基于BSU

9、的視頻內(nèi)容分析框架【7】。李玲芝利用全局運(yùn)動估計(jì)模型對跳水運(yùn)動視頻進(jìn)行了分析，為跳水運(yùn)動的技術(shù)分析提供了支持[8]。以上研究雖然成績斐然，但由于運(yùn)動背景的復(fù)雜性，目前對于運(yùn)動背景下的運(yùn)動目標(biāo)研究遠(yuǎn)沒有到達(dá)應(yīng)對復(fù)雜場景的要求。 文章以第16屆廣州亞運(yùn)會和第30屆倫敦奧運(yùn)會中的三級跳遠(yuǎn)工程為例，基于OpenCV函數(shù)庫對三級跳遠(yuǎn)運(yùn)動視頻進(jìn)行分析，實(shí)現(xiàn)視頻中運(yùn)動目標(biāo)的檢測和提取、運(yùn)動場景合成、運(yùn)動指標(biāo)定量計(jì)算與分析等功能，具有以下應(yīng)用價(jià)值和學(xué)術(shù)意義： 〔1〕比較運(yùn)動背景下運(yùn)動目標(biāo)分析方法，并對三級跳遠(yuǎn)視頻分析，為其他競技類工程技術(shù)分析提供借鑒和方法; 〔2〕運(yùn)用圖像處理技術(shù)和三級跳遠(yuǎn)運(yùn)動的專業(yè)知

10、識，對運(yùn)動視頻進(jìn)行全景合成，并對運(yùn)發(fā)動關(guān)鍵技能指標(biāo)進(jìn)行定量分析，以利于提高運(yùn)發(fā)動成績; 〔3〕利用OpenCV開源工具包實(shí)現(xiàn)平臺設(shè)計(jì)，可以減少開發(fā)風(fēng)險(xiǎn)，降低本錢，提高開發(fā)速度。 二、算法思路 競技運(yùn)動劇烈，完成時(shí)間短，一次完整的動作往往缺乏20秒，教練員很難在短時(shí)間內(nèi)對運(yùn)發(fā)動的運(yùn)動指標(biāo)進(jìn)行直觀判斷。全景合成圖由描述整個場景的背景和運(yùn)動前景共同構(gòu)成，能夠改變單一局部觀察視角，展現(xiàn)整個運(yùn)動場景的全貌。相對于單個圖像組成的視頻序列，運(yùn)動全景圖可以更加全面、直觀地獲取運(yùn)動信息。 實(shí)驗(yàn)實(shí)現(xiàn)全景合成圖和技術(shù)指標(biāo)定量分析兩個目的。首先將三級跳遠(yuǎn)運(yùn)動視頻序列轉(zhuǎn)化為灰色圖像序列，通過運(yùn)動檢測分析得到運(yùn)動

11、前景目標(biāo)和全局背景目標(biāo)，對于背景，根據(jù)三級跳遠(yuǎn)場地設(shè)置規(guī)那么進(jìn)行背景合成;對于前景，通過圖像后處理合成前景圖，最終將前景、背景進(jìn)行合成。在別離出前景運(yùn)發(fā)動根底上，參加關(guān)鍵技術(shù)指標(biāo)分析知識，對運(yùn)發(fā)動進(jìn)行技術(shù)指標(biāo)定量分析。整體的設(shè)計(jì)流程如圖1： 三、場景合成 〔一〕圖像預(yù)處理 數(shù)字視頻在假設(shè)干連續(xù)的圖像〔幀〕在時(shí)間軸上進(jìn)行排序，使之成為一個圖像序列。由于各幀的處理是相互獨(dú)立的，因此可以將數(shù)字視頻當(dāng)作一個個靜止圖像來處理。數(shù)字圖像的存儲在計(jì)算機(jī)中用矩陣來表示。在不影響實(shí)驗(yàn)效果的前提下，為了減少運(yùn)算量，將視頻中獲取的RGB圖像轉(zhuǎn)化為單通道圖像，即灰度圖像。 在視頻中由于攝像角度差異，要對圖像進(jìn)

12、行標(biāo)準(zhǔn)化處理并消除圖像的噪音，需要解決兩個問題：一是對圖像中的非跑道直線進(jìn)行排除;二是對檢測到的跑道直線計(jì)算得出角度，并進(jìn)行幾何變換。 Hough變換從黑白二值圖像中檢測直線，它利用點(diǎn)與線的對偶性，將原始圖像空間中的給定曲線通過曲線表達(dá)形式變?yōu)閰?shù)空間的一個點(diǎn)。對問題一，可對識別出的直線，當(dāng)線段的斜率k≤0，線段長度小于圖像寬度1/2時(shí)對直線進(jìn)行排除。對問題二，對跑道直線角度采取均值的方法計(jì)算。 仿射變換可以實(shí)現(xiàn)二維坐標(biāo)之間的線性變換，且保持二維圖像的平直性和平行性。實(shí)驗(yàn)中，設(shè)圖像中A點(diǎn)像素的原坐標(biāo)為，變換后的坐標(biāo)為，M為變換矩陣。當(dāng)目標(biāo)繞原點(diǎn)順時(shí)針旋轉(zhuǎn)時(shí)，對應(yīng)的坐標(biāo)變換及矩陣M為： 圖

13、像預(yù)處理步驟： 1.獲取視頻序列中幀彩色圖像; 2.利用函數(shù)cvCvtColor進(jìn)行圖像色彩空間轉(zhuǎn)換，將RGB圖像轉(zhuǎn)換為灰度圖像; 3.Hough變換檢測圖像中直線跑道; 4.計(jì)算得出跑道與水平軸的夾角，對圖像進(jìn)行幾何變換，效果如圖2： 〔二〕運(yùn)動目標(biāo)檢測 基于運(yùn)動背景的目標(biāo)檢測，目前主要采用全局運(yùn)動估計(jì)和光流法來實(shí)現(xiàn)。在競技運(yùn)動視頻中，背景和前景都在運(yùn)動，其中背景的運(yùn)動稱為全局運(yùn)動，前景目標(biāo)的運(yùn)動稱為局部運(yùn)動。全局運(yùn)動估計(jì)算法是在視頻序列中找出背景運(yùn)動的規(guī)律，通過全局運(yùn)動補(bǔ)償?shù)玫奖尘皥D像;然后經(jīng)過相鄰幀間的差分及一系列的后處理，得到局部運(yùn)動目標(biāo)，由于對構(gòu)成視頻場景的各個運(yùn)動對象均

14、引入?yún)?shù)估計(jì)，計(jì)算量相對較大。光流法根據(jù)圖像序列中像素點(diǎn)的灰度瞬時(shí)變化，計(jì)算得到像素點(diǎn)的速度矢量，從而構(gòu)成圖像的光流場。當(dāng)光流矢量在整個圖像區(qū)域中連續(xù)變化時(shí)，可以判斷圖像中不存在運(yùn)動目標(biāo);當(dāng)圖像中有運(yùn)動目標(biāo)時(shí)，由于與背景存在相對運(yùn)動，運(yùn)動目標(biāo)的速度矢量必然和鄰域中背景的不同，從而檢測出運(yùn)動目標(biāo)及位置[9]。在競技類視頻中，運(yùn)動目標(biāo)個體單一，運(yùn)動方向特征明顯，在實(shí)驗(yàn)中采用光流法進(jìn)行運(yùn)動目標(biāo)檢測。算法步驟為： 1.獲取相鄰幀運(yùn)動圖像; 2.采用稠密光流跟蹤算法Horn-Schunck〔HS〕及對像素鄰域進(jìn)行匹配的塊匹配〔BM〕方法，獲取相鄰幀中各像素塊的速度方向; 3.根據(jù)速度矢量對背景像素

15、進(jìn)行排除，僅剩運(yùn)動光流矢量; 4.確認(rèn)運(yùn)動圖像中運(yùn)動區(qū)域，并進(jìn)行分割。 在進(jìn)行光流法處理時(shí)，需要考慮噪聲的影響。在相鄰幀圖片中，運(yùn)發(fā)動根本處于圖像的中央位置，因此可以不去過多考慮上邊界和左邊界的情況;為了保證整個視頻序列在處理后圖像的尺寸保持一致，可以增大矩形邊界取值范圍，以滿足整個圖像序列中獲得相同大小的運(yùn)動目標(biāo)。結(jié)果如圖3： 〔三〕圖像后處理 在提取到運(yùn)動目標(biāo)后，為去除目標(biāo)中含有的背景噪聲，需要經(jīng)過后處理，然后才能較好地顯示前景運(yùn)動。其主要經(jīng)過二值化處理、形態(tài)學(xué)操作和輪廓提取及剔除無關(guān)區(qū)域等操作，流程如下： 1.二值化處理。設(shè)定灰度閾值Th，將灰度圖像中的像素灰度值D〔x，y〕與

16、其比較，小于閾值Th的像素劃為一類，作為前景;大于閾值Th的像素劃為另一類，作為背景。經(jīng)過處理，灰度圖像轉(zhuǎn)化為二值圖像R〔x，y〕。 2.形態(tài)學(xué)操作。在得到二值圖像后，其圖像中存在一些孤立的像素點(diǎn)，同時(shí)目標(biāo)區(qū)域中還存在內(nèi)部空洞。通過形態(tài)學(xué)操作可以進(jìn)一步減少噪聲的干擾。實(shí)驗(yàn)中用到腐蝕、膨脹操作; 3.輪廓提取及剔除無關(guān)區(qū)域操作。對前面處理過的圖像進(jìn)行連通性分析，并最終剔除面積較小的孤立區(qū)域。在處理后的二值圖像中，通過查找輪廓來檢測連通區(qū)域，并設(shè)立面積閾值，將面積小于閾值的孤立區(qū)域過濾掉，面積較大的認(rèn)為是前景區(qū)域。 4.重繪保存的輪廓，得到前景區(qū)域，如圖4： 經(jīng)過圖像后處理，可以將分割出來

17、的前景運(yùn)發(fā)動進(jìn)行較好的復(fù)原處理。但由于運(yùn)發(fā)動鞋子的像素值與跑道差異不大，對運(yùn)發(fā)動腳部位置的復(fù)原不夠理想。 〔四〕前景合成 一個完整的三級跳遠(yuǎn)視頻包含近百張圖像序列。完成前景圖像合成，需考慮如何選擇圖像參加前景合成圖像;如何在前景合成圖像過程中保證圖像間不出現(xiàn)重疊、遮擋以及縫隙等問題。 圖像匹配算法對兩幅或多幅圖像進(jìn)行識別并判斷其相似性。在實(shí)驗(yàn)中利用圖像灰度直方圖的統(tǒng)計(jì)特征，對運(yùn)動視頻圖像序列進(jìn)行圖像匹配，進(jìn)而篩選出相關(guān)度較小的圖像。其原理是：設(shè)定相關(guān)度閾值N，獲取視頻中相鄰的第K幀及K+1幀，比較視頻序列中相鄰兩幀的灰度直方圖，如果其相關(guān)性小于閾值，那么保存第K幀圖像，并且令第K+1幀圖

18、像為第K幀，讀取第K+2幀為K+1幀，重復(fù)以上操作，直到視頻結(jié)束;如果其相關(guān)性大于閾值N，K取值不變，取第K+2幀為第K+1幀，重復(fù)以上操作。算法流程如圖5： 對第16屆廣州亞運(yùn)會哈薩克斯坦選手葉克托夫比賽視頻中，相鄰的三幀圖像進(jìn)行直方圖匹配。其結(jié)果如圖6： 如上圖所示，a，b，c分別為相鄰三幀圖像，a，b，c為對應(yīng)的直方圖。采用圖像匹配相關(guān)度方法，a與b的相關(guān)度為0.9778，a與c的相關(guān)度為0.8804。設(shè)定閾值為0.95，那么排除b圖像。 在匹配選取圖像后，需要以貼圖的方式將圖像轉(zhuǎn)換到同一坐標(biāo)系下，需考慮如何根據(jù)圖像的時(shí)空關(guān)系通過圖像融合清晰地映射到全景圖中。 首先解決圖像的時(shí)空

19、關(guān)系。在視頻轉(zhuǎn)換為幀圖像時(shí)，保存所對應(yīng)的幀編號，可以得到圖像的時(shí)間屬性。競技運(yùn)動中，嚴(yán)格的場地設(shè)置，可以確定相應(yīng)的位置關(guān)系。因此，在獲取視頻圖像序列時(shí)，用文件名保存其所在的幀數(shù)，用于表示其對應(yīng)的時(shí)間信息;根據(jù)前景圖像中含有的背景特征，可以確定前景圖像對應(yīng)的位置信息。假設(shè)背景特征測風(fēng)儀和起跳板所對應(yīng)的幀數(shù)分別為fm，fn;水平像素坐標(biāo)為Pm，Pn;在fm，fn之間存在N幀前景圖像。那么第i幀圖像fi〔m以此類推，可以將圖像映射到一個統(tǒng)一的坐標(biāo)系下。 在圖像融合過程中，當(dāng)出現(xiàn)圖像重疊時(shí)，如果只是簡單地進(jìn)行兩幅圖像的疊加，容易造成圖像的模糊以及明顯的拼接痕跡。實(shí)驗(yàn)中采用取平均值法來進(jìn)行處理。 設(shè)

20、分別代表兩幅相鄰的圖像在前景圖處的像素值，那么進(jìn)行如下處理： 根據(jù)算法，取跑道作為背景，得到的前景合成圖如圖7： 在合成圖中，運(yùn)用圖像融合技術(shù)可以合成前景圖像，并且消除相鄰幀間存在的拼接痕跡。為方便得到前景運(yùn)動幀的時(shí)間屬性，在圖像上方標(biāo)出了前景各幀所對應(yīng)的幀編號。在第40幀處出現(xiàn)一定的重影，是由于背景裁判員影響了前景運(yùn)發(fā)動的顯示效果。 〔五〕背景合成 三級跳遠(yuǎn)場地有著嚴(yán)格的設(shè)置要求，將三級跳遠(yuǎn)視頻中的特征要素進(jìn)行提取，用以進(jìn)行背景構(gòu)造，主要采用插值法、區(qū)域填充法和光流法進(jìn)行處理，算法流程如圖8： 三級跳助跑道可以通過插值算法來實(shí)現(xiàn)。圖像插值算法利用的鄰近像素點(diǎn)的灰度值來產(chǎn)生所求像素點(diǎn)

21、的灰度值，從而根據(jù)原始圖像再生出新的圖像或者擴(kuò)展區(qū)域內(nèi)的圖像。實(shí)驗(yàn)中，選取包含助跑道的圖像，根據(jù)三級跳遠(yuǎn)場地設(shè)置和相應(yīng)的比例關(guān)系進(jìn)行圖像插值處理。以下圖為最近鄰插值、雙線性插值、高階插值得到助跑道，如圖9： 場地背景特征提取利用光流法、背景特征降噪、區(qū)域填充法得到。首先根據(jù)速度矢量規(guī)律獲取背景特征所在位置，并創(chuàng)立矩形區(qū)域;然后依據(jù)助跑道橫貫圖像具有直線的特性，根據(jù)Hough變換檢測，并消除圖像噪聲;最后進(jìn)行形態(tài)學(xué)膨脹處理，得到背景特征圖像，如圖10。 對于同時(shí)含有前景運(yùn)發(fā)動和背景特征的圖片，采用區(qū)域填充法進(jìn)行處理。首先利用光流法對前景運(yùn)動區(qū)域進(jìn)行檢測并提取;然后對提取前景后留下的空當(dāng)區(qū)域，

22、根據(jù)周邊相似背景進(jìn)行填充，最后通過降噪處理，得到背景區(qū)域，如圖11。 對獲取的背景特征，利用三級跳遠(yuǎn)場地規(guī)那么，確定背景特征所處的位置，將其統(tǒng)一到坐標(biāo)系下，得到背景合成圖，如圖12。 〔六〕全景合成 全景合成圖由描述整個場景的背景和運(yùn)動前景共同構(gòu)成，改變了單一局部的觀察視角，展現(xiàn)了整個場景的運(yùn)動全貌。相對于單個圖像組成的視頻序列，全景合成圖可以更加全面、直觀地獲取運(yùn)動信息，如圖13。 四、關(guān)鍵技術(shù)指標(biāo)分析 三級跳遠(yuǎn)工程是由運(yùn)發(fā)動經(jīng)過加速助跑后，由單足跳〔hop〕、跨步跳〔skip〕、跳躍〔jump〕所組成的連續(xù)三次騰越的運(yùn)開工程，相關(guān)技術(shù)指標(biāo)包括助跑速度和速度利用率、踏板準(zhǔn)確度、三跳

23、比例、運(yùn)動角度值等[10]，實(shí)驗(yàn)中對助跑速度、運(yùn)動角度值進(jìn)行了定量分析。 〔一〕助跑速度分析 根據(jù)三級跳遠(yuǎn)場地規(guī)那么，測風(fēng)儀距離起跳板20米。將測風(fēng)儀、起跳板作為標(biāo)志，兩者間的距離設(shè)為S;當(dāng)運(yùn)發(fā)動到達(dá)后，進(jìn)入設(shè)定的矩形有效范圍開始計(jì)算視頻幀數(shù)，得到所用的時(shí)間T，最終根據(jù)那么可得出運(yùn)發(fā)動在此期間的平均速度V，即，如圖14： 在實(shí)驗(yàn)中選取2021年廣州亞運(yùn)會三級跳遠(yuǎn)運(yùn)發(fā)動曹碩進(jìn)行了分析，視頻播放速率為1020幀/分。運(yùn)發(fā)動進(jìn)入測風(fēng)儀、起跳板有效矩形范圍所對應(yīng)的幀數(shù)分別為第3幀、第39幀。計(jì)算所用時(shí)間平均速度為。 〔二〕角度指標(biāo)分析 實(shí)驗(yàn)中對運(yùn)發(fā)動的離地角、膝關(guān)節(jié)角分別進(jìn)行了定量計(jì)算。在計(jì)

24、算角度指標(biāo)時(shí)，需對運(yùn)發(fā)動的圖像進(jìn)行邊緣檢測、輪廓提取、輪廓矩計(jì)算、角點(diǎn)檢測。 計(jì)算離地角，算法思路為： 1.別離出運(yùn)動目標(biāo)后，提取目標(biāo)輪廓。實(shí)驗(yàn)中在使用Sobel邊緣檢測算子，進(jìn)行輪廓提取; 2.根據(jù)輪廓的矩特征，提取出運(yùn)發(fā)動的質(zhì)心和接地點(diǎn)坐標(biāo)。輪廓矩是對輪廓上的所有像素點(diǎn)進(jìn)行積分運(yùn)算，從而得到的一個統(tǒng)計(jì)特征; 3.根據(jù)三角形余弦公式得到著地角。 實(shí)驗(yàn)中對廣州亞運(yùn)會哈薩克斯坦選手葉克托夫第二跳時(shí)的起跳角分析，得到的重心坐標(biāo)A〔126，78〕，著地點(diǎn)坐標(biāo)B〔164，150〕，計(jì)算得到起跳角度為62.1759度，如圖15： 計(jì)算膝關(guān)節(jié)角，算法思路為： 1.對目標(biāo)運(yùn)動圖像進(jìn)行輪廓處理;

25、 2.根據(jù)輪廓面積等特征將小的干擾輪廓進(jìn)行排除，最終得到運(yùn)發(fā)動輪廓; 3.對輪廓圖像進(jìn)行角點(diǎn)檢測，并對角點(diǎn)標(biāo)注編號。實(shí)驗(yàn)中，采用Harris算子對角點(diǎn)進(jìn)行檢測; 4.輸入關(guān)注的角點(diǎn)編號，以便準(zhǔn)確地確定所檢測角點(diǎn)的位置; 5.以該角點(diǎn)為圓心作圓并與輪廓的交點(diǎn)構(gòu)成三角形。利用余弦定理得出所要求的角度，如圖16： 實(shí)驗(yàn)中對⑧號角點(diǎn)進(jìn)行了檢測，測得角度為164.74度。 五、平臺設(shè)計(jì) 針對實(shí)驗(yàn)中完成的內(nèi)容，設(shè)計(jì)了三級跳遠(yuǎn)運(yùn)動分析平臺，主要實(shí)現(xiàn)視頻載入及圖像保存、圖像預(yù)處理、場景合成及運(yùn)動指標(biāo)計(jì)算等功能。該平臺以WindowXP，VisualC++6.0，OpenCV為根底進(jìn)行開發(fā)，共分為

26、四個局部：視頻載入及圖像保存、圖像預(yù)處理、場景合成、技術(shù)指標(biāo)計(jì)算，如圖17： 六、實(shí)驗(yàn)分析 實(shí)驗(yàn)對三級跳遠(yuǎn)視頻進(jìn)行了運(yùn)動目標(biāo)檢測，運(yùn)動場景合成、運(yùn)動指標(biāo)定量計(jì)算，并設(shè)計(jì)了三級跳遠(yuǎn)運(yùn)動分析平臺。實(shí)驗(yàn)過程中，筆者進(jìn)行了大量的算法比照分析，并提出了一些新的算法。 〔1〕對全局運(yùn)動估計(jì)和光流法進(jìn)行比較。全局運(yùn)動計(jì)算量較大且外點(diǎn)排除復(fù)雜;而三級跳遠(yuǎn)視頻中運(yùn)發(fā)動處于中心位置且前景與背景存在明顯的運(yùn)動差異。實(shí)驗(yàn)說明，光流法可以較好地檢測出運(yùn)動目標(biāo)。 〔2〕在背景合成中采用了模塊化的合成方法。實(shí)驗(yàn)中采用區(qū)域填充法和背景特征提取法分別進(jìn)行了背景合成。 〔3〕進(jìn)行三級跳遠(yuǎn)運(yùn)動場景的全景合成。運(yùn)動場景合成

27、改變了單一局部的觀察視角，展現(xiàn)了整個場景的運(yùn)動全貌，更利于全面、直觀地獲取運(yùn)動信息。 〔4〕對運(yùn)發(fā)動技術(shù)指標(biāo)進(jìn)行計(jì)算，并對角點(diǎn)對應(yīng)角度值進(jìn)行計(jì)算。在對角點(diǎn)進(jìn)行檢測時(shí)，采用了歐氏距離進(jìn)行強(qiáng)角點(diǎn)排除。 在實(shí)驗(yàn)過程中，由于實(shí)驗(yàn)條件和時(shí)間因素限制，在視頻分析實(shí)時(shí)性、算法優(yōu)化及平臺設(shè)計(jì)等方面還需進(jìn)一步深入研究和拓展。 參考文獻(xiàn)： 【1】CollinsT，LiptonA，F(xiàn)ujiyoshiH，KanadeT.AlgorithmsforCooperativeMultisensorsurveillance.InProceedingsoftheIEEE，2021. 【2】RemagninoP，TanT

28、，BakerK.Multi-agentvisualsurveillanceofdynamicscenes.ImageandVisionComputing，2021，16〔8〕：529-532. 【3】黃誠.智能視頻監(jiān)控系統(tǒng)管理配置子系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京大學(xué)，2021. 【4】朱誼強(qiáng).基于Adaboost算法的實(shí)時(shí)行人檢測系統(tǒng)[D].西安：西北工業(yè)大學(xué)，2021. 【5】王亮，胡衛(wèi)明，譚鐵牛.人運(yùn)動的視頻分析綜述[J].軟件學(xué)報(bào)，2021，25〔3〕：225-237. 【6】KanavKahol，PriyamvadaTripathi，SethuramanPanchanath

29、an.Automatedgesturesegmentationfromdancesequences[C].ProceedingsoftheSixthIEEEInternationalConferenceonAutomaticFaceandGestureRecognition，2021：883-888. 【7】陳劍赟，李云浩等.一種通用的基于根本語義單元的體育視頻內(nèi)容分析框架[J].小型微型計(jì)算機(jī)系統(tǒng)，2021〔2〕：272-276. [8]李玲芝.跳水運(yùn)動視頻分析系統(tǒng)關(guān)鍵技術(shù)研究[D].長沙：中南大學(xué)，2021. [9]MilanSonka，VaclavHlavac，RogerBoyle.ImageProcessing，Analysis，andMachineVision[M]，Boston：PWS，2021：507-542. [10]卓建南.影響男子三級跳遠(yuǎn)成績的幾個關(guān)鍵因素[J].體育學(xué)刊，2021〔6〕：107-109.