张馨娇;李建萍
【摘 要】针对体育比赛期间运动员的检测识别并显示对应统计信息问题,提出了一种运动员人脸检测识别方法.主要分四个步骤:第一步,利用一阶卡尔曼滤波器跟踪被检测目标;第二步,使用AdaBoost和Haarlike特征检测进行特征选择和分类;第三步,利用推进方法进行人脸检测;第四步,利用LDA初始化的AdaBoost算法识别人脸.用数码相机采集412张不同图像进行实验.实验结果表明,本文提出的方法在大部分情况下都能获得最高的球员检测精度和人脸识别精度.%For the problems of automatic detection,recognition of athletes during play,followed by display of personal information of athletes,we proposed a new face detection and recognition method for athletes.In the first step,each player in the image is detected by the first order Kalman filter.In the second step,AdaBoost algorithm with Haar-like features is used for both feature selection and classification.In the third step,the propulsion method is used for face detection.In the fourth step,we utilized AdaBoost algorithm with LDA as a weak learner for feature selection in LDA subspace.Detailed experiments are performed usi
ng 412 diverse images taken by a digital camera during baseball match.The result shows that the face detection precision and the face recognition accuracy are high in most situations.
【期刊名称】《湘潭大学自然科学学报》
【年(卷),期】2017(039)004
【总页数】4页(P95-98)
【关键词】体育视频;AdaBoost;卡尔曼滤波器;Haar-like特征;运动员检测;人脸识别
【作 者】张馨娇;李建萍
【作者单位】商洛学院体育教学研究部,陕西商洛726000;兰州理工大学计算机与通信学院,甘肃兰州730050
【正文语种】中 文
周荣鑫
【中图分类】TP391
爱美说由于先进的视频和图像处理技术的使用，体育广播彻底改革[1-3].如何快速、准确地显示体育视频中固定图像的运动员统计资料成为了一大挑战，故提出一种有效的目标识别、跟踪方法显得非常重要[4-5].针对运动员的检测、识别，学者们已经展开了较多的研究[6-7].例如，使用摄像机标定算法[9]在图像及其虚拟场景中的足球场之间建立映射，从而有效地检测和识别运动员.该方法的主要缺点是运动员只能限定在3个固定姿势内，导致该方法的扩展性不是很好.为了更好地显示运动员统计资料，本文提出一种利用卡尔曼滤波器的运动员人脸检测识别方法，该方法可延伸至实时视频中，通过实验验证了提出方法的有效性.
1 实验方法
乌龙学院
1.1 利用卡尔曼滤波器跟踪
利用一阶卡尔曼滤波器(Kalman filter, KF)[10]跟踪被检测的目标.跟踪和数据关联是基于被检测目标的估计参数：(1) 椭圆拟合的重心；(2) 椭圆的长轴和短轴长度；(3) 概率外观模型.
每次跟踪都与这些参数关联，利用一阶运动模型，标准卡尔曼滤波器用于检测目标的位置.长春工业大学学报
定义目标状态为xt=(posxt,posyt,velxt,velyt,majt,mint,θt)，xt为每次观察建立了一个状态向量，增加了时间t时的目标速度和应变率大小.其中，posxt和posyt为位置(椭圆的重心)；velxt 和velyt为速度分量;majt和mint分别为椭圆的长轴长和短轴长；θt为方向角.
1.2 基于AdaBoost与Haar-like的运动员检测
AdaBoost算法构造了一个强大的分类器作为弱分类器的线性组合.它基于在不同阶段所采用的一系列弱分类器提高了精度.通过监督的AdaBoost学习获得鲁棒的运动员分类器.给定训练数据的样本集{xi,yi}，AdaBoost算法从一组Haar-like矩形特征中选择一组弱分类器{hi,yi}，并将其组合成一个强分类器.该强分类器g(x)的定义如下：g(x) 式中，x为输入的图像，k为弱分类器的数量，θ为判决门限，g(x)为最终强分类器.表1所示为强分类器的AdaBoost算法伪代码.
表1 AdaBoost算法Tab.1 AdaBoost algorithm给定样本图像(x1，y1)，…，(xm，ym)，其中，yi=0对于yi=0，分别初始化权重W1，I=(1/2m，1/2l)，其中，m和l分别为负样本和正样本的数量对于t=1，…，T：(1)归一化权重Wt，i←(Wt，i/∑j=nj=1Wt，j)，所以，Wt为概
率分布．(2)对于每个特征j，使用单一特征训练被限制的分类器hj关于Wt，评估误差为：εj=∑twihj(xi)-yi，①选择具有最低误差εt的分类器ht．②更新权重：wt+1，i=Wt，iβ1-eit，其中，ei=0，如果样本xi分类正确，则ei=1，否则βt=εt/(1-εt)．(3)最终强分类器为：g(x)=1， ∑Tt=1αtht(x)≥12∑Tt=1αt，其中αt=log1/βt．0， 其他．{
线粒体基因组
1.3 运动员人脸检测
采用推进方法进行人脸检测.该方法是最先进的人脸检测方法之一.基于特征子空间，人脸检测算法将人脸图像映射到一定的特征空间.运动员人脸检测的目标是获得运动员的人脸空间位置.使用Haar基础函数并使用积分图像计算矩形特征，它是点(x,y)上面和左边的像素之和.定义积分图像I(x,y)如下：
式中I(x,y)为点(x,y)处的积分图像，i(x,y)为原始图像.
1.4 运动员人脸识别
利用LDA初始化AdaBoost算法，并将其作为LDA子空间中特征选择的弱学习者，同时使用经典最近邻分类器(nearest neighbor classifier, NNC)进行分类.
假设包含有C个类的训练集每类由许多样本zij及其对应的类标签yij组成，在集合中总共有个样本是可用的，学习的目标是估计函数或分类器h(z):Z→Y，即h将正确分类隐藏的样本(z,y).AdaBoost算法通过反复(重复循环次数t=1,…，T)将给定的弱学习者应用到训练集的加权版本，然后将每次循环中构造的这些弱分类器线性组合为一个强大的、精确的分类器hf进行运行.最终的强分类器如下所示：通过将其并入推进框架中来改进传统的基于LDA的算法的性能，人脸识别算法如表2所示.
表2 人脸识别的AdaBoost算法Tab.2 AdaBoost algorithm for face recognition输入：一组具有标签yij(=i)∈Y的训练图像Z={zij，yij}Lij=1，其中，Y={1，…，C}；一个LDA⁃类型学习者和迭代次数T．初始化B上的错误分布γ1(zij，y)=1B=1N(C-1)．(为简单起见，将基于LDA的特征提取器定义为￡(·)，有(ψt，{z＿i，t})Ci=1=￡(Rt，D∧t，At)．对于t=1，…T，执行：(1)更新伪样本分布：D∧t(γt)，并利用式(1)更新PCDD：At．(2)如果t=1，则每类随机选择r个样本以形成学习集Rt⊂Z．或基于D∧t，每类随机选择r个最难的样本以形成学习集Rt⊂Z．(3)利用￡(Rt，D∧t，At)训练LDA类型特征提取器以获得(ψt，{zi，t})Ci=1．(4)利用式(1)创建g分类器ht=d(ψt，{z＿i，t})Ci=1，将其应用于整个训练集Z，并返回到相应的假设：ht：RJxY→[0，1]．(5)计算由ht产生的伪损失，为ε∧t=∑(zij，y)∈Bγt(zij，y)(1-ht(zij，
y))+ht(zij，y)．(6)设置βt=ε∧t/(1-ε∧t)如果βt=0，则设置T=t-1，并吸收回路．(7)更新贴错标签分布：γt+1(zij，y)·β(1+ht(zij，yij)-ht(zij，yij))/2t．(8)归一化γt+1，以致它是一个分布，γt+1(zij，y)←γt+1(zij，y)∑((zij，y)∈β)γt+1(zij，y)．(9)输出最终组合分类器，hf(z)=argmaxy∈Y∑t=Tt=1log(1βt)ht(z，y)．
2 实验结果
2.1 运动员识别精度
将数据库随机分为两个子集：训练集Z和测试集Q.利用Z训练集首先训练人脸识别系统，接着将产生的人脸识别器应用到Q测试集以观察分类错误率(CER).采用80个不同运动员人脸共计412张照片的数据库.一旦输入的人脸匹配到数据库中的人脸，则会从运动员的统计数据库中检索到匹配的运动员的个人信息，如年龄、得分和国籍.所开发的应用程序显示了基于计算机视觉的方法增强体育广播的可行性.
进行了多次测试以确保所采用的人脸识别系统的鲁棒性.基于学习的算法的一个方面是每个目标所需的以训练分类器的训练样本数.通过只接受10个不同的棒球运动员来从整个运动员
数据库中取一个子集，且每个棒球运动员拥有10张不同的图像.不同数量的训练和测试样本用来测量CER，将训练和测试样本的每个组合执行5次，并在每次运行中获得最小CER和迭代次数，随着样本数的增加，CER相应地提高.
meta分析表3 比较不同方法的检测性能Tab.3 Comparison of the detection performance of different methods
检测方法检测率/%检测时间/sLBP方法93．50．12Gabor方法94．91．62SVM方法95．11．95本文方法98．20．21
如图1所示，当训练图像的数量变化时，随着增加训练图像数，人脸识别精度会增加并趋近100%.
2.2 性能比较
通过20组实验，将提出的方法分别与LBP方法、Gabor方法和SVM方法在检测率和检测时间方面进行比较，几种方法的结果如表3所示，从综合检测率和检测时间可以看出，本文提出的方法优于其他三种方法.
针对同样的数据库，用不同的人脸识别方法在识别率方面进行比较，结果如表4所示，本文提出的方法在姿态变化、光照差异或者面部区域化条件下，都实现了较高的识别率以及较小的误差.
表4 比较不同方法的识别性能Tab.4 Comparing the recognition performanceof different methods识别方法平均识别率/%方差BP方法95．10．861PCA+SVM方法96．30．996本文方法98．80．009
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议