排球轨迹获取及智能分析关键技术研究

论文摘要

传统的体育比赛分析多采用人工观察和记录的方法,不仅耗时费力,而且判断结果存在主观性和不准确性等缺陷,导致比赛数据分析和统计结果出现偏差,甚至谬误。针对排球比赛视频分析的应用需求,本研究以排球运动轨迹为研究对象,将计算机视觉技术、视频分析技术和模式识别技术相结合,研究基于排球比赛规则的排球轨迹获取方法,并根据获取的排球运动轨迹信息,进行简单的战术类型检测、推理、分析,并开发排球轨迹获取及智能分析系统。本文主要研究工作和结论如下:（1）针对排球比赛分析的应用需求,提出了排球轨迹获取及分析系统的整体方案,设计了系统的硬件组成及相关配置,确定了合理的视频信号采集软硬件方法,以及软件系统实现的技术路线,为研究工作的开展奠定基础。（2）在分析、对比各种背景建模方法消耗代价的基础上,从系统实时性要求出发,根据排球的亮度特性,利用差减法检测视频中的排球对象。实验结果表明,采用相隔3帧图像进行帧差计算,获取的排球对象形态完整,能满足后续研究的需求。（3）分析并获取比赛视频中的排球对象面积、形状等属性值的范围,从而对分割出的各种运动对象进行筛选,剔除干扰对象。实验结果表明,该方法能很好地选取出候选排球对象,且鲁棒性好。（4）提出了X坐标值分布、Y坐标值分布的概念,用于标定、分析候选排球对象的位置。利用排球在空中做类抛物线运动的特性及在2D场景中的运动分布特点,根据已知的候选对象分布建立排球轨迹方程,用轨迹方程矫正和辅助排球追踪,同时根据追踪结果修正轨迹方程,并最终确定排球轨迹。实验结果表明,该方法检测排球轨迹的正确率达92.25%,具有较高的准确率。（5）研究了排球轨迹包含的信息,给出了判断运动员击球动作和基本击球类型的方法。提出基于1-v-1 SVM对击球类型进行分类的方法,并选取RBF核函数,用K-折交叉验证法,对分类器进行最优参数选择。实验结果表明,用250条样本进行训练后,其分类准确率为93.60%。（6）选用Microsoft VC++6.0、Intel OpenCV以及Microsoft VFW组件,设计了基于视频的排球轨迹获取及智能分析系统,系统可读取视频文件或用摄像头实时捕获视频,快速准确地获取排球目标轨迹信息,检测运动员击球动作并识别基本的击球类型。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的与意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究概况
• 1.3 研究内容与方法
• 1.3.1 研究内容
• 1.3.2 研究方法
• 1.4 论文组织结构
• 第二章 排球比赛视频获取与对象检测方法
• 2.1 排球比赛视频
• 2.2 球场边线检测
• 2.2.1 球场边线检测目的
• 2.2.2 球场边线检测方法
• 2.3 运动目标检测技术分析
• 2.3.1 基于帧差法的运动目标检测方法
• 2.3.2 方法详细步骤
• 2.4 筛选目标对象
• 2.4.1 筛选目标对象的方法
• 2.4.2 根据面积属性进行筛选
• 2.4.3 根据形态属性进行筛选
• 2.4.4 孤球比率
• 2.5 实验结果与分析
• 2.6 本章小结
• 第三章 排球轨迹获取方法
• 3.1 轨迹跟踪技术分析
• 3.1.1 基于基本假设条件的跟踪
• 3.1.2 基于多线索融合的跟踪
• 3.1.3 基于特征的目标跟踪
• 3.1.4 基于运动模型的跟踪
• 3.1.5 当前存在的问题
• 3.2 基于X、Y坐标值分布的轨迹获取
• 3.2.1 候选球体的分布
• 3.2.2 建立初始排球运动轨迹方程
• 3.2.3 获取运动轨迹片段
• 3.2.4 运动轨迹片断筛选
• 3.2.5 轨迹融合
• 3.3 实验结果与分析
• 3.4 本章小结
• 第四章 基于排球轨迹的球员行为分析
• 4.1 运动员击球事件检测
• 4.2 排球比赛技术参数获取方法
• 4.2.1 距离单位转换
• 4.2.2 排球比赛技术参数
• 4.3 击球类型分类与识别技术
• 4.3.1 排球运动类型定义与分类
• 4.3.2 特征选择
• 4.3.3 基于支持向量机的分类算法
• 4.4 本章小结
• 第五章 排球轨迹获取及智能分析系统设计
• 5.1 系统组成
• 5.2 摄像机及视频卡参数要求
• 5.3 系统开发
• 5.3.1 系统框架
• 5.3.2 系统功能模块
• 5.4 系统实现的关键技术
• 5.4.1 视频处理实现技术
• 5.4.2 OpenCV技术
• 5.5 分析验证实例
• 5.6 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 作者简介