高丽

摘 要： 针对大跨度运动中肢体摆动幅度视觉特征建模困难的问题，提出基于边缘区域轮廓特征检测的大跨度运动中肢体摆动幅度视觉判断方法。首先采用大跨度运动中肢体摆动视觉图像；然后对图像进行高频分量降噪，提高图像的信噪比，并采用边缘区域轮廓特征检测方法提取肢体摆动幅度特征，从而实现视觉检测和图像识别；最后进行仿真测试。结果表明，该方法能够准确进行大跨度运动中的肢体摆动幅度判断，具有较强的运动图像分析能力，并且提高了图像的輸出信噪比和准确检测概率。

关键词： 大跨度运动； 肢体摆动； 视觉图像； 轮廓特征检测

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）07?0067?04

Visual judgment of body swing amplitude in long span movement

GAO Li

（Henan University of Animal Husbandry and Economy， Zhengzhou 450046， China）

Abstract： Since it is difficult to model the visual feature of the body swing amplitude in the long span movement， an edge area contour feature detection based visual judgment method of the body swing amplitude in the long span movement is proposed. In the visual judgment method， the body swing visual image of the long span movement is used， and then the high frequency component of the image is denoised to improve its SNR. The edge area contour feature detection method is used to extract the feature of the body swing amplitude to implement vision detection and image recognition. The performance of the method was verified with simulation. The simulation results show that the method can judge the body swing amplitude in the long span movement accurately， has strong ability for movement image analysis， and can improve the output SNR of the image and probability of accurate detection.

Keywords： long span movement； body swing； visual image； contour feature detection

0 引 言

随着计算机数字图像处理技术的成熟，采用图像视觉分析方法进行运动图像的特征检测，在体育运动训练方面展示了较高的应用价值。大跨度运动主要包括跳高、三级跳远、跨栏以及各种球类运动。大跨度运动中肢体摆动幅度较大，采用传统的视频分析方法难以实现对运动动作的特征分析和视觉重构，不能有效指导体育运动训练效果，需要采用计算机视觉图像分析方法进行大跨度运动图像的检测和分析，视觉重构肢体摆动幅度，从而改进肢体运动中的不规范动作，提高运动训练的效果[1]。

对大跨度运动中肢体摆动幅度的视觉判断建立在人体三维模型建立和视觉特征重构的基础上。采用图像信息处理技术对大跨度运动中的人体肢体摆动运动动作进行特征视觉重构[2]，典型的人体运动中肢体摆动幅度的视觉特征重构方法主要有局部线性插值方法、二值图像拟合方法和边缘轮廓特征提取方法等[3?5]。

本文提出边缘区域轮廓特征检测的大跨度运动中肢体摆动幅度视觉判断方法。首先通过CCD图像扫描技术或者视频特征采集技术视觉采集运动图像；然后对运动图像进行边缘信息融合和特征重建，提高图像的肢体摆动幅度的特征分析和参量估计能力；最后通过仿真实验证明该方法取得了良好的视觉判断效果。

1 运动图像的初始化过程

1.1 图像采集

为了实现对大跨度运动中肢体摆动幅度的视觉判断，首先要采集大跨度运动中肢体摆动视觉图像，设图像视觉特征为[vm=（Rm，Gm，Bm）]和[auxm（Im，Im，fm，λm，dfm，][dlm），][Ψ11，][Ψ12，][Ψ13，][Ψ14]和[Ψ15]表示模板匹配系数，像素集合为[N1×N2]的运动图像边缘轮廓特征矩阵，运动幅度输出测试样本为：

[identity（y）=argminiW12final（y-Diαi）22] （1）

式中：[Wfinal]是动态变化过程的权值矩阵；[Di]是第[i]类训练样本三维结构模型。

初始特征状态下肢体摆动特征的形体坐标为[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T。]在肢体摆动动作三维重构和视觉分析中，建造一个级联分类器进行摆动动作的特征分类[6?7]。得到大跨度运动中肢体摆动修正像素值[I（i，j）]为：

[I（i，j）=k=1PI（k）（i，j）×2k-1] （2）

对视觉特征进行统计形状模型分块，进行图像样本属性的自适应分割，跟踪量化子块互不相交的部分，那么图像特征采集结果为：

[Gm，n=g（m，n）（1，1）g（m，n）（1，2）g（m，n）（2，1）g（m，n）（2，2）， m=1，2，…，M；n=1，2，…，N] （3）

[g（m，n）（u，v）=I（k）g[2（m-1）+u，2（n-1）+v]， u∈{1，2}；v∈{1，2}] （4）

式中：[u]为图像[pi，j]在标定点的像素值；[i，j]为匹配点沿梯度方向相应像素的坐标值。

1.2 图像预处理

为了提高图像的输出信噪比，进行图像降噪预处理。采用图像高频分量降噪方法提高运动图像的输出信噪比[8]。在图像的成像区域中，分区处理肢体摆动空间信息特征，采用关联信息特征重建方法构建肢体摆动的特征分布无向图[G=（V，E），]其中[E]是[E]的非空子集，采用RGB三维映射分析方法对图像的噪点[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]进行噪点盲分离，其系统函数为：

[H（z）=k=1hp（k）g（i，j）×2k-1k=1hp*（k）g（i，j）×2k-1] （5）

选择时间间隔较长的[PE1]作为关键帧，通过最大灰度值提取轮廓特征空间信息，得到大跨度运动中肢体摆动RGB图像[Edx，y]的三维坐标特征分布方程满足：

[Fd-ddxFdx-ddyFdy=0] （6）

设RGB影像中像素的坐标为[υ=（r，c），]对于最大灰度特征分频，通过图像降噪满足[C∈S，]其轮廓边缘特征的特征匹配系数为[MST（C，E），]图像的噪点为[C={Ci：i∈I}。]假设运用图像干扰检测方法进行图像噪声分离，得到大跨度运动中肢体摆动二值图像的轮廓点标记信息：

[g（x，y）=f（x，y）+ε（x，y）] （7）

式中：[f（x，y），][g（x，y），][ε（x，y）]分别代表每个三维模型中图像噪声方差为[σ2n]的边缘轮廓特征函数[9?10]。

在图像降噪过程中，可将两个分布场集合描述为：

[dft+1i，j，k=ρdfti，j，k+1-ρdft-1i，j，k] （8）

式中[ρ]控制两个图像噪声分布场特征归并的时间间隔。

通过上述处理，从体元模型中获取RGB影像的轮廓标记点[r，]确定为大跨度运动中肢体摆动幅度搜索的目标。记录[D（x）=0]处的体元，根据肢体摆动幅值分布兴趣点进行边缘像素集的跟踪量化，量化值[VMmi]的计算式为：

[VMmi=j=1TCis_visibleMmi，CjTC-1] （9）

通过特征提取与特征归并实现图像降噪和肢体摆动幅度的视觉判断。

2 肢体摆动幅度的视觉判断优化实现

2.1 基本思想

基于边缘区域轮廓特征检测的大跨度运动中，肢体摆动幅度视觉判断方法的基本思想为：采用边缘区域轮廓特征检测方法进行肢体摆动幅度特征提取，实现视觉检测和图像识别，在原始RGB图像数据中构建运动图像边缘区域轮廓特征检测的网格图，在网格顶点图中进行图像深度转换，采用顶点图与法向向量图融合方法进行光纤投影，实现对大跨度运动中肢体摆动视觉图像的体元计算和数据融合，完成采集相机的位置追踪和边缘区域轮廓特征检测。工作原理如图1所示。

2.2 计算运动图像边缘区域轮廓特征距离

肢体摆动视觉图像的体元检测结果为：

[xI（W（x；p））-A0（W（x；0））-?A0?W?pΔp2] （10）

基于角点检测结构，进行体元数据融合，则有：

[Bel（xt）=p（ztxt）p（xtut-1，…，z0）p（ztut-1，d0，…，t-1）=ηp（ztxt）Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （11）

视觉图像采样的特征压缩函数为：

[p（ztxt-1，d0，…，t-1）=Γp（xtxt-1，ut-1）Bel（xt-1）dxt-1] （12）

[p（ztxt）=p（xtxt-1，ut-1）] （13）

用TPS顶点图与法向向量图变换来确定大跨度运动中肢体摆动网格区间的图像深度[η]：

[η=1p（ztut-1，d0，…，t-1）] （14）

为了实现运动图像边缘区域轮廓特征检测，从顶点图中进行特征点自适应检索，得到大跨度运动中肢体摆动的角点位置信息相关函数：

[RT1R1={X1，X2，…，Xm}{X1，X2，…，Xm}T] （15）

考虑特征向量分布空间的肢体摆动视觉像素特征点，进行运动图像边缘区域轮廓特征分解：

[RT1R1=V1Σ1VT1] （16）

得到大跨度运动中肢体摆动的标准化特征满足条件[?=sup?（θ）]，肢体摆动目标点与特定点之间的距离为：

[h（ωi，k）=（xi-x）2+（yi-y）2] （17）

通过SIFT角点检测算法实现对大跨度运动中肢体摆动视觉图像的体元计算和数据融合，达到运动图像边缘区域輪廓特征检测的效果。

2.3 肢体摆动幅度规律性特征角度的识别

假设大跨度运动中肢体摆动幅度向量集[K{ri}]为体源模型区域中的模型拼接信息，在特征检测节点[（x，y）]处提取肢体摆动幅度的规律性特征信息：

[Kwpg（x，y，ωi）=1，d（ωi，k）≤r-ruu-α1θβ1θ2β2+α2，r-ru

式中：[ru（0

[θi=ru-r+d（ωi，k）] （19）

采用计算机视觉信息判断方法进行肢体摆动幅度的视点分割，得到视点分割的特征映射：

[Kwpg（Wpg）=1-ωi∈Wpg（1-Kwpg（x，y，ωi））] （20）

计算出计算机视觉下大跨度运动肢体摆动的边界网格中[ki（ki-1）2]个边，这[ki]个肢体摆动的像素信息点实际形成的边[Ei]与[ki（ki-1）2]的比值构成肢体摆动的三维重构信息，信息函数为[Ci，]即：

[Ci=Eiki（ki-1）2] （21）

肢体摆动动作的三维空间重构输出为：

[C=1Ni=1NCi] （22）

结合人体动力学模型，得到[N=228]。结合边缘区域轮廓特征检测方法提取肢体摆动幅度SIFT特征，实现视觉检测和图像识别。本文方法的实现过程如图2所示。

3 实验与结果分析

实验平台硬件环境为：CPU 3.30 GHz，内存4 GB DDR3的个人PC机，输入图像的像素值为1 024×1 689，实验次数为100次，图像的信噪比为-12 dB。以三级跳远作为大跨度运动的测试向量集，以跳远运动中的正面和侧面采集的两幅肢体摆动图像作为测试对象，首先对大跨度运动中肢体摆动视觉图像进行特征采集，得到原始运动图像视觉信息采集的结果如图3所示。

图3给出的运动图像采集结构受到相机抖动和环境因素的干扰，准确判断运动幅值的性能受限。采用图像高频分量降噪方法提高运动图像的输出信噪比，得到的图像降噪结果如图4所示。

把图4中的大跨度运动中肢体摆动幅度视觉判断及动作数据保存为.txt文本数据，加载到图像数据处理软件中，进行计算机视觉分析。然后采用边缘区域轮廓特征检测方法进行肢体摆动幅度特征提取，得到的结果如图5所示。

从图5可见，采用本文方法进行大跨度运动中肢体摆动幅度检测，能较好地去除背景信息的干扰，提高肢体摆动幅度检测的准确度和指向性。图6为大跨度运动中肢体摆动幅度的视觉检测均方根误差对比结果。

分析图6可知：

（1） 采用本文方法进行大跨度运动中肢体摆动幅度检测，提高了输出图像的峰值信噪比，改善了图像成像质量。

（2） 本文方法进行大跨度运动中肢体摆动幅度视觉判断，实现幅度参量检测估计的均方根误差较低，说明准确性能较好。

4 结 语

为了提高大跨度运动训练的指导水平，进行大跨度运动中肢体摆动幅度视觉特征建模分析，提出基于边缘区域轮廓特征检测的大跨度运动中肢体摆动幅度视觉判断方法。研究结果表明，本文能够实现大跨度运动肢体摆动幅度的视觉判断，提高图像的输出信噪比和准确检测概率，误差小，具有广泛的应用前景。

参考文献

[1] 柳超，李秀友，黄勇.优化的多模型粒子滤波机动微弱目标检测前跟踪方法[J].信号处理，2015（9）：1131?1137.

[2] 赵石磊，郭红，刘宇鹏.基于轨迹跟踪的线性时滞系统容错控制[J].信息与控制，2015，44（4）：469?473.

[3] 尚朝轩，王品，韩壮志，等.基于类决策树分类的特征层融合识别算法[J].控制与决策，2016，31（6）：1009?1014.

[4] 郭三党，刘思峰，方志耕.基于核和灰度的区间灰数多属性决策方法[J].控制与决策，2016，31（6）：1042?1046.

[5] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.

[6] 李旭超，宋博，甘良志.改进的迭代算法在图像恢复正则化模型中的应用[J].电子学报，2015，43（6）：1152?1159.

[7] 涂超平，肖进胜，杜康华，等.基于各向异性热扩散方程的多聚焦图像融合算法[J].电子学报，2015，43（6）：1192?1199.

[8] 王宝进，吴淑跃，薛娟.SDD?1改进算法在Hive中應用[J].湘潭大学自然科学学报，2014，36（4）：77?82.

[9] 魏歌.基于覆盖网络的物联网系统的应用开发平台[J].物联网技术，2015，5（3）：77?79.

[10] 王军，陈翠琴.基于RFID信息与视频图像的人员识别的研究[J].物联网技术，2015，5（3）：30?31.