劉晨
摘 要： 視頻運動目標跟蹤廣泛應用於體育領域中，為了提高運動目標的跟蹤精度，提出一種體育視頻中的運動目標智能跟蹤方法。首先收集體育視頻，考慮體育視頻中運動目標的多樣性，採用改進背景更新差分法對運動目標進行檢測，然後採用卡爾曼濾波算法對運動目標進行跟蹤，最後對多個體育視頻運動目標進行跟蹤實驗。結果表明，該方法可以準確、快速地對體育視頻中的運動目標進行跟蹤，而且運動目標跟蹤的實時性要優於其他跟蹤方法，為體育視頻中的運動目標跟蹤提供了一種新的研究工具。
關鍵詞： 體育視頻； 運動目標； 卡爾曼濾波算法； 背景更新差分法； 檢測與跟蹤
中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）19?0102?03
Research on intelligent tracking of moving objects in sports video
LIU Chen
（Wuhan Huaxia University of Technology， Wuhan 430070， China）
Abstract： Video moving target tracking is widely applied in the sports field. In order to improve the tracking accuracy of moving targets， an intelligent tracking method for moving targets in sports video is proposed. Sports videos are collected， the improved background update difference method is adopted to detect moving targets in view of the variability of moving targets in sports video， and then the Kalman filtering algorithm is adopted to track the moving targets. Finally， an experiment is carried out for tracking multiple moving targets in sports video. The results show that by using this method， the moving targets in sports video can be tracked accurately and quickly， and the real?time performance of moving target tracking is superior to that of other tracking methods. This method provides a new research means for tracking the moving targets in sports video.
Keywords： sports video； moving target； Kalman filtering algorithm； background update difference method； detection and tracking
0 引 言
隨著我國體育事業的發展，各種大型體育賽事越來越多，出現了大量的體育視頻[1]。對體育視頻進行分析和研究，找到對方或者自身的不足，對制定訓練計劃和比賽方案具有重要的實際意義，而運動目標跟蹤是體育視頻分析的一個重要方面，引起了人們的高度關注[2?3]。
由於體育視頻採集角度、光照變化等因素的干擾，體育視頻目標跟蹤面臨巨大的挑戰，當前體育視頻目標跟蹤算法可以劃分為跟蹤器的體育視頻目標跟蹤算法和檢測器的體育視頻目標跟蹤算法兩大類[4]。基於跟蹤器的體育視頻目標跟蹤算法需要提取目標特徵，經典特徵主要有目標的輪廓、光流，該類算法要求運動目標始終可見，如果運動目標在視覺範圍消除，那麼就無法實現體育視頻目標的準確跟蹤，因此實際應用範圍相對較窄[5?6]。基於體育視頻目標跟蹤算法根據滑動窗口對每一幀中的運動目標位置進行檢測，由於需要進行離線學習，無法滿足體育視頻目標跟蹤的實時性[7]。近年來，隨著控制優化技術的不斷發展，出現了背景差分法、粒子濾波算法、均值漂移算法的目標跟蹤研究[8?10]，研究結果表明，它們提高了體育視頻目標跟蹤的準確性，但當運動目標的場景變化比較大時，體育視頻目標跟蹤效果急劇下降，跟蹤魯棒性差。
為了提高運動目標跟蹤精度，提出一種體育視頻中的運動目標智能跟蹤方法。首先採用改進背景更新差分法對運動目標進行檢測，然後採用卡爾曼濾波算法對運動目標進行跟蹤，最後實驗結果表明，該方法可以準確、快速地對體育視頻中的運動目標進行跟蹤，而且運動目標跟蹤的實時性要優於其他跟蹤方法。
1 體育視頻運動目標智能跟蹤算法
1.1 改進背景更新差分法
在體育視頻運動目標跟蹤建模過程中，首先要對視頻中的運動目標進行檢測，當前運動目標檢測算法眾多，相對於其他方法，背景更新差分法的運算量相對較小，檢測速度更快，可以獲得更好的運動目標檢測效果，並結合體育視頻運動目標的特點，對傳統背景更新差分法進行相應的改進，以提高運動目標的準確性。
背景更新差分法首先對視頻圖像序列的相鄰幀進行差分操作，在短時間內檢測不同圖像幀的像素強度變化，然後根據閾值對視頻中的運動目標進行檢測，其工作流程如圖1所示。
設[St]和[St+n]為第[t]和[t+n]幀的圖像，根據背景更新差分法的工作流程建立數學模型為：
[St=Bt（x，y）+V（x，y）+Nt（x，y）] （1）
[St+n=Bt+n（x，y）+V（x+Δx，y+Δy）+Nt+n（x，y）] （2）
式中：[Bt（x，y）]和[Bt+n（x，y）]為第[t，t+n]幀的背景；[V（x，y）]和[V（x+Δx，y+Δy）]為第[t，t+1]幀的運動目標；[Nt（x，y）]和[Nt+n（x，y）]為第[t，t+n]幀的噪聲。
採用背景更新差分法得到第[t，t+n]幀的差分值[（ΔSt+n/t）]為：
[ΔSt+n/t=St+n-St=Bt+n（x，y）-Bt（x，y）+ V（x+Δx，y+Δy）-V（x，y）+Nt+n（x，y）-Nt（x，y）] （3）
式中：[Bt+n（x，y）-Bt（x，y）+V（x+Δx，y+Δy）-V（x，y）]為運動像素的強度；[Nt+n（x，y）-Nt（x，y）]為噪聲的強度。
[K（x，y）]表示背景更新差分法的二值差分圖像，那麼可以得到：
[K（x，y）=1， ΔS≥T0， ΔS式中[T]表示閾值。
如果[K（x，y）=1，]表示視頻中的目標處於運動狀態；[K（x，y）=0，]表示目標處於靜止狀態。
針對傳統背景更新差分法存在的不足，本文對其進行改進，基本思想為：對像素強度變化區域進行標記，並對背景進行相應的修正，然後根據累計差分自動更新背景，並根據光照幅度變化對參考背景進行補償，最後實現背景實時更新，其工作流程如圖2所示。
設[P（x，y）]表示改進背景更新差分法處理後的二值差分圖像，則有：
[P（x，y）=0， ΔSt/t-1?ΔSt+n/t≠11， ΔSt/t-1?ΔSt+n/t=1] （5）
如果[P（x，y）=1，]表示該像素點處於運動區域；[P（x，y）=0，]表示該像素點處於背景運動區域，需要進行背景實時更新操作。用[St] 幀的像素換背景區域，實現背景像素的修正。
根據非零區域內的採樣[Bm]和其他區域採樣[Bn，]那麼可以得到實時背景圖像[B]為：
[B（x，y）=Bm（x，y）=St， P（x，y）=0Bn（x，y）， otherwise] （6）
將更新的背景圖像[BM]描述為[B]和[Bm]的加權和，即有：
[BM（x，y）=σ×B（x，y）+（1-σ）×Bm（x，y）] （7）
式中[σ]為權值。
採用鄰幀差分法選擇幀[St+1]和[St]差分的平均值作為光照幅度的變化值，採用多個相鄰幀差分的均值量化光照變化的幅度，這樣幀[St+1]和[St]的光照幅度變化值[CBt+1/t]可以描述為：
[CBt+1/t=k=1MSt+1（x，y）-St（x，y）M] （8）
當光照強度變化超過閾值時，就實現光照補償，得到更新後的背景圖像為：
[B′M（x，y）=σB（x，y）+（1-σ）Bm（x，y）+CBt+1/t， CBt+1/t>TSBm（x，y）， otherwise] （9）
1.2 卡爾曼濾波的運動目標跟蹤
改進背景更新差分法對運動目標進行檢測，選擇卡爾曼濾波算法對運動目標進行跟蹤。[Xk]為第[k]時刻的運動目標矢量，[Zk]代表系統觀測矢量，那麼運動目標狀態和觀測方程分別為：
[Xk+1=Ak+1/kXk+wk] （10）
[Zk=HkXk+vk] （11）
式中：[Ak+1/k]為從[k]到[k+1]時刻的狀態轉移矩陣；[wk]為隨機噪聲矢量；[Hk]為觀測矩陣；[vk]為觀測噪聲矢量。
採用卡爾曼濾波算法對運動目標進行估計，估計準則為：
[J[Xk]=J[Xk-Xk]=E[XkXTk]=min] （12）
式中[Xk]是[Xk]的無偏估計。
先驗估計的運動目標矢量預測和協方差方程分別為：
[X′k+1=Ak+1Xk] （13）
[P′k+1=Ak+1PkATk+1+Qk] （14）
卡爾曼濾波算法的增益矩陣計算公式為：
[Kk=P′kHTk（HkP′kHTk+Rk）-1] （15）
後驗估計的運動目標矢量更新方程和協方差更新方程分別為：
[Xk=X′k+Kk（Zk-HkX′k）] （16）
[Pk=（I-KkHk）P′k] （17）
式中：[X′k+1]為先驗估計的運動目標；[P′k+1]為先驗估計的誤差方差矩陣；[Pk+1]為最優估計的誤差方差矩陣；[Kk]為最優估計的係數矩陣；[Xk+1]為運動目標的最優估計。
2 體育視頻運動目標智能跟蹤的性能測試
2.1 測試平台
在Intel[?] 4 核酷睿 3.0 GHz CPU，32 GB 內存，Win7作業系統的個體計算機，選擇Matlab 2012R仿真工具箱對體育視頻運動目標智能跟蹤算法進行仿真測試，選擇當前經典運動目標智能跟蹤算法——均值漂移算法和粒子濾波算法進行對比實驗，以驗證本文方法的優越性。
2.2 普通視頻的性能分析
選擇一個普通視頻對智能跟蹤算法的性能進行分析，所有算法的運動目標跟蹤結果如圖3所示。
分析圖3可知：
（1） 在所有算法中，均值漂移算法的運動目標跟蹤結果效果最差，而且實際運動目標位置偏離很大，無法對運動目標進行準確跟蹤，沒有什麼實際應用價值。
（2） 相對於均值漂移算法，粒子濾波算法的運動目標跟蹤結果得到了相應的改善，提高了運動目標跟蹤精度，這是因為粒子濾波算法具有對運動目標跟蹤的動態性，可以不停調整跟蹤軌跡，得到比較理想的運動目標跟蹤效果。
（3） 本文算法的視頻目標跟蹤效果要明顯優於對比算法的視頻跟蹤效果，這是由於本文算法充分利用了背景更新差分法和卡爾曼濾波算法的優點，可以對視頻中的運動目標進行準確檢測，從而實現運動目標高精度跟蹤，克服了對比算法存在的不足，獲得了最優的運動目標跟蹤結果。
2.3 體育視頻的性能分析
選擇多個體育視頻運動目標進行跟蹤測試，結果如圖4所示。從圖4可知，本文算法的體育視頻運動目標跟蹤效果要遠遠好於對比算法的跟蹤結果，具有更好的跟蹤精度，而且適應環境的能力更強。
2.4 目標跟蹤的實時性分析
速度在視頻運動目標跟蹤的應用中十分關鍵，是一個經常衡量視頻運動目標跟蹤性能的重要指標，選擇運動目標跟蹤時間分析算法的目標跟蹤實時性，即跟蹤速度，不同類型的體育視頻運動目標平均跟蹤時間見圖5。
由圖5可知，本文方法的平均跟蹤時間最少，其次是粒子濾波算法，最多為均值漂移算法，對比結果表明，本文算法獲得了更快的體育視頻運動目標跟蹤速度，具有更優的運動目標跟蹤實時性。
3 結 語
目標跟蹤是體育視頻分析和研究中的一個重要方向，為了更好地給體育訓練和比賽提供有價值的參考信息，針對當前體育視頻中的運動目標跟蹤算法存在的缺陷，設計了一種體育視頻運動目標的智能跟蹤算法，並選擇多個數據進行了驗證性測試。測試結果表明，該方法結合背景更新差分法和卡爾曼濾波算法的優點，不僅獲得了較高精度的運動目標跟蹤結果，而且運動目標跟蹤速度可以滿足體育視頻分析的實時性要求。
參考文獻
[1] 王亮，胡衛明，譚鐵牛.人運動的視覺分析綜述[J].計算機學報，2002，25（3）：225?237.
[2] 王兆其，張勇東，夏時洪.體育訓練三維人體運動模擬與視頻分析系統[J].計算機研究與發展，2005，42（2）：344?352.
[3] 張文傑，戚飛虎，江卓軍.實時視頻監控系統中運動目標檢測和跟蹤的一種實用方法[J].上海交通大學學報，2002，36（12）：1837?1840.
[4] 趙驥，馮闖，邵富群，等.基於自適應幀差和水平集的運動目標檢測和分割[J].信息與控制，2012，41（2）：153?158.
[5] 陳文俊，張定會，王少賓.一種改進的背景差分模型視頻圖像分割方法[J].微計算機信息，2010，26（10）：206?207.
[6] 張龍飛，曹元大，張明傑，等.體育視頻中的對象檢測與分割[J].計算機工程，2006，32（3）：229?231.
[7] 徐哈，肖慧，侯宏錄.體育視頻序列中基於IMM的運動目標跟蹤算法[J].中國圖象圖形學報，2009，14（5）：920?924.
[8] 趙冠華，馮曉毅，王虎，等.結合對稱差分法和背景減法的目標檢測方法[J].計算機工程與應用，2010，46（3）：145?147.
[9] 林洪文，塗丹，李國輝.基於統計背景模型的運動目標檢測方法[J].計算機工程，2003，29（16）：97?99.
[10] 鄧慶林，劉海華，吳良健.一種基於分水嶺和區域合併的視頻對象分割算法[J].現代科學儀器，2010，7（1）：34?38.
摘 要： 視頻運動目標跟蹤廣泛應用於體育領域中，為了提高運動目標的跟蹤精度，提出一種體育視頻中的運動目標智能跟蹤方法。首先收集體育視頻，考慮體育視頻中運動目標的多樣性，採用改進背景更新差分法對運動目標進行檢測，然後採用卡爾曼濾波算法對運動目標進行跟蹤，最後對多個體育視頻運動目標進行跟蹤實驗。結果表明，該方法可以準確、快速地對體育視頻中的運動目標進行跟蹤，而且運動目標跟蹤的實時性要優於其他跟蹤方法，為體育視頻中的運動目標跟蹤提供了一種新的研究工具。
關鍵詞： 體育視頻； 運動目標； 卡爾曼濾波算法； 背景更新差分法； 檢測與跟蹤
中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）19?0102?03
Research on intelligent tracking of moving objects in sports video
LIU Chen
（Wuhan Huaxia University of Technology， Wuhan 430070， China）
Abstract： Video moving target tracking is widely applied in the sports field. In order to improve the tracking accuracy of moving targets， an intelligent tracking method for moving targets in sports video is proposed. Sports videos are collected， the improved background update difference method is adopted to detect moving targets in view of the variability of moving targets in sports video， and then the Kalman filtering algorithm is adopted to track the moving targets. Finally， an experiment is carried out for tracking multiple moving targets in sports video. The results show that by using this method， the moving targets in sports video can be tracked accurately and quickly， and the real?time performance of moving target tracking is superior to that of other tracking methods. This method provides a new research means for tracking the moving targets in sports video.
Keywords： sports video； moving target； Kalman filtering algorithm； background update difference method； detection and tracking
0 引 言
隨著我國體育事業的發展，各種大型體育賽事越來越多，出現了大量的體育視頻[1]。對體育視頻進行分析和研究，找到對方或者自身的不足，對制定訓練計劃和比賽方案具有重要的實際意義，而運動目標跟蹤是體育視頻分析的一個重要方面，引起了人們的高度關注[2?3]。
由於體育視頻採集角度、光照變化等因素的干擾，體育視頻目標跟蹤面臨巨大的挑戰，當前體育視頻目標跟蹤算法可以劃分為跟蹤器的體育視頻目標跟蹤算法和檢測器的體育視頻目標跟蹤算法兩大類[4]。基於跟蹤器的體育視頻目標跟蹤算法需要提取目標特徵，經典特徵主要有目標的輪廓、光流，該類算法要求運動目標始終可見，如果運動目標在視覺範圍消除，那麼就無法實現體育視頻目標的準確跟蹤，因此實際應用範圍相對較窄[5?6]。基於體育視頻目標跟蹤算法根據滑動窗口對每一幀中的運動目標位置進行檢測，由於需要進行離線學習，無法滿足體育視頻目標跟蹤的實時性[7]。近年來，隨著控制優化技術的不斷發展，出現了背景差分法、粒子濾波算法、均值漂移算法的目標跟蹤研究[8?10]，研究結果表明，它們提高了體育視頻目標跟蹤的準確性，但當運動目標的場景變化比較大時，體育視頻目標跟蹤效果急劇下降，跟蹤魯棒性差。
為了提高運動目標跟蹤精度，提出一種體育視頻中的運動目標智能跟蹤方法。首先採用改進背景更新差分法對運動目標進行檢測，然後採用卡爾曼濾波算法對運動目標進行跟蹤，最後實驗結果表明，該方法可以準確、快速地對體育視頻中的運動目標進行跟蹤，而且運動目標跟蹤的實時性要優於其他跟蹤方法。
1 體育視頻運動目標智能跟蹤算法
1.1 改進背景更新差分法
在體育視頻運動目標跟蹤建模過程中，首先要對視頻中的運動目標進行檢測，當前運動目標檢測算法眾多，相對於其他方法，背景更新差分法的運算量相對較小，檢測速度更快，可以獲得更好的運動目標檢測效果，並結合體育視頻運動目標的特點，對傳統背景更新差分法進行相應的改進，以提高運動目標的準確性。
背景更新差分法首先對視頻圖像序列的相鄰幀進行差分操作，在短時間內檢測不同圖像幀的像素強度變化，然後根據閾值對視頻中的運動目標進行檢測，其工作流程如圖1所示。
設[St]和[St+n]為第[t]和[t+n]幀的圖像，根據背景更新差分法的工作流程建立數學模型為：
[St=Bt（x，y）+V（x，y）+Nt（x，y）] （1）
[St+n=Bt+n（x，y）+V（x+Δx，y+Δy）+Nt+n（x，y）] （2）
式中：[Bt（x，y）]和[Bt+n（x，y）]為第[t，t+n]幀的背景；[V（x，y）]和[V（x+Δx，y+Δy）]為第[t，t+1]幀的運動目標；[Nt（x，y）]和[Nt+n（x，y）]為第[t，t+n]幀的噪聲。
採用背景更新差分法得到第[t，t+n]幀的差分值[（ΔSt+n/t）]為：
[ΔSt+n/t=St+n-St=Bt+n（x，y）-Bt（x，y）+ V（x+Δx，y+Δy）-V（x，y）+Nt+n（x，y）-Nt（x，y）] （3）
式中：[Bt+n（x，y）-Bt（x，y）+V（x+Δx，y+Δy）-V（x，y）]為運動像素的強度；[Nt+n（x，y）-Nt（x，y）]為噪聲的強度。
[K（x，y）]表示背景更新差分法的二值差分圖像，那麼可以得到：
[K（x，y）=1， ΔS≥T0， ΔS
如果[K（x，y）=1，]表示視頻中的目標處於運動狀態；[K（x，y）=0，]表示目標處於靜止狀態。
針對傳統背景更新差分法存在的不足，本文對其進行改進，基本思想為：對像素強度變化區域進行標記，並對背景進行相應的修正，然後根據累計差分自動更新背景，並根據光照幅度變化對參考背景進行補償，最後實現背景實時更新，其工作流程如圖2所示。
設[P（x，y）]表示改進背景更新差分法處理後的二值差分圖像，則有：
[P（x，y）=0， ΔSt/t-1?ΔSt+n/t≠11， ΔSt/t-1?ΔSt+n/t=1] （5）
如果[P（x，y）=1，]表示該像素點處於運動區域；[P（x，y）=0，]表示該像素點處於背景運動區域，需要進行背景實時更新操作。用[St] 幀的像素換背景區域，實現背景像素的修正。
根據非零區域內的採樣[Bm]和其他區域採樣[Bn，]那麼可以得到實時背景圖像[B]為：
[B（x，y）=Bm（x，y）=St， P（x，y）=0Bn（x，y）， otherwise] （6）
將更新的背景圖像[BM]描述為[B]和[Bm]的加權和，即有：
[BM（x，y）=σ×B（x，y）+（1-σ）×Bm（x，y）] （7）
式中[σ]為權值。
採用鄰幀差分法選擇幀[St+1]和[St]差分的平均值作為光照幅度的變化值，採用多個相鄰幀差分的均值量化光照變化的幅度，這樣幀[St+1]和[St]的光照幅度變化值[CBt+1/t]可以描述為：
[CBt+1/t=k=1MSt+1（x，y）-St（x，y）M] （8）
當光照強度變化超過閾值時，就實現光照補償，得到更新後的背景圖像為：
[B′M（x，y）=σB（x，y）+（1-σ）Bm（x，y）+CBt+1/t， CBt+1/t>TSBm（x，y）， otherwise] （9）
1.2 卡爾曼濾波的運動目標跟蹤
改進背景更新差分法對運動目標進行檢測，選擇卡爾曼濾波算法對運動目標進行跟蹤。[Xk]為第[k]時刻的運動目標矢量，[Zk]代表系統觀測矢量，那麼運動目標狀態和觀測方程分別為：
[Xk+1=Ak+1/kXk+wk] （10）
[Zk=HkXk+vk] （11）
式中：[Ak+1/k]為從[k]到[k+1]時刻的狀態轉移矩陣；[wk]為隨機噪聲矢量；[Hk]為觀測矩陣；[vk]為觀測噪聲矢量。
採用卡爾曼濾波算法對運動目標進行估計，估計準則為：
[J[Xk]=J[Xk-Xk]=E[XkXTk]=min] （12）
式中[Xk]是[Xk]的無偏估計。
先驗估計的運動目標矢量預測和協方差方程分別為：
[X′k+1=Ak+1Xk] （13）
[P′k+1=Ak+1PkATk+1+Qk] （14）
卡爾曼濾波算法的增益矩陣計算公式為：
[Kk=P′kHTk（HkP′kHTk+Rk）-1] （15）
後驗估計的運動目標矢量更新方程和協方差更新方程分別為：
[Xk=X′k+Kk（Zk-HkX′k）] （16）
[Pk=（I-KkHk）P′k] （17）
式中：[X′k+1]為先驗估計的運動目標；[P′k+1]為先驗估計的誤差方差矩陣；[Pk+1]為最優估計的誤差方差矩陣；[Kk]為最優估計的係數矩陣；[Xk+1]為運動目標的最優估計。
2 體育視頻運動目標智能跟蹤的性能測試
2.1 測試平台
在Intel[?] 4 核酷睿 3.0 GHz CPU，32 GB 內存，Win7作業系統的個體計算機，選擇Matlab 2012R仿真工具箱對體育視頻運動目標智能跟蹤算法進行仿真測試，選擇當前經典運動目標智能跟蹤算法——均值漂移算法和粒子濾波算法進行對比實驗，以驗證本文方法的優越性。
2.2 普通視頻的性能分析
選擇一個普通視頻對智能跟蹤算法的性能進行分析，所有算法的運動目標跟蹤結果如圖3所示。
分析圖3可知：
（1） 在所有算法中，均值漂移算法的運動目標跟蹤結果效果最差，而且實際運動目標位置偏離很大，無法對運動目標進行準確跟蹤，沒有什麼實際應用價值。
（2） 相對於均值漂移算法，粒子濾波算法的運動目標跟蹤結果得到了相應的改善，提高了運動目標跟蹤精度，這是因為粒子濾波算法具有對運動目標跟蹤的動態性，可以不停調整跟蹤軌跡，得到比較理想的運動目標跟蹤效果。
（3） 本文算法的視頻目標跟蹤效果要明顯優於對比算法的視頻跟蹤效果，這是由於本文算法充分利用了背景更新差分法和卡爾曼濾波算法的優點，可以對視頻中的運動目標進行準確檢測，從而實現運動目標高精度跟蹤，克服了對比算法存在的不足，獲得了最優的運動目標跟蹤結果。
2.3 體育視頻的性能分析
選擇多個體育視頻運動目標進行跟蹤測試，結果如圖4所示。從圖4可知，本文算法的體育視頻運動目標跟蹤效果要遠遠好於對比算法的跟蹤結果，具有更好的跟蹤精度，而且適應環境的能力更強。
2.4 目標跟蹤的實時性分析
速度在視頻運動目標跟蹤的應用中十分關鍵，是一個經常衡量視頻運動目標跟蹤性能的重要指標，選擇運動目標跟蹤時間分析算法的目標跟蹤實時性，即跟蹤速度，不同類型的體育視頻運動目標平均跟蹤時間見圖5。
由圖5可知，本文方法的平均跟蹤時間最少，其次是粒子濾波算法，最多為均值漂移算法，對比結果表明，本文算法獲得了更快的體育視頻運動目標跟蹤速度，具有更優的運動目標跟蹤實時性。
3 結 語
目標跟蹤是體育視頻分析和研究中的一個重要方向，為了更好地給體育訓練和比賽提供有價值的參考信息，針對當前體育視頻中的運動目標跟蹤算法存在的缺陷，設計了一種體育視頻運動目標的智能跟蹤算法，並選擇多個數據進行了驗證性測試。測試結果表明，該方法結合背景更新差分法和卡爾曼濾波算法的優點，不僅獲得了較高精度的運動目標跟蹤結果，而且運動目標跟蹤速度可以滿足體育視頻分析的實時性要求。
參考文獻
[1] 王亮，胡衛明，譚鐵牛.人運動的視覺分析綜述[J].計算機學報，2002，25（3）：225?237.
[2] 王兆其，張勇東，夏時洪.體育訓練三維人體運動模擬與視頻分析系統[J].計算機研究與發展，2005，42（2）：344?352.
[3] 張文傑，戚飛虎，江卓軍.實時視頻監控系統中運動目標檢測和跟蹤的一種實用方法[J].上海交通大學學報，2002，36（12）：1837?1840.
[4] 趙驥，馮闖，邵富群，等.基於自適應幀差和水平集的運動目標檢測和分割[J].信息與控制，2012，41（2）：153?158.
[5] 陳文俊，張定會，王少賓.一種改進的背景差分模型視頻圖像分割方法[J].微計算機信息，2010，26（10）：206?207.
[6] 張龍飛，曹元大，張明傑，等.體育視頻中的對象檢測與分割[J].計算機工程，2006，32（3）：229?231.
[7] 徐哈，肖慧，侯宏錄.體育視頻序列中基於IMM的運動目標跟蹤算法[J].中國圖象圖形學報，2009，14（5）：920?924.
[8] 趙冠華，馮曉毅，王虎，等.結合對稱差分法和背景減法的目標檢測方法[J].計算機工程與應用，2010，46（3）：145?147.
[9] 林洪文，塗丹，李國輝.基於統計背景模型的運動目標檢測方法[J].計算機工程，2003，29（16）：97?99.
[10] 鄧慶林，劉海華，吳良健.一種基於分水嶺和區域合併的視頻對象分割算法[J].現代科學儀器，2010，7（1）：34?38.
收藏