基于視頻的籃球持球隊員行為預測研究.pdf

1、本文以籃球比賽視頻中持球隊員的行為預測為研究對象，圍繞與之相關的球場與球場標志線提取、球員跟蹤、持球隊員視野判定等問題展開，主要工作體現在以下幾個方面:
　　 (1)采用改進的K均值聚類算法提取視頻中的球場區(qū)域，排除觀眾席的干擾，縮小后續(xù)球員跟蹤的計算范圍。在提取的球場區(qū)域內，采用Hough變換與最小二乘法提取球場標志線，用于后續(xù)攝像機的標定。
　　 (2)提出了一種基于層次化多特征融合粒子濾波的運動球員跟蹤方法。定義一

2、種由輔助特征與主特征構成的層次化結構，層與層之間通過粒子的建議分布關聯;球員跟蹤時，按照層次間的關聯關系，通過輔助特征引導主特征粒子移動到更靠近目標的區(qū)域來優(yōu)化更新主特征粒子建議分布。該方法只需少量高置信度粒子就能表示目標后驗概率分布，減少了系統(tǒng)計算量，提高了跟蹤實時性。同時，采用輔助特征和一種輔助特征自更新策略，增強了跟蹤的抗遮擋能力。
　　 (3)提出了一種基于前向逐步疊加模型的人體頭部姿態(tài)識別方法。針對籃球賽視頻中球員頭部

3、圖像分辨率低、所占比例小、特征有限的特點，提出運用協方差描述子對球員的多種頭部特征融合，構成黎曼流形，再將其映射到切空間中構成特征向量，采用FSAMME多分類器識別持球隊員的八種頭部姿態(tài)。較之傳統(tǒng)Boosting多分類器，FSAMME分類器無需將多類問題轉化為多個兩類問題，從而減少了算法的計算量，增強了系統(tǒng)的實時性。
　　 (4)提出了一種基于在線RBF神經網絡的持球隊員行為預測方法。為了描述影響持球隊員行為決策的諸多因素，提出