基于隊員行為信息的體育視頻內容分析方法研究.pdf

1、隨著計算機技術、網絡技術和多媒體技術的迅速發(fā)展，多媒體數據正在呈指數級增長。視頻作為多媒體數據的重要組成部分，其結構復雜，數據量龐大。體育視頻由于擁有廣泛的受眾群體及巨大的市場潛力，以體育視頻內容分析為主要目標的研究已成為視頻分析領域內的一個熱點。
　　本文重點研究面向廣播體育視頻的內容分析技術。針對目前體育視頻分析研究中存在的低層視頻特征無法準確反映人類高層語義概念的問題，提出了以隊員行為（軌跡、動作）分析為基礎，結合音頻分析的

2、多模態(tài)融合體育視頻語義分析與戰(zhàn)術分析方法。重點討論了廣播體育視頻中隊員的軌跡跟蹤與動作識別，基于隊員軌跡與動作信息并采用多模態(tài)融合與領域知識構建視頻內容的語義/戰(zhàn)術中層表達，基于中層表達對廣播體育視頻進行語義內容分析與戰(zhàn)術內容分析等幾個關鍵技術問題。具體的研究內容如下：
　　提出了基于支持向量機與粒子濾波的廣播體育視頻中隊員檢測與跟蹤方法。首先，將支持向量分類與球場分割方法相結合，提出了一種針對體育視頻中隊員的自動檢測算法，用來初

3、始化后續(xù)視覺對象的跟蹤。其次，將支持向量回歸與序列蒙特卡羅框架相結合，提出了一種應用于視覺對象跟蹤的改進粒子濾波算法，使得傳統(tǒng)粒子濾波方法在小規(guī)模粒子集情況下能夠實現(xiàn)對視覺對象的魯棒跟蹤，并有效提高跟蹤系統(tǒng)的運行效率。
　　提出了基于支持向量機與光流分析的廣播體育視頻中隊員動作識別方法。針對廣播體育視頻圖像質量差、攝像機非靜止、隊員圖像分辨率低的問題，從運動分析角度出發(fā)，基于被跟蹤隊員區(qū)域光流場的空間分布性質，采用局部分析思想的柵

4、格劃分方法提取動作識別的描述特征。此種特征提取方法有別于傳統(tǒng)的光流分析思想，將被跟蹤區(qū)域內的光流矢量場看成是一種運動模式的空間分布信息，從而提高光流特征的魯棒性。采用支持向量機作為模式分類器并結合時序投票策略，識別隊員動作的類型。與現(xiàn)有基于表觀特征的識別方法相比較，提出的運動描述特征及以此為基礎的識別算法取得了更好的識別結果。
　　提出了基于隊員行為信息與體育比賽特定音頻關鍵字多模態(tài)融合的體育視頻摘要精彩排序方法。首先將球拍類體育

5、比賽視頻中隊員的軌跡、動作信息結合音頻關鍵字進行多模態(tài)融合，構建視頻內容的“軌跡－動作－音頻”中層表達。基于“軌跡－動作－音頻”表達提取可計算的情感特征，用以描述用戶對體育視頻摘要片斷進行精彩度排序的主觀情感過程?？紤]到目前人類情感思維的生理、心理學研究情況，提出了基于核統(tǒng)計學習的非線性精彩排序模型構建方法。此種構建方法不僅能夠增強模型對噪聲數據的魯棒性，同時可以擴展模型的有效性與通用性。此外，還提出了精彩排序的客觀評價標準，用于評價自

6、動評估結果與主觀感知事實的匹配程度。利用此評價標準，一方面可以評估精彩排序模型構建的有效性；另一方面結合前向搜索算法，從而指導情感特征的提取及有效特征的選擇。
　　提出了基于隊員軌跡信息的廣播體育視頻戰(zhàn)術分析方法。體育視頻戰(zhàn)術內容分析的目的在于發(fā)現(xiàn)體育比賽事件中隊員個人或隊員之間在完成一次比賽動作（或任務）過程中所使用的戰(zhàn)術模式或比賽策略?；诒荣愂录嘘爢T和球的多對象軌跡信息，首先提出了一種基于時間片斷分割的局部時間/空間交互關