体育视频中运动员的分割.docx

??

?

??

体育视频中运动员的分割

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

摘要：由于体育视频拥有广大的受众群体和丰富的领域知识，观众观看体育视频的焦点是运动员，因此检测和分割视频中的运动员是体育视频分析的基础。本文采用基于超像素分类的运动员分割算法，在检测到运动员的基础上，以超像素为基本单位，利用多边形区域表示的运动员检测结果与运动员轮廓之间的关系，将多边形区域内的超像素分类标记为运动员超像素和背景超像素，利用该分类结果和多边形区域信息，使用GrabCut分割算法，实现运动员轮廓的分割。实验结果表明，基于超像素的运动员轮廓分割算法，既能有效保持图像中的运动员轮廓信息又能减少计算量。但由于部分运动员头发、胳膊和手臂等边缘部分的超像素分类不够准确导致分割效果不够理想，有待于进一步改进。

关键词：体育视频、超像素分割、轮廓信息

1超像素分割

超像素指的空间位置上相邻并且纹理、颜色和亮度等特征相似的像素点集合。分割超像素的准则一般是使得同一个超像素内的像素点相似度尽量大，而不同超像素内的像素点相似度尽量小[1]。与以像素为基本分割单元的分割算法相比，以超像素为基本计算单元分割图像，既能保持图像中轮廓信息，又避免大量像素的冗余计算。近年来，以超像素为基本计算单元的算法广泛应用到图像分割、目标定位以及骨架提取等方面[2]。

1.1超像素分割的相关算法

超像素分割是一种过分割，速度快、分割准且具备易用性是超像素分割算法的目标。目前已经有很多超像素分割算法，主要分为基于图论和基于梯度下降两类[3]。基于图论分割超像素算法的首要步骤是根据图像的像素信息构建一个图来初始化分割。基于梯度下降的超像素分割算法一般都以对像素作粗糙聚类初始分割，然后基于梯度下降的思路迭代优化聚类直至收敛以达到最优的分割效果[4]。

1.2SLIC超像素分割

SLIC(SimpleLinearIterativeClustering,SLIC)算法是由AravindGanapathiraju等人提出的一种简单线性迭代聚类分割超像素方法[5]。该算法速度比较快，且能够认为指定超像素大小，最后能够生成紧凑和近似均匀的超像素。运动员检测分割算法是分镜头类型实现，不同镜头类型中的运动员大小不一样，运动员区域内的超像素粒度也不一样，所以需要区分不同镜头中的超像素粒度;第二，SLIC超像素分割算法简单，速度较快[6]。

1.3GrabCut图像分割算法

GrabCut算法利用了图像中的颜色、纹理和少量用户标记信息分割图像中的物体[7]。该算法采用混合高斯模型对图像中的每个像素点的各个颜色通道分别建模，即采用多通道混合高斯模型描述图像的前景背景的颜色信息，根据交互信息中的像素初始标记估计各类GMM参数，通过迭代最小化分割能量标记像素类别以达到最优分割[8]。

2运动员分割流程

运动员分割流程如图2-1所示，主要分为三个阶段:

图2-1运动员分割流图

2.1运动员检测阶段

用二值图像mask存储运动员检测结果，采用轮廓检测算法获取图像中联通区域的矩形框，即运动员的位置[9]。运动员的分割是根据运动员的位置逐个分割。

2.2运动员分割

分割运动员之前对图像分割超像素，然后利用运动员的多边形区域表示计算超像素的分类。遍历图像统计每个超像素的总像素个数和每个超像素在运动员多边形区域内的像素个数，计算每个超像素的在多边形区域内的像素数与像素总数的比值[10]。使用两个阈值T1,T2用来判断标记超像素，将超像素标记为：“前景超像素”、“可能前景超像素”和“可能背景超像素”三类。当超像素的比值≥T1，则该超像素是“前景超像素”;当T1超像素比值大于T2时，该超像素是“可能前景超像素”;当超像素比值小于T2时，该超像素属于“可能背景超像素”。阈值T1和T2的设置需要根据中层特征块的选择设置，如果中层特征块包含的背景比较多，则T1与T2的值设置相对较大一些;反之则阈值T1与T2的值设置较小一些。将运动员所在位置的矩形框和前景背景标记信息作为交互信息传递给GrabCut函数，最终得到单个运动员的最优分割[11]。

2.3合并多个运动员分割结果

GrabCut分割运动员的结果存储在使用0和1标记的单通道mask，在一帧图像中含有多个运动员的情况下，需要合并每次分割运动员的结果mask，即将所有结果mask作或操作，得到最终运动员检测分割结果。

3.实验结果与分析

?

分割前图像（b）分割结果图像

图2-2运动员图像分割结果

从图2-2实验结果可以看出文中提出的分割算法能够分割出足球、羽毛球运动员的大部分轮廓，但是由于运动员头发与背景颜色相近、个别部位如胳膊部分过于细长，运动员的头发和胳膊的分割结果不够准确。

4.小结

本章在检测获得运动员区域