最近更新:
2006年1月18号
媒体分析课题组
对象的检测、识别与跟踪
基于高斯混合模型(GMMs)的球场区域检测方法。大多数视频帧中，球场像素是其主要组成部分，首先从视频帧中自动采样提取训练像素，然后建立GMMs球场颜色模型以实现球场像素检测，最后使用提出的区域增长方法把检测的像素连成区域。实验证明，本文提出的方法对于不同的体育视频均能有效地实现球场区域的分割，即使是在非常差的场地条件下也具有良好的鲁棒性。演示
体育视频中的叠加文本包含了运动员信息、比赛信息等，检测这些文本信息有助于体育视频内容的理解和索引。基于文字的灰度信息，我们将研究一种小波域的文字检测算法。首先对图片进行多尺度的小波分解，使用基于直方图分析的域值选取检测出候选文本区域，然后融合小波域的中心矩、共生、直方图和穿越线特征进行候选区域的验证，最后采用SVM分类器和前向特征选择算法保证验证算法在粗糙样本集合上获得良好的分类性能。
在球场检测的基础上，采用颜色特征和区域分析的技术首先检测比赛中的球员对象。
研究基于鲁棒颜色模型的粒子滤波跟踪算法。由于粒子滤波的基本思想根源于序列蒙特卡罗理论，即用一组带有权值的状态空间中的采样粒子（Particles）给出离散化形式的后验概率分布，这就需要在实际应用中采样的粒子个数必须充分大，以保证离散形式的概率分布与原始连续形式的概率分布等价。但是，过多的粒子将会大大降低粒子滤波系统的运行效率。同时，粒子退化是粒子滤波中无法避免的问题。为了解决这一问题，提出了重采样的方法，并提出一种基于支持向量回归（Support Vector Regression，SVR）的改进粒子滤波—SVR Particle Filter。考虑到粒子滤波所处理的后验概率分布多为非线性/非高斯的，无法事先确定其参数化的表达形式，因此采用SVR基于当前时刻粒子集获得后验概率分布的回归方程，再利用回归方程对各粒子重新评估权值。这种方法的本质思想是，利用回归方法将粒子从离散空间转化到连续空间，利用SVR的核函数对原有后验概率分布进行平滑，去除后验概率中的“噪声”，使得后验概率的离散化表示形式更为合理，保证粒子集的有效性与多样性，从而在小粒子集情况下获得满意的跟踪结果。
考虑到球的运动的连续性，我们通过考察若干连续的视频帧来增强球的检测的健壮性。在单个视频帧中通过颜色、大小和形状等信息得到球的一些候选。然后基于上面的结果建立一个图结构，其节点由球的候选组成，而图的边由相邻两个视频帧中距离在一定范围内的球的候选节点组成。赋给每个节点一个权值，用来表示它和球的相似度；同样赋给每条边一个权值，表示它所关联的两个节点对应于同一个对象的相似度。最后，我们通过Viterbi算法来提取具有最大似然度的路径来做为球的路径。
基于上面的球的检测结果我们初始化一个跟踪器，采用的是基于Kalman滤波框架的模板匹配算法，Kalman 滤波对于高斯分布并且线性的运动能够获得最优的结果。考虑到球的尺度的变化以及判断跟踪何时失败的需要，对于当前帧的最佳匹配区域生成一个稍微大一些的区域并在该区域中进行球的检测。如果检测到，则用它来更新模板；如果没有检测到，则统计连续的没有检到的帧的个数，如果它超过了一定的阈值限制则重新进行球的检测过程。
采用分割、跟踪与识别相结合的框架来实现由粗到精的球衣号码检测。
