作者：黄歆龙 杨蓓蓓
来源：《赤峰学院学报·自然科学版》2020年第06期
摘 要：由于視觉分析存在误差，在高水平足球运动员人中，传统足球运动员犯规动作特征提取方法存在犯规动作特征提取准确率低等问题.为此，提出基于机器视觉的足球运
动员犯规动作特征提取方法.利用机器视觉系统获取足球运动员动作图像，基于阈值识别算法识别足球运动员犯规动作，以识别犯规动作图像为前提，采用Harris 3D算子建立犯规动作序列势函数，以犯规动作序列势函数为依据，通过AdaBoost算法筛选足球运动员犯规动作特征数据，以此为训练样本实现足球运动员犯规动作特征提取.仿真结果表明，所提方法在高水平足球运动员范围内犯规动作识别准确率较高，有效降低了识别的误差.
关键词：机器视觉;足球运动员;犯规动作;特征提取;阈值识别算法;Harris 3D算子
中图分类号：TP843 文献标识码：A 文章编号：1673-260X（2020）06-0049-04
引言
足球竞赛是世界第一大体育运动，是一项存在身体接触、激烈对抗的体育项目.随着足球运动员水平的不断提升，使攻守双方矛盾愈加激烈.在足球比赛中，允许运动员合理利用身体部位控球，但若利用身体部位做出踢人、撞人、拉人、绊人等不合理动作，以此获得攻防空间，上述动作即为犯规动作[1].
随着球技和战术水平不断提升，足球比赛节奏越来越快，导致足球比赛中拼抢行为愈
加激烈.双方队员身体接触不断增多，足球运动员犯规动作的出现频率越来越高，导致运动员受伤事件屡屡发生.为了保障足球运动员身体安全，使其发挥最高水平，国际足联不断修改、完善足球比赛规则.与此同时，足球比赛激烈程度的增加，为裁判员判断带来了极大挑战.裁判员水平直接影响足球运动员战术水平的发挥.了解足球运动员犯规动作特征是提升裁判员业务水平的有效手段[2].
何冰 传统足球运动员犯规动作特征提取方法是将犯规动作描述为一连串符号，分解各个符号，识别犯规动作特征.但该方法在高水平足球运动比赛中存在犯规动作特征提取准确率低等问题.
为了解决上述问题，提出基于机器视觉的足球运动员犯规动作特征提取方法研究.机器视觉是人工智能发展的一个分支，利用机器代替人眼判断与测量.主要通过机器视觉产品将目标转换为图像信号，传输给专门图像处理系统，将图像像素的颜、亮度、分布等转换为数字化信号，通过运算提取目标特征信息.仿真结果表明：所提方法可有效提高足球运动员犯规动作特征提取的准确率较高，且耗时较短.
1 足球运动员犯规动作特征提取方法研究
1.1 足球运动员动作图像获取
获取足球运动员动作图像是提取犯规动作特征的前提.由于传统方法获取的动作图像视觉误差较大，直接影响犯规动作特征提取准确率.为此，本文利用机器视觉系统获取足球运动员动作图像.
在机器视觉系统中，利用摄像头获取足球运动员动作图像[3].选取OV7670型号摄像头实现.OV7670型号摄像头是COMOS摄像头的元件，具备获取彩图像的能力，感光阵列最高可以达到640*680，传输速率最高可达到30帧/秒.
该摄像头只有一组并行数据口，记为Y[7：0]，通过数据口读取动作图像像素值，以并行方式获取足球运动员动作图像.配合OV7670型号摄像头获取图像的元件为PL与PS，依据行中断与场中断判断数据完整度[4].利用VGA接口显示足球运动员动作图像，VGA时序如图1所示.
其中，Data表示动作图像信息列;HSYNC与VSYNC表示信号列与信号行;（a）、（b）、（c）、（d）与（e）分别表示HSYNC信号列同步段、后廊段、激活段、前廊段以
及列元素数量;（o）、（p）、（q）、（r）与（s）分别表示VSYNC信号行同步段、后廊段、激活段、前廊段以及行元素数量.
动作图像信号列与信号行每段像素元素数量情况如表1所示.
1.2 犯规动作识别
在获取的足球运动员动作图像基础上，基于阈值识别算法识别足球运动员犯规动作，为犯规动作序列势函数建立做准备.
足球比赛中会突发较多复杂情况，导致运动员动作图像存在复杂背景.为此，采用阈值识别算法识别犯规动作，步骤如下：
步骤一：假设动作图像有效像素点数量为Ne，动作图像为矩阵，四个点坐标为A（x1，y1）、B（x2，y2）、 C（x3，y3）与D（x4，y4），参数P、S计算公式为
P=（x2-x1）/（y3-y1），S=（x2-x1）*（y3-y1）. （1）
步骤二：在犯规动作识别过程中，若像素点值大于识别阈值A，Ne+1.
步骤三：若像素点不存在规定范围内，更新坐标，扩大搜索区域.
步骤四：扫描完毕，获取Ne和识别目标.
步骤五：计算目标区域长宽比，与识别阈值相比较，若长宽比|1-P|小于A，转至步骤六.
步骤六：计算目标区域大小，得到目标面积与图像面积比M=Ne/S，相较于识别阈值A，若|0.785-M|<A，输出规范动作识别成功.
步骤七：输出规范动作识别失败.
1.3 犯规动作序列势函数建立
在犯规动作识别结果前提下，采用Harris3D算子建立犯规动作序列势函数，为犯规动作特征提取提供支撑[5].
利用Harris3D算子挖掘犯规动作，提取图像中每个不同犯规动作的时空兴趣点，获取梯度直方图与流光方向直方图特征，将其分别划分为72维与90维.融合梯度直方图与流光方
向直方图，获得一个162维特征向量，构成犯规动作的底层特征.选取足球运动员关键骨架点，记为（xzi，yzi）.依据人体构造特点，将足球运动员身体划分为肩部、左、右胳膊、左、右腿部、左、右脚七个局部参考点，记为（ai，bi）.
发布评论