基于多摄像机和球类比赛概率图模型的比赛信息获取方法研究

现有的多目标跟踪方法大多假定：①目标在图像平面中运动；②多目标单独运动时相互独立，仅在混叠期间相关。许多实际问题并非如此，例如球类比赛是在竞赛规则等多重约束下的集体活动，球员之间、球员与球体之间存在很高的相关性，且相互混叠频繁、持续时间较长。因此，建立反映球类比赛多目标间"战术相关性"的数学模型，对解决多目标跟踪问题和多人战术分析问题有重要意义，并为研究球类比赛的本质规律和制胜策略提供理论支持。本项目试图研究基于概率图的球类比赛模型，然后利用多摄像机重建目标的3D轨迹，获取速度、落点、频繁战术模式等比赛信息。该项目的成功实施对运动训练和比赛决策有直接应用价值，将对运动训练学、运动竞赛学、运动视觉等学科产生推动作用，并将对体育视频分析和理解、比赛机器人、体育视频增强等研究产生积极影响。

本项目的研究目标是获取球类比赛中运动目标的位置信息，如运动员的奔跑速度、轨迹、球落点等。本项目解决了3个科学问题：多目标跟踪的维数灾难问题、相似目标间的ID交换错误问题，球场靶标的自动识别问题。第一，当视频中的外观相似的目标（身穿相同队服的运动员）发生相互遮挡时，多目标跟踪算法会出现聚合错误。大多数研究都采用数据关联技术来解决上述问题。但是，数据关联存在维数灾难。相反，本项目采用概率图模型（马尔科夫随机场）对目标关系进行建模。我们利用该模型的连续型特性，解决了多目标跟踪的维数灾难难题（NP难题）。实验证明，即使在最坏的情况下，该成果的计算量也随目标个数增加而线性增长。第二，ID交换错误是多目标跟踪的重要评价指标之一。本项目采用非参数线性混合模型对目标的惯性运动与排斥运动进行建模，解决了多目标跟踪的ID交换错误问题。该方法采用了单粒子多权重的实现形式，所以它是目前已知的最快速的解法。该方法有较强的工程应用价值。第三，在体育电视视频中，多摄像机的切换、平移与放缩会导致射影变换参数不断变化。我们提出了新的球场识别与跟踪算法。它具有直线特征的分层数据关联和子像素精度的直线检测。该算法解决了相机参数不断变化的问题，可以更高效地获取球体落点等比赛信息，具有广泛的应用价值（如网球、乒乓球、羽毛球、排球等）。