特征降维和高斯混合模型的体育运动动作识别
区峻++石千惠
摘 要： 为了解决当前体育运动动作识别方法的不足，以获得更优的体育运动动作识别效果，提出特征降维和高斯混合模型的体育运动动作识别方法。首先采集体育运动动作的视频图像，并提取体育运动动作的特征向量，然后采用随机投影算法对特征向量进行降维处理，最后采用高斯混合模型对降维后的训练样本进行学习，构建体育运动动作识别模型，并采用各种体育运动动作数据集对性能进行测试。结果表明，该方法获得了理想的体育运动动作识别结果，而且识别正确率高于其他体育运动动作识别方法。
关键词： 体育运动动作识别； 随机投影； 高斯混合模型； 特征向量降维
中图分类号： TN911.73?34； TP191 文献标识码： A 文章编号： 1004?373X（2017）11?0061?04
Sports action recognition based on feature dimension reduction
and Gaussian mixture model
OU Jun， SHI Qianhui
（Teaching and Research Section of Gymnastics， College of Physical Education， Guangxi Normal University， Guilin 541004， China）
Abstract： In order to overcome the shortcomings of the current sports action recognition methods， and obtain the optimal recognition effect of sports action， a new sports action recognition method based on feature dimension reduction and Gaussian mixture model is proposed. The video image of sports action is collected to extract the feature vector of the sports action. The random projection algorithm is used to reduce the dimension of the feature vector. The Gaussian mixture model is used to study the training samples after dimension reduction to construct the sports action recognition model. The performance of the method is tested with various sports action datasets. The results show that the proposed method can obtain the satisfied recognition result of sports action， and the recognition accuracy is higher than that of other sports action recognition methods.
Keywords： sports action recognition； random projection； Gaussian mixture model； feature vector dimension reduction
0 引 言
在體育的训练和教学过程中采集了大量的体育视频，对视频中的体育运动动作进行准确识别可以防止意外受伤，保护运动员的健康，因此构建性能优异的体育运动动作识别方法具有重要意义[1?3]。
体育运动动作识别分为三个过程：
（1） 提取视频体育运动动作的识别特征，主要有尺度不变特征变换、光流直方图等；
（2） 对高维特向量进行降维处理；
（3） 建立体育运动动作识别的分类器[4?6]。
有学者将体育运动动作视频划分为多个帧，提取它们的光流直方图特征，并采用随机投影算法对体育运动动作特征进行降维，最后采用K邻近算法进行体育运动动作分类和识别[7]。文献[8]采用稀疏算法提取体育运动动作的时空特征，然后采用神经网络建立体育运动动作识别模型。文献[9]提取体育运动动作的能量图和运动描述子两种特征，采用支持向量机建立体育运动动作识别模型。随机投影是一种有效的高维数据降维算法，在图像处理和模式识别中得到了广泛的应用，为体育运动动作特征的降维提供了一种新工具。
为了解决当前体育运动动作识别方法的不足，以获得更优的体育运动动作识别效果，提出了特征降维和高斯混合模型的体育运动动作识别方法。首先提取体育运动动作的特征向量，然后采用随机投影算法（Random Projection，RP）对特征向量进行降维处理，最后采用高斯混合模型（Gaussian Mixture Model，GMM）对降维后的训练样本进行学习，构建体育运动动作识别模型。测试结果表明，本文方法加快了分类器的训练速度，提高了体育运动动作的识别正确率。
3 仿真测试
3.1 数据集
为了分析特征降维和高斯混合模型的体育运动动作识别效果，在RAM 32 4 GB，AMD 3.4 GHz CPU的个人计算机上采用Visual Studio 2013进行编程开发的体育运动动作识别程序，选择UCF50数据集作为实验对象，其中包括50个体育运动动作，主要有打篮球、跳水、举重、单杠、骑马等类型，背景复杂，视觉角度相差很大，共有6 618个样本，将选择4 000个样本作为训练集，其他样本作为测试集，采用平均识别率作为体育运动动作识别结果的衡量标准，以随机投影降维特征算法作为对比实验。
3.2 结果与分析
3.2.1 体育运动动作识别的正确率分析
本文方法和对比方法的体育运动动作识别结果如表1所示。从表1的试验结果可以看出，本文方法综合利用空间聚合的优势，体育运动动作的识别正确率要明显优于对比方法。由于随机投影算法根据贡献最大值进行体育运动动作特征降维，需要大量的训练样本，而且需要对全部体育运动动作训练特征样本进行统一降维处理，易破坏体育运动动作重要特征的内在联系，特征信息的冗余性高，而本文方法采用随机投影算法将体育运动动作特征随机投影到一个低维子空间中，可以有效保证体育运动动作识别的可靠性。
同时从实验结果可以看出，对于全部体育运动动作，两种方法均出现识别结果不理想的现象，如打篮球动作的识别正确率比较低，发生该问题的主要原因是体育运动动作的背景复杂，在目标移动过程中，摄像机受到一定的干扰，影响了体育运动动作特征提取，从而降低了体育运动动作的识别正确率。
3.2.2 体育运动动作识别效率分析
在Matlab R2014b平台上，对两种方法的体育运动动作识别效率进行测试，采用运行时间评估识别效率，不同特征降维的计算时间（单位：s），实验结果统计如表2所示。从表2可以看出，相对于对比方法，本文方法明显提高了体育运动动作识别效率，这主要是由于对比方法采用随机投影算法进行降维，要进行矩阵特征分解，使得时间复杂度高，随着特征维数的增加，降维时间急剧增加，而随机投影算法只需要进行简单的矩阵运算，大幅度提高了特征降维的效率。
4 结 语
为了获得更加理想的体育运动动作识别结果，针对体育运动动作识别过程中的特征提取问题，提出特征降维和混合高斯模型相融合的体育运动动作识别方法。实验结果表明，本文方法可以大幅度提高体育运动动作的识别效率，时间复杂度急剧下降，有效提高体育运动动作识别的正确率，具有广泛的应用前景。
注：本文通讯作者为石千惠。
参考文献
[1] 周巧云，于仕琪.运动体育动作分析[J].先进技术研究通报，2009，3（5）：47?51.
[2] 阮涛涛，姚明海，瞿心昱，等.基于视觉的人体运动分析综述[J].计算机系统应用，2010，20（2）：245?253.
[3] 黎洪松，李达.人体运动分析研究的若干新进展[J].模式识别与人工智能，2009，22（1）：70?78.
[4] 苗雪兰.体育动作量化分析智能系统的设计与实现[J].体育科學，2000，20（3）：85?87.
[5] 张毅，张烁，罗元，等.基于Kinect深度图像信息的手势轨迹识别及应用[J].计算机应用研究，2012，29（9）：3547?3550.
[6] 曹雏清，李瑞峰，赵立军，等.基于深度图像技术的手势识别方法[J].计算机工程，2012，38（8）：16?18.
[7] 李英杰，尹怡欣，邓飞.一种有效的行为识别视频特征[J].计算机应用，2011，31（2）：406?419.
[8] 苗雪兰.基于模糊神经网络理论的体育动作模式识别方法[J].计算机工程与应用，2006（6）：155?157.
[9] 赵海勇，刘志镜，张浩.基于轮廓特征的人体识别行为[J].光电子·激光，2010，21（10）：1547?1551.
[10] 杨健，杨静宇，叶晖.Fisher线性鉴别分析的理论研究及其应用[J].自动化学报，2003，29（4）：481?493.
[11] 林庆，徐柱，王士同，等.HSV自适应混合高斯模型的运动目标检测[J].计算机科学，2010，37（10）：254?256.
摘 要： 为了解决当前体育运动动作识别方法的不足，以获得更优的体育运动动作识别效果，提出特征降维和高斯混合模型的体育运动动作识别方法。首先采集体育运动动作的视频图像，并提取体育运动动作的特征向量，然后采用随机投影算法对特征向量进行降维处理，最后采用高斯混合模型对降维后的训练样本进行学习，构建体育运动动作识别模型，并采用各种体育运动动作数据集对性能进行测试。结果表明，该方法获得了理想的体育运动动作识别结果，而且识别正确率高于其他体育运动动作识别方法。
关键词： 体育运动动作识别； 随机投影； 高斯混合模型； 特征向量降维
中图分类号： TN911.73?34； TP191 文献标识码： A 文章编号： 1004?373X（2017）11?0061?04
Sports action recognition based on feature dimension reduction
and Gaussian mixture model
OU Jun， SHI Qianhui
（Teaching and Research Section of Gymnastics， College of Physical Education， Guangxi Normal University， Guilin 541004， China）
Abstract： In order to overcome the shortcomings of the current sports action recognition methods， and obtain the optimal recognition effect of sports action， a new sports action recognition method based on feature dimension reduction and Gaussian mixture model is proposed. The video image of sports action is collected to extract the feature vector of the sports action. The random projection algorithm is used to reduce the dimension of the feature vector. The Gaussian mixture model is used to study the training samples after dimension reduction to construct the sports action recognition model. The performance of the method is tested with various sports action datasets. The results show that the proposed method can obtain the satisfied recognition result of sports action， and the recognition accuracy is higher than that of other sports action recognition methods.
Keywords： sports action recognition； random projection； Gaussian mixture model； feature vector dimension reduction
0 引 言
在體育的训练和教学过程中采集了大量的体育视频，对视频中的体育运动动作进行准确识别可以防止意外受伤，保护运动员的健康，因此构建性能优异的体育运动动作识别方法具有重要意义[1?3]。
体育运动动作识别分为三个过程：
（1） 提取视频体育运动动作的识别特征，主要有尺度不变特征变换、光流直方图等；
（2） 对高维特向量进行降维处理；
（3） 建立体育运动动作识别的分类器[4?6]。
有学者将体育运动动作视频划分为多个帧，提取它们的光流直方图特征，并采用随机投影算法对体育运动动作特征进行降维，最后采用K邻近算法进行体育运动动作分类和识别[7]。文献[8]采用稀疏算法提取体育运动动作的时空特征，然后采用神经网络建立体育运动动作识别模型。文献[9]提取体育运动动作的能量图和运动描述子两种特征，采用支持向量机建立体育运动动作识别模型。随机投影是一种有效的高维数据降维算法，在图像处理和模式识别中得到了广泛的应用，为体育运动动作特征的降维提供了一种新工具。
为了解决当前体育运动动作识别方法的不足，以获得更优的体育运动动作识别效果，提出了特征降维和高斯混合模型的体育运动动作识别方法。首先提取体育运动动作的特征向量，然后采用随机投影算法（Random Projection，RP）对特征向量进行降维处理，最后采用高斯混合模型（Gaussian Mixture Model，GMM）对降维后的训练样本进行学习，构建体育运动动作识别模型。测试结果表明，本文方法加快了分类器的训练速度，提高了体育运动动作的识别正确率。
3 仿真测试
3.1 数据集
为了分析特征降维和高斯混合模型的体育运动动作识别效果，在RAM 32 4 GB，AMD 3.4 GHz CPU的个人计算机上采用Visual Studio 2013进行编程开发的体育运动动作识别程序，选择UCF50数据集作为实验对象，其中包括50个体育运动动作，主要有打篮球、跳水、举重、单杠、骑马等类型，背景复杂，视觉角度相差很大，共有6 618个样本，将选择4 000个样本作为训练集，其他样本作为测试集，采用平均识别率作为体育运动动作识别结果的衡量标准，以随机投影降维特征算法作为对比实验。
3.2 结果与分析
3.2.1 体育运动动作识别的正确率分析
本文方法和对比方法的体育运动动作识别结果如表1所示。从表1的试验结果可以看出，本文方法综合利用空间聚合的优势，体育运动动作的识别正确率要明显优于对比方法。由于随机投影算法根据贡献最大值进行体育运动动作特征降维，需要大量的训练样本，而且需要对全部体育运动动作训练特征样本进行统一降维处理，易破坏体育运动动作重要特征的内在联系，特征信息的冗余性高，而本文方法采用随机投影算法将体育运动动作特征随机投影到一个低维子空间中，可以有效保证体育运动动作识别的可靠性。
同时从实验结果可以看出，对于全部体育运动动作，两种方法均出现识别结果不理想的现象，如打篮球动作的识别正确率比较低，发生该问题的主要原因是体育运动动作的背景复杂，在目标移动过程中，摄像机受到一定的干扰，影响了体育运动动作特征提取，从而降低了体育运动动作的识别正确率。
3.2.2 体育运动动作识别效率分析
在Matlab R2014b平台上，对两种方法的体育运动动作识别效率进行测试，采用运行时间评估识别效率，不同特征降维的计算时间（单位：s），实验结果统计如表2所示。从表2可以看出，相对于对比方法，本文方法明显提高了体育运动动作识别效率，这主要是由于对比方法采用随机投影算法进行降维，要进行矩阵特征分解，使得时间复杂度高，随着特征维数的增加，降维时间急剧增加，而随机投影算法只需要进行简单的矩阵运算，大幅度提高了特征降维的效率。
4 结 语
为了获得更加理想的体育运动动作识别结果，针对体育运动动作识别过程中的特征提取问题，提出特征降维和混合高斯模型相融合的体育运动动作识别方法。实验结果表明，本文方法可以大幅度提高体育运动动作的识别效率，时间复杂度急剧下降，有效提高体育运动动作识别的正确率，具有广泛的应用前景。
注：本文通讯作者为石千惠。
参考文献
[1] 周巧云，于仕琪.运动体育动作分析[J].先进技术研究通报，2009，3（5）：47?51.
[2] 阮涛涛，姚明海，瞿心昱，等.基于视觉的人体运动分析综述[J].计算机系统应用，2010，20（2）：245?253.
[3] 黎洪松，李达.人体运动分析研究的若干新进展[J].模式识别与人工智能，2009，22（1）：70?78.
[4] 苗雪兰.体育动作量化分析智能系统的设计与实现[J].体育科學，2000，20（3）：85?87.
[5] 张毅，张烁，罗元，等.基于Kinect深度图像信息的手势轨迹识别及应用[J].计算机应用研究，2012，29（9）：3547?3550.
[6] 曹雏清，李瑞峰，赵立军，等.基于深度图像技术的手势识别方法[J].计算机工程，2012，38（8）：16?18.
[7] 李英杰，尹怡欣，邓飞.一种有效的行为识别视频特征[J].计算机应用，2011，31（2）：406?419.
[8] 苗雪兰.基于模糊神经网络理论的体育动作模式识别方法[J].计算机工程与应用，2006（6）：155?157.
[9] 赵海勇，刘志镜，张浩.基于轮廓特征的人体识别行为[J].光电子·激光，2010，21（10）：1547?1551.
[10] 杨健，杨静宇，叶晖.Fisher线性鉴别分析的理论研究及其应用[J].自动化学报，2003，29（4）：481?493.
[11] 林庆，徐柱，王士同，等.HSV自适应混合高斯模型的运动目标检测[J].计算机科学，2010，37（10）：254?256.
