特征筛选和支持向量机的体育视频识别
王宏霞
摘 要： 为了提高体育视频识别的准确率，加快体育视频识别的速度，提出特征筛选和支持向量机的体育视频识别模型。首先提取体育视频图像的特征，并将特征输入到支持向量机进行训练；然后根据训练样本得到每一种特征对体育视频识别的平均贡献值，并根据平均贡献值进行降序排列，去除一些无用、冗余的特征，筛选出重要特征；最后根据重要特征建立体育视频识别模型，采用仿真实验对模型的有效性进行测试和分析。仿真结果表明，该模型提高了体育视频识别的正确率，而且误识率要低于对比模型。
关键词： 体育视频； 支持向量机； 特征筛选； 特征相关性； 识别模型
中图分类号： TN948.4?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）09?0032?04
Abstract： In order to improve the recognition accuracy of sports video， and speed up the recognition speed of sports video， a sports video recognition model based on feature screening and support vector machine is proposed. The features of the sports video image are extracted， and input into the support vector machine for training. The average contribution value of each feature to the sports video recognition is obtained according to the training samples， and performed with descending sort to eliminate the useless and redundant features， and screen out the important features. The sports video recognition model is established according to the important features. The simulation experiment is used to test and analyze the validity of the model. The results show that the model has improved the recognition correctness of sports video， and its false recognition rate is lower than that of other contrast models.
Keywords： sports video； support vector machine； feature screening； feature correlation； recognition model
0 引 言
体育视频识别可以帮助人们对体育视频进行分类，快速找到用户真正需要的体育视频，因此对体育视频进行识别研究具有重要的实际应用价值[1?3]。体育视频识别包括视频采集、特征提取和分类与识别等过程，在所有步骤中，特征提取最为关键，决定了体育视频识别结果的好坏[4]。体育视频识别特征有静态特征和动态特征两种特征，静态特征主要有颜色、尺寸、亮度等，动态特征包括运动矢量场，静态特征和动态特征只能反映体育视频信息的部分信息，建立的体育视频类识别模型性能差，体育视频类别识别正确率低[5]。为解决该难题，有关研究人员提出采用组合特征的体育视频识别模型，该模型综合利用体育视频的静态特征和动态特征的优点，可以更加全面地反映体育视频的类别，获得更优的体育视频识别结果[6]。如果包括的静态特征和动态特征过多，那么会使体育视频识别的速度慢，特征维数过高，易出现维数灾等缺陷[7]。为此，有学者提出对体育视频特征进行筛选，筛选出一些重要的体育视频特征，删除一些不太重要的体育视频特征，加快体育视頻识别的速度[8]。如何对特征进行合理筛选十分重要，当前主要采用逐步判别分析法进行体育视频特征筛选，速度慢，而且难以获得理想的体育视频特征筛选结果[9?10]。
为了解决当前体育视频识别模型的不足，提出特征筛选和支持向量机的体育视频识别模型，并进行仿真实验验证了模型的有效性。
1 特征筛选和支持向量机的体育视频识别框架
基于特征筛选和支持向量机的体育视频识别思路为：首先提取纹理特征、颜色特征，并将特征输入到支持向量机进行训练；然后根据训练样本得到每一种特征的平均贡献值，并筛选出重要特征；最后支持向量机根据重要特征建立体育视频识别模型，具体框架如图1所示。
2 体育视频识别模型的具体设计
2.1 体育视频的采集和预处理
为了防止光照变化对体育视频识别结果的干扰，在光照条件好的环境下采集各种类型的体育视频，然后对体育视频进行分帧处理，去掉其中无效的帧，并将帧图像转化为灰度图和二值化处理[11]。
2.2 提取特征
2.2.1 纹理特征
3 实验结果及分析
为了分析本文提出的体育视频识别模型的性能，采用Matlab 2012工具箱实现仿真测试，以篮球、足球、排球、羽毛球和乒乓球视频作为实验对象，分别选择10幅体育视频图像组成训练集，10幅体育视频图像组成验证集，首先对它们的特征进行筛选，得到的结果具体如表1所示。从表1可以发现，颜色特征对体育识别结果的影响比较重要，综合考虑模型的复杂程度，筛选前八个特征建立体育视频识别模型。
为了使本文算法的体育视频结果更具说服力，选择文献[8]和文献[12]的体育视频识别模型进行对比分析，它们的训练样本和验证样本的识别正确率如图2所示，训练时间和识别时间如图3所示。
从图2可以发现，本文算法的体育视频识别正确率要高于文献[8，12]的体育视频识别模型，可以正确将体育视频划分到相应的类别中，获得了理想的体育视频识别结果。从图3可以看出，本文算法的体育视频识别时间更短，而且训练时间大幅度下降，具有更快的体育视频建模和识别速度，验证了本文算法的优越性。
4 结 语
针对体育视频识别特征数量大、特征冗余严重等问题，提出了特征筛选和支持向量机的体育视频识别模型。根据特征对体育视频识别的平均贡献值进行特征筛选，实验结果表明，本文模型大幅度减少了体育视频识别模型的输入向量数量，简化了识别模型的结构，降低计算时间的复杂度，以较少的特征实现较好的识别结果，不仅提高体育视频识别率，而且改善了体育视频识别的效率，具有十分广泛的应用前景。
参考文献
[1] 田宏阳，马文静.一种动态场景下基于时空信息的视频对象提取算法[J].中国图象图形学报，2007，12（9）：1653?1658.
[2] ZHU Mingfeng. A novel approach for shaded moving object detection based on fuzzy sets [J]. Advanced materials research， 2012， 433（33）： 5293?5297.
[3] 赵骥，冯闯，邵富群，等.基于自适应帧差和水平集的运动目标检测和分割[J].信息与控制，2012，41（2）：153?158.
[4] 蒋巍，张健，曾浩.基于智能视频监控系统的运动目标检测和跟踪[J].电视技术，2012，36（5）：110?114.
[5] KALAISELVI M， PALANIVEL S. A novel blocks intensity comparison code for video classification and retrieval [J]. Expert systems with applications， 2009， 36： 6415?6420.
[6] LIU J， TONG X F， LI W L， et al. Automatic player detection， labeling and tracking in broadcast soccer video [J]. Pattern recognition letters， 2009， 30（5）： 103?113.
[7] 宋刚，肖国强，代毅，等.基于视频区域特征及HMM的体育视频识别研究[J].西南师范大学学报（自然科学版），2010，35（2）：180?185.
[8] 张龙飞，曹元大，周艺华，等.基于支持向量机元分类器的体育视频分类[J].北京理工大学学报，2006，26（1）：41?44.
[9] 鲁梅，卢忱，范九伦.一种有效的基于时空信息的视频运动对象分割算法[J].计算机应用研究，2013，30（1）：303?306.
[10] 侯绿林，白亮，老松杨.一种压缩域中的体育视频慢镜头探測方法[J].计算机科学，2009，36（9）：283?286.
[11] 林彬，刘群，王群，等.足球视频镜头分类方法[J].计算机工程与设计，2012，33（4）：1467?1471.
[12] 曹爱春，杨晓艇，侯旭东.最小二乘支持向量机和证据理论融合的体育视频分类[J].计算机工程与应用，2013，49（23）：95?99.
摘 要： 为了提高体育视频识别的准确率，加快体育视频识别的速度，提出特征筛选和支持向量机的体育视频识别模型。首先提取体育视频图像的特征，并将特征输入到支持向量机进行训练；然后根据训练样本得到每一种特征对体育视频识别的平均贡献值，并根据平均贡献值进行降序排列，去除一些无用、冗余的特征，筛选出重要特征；最后根据重要特征建立体育视频识别模型，采用仿真实验对模型的有效性进行测试和分析。仿真结果表明，该模型提高了体育视频识别的正确率，而且误识率要低于对比模型。
关键词： 体育视频； 支持向量机； 特征筛选； 特征相关性； 识别模型
中图分类号： TN948.4?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）09?0032?04
Abstract： In order to improve the recognition accuracy of sports video， and speed up the recognition speed of sports video， a sports video recognition model based on feature screening and support vector machine is proposed. The features of the sports video image are extracted， and input into the support vector machine for training. The average contribution value of each feature to the sports video recognition is obtained according to the training samples， and performed with descending sort to eliminate the useless and redundant features， and screen out the important features. The sports video recognition model is established according to the important features. The simulation experiment is used to test and analyze the validity of the model. The results show that the model has improved the recognition correctness of sports video， and its false recognition rate is lower than that of other contrast models.
Keywords： sports video； support vector machine； feature screening； feature correlation； recognition model
0 引 言
体育视频识别可以帮助人们对体育视频进行分类，快速找到用户真正需要的体育视频，因此对体育视频进行识别研究具有重要的实际应用价值[1?3]。体育视频识别包括视频采集、特征提取和分类与识别等过程，在所有步骤中，特征提取最为关键，决定了体育视频识别结果的好坏[4]。体育视频识别特征有静态特征和动态特征两种特征，静态特征主要有颜色、尺寸、亮度等，动态特征包括运动矢量场，静态特征和动态特征只能反映体育视频信息的部分信息，建立的体育视频类识别模型性能差，体育视频类别识别正确率低[5]。为解决该难题，有关研究人员提出采用组合特征的体育视频识别模型，该模型综合利用体育视频的静态特征和动态特征的优点，可以更加全面地反映体育视频的类别，获得更优的体育视频识别结果[6]。如果包括的静态特征和动态特征过多，那么会使体育视频识别的速度慢，特征维数过高，易出现维数灾等缺陷[7]。为此，有学者提出对体育视频特征进行筛选，筛选出一些重要的体育视频特征，删除一些不太重要的体育视频特征，加快体育视頻识别的速度[8]。如何对特征进行合理筛选十分重要，当前主要采用逐步判别分析法进行体育视频特征筛选，速度慢，而且难以获得理想的体育视频特征筛选结果[9?10]。
为了解决当前体育视频识别模型的不足，提出特征筛选和支持向量机的体育视频识别模型，并进行仿真实验验证了模型的有效性。
1 特征筛选和支持向量机的体育视频识别框架
基于特征筛选和支持向量机的体育视频识别思路为：首先提取纹理特征、颜色特征，并将特征输入到支持向量机进行训练；然后根据训练样本得到每一种特征的平均贡献值，并筛选出重要特征；最后支持向量机根据重要特征建立体育视频识别模型，具体框架如图1所示。
2 体育视频识别模型的具体设计
2.1 体育视频的采集和预处理
为了防止光照变化对体育视频识别结果的干扰，在光照条件好的环境下采集各种类型的体育视频，然后对体育视频进行分帧处理，去掉其中无效的帧，并将帧图像转化为灰度图和二值化处理[11]。
2.2 提取特征
2.2.1 纹理特征
3 实验结果及分析
为了分析本文提出的体育视频识别模型的性能，采用Matlab 2012工具箱实现仿真测试，以篮球、足球、排球、羽毛球和乒乓球视频作为实验对象，分别选择10幅体育视频图像组成训练集，10幅体育视频图像组成验证集，首先对它们的特征进行筛选，得到的结果具体如表1所示。从表1可以发现，颜色特征对体育识别结果的影响比较重要，综合考虑模型的复杂程度，筛选前八个特征建立体育视频识别模型。
为了使本文算法的体育视频结果更具说服力，选择文献[8]和文献[12]的体育视频识别模型进行对比分析，它们的训练样本和验证样本的识别正确率如图2所示，训练时间和识别时间如图3所示。
从图2可以发现，本文算法的体育视频识别正确率要高于文献[8，12]的体育视频识别模型，可以正确将体育视频划分到相应的类别中，获得了理想的体育视频识别结果。从图3可以看出，本文算法的体育视频识别时间更短，而且训练时间大幅度下降，具有更快的体育视频建模和识别速度，验证了本文算法的优越性。
4 结 语
针对体育视频识别特征数量大、特征冗余严重等问题，提出了特征筛选和支持向量机的体育视频识别模型。根据特征对体育视频识别的平均贡献值进行特征筛选，实验结果表明，本文模型大幅度减少了体育视频识别模型的输入向量数量，简化了识别模型的结构，降低计算时间的复杂度，以较少的特征实现较好的识别结果，不仅提高体育视频识别率，而且改善了体育视频识别的效率，具有十分广泛的应用前景。
参考文献
[1] 田宏阳，马文静.一种动态场景下基于时空信息的视频对象提取算法[J].中国图象图形学报，2007，12（9）：1653?1658.
[2] ZHU Mingfeng. A novel approach for shaded moving object detection based on fuzzy sets [J]. Advanced materials research， 2012， 433（33）： 5293?5297.
[3] 赵骥，冯闯，邵富群，等.基于自适应帧差和水平集的运动目标检测和分割[J].信息与控制，2012，41（2）：153?158.
[4] 蒋巍，张健，曾浩.基于智能视频监控系统的运动目标检测和跟踪[J].电视技术，2012，36（5）：110?114.
[5] KALAISELVI M， PALANIVEL S. A novel blocks intensity comparison code for video classification and retrieval [J]. Expert systems with applications， 2009， 36： 6415?6420.
[6] LIU J， TONG X F， LI W L， et al. Automatic player detection， labeling and tracking in broadcast soccer video [J]. Pattern recognition letters， 2009， 30（5）： 103?113.
[7] 宋刚，肖国强，代毅，等.基于视频区域特征及HMM的体育视频识别研究[J].西南师范大学学报（自然科学版），2010，35（2）：180?185.
[8] 张龙飞，曹元大，周艺华，等.基于支持向量机元分类器的体育视频分类[J].北京理工大学学报，2006，26（1）：41?44.
[9] 鲁梅，卢忱，范九伦.一种有效的基于时空信息的视频运动对象分割算法[J].计算机应用研究，2013，30（1）：303?306.
[10] 侯绿林，白亮，老松杨.一种压缩域中的体育视频慢镜头探測方法[J].计算机科学，2009，36（9）：283?286.
[11] 林彬，刘群，王群，等.足球视频镜头分类方法[J].计算机工程与设计，2012，33（4）：1467?1471.
[12] 曹爱春，杨晓艇，侯旭东.最小二乘支持向量机和证据理论融合的体育视频分类[J].计算机工程与应用，2013，49（23）：95?99.
