CN107730532A - 一种羽毛球运动轨迹跟踪方法、***、介质及设备 - Google Patents
一种羽毛球运动轨迹跟踪方法、***、介质及设备 Download PDFInfo
- Publication number
- CN107730532A CN107730532A CN201711065134.1A CN201711065134A CN107730532A CN 107730532 A CN107730532 A CN 107730532A CN 201711065134 A CN201711065134 A CN 201711065134A CN 107730532 A CN107730532 A CN 107730532A
- Authority
- CN
- China
- Prior art keywords
- badminton
- shuttlecock
- sport foreground
- picture
- gravity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种羽毛球运动轨迹跟踪方法,包括:利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到羽毛球的重心;提取当前帧的运动前景;其中,运动前景包括羽毛球运动前景和干扰物运动前景;计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;按预设的筛选条件对运动距离组中的数值进行筛选;将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点。通过本发明中的方法,可以提高对羽毛球运动轨迹跟踪的速度以及减少在对羽毛球运动轨迹进行跟踪时的丢帧现象。相应的,本发明还公开了一种羽毛球运动轨迹跟踪***、介质及设备,同样具有上述有益效果。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种羽毛球运动轨迹跟踪方法、***、介质及设备。
背景技术
在进行羽毛球的比赛过程中,一般是通过摄像机来实时的采集羽毛球的运动轨迹,再由相关的软件***对羽毛球的运行状态进行分析,从而给教练员和运动员提供相应的参考。目前,对于羽毛球运动轨迹的跟踪,常用的方法有两种,一种是TLD(tracking-learning-detection)目标跟踪算法,该算法是基于图像的颜色直方图对运动物体进行检测跟踪,但是该算法会对目标物体进行实时的学习,使得该算法的运行速度较为缓慢,不能快速跟踪像羽毛球之类快速运动的物体,而且这种算法的运行效果易受背景颜色的影响。另一种是kcf(kernelized correlation filters)跟踪算法,但是该算法在跟踪高速运动以及较小的运动目标时,会在跟踪运动物体的过程中出现丢帧的现象。综上所述,怎样利用更好的方法来对羽毛球的运动轨迹进行跟踪,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种羽毛球运动轨迹跟踪方法、***、介质及设备,以提高在检测跟踪羽毛球轨迹时的运行速度,以及降低羽毛球在跟踪过程中的丢帧现象。其具体方案如下:
一种羽毛球运动轨迹跟踪方法,包括:
利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到所述羽毛球的重心;
提取所述当前帧的运动前景;其中,所述运动前景包括羽毛球运动前景和干扰物运动前景;
计算所述重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;
按预设的筛选条件对所述运动距离组中的数值进行筛选;
将筛选到的数值所对应的运动前景的重心,标记为所述当前帧的羽毛球位置点;其中,所述羽毛球模型为利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型;所述训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
优选的,所述提取所述当前帧的运动前景的过程,包括:
利用高斯背景的前景滤波算法提取所述当前帧的运动前景。
优选的,所述按预设的筛选条件对所述运动距离组中的数值进行筛选的过程,包括:
按预设的运动前景的周长筛选条件和/或面积筛选条件和/或颜色占比筛选条件对数值进行筛选。
优选的,所述利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型的过程,包括:
利用Haar算法提取所述图片特征,并根据所述图片特征基于AdaBoost算法创建模型。
优选的,所述训练样本中羽毛球运动图片和干扰物图片的数量比例为m<n;其中,羽毛球运动图片的数量为m,干扰物图片的数量为n。
优选的,所述利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测的过程之后,还包括:
若未检测到所述羽毛球,则继续对所述羽毛球进行检测。
优选的,所述按预设的筛选条件对所述运动距离组中的数值进行筛选的过程之后,还包括:
若未筛选到符合所述筛选条件的数值,则不对所述当前帧进行标记。
相应的,本发明还公开了一种羽毛球运动轨迹跟踪***,包括:
羽毛球检测模块,用于利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到所述羽毛球的重心;
运动前景提取模块,用于提取所述当前帧的运动前景;其中,所述运动前景包括羽毛球运动前景和干扰物运动前景;
数值排序模块,用于计算所述重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;
数值筛选模块,用于按预设的筛选条件对所述运动距离组中的数值进行筛选;
位置点标记模块,用于将筛选到的数值所对应的运动前景的重心,标记为所述当前帧的羽毛球位置点;其中,所述羽毛球模型为利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型;所述训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
相应的,本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前述公开的羽毛球运动轨迹跟踪方法的步骤。
相应的,本发明还公开了一种羽毛球运动轨迹跟踪设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如前述公开的羽毛球运动轨迹跟踪方法的步骤。
在本发明中,一种羽毛球运动轨迹跟踪方法,包括:利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到羽毛球的重心;提取当前帧的运动前景;其中,运动前景包括羽毛球运动前景和干扰物运动前景;计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;按预设的筛选条件对运动距离组中的数值进行筛选;将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点;其中,羽毛球模型为利用训练样本中的图片特征,并根据图片特征基于AdaBoost算法创建的模型;训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
可见,在本发明中,首先是利用预先训练好的羽毛球模型,来提取羽毛球运动视频中当前帧的前一帧的羽毛球的位置坐标点,通过这样的方法,避免了现有技术当中对羽毛球运动轨迹一边跟踪、一边更新,使得算法运行缓慢的问题。而且在训练羽毛球模型时充分利用了机器学习识别准确率高的优点,从而能够实现在短时间内能够稳定获取大量的羽毛球的特征。其次,通过提取当前帧中的运动前景,从而排除了静态背景对运动物体的干扰,减少了大量的计算量,之后再计算当前帧中每一个运动前景与上一帧中羽毛球重心位置的距离,并将距离按数值的大小进行排序,得到运动距离组。再在运动距离组中去寻找当前帧中羽毛球的位置点,通过本发明中的这种方法,使得在寻找当前帧中的羽毛球位置坐标时,是在一个预定的区域范围内去寻找位置坐标点,所以可以提高算法的运行速率。而且,通过一个预先设定的筛选条件对当前帧中的运动前景中去寻找羽毛球的位置坐标,在一定程度上,扩大了对羽毛球位置坐标的查找范围,从而避免了在跟踪羽毛球时会出现的丢帧问题。综上,利用本发明中的方法,可以更好地去跟踪羽毛球的运动轨迹。相应的,本发明还公开了一种羽毛球运动轨迹跟踪***、介质及设备,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一公开的一种羽毛球运动轨迹跟踪方法流程图;
图2为本发明实施例二公开的一种羽毛球运动轨迹跟踪方法流程图;
图3为本发明公开的一种羽毛球运动轨迹跟踪***结构图;
图4为本发明公开的一种羽毛球运动轨迹跟踪设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例一公开了一种羽毛球运动轨迹跟踪方法,如图1所示,该方法包括:
步骤S11:利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到羽毛球的重心。其中,羽毛球模型为利用训练样本中的图片特征,并根据图片特征基于AdaBoost算法创建的模型;训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
在本实施例中,首先是创建一个能够检测羽毛球位置坐标的羽毛球模型,具体的,是先提取羽毛球图片中的特征,利用提取到的特征来建立若干个弱分类器,然后再基于AdaBoost算法将这若干个弱分类器级联成一个强分类器,进而得到羽毛球模型。当获取到羽毛球模型时,则利用羽毛球模型来检测羽毛球运动视频中的羽毛球的位置坐标。可以理解的是,因为通过训练得到的羽毛球模型中含有大量能够体现羽毛球运动信息的特征,所以利用这些特征,能够检测到羽毛球。需要说明的是,在本发明中是利用羽毛球模型对羽毛球运动视频中当前帧的前一帧中的羽毛球,来得到羽毛球的重心。而且在创建羽毛球模型时利用了机器学习的思想,所以创建出来的羽毛球模型具有识别准确高的优点,而且在本发明中,没有对羽毛球的位置坐标进行在线检测与识别,所以减少了算法运行的时间。
步骤S12:提取当前帧的运动前景;其中,运动前景包括羽毛球运动前景和干扰物运动前景。
可以理解的是,在实际应用当中,在羽毛球的运动视频当中会存在一定的干扰物,所以为了排除静态背景以及一些其他干扰物对检测羽毛球运动轨迹时的干扰,首先是要提取出羽毛球运动视频中当前帧的运动前景,然后再去执行后续的步骤,从而可以提高算法的运行时间。需要说明的是,对运动前景的提取方法包括但不限于高斯背景的前景滤波算法,此处应以能够达到实际操作为目的,此处不作限定。
步骤S13:计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组。
步骤S14:按预设的筛选条件对运动距离组中的数值进行筛选。
步骤S15:将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点。
在本实施例中,将羽毛球运动视频中当前帧的前一帧的重心与当前帧中运动前景的每一个运动前景的重心进行计算后,可以得到一系列的计算数值,将这些计算数值按照数值的大小进行排序后,再在这些排序后的数值中进行筛选,即可以找到当前帧中羽毛球的重心坐标。可以理解的是,在当前帧中的所有运动前景当中去确定哪一个运动前景是羽毛球的重心坐标时,会在排序后的运动距离组中去寻找相应的运动前景,这样使得算法在运行的过程中,是在一定的预设范围内去寻找羽毛球的位置点,从而减少了算法的运行时间。更为重要的是,运动距离组中距离越小的值,相对应的找到羽毛球的位置点的概率就越大。例如:当帧率较高的相机(100帧以上),当前帧中距离前一帧中羽毛球位置点最小的那个运动前景的点,就是当前帧中羽毛球的位置点可能性最大的位置点,而且,一旦找到了羽毛球的位置点,就会停止对下一个运动前景的计算,本发明正是通过这样的方法大大缩短了算法运行的时间。需要说明的是,此处预设的筛选条件,可以是按照当前帧中计算值的大小,选取的一个合理的参数值,也可以是根据实际操作的经验,预先设定的一个参数范围,对于预设筛选条件的限定,要以达到实际操作为目的,此处不作限定。
可以理解的是,当利用上述方法筛选到了符合预设筛选条件的重心坐标时,也即可以认为是在羽毛球运动的当前帧中找到了羽毛球的运动位置坐标点,所以通过本发明中的方法可以跟踪到羽毛球的运动轨迹。
在本发明中,一种羽毛球运动轨迹跟踪方法,包括:利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到羽毛球的重心;其中,羽毛球模型为利用训练样本中的图片特征,并根据图片特征基于AdaBoost算法创建的模型;训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。提取当前帧的运动前景;其中,运动前景包括羽毛球运动前景和干扰物运动前景;计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;按预设的筛选条件对运动距离组中的数值进行筛选;将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点,并对该坐标位置点进行更新,也即通过这样的方法实现了羽毛球的动态跟踪。
可见,在本发明中,首先是利用预先训练好的羽毛球模型,来提取羽毛球运动视频中当前帧的前一帧的羽毛球的位置坐标点,通过这样的方法,避免了现有技术当中对羽毛球运动轨迹一边跟踪、一边更新,使得算法运行缓慢的问题。而且在训练羽毛球模型时充分利用了机器学习识别准确率高的优点,从而能够实现在短时间内能够稳定获取大量的羽毛球的特征。其次,通过提取当前帧中的运动前景,从而排除了静态背景对运动物体的干扰,减少了大量的计算量,之后再计算当前帧中每一个运动前景与上一帧中羽毛球重心位置的距离,并将距离按数值的大小进行排序,得到运动距离组。再在运动距离组中去寻找当前帧中羽毛球的位置点,通过本发明中的这种方法,使得在寻找当前帧中的羽毛球位置坐标时,是在一个预定的区域范围内去寻找位置坐标点,所以可以提高算法的运行速率。而且,通过一个预先设定的筛选条件对当前帧中的运动前景中去寻找羽毛球的位置坐标,在一定程度上,扩大了对羽毛球位置坐标的查找范围,从而避免了在跟踪羽毛球时会出现的丢帧问题。综上,利用本发明中的方法,可以更好地去跟踪羽毛球的运动轨迹。
本发明实施例二公开了一种具体的羽毛球运动轨迹跟踪方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。如图2所示,具体的:
步骤S21:利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测;其中,羽毛球模型为利用训练样本中的图片特征,并根据图片特征基于AdaBoost算法创建的模型;训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
在本实施例中,创建羽毛球模型的方法,可参见实施例一公开的内容,此处不再赘述,需要说明的是,在本实施例中,是利用Haar算法来提取训练样本中图片的特征,可以理解的是,Haar特征的特征样子就是矩形特征的模板,原理上就是将几种基本的特征原型通过不同的缩放并放置于不同的位置,所以利用这种方法可以提取到图片中更多的特征信息。具体的,在本实施例中,是选取了大小为64×64的图像,然后在图像中提取了超过160000个特征,再在这些特征中选取一个错误率最低的特征创建一个弱分类器,为了使得创建的模型准确率更高,在本发明中是采用100个弱分类器,然后基于AdaBoost算法将这100个弱分类器根据不同的权值结合起来得到一个强分类器,从而得到羽毛球模型。然后再利用羽毛球模型来检测羽毛球运动视频中的羽毛球,需要说明的是,在利用AdaBoost算法将弱分类器级联成强分类器的过程,应以能够达到实际情况来作相应的调整,此处不作限定。
进一步的,当训练样本中羽毛球运动图片和干扰物图片的数量比例为m<n;其中,羽毛球运动图片的数量为m,干扰物图片的数量为n时,羽毛球模型的鲁棒性较好。
可以理解的是,为了提高羽毛球模型在对羽毛球识别过程中的准确率以及提高羽毛球模型对背景的抗干扰能力,在本实施例中,可以在选取训练样本时,对训练样本中的羽毛球运动图片以及干扰物图片的数量进行相应的调整。也即,在实际操作当中,可以选取大量含有干扰物的图片作为负样本,少量羽毛球图片作为正样本,来提高羽毛球模型的鲁棒性。例如,在本实施例中,是选取了7000张羽毛球图片作为正样本,21000张羽毛球周围背景图片(如:羽毛球场)作为负样本,然后再通过这些训练样本来对创建的羽毛球模型进行反复的训练,来提高羽毛球对背景的抗干扰能力,从而使得羽毛球模型的鲁棒性更强,稳定性更好。
步骤S22:若检测到羽毛球,则得到羽毛球的重心。
步骤S23:若未检测到羽毛球,则继续对羽毛球进行检测。
可以理解的是,如果利用羽毛球模型在羽毛球的运动视频中,没有检测到羽毛球,则继续对羽毛球运动视频中的羽毛球进行检测,从而使得对于羽毛球的检测更加准确。
步骤S24:利用高斯背景的前景滤波算法提取当前帧的运动前景。
具体的,在本实施例中,为了得到成像质量更好的图像,是利用高斯背景的前景滤波算法来提取当前帧中运动前景,从而排除图片当中静态背景的干扰,来提高算法的运行速度。当然,还可以用其他的算法来提取当前帧中的运动前景,此处对于运动前景的提取方法不作限定。
步骤S25:计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组。
步骤S26:按预设的运动前景的周长筛选条件和/或面积筛选条件和/或颜色占比筛选条件对数值进行筛选。
步骤S27:将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点。
在本实施例中,可以将羽毛球运动视频中第n-1帧中羽毛球的重心位置坐标,记为Ba_p(x,y)=Pn-1(Xn-1,Yn-1),也即将Pn-1(Xn-1,Yn-1)视为是当前帧的前一帧的羽毛球的重心坐标。再读取羽毛球运动视频的当前帧,通过高斯背景的滤波算法滤出运动前景,计算第n-1帧的羽毛球重心Pn-1(Xn-1,Yn-1)与当前帧的所有运动前景重心的距离,得到前一帧与当前帧的所有运动前景的距离,也即D{D1,D2,D3,D4...DN};其中,Dn代表当前帧中第n个运动前景与前一帧羽毛球重心的距离;再将数组D{D1,D2,D3,D4...DN}按数值的大小进行排序,然后利用运动前景的周长筛选条件和/或面积筛选条件和/或颜色占比筛选条件,简单检测这些运动前景是否符合羽毛球运动轨迹的基本特征,当筛选到了符合预设筛选条件的羽毛球的重心坐标,则将该位置重心标记为当前帧中羽毛球的位置坐标,并对该坐标位置点进行更新,也即通过这样的方法实现了羽毛球的动态跟踪。
需要说明的是,对于从运动距离组中筛选当前帧中羽毛球的位置坐标时,筛选条件包括但不限于利用提取到的运动前景的周长和/或面积和/或颜色占比来对羽毛球的坐标进行检测,还可以是其他的一些筛选条件,此处应以能够达到实际操作为目的,对筛选条件进行相应的调整与增加,此处不作限定,在此进行说明。
步骤S28:若未筛选到符合筛选条件的数值,则不对当前帧进行标记。
可以理解的是,当检测到当前帧中某一运动前景的重心与前一帧中的羽毛球重心的距离,大于一个预设的阈值Dmax时,则认为羽毛球的运动轨迹丢失。此时,需要利用本实施例公开的方法对羽毛球的轨迹进行再一次的检测,来跟踪羽毛球的运动轨迹。具体的,在本实施例中,是使用ZED双目摄像头来检测羽毛球运动的运动轨迹,该视频大小为1280×720,是以60FPS的速度处理羽毛球的运动视频,实验当中该阈值Dmax设置为800较为合适,当然,根据实际情况的不同,应该对该阈值Dmax作相应的调整,在此进行说明。
相应的,本发明还公开了一种羽毛球运动轨迹跟踪***,如图3所示,该***包括:
羽毛球检测模块31,用于利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到羽毛球的重心;其中,羽毛球模型为利用训练样本中的图片特征,并根据图片特征基于AdaBoost算法创建的模型;训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
运动前景提取模块32,用于提取当前帧的运动前景;其中,运动前景包括羽毛球运动前景和干扰物运动前景。
数值排序模块33,用于计算重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组。
数值筛选模块34,用于按预设的筛选条件对运动距离组中的数值进行筛选。
位置点标记模块35,用于将筛选到的数值所对应的运动前景的重心,标记为当前帧的羽毛球位置点;
优选的,运动前景提取模块32包括:
运动前景提取单元,用于利用高斯背景的前景滤波算法提取当前帧的运动前景。
优选的,数值筛选模块34包括:
数值筛选单元,用于按预设的运动前景的周长筛选条件和/或面积筛选条件和/或颜色占比筛选条件对数值进行筛选。
优选的,羽毛球运动轨迹跟踪***还包括:
羽毛球再检模块,用于当未检测到羽毛球,则继续对羽毛球进行检测。
优选的,羽毛球运动轨迹跟踪***还包括:
条件筛选模块,用于按预设的筛选条件对运动距离组中的数值进行筛选的过程之后,若未筛选到符合筛选条件的数值,则不对当前帧进行标记。
相应的,本发明还公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述公开的羽毛球运动轨迹跟踪方法的步骤。
相应的,本发明还公开了一种羽毛球运动轨迹跟踪设备,如图4所示,包括:
存储器41,用于存储计算机程序;
处理器42,用于执行计算机程序时实现如前述公开的羽毛球运动轨迹跟踪方法的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种羽毛球运动轨迹跟踪方法、***、介质及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种羽毛球运动轨迹跟踪方法,其特征在于,包括:
利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到所述羽毛球的重心;其中,所述羽毛球模型为利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型;所述训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
提取所述当前帧的运动前景;其中,所述运动前景包括羽毛球运动前景和干扰物运动前景;
计算所述重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;
按预设的筛选条件对所述运动距离组中的数值进行筛选;
将筛选到的数值所对应的运动前景的重心,标记为所述当前帧的羽毛球位置点。
2.根据权利要求1所述的方法,其特征在于,所述提取所述当前帧的运动前景的过程,包括:
利用高斯背景的前景滤波算法提取所述当前帧的运动前景。
3.根据权利要求1所述的方法,其特征在于,所述按预设的筛选条件对所述运动距离组中的数值进行筛选的过程,包括:
按预设的运动前景的周长筛选条件和/或面积筛选条件和/或颜色占比筛选条件对数值进行筛选。
4.根据权利要求1所述的方法,其特征在于,所述利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型的过程,包括:
利用Haar算法提取所述图片特征,并根据所述图片特征基于AdaBoost算法创建模型。
5.根据权利要求1所述的方法,其特征在于,所述训练样本中羽毛球运动图片和干扰物图片的数量比例为m<n;其中,羽毛球运动图片的数量为m,干扰物图片的数量为n。
6.根据权利要求1所述的方法,其特征在于,所述利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测的过程之后,还包括:
若未检测到所述羽毛球,则继续对所述羽毛球进行检测。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述按预设的筛选条件对所述运动距离组中的数值进行筛选的过程之后,还包括:
若未筛选到符合所述筛选条件的数值,则不对所述当前帧进行标记。
8.一种羽毛球运动轨迹跟踪***,其特征在于,包括:
羽毛球检测模块,用于利用羽毛球模型对羽毛球运动视频的当前帧的前一帧中的羽毛球进行检测,得到所述羽毛球的重心;
运动前景提取模块,用于提取所述当前帧的运动前景;其中,所述运动前景包括羽毛球运动前景和干扰物运动前景;
数值排序模块,用于计算所述重心与每一个运动前景的重心的距离,并将距离按数值的大小进行排序,得到运动距离组;
数值筛选模块,用于按预设的筛选条件对所述运动距离组中的数值进行筛选;
位置点标记模块,用于将筛选到的数值所对应的运动前景的重心,标记为所述当前帧的羽毛球位置点;其中,所述羽毛球模型为利用训练样本中的图片特征,并根据所述图片特征基于AdaBoost算法创建的模型;所述训练样本包括羽毛球运动图片和干扰物图片以及相应的图片分类信息。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述羽毛球运动轨迹跟踪方法的步骤。
10.一种羽毛球运动轨迹跟踪设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的羽毛球运动轨迹跟踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065134.1A CN107730532B (zh) | 2017-11-02 | 2017-11-02 | 一种羽毛球运动轨迹跟踪方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065134.1A CN107730532B (zh) | 2017-11-02 | 2017-11-02 | 一种羽毛球运动轨迹跟踪方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730532A true CN107730532A (zh) | 2018-02-23 |
CN107730532B CN107730532B (zh) | 2021-05-11 |
Family
ID=61222349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711065134.1A Expired - Fee Related CN107730532B (zh) | 2017-11-02 | 2017-11-02 | 一种羽毛球运动轨迹跟踪方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730532B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011490A (zh) * | 2018-10-24 | 2018-12-18 | 深圳市衡泰信科技有限公司 | 基于红外双目高速摄像的高尔夫运动地面感测装置及方法 |
WO2022254637A1 (ja) * | 2021-06-02 | 2022-12-08 | 日本電信電話株式会社 | 位置推定方法、位置推定装置およびプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及*** |
CN103617644A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 一种基于机器视觉的羽毛球边线越界判别方法 |
US20160243396A1 (en) * | 2014-03-13 | 2016-08-25 | Jon Taylor | Arcuate motion apparatus and method |
-
2017
- 2017-11-02 CN CN201711065134.1A patent/CN107730532B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及*** |
CN103617644A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 一种基于机器视觉的羽毛球边线越界判别方法 |
US20160243396A1 (en) * | 2014-03-13 | 2016-08-25 | Jon Taylor | Arcuate motion apparatus and method |
Non-Patent Citations (2)
Title |
---|
KIM SENG CHIA ETC.: ""A BADMINTON ROBOT-SERVING OPERATION DESIGN"", 《ARPN JOURNAL OF ENGINEERING AND APPLIED SCIENCES》 * |
王志强: ""基于图像识别的羽毛球实时分类统计***的研究"", 《万方数据知识服务平台》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011490A (zh) * | 2018-10-24 | 2018-12-18 | 深圳市衡泰信科技有限公司 | 基于红外双目高速摄像的高尔夫运动地面感测装置及方法 |
CN109011490B (zh) * | 2018-10-24 | 2021-02-02 | 深圳市衡泰信科技有限公司 | 基于红外双目高速摄像的高尔夫运动地面感测装置及方法 |
WO2022254637A1 (ja) * | 2021-06-02 | 2022-12-08 | 日本電信電話株式会社 | 位置推定方法、位置推定装置およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN107730532B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Real-time face detection based on YOLO | |
CN110472554B (zh) | 基于姿态分割和关键点特征的乒乓球动作识别方法及*** | |
CN108986064B (zh) | 一种人流量统计方法、设备及*** | |
US12046038B2 (en) | System and method for generating visual analytics and player statistics | |
CN110674785A (zh) | 一种基于人体关键点跟踪的多人姿态分析方法 | |
CN101477626B (zh) | 一种在复杂场景的视频中进行人体头肩检测的方法 | |
CN108805900A (zh) | 一种跟踪目标的确定方法及装置 | |
CN110738101A (zh) | 行为识别方法、装置及计算机可读存储介质 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN103092930B (zh) | 视频摘要生成方法和视频摘要生成装置 | |
CN102281385B (zh) | 基于运动视频的周期运动检测方法 | |
CN109711332B (zh) | 一种基于回归算法的人脸跟踪方法及应用 | |
CN105894540A (zh) | 一种基于移动终端的上下往复移动计数方法及*** | |
CN106778570B (zh) | 一种行人实时检测与跟踪方法 | |
CN106447701A (zh) | 用于图像相似性确定、对象检测和跟踪的方法和装置 | |
CN110287907A (zh) | 一种对象检测方法和装置 | |
CN112446333B (zh) | 基于重检测的球类目标跟踪方法及*** | |
CN112232210A (zh) | 一种人员流量分析方法和***、电子设备和可读存储介质 | |
Hsu et al. | Coachai: A project for microscopic badminton match data collection and tactical analysis | |
CN107730532A (zh) | 一种羽毛球运动轨迹跟踪方法、***、介质及设备 | |
CN109460724A (zh) | 基于对象检测的停球事件的分离方法和*** | |
CN102194270B (zh) | 基于启发信息的行人流量统计方法 | |
CN107886057A (zh) | 一种机器人的挥手检测方法、***及一种机器人 | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN103955673A (zh) | 一种基于头肩模型的人体识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 Termination date: 20211102 |