CN108021883B - 球体运动模式识别的方法、装置和存储介质 - Google Patents

球体运动模式识别的方法、装置和存储介质 Download PDF

Info

Publication number
CN108021883B
CN108021883B CN201711259464.4A CN201711259464A CN108021883B CN 108021883 B CN108021883 B CN 108021883B CN 201711259464 A CN201711259464 A CN 201711259464A CN 108021883 B CN108021883 B CN 108021883B
Authority
CN
China
Prior art keywords
field
motion
sphere
convolution kernel
displacement
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.)
Active
Application number
CN201711259464.4A
Other languages
English (en)
Other versions
CN108021883A (zh
Inventor
陈南款
和锐
刘定
刘丰宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen hongjindi sports intelligence Co.,Ltd.
Original Assignee
Shenzhen Yingshi Sports Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yingshi Sports Technology Co ltd filed Critical Shenzhen Yingshi Sports Technology Co ltd
Priority to CN201711259464.4A priority Critical patent/CN108021883B/zh
Publication of CN108021883A publication Critical patent/CN108021883A/zh
Application granted granted Critical
Publication of CN108021883B publication Critical patent/CN108021883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种球体运动模式识别的方法、装置和存储介质，该方法包括：使用局部多帧轨迹信息，通过定义不同的位置和位移卷积核来搜索最佳匹配的位置和位移模式；根据最佳匹配的位置和位移模式，判断得到稳定的球体运动模式。本发明方法通过局部多帧轨迹信息，能够去除轨迹中的噪声干扰，稳定识别出球体的运动状态；本发明方法不需要建立正负样本库来训练模型，操作简便。而且本方法应用范围广泛，适用于大部分的球体运动模式的识别。

Description

球体运动模式识别的方法、装置和存储介质
技术领域
本发明涉及智能球场技术领域，尤其涉及一种球体运动模式识别的方法、装置和存储介质。
背景技术
球体运动模式的识别是智能球场中不可或缺的一部分，是球体运动轨迹分析的基础，具有很重要的作用。目前对球体运动模式的识别通常采用如下两种方案：
一是通过建立样本库，训练隐含马尔列夫模型，识别球体的运动模式；二是通过建立样本库，训练对应的神经网络分类器，识别球体的运动模式。
但是现有方法如隐含马尔列夫模型和神经网络分类器都需要建立正负样本库进行训练，因而流程较复杂。此外，现有的部分球体轨迹分析方法使用连续两帧的轨迹信息进行球体运动模式的识别，容易受噪声干扰，造成识别不稳定。
发明内容
本发明提供一种流程简单、识别稳定的球体运动模式识别的方法、装置和存储介质。
为实现上述目的，本发明提供一种球体运动模式识别的方法，包括：
使用局部多帧轨迹信息，通过定义不同的位置和位移卷积核来搜索最佳匹配的位置和位移模式；
根据最佳匹配的位置和位移模式，判断得到稳定的球体运动模式。
其中，所述使用局部多帧轨迹信息，通过定义不同的位置和位移卷积核来搜索最佳匹配的位置和位移模式的步骤包括：
通过三维重建提取到球体的三维轨迹；
基于提取到的所述球体的三维轨迹，获取局部多帧轨迹信息；
定义所述球体运动模式不同的位置和位移卷积核，通过卷积核计算得到不同球体运动模式的匹配度；
使用所述局部多帧轨迹信息，通过定义的所述球体不同的位置和位移卷积核计算得到相应的匹配度，然后搜索最佳匹配的位置和位移模式。
其中，所述定义所述球体运动模式的位移卷积核包括：基于位置状态定义的卷积核、基于位移状态定义的卷积核。
其中，所述基于位置状态定义的卷积核包括：A半场卷积核、B半场卷积核、A半场过网到B半场卷积核、B半场过网到A半场卷积核。
其中，所述基于位移状态定义的卷积核包括：A半场运动到B半场卷积核、B半场运动到A半场卷积核、A到B然后B到A卷积核、B到A然后A到B卷积核。
其中，所述球体运动模式包含两种类型：动作和稳定状态，其中：
动作包括：A半场拍球动作、B半场拍球动作、A半场到B半场的过网动作、B半场到A半场的过网动作、A半场触网的动作、B半场触网的动作；
稳定状态包括：网球不可见、网球在A半场并从A半场运动到B半场、网球在A半场并从B半场运动到A半场、网球在B半场并从B半场运动到A半场、网球在B半场并从A半场运动到B半场。
此外，本发明还提出一种球体运动模式识别的装置，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。
此外，本发明还提出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运行时实现如上所述的方法的步骤。
相比现有技术，现有方法如隐含马尔列夫模型和神经网络分类器都需要建立正负样本库进行训练，因而流程较复杂，本发明方法不需要建立正负样本库来训练模型，且运动模式识别比较稳定，具有简单稳定的特点，达到操作简便并通用的目的。现有的部分球体轨迹分析方法使用连续两帧的轨迹信息进行球体运动模式的识别，容易受噪声干扰，造成识别不稳定，本发明方法使用局部多帧的轨迹信息，达到运动状态识别更稳定的目的。
因此，相比通过连续两帧轨迹信息进行识别的方法，本发明方法通过局部多帧轨迹信息，能够去除轨迹中的噪声干扰，稳定识别出球体的运动状态。而且本方法应用范围广泛，适用于大部分的球体运动模式的识别。
附图说明
图1是本发明提出的球体运动模式识别的方法实施例的流程示意图；
图2是本发明球体运动模式识别在轨迹分析中的位置示意图；
图3是球体运动模式识别流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
具体地，请参照图1，图1是本发明提出的球体运动模式识别的方法实施例的流程示意图。
如图1所示，本发明实施例提出一种球体运动模式识别的方法，包括：
步骤S1，使用局部多帧轨迹信息，通过定义不同的位置和位移卷积核来搜索最佳匹配的位置和位移模式；
具体地，通过三维重建提取到球体的三维轨迹；基于提取到的所述球体的三维轨迹，获取局部多帧轨迹信息；定义所述球体运动模式不同的位置和位移卷积核，通过卷积核计算得到球体运动模式的匹配度；使用所述局部多帧轨迹信息，通过定义的所述球体不同的位置和位移卷积核计算得到相应的匹配度，然后搜索最佳匹配的位置和位移模式。
其中，所述定义所述球体运动模式的位移卷积核包括：基于位置状态定义的卷积核、基于位移状态定义的卷积核。
所述基于位置状态定义的卷积核包括：A半场卷积核、B半场卷积核、A半场过网到B半场卷积核、B半场过网到A半场卷积核。
所述基于位移状态定义的卷积核包括：A半场运动到B半场卷积核、B半场运动到A半场卷积核、A到B然后B到A卷积核、B到A然后A到B卷积核。
步骤S2，根据最佳匹配的位置和位移模式，判断得到稳定的球体运动模式。
通常球体运动模式包含两种类型：动作和稳定状态，其中：
动作包括：A半场拍球动作、B半场拍球动作、A半场到B半场的过网动作、B半场到A半场的过网动作、A半场触网的动作、B半场触网的动作；
稳定状态包括：网球不可见、网球在A半场并从A半场运动到B半场、网球在A半场并从B半场运动到A半场、网球在B半场并从B半场运动到A半场、网球在B半场并从A半场运动到B半场。
根据最佳匹配的位置和位移模式，对球体运动模式进行识别。
相比现有技术，现有方法如隐含马尔列夫模型和神经网络分类器都需要建立正负样本库进行训练，因而流程较复杂，本发明方法不需要建立正负样本库来训练模型，且运动模式识别比较稳定，具有简单稳定的特点，达到操作简便并通用的目的。现有的部分球体轨迹分析方法中使用连续两帧的轨迹信息进行球体运动模式的识别，容易受噪声干扰，造成识别不稳定，本发明方法使用局部多帧的轨迹信息，达到运动状态识别更稳定的目的。
因此，相比通过连续两帧轨迹信息进行识别的方法，本发明方法通过局部多帧轨迹信息，能够去除轨迹中的噪声干扰，稳定识别出球体的运动状态。而且本方法应用范围广泛，适用于大部分的球体运动模式的识别。
下面对本发明实施例识别球体运动模式的具体方案进行详细阐述：
其中，球体运动模式识别的基础是：通过三维重建提取到了球体的三维轨迹；球体运动模式识别将作为下一部分出界判断和计分的基础，详见图2。
部分现有方法使用的是连续两帧的轨迹信息，但是识别不稳定，容易受噪声干扰。因此本方法使用局部多帧的轨迹信息和位移信息。为了使运动模式识别的流程更通用化，根据运动模式定义了卷积核，然后通过卷积核计算得到该运动模式的匹配度，搜索最佳匹配模式，根据位置和位移的最佳匹配模式识别得到球体的运动模式。
本发明包含三个部分：卷积核的定义，最佳匹配模式搜索、球体运动模式的识别，详见图3。
1、运动模式的卷积核定义
基于位置状态定义的卷积核：
(1)A半场卷积核定义：{-1,-1,-1,-1,-1,-1,-1,-1,-1}
(2)B半场卷积核定义：{1,1,1,1,1,1,1,1,1}
(3)A半场过网到B半场卷积核定义：{1,1,1,1,1,-1,-1,-1,-1}
(4)B半场过网到A半场卷积核定义：{-1,-1,-1,-1,-1,1,1,1,1}
这四种卷积核对应的四种位置模式(Pos_Model_Type)，分别用式POS_ASIDE、POS_BSIDE、POS_NETAB、POS_NETBA表示。
基于位移状态定义的卷积核：
(1)A半场运动到B半场卷积核定义：{1,1,1,1,1,1,1,1}
(2)B半场运动到A半场卷积核定义：{-1,-1,-1,-1,-1,-1,-1,-1}
(3)A到B然后B到A卷积核定义：{-1,-1,-1,-1,1,1,1,1}
(4)B到A然后A到B卷积核定义：{1,1,1,1,-1,-1,-1,-1}
这四种卷积核对应的四种位移模式(Direct_Model_Type)，分别用DIRECT_ATOB、DIRECT_BTOA、DIRECT_ABTOBA、DIRECT_BATOAB表示。
2最佳匹配模式搜索
2.1基于位置的最佳匹配模式搜索
局部N帧位置：{(x1,y1，z1),…,(xN,yN,zN)}；
(1)卷积核PosKernel[j,i]，其中j为位置卷积核的类型，i为该卷积核的第i个值；
(2)Matchj为第j种模式的匹配度，基于位置的模式匹配度计算：
Figure BDA0001493075710000061
(3)在M种位置模式POS_ASIDE、POS_BSIDE、POS_NETAB、POS_NETBA中，搜索最佳匹配的模式：
MatchBest＝Max(Match1,…,MatchM)
然后将MatchBest所对应的模式Pos_Model_Type作为位置的最佳匹配模式。
2.2基于位移的最佳匹配模式搜索
(1)局部N帧的位移：{(dx1,dy1,dz1),…,(dxN-1,dyN-1,dzN-1)}，其中：
Figure BDA0001493075710000062
(2)卷积核DirectKernel[j,i]，其中j为位移卷积核的类型，i为该卷积核第i个置。
(3)Matchj为第j种模式的匹配度，基于位移的模式匹配度计算：
Figure BDA0001493075710000071
(4)在M种位置模式DIRECT_ATOB、DIRECT_BTOA、DIRECT_ABTOBA、DIRECT_BATOAB中，搜索最佳匹配的模式：
MatchBest＝Max(Match1,…,MatchM)；
然后将MatchBest所对应的模式Direct_Model_Type作为位移的最佳匹配模式。
3球体的运动模式识别
球体的运动模式包含两种类型：动作和稳定状态。
动作包括：A半场拍球动作、B半场拍球动作、A半场到B半场的过网动作、B半场到A半场的过网动作、A半场触网的动作、B半场触网的动作。
稳定状态包括：网球不可见、网球在A半场并从A半场运动到B半场、网球在A半场并从B半场运动到A半场、网球在B半场并从B半场运动到A半场、网球在B半场并从A半场运动到B半场。
下面将通过位置和位移的最佳匹配模式识别结果，识别出球体的运动模式。
3.1球体运动模式的定义
所有的球体运动模式：
enumemMotionModelType
{
NOT_VISBLIE＝-1,//球不可见
A_ATOB＝0,//球在A半场并从A半场运动到B半场
A_BTOA＝1,//球在A半场并从B半场运动到A半场
B_BTOA＝2,//球在B半场并从B半场运动到A半场
B_ATOB＝3//球在B半场并从A半场运动到B半场
A_HIT＝4,//A半场拍球动作
B_HIT＝5,//B半场拍球动作
OVER_NET_AB＝6,//A半场到B半场的过网动作
OVER_NET_BA＝7,//B半场到A半场的过网动作
A_HITNET＝8,//A半场触网的动作
B_HITNET＝9//B半场触网的动作
}；
3.2运动模式识别
该部分需要通过Pos_Model_Type位置模式和Direct_Model_Type位移模式判断不同的运动模式：
Figure BDA0001493075710000081
本方法通过局部多帧轨迹信息，能够去除轨迹中的噪声干扰，稳定识别出球体的运动状态。而且本方法应用范围广泛，适用于大部分的球体运动模式的识别。相比现有隐含马尔列夫模型和神经网络分类器的识别方法，本方法具有操作简便的特点。
此外，本发明还提出一种球体运动模式识别的装置，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上实施例所述的方法的步骤。
本发明还提出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运行时实现如上实施例所述的方法的步骤。
相比通过连续两帧轨迹信息进行识别的方法，本方法通过局部多帧轨迹信息，能够去除轨迹中的噪声干扰，稳定识别出球体的运动状态。而且本方法应用范围广泛，适用于大部分的球体运动模式的识别。相比现有隐含马尔列夫模型和神经网络分类器的识别方法，本方法具有操作简便的特点，不需要建立正负样本库来训练模型，且运动模式识别比较稳定。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种球体运动模式识别的方法，其特征在于，包括：
通过三维重建提取到球体的三维轨迹；
基于提取到的所述球体的三维轨迹，获取局部多帧轨迹信息；
定义所述球体运动模式不同的位置和位移卷积核，通过卷积核计算得到不同球体运动模式的匹配度；
使用所述局部多帧轨迹信息，通过定义的所述球体不同的位置和位移卷积核计算得到相应的匹配度，然后搜索最佳匹配的位置和位移模式；
根据最佳匹配的位置和位移模式，判断得到稳定的球体运动模式。
2.根据权利要求1所述的球体运动模式识别的方法，其特征在于，所述定义所述球体运动模式的位移卷积核包括：基于位置状态定义的卷积核、基于位移状态定义的卷积核。
3.根据权利要求2所述的球体运动模式识别的方法，其特征在于，所述基于位置状态定义的卷积核包括：A半场卷积核、B半场卷积核、A半场过网到B半场卷积核以及B半场过网到A半场卷积核。
4.根据权利要求3所述的球体运动模式识别的方法，其特征在于，所述基于位移状态定义的卷积核包括：A半场运动到B半场卷积核、B半场运动到A半场卷积核、A到B然后B到A卷积核、B到A然后A到B卷积核。
5.根据权利要求3所述的球体运动模式识别的方法，其特征在于，所述球体运动模式包含两种类型：动作和稳定状态，其中：
动作包括：A半场拍球动作、B半场拍球动作、A半场到B半场的过网动作、B半场到A半场的过网动作、A半场触网的动作、B半场触网的动作；
稳定状态包括：网球不可见、网球在A半场并从A半场运动到B半场、网球在A半场并从B半场运动到A半场、网球在B半场并从B半场运动到A半场、网球在B半场并从A半场运动到B半场。
6.一种球体运动模式识别的装置，其特征在于，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如权利要求1-5任意一项所述的方法的步骤。
7.一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运行时实现如权利要求1-5中任一项所述的方法的步骤。
CN201711259464.4A 2017-12-04 2017-12-04 球体运动模式识别的方法、装置和存储介质 Active CN108021883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711259464.4A CN108021883B (zh) 2017-12-04 2017-12-04 球体运动模式识别的方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711259464.4A CN108021883B (zh) 2017-12-04 2017-12-04 球体运动模式识别的方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN108021883A CN108021883A (zh) 2018-05-11
CN108021883B true CN108021883B (zh) 2020-07-21

Family

ID=62078177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711259464.4A Active CN108021883B (zh) 2017-12-04 2017-12-04 球体运动模式识别的方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN108021883B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354786B (zh) * 2007-07-23 2011-07-06 中国科学院计算技术研究所 一种体育视频事件分析方法
CN103440277A (zh) * 2013-08-12 2013-12-11 合肥寰景信息技术有限公司 一种动作模型特征库及其构建方法
CN104966045B (zh) * 2015-04-02 2018-06-05 北京天睿空间科技有限公司 基于视频的飞机进出泊位自动检测方法
CN105118343A (zh) * 2015-09-15 2015-12-02 北京瑞盖科技有限公司 一种网球训练考评***及训练方法
CN105405150B (zh) * 2015-10-21 2019-04-30 东方网力科技股份有限公司 基于融合特征的异常行为检测方法和装置
CN106131469B (zh) * 2016-06-24 2019-06-28 北京狂跑者科技有限公司 基于机器视觉的球类智能机器人教练和裁判***
CN106780620B (zh) * 2016-11-28 2020-01-24 长安大学 一种乒乓球运动轨迹识别定位与跟踪***及方法
CN107274433B (zh) * 2017-06-21 2020-04-03 吉林大学 基于深度学习的目标跟踪方法、装置及存储介质
CN107403167B (zh) * 2017-08-03 2020-07-03 华中师范大学 手势识别方法及装置

Also Published As

Publication number Publication date
CN108021883A (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
CN107633207B (zh) Au特征识别方法、装置及存储介质
Wang et al. Human activity recognition based on r transform
Kumar et al. Sign language recognition
Kitsikidis et al. Dance analysis using multiple kinect sensors
CN105046195B (zh) 基于非对称广义高斯模型的人体行为识别方法
Li et al. Model-based segmentation and recognition of dynamic gestures in continuous video streams
CN110221699B (zh) 一种前置摄像头视频源的眼动行为识别方法
Mohandes et al. A signer-independent Arabic Sign Language recognition system using face detection, geometric features, and a Hidden Markov Model
CN104463100A (zh) 基于面部表情识别模式的智能轮椅人机交互***及方法
CN103942577A (zh) 视频监控中基于自建立样本库及混合特征的身份识别方法
CN105536205A (zh) 一种基于单目视频人体动作感知的上肢训练***
CN104517097A (zh) 一种基于kinect的运动人体姿态识别方法
CN106570480A (zh) 一种基于姿势识别的人体动作分类方法
CN110232308A (zh) 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法
CN113065505B (zh) 身体动作快速识别方法及***
CN108898623A (zh) 目标跟踪方法及设备
CN103593661B (zh) 一种基于排序方法的人体动作识别方法
Pang et al. Analysis of computer vision applied in martial arts
CN105975989B (zh) 一种基于九轴运动传感器的肘部运动状态识别方法
CN108021883B (zh) 球体运动模式识别的方法、装置和存储介质
CN103020631B (zh) 基于星型模型的人体运动识别方法
Liu et al. A Multi-Feature Motion Posture Recognition Model Based on Genetic Algorithm.
Zhao Research on athlete behavior recognition technology in sports teaching video based on deep neural network
Heo et al. Analysis of table tennis swing using action recognition
CN113673327A (zh) 一种基于人体姿态估计的罚球命中预测方法

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
TR01 Transfer of patent right

Effective date of registration: 20210712

Address after: 518000 whole building of Jindi tennis garden sports club at the intersection of Xiangmihu road and Qiaoxiang Road, Futian District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen hongjindi sports intelligence Co.,Ltd.

Address before: 518000 Jindi Tennis Center, intersection of Xiangmihu road and Qiaoxiang Road, Xiangmihu street, Futian District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN YINGSHI SPORTS TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right