CN110135308A - 一种基于视频分析的直接任意球类型判别方法 - Google Patents
一种基于视频分析的直接任意球类型判别方法 Download PDFInfo
- Publication number
- CN110135308A CN110135308A CN201910365386.9A CN201910365386A CN110135308A CN 110135308 A CN110135308 A CN 110135308A CN 201910365386 A CN201910365386 A CN 201910365386A CN 110135308 A CN110135308 A CN 110135308A
- Authority
- CN
- China
- Prior art keywords
- football
- dimensional
- track
- point
- ball
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 241000234295 Musa Species 0.000 claims description 17
- 235000018290 Musa x paradisiaca Nutrition 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012850 discrimination method Methods 0.000 claims description 7
- 244000025254 Cannabis sativa Species 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 239000003570 air Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 241000388787 Alpioniscus magnus Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010016173 Fall Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30221—Sports video; Sports image
- G06T2207/30224—Ball; Puck
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于视频分析的直接任意球类型判别方法:逐帧提取运动员踢入足球门框的视频存储下来;分别获取每一张图片颜色直方图并进行去草地处理;对得到的每张图片分别进行灰度化和二值化处理;重建每张图片的足球射门三维场地;构成足球运动过程中的三维轨迹;从足球三维轨迹中提取曲率半径、轨迹可跨度和z轴偏移程度,作为足球三维轨迹特征;得到三类经典直接任意球的曲线;以足球三维轨迹中的曲率半径,轨迹可跨度,z轴偏移程度为特征指标,分别对三类经典直接任意球的曲线进行特征提取,确定足球三维轨迹特征的类型,从而实现对直接任意球的分类。本发明能够从质量一般的视频中较为准确便捷的判别出任意球的类别。
Description
技术领域
本发明涉及一种直接任意球类型判别方法。特别是涉及一种基于视频分析的直接任意球 类型判别方法。
背景技术
1995年以前,国内外学者在视频中进行直接任意球类型的判断时大多数依赖训练教练通 过人工观测以及个人经验,然而进球时间短暂,且观测的角度具有随机性,难以对直接任意 球的类型进行判别。
1995年,浙江师范大学潘慧炬校长从伯努里方程出发,运用数学、力学推导,建立了马格 努斯效应的力学模型,并导出了马格努斯力的数学表达式,同时为直接任意球类型的判别奠定 了数学物理基础,但是该模型假定条件过多,且模型过于理想化,存在一定缺陷。
近年来,随着计算机视觉的发展,如何从足球视频提取足球运动的轨迹成为了国内外学 者广泛关注的问题,2011年,浙江大学张阳依据仿人眼的结构原理,提出并解决在足球视频 中提取足球运动轨迹的的关键技术问题,但其成果仍处于实验室仿真阶段。2014年,东南大 学李璐璐提出在足球视频中提取足球运动的轨迹问题的特征点提取算法,并采用真实足球实 地视频进行试验,取得一定效果,但该研究的录制视频帧数过高,且其算法鲁棒性差,因此 不具备一般性。
发明内容
本发明所要解决的技术问题是,提供一种能够对任意球类别进行自动判别的基于视频分 析的直接任意球类型判别方法。
本发明所采用的技术方案是:一种基于视频分析的直接任意球类型判别方法,包括如下 步骤:
1)逐帧提取运动员踢入足球门框的视频,将提取的每一帧足球射入门框运动过程的图片 存储下来;
2)分别获取每一张图片颜色直方图,通过颜色直方图确定草地的位置,对原始图像进行 去草地处理;
3)对步骤2)得到的每张图片分别进行灰度化和二值化处理,并利用均值滤波进行降噪 处理,对处理后的图片进行边缘提取,并对提取到的边缘点进行拟合使得提取到的边缘为一 条曲线,对于边缘曲线以外的部分进行去除观众处理,再对图像中发球场地的特征点进行标 记;
4)重建每张图片的足球射门三维场地;
5)将足球设为一个特征点,利用利用homography变换从经步骤3)处理后的每张图片 中足球的二维坐标得到每张图片中足球的三维坐标,连接所有图片的三维坐标,构成足球运 动过程中的三维轨迹,对足球运动过程中的三维轨迹用卡尔曼滤波进行预测和连接处理,最 终得到在足球射门三维场地坐标系中的足球三维轨迹;
6)从足球三维轨迹中提取的曲率半径ρ、轨迹可跨度σ2和z轴偏移程度ΔZ,作为足球 三维轨迹特征;
7)利用牛顿第二定律、运动学定律和马格努斯效应,针对香蕉球、电梯球和落叶球这三 类经典直接任意球分别建立动力学模型,得到三类经典直接任意球的曲线;
8)以足球三维轨迹中的曲率半径ρ,轨迹可跨度σ2,z轴偏移程度ΔZ为特征指标,分 别对三类经典直接任意球的曲线进行特征提取,将足球三维轨迹特征分别与三类经典直接任 意球的曲线的特征与进行对比,确定足球三维轨迹特征的类型,从而实现对直接任意球的分 类。
步骤2)所述的获取每一张图片颜色直方图,是遍历每张图片的颜色直方图的每一像素 点,统计每个像素点在0~255值的数量,然后以0~255为横坐标,RGB分别为纵坐标,绘制 3个坐标体系的竖线。
步骤2)所述的通过颜色直方图确定草地的位置,包括:
(2.1)找出整张颜色直方图中出现频率最高部分的灰度值范围为0.22~0.25,从而确定步 骤1)得到的图片中灰度值在0.22~0.25之间的为草地;
(2.2)提取步骤1)所述图片的蓝色通道Cb和红色通道Cr的空间颜色直方图,并根据空 间颜色直方图确定图片中草地的像素值范围;
(2.3)将图片中0.22~0.25的灰度值范围与图片中草地的像素值范围重叠的部分确定为 草地。
第(2.2)步包括:
(2.21)在第一空间颜色直方图H1中确定最大峰值点P1的位置;
(2.22)在第一空间颜色直方图H1中寻找与最大峰值点P1连通且值大于sP1的点,其中s 为比例系数设为0.05,并将大于sP1的所有点的集合记为点集BIN1;计算在第一空间颜色直 方图H1中寻找与最大峰值点P1连通的区域内点集BIN1的值的总和sum1,从第一空间颜色直 方图H1中去掉点集BIN1,余下部分记为第二空间颜色直方图H2;
(2.23)在第二空间颜色直方图H2中确定最大峰值点P2的位置;
(2.24)在第二空间颜色直方图H2中寻找与最大峰值点P2连通且值大于sP2的点,其中s 为比例系数设为0.05,并将大于sP2的所有点的集合记为点集BIN2;计算在第二空间颜色直 方图H2中寻找与最大峰值点P2连通的区域内点集BIN2的值的总和sum2;
(2.25)找出sum1和sum2中的大者所对应的第一空间颜色直方图H1或第二空间颜色直 方图H2中最大点集BIN1或BIN2的区域,作为图片中草地的像素值范围。
步骤4)包括:
(4.1)以球门中心为原点,原点向上方向为z轴正方向,建立右手笛卡尔三维坐标系;
(4.2)依据罚球场地的宽度和长度,建立二维平面坐标系,并标记足球场地特征点;
(4.3)利用homography变换实现二维平面场地中特征点与右手笛卡尔三维坐标系中的 特征点对应,从而实现足球射门三维场地的重建。
步骤6)包括:
(6.1)针对电梯球,选择利用每个轨迹点的曲率半径ρ去刻画足球三维轨迹的图形特征, 有
其中,y为足球三维轨迹坐标所连的曲线函数;y'足球三维轨迹坐标所连的曲线函数的 一阶导数;y”足球三维轨迹坐标所连的曲线函数的二阶导数;ρ足球三维轨迹坐标所连的曲 线函数的曲率半径;K为足球三维轨迹坐标所连的曲线函数的曲率。
并设定足球三维轨迹的曲率半径ρ的阈值ηK
ηK=932
当足球三维轨迹的曲率半径ρ大于阈值ηK时,判定为电梯球;
(6.1)针对香蕉球,采用方差检验法进行判别,首先以射门点和进球点为首末点作出一 条直线,记为L1,并作出轨迹上所有点到L1处的垂线,记第i个轨迹点到直线L1的距离为 Xi,定义足球三维轨迹的轨迹可跨度σ2为
其中N为轨迹点的个数,取决于采样时的精度;Xi为第i个轨迹点到直线L1的距离;σ2为足球三维轨迹的轨迹可跨度;为所有轨迹点到直线L1的距离的平均值;
经过实验验证,设轨迹可跨度σ2的阈值为:
ηK'=6.18
当足球三维轨迹的轨迹可跨度σ2大于阈值ηK'时,判定为香蕉球;
(6.3)针对地滚球,选取z轴偏移程度ΔZ刻画足球轨迹的图形特征,有
ΔZ=max{Zj+1-Zj}
其中,Zj为第j个图片中足球三维轨迹的轨迹高度,设足球三维轨迹的z轴偏移程度ΔZ 的阈值为:
ηZ=0.25
当足球三维轨迹的z轴偏移程度ΔZ小于阈值ηZ时,判定为地滚球。
本发明的一种基于视频分析的直接任意球类型判别方法,对运动员踢入足球门框的视频 进行分析,获取足球的运动轨迹,同时提取各类直接任意球的特征,从而达到从质量一般的 视频中能够较为准确便捷的判别出任意球的类别的效果。本发明具有如下有益效果:
1、基于视频分析的直接任意球类型判别方法能够克服在足球比赛过程中拍摄角度的随机 性问题,对三类经典的任意球分类不依靠主观因素,且判别速度快且准确性高;
2、利用基于视频分析的直接任意球类型判别方法在像素坐标系和世界坐标系的转换中, 建立了视频序列中任意一帧的图像和足球场地平面的映射关系,该方法较于其他方法还原速 度较快且较为精确;
3、在帧数较低的视频中还原足球运动的三维轨迹的过程中足球的三维轨迹点会出现残缺, 本文运用卡尔曼滤波进行了预测和连接处理,得到足球运动过程中的精准轨迹轨迹。
附图说明
图1是homography变换示意图;
图2是半球场平面示意图;
图3是足球场地的三维重建图;
图4是球场示意图;
图5是马格努斯力原理示意图;
图6是落叶球示意图;
图7是落叶球轨迹图;
图8是香蕉球示意图;
图9是香蕉球轨迹图;
图10是电梯球示意图;
图11是电梯球轨迹图;
图12a是对结尾段轨迹预测后得到的三维轨迹还原图;
图12b轨迹拟合得到的完整的三维轨迹还原图
图13是图片颜色直方图;
图14是图片颜色空间直方图;
图15a是二维自适应维纳滤波后图像;
图15b是均值滤波后图像;
图16a是香蕉球轨迹仿真图;
图16b是落叶球轨迹仿真图;
图16c是电梯球轨迹仿真图。
具体实施方式
下面结合实施例和附图对本发明的一种基于视频分析的直接任意球类型判别方法做出详 细说明。
本发明的一种基于视频分析的直接任意球类型判别方法,包括如下步骤:
1)逐帧提取运动员踢入足球门框的视频,将提取的每一帧足球射入门框运动过程的图片 存储下来;
因为足球踢入门框的视频是由若干的图像组成,所以将足球踢入门框的视频按照每一帧 提取为图片格式并储存下来。
2)分别获取每一张图片颜色直方图,如图13所示,通过颜色直方图确定草地的位置, 对原始图像进行去草地处理;
所述的获取每一张图片颜色直方图,是遍历每张图片的颜色直方图的每一像素点,统计 每个像素点在0~255值的数量,然后以0~255为横坐标,RGB分别为纵坐标,绘制3个坐标 体系的竖线。
所述的通过颜色直方图确定草地的位置,包括:
(2.1)找出整张颜色直方图中出现频率最高部分的灰度值范围为0.22~0.25,从而确定步 骤1)得到的图片中灰度值在0.22~0.25之间的为草地;
(2.2)提取步骤1)所述图片的蓝色通道Cb和红色通道Cr的空间颜色直方图,如图14所示,并根据空间颜色直方图确定图片中草地的像素值范围;因为在足球踢入门框的图片的 颜色直方图和颜色空间YCbCr中,足球场地颜色都是比较集中于颜色空间的某一区域,这样 就可以在颜色空间中,通过检测主要颜色分布区域从而确定场地颜色的大体分布。颜色空间 中主颜色检测包括:
(2.21)在足球踢入门框图片的第一空间颜色直方图H1中确定最大峰值点P1的位置;
(2.22)在足球踢入门框图片的第一空间颜色直方图H1中寻找与最大峰值点P1连通且值 大于sP1的点,其中s为比例系数设为0.05,并将大于sP1的所有点的集合记为点集BIN1;计 算在第一空间颜色直方图H1中寻找与最大峰值点P1连通的区域内点集BIN1的值的总和sum1, 从第一空间颜色直方图H1中去掉点集BIN1,余下部分记为第二空间颜色直方图H2;
(2.23)在第二空间颜色直方图H2中确定最大峰值点P2的位置;
(2.24)在第二空间颜色直方图H2中寻找与最大峰值点P2连通且值大于sP2的点,其中s 为比例系数设为0.05,并将大于sP2的所有点的集合记为点集BIN2;计算在第二空间颜色直 方图H2中寻找与最大峰值点P2连通的区域内点集BIN2的值的总和sum2;
(2.25)找出sum1和sum2中的大者所对应的第一空间颜色直方图H1或第二空间颜色直 方图H2中最大点集BIN1或BIN2的区域,作为图片中草地的像素值范围。
(2.3)将图片中0.22~0.25的灰度值范围与图片中草地的像素值范围重叠的部分确定为 草地。
3)对步骤2)得到的每张图片分别进行灰度化和二值化处理,并利用均值滤波进行降噪 处理,对处理后的图片进行边缘提取,并对提取到的边缘点进行拟合使得提取到的边缘为一 条曲线,对于边缘曲线以外的部分进行去除观众处理,再对图像中发球场地的特征点进行标 记;具体是:
3.1)图像的灰度化处理;
足球踢入门框图片图像色彩混杂,所占内存大,不宜进行处理,因此对图像进行灰度化 处理。设足球踢入门框的彩色图片中第r行第l列的灰度值为Gray(r,l)
Gray(r,l)=0.299R(r,l)+0.587G(r,l)+0.144B(r,l)
其中,R(r,l)为红色基准色像素值;G(r,l)为绿色基准色像素值;B(r,l)为蓝色基准色像 素值。
3.2)图像的二值化处理;
在对足球踢入门框图片的彩色图像灰度化以后,为更准确提取出球体运动特征,接着对 图像进行二值化处理。设灰度图片中第r行第l列的像素值为T(a,b)
3.3)图像的滤波去噪处理;
因为均值滤波可以将高频信号去掉,所以可以帮助消除图像尖锐噪声,实现图像平滑, 模糊等功能。利用均值滤波器将足球踢入门框图片的每个像素和它周围像素计算出来的平均 值替换图像中每个像素。从左到右从上到下计算图像中的每个像素,最终得到处理后的图像 如图15a、图15b所示。
4)重建每张图片的足球射门三维场地;本发明利用旋转与变焦相机的自标定技术估计相 机的内参数,标定技术示意图如图4所示,进而从足球场地平面与足球踢入门框图片平面间 的单映关系homography矩阵足球场地的三维重建。包括:
(4.1)以球门中心为原点,原点向上方向为z轴正方向,建立右手笛卡尔三维坐标系, 坐标系示意图如图3所示;
(4.2)依据罚球场地的宽度和长度,建立二维平面坐标系,并标记足球场地特征点如图 2所示;
(4.3)利用homography变换实现二维平面场地中特征点与右手笛卡尔三维坐标系中的 特征点对应,从而实现足球射门三维场地的重建。
根据计算机视觉的知识,,三维足球空间中的点和它的像存在对应关系,且这种关系是一 一对应的,这种三维足球空间中的点和它的像之间变换坐标的被称之为homography变换,其 变换示意图如图1所示,homography矩阵(简称H阵)是一个3×3的矩阵,其数学表达式如 下:
其中,h为H阵中的三维三维空间中的点和它的像之间变换变量,由已知点足球三维空 间中的点的坐标(u,v,z)和像点(Xw,Yw)计算得到。
则任意一个三维足球场空间中的点(u,v,z)和像点(Xw,Yw)之间的关系可以表示为
因为足球的罚球场地的宽度和长度是严格限定的,因此利用图8所标出的特殊点在三维 足球场空间中的坐标(u,v,z)和在像点坐标(Xw,Yw)求解出某一帧图像和球场之间的 homography变换矩阵H阵可以计算得到某一帧图像中所有像点在三维足球空间的坐标。
5)将足球设为一个特征点,利用利用homography变换从经步骤3)处理后的每张图片 中足球的二维坐标得到每张图片中足球的三维坐标,连接所有图片的三维坐标,构成足球运 动过程中的三维轨迹,对足球运动过程中的三维轨迹用卡尔曼滤波进行预测和连接处理,最 终得到在足球射门三维场地坐标系中的足球三维轨迹如图12所示;
首先通过图1所标出的特殊点在三维足球场空间中的坐标(u,v,z)和在像点坐标(Xw,Yw) 求解出某一帧图像和球场之间的homography变换矩阵H阵,利用图像中足球的像点坐标求 解出某一帧足球在三维空间中足球的坐标。
重复计算每一帧足球在三维空间中的坐标,由于帧数一般,足球的速度较快,所以在真 个视频中发现足球在三维空间中的坐标数值并不连续,足球位置发生了截断状况,因此利用 卡尔曼对图片进行补帧处理。
设有两条足球轨迹Tu和Tv,且足球轨迹Tu的首末端坐标和足球轨迹Tv首末端坐标满足以 下关系式Kmin,u<Kmax,u Kmin,v<Kmax,v。首先通过卡尔曼滤波器,分别得到轨迹Tu和Tv在区间 [Kmax,u,Kmin,v]中的预测值,用和来表示。然后找出在预测区间内两条轨迹距离最近时 的两点,分别对应为轨迹Tu上的a帧和Tv上的b帧。即:
其中,定义:
通过求解上式,就得到了a和b的值,可以判断出每一帧之间球的状态。如果a和b的值 相等,则可以确定足球在漏帧期间仍然保持运动,而由于球速运动太快,或者在运动过程受 到球员的遮挡不能正确检测到目标球;如果a小于b,则足球在漏检帧期间出现了静止的状 态。
6)从足球三维轨迹中提取的曲率半径ρ、轨迹可跨度σ2和z轴偏移程度ΔZ,作为足球 三维轨迹特征;包括:
(6.1)针对电梯球,选择利用每个轨迹点的曲率半径ρ去刻画足球三维轨迹的图形特征, 有
其中,y为足球三维轨迹坐标所连的曲线函数;y'足球三维轨迹坐标所连的曲线函数的 一阶导数;y”足球三维轨迹坐标所连的曲线函数的二阶导数;ρ足球三维轨迹坐标所连的曲 线函数的曲率半径;K为足球三维轨迹坐标所连的曲线函数的曲率。
并设定足球三维轨迹的曲率半径ρ的阈值ηK
ηK=932
当足球三维轨迹的曲率半径ρ大于阈值ηK时,判定为电梯球;
(6.2)针对香蕉球,采用方差检验法进行判别,首先以射门点和进球点为首末点作出一 条直线,记为L1,并作出轨迹上所有点到L1处的垂线,记第i个轨迹点到直线L1的距离为 Xi,定义足球三维轨迹的轨迹可跨度σ2为
其中N为轨迹点的个数,取决于采样时的精度;Xi为第i个轨迹点到直线L1的距离;σ2为足球三维轨迹的轨迹可跨度;为所有轨迹点到直线L1的距离的平均值;
经过实验验证,设轨迹可跨度σ2的阈值为:
ηK'=6.18
当足球三维轨迹的轨迹可跨度σ2大于阈值ηK'时,判定为香蕉球;
(6.3)针对地滚球,选取z轴偏移程度ΔZ刻画足球轨迹的图形特征,有
ΔZ=max{Zj+1-Zj}
其中,Zj为第j个图片中足球三维轨迹的轨迹高度,设足球三维轨迹的z轴偏移程度ΔZ 的阈值为:
ηZ=0.25
当足球三维轨迹的z轴偏移程度ΔZ小于阈值ηZ时,判定为地滚球。
7)利用牛顿第二定律、运动学定律和马格努斯效应,针对香蕉球、电梯球和落叶球这三 类经典直接任意球分别建立动力学模型,得到三类经典直接任意球的曲线;
在对球体进行动力学复分析前,首先对关键名词进行解释。
a、马格努斯效应
一个既平动又旋转的球在空气中飞行时要受到与速度方向正交的侧力作用,在此侧力作 用下,球偏离原定的飞行轨道,形成弧线球。这种现象称为马格努斯效应,这个侧力称为马 格努斯力。
向前飞行的球若没有旋转,周围空气粘性的影响只是减慢球的飞行速度。如果让球旋转, 则旋转和空气粘性的共同作用在球周围的附面层内产生环流。前方来流和环流合成的结果, 在来流和环流同方向的一侧,流动加快,在反向的另一侧,流动减慢。根据伯努利原理,流 动加快的一侧压力下降,流动减慢的另一侧压力升高,二侧的压力差就是马格努斯力,原理 示意图如图5所示:
设足球的半径为R,旋转角速度为ω,空气密度为ρair,相对球而言气流速度为V,由儒可夫斯基环流理论,可求出马格努斯力L为
马格努斯力的方向与球旋转的方向有关,改变球的旋转方向,球可以向左或向右偏转。
b、牛顿第二定律
在加速度和质量一定的情况下,物体加速度的大小跟作用力成正比,跟物体的质量成反 比,且与物体质量的倒数成正比。加速度的方向跟作用力的方向相同。
(1)落叶球的动力学数学模型
上旋弧线球的飞行轨迹是在竖直平面内的一条曲线设上旋球的ω0是水平的,则旋转角 速度ω也总是水平因此马格努斯力恒在竖直平面内而且指向轨道法线方向,示意图如图6所 示。
运动微分方程为
为得到解析解,将重力在切线方向的分量忽略不计,在法线方向的分量mg,运动微分方 程模型可简化为:
将ds=Vdt代入L得、后积分并利用初始条件t=0,V=V0得:
由ds=Vdt与t=0,s=0则:
根据上述公式,计算出:
则可以得到球的横向偏移量xq:
纵向偏移量y
轨道曲线函数的曲率半径ρ为
由此可见提高足球的转速会使轨道曲率增加,这表示足球下落加快,水平距离缩短,使 对方来不及回击,其轨迹示意图如图7所示。
(2)香蕉球的动力学数学模型
对足球而言,香蕉球的飞行轨迹是一条空间曲线,如图8所示,其运动规律可用柱坐标 系来描述。为了得出解析解,限制ω0在竖直方向,这样ω总是在竖直方向,因此侧力L总 是水平的。
其次考虑到空气阻力的垂直分量较小,也予忽略。作了上述假设后,球的运动微分方程 就可以分解成互不相关的二组:
竖直方向:
mz=-mg
水平方向:
其中,lv是球心飞行速度V在水平面x-y上的投影;
θ是v与x轴的夹角。
设t=0,z=0,V=V0,α=α0,球飞行时间为T,可得
利用初始条件t=0,s=0,θ=0,V=V0cosα0
可得到球的横向偏移量xq
纵向偏移量y
显然,足球运动轨道的曲率以及横向偏移量与V0,ω0呈正相关。结合实际,在空气稀薄 处,马格努斯效应降低,空气阻尼的作用则使球的速度降低,这时马格努斯效应增强,轨迹 如图9所示。
(3)电梯球的动力学数学模型
由“电梯球”特征可以得到球并没有自身的旋转,要造成这样的结果,很容易就知道: 在忽略横风作用的前提下,当对球的击打力完全贯穿球心才能使球在没有自身的旋转情况下 沿着击打力方向发生位移,电梯球示意图如图10所示:
另一方面球飞行轨迹是突然并且下坠快速的骤降,那么就可以排除其产生的原因是球的 惯性与地心引力的单独作用。如果球的下降方向仅仅是因为重力的单独作用,就如同篮球运 动中投篮时的球运行轨迹是呈现抛物线。明显两种球的运行轨迹是不一样的。
那么球在即将骤降时利用“牛顿第二运动定律”结合流体力学来分析,可以得到公式
其中,为加速度;
Fg为重力;
FA为空气动力。
FA空气动力与速度V有关,而FA包括球受到纵向阻力FD与横向力FL,即FA=FD+FL。在电梯球运行中因为球自身没有旋转,在不考虑横风作用的理想状态与大“雷诺数”,即初速 度非常大的情况的前提下。可以得到球的最终速度U
其中,R为球的半径;
ρ为空气密度;
CD为空气的粘滞系数。
通过公式算出速度随着时间的变化,而对速度做一个队时间的积分得出路程随着时间的 变化,也就给出了球的运行轨迹,轨迹如图11所示。
(4)任意球分类模型
为区分三类经典任意球,对三类任意球的轨迹进行几何特征分析,利用其几何特征对三 类经典任意球进行区分。
以时间步长为0.01s,将时间带入三类任意球的动力学方程,得到其轨迹图像,如图16a、 图16b、图16c所示。
8)以足球三维轨迹中的曲率半径ρ,轨迹可跨度σ2,z轴偏移程度ΔZ为特征指标,分 别对三类经典直接任意球的曲线进行特征提取,将足球三维轨迹特征分别与三类经典直接任 意球的曲线的特征与进行对比,确定足球三维轨迹特征的类型,从而实现对直接任意球的分 类。
首先对比观察三类经典任意球的运动轨迹,针对电梯球,由于球很快地呈斜线往上飞, 又以更大陡度急坠,故选择利用每个轨迹点的曲率半径ρ去刻画足球轨迹的图形特征,有
其中,y为足球三维轨迹坐标所连的曲线函数;y'足球三维轨迹坐标所连的曲线函数的 一阶导数;y”足球三维轨迹坐标所连的曲线函数的二阶导数;ρ足球三维轨迹坐标所连的曲 线函数的曲率半径;K为足球三维轨迹坐标所连的曲线函数的曲率。
在球快进门时的极速下坠阶段曲线趋近于直线,故这些点的曲率半径趋近于∞。在判别 时,在得到轨迹拟合方程时计算每个点的曲率,并设定阈值ηK
ηK=932
当检测到有较多点的曲率半径ρ大于阈值ηK时,判定其为电梯球。
针对香蕉球,在射门的过程中,球会自动朝空气流速快的方向产生XOY平面内的变向, 为了与直线球以及地滚球区分,这里采用方差检验法对其判别。首先以射门点和进球点为首 末点作出一条直线,记为L1,并作出轨迹上所有点到L1处的垂线,记第i个轨迹点到直线 L1的距离为Xi,定义轨迹可跨度σ2为
其中N为轨迹点的个数,取决于采样时的精度;Xi为第i个轨迹点到直线L1的距离;σ2为足球三维轨迹的轨迹可跨度;为所有轨迹点到直线L1的距离的平均值。
经过实验验证,设阈值
ηK'=6.18
当其方差σ2大于阈值ηK'时,判定其为香蕉球。
针对地滚球,在进球过程中,球体高度偏移量较小,故选取z轴偏移程度ΔZ刻画足球轨 迹的图形特征,有
ΔZ=max{Zi+1-Zi}
其中,Zi为第i帧球体高度。经过实验验证,设阈值
ηZ=0.25
当其z轴偏移程度ΔZ小于阈值ηZ时,判定其为地滚球。
针对落叶球,在进球过程中,球体依照轨迹旋转进入球门,与以上三类任意球相比并无 明显特征,故非以上三种球判定为落叶球。
Claims (6)
1.一种基于视频分析的直接任意球类型判别方法,其特征在于,包括如下步骤:
1)逐帧提取运动员踢入足球门框的视频,将提取的每一帧足球射入门框运动过程的图片存储下来;
2)分别获取每一张图片颜色直方图,通过颜色直方图确定草地的位置,对原始图像进行去草地处理;
3)对步骤2)得到的每张图片分别进行灰度化和二值化处理,并利用均值滤波进行降噪处理,对处理后的图片进行边缘提取,并对提取到的边缘点进行拟合使得提取到的边缘为一条曲线,对于边缘曲线以外的部分进行去除观众处理,再对图像中发球场地的特征点进行标记;
4)重建每张图片的足球射门三维场地;
5)将足球设为一个特征点,利用利用homography变换从经步骤3)处理后的每张图片中足球的二维坐标得到每张图片中足球的三维坐标,连接所有图片的三维坐标,构成足球运动过程中的三维轨迹,对足球运动过程中的三维轨迹用卡尔曼滤波进行预测和连接处理,最终得到在足球射门三维场地坐标系中的足球三维轨迹;
6)从足球三维轨迹中提取的曲率半径ρ、轨迹可跨度σ2和z轴偏移程度ΔZ,作为足球三维轨迹特征;
7)利用牛顿第二定律、运动学定律和马格努斯效应,针对香蕉球、电梯球和落叶球这三类经典直接任意球分别建立动力学模型,得到三类经典直接任意球的曲线;
8)以足球三维轨迹中的曲率半径ρ,轨迹可跨度σ2,z轴偏移程度ΔZ为特征指标,分别对三类经典直接任意球的曲线进行特征提取,将足球三维轨迹特征分别与三类经典直接任意球的曲线的特征与进行对比,确定足球三维轨迹特征的类型,从而实现对直接任意球的分类。
2.根据权利要求1所述的一种基于视频分析的直接任意球类型判别方法,其特征在于,步骤2)所述的获取每一张图片颜色直方图,是遍历每张图片的颜色直方图的每一像素点,统计每个像素点在0~255值的数量,然后以0~255为横坐标,RGB分别为纵坐标,绘制3个坐标体系的竖线。
3.根据权利要求1所述的一种基于视频分析的直接任意球类型判别方法,其特征在于,步骤2)所述的通过颜色直方图确定草地的位置,包括:
(2.1)找出整张颜色直方图中出现频率最高部分的灰度值范围为0.22~0.25,从而确定步骤1)得到的图片中灰度值在0.22~0.25之间的为草地;
(2.2)提取步骤1)所述图片的蓝色通道Cb和红色通道Cr的空间颜色直方图,并根据空间颜色直方图确定图片中草地的像素值范围;
(2.3)将图片中0.22~0.25的灰度值范围与图片中草地的像素值范围重叠的部分确定为草地。
4.根据权利要求3所述的一种基于视频分析的直接任意球类型判别方法,其特征在于,第(2.2)步包括:
(2.21)在第一空间颜色直方图H1中确定最大峰值点P1的位置;
(2.22)在第一空间颜色直方图H1中寻找与最大峰值点P1连通且值大于sP1的点,其中s为比例系数设为0.05,并将大于sP1的所有点的集合记为点集BIN1;计算在第一空间颜色直方图H1中寻找与最大峰值点P1连通的区域内点集BIN1的值的总和sum1,从第一空间颜色直方图H1中去掉点集BIN1,余下部分记为第二空间颜色直方图H2;
(2.23)在第二空间颜色直方图H2中确定最大峰值点P2的位置;
(2.24)在第二空间颜色直方图H2中寻找与最大峰值点P2连通且值大于sP2的点,其中s为比例系数设为0.05,并将大于sP2的所有点的集合记为点集BIN2;计算在第二空间颜色直方图H2中寻找与最大峰值点P2连通的区域内点集BIN2的值的总和sum2;
(2.25)找出sum1和sum2中的大者所对应的第一空间颜色直方图H1或第二空间颜色直方图H2中最大点集BIN1或BIN2的区域,作为图片中草地的像素值范围。
5.根据权利要求1所述的一种基于视频分析的直接任意球类型判别方法,其特征在于,步骤4)包括:
(4.1)以球门中心为原点,原点向上方向为z轴正方向,建立右手笛卡尔三维坐标系;
(4.2)依据罚球场地的宽度和长度,建立二维平面坐标系,并标记足球场地特征点;
(4.3)利用homography变换实现二维平面场地中特征点与右手笛卡尔三维坐标系中的特征点对应,从而实现足球射门三维场地的重建。
6.根据权利要求1所述的一种基于视频分析的直接任意球类型判别方法,其特征在于,步骤6)包括:
(6.1)针对电梯球,选择利用每个轨迹点的曲率半径ρ去刻画足球三维轨迹的图形特征,有
其中,y为足球三维轨迹坐标所连的曲线函数;y'足球三维轨迹坐标所连的曲线函数的一阶导数;y”足球三维轨迹坐标所连的曲线函数的二阶导数;ρ足球三维轨迹坐标所连的曲线函数的曲率半径;K为足球三维轨迹坐标所连的曲线函数的曲率。
并设定足球三维轨迹的曲率半径ρ的阈值ηK
ηK=932
当足球三维轨迹的曲率半径ρ大于阈值ηK时,判定为电梯球;
(6.1)针对香蕉球,采用方差检验法进行判别,首先以射门点和进球点为首末点作出一条直线,记为L1,并作出轨迹上所有点到L1处的垂线,记第i个轨迹点到直线L1的距离为Xi,定义足球三维轨迹的轨迹可跨度σ2为
其中N为轨迹点的个数,取决于采样时的精度;Xi为第i个轨迹点到直线L1的距离;σ2为足球三维轨迹的轨迹可跨度;为所有轨迹点到直线L1的距离的平均值;
经过实验验证,设轨迹可跨度σ2的阈值为:
ηK'=6.18
当足球三维轨迹的轨迹可跨度σ2大于阈值ηK'时,判定为香蕉球;
(6.3)针对地滚球,选取z轴偏移程度ΔZ刻画足球轨迹的图形特征,有
ΔZ=max{Zj+1-Zj}
其中,Zj为第j个图片中足球三维轨迹的轨迹高度,设足球三维轨迹的z轴偏移程度ΔZ的阈值为:
ηZ=0.25
当足球三维轨迹的z轴偏移程度ΔZ小于阈值ηZ时,判定为地滚球。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910365386.9A CN110135308A (zh) | 2019-04-30 | 2019-04-30 | 一种基于视频分析的直接任意球类型判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910365386.9A CN110135308A (zh) | 2019-04-30 | 2019-04-30 | 一种基于视频分析的直接任意球类型判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135308A true CN110135308A (zh) | 2019-08-16 |
Family
ID=67576066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910365386.9A Pending CN110135308A (zh) | 2019-04-30 | 2019-04-30 | 一种基于视频分析的直接任意球类型判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135308A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110753267A (zh) * | 2019-09-27 | 2020-02-04 | 珠海格力电器股份有限公司 | 显示器的控制方法、控制装置和显示器 |
CN113362366A (zh) * | 2021-05-21 | 2021-09-07 | 上海奥视达智能科技有限公司 | 一种球体转速的确定方法、装置、终端和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819749A (zh) * | 2012-07-23 | 2012-12-12 | 西安体育学院 | 一种基于视频分析的足球越位自动判别***和方法 |
CN104077804A (zh) * | 2014-06-09 | 2014-10-01 | 广州嘉崎智能科技有限公司 | 一种基于多帧视频图像构建三维人脸模型的方法 |
CN105678732A (zh) * | 2014-11-18 | 2016-06-15 | 北京数码视讯科技股份有限公司 | 一种点球、角球和任意球关键帧的检测方法和装置 |
WO2018101685A1 (ko) * | 2016-11-29 | 2018-06-07 | 한국전자통신연구원 | 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체 |
CN108654046A (zh) * | 2018-04-26 | 2018-10-16 | 刘庆连 | 基于马格努斯流体效应的电梯球发射模拟设备 |
CN109087328A (zh) * | 2018-05-31 | 2018-12-25 | 湖北工业大学 | 基于计算机视觉的羽毛球落点位置预测方法 |
-
2019
- 2019-04-30 CN CN201910365386.9A patent/CN110135308A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819749A (zh) * | 2012-07-23 | 2012-12-12 | 西安体育学院 | 一种基于视频分析的足球越位自动判别***和方法 |
CN104077804A (zh) * | 2014-06-09 | 2014-10-01 | 广州嘉崎智能科技有限公司 | 一种基于多帧视频图像构建三维人脸模型的方法 |
CN105678732A (zh) * | 2014-11-18 | 2016-06-15 | 北京数码视讯科技股份有限公司 | 一种点球、角球和任意球关键帧的检测方法和装置 |
WO2018101685A1 (ko) * | 2016-11-29 | 2018-06-07 | 한국전자통신연구원 | 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체 |
CN108654046A (zh) * | 2018-04-26 | 2018-10-16 | 刘庆连 | 基于马格努斯流体效应的电梯球发射模拟设备 |
CN109087328A (zh) * | 2018-05-31 | 2018-12-25 | 湖北工业大学 | 基于计算机视觉的羽毛球落点位置预测方法 |
Non-Patent Citations (4)
Title |
---|
刘扬: "足球视频场景分析与三维重建的关键技术研究", 《中国优秀博高级论文全文数据库(博士)信息科技辑》 * |
夏德深等: "《计算机图像处理及应用》", 31 December 2004 * |
杨虎强: "足球任意球直接破门得分的力学原理分析", 《体育研究与教育》 * |
邵欣等: "《机器视觉与传感器技术》", 31 August 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110753267A (zh) * | 2019-09-27 | 2020-02-04 | 珠海格力电器股份有限公司 | 显示器的控制方法、控制装置和显示器 |
CN113362366A (zh) * | 2021-05-21 | 2021-09-07 | 上海奥视达智能科技有限公司 | 一种球体转速的确定方法、装置、终端和存储介质 |
CN113362366B (zh) * | 2021-05-21 | 2023-07-04 | 上海奥视达智能科技有限公司 | 一种球体转速的确定方法、装置、终端和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI631315B (zh) | 飛行參數測定裝置及飛行參數測定方法 | |
TWI554980B (zh) | 供感測移動球體的裝置及其方法 | |
CN102214309B (zh) | 一种基于头肩模型的特定人体识别方法 | |
RU2697697C2 (ru) | Устройство и способ для измерения параметров движения мяча | |
CN111369629B (zh) | 一种基于挥拍击球动作双目视觉感知的回球轨迹预测方法 | |
US9830712B2 (en) | Method and apparatus for sensing moving ball | |
Jung et al. | Measurement of initial motion of a flying golf ball with multi-exposure images for screen-golf | |
CN110298860B (zh) | 一种基于机器视觉的高杆绣球检测计数*** | |
CN105043395B (zh) | 一种飞行器月表软着陆的实时动态选址方法 | |
Tebbe et al. | Spin detection in robotic table tennis | |
CN110135308A (zh) | 一种基于视频分析的直接任意球类型判别方法 | |
He et al. | Notice of violation of ieee publication principles: study on sports volleyball tracking technology based on image processing and 3D space matching | |
CN111744161A (zh) | 一种乒乓球落点检测与擦边球判定*** | |
CN108269265B (zh) | 基于深度学习的台球击球位置测定方法及其装置 | |
CN117333550A (zh) | 基于计算机视觉检测的羽毛球发球高度违例判别方法 | |
CN110910489B (zh) | 一种基于单目视觉的智能球场运动信息采集***与方法 | |
CN109464798B (zh) | 一种传感数据驱动的斯诺克辅助练习方法 | |
CN110415256B (zh) | 基于视觉的快速多目标识别方法及*** | |
JP7083332B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN114022513A (zh) | 一种台球比赛作弊识别方法 | |
Rezvankhah et al. | A real-time velocity estimation using motion blur in air hockey | |
KR102626000B1 (ko) | 테니스 훈련 시스템 | |
CN111160179A (zh) | 一种基于头部分割和卷积神经网络的摔倒检测方法 | |
Miyashita et al. | Analyzing Fine Motion Considering Individual Habit for Appearance-Based Proficiency Evaluation | |
CN117495899B (zh) | 运动轨迹、回合开始检测方法、装置、设备及芯片 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |