CN111798434A - 一种基于Ransac模型的武术竞赛区域检测方法 - Google Patents
一种基于Ransac模型的武术竞赛区域检测方法 Download PDFInfo
- Publication number
- CN111798434A CN111798434A CN202010652936.8A CN202010652936A CN111798434A CN 111798434 A CN111798434 A CN 111798434A CN 202010652936 A CN202010652936 A CN 202010652936A CN 111798434 A CN111798434 A CN 111798434A
- Authority
- CN
- China
- Prior art keywords
- pixel
- point
- pixels
- boundary
- competition area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于Ransac模型的武术竞赛区域检测方法,它属于竞赛区域检测技术领域。本发明解决了现有基于hough变换的竞赛区域检测方法对于非边界像素的容错性差,导致检测出的竞赛区域容易包括非竞赛区域像素点的问题。本发明首先将RGB格式的彩色图像转化为HSB格式图像,再通过对H通道数据进行阈值筛选以及邻域搜索从而筛选出有可能构成竞赛区域边界的白点像素,进而设计一种基于Ransac模型的边界检测算法,来拟合出竞赛区域边界,最后通过射线法对非边界像素进行处理,从而准确地检测出武术竞赛区域位置,本发明可以应用于竞赛区域的检测。
Description
技术领域
本发明属于竞赛区域检测技术领域,具体涉及一种基于Ransac模型的武术竞赛区域检测方法。
背景技术
由于区域检测对于体育竞赛过程中的目标检测与跟踪、运动员动作识别、自动评分均具有较为重要的作用,因此该技术已成为图像处理研究的热点技术,并且已应用于一些热门的体育比赛中。例如,足球场标志线检测方法(基于霍夫变换的足球场标志线检测[J].计算机与数字工程),检测网球场地的线检测方法(基于Hough变换的快速网球场地线检测[J].科技传播),通用的体育场地自动检测方法(体育视频中场地自动检测方法[J].计算机***应用)。但是至今仍没有一个专门针对武术竞赛区域的检测方法。另外,以上三种方法均是采用hough变换来检测体育场地的边界进而检测出竞赛区域,而hough变换对于非边界像素的容错性较差,检测出的竞赛区域容易包括非竞赛区域像素点。
发明内容
本发明的目的是为解决由于现有基于hough变换的竞赛区域检测方法对于非边界像素的容错性差,导致检测出的竞赛区域容易包括非竞赛区域像素点的问题,而提出了一种基于Ransac模型的武术竞赛区域检测方法。
本发明为解决上述技术问题采取的技术方案是:一种基于Ransac模型的武术竞赛区域检测方法,该方法包括以下步骤:
步骤一、获取包含武术竞赛区域的图像;
步骤二、将步骤一获取的图像转换为HSB格式图像后,再根据HSB格式图像中的H通道数据进行白点像素筛选;
步骤三、根据Ransac模型从步骤二筛选出的白点像素中确定出构成武术竞赛区域边界的全体像素点集;
步骤四、基于步骤三确定出的构成武术竞赛区域边界的全体像素点集,采用射线法确定出武术竞赛区域。
本发明的有益效果是:本发明针对武术竞赛场地的特点,提出了一种基于Ransac模型的武术竞赛区域检测方法,本发明方法首先将RGB格式彩色图像转化为HSB格式图像,再通过对H通道数据进行阈值筛选以及邻域搜索从而筛选出有可能构成竞赛区域边界的白点像素,进而设计一种基于Ransac模型的边界检测算法,来拟合出竞赛区域边界,最后通过射线法对非边界像素进行处理,从而准确地检测出武术竞赛区域位置,解决了采用现有方法检测出的竞赛区域容易包括非竞赛区域像素点的问题。
附图说明
图1是本发明一种基于Ransac模型的武术竞赛区域检测方法的流程图;
图2是本发明的白点像素筛选法的流程图;
图3是采用射线法确定武术竞赛区域的流程图;
图4a)是场景1的武术竞赛区域图像;
图4b)是场景2的武术竞赛区域图像;
图5a)是场景1的白点像素检测结果图;
图5b)是场景2的白点像素检测结果图;
图6a)是场景1的边界像素检测结果图;
图6b)是场景2的边界像素检测结果图;
图7a)是场景1的竞赛区域检测结果图;
图7b)是场景2的竞赛区域检测结果图。
具体实施方式
具体实施方式一:结合图1说明本实施方式。本实施方式所述的一种基于Ransac模型的武术竞赛区域检测方法,该方法具体通过以下步骤实现:
步骤一、获取包含武术竞赛区域的图像;
步骤二、将步骤一获取的图像转换为HSB格式图像后,再根据HSB格式图像中的H通道数据进行白点像素筛选;
步骤三、根据Ransac模型从步骤二筛选出的白点像素中确定出构成武术竞赛区域边界的全体像素点集;
步骤四、基于步骤三确定出的构成武术竞赛区域边界的全体像素点集,采用射线法确定出武术竞赛区域。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中,获取的图像的格式为RGB格式。
本发明设计白点像素筛选法,初步筛选出有可能构成竞赛区域边界的白点像素。由于武术竞赛区域边界由具有一定宽度的白色线条构成,边界周边区域由蓝色的地毯构成。根据这一条件,本发明设计将基于颜色阈值的像素筛选法以及邻域搜索法作为白点筛选的条件,对于H通道数据进行初步筛选。其中颜色阈值对应于白点像素的颜色特征,邻域搜索法对应于边界周边像素的色彩特征。
具体实施方式三:本实施方式与具体实施方式一不同的是:所述步骤二的具体过程为:
假设P表示HSB格式图像中全部像素点的集合;
P={px,y|0≤x≤M-1,0≤y≤N-1} (1)
其中,px,y代表集合P中的像素点,x、y分别表示像素点的横、纵坐标,M、N分别表示HSB格式图像的宽和高;
x方向是指图像的宽度方向,y方向是指图像的高度方向。
白点像素筛选法的流程图如图2所示。
令Hx,y表示像素点px,y的H通道灰度值,设定像素筛选的阈值范围是[320,360],若像素点px,y的H通道灰度值Hx,y在阈值范围[320,360]内,则判定像素点px,y为候选点,否则像素点px,y为无效点;
采用邻域搜索法在像素点px,y的邻域内进行搜索,判断以像素点px,y为中心的9×9邻域内是否存在H通道灰度值在[230,250]范围内的像素点,若存在,则像素点px,y为白点像素,否则像素点px,y为无效点,利用公式表示为:
式中,Lx,y=1代表像素点px,y为白点像素,Lx,y=0代表像素点px,y为无效点,Hx,y∈[320,360]代表像素点px,y的H通道灰度值Hx,y的取值在[320,360]之间,Qx,y表示以像素点px,y为中心的9×9邻域内像素点的集合,Hx+m,y+n代表像素点px+m,y+n的H通道灰度值;m=-4,-3,-2,-1,0,1,2,3,4;n=-4,-3,-2,-1,0,1,2,3,4;
遍历HSB格式图像中的每一个像素点后,筛选出HSB格式图像中的全部白点像素。
根据公式(2)已经筛选出一些白点像素。这些白点像素中有一部分属于武术竞赛区域边界,另一部分属于背景像素。为了进一步筛选出区域边界像素,本发明设计了专用于检测武术竞赛区域边界的Ransac模型,用于对白点像素进行直线拟合。Ransac模型的迭代过程如下:
具体实施方式四:本实施方式与具体实施方式一不同的是:所述步骤三的具体过程为:
步骤三一、对于第n次迭代,从步骤二筛选出的白点像素中选择出任意四个白点像素组成像素点集I(n);
分别以像素点集I(n)中的每个白点像素为顶点,将各顶点顺次首尾相接形成四边形;
步骤三二、遍历其余的各个白点像素(除了像素点集I(n)之外的全部白点像素),分别判断其余的各个白点像素是否在步骤三一的四边形边界上,记录处于四边形边界上的全部白点像素数量Cn,处于四边形边界上的全部白点像素的集合为B(n);
步骤三三、重复步骤三一至步骤三二,第n+1次迭代时,选择出的四个白点像素组成的像素点集为I(n+1);
在第n+1次迭代时,记录的处于四边形边界上的全部白点像素的数量为C(n+1),处于四边形边界上的全部白点像素的集合为B(n+1);
步骤三四、若C(n+1)>C(n),则保留I(n+1)、C(n+1)以及B(n+1),否则C(n+1)≤C(n),保留I(n),C(n)以及B(n);
直至由四个白点像素组成的像素点集的所有情况都遍历到,保留包含白点像素最多的集合B(m),B(m)为第m次迭代时记录的处于四边形边界上的全部白点像素的集合;
B(m)和I(m)中所包含的全部白点像素构成了武术竞赛区域边界的全体像素点集,I(m)为第m次迭代时选择出的四个白点像素组成的像素点集。
本实施方式中,遍历全体白点像素,根据白点的坐标与边界像素点的坐标是否一致,判断白点像素是否在四边形的边界上。
从步骤二筛选出的白点像素中任意选择四个,当遍历完所有可能的情况后,选取包含白点像素最多的集合B(m)所对应的I(m)。
具体实施方式五:结合图3说明本实施方式。本实施方式与具体实施方式一不同的是:所述步骤四的具体过程为:
对HSB格式图像中的非区域边界上的像素点进行逐一遍历,对于某个非区域边界上的像素点,若在该像素点的水平扫描线上的区域边界像素点的数量为K,且K%2=0,则该像素点为武术竞赛区域外的像素点,否则该像素点为武术竞赛区域内的像素点。
其中,K%2=0代表K除2余0。对HSB格式图像中的非区域边界上的像素点逐一遍历后,获得武术竞赛区域内的全部像素点。
实验结果分析
实验部分采用的软件平台为64位Windows 7操作***,仿真环境是Matlab 2016a。硬件平台的处理器型号是Intel i5 9400F,内存容量16GB DDR4,显卡型号GTX 1660ti。仿真过程对两幅包含武术竞赛区域的图像进行区域检测,程序的输入和输出均为后缀为jpg的数字图像。武术竞赛区域图像如图4a)和图4b)所示。通过白点像素筛选法,初步筛选出的白点像素如图5a)和图5b)所示。通过Ransac模型拟合出的区域边界如图6a)和图6b)所示。通过射线法处理非边界像素得到的武术竞赛区域如图7a)和图7b)所示。
由图5a)和图5b)可知,白点像素筛选法筛选出竞赛区域边界像素以及一些非边界像素,这些像素均满足公式(2)所示的筛选条件。由图6a)和图6b)可知,Ransac模型能够舍弃非边界像素,仅保留构成竞赛区域边界像素。由图7a)和图7b)可知,射线法可以根据边界像素标识出边界内的全体像素。根据以上实验结果可知:基于Ransac模型的武术竞赛区域检测方法能够有效地排除非竞赛区域像素的干扰,检测出武术竞赛区域较为准确。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种基于Ransac模型的武术竞赛区域检测方法,其特征在于,该方法包括以下步骤:
步骤一、获取包含武术竞赛区域的图像;
步骤二、将步骤一获取的图像转换为HSB格式图像后,再根据HSB格式图像中的H通道数据进行白点像素筛选;
步骤三、根据Ransac模型从步骤二筛选出的白点像素中确定出构成武术竞赛区域边界的全体像素点集;
步骤四、基于步骤三确定出的构成武术竞赛区域边界的全体像素点集,采用射线法确定出武术竞赛区域。
2.根据权利要求1所述的一种基于Ransac模型的武术竞赛区域检测方法,其特征在于,所述步骤一中,获取的图像的格式为RGB格式。
3.根据权利要求1所述的一种基于Ransac模型的武术竞赛区域检测方法,其特征在于,所述步骤二的具体过程为:
假设P表示HSB格式图像中全部像素点的集合;
P={px,y|0≤x≤M-1,0≤y≤N-1} (1)
其中,px,y代表集合P中的像素点,x、y分别表示像素点的横、纵坐标,M、N分别表示HSB格式图像的宽和高;
令Hx,y表示像素点px,y的H通道灰度值,设定像素筛选的阈值范围是[320,360],若像素点px,y的H通道灰度值Hx,y在阈值范围[320,360]内,则判定像素点px,y为候选点,否则像素点px,y为无效点;
采用邻域搜索法在像素点px,y的邻域内进行搜索,判断以像素点px,y为中心的9×9邻域内是否存在H通道灰度值在[230,250]范围内的像素点,若存在,则像素点px,y为白点像素,否则像素点px,y为无效点,利用公式表示为:
式中,Lx,y=1代表像素点px,y为白点像素,Lx,y=0代表像素点px,y为无效点,Hx,y∈[320,360]代表像素点px,y的H通道灰度值Hx,y的取值在[320,360]之间,Qx,y表示以像素点px,y为中心的9×9邻域内像素点的集合,Hx+m,y+n代表像素点px+m,y+n的H通道灰度值;
遍历HSB格式图像中的每一个像素点后,筛选出HSB格式图像中的全部白点像素。
4.根据权利要求1所述的一种基于Ransac模型的武术竞赛区域检测方法,其特征在于,所述步骤三的具体过程为:
步骤三一、对于第n次迭代,从步骤二筛选出的白点像素中选择出任意四个白点像素组成像素点集I(n);
分别以像素点集I(n)中的每个白点像素为顶点,将各顶点顺次首尾相接形成四边形;
步骤三二、遍历其余的各个白点像素,分别判断其余的各个白点像素是否在步骤三一的四边形边界上,记录处于四边形边界上的全部白点像素数量Cn,处于四边形边界上的全部白点像素的集合为B(n);
步骤三三、重复步骤三一至步骤三二,第n+1次迭代时,选择出的四个白点像素组成的像素点集为I(n+1);
在第n+1次迭代时,记录的处于四边形边界上的全部白点像素的数量为C(n+1),处于四边形边界上的全部白点像素的集合为B(n+1);
步骤三四、若C(n+1)>C(n),则保留I(n+1)、C(n+1)以及B(n+1),否则C(n+1)≤C(n),保留I(n),C(n)以及B(n);
直至由四个白点像素组成的像素点集的所有情况都遍历到,保留包含白点像素最多的集合B(m),B(m)为第m次迭代时记录的处于四边形边界上的全部白点像素的集合;
B(m)和I(m)中所包含的全部白点像素构成了武术竞赛区域边界的全体像素点集,I(m)为第m次迭代时选择出的四个白点像素组成的像素点集。
5.根据权利要求1所述的一种基于Ransac模型的武术竞赛区域检测方法,其特征在于,所述步骤四的具体过程为:
对HSB格式图像中的非区域边界上的像素点进行逐一遍历,对于某个非区域边界上的像素点,若在该像素点的水平扫描线上的区域边界像素点的数量为K,且K%2=0,则该像素点为武术竞赛区域外的像素点,否则该像素点为武术竞赛区域内的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010652936.8A CN111798434A (zh) | 2020-07-08 | 2020-07-08 | 一种基于Ransac模型的武术竞赛区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010652936.8A CN111798434A (zh) | 2020-07-08 | 2020-07-08 | 一种基于Ransac模型的武术竞赛区域检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798434A true CN111798434A (zh) | 2020-10-20 |
Family
ID=72810476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010652936.8A Pending CN111798434A (zh) | 2020-07-08 | 2020-07-08 | 一种基于Ransac模型的武术竞赛区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798434A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
US20160277673A1 (en) * | 2015-03-17 | 2016-09-22 | Disney Enterprises, Inc. | Method and system for mimicking human camera operation |
CN106981073A (zh) * | 2017-03-31 | 2017-07-25 | 中南大学 | 一种基于无人机的地面运动目标实时跟踪方法及*** |
-
2020
- 2020-07-08 CN CN202010652936.8A patent/CN111798434A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160277673A1 (en) * | 2015-03-17 | 2016-09-22 | Disney Enterprises, Inc. | Method and system for mimicking human camera operation |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN106981073A (zh) * | 2017-03-31 | 2017-07-25 | 中南大学 | 一种基于无人机的地面运动目标实时跟踪方法及*** |
Non-Patent Citations (3)
Title |
---|
D.FARIN 等: "Fast Camera Calibration for The Analysis of Sport Sequences", 《2005 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
D.FARIN: ""Fast Camera Calibration for The Analysis of Sport Sequences"", 《2005 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
IRONFROMICE: "最终ransac拟合矩形", 《HTTP://BLOG.CSDN.NET/FNB362767625/ARTICLE/DETAILS/91453157》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9092868B2 (en) | Apparatus for detecting object from image and method therefor | |
KR101104144B1 (ko) | 모션 분석 시스템 | |
US9218537B2 (en) | Image processing device and image processing method | |
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及*** | |
KR20190039384A (ko) | 마코프체인을 사용하여 이미지 상 대상 객체를 추적, 분할하는 방법 및 장치 | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
US20100208140A1 (en) | Image processing apparatus, image processing method and storage medium storing image processing program | |
WO2016031573A1 (ja) | 画像処理装置、画像処理方法、プログラムおよび記録媒体 | |
US20030169340A1 (en) | Method and apparatus for tracking moving objects in pictures | |
KR101753360B1 (ko) | 시점 변화에 강인한 특징점 정합 방법 | |
CN115205114A (zh) | 一种基于orb特征的高分辨率图像拼接改进算法 | |
JP4906588B2 (ja) | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム | |
CN111798434A (zh) | 一种基于Ransac模型的武术竞赛区域检测方法 | |
CN102148919A (zh) | 一种球类检测的方法及*** | |
JP4525064B2 (ja) | 動きベクトル検出装置、および動きベクトル検出方法、並びにコンピュータ・プログラム | |
JP4181313B2 (ja) | シーン内容情報付加装置及びシーン内容情報付加プログラム | |
JP4758272B2 (ja) | 移動物体追跡装置及びプログラム | |
CN114463664A (zh) | 一种用于冰球运动的新型冰球追踪方法 | |
JP2003317033A (ja) | 画像処理におけるアフィン変換係数算出方法および画像処理装置 | |
CN113313707A (zh) | 原始图像处理方法、装置、设备及可读存储介质 | |
Liu et al. | Cross-Scene crowd counting via FCN and Gaussian model | |
JP6539720B1 (ja) | 画像処理装置 | |
Guthier et al. | Histogram-based image registration for real-time high dynamic range videos | |
CN110599517A (zh) | 一种基于局部特征和全局hsv特征组合的目标特征描述方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |