CN106991356A - 一种对球赛视频中运动员进行跟踪的算法 - Google Patents
一种对球赛视频中运动员进行跟踪的算法 Download PDFInfo
- Publication number
- CN106991356A CN106991356A CN201610037305.9A CN201610037305A CN106991356A CN 106991356 A CN106991356 A CN 106991356A CN 201610037305 A CN201610037305 A CN 201610037305A CN 106991356 A CN106991356 A CN 106991356A
- Authority
- CN
- China
- Prior art keywords
- tracked
- tracking
- video
- sportsman
- algorithm
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种对球赛视频中运动员进行跟踪的算法,包括初始化、图像预处理、行人检测器检测人体、融合区域信息和局部特征的跟踪四步骤。本发明提供的一种对球赛视频中运动员进行跟踪的算法,融合区域信息和局部特征的优点,可适应于遮挡较为严重情况,且有效地防止了漂移问题,可有效地解决球赛中运动员跟踪问题,克服了现有技术中一般的目标跟踪方法对球赛中运动跟踪效果较差的弊端。
Description
技术领域
本发明涉及一种球赛视频的跟踪算法,尤其涉及一种对球赛视频中运动员进行跟踪的算法。
背景技术
采用普通摄像头进行球赛无监督的录制时,由于运动员速度过快,常导致高速运动的运动员存在运动模糊,虚影和残影问题;同时,由于运动动作幅度较大,且时常发生球员间接触或遮挡的情况,这使得一般的目标跟踪方法对球赛中运动跟踪效果较差。本发明提出的对球赛视频中运动员进行跟踪的算法,融合区域信息和局部特征的优点,可适应于遮挡较为严重情况,且有效地防止了漂移问题,可有效地解决球赛中运动员跟踪问题。
发明内容
本发明为解决上述技术问题而采用的技术方案是提供一种对球赛视频中运动员进行跟踪的算法,其中具体包括以下步骤:
1)初始化;
利用人工标注或算法自动学习的方法,获取得到场景的一些先验信息;
2)图像预处理;
(1)对视频中的球场建立背景模型,并从中分割出前景,并在前景上提取局部特征点;
(2)从前景区域中提取出边缘;
(3)对上一帧提取出来的特征点采用光流跟踪得到当前帧的位置,并存储当前光流跟踪的结果中点的位置,作为下帧跟踪的待跟踪点;
3)行人检测器检测人体;
利用线下采用机器学习方法训练好的行人检测器,对视频中的前景处进行行人检测;
4)融合区域信息和局部特征的跟踪;
对检测到的行人区域进行跟踪;
在球员之间发生遮挡时,利用上各特征点的光流跟踪的结果来将部分遮挡上的目标跟踪上,同时将光流跟踪结果点存储起来以作为下帧跟踪的待跟踪点;
未被遮挡部分,采用如下方法提取:
获取当前帧采用区域跟踪法未能跟踪上的区域在上一帧的位置区域L,得到区域L中采用局部特征点光流跟踪在本帧跟踪上的点,这些点所组成的区域即为未被遮挡部分的局部。
上述的一种对球赛视频中运动员进行跟踪的算法,其中,初始化步骤中,先验信息包括从视频中提取出球场位置,球场各处普通球员的身高。
上述的一种对球赛视频中运动员进行跟踪的算法,其中,行人检测器检测人体步骤中,采用HoG+SVM行人检测器,或Haar+AdoBoost行人检测器,或ACF行人检测器,或深度学习的行人检测器。
上述的一种对球赛视频中运动员进行跟踪的算法,其中,行人检测器检测人体步骤中,为了减少计算量,利用初始化中所获取的球员的身高先验知识来加速。
上述的一种对球赛视频中运动员进行跟踪的算法,其中,融合区域信息和局部特征的跟踪步骤中,对检测到的行人区域进行跟踪采用kalman+粒子滤波基于概率估计的方法进行,或采用CamShift基于模板匹配的方法。
上述的一种对球赛视频中运动员进行跟踪的算法,其中,融合区域信息和局部特征的跟踪步骤中,为了进一步提高被部分遮挡目标的跟踪效果,采用提高未被遮挡部分的局部特征点数目的方法,以用于下一帧的跟踪。
本发明相对于现有技术具有如下有益效果:
融合区域信息和局部特征的优点,可适应于遮挡较为严重情况,且有效地防止了漂移问题,可有效地解决球赛中运动员跟踪问题,克服了现有技术中一般的目标跟踪方法对球赛中运动跟踪效果较差的弊端。
附图说明
图1为本发明提供的一种对球赛视频中运动员进行跟踪的算法的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明提供的一种对球赛视频中运动员进行跟踪的算法,具体方案包括:
一、初始化。
利用人工标注或算法自动学习的方法,获取得到场景的一些先验信息(如从视频中提取出球场位置,球场各处普通球员的身高)。
二、图像预处理。
(1)对视频中的球场建立背景模型,并从中分割出前景,并在前景上提取局部特征点(如FAST特征点);
(2)从前景区域中提取出边缘(如采用SOBEL边缘提取算子)。
(3)对上一帧提取出来的特征点,采用光流跟踪得到当前帧的位置,并存储当前光流跟踪的结果中点的位置,作为下帧跟踪的待跟踪点。
三、行人检测器检测人体。
利用线下采用机器学习方法训练好的行人检测器,对视频中的前景处进行行人检测(如HoG+SVM行人检测器,Haar+AdoBoost行人检测器,或ACF行人检测器,或深度学习的行人检测器)。进一步地,为了减少计算量,可利用上初始化中所获取的球员的身高等先验知识来加速。
四、融合区域信息和局部特征的跟踪。
对检测到的行人区域进行跟踪(可采用kalman+粒子滤波等基于概率估计的方法进行,也可以采用CamShift等基于模板匹配的方法)。
在球员之间发生较严重的遮挡时,采用区域跟踪的方法一般较难跟踪上,这个时候可利用上各特征点的光流跟踪的结果,来将部分遮挡上的目标跟踪上。同时将光流跟踪结果点,存储起来以作为下帧跟踪的待跟踪点。
为了进一步提高被部分遮挡目标的跟踪效果,可提高未被遮挡部分的局部特征点数目,以用于下一帧的跟踪。而未被遮挡部分,可采用如下方法提取:
获取当前帧采用区域跟踪法未能跟踪上的区域在上一帧的位置区域L,得到区域L中采用局部特征点光流跟踪在本帧跟踪上的点,这些点所组成在区域即为未被遮挡部分的局部。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (6)
1.一种对球赛视频中运动员进行跟踪的算法,其特征在于,包括以下步骤:
1)初始化;
利用人工标注或算法自动学习的方法,获取得到场景的一些先验信息;
2)图像预处理;
(1)对视频中的球场建立背景模型,并从中分割出前景,并在前景上提取局部特征点;
(2)从前景区域中提取出边缘;
(3)对上一帧提取出来的特征点采用光流跟踪得到当前帧的位置,并存储当前光流跟踪的结果中点的位置,作为下帧跟踪的待跟踪点;
3)行人检测器检测人体;
利用线下采用机器学习方法训练好的行人检测器,对视频中的前景处进行行人检测;
4)融合区域信息和局部特征的跟踪;
对检测到的行人区域进行跟踪;
在球员之间发生遮挡时,利用上各特征点的光流跟踪的结果来将部分遮挡上的目标跟踪上,同时将光流跟踪结果点存储起来以作为下帧跟踪的待跟踪点;
未被遮挡部分,采用如下方法提取:
获取当前帧采用区域跟踪法未能跟踪上的区域在上一帧的位置区域L,得到区域L中采用局部特征点光流跟踪在本帧跟踪上的点,这些点所组成的区域即为未被遮挡部分的局部。
2.如权利要求1所述的一种对球赛视频中运动员进行跟踪的算法,其特征在于,初始化步骤中,先验信息包括从视频中提取出球场位置,球场各处普通球员的身高。
3.如权利要求2所述的一种对球赛视频中运动员进行跟踪的算法,其特征在于,行人检测器检测人体步骤中,采用HoG+SVM行人检测器,或Haar+AdoBoost行人检测器,或ACF行人检测器,或深度学习的行人检测器。
4.如权利要求3所述的一种对球赛视频中运动员进行跟踪的算法,其特征在于,行人检测器检测人体步骤中,为了减少计算量,利用初始化中所获取的球员的身高先验知识来加速。
5.如权利要求4所述的一种对球赛视频中运动员进行跟踪的算法,其特征在于,融合区域信息和局部特征的跟踪步骤中,对检测到的行人区域进行跟踪采用kalman+粒子滤波基于概率估计的方法进行,或采用CamShift基于模板匹配的方法。
6.如权利要求5所述的一种对球赛视频中运动员进行跟踪的算法,其特征在于,融合区域信息和局部特征的跟踪步骤中,为了进一步提高被部分遮挡目标的跟踪效果,采用提高未被遮挡部分的局部特征点数目的方法,以用于下一帧的跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610037305.9A CN106991356A (zh) | 2016-01-20 | 2016-01-20 | 一种对球赛视频中运动员进行跟踪的算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610037305.9A CN106991356A (zh) | 2016-01-20 | 2016-01-20 | 一种对球赛视频中运动员进行跟踪的算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991356A true CN106991356A (zh) | 2017-07-28 |
Family
ID=59414331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610037305.9A Pending CN106991356A (zh) | 2016-01-20 | 2016-01-20 | 一种对球赛视频中运动员进行跟踪的算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991356A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491768A (zh) * | 2017-09-05 | 2017-12-19 | 深圳云天励飞技术有限公司 | 提取人脸特征的方法、装置及电子设备 |
CN107958463A (zh) * | 2017-12-04 | 2018-04-24 | 华中科技大学 | 一种改进的多专家熵最小化跟踪算法 |
CN108090421A (zh) * | 2017-11-30 | 2018-05-29 | 睿视智觉(深圳)算法技术有限公司 | 一种运动员竞技能力分析方法 |
CN109165686A (zh) * | 2018-08-27 | 2019-01-08 | 成都精位科技有限公司 | 通过机器学习构建球员带球关系的方法、装置及系统 |
CN112154482A (zh) * | 2018-05-21 | 2020-12-29 | 松下知识产权经营株式会社 | 球类运动影像分析装置及球类运动影像分析方法 |
CN112308013A (zh) * | 2020-11-16 | 2021-02-02 | 电子科技大学 | 一种基于深度学习的足球球员追踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013002653A1 (en) * | 2011-06-27 | 2013-01-03 | Chan Shun Heng | Method of analysing a video of sports motion |
US8977060B2 (en) * | 2013-05-16 | 2015-03-10 | Microsoft Technology Licensing, Llc | Motion stabilization and detection of articulated objects |
CN104599288A (zh) * | 2013-10-31 | 2015-05-06 | 展讯通信(天津)有限公司 | 一种基于肤色模板的特征跟踪方法及装置 |
CN105046206A (zh) * | 2015-06-24 | 2015-11-11 | 北京系统工程研究所 | 基于视频中运动先验信息的行人检测方法及装置 |
CN105139419A (zh) * | 2015-08-03 | 2015-12-09 | 硅革科技(北京)有限公司 | 一种足球比赛视频的球员及球体跟踪方法 |
CN105224912A (zh) * | 2015-08-31 | 2016-01-06 | 电子科技大学 | 基于运动信息和轨迹关联的视频行人检测和跟踪方法 |
-
2016
- 2016-01-20 CN CN201610037305.9A patent/CN106991356A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013002653A1 (en) * | 2011-06-27 | 2013-01-03 | Chan Shun Heng | Method of analysing a video of sports motion |
US8977060B2 (en) * | 2013-05-16 | 2015-03-10 | Microsoft Technology Licensing, Llc | Motion stabilization and detection of articulated objects |
CN104599288A (zh) * | 2013-10-31 | 2015-05-06 | 展讯通信(天津)有限公司 | 一种基于肤色模板的特征跟踪方法及装置 |
CN105046206A (zh) * | 2015-06-24 | 2015-11-11 | 北京系统工程研究所 | 基于视频中运动先验信息的行人检测方法及装置 |
CN105139419A (zh) * | 2015-08-03 | 2015-12-09 | 硅革科技(北京)有限公司 | 一种足球比赛视频的球员及球体跟踪方法 |
CN105224912A (zh) * | 2015-08-31 | 2016-01-06 | 电子科技大学 | 基于运动信息和轨迹关联的视频行人检测和跟踪方法 |
Non-Patent Citations (1)
Title |
---|
朱志宇 著: "《流形粒子滤波算法及其在视频目标跟踪中的应用》", 31 May 2015 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491768A (zh) * | 2017-09-05 | 2017-12-19 | 深圳云天励飞技术有限公司 | 提取人脸特征的方法、装置及电子设备 |
CN107491768B (zh) * | 2017-09-05 | 2018-09-21 | 深圳云天励飞技术有限公司 | 提取人脸特征的方法、装置及电子设备 |
CN108090421A (zh) * | 2017-11-30 | 2018-05-29 | 睿视智觉(深圳)算法技术有限公司 | 一种运动员竞技能力分析方法 |
CN108090421B (zh) * | 2017-11-30 | 2021-10-08 | 睿视智觉(深圳)算法技术有限公司 | 一种运动员竞技能力分析方法 |
CN107958463A (zh) * | 2017-12-04 | 2018-04-24 | 华中科技大学 | 一种改进的多专家熵最小化跟踪算法 |
CN107958463B (zh) * | 2017-12-04 | 2020-07-03 | 华中科技大学 | 一种改进的多专家熵最小化跟踪方法 |
CN112154482A (zh) * | 2018-05-21 | 2020-12-29 | 松下知识产权经营株式会社 | 球类运动影像分析装置及球类运动影像分析方法 |
CN112154482B (zh) * | 2018-05-21 | 2024-05-10 | 松下知识产权经营株式会社 | 球类运动影像分析装置及球类运动影像分析方法 |
CN109165686A (zh) * | 2018-08-27 | 2019-01-08 | 成都精位科技有限公司 | 通过机器学习构建球员带球关系的方法、装置及系统 |
CN112308013A (zh) * | 2020-11-16 | 2021-02-02 | 电子科技大学 | 一种基于深度学习的足球球员追踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991356A (zh) | 一种对球赛视频中运动员进行跟踪的算法 | |
CN105023278B (zh) | 一种基于光流法的运动目标跟踪方法及系统 | |
US9971941B2 (en) | Person counting method and device for same | |
Ren et al. | Tracking the soccer ball using multiple fixed cameras | |
Chakraborty et al. | A trajectory-based ball detection and tracking system with applications to shot-type identification in volleyball videos | |
Huang et al. | Players and ball detection in soccer videos based on color segmentation and shape analysis | |
CN110569785B (zh) | 一种融合跟踪技术的人脸识别方法 | |
Teachabarikiti et al. | Players tracking and ball detection for an automatic tennis video annotation | |
CN106991357A (zh) | 基于全景视频的自动识别篮球比赛投篮和进球的算法 | |
CN105512618A (zh) | 视频跟踪方法 | |
CN105554462A (zh) | 一种遗留物检测方法 | |
WO2016139906A1 (ja) | 人物追跡方法および人物追跡装置 | |
CN103577832B (zh) | 一种基于时空上下文的人流量统计方法 | |
CN106991359A (zh) | 一种在全景模式下对球赛视频中篮球进行跟踪的算法 | |
CN106991685B (zh) | 一种在全景模式下对球赛视频中足球进行跟踪的算法 | |
Myint et al. | Tracking a table tennis ball for umpiring purposes | |
Chakraborty et al. | Real-time position estimation and tracking of a basketball | |
Arróspide et al. | On-board robust vehicle detection and tracking using adaptive quality evaluation | |
Luo et al. | Salient object detection in videos by optimal spatio-temporal path discovery | |
Chotimanus et al. | Real swing extraction for video indexing in golf practice video | |
CN105046191A (zh) | 一种纹理图像识别方法 | |
Guo et al. | Localization and recognition of the scoreboard in sports video based on SIFT point matching | |
Lyu et al. | Multi-feature based high-speed ball shape target tracking | |
TWI584228B (zh) | 場線之擷取重建方法 | |
Arora et al. | Cricket umpire assistance and ball tracking system using a single smartphone camera |
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: 20170728 |