CN108229294A

CN108229294A - 一种运动数据获取方法、装置、电子设备及存储介质

Info

Publication number: CN108229294A
Application number: CN201710805207.XA
Authority: CN
Inventors: 刘文韬; 钱晨
Original assignee: Beijing Sensetime Technology Development Co Ltd
Current assignee: Ningbo Ladder Science Co ltd
Priority date: 2017-09-08
Filing date: 2017-09-08
Publication date: 2018-06-29
Anticipated expiration: 2037-09-08
Also published as: CN108229294B

Abstract

本发明实施例提供了一种运动数据获取方法、装置、电子设备及存储介质，所述方法包括：获取待分析视频；对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态。本发明实施例相比以往人工观测视频的方法，本发明通过自动化的视频分析技术，能够准确的获取到运动员的关键运动状态，提高视频处理速度，进而可以处理更大数据量的视频数据，极大的节约了运动员和教练员分析运动视频的时间。

Description

一种运动数据获取方法、装置、电子设备及存储介质

技术领域

本发明涉及视频处理技术领域，特别是涉及一种运动数据获取方法、装置、电子设备及存储介质。

背景技术

在一些体育训练或比赛过程中，如自行车运动训练或比赛过程中，运动员的战术素养培养以及竞争对手战术特点分析是整个训练或比赛过程中不可或缺的部分。而无论是战术素养培养还是竞争对手分析，其核心都在于了解运动员在运动过程中的功率、速度、频率和排名等一些运动数据。

传统的运动数据主要通过对运动员训练过程或比赛过程的视频进行人工观测得到，而这难以得到准确的数据。

发明内容

本发明实施例的目的在于提供一种运动数据获取方法、装置、电子设备及存储介质，以提高运动数据获取的准确性。具体技术方案如下：

第一方面，本发明实施例提供了一种运动数据获取方法，所述方法包括：

获取待分析视频；

对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；

基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态。

可选的，所述关键运动状态模型包括：超越状态模型；

相应的，所述基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态，包括：

根据所述目标对象在各视频帧中的位置信息，确认所述目标对象在各视频帧中的运动轨迹；

基于所述超越状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的运动轨迹，确认所述待分析视频中是否存在超越状态。

可选的，所述确认所述待分析视频中是否存在超越状态之后，所述方法还包括：

响应于所述待分析视频中存在超越状态，提取所述待分析视频中发生超越状态的视频帧；

获取所述发生超越状态的视频帧的时间点信息。

可选的，当所述待分析视频为同一场景中多台视频采集设备采集的多个视频时，所述对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息之后，还包括：

通过多视角三角测量方法，将所述目标对象在各视频帧中的位置信息转换为三维位置信息。

可选的，所述提取所述待分析视频中发生超越状态的视频帧之后，所述方法还包括：

获取所述目标对象在发生超越状态时的三维位置信息；

根据所述目标对象在发生超越状态前后的视频帧，以及所述目标对象在发生超越状态时的三维位置信息，获取所述目标对象在发生超越状态时的速度信息。

可选的，所述通过多视角三角测量方法，将所述目标对象在各视频帧中的位置信息转换为三维位置信息之前，所述方法还包括：

针对每个所述目标对象，根据包含该目标对象的第一视频帧中所述目标对象的位置信息，以及所述第一视频帧与其他视频帧对应的视频采集设备间的位置关系，确定所述目标对象在所述其他视频帧中的位置信息，并在所述其他视频帧中相应位置处补充该目标对象的画面。

可选的，所述超越状态模型为通过第一样本图像训练得到的深度神经网络，所述第一样本图像标注有在发生超越状态时目标对象的位置信息。

可选的，所述对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息的步骤包括：

通过预先训练的目标检测和跟踪模型，对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；其中，所述目标检测和跟踪模型是根据已标定目标对象位置信息的第二样本图像训练得到的。

可选的，所述获取所述目标对象的关键运动状态之后，所述方法还包括：

根据所述目标对象的关键运动状态，确定所述目标对象对应的战术策略。

可选的，所述关键运动状态模型，还包括：起步状态模型，或转弯状态模型。

可选的，所述待分析视频中的视频帧中标注有各个目标对象的身份信息；所述方法还包括：

根据各个目标对象的身份信息，对各个目标对象对应的运动状态信息进行统计，所述运动状态信息包含以下任意一项信息以上的组合：起步速度，转弯速度，超越速度，平均速度。

第二方面，本发明实施例提供了一种运动数据获取装置，所述装置包括：

第一获取模块，用于获取待分析视频；

检测模块，用于对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；

处理模块，用于基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态。

可选的，所述关键运动状态模型包括：超越状态模型；

相应的，所述处理模块，包括：

第一确认子模块，用于根据所述目标对象在各视频帧中的位置信息，确认所述目标对象在各视频帧中的运动轨迹；

第二确认子模块，用于基于所述超越状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的运动轨迹，确认所述待分析视频中是否存在超越状态。

可选的，所述装置还包括：

提取模块，用于响应于所述待分析视频中存在超越状态，提取所述待分析视频中发生超越状态的视频帧；

第二获取模块，用于获取所述发生超越状态的视频帧的时间点信息。

可选的，当所述待分析视频为同一场景中多台视频采集设备采集的多个视频时，所述装置还包括：

转换模块，用于通过多视角三角测量装置，将所述目标对象在各视频帧中的位置信息转换为三维位置信息。

可选的，所述装置还包括：

第三获取模块，用于获取所述目标对象在发生超越状态时的三维位置信息；

第四获取模块，用于根据所述目标对象在发生超越状态前后的视频帧，以及所述目标对象在发生超越状态时的三维位置信息，获取所述目标对象在发生超越状态时的速度信息。

可选的，所述装置还包括：

执行模块，用于针对每个所述目标对象，根据包含该目标对象的第一视频帧中所述目标对象的位置信息，以及所述第一视频帧与其他视频帧对应的视频采集设备间的位置关系，确定所述目标对象在所述其他视频帧中的位置信息，并在所述其他视频帧中相应位置处补充该目标对象的画面。

可选的，所述检测模块，具体用于通过预先训练的目标检测和跟踪模型，对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；其中，所述目标检测和跟踪模型是根据已标定目标对象位置信息的第二样本图像训练得到的。

可选的，所述装置还包括：

确定模块，用于根据所述目标对象的关键运动状态，确定所述目标对象对应的战术策略。

可选的，所述待分析视频中的视频帧中标注有各个目标对象的身份信息；所述装置还包括：

统计模块，用于根据各个目标对象的身份信息，对各个目标对象对应的运动状态信息进行统计，所述运动状态信息包含以下任意一项信息以上的组合：起步速度，转弯速度，超越速度，平均速度。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现如上述第一方面所述的方法步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法步骤。

本发明实施例中，可以对包含运动员运动过程的视频进行分析，得到目标对象在各视频帧中的位置信息，进而可以基于关键运动状态模型，以及目标对象在各视频帧中的位置信息，获取目标对象的关键运动状态，相比以往人工观测视频的方法，本发明通过自动化的视频分析技术，能够准确的获取到运动员的关键运动状态，提高视频处理速度，进而可以处理更大数据量的视频数据，极大的节约了运动员和教练员分析运动视频的时间。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例的运动数据获取方法的一种流程图；

图2为本发明实施例的运动数据获取方法的另一种流程图；

图3为本发明实施例的运动数据获取方法的系统架构图；

图4为本发明实施例的运动数据获取方法流程示意图；

图5为本发明实施例的运动数据获取装置的结构示意图；

图6为本发明实施例的一种电子设备的结构示意图。

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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了提高运动数据获取的准确性，本发明实施例提供了一种运动数据获取方法，如图1所示，该方法可以包括以下步骤：

S101，获取待分析视频。

本发明实施例提供的方法可以应用于电子设备。具体的，该电子设备可以为具有视频处理功能的电子设备，如台式计算机、便携式计算机、智能移动终端、视频采集设备等。

需要说明的是，本发明实施例提供的方法，可以用于获取多种运动项目过程中运动员的运动数据，如自行车比赛、田径比赛等，本发明实施例以获取自行车比赛过程中运动员的运动数据为例，来说明本发明实施例提供的方法。

在本发明实施例中，为了提高运动数据获取的准确性，可以通过在运动场所安装视频采集设备，来采集运动员训练或比赛过程的视频。进而，可以对采集的视频进行分析，来获取运动员的运动数据。

在一种实现方式中，视频采集设备采集到视频后，可以直接对采集的视频进行分析获取运动员的运动数据；或者，在另一种实现方式中，为了提高视频处理效率，可以由另一电子设备进行视频处理，如，可以在视频采集设备与另一电子设备之间建立有线或无线连接，从而视频采集设备可以将其采集的视频发送给该电子设备进行处理，本发明实施例对此不进行限定。

在本发明实施例中，为了便于描述，可以以视频采集设备之外的另一电子设备对视频进行分析为例，来说明本实施例提供的运动数据获取方法。

具体的，电子设备可以首先获取待分析视频，如其可以接收视频采集设备实时发送的视频作为待分析视频；或者，也可以将已存储的历史视频作为待分析视频，如，其可以接收用户输入的视频，将该视频作为待分析视频。

S102，对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息。

可以理解，待分析视频是由大量的视频帧组成的。获取到待分析视频后，电子设备可以对待分析视频的每帧视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息。

其中，上述目标对象可以为运动员、自行车、摩托车、汽车等，具体可以根据待分析视频的不同进行设置，本发明实施例对此不做限定。并且，目标对象可以为待分析视频中所有的运动员、自行车、摩托车、汽车，或者，也可以为待分析视频中的一部分运动员、自行车、摩托车、汽车等，这都是合理的。

具体的，电子设备可以按照时间顺序，依次对待分析视频中的每帧视频帧进行目标对象检测，得到每帧视频帧中包括的目标对象的位置信息。进而，可以根据多目标跟踪算法对每帧视频帧中出现的目标对象进行跟踪处理，得到各目标对象在各视频帧中的位置信息。

其中，具体的检测算法为任意能够进行目标检测的算法，例如Boosting、RCNN(Regions Convolutional Neural Network)、FRCNN(Fast Region Convolutional NeuralNetwork)、FasterRCNN(Faster Region Convolutional Neural Network)、SSD(SingleShot MultiBox Detector)等，本发明实施例对此不进行限定。

多目标跟踪算法可以为TLD(Tracking-Learning-Detection，视觉追踪算法)、ITV(Incremental visual tracking，增量视觉跟踪器)算法或MIL(Multi-instanceLearning，多示例学习)算法等，本发明实施例对此不进行限定。

S103，基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态。

在本发明实施例中，电子设备可以预先训练得到关键运动状态模型并保存，在进行运动数据获取时，得到目标对象在各视频帧中的位置信息后，电子设备可以基于关键运动状态模型，根据待分析视频以及目标对象在各视频帧中的位置信息，获取目标对象的关键运动状态。

其中，上述关键运动状态模型可以为任一种待分析的目标对象运动状态对应的模型，如超越状态模型、起步状态模型、或转弯状态模型等，具体可以针对不同的分析需求设定，本发明实施例对此不做限定。

超越状态模型可以用来分析目标对象是否存在超越状态，以及发生超越状态的时机等；起步状态模型可以用来分析目标对象的起步速度等信息；转弯状态模型可以用来分析目标对象是否存在转弯状态、转弯速度、转弯轨迹等。

关键运动状态模型可以为深度神经网络，其可以通过样本图像，以及对样本图像的标注结果训练得到。如，超越状态模型可以通过标注有发生超越状态时目标对象的位置信息的样本图像训练得到；起步状态模型可以通过标注有发生起步状态时目标对象的位置信息的样本图像训练得到；转弯状态模型可以通过标注有发生转弯状态时目标对象的位置信息的样本图像训练得到。

关键运动状态模型的训练过程可以为现有的任一种方法，本发明实施例对此不进行赘述。

可以理解，在比赛过程中，目标对象的超越时机、超越速度等信息是比较重要的运动数据。这对教练员分析竞争对手的战术策略，以及确定本队队友的训练策略起到重要的作用。

在一种实现方式中，当上述关键运动状态模型为超越状态模型时，如图2所示，电子设备基于关键运动状态模型，根据待分析视频以及目标对象在各视频帧中的位置信息，获取目标对象的关键运动状态的过程可以包括以下步骤：

S201，根据所述目标对象在各视频帧中的位置信息，确认所述目标对象在各视频帧中的运动轨迹。

在本实施例中，电子设备可以根据目标对象在各视频帧中的位置信息，确定目标对象的运动轨迹。如，电子设备可以根据目标对象在各视频帧中的位置信息，将目标对象的位置信息按时间顺序排列，得到目标对象的运动轨迹。

S202，基于所述超越状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的运动轨迹，确认所述待分析视频中是否存在超越状态。

得到目标对象的运动轨迹后，电子设备可以基于超越状态模型，根据待分析视频以及目标对象在各视频帧中的运动轨迹，确认待分析视频中是否存在超越状态。具体的，可以提取待分析视频中的图像特征，并将该图像特征和目标对象的运动轨迹输入超越状态模型，超越状态模型即可输出待分析视频中是否存在超越状态的结论。

本实施例中，可以基于超越状态模型，确定待分析视频中是否存在超越状态，这对教练员分析竞争对手的战术策略，以及确定本队队友的训练策略起到重要的作用，如运动员可以针对性的在对手习惯的超越位置或时间点采取一些防守策略。

相应的，当确定待分析视频中存在超越状态时，电子设备还可以提取待分析视频中发生超越状态的视频帧，并获取发生超越状态的视频帧的时间点信息。

如，当确定待分析视频中存在超越状态时，电子设备可以确定发生超越状态时目标对象的位置信息，进而确定该位置信息对应的视频帧为待分析视频中发生超越状态的视频帧。并且，可以根据各视频帧对应的时间信息，获取发生超越状态的视频帧的时间点信息。

通过提取发生超越状态的视频帧，以及获取发生超越状态的视频帧的时间点信息，可以进一步分析目标对象在整个比赛过程中的超越时机等信息。

可以理解，在实际比赛过程中，由于目标对象的位置在不停的变化，因此，一台视频采集设备通常不能一直采集到包含每个目标对象的视频。

作为本发明实施例的一种实施方式，为了提高运动数据获取的准确性，可以在比赛场景中安装多台视频采集设备。如，可以在比赛场景的不同位置安装多台视频采集设备，以通过多台视频采集设备采集到不同位置的视频。

相应的，当电子设备获取的待分析视频为同一场景中多台视频采集设备采集的多个视频时，电子设备对待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息之后，其还可以通过多视角三角测量方法，将目标对象在各视频帧中的位置信息转换为三维位置信息。

在同一时刻，当有至少两台视频采集设备采集的视频包含同一目标对象时，电子设备可以根据各视频中包含的该目标对象所在位置，确定该目标对象的三维位置。

在一种实现方式中，当电子设备提取到待分析视频中发生超越状态的视频帧后，且得到目标对象在各视频帧中的三维位置信息后，其还可以获取目标对象在发生超越状态时的三维位置信息，并根据目标对象在发生超越状态前后的视频帧，以及目标对象在发生超越状态时的三维位置信息，获取目标对象在发生超越状态时的速度信息。

如，电子设备可以根据目标对象在发生超越状态的视频帧，以及发生超越状态前后的视频帧中，每相邻两帧视频帧中的三维位置信息，确定目标对象在该两帧视频帧之间的位移，进而根据目标对象在该两帧视频帧之间移动的时间，确定目标对象在每两帧视频帧之间的移动速度。

通过获取目标对象在发生超越状态时的速度信息，能够对目标对象的超越速度进行详细的分析。

可选的，为了进一步提高目标对象在各视频帧中位置信息确定的准确性，进而提高运动数据获取的准确性，电子设备通过多视角三角测量方法，将目标对象在各视频帧中的位置信息转换为三维位置信息之前，其还可以针对每个目标对象，根据包含该目标对象的视频帧，在不包含该目标对象的视频帧中补充该目标对象对应的画面。

例如，电子设备可以针对每个目标对象，根据包含该目标对象的第一视频帧中该目标对象的位置信息，以及第一视频帧与其他视频帧对应的视频采集设备间的位置关系，确定该目标对象在其他视频帧中的位置信息，并在其他视频帧中相应位置处补充该目标对象的画面。

如此，即可保证每个视频中都包含每个目标对象，之后再根据每个视频帧确定每个目标对象的三维位置时，可以提高三维位置确定的准确性。

作为本发明实施例的一种实施方式，为了提高目标对象检测和跟踪的效率和准确性，电子设备可以预先训练得到目标对象检测和跟踪模型，从而在获取到待分析视频后，可以通过预先训练的目标对象检测和跟踪模型，对待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息。

目标对象检测和跟踪模型作为一种神经网络模型，具有运算速度快且准确的优点，因此，采用目标对象检测和跟踪模型能够准确且快速的确定目标对象在各视频帧中的位置信息，进而提高运动数据获取的效率和准确性。

相应的，电子设备预先训练目标对象检测和跟踪模型时，可以根据已标定目标对象位置信息的样本图像训练得到。

具体的，电子设备可以进行互联网历史比赛数据收集、比赛场景多视角摄像机采集视频等，将获取到的视频中包括的每帧视频帧作为样本图像。

当电子设备获取到样本视频图像后，其可以获取对各样本图像进行目标对象标定的标定结果。如，其可以通过数据标注系统对各样本图像进行自动标定；或者，可以由专业人员对各样本图像进行标定，然后电子设备可以获取人为标定结果。其中，上述标定结果可以为目标对象在视频帧中的外接框位置。

得到各样本图像，以及各样本图像对应的标定结果后，电子设备可以将各样本图像，以及各样本图像对应的标定结果作为训练样本，训练得到目标对象检测和跟踪模型。

例如，电子设备可以将各样本图像，以及各样本图像对应的标定结果输入初始的目标对象检测和跟踪模型中，目标对象检测和跟踪模型多次输出每张样本图像中目标对象的位置信息。当目标对象检测和跟踪模型输出的每张样本图像中目标对象的位置信息与对应的标定结果匹配时，训练过程结束，得到最终的目标对象检测和跟踪模型。

需要说明的是，在本发明实施例中，目标对象检测和跟踪模型的训练过程可以采用现有的任一种方法，本发明实施例对此过程不进行赘述。

本实施例中，可以训练得到目标对象检测和跟踪模型，从而在进行运动数据获取时，可以采用目标对象检测和跟踪模型得到准确的目标对象位置信息，从而提高运动数据获取的准确性。

作为本发明实施例的一种实施方式，电子设备获取到目标对象的关键运动状态之后，其还可以根据目标对象的关键运动状态，确定目标对象对应的战术策略。

例如，电子设备可以根据目标对象发生超越状态的时间点信息，确定目标对象的超车时机；根据目标对象发生超越状态的速度信息，确定目标对象的超车速度；或者，可以根据目标对象发生超越状态时，队员所排列队形等战术策略。

作为本发明实施例的一种实施方式，为了对不同的目标对象对应的运动状态信息进行统计，可以预先在待分析视频中标注各个目标对象的身份信息。如，可以人工对待分析视频中的目标对象进行身份信息标注。

相应的，电子设备获取到目标对象的关键运动状态后，还可以根据各个目标对象的身份信息，对各个目标对象对应的运动状态信息进行统计。其中，上述运动状态信息包含以下任意一项信息以上的组合：起步速度，转弯速度，超越速度，平均速度。

例如，电子设备可以针对每个目标对象，获取该目标对象对应的关键运动状态，进而根据该目标对象对应的关键状态状态，统计其运动状态信息。如，当统计目标对象的平均速度时，可以根据该目标对象在每两帧视频帧之间的速度信息，以及所有的视频帧数，计算得到该目标对象的平均速度。

作为本发明实施例的一种实施方式，当电子设备获取到目标对象的关键运动状态之后，其还可以保存待分析视频和关键运动状态相关的运动数据。如，电子设备可以将待分析视频和对应的运动数据保存在预定的存储位置，方便后续对指定比赛进行查看。

在一种实现方式中，电子设备保存待分析视频和运动数据时，可以保存待分析视频和待分析视频的时间信息，以及保存每个目标对象与其在各视频帧中的位置信息、以及其运动数据的对应关系。

如，电子设备可以将每个目标对象在各视频帧中的位置信息、以及其运动数据与对应的身份信息与比赛场次进行关联。进而，在后续数据检索时，可以根据身份信息，检索到对应目标对象的所有相关数据。

下面结合一个具体的实施例，对本发明提供的运动数据获取方法进行详细说明。

如图3所示，其示出了本发明实施例的运动数据获取方法的系统架构图。该系统包括：数据采集标注模块310、基于视频的运动员检测跟踪模块320、多摄像机数据融合及运动员三维估计模块330、运动员训练参数计算模块340、数据存储及检索模块350。

其中，数据采集标注模块310：基于深度学习的自动视频分析方法需要大量的标注数据，本发明的数据采集标注模块310提出了规范化的数据采集标注流程。

基于视频的运动员检测跟踪模块320：基于收集的训练数据训练人体检测和跟踪模型，实时检测不同视角拍摄的视频中所有运动员的实时位置和运动轨迹。

多摄像机数据融合及运动员三维估计模块330：当采集到多视角的自行车比赛视频后，可通过多视角视频的数据融合，得到更加准确的运动员视频定位，并根据多视角三维重建技术，得到运动员的三维位置。

运动员训练参数计算模块340：对于多摄像机拍摄的比赛视频，此模块通过恢复的运动员实时三维位置，准确的计算运动员的超车时机等战术特点和实时速度等技术参数。而对于单视角的历史视频，此模块通过检测到的运动员在视频中实时位置，判断运动员的历史战术特点。

数据存储及检索模块350：对于计算得到的运动员战术特点和技术参数，按运动员姓名和比赛时间进行存储，并方便教练员根据指定运动员或指定比赛进行查询。

图4为本发明实施例的数据获取方法流程示意图。该过程具体包括：

步骤一，通过多视角比赛数据采集或历史比赛数据库获取比赛视频；

步骤二，对获取的比赛视频进行人体定位与跟踪；

步骤三，对于历史视频，得到每个运动员的位置信息；对于多视角采集的比赛视频，进行多视角结果整合与优化，得到每个运动员的三维位置；

步骤四，根据每个运动员的位置信息或三维位置信息，得到每个运动员的运动轨迹和运动速度；

步骤五，根据每个运动员的运动轨迹，得到每个运动员的战术策略；根据每个运动员的运动速度，得到每个运动员的运动功率；

步骤六，将得到的每个运动员的位置信息、运动速度、运动功率等数据都保持在运动员历史数据库中。

相应的，本发明实施例还提供了一种运动数据获取装置，如图5所示，所述装置包括：

第一获取模块510，用于获取待分析视频；

检测模块520，用于对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；

处理模块530，用于基于关键运动状态模型，根据所述待分析视频以及所述目标对象在各视频帧中的位置信息，获取所述目标对象的关键运动状态。

作为本发明实施例的一种实施方式，所述关键运动状态模型包括：超越状态模型；

相应的，所述处理模块530，包括：

作为本发明实施例的一种实施方式，所述装置还包括：

作为本发明实施例的一种实施方式，当所述待分析视频为同一场景中多台视频采集设备采集的多个视频时，所述装置还包括：

作为本发明实施例的一种实施方式，所述装置还包括：

作为本发明实施例的一种实施方式，所述超越状态模型为通过第一样本图像训练得到的深度神经网络，所述第一样本图像标注有在发生超越状态时目标对象的位置信息。

作为本发明实施例的一种实施方式，所述检测模块520，具体用于通过预先训练的目标检测和跟踪模型，对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息；其中，所述目标检测和跟踪模型是根据已标定目标对象位置信息的第二样本图像训练得到的。

作为本发明实施例的一种实施方式，所述装置还包括：

作为本发明实施例的一种实施方式，所述关键运动状态模型，还包括：起步状态模型，或转弯状态模型。

作为本发明实施例的一种实施方式，所述待分析视频中的视频帧中标注有各个目标对象的身份信息；所述装置还包括：

本发明实施例还提供了一种电子设备，如图6所示，包括处理器610、通信接口620、存储器630和通信总线640，其中，所述处理器610、所述通信接口620、所述存储器630通过所述通信总线640完成相互间的通信；

所述存储器630，用于存放计算机程序；

所述处理器610，用于执行所述存储器630上所存放的程序时，实现如上述图1-图4任一所述的运动数据获取方法。

上述计算机设备提到的通信总线640可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线640可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口620用于上述计算机设备与其他设备之间的通信。

存储器630可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器630还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器610可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Ne twork Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Applica tion SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

相应的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如上述图1-图4任一所述的运动数据获取方法。

对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims

1.一种运动数据获取方法，其特征在于，所述方法包括：

获取待分析视频；

2.根据权利要求1所述的方法，其特征在于，所述关键运动状态模型包括：超越状态模型；

3.根据权利要求2所述的方法，其特征在于，所述确认所述待分析视频中是否存在超越状态之后，所述方法还包括：

获取所述发生超越状态的视频帧的时间点信息。

4.根据权利要求1所述的方法，其特征在于，当所述待分析视频为同一场景中多台视频采集设备采集的多个视频时，所述对所述待分析视频的各视频帧进行检测和跟踪，得到目标对象在各视频帧中的位置信息之后，还包括：

5.根据权利要求4所述的方法，其特征在于，所述提取所述待分析视频中发生超越状态的视频帧之后，所述方法还包括：

获取所述目标对象在发生超越状态时的三维位置信息；

6.根据权利要求4所述的方法，其特征在于，所述通过多视角三角测量方法，将所述目标对象在各视频帧中的位置信息转换为三维位置信息之前，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述待分析视频中的视频帧中标注有各个目标对象的身份信息；所述方法还包括：

8.一种运动数据获取装置，其特征在于，所述装置包括：

第一获取模块，用于获取待分析视频；

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。

10.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。