CN109800647A - 一种棋谱自动生成方法、系统、装置和存储介质 - Google Patents
一种棋谱自动生成方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN109800647A CN109800647A CN201811547630.5A CN201811547630A CN109800647A CN 109800647 A CN109800647 A CN 109800647A CN 201811547630 A CN201811547630 A CN 201811547630A CN 109800647 A CN109800647 A CN 109800647A
- Authority
- CN
- China
- Prior art keywords
- chess
- chess piece
- checkerboard image
- piece type
- image
- 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
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种棋谱自动生成方法、系统、装置和存储介质，所述方法包括获取对弈过程中的视频流，从所述视频流中提取多帧棋盘图像，将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中，获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息，通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化和根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱等步骤。本发明可以在计算机系统上自动执行，从而自动根据对弈过程生成棋谱并进行记录，避免了现有技术需要人工参与造成误差大、易出错等缺点，使得棋手可以免受打扰、更加专心地对弈。本发明广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域，尤其是一种棋谱自动生成方法、系统、装置和存储介质。
背景技术
在中国象棋等棋类的对弈过程中，需要编写棋谱来记录双方的走子，用于研究分析和交流。中国象棋比赛中要配备专门的录入员来手工记录棋谱，有时甚至需要棋手来手工记录棋谱，然后录入计算机系统中形成电子棋谱，这个过程中由于存在人工参与，容易出错，而且也容易对棋手造成干扰，影响棋手的发挥。
发明内容
为了解决上述技术问题，本发明的目在于提供一种棋谱自动生成方法、系统、装置和存储介质。
一方面，本发明实施例提供了一种棋谱自动生成方法，包括以下步骤：
获取对弈过程中的视频流；
从所述视频流中提取多帧棋盘图像；
将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
进一步地，所述RCNN网络是通过以下步骤建立的：
构建RPN网络、池化层和分类器；所述RPN网络用于接收图像并在图像上标记多个感兴趣区域；所述池化层用于将所述多个感兴趣区域归一化为固定尺度的特征图；所述分类器用于接收所述特征图并输出所述特征图的目标分类结果，所述目标分类结果用于标记感兴趣区域属于棋子或棋盘背景；
将所述RPN网络、池化层和分类器依次连接得到RCNN网络。
进一步地，所述分类器包括至少两个全连接层和至少一个矫正激活层。
进一步地，所述RPN网络运行anchor机制并执行以下判断规则：
当检测到anchor与任何感兴趣区域的交并比取得最大值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比大于第一阈值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比小于第二阈值时，判断该anchor为背景。
进一步地，所述RCNN网络是通过以下步骤训练的：
获取多张样本图像；所述样本图像记录了棋盘以及在棋盘上标注的各棋子的类型和坐标；
将所述多张样本图像分别组成训练数据集和验证数据集；
使用所述训练数据集和验证数据集对RCNN网络进行训练。
进一步地，所述获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息这一步骤之后，还包括对棋子类型信息和棋子坐标信息进行优化调整的步骤。
进一步地，所述对棋子类型信息和棋子坐标信息进行优化调整的步骤具体包括：
将RCNN网络输出的棋子类型信息和棋子坐标信息代入对弈规则中进行符合性检测；
当RCNN网络输出的棋子类型信息和棋子坐标信息不符合对弈规则时，按照预设的次优解顺序，调整棋子类型信息和棋子坐标信息直至与对弈规则匹配；
返回调整后的棋子类型信息和棋子坐标信息。
另一方面，本发明实施例提供了一种棋谱自动生成系统，包括：
视频流模块，用于获取对弈过程中的视频流；
棋盘图像提取模块，用于从所述视频流中提取多帧棋盘图像；
棋盘图像输入模块，用于将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
棋子信息接收模块，用于获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
棋盘图像比对模块，用于通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
棋谱生成模块，用于根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
另一方面，本发明实施例还提供了一种棋谱自动生成装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明方法。
另一方面，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明方法。
本发明的有益效果是：可以在计算机系统上自动执行，从而自动根据对弈过程生成棋谱并进行记录，避免了现有技术需要人工参与造成误差大、易出错等缺点，使得棋手可以免受打扰、更加专心地对弈。
进一步地，通过对棋子类型信息和棋子坐标信息进行优化调整的步骤，可以避免因视频流拍摄角度、画面质量和识别误差等因素影响造成的棋子类型信息和棋子坐标信息识别误差，提高生成的棋谱的正确率。
附图说明
图1为本发明具体实施例的棋谱自动生成方法的流程图。
具体实施方式
本实施例以中国象棋的棋谱自动生成来对本发明进行说明。本发明中的“棋谱”可以指“炮二平五”等用来描述棋类游戏走子变化的单个语句，也可以指由“炮二平五”、“马8进7”和“车2退3”等用来描述棋局变化的、由多个语句组成的整体。
本发明一种棋谱自动生成方法，参照图1，包括以下步骤：
S1.获取对弈过程中的视频流；
S2.从所述视频流中提取多帧棋盘图像；
S3.将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
S4.获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
S5.通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
S6.根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
步骤S1中，通过摄像等方式获取中国象棋对弈过程中的视频流，所述视频流以垂直俯拍且完整清晰地拍摄到棋盘整体以及放置在棋盘上的所有棋子为最优。本步骤中的视频流既可以是现场录制的，也可以通过播放存储在存储器中的视频文件得到。
步骤S2中，对视频流进行分解，可以得到多帧静态的棋盘图像。
步骤S3中，使用经过训练的RCNN网络，可以从每帧棋盘图像中识别出作为背景的棋盘部分以及各个中国象棋棋子。
步骤S4中，进一步地将识别到的棋子识别并归类为“红帅”、“黑将”等类型，并且识别棋子在棋盘上所处的位置，即输出各棋子的类型信息和坐标信息。
步骤S5中，通过比较两帧棋盘图像对应的棋子类型信息和棋子坐标信息，可以识别这两帧棋盘图像之间的棋子分布差异。当这两帧棋盘图像属于同一视频流中的连续两帧图像时，在前的一帧棋盘图像对应走子前的棋子类型信息和棋子坐标信息，在后的一帧棋盘图像对应走子后的棋子类型信息和棋子坐标信息，通过比对走子前后的情况，即识别出所发生的走子。
步骤S6中，根据步骤S5所识别出的走子，根据棋谱编写规则，输出“马八进九”等棋谱。本发明不对棋谱编写规则进行改进。
本实施例中，步骤S1-S6均可以在计算机系统上自动执行，从而自动根据对弈过程生成棋谱并进行记录，避免了现有技术需要人工参与造成误差大、易出错等缺点，使得棋手可以免受打扰、更加专心地对弈。
进一步作为优选的实施方式，所述RCNN网络是通过以下步骤建立的：
S301.构建RPN网络、池化层和分类器；所述RPN网络用于接收图像并在图像上标记多个感兴趣区域；所述池化层用于将所述多个感兴趣区域归一化为固定尺度的特征图；所述分类器用于接收所述特征图并输出所述特征图的目标分类结果，所述目标分类结果用于标记感兴趣区域属于棋子或棋盘背景；
S302.将所述RPN网络、池化层和分类器依次连接得到RCNN网络。
本实施例中的RCNN网络以VGG16网络为基础得到。
本实施例中的RPN网络基于卷积神经网络，RPN网络的作用是根据接收到的图像输出一感兴趣区域(ROI，Region of Interest)或候选区域(Region Proposal)，这类似于现有的目标检测中的Selective Search步骤。RPN的核心功能是使用卷积神经网络直接产生候选区域，具体原理是使用滑动窗口在最后的卷积层上滑动一遍，通过anchor机制和边框回归，得到多尺度和多长宽比的候选区域。
本实施例要求输入到分类器的每个感兴趣区域都具有固定维度的特征表示，但RPN网络标记出的感兴趣区域大小不一，如果通过线性缩放的方式进行尺寸统一的话，将使得其中一些感兴趣区域丢失细节。，本实施例中的RCNN网络设置了一个池化层(ROIpooling)，该池化层采用最大值池化算法把任意有效的感兴趣区域变换成一个具有固定尺度的特征图，这样可以在感兴趣区域的尺寸改变后保留细节信息。
本实施例中，所述分类器包括至少两个全连接层和至少一个矫正激活层。分类器根据特征图输出目标分类结果，从而将棋盘图像上的棋盘背景部分以及棋子部分区分标记出来。
优选地，本实施例中的分类器通过丢弃部分网络参数的方法消除过拟合。
进一步作为优选的实施方式，RPN网络还满足以下要求：
在RPN网络的训练过程中，涉及ground truth和loss function两方面的问题。对于左支路，ground truth为anchor是否为目标，用0或1表示。所述RPN网络运行anchor机制并执行以下判断规则：
当检测到anchor与任何感兴趣区域的交并比取得最大值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比大于第一阈值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比小于第二阈值时，判断该anchor为背景。
其中，交并比(IOU，Intersection over Union)指的是预测box和真实box的覆盖率，即预测box和真实box两者的交集和两者的并集之商。
本实施例中，第一阈值的最优取值为0.7，第二阈值的最优取值为0.3。即当检测到anchor与任何感兴趣区域的交并比大于第一阈值时，判断该anchor中存在目标；当检测到anchor与任何感兴趣区域的交并比小于第二阈值时，判断该anchor为背景。
本实施例中，RPN网络的代价函数为：
代价函数分为两部分，即目标与否的分类误差和bbox的回归误差。其中，pi是第i个anchor为检测目标的预测概率，如果anchor为正，标签为1，反之则为0；ti是预测目标所在位置的一个向量，该向量由四个参数坐标(x,y,w,h)组成，表示预测目标所在的包围框，为正anchor对应的训练样本原始包围框的坐标向量；Ncls表示一次训练中样本的数量，Nreg表示训练过程中产生的anchor位置的数量；Lcls为分类损失，Lreg为回归损失，λ表示两个损失函数之间的权值。
通过步骤S301-S302建立RCNN网络后，可以执行步骤S303-S305对RCNN网络进行训练。
本实施例中，所述RCNN网络是通过以下步骤训练的：
S303.获取多张样本图像；所述样本图像记录了棋盘以及在棋盘上标注的各棋子的类型和坐标；
S304.将所述多张样本图像分别组成训练数据集和验证数据集；
S305.使用所述训练数据集和验证数据集对RCNN网络进行训练。
本实施例中，RCNN网络所使用的训练数据集和验证数据集来自样本图像。所述样本图像可以是从中国象棋比赛视频流中提取出来的图像，经过变换处理，使得所述样本图像以垂直俯视的角度展示棋盘以及棋盘上的棋子排布。
针对由九道横线和十道纵线交叉组成的中国象棋棋盘，步骤S303可通过以下方式进行：
S30301.对于从中国象棋比赛视频流中提取出来的原始图像，以棋盘左下角为原点，在横轴上确定0-8一共9个坐标点，在纵轴上确定0-9一共10个坐标点，整个棋盘一共有90个坐标点。
S30302.通过手工标注的方式，在样本图像中标记出棋盘上所摆放的棋子类型以及各棋子所在的坐标点。中国象棋包括红子和黑子两种一共32个棋子，其中红子包括一个帅，两个车、马、炮、相、仕以及五个兵；黑子包括一个将，两个车、马、炮、相、士以及五个卒。
步骤S30301-S30302还可以通过部分随机重复标记的方式，得到更准确的标注结果，避免个人的误差。
将所得的样本图像，通过随机抽取分配的方式，组建得到具有特定数量比例的训练数据集和验证数据集，用于对RCNN网络的训练和验证。
进一步作为优选的实施方式，所述获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息这一步骤之后，还包括对棋子类型信息和棋子坐标信息进行优化调整的步骤，其具体包括：
S401.将RCNN网络输出的棋子类型信息和棋子坐标信息代入对弈规则中进行符合性检测；
S402.当RCNN网络输出的棋子类型信息和棋子坐标信息不符合对弈规则时，按照预设的次优解顺序，调整棋子类型信息和棋子坐标信息直至与对弈规则匹配；
S403.返回调整后的棋子类型信息和棋子坐标信息。
因拍摄角度、画面质量和识别误差等原因，步骤S1-S4根据棋盘图像输出的棋子类型信息和棋子坐标信息可能会与实际情况存在偏差，其中一些偏差可能导致一些不符合对弈规则的情况出现，这类偏差可以快速地检查出来并进行纠正。
步骤S401中利用棋类游戏的对弈规则来进行纠错。对于中国象棋，对弈规则包括“红炮的数量为2个”、“黑将不能走出九宫格外”、“棋子应放置在棋盘的交叉点上”和“棋子中心应与棋子所在交叉点重合”、“两个棋子不能重叠”等，将实际识别结果代入到对弈规则中进行匹配比较，可以发现一些明显出错的识别结果：
①在同一棋盘上识别出3个“红炮”，则不符合“红炮的数量为2个”的对弈规则；
②当识别到的“黑将”位于棋盘左下角位置时，则不符合“黑将不能走出九宫格外”的对弈规则；
③当识别到某个棋子整体被放置在棋盘线组成的方格内时，则不符合“棋子应放置在棋盘的交叉点上”的对弈规则；
④当识别到某个棋子只有一部分放置在交叉点上、其他部分则位于棋盘线组成的方格内时，则不符合“棋子中心应与棋子所在交叉点重合”的对弈规则；
⑤当识别到两个棋子的区域发生包含或交叉时，则不符合“两个棋子不能重叠”的对弈规则。
步骤S402中，根据次优解顺序，选择更次优的解来替代步骤S401中识别结果，实现针对步骤S401中棋子类型信息和棋子坐标信息的自动纠正，直至棋子类型信息和棋子坐标信息直至与对弈规则匹配。
所述次优解顺序可以根据视频流的画质和具体识别结果等不同因素预先设置，针对上述的在步骤S401中可能出现的出错的识别结果①-⑤，可以按照如下次优解顺序选择次优的识别结果来替代之前出错的识别结果：
①在同一棋盘上识别出3个“红炮”，则利用RCNN网络针对响应的棋盘图像进行再次识别，或者在存在一个“红炮”位于九宫格内等特殊位置的情况下，将该位于特殊位置的“红炮”标记为其他类型的棋子，其余两个“红炮”则确认为红炮；
②当识别到的“黑将”位于棋盘左下角位置时，则利用RCNN网络针对响应的棋盘图像进行再次识别，或者按照黑炮、黑车、黑马的顺序依次选择次优解；
③当识别到某个棋子整体被放置在棋盘线组成的方格内时，则利用RCNN网络针对响应的棋盘图像进行再次识别，或者计算该棋子中心点与棋盘上各坐标点的距离，选择距离棋子中心点最近的坐标点作为该棋子所在的交叉点；
④当识别到某个棋子只有一部分放置在交叉点上、其他部分则位于棋盘线组成的方格内时，则利用RCNN网络针对响应的棋盘图像进行再次识别，或者判断该棋子放置在该交叉点上；
⑤当识别到两个棋子的区域发生包含或交叉时，则利用RCNN网络针对响应的棋盘图像进行再次识别，或者计算这两个棋子在棋盘图像上所占平面空间的大小，将更接近于平均大小的棋子判断为正常棋子，将另一棋子判断为异常棋子，或者计算这两个棋子的中心点与棋盘上各坐标点的距离，选择距离棋子中心点最近的坐标点作为该棋子所在的交叉点。
本发明还包括一种棋谱自动生成系统，包括：
视频流模块，用于获取对弈过程中的视频流；
棋盘图像提取模块，用于从所述视频流中提取多帧棋盘图像；
棋盘图像输入模块，用于将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
棋子信息接收模块，用于获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
棋盘图像比对模块，用于通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
棋谱生成模块，用于根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
其中，视频流模块可以是摄像机或者视频播放器，棋盘图像提取模块、棋盘图像输入模块、棋子信息接收模块、棋盘图像比对模块和棋谱生成模块可以是计算机系统中运行的软件模块。
本发明棋谱自动生成系统可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明还包括一种棋谱自动生成装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明所述棋谱自动生成方法。
本发明棋谱自动生成装置可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明所述棋谱自动生成方法。
综上，本发明的优点是：
可以在计算机系统上自动执行，从而自动根据对弈过程生成棋谱并进行记录，避免了现有技术需要人工参与造成误差大、易出错等缺点，使得棋手可以免受打扰、更加专心地对弈。
进一步地，通过对棋子类型信息和棋子坐标信息进行优化调整的步骤，可以避免因视频流拍摄角度、画面质量和识别误差等因素影响造成的棋子类型信息和棋子坐标信息识别误差，提高生成的棋谱的正确率。
以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种棋谱自动生成方法，其特征在于，包括以下步骤：
获取对弈过程中的视频流；
从所述视频流中提取多帧棋盘图像；
将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
2.根据权利要求1所述的一种棋谱自动生成方法，其特征在于，所述RCNN网络是通过以下步骤建立的：
构建RPN网络、池化层和分类器；所述RPN网络用于接收图像并在图像上标记多个感兴趣区域；所述池化层用于将所述多个感兴趣区域归一化为固定尺度的特征图；所述分类器用于接收所述特征图并输出所述特征图的目标分类结果，所述目标分类结果用于标记感兴趣区域属于棋子或棋盘背景；
将所述RPN网络、池化层和分类器依次连接得到RCNN网络。
3.根据权利要求2所述的一种棋谱自动生成方法，其特征在于，所述分类器包括至少两个全连接层和至少一个矫正激活层。
4.根据权利要求2所述的一种棋谱自动生成方法，其特征在于，所述RPN网络运行anchor机制并执行以下判断规则：
当检测到anchor与任何感兴趣区域的交并比取得最大值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比大于第一阈值时，判断该anchor中存在目标；
当检测到anchor与任何感兴趣区域的交并比小于第二阈值时，判断该anchor为背景。
5.根据权利要求2所述的一种棋谱自动生成方法，其特征在于，所述RCNN网络是通过以下步骤训练的：
获取多张样本图像；所述样本图像记录了棋盘以及在棋盘上标注的各棋子的类型和坐标；
将所述多张样本图像分别组成训练数据集和验证数据集；
使用所述训练数据集和验证数据集对RCNN网络进行训练。
6.根据权利要求1所述的一种棋谱自动生成方法，其特征在于，所述获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息这一步骤之后，还包括对棋子类型信息和棋子坐标信息进行优化调整的步骤。
7.根据权利要求6所述的一种棋谱自动生成方法，其特征在于，所述对棋子类型信息和棋子坐标信息进行优化调整的步骤具体包括：
将RCNN网络输出的棋子类型信息和棋子坐标信息代入对弈规则中进行符合性检测；
当RCNN网络输出的棋子类型信息和棋子坐标信息不符合对弈规则时，按照预设的次优解顺序，调整棋子类型信息和棋子坐标信息直至与对弈规则匹配；
返回调整后的棋子类型信息和棋子坐标信息。
8.一种棋谱自动生成系统，其特征在于，包括：
视频流模块，用于获取对弈过程中的视频流；
棋盘图像提取模块，用于从所述视频流中提取多帧棋盘图像；
棋盘图像输入模块，用于将提取到的各帧棋盘图像输入到预先建立和训练的RCNN网络中；
棋子信息接收模块，用于获取RCNN网络输出的各帧棋盘图像对应的棋子类型信息和棋子坐标信息；
棋盘图像比对模块，用于通过比对各帧棋盘图像，计算棋盘上棋子类别和坐标的变化；
棋谱生成模块，用于根据棋子类型和坐标的变化，按照棋谱编写规则生成棋谱。
9.一种棋谱自动生成装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811547630.5A CN109800647A (zh) | 2018-12-18 | 2018-12-18 | 一种棋谱自动生成方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811547630.5A CN109800647A (zh) | 2018-12-18 | 2018-12-18 | 一种棋谱自动生成方法、系统、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109800647A true CN109800647A (zh) | 2019-05-24 |
Family
ID=66556953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811547630.5A Pending CN109800647A (zh) | 2018-12-18 | 2018-12-18 | 一种棋谱自动生成方法、系统、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800647A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860652A (zh) * | 2020-07-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
| CN112948619A (zh) * | 2021-03-01 | 2021-06-11 | 北京航空航天大学杭州创新研究院 | 基于深度学习的手写棋谱辅助录入方法及装置 |
| CN113426094A (zh) * | 2021-06-30 | 2021-09-24 | 北京市商汤科技开发有限公司 | 一种棋力调整方法、装置、设备及存储介质 |
| CN113469117A (zh) * | 2021-07-20 | 2021-10-01 | 国网信息通信产业集团有限公司 | 一种多路视频实时检测方法及系统 |
| CN114663732A (zh) * | 2022-05-25 | 2022-06-24 | 北京航空航天大学杭州创新研究院 | 基于表征学习的棋类局面转化模型建立、转化方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392157A (zh) * | 2017-07-25 | 2017-11-24 | 中国人民解放军火箭军工程大学 | 一种基于机器视觉的中国象棋比赛智能虚拟直播方法 |
| CN107506701A (zh) * | 2017-08-08 | 2017-12-22 | 大连万和海拓文化体育产业有限公司 | 一种基于视频识别技术的围棋自动记谱方法 |
| CN108491804A (zh) * | 2018-03-27 | 2018-09-04 | 腾讯科技（深圳）有限公司 | 一种棋局展示的方法、相关装置及系统 |
-
2018
- 2018-12-18 CN CN201811547630.5A patent/CN109800647A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392157A (zh) * | 2017-07-25 | 2017-11-24 | 中国人民解放军火箭军工程大学 | 一种基于机器视觉的中国象棋比赛智能虚拟直播方法 |
| CN107506701A (zh) * | 2017-08-08 | 2017-12-22 | 大连万和海拓文化体育产业有限公司 | 一种基于视频识别技术的围棋自动记谱方法 |
| CN108491804A (zh) * | 2018-03-27 | 2018-09-04 | 腾讯科技（深圳）有限公司 | 一种棋局展示的方法、相关装置及系统 |
Non-Patent Citations (3)
| Title |
|---|
| SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| YOUYE XIE 等: "Chess Piece Recognition Using Oriented Chamfer Matching with a Comparison to CNN", 《2018 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》 * |
| 韩燮 等: "基于卷积神经网络的棋子定位和识别方法", 《激光与光电子学进展》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860652A (zh) * | 2020-07-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
| CN111860652B (zh) * | 2020-07-22 | 2022-03-29 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
| CN112948619A (zh) * | 2021-03-01 | 2021-06-11 | 北京航空航天大学杭州创新研究院 | 基于深度学习的手写棋谱辅助录入方法及装置 |
| CN113426094A (zh) * | 2021-06-30 | 2021-09-24 | 北京市商汤科技开发有限公司 | 一种棋力调整方法、装置、设备及存储介质 |
| CN113469117A (zh) * | 2021-07-20 | 2021-10-01 | 国网信息通信产业集团有限公司 | 一种多路视频实时检测方法及系统 |
| CN114663732A (zh) * | 2022-05-25 | 2022-06-24 | 北京航空航天大学杭州创新研究院 | 基于表征学习的棋类局面转化模型建立、转化方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800647A (zh) | 一种棋谱自动生成方法、系统、装置和存储介质 | |
| JP4692773B2 (ja) | 物体の姿勢推定及び照合システム、物体の姿勢推定及び照合方法、並びにそのためのプログラム | |
| CN104424634B (zh) | 对象跟踪方法和装置 | |
| CN109360232B (zh) | 基于条件生成对抗网络的室内场景布局估计方法和装置 | |
| KR100816607B1 (ko) | 화상 대조 시스템, 화상 대조 방법 및 컴퓨터로 판독가능한 기록 매체 | |
| CN104596519B (zh) | 基于ransac算法的视觉定位方法 | |
| CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
| CN108810620A (zh) | 识别视频中的关键时间点的方法、计算机设备及存储介质 | |
| CN109045702A (zh) | 一种外挂检测方法、系统、装置、计算设备和介质 | |
| US9262672B2 (en) | Pattern recognition apparatus and pattern recognition method that reduce effects on recognition accuracy, and storage medium | |
| CN111079518B (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
| CN110006444B (zh) | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 | |
| CN111414858B (zh) | 人脸识别方法、目标图像的确定方法、装置和电子系统 | |
| CN109389156B (zh) | 一种图像定位模型的训练方法、装置及图像定位方法 | |
| CN105844661B (zh) | 快速且稳健的相机位置排序方法 | |
| US20230075797A1 (en) | Extending knowledge data in machine vision | |
| CN107330918B (zh) | 一种基于在线多示例学习的足球视频球员跟踪方法 | |
| CN109815943B (zh) | 一种危化品仓储堆垛图片样本生成方法及系统 | |
| US20210271889A1 (en) | Game monitoring | |
| CN109523613A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| US11023781B2 (en) | Method, apparatus and device for evaluating image tracking effectiveness and readable storage medium | |
| CN110969657B (zh) | 一种枪球坐标关联方法、装置、电子设备及存储介质 | |
| US11244457B2 (en) | Method, apparatus and computer program for image processing including generating a different image of at least one object | |
| CN109446901B (zh) | 一种可嵌入式移植的实时人形目标自动识别算法 | |
| CN111586299B (zh) | 一种图像处理方法和相关设备 |
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 |
Application publication date: 20190524 |
|
| RJ01 | Rejection of invention patent application after publication |