CN110276309A - 视频处理方法、装置、计算机设备及存储介质 - Google Patents
视频处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110276309A CN110276309A CN201910555802.1A CN201910555802A CN110276309A CN 110276309 A CN110276309 A CN 110276309A CN 201910555802 A CN201910555802 A CN 201910555802A CN 110276309 A CN110276309 A CN 110276309A
- Authority
- CN
- China
- Prior art keywords
- sportsman
- basketball
- detection block
- shooting
- segment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims description 13
- 230000007935 neutral effect Effects 0.000 claims abstract description 31
- 238000012512 characterization method Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 188
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical compound OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
- H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种视频处理方法，包括：从篮球比赛视频中获取待处理的进球片段；对所述待处理的进球片段进行图像处理，获取第一距离；其中，所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的距离；若所述第一距离大于距离阈值，则提取所述待处理的进球片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种视频处理方法、装置、计算机 设备及存储介质。
背景技术
捕捉运动过程中的精彩瞬间是极有意义的事情，例如篮球比赛中，对于空 档投篮，即投篮人员在接球时无人防守，可以增加进球的概率，是一个值得被 记录的瞬间。
现有技术中捕捉精彩运动瞬间视频片段，特别是对于特殊的，例如空档投 篮的片段，由于它与其他投篮的片段不易区分，通常都是采用人工方法，从比 赛视频中截取出空档投篮片段。如此一来，对于特殊的进球片段，提取的方法 费时费力，且基于人工选取效率较低。
发明内容
有鉴于此，本发明的主要目的在于提供一种视频处理方法、装置、计算机 设备及存储介质，能够减少人工成本、且能够高效精确的确定出空档投篮的视 频片段。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例第一方面，提供了一种视频处理方法，所述方法包括：
从篮球比赛视频中获取待处理的进球片段；
对所述待处理的进球片段进行图像处理，获取第一距离；其中，所述第一 距离表征投篮球员在接球时刻与赛场上其他球员之间的距离；
若所述第一距离大于距离阈值，则提取所述待处理的进球片段作为目标视 频片段；其中，所述目标视频片段用于描述空档投篮。
上述方案中，所述从篮球比赛视频中获取待处理的进球片段，包括：
从所述篮球比赛视频中获取得分片段；
根据所述得分片段中的得分数，确定满足得分条件的得分片段作为所述待 处理的进球片段。
上述方案中，所述方法还包括：
基于网络爬虫，从互联网中获取篮球相关图像作为样本数据；
对所述样本数据中的特征进行标注，得到标注信息；其中，所述标注信息 为篮球检测框和/或球员检测框，所述标注信息能够指示出球员特征信息和/或篮 球特征信息；
利用神经网络对所述标注信息进行训练，得到所述检测模型；其中，所述 检测模型能够用于为任意所述篮球比赛视频输出对应的检测框。
上述方案中，所述对所述待处理的进球片段进行图像处理，获取第一距离， 包括：
基于所述检测模型，获取所述待处理的进球片段中的篮球检测框及球员检 测框；
根据所述篮球检测框及所述球员检测框之间表征的位置关系，确定所述投 篮球员及所述接球时刻；
获取所述接球时刻所述投篮球员与赛场上其他球员之间的最小距离，作为 第一距离。
上述方案中，所述根据所述篮球检测框及所述球员检测框之间表征的位置 关系，确定所述投篮球员及所述接球时刻，包括：
从所述进球片段的进球时刻开始，向前遍历每一帧视频，获取每一帧图像 中的篮球检测框及球员检测框之间表征的位置关系；
当出现篮球检测框及球员检测框之间表征的位置关系满足第一变化条件 时，确定位置关系满足所述第一变化条件的球员检测框对应的球员为投篮球员；
以及，
当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满足 第二变化条件时，确定位置关系满足所述第二变化条件对应的帧所在时刻为接 球时刻。
上述方案中，所述当出现篮球检测框及球员检测框之间表征的位置关系满 足第一变化条件时，确定位置关系满足所述第一变化条件的球员检测框对应的 球员为投篮球员，包括：
当出现所述篮球检测框及所述球员检测框的位置关系从非重叠到重叠时， 确定与所述篮球检测框重叠的球员检测框中对应的球员为所述投篮球员；
或，
所述当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系 满足第二变化条件时，确定满足第二变化条件对应的帧所在时刻为接球时刻， 包括：
当出现所述篮球检测框及所述投篮球员的球员检测框的位置关系从重叠到 非重叠时，确定与位置关系从重叠到非重叠对应的帧所在的时刻为接球时刻。
上述方案中，所述当所述篮球检测框及所述投篮球员的球员检测框之间表 征的位置关系满足第二变化条件时，确定位置关系满足所述第二变化条件对应 的帧所在时刻为接球时刻之前，所述方法还包括：
为每一个球员及篮球分别赋予不同的标识；
基于所述投篮球员的标识跟踪所述投篮球员。
本发明实施例的第二方面，提供了一种视频处理装置，所述装置包括：
第一获取模块，用于从篮球比赛视频中获取待处理的进球片段；
第二获取模块，用于对所述待处理的进球片段进行图像处理，获取第一距 离；其中，所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的距 离；
获取模块，用于若所述第一距离大于距离阈值，则提取所述待处理的进球 片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
本发明实施例的第三方面，提供了一种计算机设备，包括：处理器和用于 存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，实现本发明任一实施例所 述的视频处理方法。
本发明实施例的第四方面，提供了一种计算机存储介质，所述计算机存储 介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一实 施例所述的视频处理方法。
本发明实施例提供的一种视频处理方法、装置、计算机设备及存储介质， 通过从篮球比赛视频中获取待处理的进球片段；对所述待处理的进球片段进行 图像处理，获取第一距离；其中，所述第一距离表征投篮球员在接球时刻与赛 场上其他球员之间的距离；若所述第一距离大于距离阈值，则提取所述待处理 的进球片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。 从而可以基于图像处理，提取篮球比赛视频中的空档投篮视频，无需人工选取， 减少了人工依靠目视判断来选取空档投篮视频方式中所存在的人为误差和高人 力成本，且通过引入图像处理输出的第一距离，并通过判断第一距离是否大于 阈值，将大于阈值的待处理进球片段作为目标视频片段，大大提高了目标视频 片段的提取效率和精度，能够基于任意的篮球比赛视频智能地生成空档投篮视 频片段，以便随时利用空档投篮片段制作特效，及视频集，增加篮球比赛视频 的观看率，增加商业价值，同时也能提高观众的观看体验度。
附图说明
图1为本发明一实施例提供的视频处理方法的流程示意图；
图2为本发明具体实施例提供的视频处理方法的流程示意图；
图3为本发明一实施例提供的视频处理装置的结构示意图；
图4为本发明一实施例提供的计算机设备的结构示意图；
具体实施方式
以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处 所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术 领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术 语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的 术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语 进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)得分片段，本文中指在篮球比赛视频中，在进球时刻的预定时间段内的 视频片段。
2)网络爬虫，本文中用于按照一定的规则自动抓取网络中与篮球相关的视 频或图片的程序。
3)神经网络，是由大量的、简单的处理单元(称为神经元)广泛地互相连 接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复 杂的非线性动力学习系统。
4)跟踪算法，本文中用于利用跟踪算法对运动目标进行跟踪。这里，所述 跟踪算法可以是tracking-by-detection目标跟踪算法，还可以是如基于粒子滤波 的运动目标跟踪、基于轮廓的跟踪、BOOSTING Tracking增强跟踪、MIL Tracking 在线多示例学习的鲁棒性目标追踪、KCF Tracking核相关滤波算法跟踪、CSRT Tracking识别相关滤波器跟踪等。
本发明的应用场景可以是：篮球比赛的电视节目及网络视频中，通过图像 处理，自动判断投篮球员在接球时刻与赛场上其他球员之间的距离，依据距离 智能地选取出空档投篮片段。以篮球比赛的电视节目为例，可以迅速且精确地 提取出空档投篮视频片段，基于获得的空档投篮视频片段，可以进行特效处理 或做成视频集，在篮球比赛播放完后，为观众回放，吸引观众，提高收视率等。
如图1所示，本发明一实施例提供了一种视频处理方法，该方法包括如下 步骤：
步骤101：从篮球比赛视频中获取待处理的进球片段；
这里，步骤101还可以包括：从所述篮球比赛视频中获得得分片段；根据 所述得分片段中的得分数，确定满足得分条件的得分片段作为所述待处理的进 球片段。
需要说明的是，这里，满足得分条件是指得分为2分或3分，也就是说， 在本实施例中，将满足得分条件的得分片段筛选出来，剔除掉得分为1分的罚 球片段。
这里，所述得分片段可以通过对视频进行图像处理获得的，例如，对视频 的每一帧保存为一个图片，提取前一帧图片中的得分数值信息，与后一帧的图 片中的得分数值信息进行比对，计算出得分，基于得分跳转的帧所对应的时刻 的预定时间段确定所述得分片段。
如此，本实施例中，由于去除了罚球片段，因此基于上述方案得到所述待 处理的进球片段则为后续基于进球片段分析获得空档投篮片段提高精准性。
进一步地，在一实施例中，基于网络爬虫，从互联网中获取篮球相关图像 作为样本数据；对所述样本数据中的特征信息进行标注，得到标注信息；其中， 所述标注信息为篮球检测框和/或球员检测框，所述标注信息能够指示出球员特 征信息和/或篮球特征信息；再利用神经网络对所述标注信息进行训练，得到所 述检测模型；其中，所述检测模型能够用于为任意所述篮球比赛视频输出对应 的检测框信息。
这里，所述神经网络算法可以是卷积神经网络算法。
在另一些实施方式中，所述样本数据可以为准备的篮球比赛视频，这里准 备的篮球比赛视频可以为本地存储的篮球比赛视频。
在另一些实施方式中，所述样本数据还可以为准备的篮球比赛视频，以及 从互联网中爬去的篮球比赛相关图片。
这里，所述特征可以包括以下至少之一：球员、篮球的检测框。
所述检测模型用于为任意所述篮球比赛视频输出对应的特征信息，可以理 解为，利用检测模型，能够将篮球比赛视频中对应的帧输出检测框信息，其中 所述检测框信息可以指示出篮球或球员的位置、大小及类别信息；所述位置是 指球员位置及篮球位置的至少一种；所述大小是指球员大小及篮球大小的至少 一种，本实施例中，通过检测框的输出直观的看到目标体的大小；所述类别信 息包括类别为篮球以及类别为球员的任意一种。
需要补充的是，本实施例选择的是YOLOV3检测算法训练的检测模型，所 述检测模型还可以选择其他基于深度学习的检测算法进行训练，例如SSD算法、 DSSD算法、RCNN、Fast RCNN、Faster RCNN、Mask RCNN等。
需要说明的是，不同的球员具有不同的特征信息，例如，不同的球员在同 一时刻具有不同的位置，且同一个球员在不同时刻具有不同的位置；不同时刻 的篮球具有的特征信息也不同，例如，篮球在不同时刻具有不同的位置。
步骤102：对所述待处理的进球片段进行图像处理，获取第一距离；其中， 所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的距离。
这里，步骤102，还可以包括：基于所述检测模型，获取所述待处理的进 球片段中的篮球检测框及球员检测框；根据所述篮球检测框及所述球员检测框 之间表征的位置关系，确定所述投篮球员及所述接球时刻；获取所述接球时刻 所述投篮球员与赛场上其他球员之间的最小距离，作为第一距离。
进一步地，所述根据所述篮球检测框及所述球员检测框之间表征的位置关 系，确定所述投篮球员及接球时刻，包括：从所述进球片段的进球时刻开始， 向前遍历每一帧视频，获取每一帧图像中篮球检测框及球员检测框之间表征的 位置关系；当出现篮球检测框及球员检测框之间表征的位置关系满足第一变化 条件时，确定位置关系满足所述第一变化条件的球员检测框对应的球员为投篮 球员；以及，当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置 关系满足第二变化条件时，确定位置关系满足所述第二变化条件对应的帧所在 时刻为接球时刻。
在一具体的实施例中，所述当出现篮球检测框及球员检测框之间表征的位 置关系满足第一变化条件时，确定位置关系满足所述第一变化条件的球员检测 框对应的球员为投篮球员，包括：当出现所述篮球检测框及所述球员检测框的 位置关系从非重叠到重叠时，确定与所述篮球检测框重叠的球员检测框中对应 的球员为所述投篮球员。
这里，需要说明的是，由于是从进球时刻向前遍历检测的，也就是说如果 篮球检测框从非重叠到重叠，则预示着非重叠的帧的图像是篮球正在朝向篮筐 的时刻，而从非重叠再往前倒退，倒退到到篮球检测框与某一位球员的球员检 测框重叠，则可以说明投向篮框的篮球是由该球员投出的，因此，基于这一原 理，可以根据上述所述的篮球与球员之间的位置关系满足第一变化条件，也就 是满足从非重叠到重叠的变化条件的情况下，检测出投篮球员。
再或者，所述当所述篮球检测框及所述投篮球员的球员检测框之间表征的 位置关系满足第二变化条件时，确定位置关系满足第二变化条件对应的帧所在 时刻为接球时刻，包括：当出现所述篮球检测框及所述投篮球员的球员检测框 的位置关系从重叠到非重叠时，确定与位置关系从重叠到非重叠对应的帧所在 的时刻为接球时刻。
这里，需要说明的是，由于是从进球时刻遍历检测的，也就是说在确定出 投篮球员之后，根据投篮球员与篮球的位置关系的变化，从投篮球员的球员检 测框与篮球检测框之间从重叠到非重叠的变化，可以预示出在非重叠所在的帧 对应的时刻为投篮球员的接球时刻。基于这一原理，可以根据上述所述的投篮 球员与篮球之间的位置关系满足第二变化条件，也就是满足从重叠到非重叠的 变化条件的情况下，检测出投篮球员的接球时刻。
在本实施例中，利用IOU(Intersection over Union，重叠度)匹配法，获取 投篮球员、投篮时刻，投篮球员接球时刻。
具体地，从进球时刻对应的视频帧往视频开头方向遍历每一帧的检测结果， 计算该帧中篮球和所有球员的IOU。如果篮球与某个球员的IOU大于零，即篮 球的检测框和某个球员的检测框出现重叠，那么该球员即为投篮球员，该帧对 应的那一时刻即为投篮时刻。如果篮球与所有球员的IOU均为零，那么继续处 理下一帧。
从投篮出手时刻对应的视频帧继续往前遍历每一帧的检测结果，计算每一 帧中篮球和投篮球员的IOU，如果某一帧篮球与投篮球员的IOU＝0，即篮球的 检测框和投篮球员的检测框从重叠变为不重叠，那么该帧对应的时刻即为投篮 球员接到传球的时刻。
进一步地，本实施例，在检测到所述投篮球员之后，所述当所述篮球检测 框及所述投篮球员的球员检测框之间表征的位置关系满足第二变化条件时，确 定位置关系满足所述第二变化条件对应的帧所在时刻为接球时刻之前，所述方 法还包括：为每一个球员及篮球分别赋予不同的标识；基于所述投篮球员的标 识跟踪所述投篮球员。
这里，所述标识用于区分篮球及各个不同球员的，例如，所述标识可以是 ID(IDentity,身份标识号码)。
如此，可以基于投篮球员的标识跟踪所述投篮球员，进而可以快速确定出 接球时刻。
在本实施例中，利用的是tracking-by-detection目标跟踪算法可以跟踪每一 个球员及篮球。
步骤103：若所述第一距离大于距离阈值，则提取所述待处理的进球片段 作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
这里，所述距离阈值可以根据经验值进行设定，能够表明接球时刻，投篮 人员周围无人防守即可。空档投篮的命中率相对较高。
上述实施例中，通过从篮球比赛视频中获取待处理的进球片段；对所述待 处理的进球片段进行图像处理，获取第一距离；其中，所述第一距离表征投篮 球员在接球时刻与赛场上其他球员之间的距离；若所述第一距离大于距离阈值， 则提取所述待处理的进球片段作为目标视频片段；其中，所述目标视频处理片 段用于描述空档投篮。本实施例可以基于图像处理，提取篮球比赛视频中的空 档投篮视频，无需人工选取，减少了人工依靠目视判断来选取空档投篮视频方 式中所存在的人为误差和高人力成本，且通过引入图像处理输出第一距离，并 通过判断第一距离是否大于阈值，将大于阈值的待处理进球片段作为目标视频 片段，大大提高了目标视频片段的提取效率和精度，能够基于任意的篮球比赛 视频智能地生成空档篮球视频片段，以便随时利用空档投篮片段制作特效、及 视频集等，增加篮球比赛视频的观看率，增加商业价值，同时也能提高观看体 验度。
进一步地，本发明实施例还提供了一个具体实施例，以进一步理解本发明 实施例所提供的视频处理方法。
请参阅图2，图2为本发明具体实施例提供的视频处理方法的流程示意图， 如图2所示，所述方法包括：
步骤201：利用进球选取算法将篮球比赛视频中的进球片段选取出来作为 候选处理片段，并输出该进球片段中的进球时刻。
这里，所述候选处理片段则可以理解为上述实施例所述的待处理的进球片 段。
在该步骤201中，还可以包括：利用进球选取算法将篮球比赛视频中的进 球片段选取作为候选片段，并输出该进球片段中的进球时刻，以及该进球片段 是几分球。对于1分球也就是罚球，没有空档投篮一说，因此将1分球的进球 片段丢弃，而只将2分球和3分球的进球片段输入到后期的处理流程中。
这里，将1分球的进球片段丢弃，只将2分球和3分球的进球片段输入到 后期的处理流程中，可以理解为上述实施例所述的，从篮球比赛视频中利用检 测模型获取得分片段，根据所述得分片段的得分数(1分、2分还是3分)，确 定满足得分条件的得分片段作为所述待处理的片段。从而不去处理不满足条件 的得分片段，也就是罚球片段，提高了获得目标视频片段的精确性。
步骤202：利用基于深度学习的检测模型，对视频每一帧进行检测，输出 篮球、球员的检测框，利用跟踪算法对球员进行跟踪，赋予每一个球员一个唯 一编号。
这里，首先训练篮球、球员的检测模型，建立检测模型。
第一步，准备各类篮球比赛视频，如果视频数据量过少，可以通过爬虫爬 取篮球比赛相关图片。
这里，准备的各类篮球比赛视频，可以理解为上述实施例所述的基于网络 爬虫，从互联网中获取篮球相关视频作为样本数据。
第二步，对篮球比赛视频进行处理，抽取视频帧，并将其保存成图片，通 过人工的方式对抽取的视频帧以及通过爬虫爬取的图片进行过滤，将所有非比 赛片段的图片删除。
这里，通过只提取比赛片段，提高篮球比赛视频中球员、篮球的检测准确 性。
第三步，通过人工的方式对过滤后的所有图片进行标注，标注内容包括篮 球、球员的位置、大小及类别信息。
第四步，利用上述标注数据训练基于卷积神经网络的检测模型。
这里，所述标注数据可以理解为上述实施例所述的标注信息。
在本实施例中，通过上述标注数据训练的检测模型，在测试集上的检测准 确率和召回率均在95％以上。
其次，利用篮球、球员的检测模型处理所述待处理的进球片段。
第一步，利用训练好的检测模型，对所述待处理的进球片段中每一帧图像 进行检测，输出篮球、球员的检测框，检测截止到进球时刻所对应的视频帧即 可；
第二步，检测完后利用tracking-by-detection跟踪算法，对球员、篮球进行 跟踪。这里，所述跟踪算法会对每一个球员及篮球赋予唯一编号。
步骤203：从进球时刻往视频开头方向遍历每一帧，利用IOU匹配，获取 到投篮球员、投篮时刻、投篮球员接球时刻，利用接球时刻投篮球员与其他球 员的距离设置阈值，自动选取出符合阈值的进球片段为空档投篮片段。
这里，第一步，从进球时刻对应的视频帧往视频开头方向遍历每一帧的检 测结果，计算该帧中篮球和所有球员的IOU，如果篮球与某一个球员的IOU大 于零，即篮球的检测框和某个球员的检测框出现重叠，那么该球员即为投篮球 员，该帧对应的那一时刻即为投篮时刻；如果篮球与所有球员的IOU均为零， 那么继续处理下一帧。
第二步，从投篮时刻对应的视频帧继续往前遍历每一帧的检测结果，计算 每一帧中篮球和投篮球员的IOU，如果某一帧篮球与投篮球员的IOU为零，即 篮球的检测框和投篮球员的检测框从重叠变为不重叠，那么该帧对应的时刻即 为投篮球员的接球时刻。
第三步，计算接球时刻对应帧中投篮球员与所有其他球员的距离，如果该 距离大于设置的距离阈值，那么该进球片段即为空档投篮片段，否则，该进球 片段不是空档投篮。
本实施中，利用基于人工智能的图像检测算法对篮球进球片段进行自动检 测，从而实现自动、实时判断篮球进球是否是空档投篮进球的功能，从而可以 进行后续深度特效处理，也可以自动合成空档投篮视频集锦，以提高篮球比赛 的视频观感，增加商业价值。
在另一实施方式中，如图3所示，还提供了一种视频处理装置，包括：
第一获取模块31，用于从篮球比赛视频中获取待处理的进球片段；
第二获取模块32，用于对所述待处理的进球片段进行图像处理，获取第一 距离；其中，所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的 距离
提取模块33，用于若所述第一距离大于距离阈值，则提取所述待处理的进 球片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
可选地，所述第一获取模块31，还用于：
从所述篮球比赛视频中获取得分片段；
根据所述得分片段中的得分数，确定满足得分条件的得分片段作为所述待 处理的进球片段。
可选地，所述装置还包括第三获取模块、第一得到模块以及第二得到模块；
所述第一获取模块，用于基于网络爬虫，从互联网中获取篮球相关图像作 为样本数据；
所述第一得到模块，用于对所述样本数据中的特征进行标注，得到标注信 息；其中，所述标注信息为篮球检测框和/或球员检测框，所述标注信息能够指 示出球员特征信息和/或篮球特征信息；
所述第三得到模块，用于利用神经网络对所述标注信息进行训练，得到所 述检测模型；其中，所述检测模型能够用于为任意所述篮球比赛视频输出对应 的检测框信息。
可选地，所述第二获取模块32，包括：
第一获取子模块，基于所述检测模型，获取所述待处理的进球片段中的篮 球检测框及球员检测框；
第一确定子模块，用于根据所述篮球检测框及所述球员检测框之间表征的 位置关系，确定所述投篮球员及所述接球时刻；
第二获取子模块，用于获取所述接球时刻所述投篮球员与赛场上其他球员 之间的最小距离，作为第一距离。
可选地，所述第一确定子模块，还用于从所述进球片段的进球时刻开始， 向前遍历每一帧视频，获取每一帧图像中的篮球检测框及球员检测框之间表征 的位置关系；当出现篮球检测框及球员检测框之间表征的位置关系满足第一变 化条件时，确定所述满足第一变化条件的球员检测框对应的球员为投篮球员； 以及，当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满 足第二变化条件时，确定满足第二变化条件对应的帧所在时刻为接球时刻。
可选地，所述篮球检测框包括篮球检测框，或所述球员信息包括球员检测 框；
所述第一确定模块还用于，当出现所述篮球检测框及所述球员检测框的位 置关系从非重叠到重叠时，确定与所述篮球检测框重叠的球员检测框中对应的 球员为所述投篮球员；
或者，所述第一确定模块还用于，当出现所述篮球检测框及所述投篮球员 的球员检测框的位置关系从重叠到非重叠时，确定与位置关系从重叠到非重叠 对应的帧所在的时刻为接球时刻。
可选地，所述装置包括跟踪装置，用于当所述篮球检测框及所述投篮球员 的球员检测框之间表征的位置关系满足第二变化条件时，确定满足第二变化条 件对应的帧所在时刻为接球时刻之前，为每一个球员及篮球分别赋予不同的标 识；基于所述投篮球员的标识跟踪所述投篮球员。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关 该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在另一实施方式中，如图4所示，还提供了一种计算机设备，包括：至少 一个处理器210和用于存储能够在处理器210上运行的计算机程序的存储器 211；其中，图4中示意的处理器210并非用于指代处理器的个数为一个，而是 仅用于指代处理器相对其他器件的位置关系，在实际应用中，处理器的个数可 以为一个或多个；同样，图4中示意的存储器211也是同样的含义，即仅用于 指代存储器相对其他器件的位置关系，在实际应用中，存储器的个数可以为一 个或多个。
其中，所述处理器210用于运行所述计算机程序时，执行如下步骤：
从篮球比赛视频中获取待处理的进球片段；
对所述待处理的进球片段进行图像处理，获取第一距离；其中，所述第一 距离表征投篮球员在接球时刻与赛场上其他球员之间的距离；
若所述第一距离大于距离阈值，则提取所述待处理的进球片段作为目标视 频片段；其中，所述目标视频片段用于描述空档投篮。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
从所述篮球比赛视频中获取得分片段；
根据所述得分片段中的得分数，确定满足得分条件的得分片段作为所述待 处理的进球片段。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
基于网络爬虫，从互联网中获取篮球相关图像作为样本数据；
对所述样本数据中的特征进行标注，得到标注信息；其中，所述标注信息 为篮球检测框和/或球员检测框，所述标注信息能够指示出球员特征信息和/或篮 球特征信息；
利用神经网络对所述标注信息进行训练，得到所述检测模型；其中，所述 检测模型能够用于为任意所述篮球比赛视频输出对应的检测框。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
基于所述检测模型，获取所述待处理的进球片段中的篮球检测框及球员检 测框；
根据所述篮球检测框及所述球员检测框之间表征的位置关系，确定所述投 篮球员及所述接球时刻；
获取所述接球时刻所述投篮球员与赛场上其他球员之间的最小距离，作为 第一距离。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
从所述进球片段的进球时刻开始，向前遍历每一帧视频，获取每一帧图像 中的篮球检测框及球员检测框之间表征的位置关系；
当出现篮球检测框及球员检测框之间表征的位置关系满足第一变化条件 时，确定所述满足第一变化条件的球员检测框对应的球员为投篮球员；
以及，
当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满足 第二变化条件时，确定满足第二变化条件对应的帧所在时刻为接球时刻。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
当出现所述篮球检测框及所述球员检测框的位置关系从非重叠到重叠时， 确定与所述篮球检测框重叠的球员检测框中对应的球员为所述投篮球员；
或，
当出现所述篮球检测框及所述投篮球员的球员检测框的位置关系从重叠到 非重叠时，确定与位置关系从重叠到非重叠对应的帧所在的时刻为接球时刻。
在一个可选的实施例中，所述当所述篮球检测框及所述投篮球员的球员检 测框之间表征的位置关系满足第二变化条件时，确定满足第二变化条件对应的 帧所在时刻为接球时刻之前，所述处理器210还用于运行所述计算机程序时， 执行如下步骤：
为每一个球员及篮球分别赋予不同的标识；
基于所述投篮球员的标识跟踪所述投篮球员。
该计算机设备还可以包括：至少一个网络接口212。发送端中的各个组件 通过总线系统213耦合在一起。可理解，总线系统213用于实现这些组件之间 的连接通信。总线系统213除包括数据总线之外，还包括电源总线、控制总线 和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系 统213。
其中，存储器211可以是易失性存储器或非易失性存储器，也可包括易失 性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM， Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM， ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)； 磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取 存储器(RAM，RandomAccess Memory)，其用作外部高速缓存。通过示例性 但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM， Static Random Access Memory)、同步静态随机存取存储器(SSRAM， Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM， Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存 取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM， SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器 (DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存 储器211旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器211用于存储各种类型的数据以支持发送端的操 作。这些数据的示例包括：用于在发送端上操作的任何计算机程序，如操作系 统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、 驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包 含各种应用程序，用于实现各种应用业务。这里，实现本发明实施例方法的程 序可以包含在应用程序中。
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。
Claims (10)
1.一种视频处理方法，其特征在于，包括：
从篮球比赛视频中获取待处理的进球片段；
对所述待处理的进球片段进行图像处理，获取第一距离；其中，所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的距离；
若所述第一距离大于距离阈值，则提取所述待处理的进球片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
2.根据权利要求1所述的方法，其特征在于，所述从篮球比赛视频中获取待处理的进球片段，包括：
从所述篮球比赛视频中获取得分片段；
根据所述得分片段中的得分数，确定满足得分条件的得分片段作为所述待处理的进球片段。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于网络爬虫，从互联网中获取篮球相关图像作为样本数据；
对所述样本数据中的特征进行标注，得到标注信息；其中，所述标注信息为篮球检测框和/或球员检测框，所述标注信息能够指示出球员特征信息和/或篮球特征信息；
利用神经网络对所述标注信息进行训练，得到所述检测模型；其中，所述检测模型能够用于为任意所述篮球比赛视频输出对应的篮球和或球员的检测框信息。
4.根据权利要求3所述的方法，其特征在于，所述对所述待处理的进球片段进行图像处理，获取第一距离，包括：
基于所述检测模型，获取所述待处理的进球片段中的篮球检测框及球员检测框；
根据所述篮球的检测框及所述球员检测框之间表征的位置关系，确定所述投篮球员及所述接球时刻；
获取所述接球时刻所述投篮球员与赛场上其他球员之间的最小距离，作为第一距离。
5.根据权利要求4所述的方法，其特征在于，所述根据所述篮球检测框及所述球员检测框之间表征的位置关系，确定所述投篮球员及所述接球时刻，包括：
从所述进球片段的进球时刻开始，向前遍历每一帧视频，获取每一帧图像中的篮球检测框及球员检测框之间表征的位置关系；
当出现篮球检测框及球员检测框之间表征的位置关系满足第一变化条件时，确定位置关系满足所述第一变化条件的球员检测框对应的球员为投篮球员；
以及，
当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满足第二变化条件时，确定位置关系满足所述第二变化条件对应的帧所在时刻为接球时刻。
6.根据权利要求5所述的方法，其特征在于，所述当出现篮球检测框及球员检测框之间表征的位置关系满足第一变化条件时，确定位置关系满足所述第一变化条件的球员检测框对应的球员为投篮球员，包括：
当出现所述篮球检测框及所述球员检测框的位置关系从非重叠到重叠时，确定与所述篮球检测框重叠的球员检测框中对应的球员为所述投篮球员；
或，
所述当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满足第二变化条件时，确定满足第二变化条件对应的帧所在时刻为接球时刻，包括：
当出现所述篮球检测框及所述投篮球员的球员检测框的位置关系从重叠到非重叠时，确定与位置关系从重叠到非重叠对应的帧所在的时刻为接球时刻。
7.根据权利要求6所述的方法，其特征在于，所述当所述篮球检测框及所述投篮球员的球员检测框之间表征的位置关系满足第二变化条件时，确定满足第二变化条件对应的帧所在时刻为接球时刻之前，所述方法还包括：
为每一个球员及篮球分别赋予不同的标识；
基于所述投篮球员的标识跟踪所述投篮球员。
8.一种视频处理装置，其特征在于，所述装置包括：
第一获取模块，用于从篮球比赛视频中获取待处理的进球片段；
第二获取模块，用于对所述待处理的进球片段进行图像处理，获取第一距离；其中，所述第一距离表征投篮球员在接球时刻与赛场上其他球员之间的距离；
提取模块，用于若所述第一距离大于距离阈值，则提取所述待处理的进球片段作为目标视频片段；其中，所述目标视频片段用于描述空档投篮。
9.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至7任一项所述的视频处理方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述视频处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555802.1A CN110276309B (zh) | 2019-06-25 | 2019-06-25 | 视频处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555802.1A CN110276309B (zh) | 2019-06-25 | 2019-06-25 | 视频处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110276309A true CN110276309A (zh) | 2019-09-24 |
| CN110276309B CN110276309B (zh) | 2021-05-28 |
Family
ID=67962362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910555802.1A Active CN110276309B (zh) | 2019-06-25 | 2019-06-25 | 视频处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276309B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674767A (zh) * | 2019-09-29 | 2020-01-10 | 新华智云科技有限公司 | 一种基于人工智能的篮球进球片段ab队自动区分的方法 |
| CN110830847A (zh) * | 2019-10-24 | 2020-02-21 | 杭州威佩网络科技有限公司 | 一种截取比赛视频片段的方法、装置及电子设备 |
| CN110856039A (zh) * | 2019-12-02 | 2020-02-28 | 新华智云科技有限公司 | 视频处理方法及装置、存储介质 |
| CN111626155A (zh) * | 2020-05-14 | 2020-09-04 | 新华智云科技有限公司 | 一种篮球位置点的生成方法及设备 |
| CN112001324A (zh) * | 2020-08-25 | 2020-11-27 | 北京影谱科技股份有限公司 | 篮球比赛视频的球员动作识别方法、装置和设备 |
| CN112446319A (zh) * | 2020-11-23 | 2021-03-05 | 新华智云科技有限公司 | 一种篮球比赛智能分析系统、分析方法、设备 |
| CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
| CN112883862A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 投篮识别方法、装置、计算机设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622584A (zh) * | 2012-03-02 | 2012-08-01 | 成都三泰电子实业股份有限公司 | 视频监控中蒙面人脸的检测方法 |
| US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
| CN105701460A (zh) * | 2016-01-07 | 2016-06-22 | 王跃明 | 一种基于视频的篮球进球检测方法和装置 |
| CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
| CN106991359A (zh) * | 2016-01-20 | 2017-07-28 | 上海慧体网络科技有限公司 | 一种在全景模式下对球赛视频中篮球进行跟踪的算法 |
| CN107303428A (zh) * | 2016-04-20 | 2017-10-31 | 李斌 | 基于图像处理的篮球进球判定方法及系统 |
| 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 |
| CN108509859A (zh) * | 2018-03-09 | 2018-09-07 | 南京邮电大学 | 一种基于深度神经网络的无重叠区域行人跟踪方法 |
| CN108810620A (zh) * | 2018-07-18 | 2018-11-13 | 腾讯科技（深圳）有限公司 | 识别视频中的关键时间点的方法、计算机设备及存储介质 |
| CN109241871A (zh) * | 2018-08-16 | 2019-01-18 | 北京此时此地信息科技有限公司 | 一种基于视频数据的公共区域人流跟踪方法 |
-
2019
- 2019-06-25 CN CN201910555802.1A patent/CN110276309B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622584A (zh) * | 2012-03-02 | 2012-08-01 | 成都三泰电子实业股份有限公司 | 视频监控中蒙面人脸的检测方法 |
| US20140169663A1 (en) * | 2012-12-19 | 2014-06-19 | Futurewei Technologies, Inc. | System and Method for Video Detection and Tracking |
| CN105701460A (zh) * | 2016-01-07 | 2016-06-22 | 王跃明 | 一种基于视频的篮球进球检测方法和装置 |
| CN106991359A (zh) * | 2016-01-20 | 2017-07-28 | 上海慧体网络科技有限公司 | 一种在全景模式下对球赛视频中篮球进行跟踪的算法 |
| CN107303428A (zh) * | 2016-04-20 | 2017-10-31 | 李斌 | 基于图像处理的篮球进球判定方法及系统 |
| CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
| 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 |
| CN108509859A (zh) * | 2018-03-09 | 2018-09-07 | 南京邮电大学 | 一种基于深度神经网络的无重叠区域行人跟踪方法 |
| CN108810620A (zh) * | 2018-07-18 | 2018-11-13 | 腾讯科技（深圳）有限公司 | 识别视频中的关键时间点的方法、计算机设备及存储介质 |
| CN109241871A (zh) * | 2018-08-16 | 2019-01-18 | 北京此时此地信息科技有限公司 | 一种基于视频数据的公共区域人流跟踪方法 |
Non-Patent Citations (5)
| Title |
|---|
| ANTONIO BRUNETTI ET.AL: "Computer vision and deep learning techniques for pedestrian detection and tracking: A survey", 《NEUROCOMPUTING》 * |
| YOUNG YOON ET.AL: "Analyzing Basketball Movements and Pass Relationships Using Realtime Object Tracking Techniques Based on Deep Learning", 《IEEE ACCESS》 * |
| 周浩: "基于深度神经网络的运动多目标检测跟踪技术研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王梦来 等: "基于 CNN 的监控视频事件检测", 《自动化学报》 * |
| 王硕: "篮球视频精彩事件检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674767B (zh) * | 2019-09-29 | 2022-04-22 | 新华智云科技有限公司 | 一种基于人工智能的篮球进球片段ab队自动区分的方法 |
| CN110674767A (zh) * | 2019-09-29 | 2020-01-10 | 新华智云科技有限公司 | 一种基于人工智能的篮球进球片段ab队自动区分的方法 |
| CN110830847A (zh) * | 2019-10-24 | 2020-02-21 | 杭州威佩网络科技有限公司 | 一种截取比赛视频片段的方法、装置及电子设备 |
| CN110856039A (zh) * | 2019-12-02 | 2020-02-28 | 新华智云科技有限公司 | 视频处理方法及装置、存储介质 |
| CN111626155B (zh) * | 2020-05-14 | 2023-08-01 | 新华智云科技有限公司 | 一种篮球位置点的生成方法及设备 |
| CN111626155A (zh) * | 2020-05-14 | 2020-09-04 | 新华智云科技有限公司 | 一种篮球位置点的生成方法及设备 |
| CN112001324A (zh) * | 2020-08-25 | 2020-11-27 | 北京影谱科技股份有限公司 | 篮球比赛视频的球员动作识别方法、装置和设备 |
| CN112001324B (zh) * | 2020-08-25 | 2024-04-05 | 北京影谱科技股份有限公司 | 篮球比赛视频的球员动作识别方法、装置和设备 |
| CN112446319A (zh) * | 2020-11-23 | 2021-03-05 | 新华智云科技有限公司 | 一种篮球比赛智能分析系统、分析方法、设备 |
| CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
| CN112883862A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 投篮识别方法、装置、计算机设备和存储介质 |
| CN112883862B (zh) * | 2021-02-09 | 2023-12-26 | 北京深蓝长盛科技有限公司 | 投篮识别方法、装置、计算机设备和存储介质 |
| CN112883865B (zh) * | 2021-02-09 | 2024-01-19 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110276309B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276309A (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
| 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 | |
| CN111753594B (zh) | 危险识别方法、装置及系统 | |
| Ghosh et al. | Towards structured analysis of broadcast badminton videos | |
| CN108470353A (zh) | 一种目标跟踪方法、装置和存储介质 | |
| CN105745695B (zh) | 用于对锻炼运动的进展自动进行评估的方法、分析器和系统 | |
| CN111983935A (zh) | 一种性能评测方法和装置 | |
| US9928879B2 (en) | Video processing method, and video processing device | |
| Harmon et al. | Predicting shot making in basketball learnt from adversarial multiagent trajectories | |
| CN107886131A (zh) | 一种基于卷积神经网络检测电路板元器件极性方法和装置 | |
| CN106570478A (zh) | 视觉跟踪中的目标丢失判断方法和装置 | |
| CN105678802A (zh) | 辨识二维影像产生三维信息的方法 | |
| CN106296736A (zh) | 一种仿记忆引导的模式识别方法 | |
| CN109831634A (zh) | 目标对象的密度信息确定方法及装置 | |
| CN110147752A (zh) | 运动检测处理方法、装置、电子设备和存储介质 | |
| Ali et al. | Deep Learning Algorithms for Human Fighting Action Recognition. | |
| CN106529528A (zh) | 一种有效运动目标识别方法及设备 | |
| CN104182959B (zh) | 目标搜索方法及装置 | |
| Gade et al. | Audio-visual classification of sports types | |
| Quattrocchi et al. | Put Your PPE on: A Tool for Synthetic Data Generation and Related Benchmark in Construction Site Scenarios. | |
| Xia et al. | Advanced Volleyball Stats for All Levels: Automatic Setting Tactic Detection and Classification with a Single Camera | |
| Dai et al. | Long-term object tracking based on siamese network | |
| Merzah et al. | Football Player Tracking and Performance Analysis Using the OpenCV Library. | |
| Scott et al. | TeamTrack: A Dataset for Multi-Sport Multi-Object Tracking in Full-pitch Videos | |
| CN104615971B (zh) | 一种用于化肥质量追溯系统的二维码跟踪识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |