CN110674767B - 一种基于人工智能的篮球进球片段ab队自动区分的方法 - Google Patents

一种基于人工智能的篮球进球片段ab队自动区分的方法 Download PDF

Info

Publication number
CN110674767B
CN110674767B CN201910930939.0A CN201910930939A CN110674767B CN 110674767 B CN110674767 B CN 110674767B CN 201910930939 A CN201910930939 A CN 201910930939A CN 110674767 B CN110674767 B CN 110674767B
Authority
CN
China
Prior art keywords
goal
segment
player
basketball
color
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.)
Active
Application number
CN201910930939.0A
Other languages
English (en)
Other versions
CN110674767A (zh
Inventor
陈雷雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinhua Zhiyun Technology Co ltd
Original Assignee
Xinhua Zhiyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinhua Zhiyun Technology Co ltd filed Critical Xinhua Zhiyun Technology Co ltd
Priority to CN201910930939.0A priority Critical patent/CN110674767B/zh
Publication of CN110674767A publication Critical patent/CN110674767A/zh
Application granted granted Critical
Publication of CN110674767B publication Critical patent/CN110674767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体地说，涉及一种基于人工智能的篮球进球片段AB队自动区分的方法。其方法包括利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球；利用检测结果中球衣的颜色信息对比赛片段中的所有球员进行聚类分析；获取到每个进球片段的投篮球员，计算投篮球员的颜色特征，依据颜色信息和第二步保存的两个颜色特征进行比对。该基于人工智能的篮球进球片段AB队自动区分的方法中，利用基于深度学习的图像检测算法自动检测到球员、裁判、和球的位置和大小信息，利用颜色直方图、聚类算法，获取第一个进球片段中颜色特征信息，通过计算第二个进球开始之后的所有进球片段中投篮球员的颜色特征区分球队信息。

Description

一种基于人工智能的篮球进球片段AB队自动区分的方法
技术领域
本发明涉及人工智能技术领域，具体地说，涉及一种基于人工智能的篮球进球片段AB队自动区分的方法。
背景技术
在篮球比赛直播视频中，通常用户会需要检测到所有的进球片段之后，还希望将这场比赛中的所有进球片段按进球方所在的球队，将所有的进球片段自动分为两类，这里简称为AB队区分，而目前无法自动将一场比赛中所有的进球片段按所属的球队分为两类，不便于数据统计。
发明内容
本发明的目的在于提供一种基于人工智能的篮球进球片段AB队自动区分的方法，以解决上述背景技术中提出的某种或某些缺陷。
为实现上述目的，本发明提供一种基于人工智能的篮球进球片段AB队自动区分的方法，其具体步骤如下：
S1、利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球；
S2、利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析，区分出双方球队，并将第一个进球片段中获取到的两个聚类中心保存下来作为后续进球片段球队分类的依据；
S3、对于第二个进球片段开始之后的所有进球片段，获取到每个进球片段的投篮球员，计算投篮球员的颜色特征，依据颜色特征和第二步保存的两个颜色特征进行比对，与哪个更相似则将对应的进球片段划分到对应的类别，从而实现进球片段的AB队划分。
作为优选，利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球的具体方法步骤如下：
S11、准备数据：准备各类篮球比赛视频作为样本集，抽取视频帧，并将其保存成图片；
S12、过滤数据：通过人工的方式对上述准备的图片进行过滤，将所有非比赛片段的图片删除；
S13、标注数据：通过人工的方式对过滤后的所有图片进行检测框标注；
S14、训练检测模型：利用上述标注数据训练基于卷积神经网络的物体检测模型；
S15、利用检测模型对视频的每一帧或间隔固定帧进行检测，输出普通球员、裁判、篮球的检测结果。
作为优选，准备数据步骤中，篮球比赛相关图片获取采用网络爬虫爬取。
作为优选，训练检测模型步骤中，卷积神经网络的物体检测算法采用YOLOV3检测方法，包括以下步骤：
①、训练参数:需要修改的参数为height＝672、width＝672，burn_in＝975、policy＝steps、setps＝58508,87762、max_batches＝156022，其他参数使用默认配置；
②、利用yolov3提供的预训练模型darknet53.conv.74及训练代码，启动yolov3模型训练，在训练过程中每100个step保存一次中间训练模型；
③、等待训练结束之后，在验证集上对所有中间模型进行测试，选取最优准召率的模型作为后续使用的普通球员、裁判、篮球检测模型。
作为优选，利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析具体方法步骤如下：
S21、计算检测出来的所有帧中所有普通球员所在区域的颜色特征，这里使用的是颜色直方图特征；
S22、对计算出来的所有的颜色直方图使用聚类算法聚成两类，获取两个聚类中心T1和T2，每个聚类中心所属的球员即为同一个球队的球员；
S23、将这两个聚类中心T1、T2进行保存，作为后续进球片段球队区分的依据。
作为优选，计算普通球员所在区域的颜色特征公式如下：
Figure BDA0002220259070000031
计算普通球员所在区域的颜色特征包括以下步骤：
步骤一：将球员区域的RGB颜色空间转到HSV颜色空间；
步骤二：利用上述公式对HSV颜色分量进行量化；
步骤三：将量化后的HSV三通道图像合成为单通道图像，其公式为：
G＝9H+3S+V；
步骤四：基于合成的单通道图像计算颜色直方图，即球员所在区域的颜色特征。
作为优选，聚类算法采用K-means算法，包括以下步骤：
步骤一：首先从n个数据对象任意选择k个对象作为初始聚类中心；
步骤二：对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类；
步骤三：再计算每个所获新聚类的聚类中心；
步骤四：不断重复过程直到标准测度函数开始收敛为止。
作为优选，进球片段的AB队划分具体步骤如下：
S31、对于第二个进球开始之后的进球片段，检测投篮球员，即：从进球时刻开始往前遍历，看某一帧中篮球是否和某个球员发生了重叠，如果出现重叠，那么该球员即为投篮球员,判断发生重叠的依据为篮球的检测框和某个球员的检测框的IOU>0；
S32、利用颜色特征公式，计算每一帧中投篮球员所在区域的颜色特征；
S33、将每一帧中的投篮球员的颜色特征向量和保存的标准特征T1、T2进行比较，计算欧式距离D1、D2，欧式距离公式为：
Figure BDA0002220259070000041
采用投票的方式决定该进球片段的球队，某一帧中，如果D1≤D2，那么在该帧中将这个片段投票给T1所在的球队，如果D1＞D2，那么在该帧中将这个进球片段投票给T2所在的球队。最后统计所有帧的投票结果，如果投票给T1的帧数更多，那么就将该片段划分到T1所在的球队，反之则将该片段划分到T2所在的球队，从而避免一两帧的误差导致的错误划分；
S34、后续所有进球都按照以上步骤进行球队区分，从而实现正常比赛中所有进球的AB队区分。
与现有技术相比，本发明的有益效果：
1、该基于人工智能的篮球进球片段AB队自动区分的方法中，利用基于深度学习的图像检测算法，自动检测获取篮球进球视频片段中的球员、裁判、篮球的位置、大小，即检测框信息。
2、该基于人工智能的篮球进球片段AB队自动区分的方法中，利用颜色直方图、聚类算法，获取第一个进球片段中AB两个球队的颜色特征信息。
3、该基于人工智能的篮球进球片段AB队自动区分的方法中，通过计算第二个进球开始之后的所有进球片段中投篮球员的颜色特征，判断投篮球员的颜色特征和哪个球队的颜色特征更相似，从而实现整场比赛所有进球的球队区分。
附图说明
图1为本发明的整体流程模块图；
图2为本发明的训练模型流程图；
图3为本发明的通过球衣颜色区分球队流程图；
图4为本发明的进球片段的球队划分流程图。
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。
请参阅图1-4所示，本发明提供一种技术方案
本发明提供一种基于人工智能的篮球进球片段AB队自动区分的方法，其具体步骤如下：
S1、利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球；
S2、利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析，区分出双方球队，并将第一个进球片段中获取到的两个聚类中心保存下来作为后续进球片段球队分类的依据；
S3、对于第二个进球片段开始之后的所有进球片段，获取到每个进球片段的投篮球员，计算投篮球员的颜色特征，依据颜色特征和第二步保存的两个颜色特征进行比对，与哪个更相似则将对应的进球片段划分到对应的类别，从而实现进球片段的AB队划分。
具体的，如图2所示，利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球的具体方法步骤如下：
S11、准备数据：首先准备各类篮球比赛视频作为样本集，抽取视频帧，并将其保存成图片，通过网络爬虫爬取篮球比赛相关的图片；
其中，网络爬虫爬取数据具体，流程如下：
(1)、首先选取一部分精心挑选的种子URL；
(2)、将这些URL放入待抓取URL队列；
(3)、从待抓取URL队列中取出待抓取在URL，解析DNS，并且得到主机的ip，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列；
(4)、分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环；
S12、过滤数据：通过人工的方式对上述准备的图片进行过滤，将所有非比赛片段的图片删除，需要删除的图片包括但不限于观众席、替补席、广告等；
S13、标注数据：通过人工的方式对过滤后的所有图片进行检测框标注，需要标注的内容包括球员、裁判、篮球；
S14、训练检测模型：利用上述标注数据训练基于卷积神经网络的物体检测算法；
其中，训练检测模型步骤中，卷积神经网络的物体检测算法采用YOLOV3检测方法，包括以下步骤：
①、训练参数:需要修改的参数为height＝672、width＝672，burn_in＝975、policy＝steps、setps＝58508,87762、max_batches＝156022，其他参数使用默认配置；
②、利用yolov3提供的预训练模型darknet53.conv.74及训练代码，启动yolov3模型训练，在训练过程中每100个step保存一次中间训练模型；
③、等待训练结束之后，在验证集上对所有中间模型进行测试，选取最优准召率的模型作为后续使用的普通球员、裁判、篮球检测模型。
S15、利用检测模型对视频的每一帧或间隔固定帧进行检测，输出普通球员、裁判、篮球的检测结果。
进一步的，如图3所示，利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析，区分出双方球队，并将第一个进球片段中获取到的两个聚类中心保存下来作为后续进球片段球队分类的依据，检测模型只能检测出普通球员而无法具体区分每个球员属于哪个球队。本发明提出利用场上人员的衣服颜色特征实现该功能，具体方法如下：
利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析，具体方法步骤如下：
S21、计算检测出来的所有帧中所有普通球员所在区域的颜色特征；计算普通球员所在区域的颜色特征公式如下：
Figure BDA0002220259070000071
首先将上述球员区域的RGB颜色空间转到HSV颜色空间，然后利用上述量化表对HSV颜色分量进行量化，然后按照公式将量化后的HSV三通道图像合成为单通道图像，基于该单通道图像计算颜色直方图，也就是球员所在区域的颜色特征。
S22、对计算出来的所有的颜色直方图使用聚类算法聚成两类，获取两个聚类中心T1和T2，每个聚类中心所属的球员即为同一个球队的球员；聚类算法采用K-means算法，包括以下步骤：
步骤一：首先从n个数据对象任意选择k个对象作为初始聚类中心；
步骤二：对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类；
步骤三：再计算每个所获新聚类的聚类中心；
步骤四：不断重复过程直到标准测度函数开始收敛为止。
其中，初始聚类中心计算包括以下步骤：
步骤一：计算数据对象xi所处区域的密度，来定义一个密度参数：以xi为中心，包含了常数Minpts个数据对象的半径称为对象xi的密度参数，用ε表示；
步骤二：通过计算每个数据对象的密度参数，就可以发现处于高密度区域的点，从而得到一个高密度点集合D，在D中取处于最高密度区域的数据对象作为第1个聚类中心；取距离最远的一个高密度点作第2个聚类中心；
步骤三：计算D中各数据对象xi到z1，z2的距离
Figure BDA0002220259070000081
z3为满足
Figure BDA0002220259070000082
的数据对象xi；zm为满足
Figure BDA0002220259070000083
的数据对象xi，xi∈D，依此得到k个初始聚类中心。
其中，聚类中心的相似度判断方法包括以下步骤：
步骤一：假设数据集D包含n个欧氏空间中的对象；
步骤二：把D中的对象分配到K个簇C1,...,Cj中，使得对象1≦i，j≤k,
Figure BDA0002220259070000086
且
Figure BDA0002220259070000084
Figure BDA0002220259070000085
一个目标函数用来评估划分的质量，使得簇内对象相互相似，而与其他簇中的对象相异。
S23、将这两个聚类中心T1、T2进行保存，作为后续进球片段球队区分的依据。
再进一步的，对于第二个进球片段开始之后的所有进球片段，获取到每个进球片段的投篮球员，计算投篮球员的颜色特征，依据颜色特征和第二步保存的两个颜色特征进行比对，与哪个更相似则将对应的进球片段划分到对应的类别，从而实现进球片段的AB队划分，具体如图4所示，步骤如下：
S31、对于第二个进球开始之后的进球片段，检测投篮球员。检测算法为：从进球时刻开始往前遍历，看某一帧中篮球是否和某个球员发生了重叠，如果出现重叠，那么该球员即为投篮球员，判断发生重叠的依据为篮球的检测框和某个球员的检测框的IOU>0；
S32、利用颜色特征公式，计算每一帧中投篮球员所在区域的颜色特征；
S33、将每一帧中的投篮球员的颜色特征向量和保存的标准特征T1、T2进行比较，计算欧式距离D1、D2，欧式距离公式为：
Figure BDA0002220259070000091
采用投票的方式决定该进球片段的球队。某一帧中，如果D1≤D2，那么在该帧中将这个片段投票给T1所在的球队，如果D1＞D2，那么在该帧中将这个进球片段投票给T2所在的球队。最后统计所有帧的投票结果，如果投票给T1的帧数更多，那么就将该片段划分到T1所在的球队，反之则将该片段划分到T2所在的球队，从而避免一两帧的误差导致的错误划分；
S34、后续所有进球都按照以上步骤进行球队区分，从而实现正常比赛中所有进球的AB队区分。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：具体步骤如下：
S1、利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球；
S2、利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析，区分出双方球队，并将第一个进球片段中获取到的两个聚类中心保存下来作为后续进球片段球队分类的依据；
S3、对于第二个进球片段开始之后的所有进球片段，获取到每个进球片段的投篮球员，计算投篮球员的颜色特征，依据颜色特征和第二步保存的两个颜色特征进行比对，与哪个更相似则将对应的进球片段划分到对应的类别，从而实现进球片段的AB队划分；
进球片段的AB队划分具体步骤如下：
S31、对于第二个进球开始之后的进球片段，检测投篮球员，即：从进球时刻开始往前遍历，看某一帧中篮球是否和某个球员发生了重叠，如果出现重叠，那么该球员即为投篮球员，判断发生重叠的依据为篮球的检测框和某个球员的检测框的IOU>0；
S32、利用颜色特征公式，计算每一帧中投篮球员所在区域的颜色特征；
S33、将每一帧中的投篮球员的颜色特征向量和保存的标准特征T1、T2进行比较，计算欧式距离D1、D2，欧式距离公式为：
Figure DEST_PATH_IMAGE001
采用投票的方式决定该进球片段的球队，某一帧中，如果D1
Figure 923886DEST_PATH_IMAGE002
D2，那么在该帧中将这个片段划分到T1所在的球队，如果D1＞D2，那么在该帧中将这个进球片段划分到T2所在的球队，最后统计所有帧的投票结果，如果投票给T1的帧数更多，那么就将该片段划分到T1所在的球队，反之则将该片段划分到T2所在的球队，从而避免一两帧的误差导致的错误划分；
S34、后续所有进球都按照以上步骤进行球队区分，从而实现正常比赛中所有进球的AB队区分。
2.根据权利要求1所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：利用检测算法检测出一场比赛中第一个进球视频片段中的所有球员、裁判和球的具体方法步骤如下：
S11、准备数据：准备各类篮球比赛视频作为样本集，抽取视频帧，并将其保存成图片；
S12、过滤数据：通过人工的方式对上述准备的图片进行过滤，将所有非比赛片段的图片删除；
S13、标注数据：通过人工的方式对过滤后的所有图片进行检测框标注；
S14、训练检测模型：利用上述标注数据训练基于卷积神经网络的物体检测模型；
S15、利用检测模型对视频的每一帧或间隔固定帧进行检测，输出普通球员、裁判、篮球的检测结果。
3.根据权利要求2所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：准备数据步骤中，篮球比赛相关图片获取采用网络爬虫爬取。
4.根据权利要求2所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：训练检测模型步骤中，卷积神经网络的物体检测算法采用YOLOV3检测方法，包括以下步骤：
①、训练参数:需要修改的参数为height=672，width=672，burn_in=975，policy=steps，steps=[58508,87762]，max_batches=156022，其他参数使用默认配置；
②、启动yolov3模型训练，在训练过程中每100个step保存一次中间训练模型；
③、等待训练结束之后，在验证集上对所有中间模型进行测试，选取最优准召率的模型作为后续使用的普通球员、裁判、篮球检测模型。
5.根据权利要求1所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：利用检测结果中球员衣服的颜色信息对比赛片段中的所有球员进行聚类分析具体方法步骤如下：
S21、计算检测出来的所有帧中所有普通球员所在区域的颜色特征，这里使用的是颜色直方图特征；
S22、对计算出来的所有的颜色直方图使用聚类算法聚成两类，获取两个聚类中心T1和T2，每个聚类中心所属的球员即为同一个球队的球员；
S23、将这两个聚类中心T1、T2进行保存，作为后续进球片段球队区分的依据。
6.根据权利要求5所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：计算普通球员所在区域的颜色特征公式如下：
Figure DEST_PATH_IMAGE003
计算普通球员所在区域的颜色特征包括以下步骤：
步骤一：将球员所在区域的RGB颜色空间转到HSV颜色空间；
步骤二：利用上述公式对HSV颜色分量进行量化；
步骤三：将量化后的HSV三通道图像合成为单通道图像，其公式为：
G=9H+3S+V；
步骤四：基于合成后的单通道图像计算球员的颜色直方图，即球员所在区域的颜色特征。
7.根据权利要求5所述的基于人工智能的篮球进球片段AB队自动区分的方法，其特征在于：聚类算法采用K-means算法，包括以下步骤：
步骤一：首先从n个数据对象任意选择k个对象作为初始聚类中心；
步骤二：对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类；
步骤三：再计算每个所获新聚类的聚类中心；
步骤四：不断重复过程直到标准测度函数开始收敛为止。
CN201910930939.0A 2019-09-29 2019-09-29 一种基于人工智能的篮球进球片段ab队自动区分的方法 Active CN110674767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910930939.0A CN110674767B (zh) 2019-09-29 2019-09-29 一种基于人工智能的篮球进球片段ab队自动区分的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910930939.0A CN110674767B (zh) 2019-09-29 2019-09-29 一种基于人工智能的篮球进球片段ab队自动区分的方法

Publications (2)

Publication Number Publication Date
CN110674767A CN110674767A (zh) 2020-01-10
CN110674767B true CN110674767B (zh) 2022-04-22

Family

ID=69079973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910930939.0A Active CN110674767B (zh) 2019-09-29 2019-09-29 一种基于人工智能的篮球进球片段ab队自动区分的方法

Country Status (1)

Country Link
CN (1) CN110674767B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004329515A (ja) * 2003-05-07 2004-11-25 Sony Corp ゲーム装置および対戦型ゲームにおけるチーム分け方法
CN101127866A (zh) * 2007-08-10 2008-02-20 西安交通大学 一种检测足球比赛视频精彩片段的方法
CN104866853A (zh) * 2015-04-17 2015-08-26 广西科技大学 一种足球比赛视频中的多运动员的行为特征提取方法
CN109308456A (zh) * 2018-08-31 2019-02-05 北京字节跳动网络技术有限公司 目标对象的信息确定方法、装置、设备及存储介质
CN110276309A (zh) * 2019-06-25 2019-09-24 新华智云科技有限公司 视频处理方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004329515A (ja) * 2003-05-07 2004-11-25 Sony Corp ゲーム装置および対戦型ゲームにおけるチーム分け方法
CN101127866A (zh) * 2007-08-10 2008-02-20 西安交通大学 一种检测足球比赛视频精彩片段的方法
CN104866853A (zh) * 2015-04-17 2015-08-26 广西科技大学 一种足球比赛视频中的多运动员的行为特征提取方法
CN109308456A (zh) * 2018-08-31 2019-02-05 北京字节跳动网络技术有限公司 目标对象的信息确定方法、装置、设备及存储介质
CN110276309A (zh) * 2019-06-25 2019-09-24 新华智云科技有限公司 视频处理方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Semantic concept mining based on hierarchical event detection for soccer video indexing;maheshkumar H.kolekar et al.;《journal of multimedia》;20091231;第4卷(第3期);第298-312页 *
基于有向图的足球视频中球员分类算法;孙仕柏等;《计算机应用研究》;20150831;第32卷(第8期);第2510-2512页 *

Also Published As

Publication number Publication date
CN110674767A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
WO2020151489A1 (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
Guo et al. Fast background subtraction based on a multilayer codebook model for moving object detection
Sun et al. Photo assessment based on computational visual attention model
CN110298231B (zh) 一种用于篮球比赛视频进球判定的方法及系统
CN101322153B (zh) 调节数字图像的曝光和色标
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
Zhang et al. Detecting and extracting the photo composites using planar homography and graph cut
CN110807759B (zh) 照片质量的评价方法及装置、电子设备、可读存储介质
US20080118153A1 (en) Image Processing Apparatus, Image Processing Method, and Program
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
US20130129146A1 (en) Methods, Circuits, Devices, Apparatuses and Systems for Providing Image Composition Rules, Analysis and Improvement
CN104268590B (zh) 基于互补性组合特征与多相回归的盲图像质量评价方法
Karaman et al. Human daily activities indexing in videos from wearable cameras for monitoring of patients with dementia diseases
CN109447186A (zh) 聚类方法及相关产品
CN110730381A (zh) 基于视频模板合成视频的方法、装置、终端及存储介质
CN113743378B (zh) 一种基于视频的火情监测方法和装置
CN110674767B (zh) 一种基于人工智能的篮球进球片段ab队自动区分的方法
Jinda-Apiraksa et al. A Keyframe Selection of Lifelog Image Sequences.
CN111027573A (zh) 基于盲取证技术的图像真伪鉴别方法
TW201742006A (zh) 場線之擷取重建方法
Tahan et al. A computer vision driven squash players tracking system
CN116546304A (zh) 一种参数配置方法、装置、设备、存储介质及产品
CN110852172B (zh) 一种基于Cycle Gan图片拼贴并增强的扩充人群计数数据集的方法
CN111402189B (zh) 一种视频图像偏色检测装置及方法
Baishya et al. Luminance Channel Based Camera Model Identification

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