CN111626155A - 一种篮球位置点的生成方法及设备 - Google Patents

一种篮球位置点的生成方法及设备 Download PDF

Info

Publication number
CN111626155A
CN111626155A CN202010406703.XA CN202010406703A CN111626155A CN 111626155 A CN111626155 A CN 111626155A CN 202010406703 A CN202010406703 A CN 202010406703A CN 111626155 A CN111626155 A CN 111626155A
Authority
CN
China
Prior art keywords
frame
detection
basketball
video
detection frame
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
Application number
CN202010406703.XA
Other languages
English (en)
Other versions
CN111626155B (zh
Inventor
陈雷雷
王灿进
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 CN202010406703.XA priority Critical patent/CN111626155B/zh
Publication of CN111626155A publication Critical patent/CN111626155A/zh
Application granted granted Critical
Publication of CN111626155B publication Critical patent/CN111626155B/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
    • G06V20/41—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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本发明披露了一种篮球位置点的生成方法及设备，方法包括：基于深度学习训练篮球检测模型；获取投篮过程视频的连续视频帧；将视频帧输入篮球检测模型，输出篮球的检测框；过滤错误输出的检测框；根据未被过滤的检测框计算出被过滤检测框和/或漏检检测框的视频帧上的实际检测框数据，生成完整的投篮过程中篮球的检测框数据。本发明生成准确的篮球位置和大小信息的篮球位置点，取消了人工参与，极大地提高篮球投篮过程中篮球位置和大小的生成效率。

Description

一种篮球位置点的生成方法及设备
技术领域
本发明涉及视频处理技术领域，具体的涉及投篮过程中篮球位置点的生成方法技术领域。
背景技术
篮球赛事视频宣传，对于篮球进球片段通常会制作生成精彩进球集锦，而对于一些比较精彩的进球片段会将进球片段的篮球轨迹标记出来，用以生成篮球轨迹的特效视频。此前的实现方法大多使用传统的基于人工设计特征的方法，此类方法由于人工设计特征的泛化能力不强，从而降低此类技术的使用场景。另部分机构采用人工进行篮球位置点标记，人工标记耗时低效，不够快捷。
发明内容
本发明针对现有技术中的缺点，利用基于图像检测的深度技术，提供了一种能够生成准确的篮球位置和大小信息的篮球位置点的生成方法及设备。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种篮球位置点的生成方法，包括以下步骤：
基于深度学习训练篮球检测模型；
获取投篮过程视频的连续视频帧；
将视频帧输入篮球检测模型，输出篮球的检测框；
过滤错误输出的检测框；
根据未被过滤的检测框计算出被过滤检测框和/或漏检检测框的视频帧上的实际检测框数据，生成完整的投篮过程中篮球的检测框数据。
可选的，利用基于深度学习的物体检测算法，对进球视频投篮阶段的每一视频帧进行检测，输出每一视频帧的篮球的检测框。
可选的，所述视频帧包括从投篮球员开始投篮动作到篮球进篮筐或进篮失败动作结束的视频片段的所有视频帧。
可选的，所述检测框数据包括检测框大小和检测框坐标。
可选的，对输出的篮球的检测框进行滤波，过滤掉检测错误的检测框，包括步骤：
将连续视频帧分为若干组当前帧和后一帧，计算当前帧和后一帧中两组检测框的欧式距离d；
若距离d大于预设的距离阈值dt，判断后一帧中的检测框为误检的检测框，将其过滤；
若距离d小于预设的距离阈值dt，判断后一帧中的检测框为检测正确的检测框，将其保留。
可选的，判断从篮球员出手投篮时刻所对应的视频帧开始到篮球进入篮筐或脱离篮筐时刻所对应的视频帧结束的所有视频帧中，误检的检测框是否全部被过滤掉；
如有未被过滤的误检的检测框，则将其过滤；
如已经过滤掉或有漏检的视频帧，则记录下被过滤掉检测框或有漏检的视频帧的前一帧中篮球的检测框da和帧号a；
向后遍历每一帧如果某一帧中出现了篮球的检测框，则记录下该帧中篮球的检测框db和帧号b；
通过检测框da的坐标和检测框db的坐标，计算a+1帧开始到b-1帧结束的检测框的坐标。
可选的，计算da和db在x和y方向上的距离，并计算视频帧b和视频帧a之间所有帧的篮球检测框的平均坐标值：x_avg,y_avg；
从a+1帧开始到b-1帧结束，依次将第a帧的检测框的x和y加上x_avg和y_avg作为该视频帧中检测框的位置，并以第a帧中检测框的大小作为该视频帧中篮球的检测框大小。
可选的，所述检测框的大小为帧号a的检测框的大小。
可选的，篮球检测模型训练步骤为，
获取各类篮球比赛视频；
对所述篮球比赛视频，抽取视频帧，并将其保存成图片，将所有非比赛片段的图片删除
对图片中篮球检测框进行标注；
利用标注数据训练基于卷积神经网络的篮球检测模型。
本发明还提供一种篮球位置点的生成设备，包括：
视频获取单元，获取需要处理的视频，输出视频帧；
模型训练单元，训练篮球检测模型，以实现自动识别篮球目标，输出检测框；
第一处理单元，将视频帧输入篮球检测模型，输出每一视频帧中的检测框；
第二处理单元，过滤检测错误输出的检测框；
第三处理单元，补充被过滤掉错误输出检测框和/或有漏检检测框的视频帧上的实际检测框；
输出单元，输出在视频中最终的篮球位置点图。
本发明的有益效果：
本发明通过可以实现篮球投篮片段中篮球位置和大小的自动检测、过滤、补充，从而生成准确的篮球位置和大小信息，取消了人工参与，极大地提高篮球投篮过程中篮球位置和大小的生成效率，。
本发明采用基于图像检测的深度学习算法，使得该算法的泛化能力大幅提升，从而扩展了该算法的使用场景。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明篮球位置点的生成方法流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种篮球位置点的生成方法，包括以下步骤：
基于深度学习训练篮球检测模型；
获取投篮过程视频的连续视频帧；
将视频帧输入篮球检测模型，输出篮球的检测框；
过滤错误输出的检测框；
根据未被过滤的检测框计算出被过滤检测框和/或有漏检检测框的视频帧上的实际检测框数据，生成完整的投篮过程中篮球的检测框数据。
其中，所述检测框数据包括检测框大小和检测框坐标，即篮球位置点。
具体的，步骤1，利用基于深度学习的物体检测算法，对进球视频片段从投篮球员出手时的视频帧开始到篮球进入球框的视频帧结束的每一帧进行检测，输出篮球的检测框(即篮球的位置、大小)；
步骤2，对步骤1中输出的篮球检测框进行滤波，过滤掉因为误检导致的错误检测框；
步骤3，根据正确的练球检测框计算出，步骤2中过滤后的没有篮球检测框和/或有漏检检测框的视频帧中的正确篮球检测框，并对其进行补充，将因检测错误而被过滤掉的篮球位置和/或有漏检的篮球位置补充完整，从而生成完整的投篮过程中篮球位置点数据。
需要说明的是，本实施例所说的正确检测框和错误检测框并非绝对意义上的正确和错误，是为了更好的理解本方案，在检测过程中所拟定的相对“正确”和“错误”概念。
其中，步骤1，利用基于深度学习的物体检测算法，对进球视频投篮阶段的每一视频帧进行检测，输出每一帧的篮球的检测框，具体步骤如下：
1)训练篮球检测模型
a)准备各类篮球比赛视频，如果视频数据量过少，也可通过爬虫爬取篮球比赛相关图片。
b)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。
c)通过人工的方式对过滤后的所有图片进行标注，标注内容为篮球检测框(即篮球的的位置、大小)。
d)利用上述标注数据训练基于卷积神经网络的篮球检测模型。
本实施例使用的是YOLOV3检测模型，利用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。
2)利用篮球检测算法处理进球视频片段过程如下：
利用上述训练好的篮球检测模型，对篮球进球视频片段投篮过程的每一帧进行检测，输出篮球的检测框。即视频帧包括从投篮球员开始投篮动作到篮球进篮筐或进篮失败动作结束的视频片段的视频帧。
步骤2：对输出的篮球的检测框进行滤波，过滤掉检测错误的检测框，包括以下步骤：
将连续视频帧分为若干组当前帧和后一帧，计算当前帧和后一帧中两组检测框的欧式距离d；
具体的可以是，从篮球员出手投球时刻所对应的视频帧开始到篮球进入篮筐时刻结束，分别计算所有的当前帧和后一帧中篮球的欧式距离d；
若距离d大于预设的距离阈值dt，判断后一帧中的检测框为误检的检测框，将其过滤，然后进行后续的视频帧的判断和过滤步骤；
若距离d小于预设的距离阈值dt，判断后一帧中的检测框为检测正确的检测框，将其保留，然后进行后续的视频帧的判断和过滤步骤。
其中，阈值dt的设定方法有多种，技术员可以根据经验进行设定，其包括：
1)经过若干个视频进行测试后，计算出一个相对准确的阈值。
2)通过统计，计算若干个视频，统计下所有视频中不同帧篮球距离的中位数，以此中位数作为阈值dt。
3)通过人工标记的方式，标记若干个视频中篮球的位置，然后统计距离中位数以此中位数作为阈值dt。
需要说明的是，通常在投篮过程中，如果某一帧中的篮球检测框出现了误检，那么该视频帧中的篮球检测框距离前后其他帧中篮球的位置都很远，因而本实施例利用该信息对篮球检测框进行过滤。
步骤3：对步骤2中过滤后的篮球检测框和/或有漏检的检测框进行补充，将因检测错误而被过滤掉的篮球位置和/或有漏检的篮球位置补充完整，从而生成完整的投篮过程中篮球的位置点数据。具体包括以下步骤：
判断从篮球员出手投篮时刻所对应的视频帧开始到篮球进入篮筐或脱离篮筐时刻所对应的视频帧结束的所有视频帧中，误检的检测框是否全部被过滤掉；
如有未被过滤的误检的检测框，则将其过滤；
如已经过滤掉或有漏检的视频帧，则记录下被过滤掉检测框或有漏检的视频帧的前一帧中篮球的检测框da和帧号a；
向后遍历每一帧如果某一帧中出现了篮球的检测框，则记录下该帧中篮球的检测框db和帧号b；
通过检测框da的坐标和检测框db的坐标，计算a+1帧开始到b-1帧结束的检测框的坐标。
首先，计算da和db在x和y方向上的距离，并计算视频帧b和视频帧a之间(即b-a)所有帧的篮球检测框的平均坐标值：x_avg,y_avg；
然后从a+1帧开始到b-1帧结束，依次将第a帧的检测框的x和y加上x_avg和y_avg作为该视频帧中篮球检测框(即篮球)的位置，并以第a帧中检测框的大小作为该视频帧中篮球的检测框大小。继续b帧之后的视频帧的处理，其处理方式如上述。
本实施例中模型训练主要采用的是one-stage的YOLOv3，当然，也不排除使用其他的检测方法如YOLOv1、YOLOv2、SSD、DSSD、R-RCN、FPN FRCN、RetinaNet-50-500、RetinaNet-101-500、RetinaNet-101-800、RCNN、Fast RCNN、Faster RCNN、Mask RCNN等。没有具体的限制，根据不同的需求可以选用不同的目标检测算法。
本发明实施例还提供一种篮球位置点的生成设备，包括：
视频获取单元，获取需要处理的视频，输出视频帧；
模型训练单元，训练篮球检测模型，以实现自动识别篮球目标，输出检测框；
第一处理单元，将视频帧输入篮球检测模型，输出每一视频帧中的检测框；
第二处理单元，过滤检测错误输出的检测框；
第三处理单元，补充被过滤掉错误输出检测框和/或有漏检检测框的视频帧上的实际检测框；
输出单元，输出在视频中最终的篮球位置点图。
进一步的，本发明实施例还提供一种计算机存储介质，包括指令，执行上述方法步骤。具体的各个步骤之间的执行顺序详见上述实施例，本申请在此不再赘述。
进一步的，本发明实施例还提供一种计算机程序产品，该计算机程序产品包括计算机执行指令，该计算机执行指令存储在计算机可读存储介质中；至少一个处理器执行该计算机执行指令使得上述实施例的方法步骤执行。需要说明的是，上述步骤的具体执行顺序可以参见上述实施例中的描述，本申请在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
所述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种篮球位置点的生成方法，其特征在于，包括以下步骤：
基于深度学习训练篮球检测模型；
获取投篮过程视频的连续视频帧；
将视频帧输入篮球检测模型，输出篮球的检测框；
过滤错误输出的检测框；
根据未被过滤的检测框计算出被过滤检测框和/或漏检检测框的视频帧上的实际检测框数据；生成完整的投篮过程中篮球的检测框数据。
2.根据权利要求1所述的篮球位置点的生成方法，其特征在于，利用基于深度学习的物体检测算法，对进球视频投篮阶段的每一视频帧进行检测，输出每一视频帧的篮球的检测框。
3.根据权利要求1或2所述的篮球位置点的生成方法，其特征在于，所述视频帧包括从投篮球员开始投篮动作到篮球进篮筐或进篮失败动作结束的视频片段的所有视频帧。
4.根据权利要求1所述的篮球位置点的生成方法，其特征在于，所述检测框数据包括检测框大小和检测框坐标。
5.根据权利要求1所述的篮球位置点的生成方法，其特征在于，对输出的篮球的检测框进行滤波，过滤掉检测错误的检测框，包括步骤：
将连续视频帧分为若干组当前帧和后一帧，计算当前帧和后一帧中两组检测框的欧式距离d；
若距离d大于预设的距离阈值dt，判断后一帧中的检测框为误检的检测框，将其过滤；
若距离d小于预设的距离阈值dt，判断后一帧中的检测框为检测正确的检测框，将其保留。
6.根据权利要求1或5所述的篮球位置点的生成方法，其特征在于，判断从篮球员出手投篮时刻所对应的视频帧开始到篮球进入篮筐或脱离篮筐时刻所对应的视频帧结束的所有视频帧中，误检的检测框是否全部被过滤掉；
如有未被过滤的误检的检测框，则将其过滤；
如已经过滤掉和/或有漏检的视频帧，则记录下被过滤掉检测框和/或有漏检的视频帧的前一帧中篮球的检测框da和帧号a；
向后遍历每一帧如果某一帧中出现了篮球的检测框，则记录下该帧中篮球的检测框db和帧号b；
通过检测框da的坐标和检测框db的坐标，计算a+1帧开始到b-1帧结束的检测框的坐标。
7.根据权利要求6所述的篮球位置点的生成方法，其特征在于，
计算da和db在x和y方向上的距离，并计算视频帧b和视频帧a之间所有帧的篮球检测框的平均坐标值：x_avg,y_avg；
从a+1帧开始到b-1帧结束，依次将第a帧的检测框的x和y加上x_avg和y_avg作为该视频帧中检测框的位置，并以第a帧中检测框的大小作为该视频帧中篮球的检测框大小。
8.根据权利要求7所述的篮球位置点的生成方法，其特征在于，所述检测框的大小为帧号a的检测框的大小。
9.根据权利要求1所述的篮球位置点的生成方法，其特征在于，篮球检测模型训练步骤为，
获取各类篮球比赛视频；
对所述篮球比赛视频，抽取视频帧，并将其保存成图片，将所有非比赛片段的图片删除；
对图片中篮球检测框进行标注；
利用标注数据训练基于卷积神经网络的篮球检测模型。
10.一种篮球位置点的生成设备，其特征在于，包括：
视频获取单元，获取需要处理的视频，输出视频帧；
模型训练单元，训练篮球检测模型，以实现自动识别篮球目标，输出检测框；
第一处理单元，将视频帧输入篮球检测模型，输出每一视频帧中的检测框；
第二处理单元，过滤检测错误输出的检测框；
第三处理单元，补充被过滤掉错误输出检测框或有漏检检测框的视频帧上的实际检测框；
输出单元，输出在视频中最终的篮球位置点图。
CN202010406703.XA 2020-05-14 2020-05-14 一种篮球位置点的生成方法及设备 Active CN111626155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406703.XA CN111626155B (zh) 2020-05-14 2020-05-14 一种篮球位置点的生成方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406703.XA CN111626155B (zh) 2020-05-14 2020-05-14 一种篮球位置点的生成方法及设备

Publications (2)

Publication Number Publication Date
CN111626155A true CN111626155A (zh) 2020-09-04
CN111626155B CN111626155B (zh) 2023-08-01

Family

ID=72271909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406703.XA Active CN111626155B (zh) 2020-05-14 2020-05-14 一种篮球位置点的生成方法及设备

Country Status (1)

Country Link
CN (1) CN111626155B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802051A (zh) * 2021-02-02 2021-05-14 新华智云科技有限公司 基于神经网络的篮球投篮曲线的拟合方法及系统
CN113537168A (zh) * 2021-09-16 2021-10-22 中科人工智能创新技术研究院(青岛)有限公司 一种用于转播和球场监控场景的篮球进球检测方法及系统
CN114677500A (zh) * 2022-05-25 2022-06-28 松立控股集团股份有限公司 一种基于眼动仪点标注信息的弱监督视频车牌识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150195625A1 (en) * 2012-10-10 2015-07-09 Fujitsu Limited Information processing apparatus, information processing system, recording medium, and method for transmission and reception of moving image data
US20190198027A1 (en) * 2016-10-31 2019-06-27 Tencent Technology (Shenzhen) Company Limited Audio frame loss recovery method and apparatus
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
CN110298231A (zh) * 2019-05-10 2019-10-01 新华智云科技有限公司 一种用于篮球比赛视频进球判定的方法及系统
CN110929596A (zh) * 2019-11-07 2020-03-27 河海大学 一种基于智能手机和人工智能的投篮训练系统与方法
CN111031351A (zh) * 2020-03-11 2020-04-17 北京三快在线科技有限公司 一种预测目标物轨迹的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150195625A1 (en) * 2012-10-10 2015-07-09 Fujitsu Limited Information processing apparatus, information processing system, recording medium, and method for transmission and reception of moving image data
US20190198027A1 (en) * 2016-10-31 2019-06-27 Tencent Technology (Shenzhen) Company Limited Audio frame loss recovery method and apparatus
CN110298231A (zh) * 2019-05-10 2019-10-01 新华智云科技有限公司 一种用于篮球比赛视频进球判定的方法及系统
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
CN110929596A (zh) * 2019-11-07 2020-03-27 河海大学 一种基于智能手机和人工智能的投篮训练系统与方法
CN111031351A (zh) * 2020-03-11 2020-04-17 北京三快在线科技有限公司 一种预测目标物轨迹的方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802051A (zh) * 2021-02-02 2021-05-14 新华智云科技有限公司 基于神经网络的篮球投篮曲线的拟合方法及系统
CN112802051B (zh) * 2021-02-02 2022-05-17 新华智云科技有限公司 基于神经网络的篮球投篮曲线的拟合方法及系统
CN113537168A (zh) * 2021-09-16 2021-10-22 中科人工智能创新技术研究院(青岛)有限公司 一种用于转播和球场监控场景的篮球进球检测方法及系统
CN113537168B (zh) * 2021-09-16 2022-01-18 中科人工智能创新技术研究院(青岛)有限公司 一种用于转播和球场监控场景的篮球进球检测方法及系统
CN114677500A (zh) * 2022-05-25 2022-06-28 松立控股集团股份有限公司 一种基于眼动仪点标注信息的弱监督视频车牌识别方法
CN114677500B (zh) * 2022-05-25 2022-08-23 松立控股集团股份有限公司 一种基于眼动仪点标注信息的弱监督视频车牌识别方法

Also Published As

Publication number Publication date
CN111626155B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN111626155A (zh) 一种篮球位置点的生成方法及设备
CN108810620B (zh) 识别视频中的关键时间点的方法、装置、设备及存储介质
CN109657100B (zh) 视频集锦生成方法及装置、电子设备及存储介质
CN110276309B (zh) 视频处理方法、装置、计算机设备及存储介质
CN109086734B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
CN111680543B (zh) 动作识别方法、装置及电子设备
CN104396231A (zh) 图像处理装置和图像处理方法
CN112738640B (zh) 一种视频流的字幕的确定方法、装置及可读存储介质
CN109409294B (zh) 基于对象运动轨迹的停球事件的分类方法和系统
CN110766711A (zh) 一种视频镜头分割方法、系统、装置和存储介质
CN110516572B (zh) 一种识别体育赛事视频片段的方法、电子设备及存储介质
CN114897762B (zh) 一种煤矿工作面采煤机自动定位方法及装置
CN109460724B (zh) 基于对象检测的停球事件的分离方法和系统
CN109117748B (zh) 翻页检测方法及装置
CN113869230A (zh) 足球进球类型识别方法、装置、系统及存储介质
CN111901499B (zh) 一种计算视频图像中像素实际距离的方法及设备
KR20220098309A (ko) 대상 검출 방법, 장치 및 전자 디바이스
CN115376210B (zh) 泳池防溺水的溺水行为识别方法、装置、设备及介质
CN116343082A (zh) 一种起跳踩线检测方法、装置、存储介质及计算机设备
CN113537168B (zh) 一种用于转播和球场监控场景的篮球进球检测方法及系统
CN114359871A (zh) 车辆可行驶区域的区域边缘检测方法、装置和存储介质
CN111353511B (zh) 号码识别装置及方法
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质
CN117411987B (zh) 监控视频的漏录时间检测方法、设备及存储介质
CN117274372A (zh) 一种自动判断运动员投球出手的方法及系统

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