CN112183361A - 一种结合目标检测与动态差分的进球检测方法及系统 - Google Patents
一种结合目标检测与动态差分的进球检测方法及系统 Download PDFInfo
- Publication number
- CN112183361A CN112183361A CN202011049677.6A CN202011049677A CN112183361A CN 112183361 A CN112183361 A CN 112183361A CN 202011049677 A CN202011049677 A CN 202011049677A CN 112183361 A CN112183361 A CN 112183361A
- Authority
- CN
- China
- Prior art keywords
- goal
- image
- detected
- detection
- video
- 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
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
- G06F18/21—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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
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)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种结合目标检测与动态差分的进球检测方法及系统,包括:采集场景数据和待测视频,对场景数据中的进球区域进行标注;建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;将待测视频输入进球检测模型获取待测视频的进球区域坐标;将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
Description
技术领域
本公开涉及计算机视觉,特别涉及结合目标检测与动态差分的进球检测方法及系统。
背景技术
目标检测方法在智能视频监控、自动驾驶等应用场景中得到了广泛的应用,在体育方面也有潜在应用方向。当举行篮球比赛时,需要记分表或记分员来记录分数。然而,要为所有的篮球比赛安排记分表或计分员是不切实际的,特别是对于业余比赛。因此,篮球场的自动得分检测和计数是可行的。更重要的是,现在是社交网络的时代,球员们想要在篮球场上分享他们在篮球场上的亮点,如何实现自动检测篮球得分,从而有助于应用程序剪切、上传、存储和分享精彩视频是目前亟待解决的技术问题。
发明内容
为了解决上述技术问题,本公开将目标检测方法引入到篮球领域,提出了一种基于目标检测器和动态差分计分检测器的篮球得分检测系统。
第一方面,本公开提供了一种结合目标检测与动态差分的进球检测方法,包括:
采集场景数据和待测视频,对场景数据中的进球区域进行标注;
建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;
将待测视频输入进球检测模型获取待测视频的进球区域坐标;
将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;
判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
第二方面,本公开提供了一种结合目标检测与动态差分的进球检测系统,包括:
数据采集模块,被配置为:采集场景数据和待测视频,对场景数据中的进球区域进行标注;
进球区域坐标获取模块,被配置为:建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;将待测视频输入进球检测模型获取待测视频的进球区域坐标;
进球检测模块,被配置为:将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
第三方面,本公开提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如第一方面所述的结合目标检测与动态差分的进球检测方法。
第四方面,本公开提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如第一方面所述的结合目标检测与动态差分的进球检测方法。
与现有技术对比,本公开具备以下有益效果:
1、本公开利用快速目标检测算法来定位视频中篮球篮筐的位置,计算机图形学算法来检测篮圈区域内是否有任何物体运动,以确定是否有进球得分,解决了如何实现自动检测篮球得分,从而有助于应用程序剪切、上传、存储和分享精彩视频问题,考虑到实时性和实用性的要求,在进球检测系统中采用了简单高效的方法。
2、本公开目标检测算法和图形学算法的应用保证了系统在实际使用中能够满足实时运行的要求。实验和在实际篮球场场景中的应用验证了该系统的有效性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本公开的进球检测算法流程图;
图2是本公开的进球检测模型示意图;
图3是本公开的进球检测系统演示图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的目的是针对篮球场景中,进球检测自动记分问题中遇到的难题,一方面引入了目标检测算法,快速确定篮筐区域,一方面通过计算机图形学技术对目标场景内视觉数据做处理分析,获取目标场景下物体的运动情况。首先需要快速目标检测算法,在使用过程中快速定位目标区域;然后设计一种利用动态差分方法获取运动目标的算法,判断篮筐区域是否有进球动作;最后本公开将算法封装成进球检测系统,用以实际测试部署。
为实现上述目的,提供一种基于目标检测框架(以YoLo-V3为例)的进球检测方法。考虑到实时性和实用性的要求,在进球检测系统中采用了简单高效的方法。如图2所示,进球检测系统采用篮球场的视频作为输入。之后,利用快速目标检测算法来定位视频中篮球篮筐的位置。然后利用计算机图形学算法来检测篮圈区域内是否有任何物体运动,以确定是否有进球得分。目标检测算法和图形学算法的应用保证了系统在实际使用中能够满足实时运行的要求。实验和在实际篮球场场景中的应用验证了该系统的有效性。
如图1所示,一种结合目标检测与动态差分的进球检测方法,包括:
采集场景数据和待测视频,对场景数据中的进球区域进行标注;
建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;
将待测视频输入进球检测模型获取待测视频的进球区域坐标;
将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;
判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
进一步的,所述将待测视频进行预处理获得待测图像的步骤包括,将待测视频中每一帧做灰度化处理,并进行高斯滤波,减少噪声干扰,获取待测图像。
进一步的,所述对待测图像通过动态差分算法处理获得运动目标图像的步骤包括,对待测图像采用动态差分算法获取差分图像,通过差分图像设定阈值,并对差分图像采用二值化处理获得二值化图像,对二值化图像进行连通性分析获得运动目标图像。
进一步的,所述对待测图像采用动态差分算法获取差分图像步骤包括,所述待测图像包括背景图像帧B和当前图像帧Fn,对背景图像帧B和当前图像帧Fn对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn。
进一步的,所述通过差分图像设定阈值,并对差分图像采用二值化处理获得二值化图像步骤包括,设定阈值T,所述阈值T小于差分图像最大灰度值,逐个对待测图像的像素点进行二值化处理,得到二值化图像R′n;
进一步的,所述通过标注后的场景数据对进球检测模型进行训练步骤包括,对标注后的场景数据做K均值聚类,获得篮筐数据目标检测框尺寸分布,用于初始化适合篮筐检测的目标检测框尺寸;依据初始化目标检测框尺寸和标注数据训练篮筐检测模型。
进一步的,还包括采用反向传播算法和随机梯度下降法来减小预测整体误差训练篮筐检测模型,经过多次迭代训练得到训练完成的篮筐检测模型。
具体的,图1为本公开进球检测方法的流程图,如图所示,本公开具体包括如下步骤:
步骤S0,采集篮球场景数据,标注篮筐区域,用于训练篮筐检测模型(以YoLo-V3为例);
步骤S1,对S0中标注的数据做K均值聚类,获得篮筐数据目标检测框尺寸分布,用于初始化适合篮筐检测的目标检测框尺寸。
步骤S2,依据步骤S1初始化目标检测框尺寸,并用S0中的标注数据训练篮筐检测模型,其损失函数为:
loss=λcoord(lossxy+losswh)+lossconfidence+lossclass
lossxy:中心坐标误差,采用误差平方损失函数,对K×K网格,每个网格产生M个候选框,对每个候选框计算中心坐标误差。
losswh:宽高坐标误差,与中心坐标误差类似,对小物体回归损失乘了一个系数2-wi×hi,越小的物体,回归损失越大,有利于模型更好的检测小物体。
lossconfidence:置信度误差,采用二值交叉熵,分为obj和noobj两种情况计算。当检测框和真实框的iou高于0.5时,该检测框有对应的真实框, 当检测框和真实框的iou低于0.5,该检测框无对应的真实框,
lossclass:分类误差,采用二值交叉熵:
步骤S3,采用反向传播算法和随机梯度下降法来减小预测整体误差loss以训练该模型,经过多次迭代训练得到最终的篮筐检测模型;
步骤S4,获得篮球场景下固定视角的监控视频流;
步骤S5,利用S3中训练好的篮筐检测模型对视频流第一帧做篮筐检测,获取篮筐区域坐标;
步骤S6,将视频流中每一帧做灰度化处理,并进行高斯滤波,减少噪声干扰;
步骤S7,采用动态差分算法,以帧差法为例,取背景图像帧B,记当前图像帧为Fn,背景帧和当前帧对应像素点的灰度值分别记为B(x,y)和Fn(x,y),对两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:
Dn(x,y)=|Fn(x,y)-B(x,y)|
步骤S8,设定阈值T,逐个对像素点进行二值化处理,得到二值化图像R′n。其中,灰度值255的点即为前景(运动目标)点,灰度值为0的点即为背景点;
步骤S9,对图像R′n进行连通性分析,最终可得到含有完整运动目标的图像Rn;
步骤S10,对S5中获取的篮筐区域内判断是否有运动目标,如果有运动目标则判断为进球;
步骤S11,将整套算法封装为进球检测系统。
实施例2
本公开还提供了一种结合目标检测与动态差分的进球检测系统,包括:
数据采集模块,被配置为:采集场景数据和待测视频,对场景数据中的进球区域进行标注;
进球区域坐标获取模块,被配置为:建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;将待测视频输入进球检测模型获取待测视频的进球区域坐标;
进球检测模块,被配置为:将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
进一步的,所述数据采集模块、进球区域坐标获取模块和进球检测模块所被配置的具体步骤为上述实时例1所述的结合目标检测与动态差分的进球检测方法。
在其他实施例中,本公开还提供了:
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如上述实施例中所述的结合目标检测与动态差分的进球检测方法。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如上述实施例中所述的结合目标检测与动态差分的进球检测方法。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种结合目标检测与动态差分的进球检测方法,其特征在于,包括:
采集场景数据和待测视频,对场景数据中的进球区域进行标注;
建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;
将待测视频输入进球检测模型获取待测视频的进球区域坐标;
将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;
判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
2.如权利要求1所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述对待测图像通过动态差分算法处理获得运动目标图像的步骤包括,对待测图像采用动态差分算法获取差分图像,通过差分图像设定阈值,并对差分图像采用二值化处理获得二值化图像,对二值化图像进行连通性分析获得运动目标图像。
3.如权利要求2所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述对待测图像采用动态差分算法获取差分图像步骤包括,所述待测图像包括背景图像帧和当前图像帧,对背景图像帧和当前图像帧对应像素点的灰度值进行相减,并取其绝对值,得到差分图像。
4.如权利要求2所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述通过差分图像设定阈值,并对差分图像采用二值化处理获得二值化图像步骤包括,设定阈值,所述阈值小于差分图像的最大灰度值,逐个对待测图像的像素点进行二值化处理,得到二值化图像。
5.如权利要求1所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述通过标注后的场景数据对进球检测模型进行训练步骤包括,对标注后的场景数据做K均值聚类,获得篮筐数据目标检测框尺寸分布,用于初始化适合篮筐检测的目标检测框尺寸;依据初始化目标检测框尺寸和标注数据训练篮筐检测模型。
6.如权利要求1所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述通过标注后的场景数据对进球检测模型进行训练步骤还包括,采用反向传播算法和随机梯度下降法来减小预测整体误差训练篮筐检测模型,经过多次迭代训练得到训练完成的篮筐检测模型。
7.如权利要求1所述的结合目标检测与动态差分的进球检测方法,其特征在于,所述将待测视频进行预处理获得待测图像的步骤包括,将待测视频中每一帧做灰度化处理,并进行高斯滤波获取待测图像。
8.一种结合目标检测与动态差分的进球检测系统,其特征在于,包括:
数据采集模块,被配置为:采集场景数据和待测视频,对场景数据中的进球区域进行标注;
进球区域坐标获取模块,被配置为:建立进球检测模型,通过标注后的场景数据对进球检测模型进行训练,获得训练完成的进球检测模型;将待测视频输入进球检测模型获取待测视频的进球区域坐标;
进球检测模块,被配置为:将待测视频进行预处理获得待测图像,对待测图像通过动态差分算法处理获得运动目标图像;判断运动目标图像是否有运动目标在进球区域坐标内,若有则输出进球数据,若无则输出没有进球数据。
9.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时,完成如权利要求1-7任一所述的结合目标检测与动态差分的进球检测方法。
10.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-7任一所述的结合目标检测与动态差分的进球检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049677.6A CN112183361A (zh) | 2020-09-29 | 2020-09-29 | 一种结合目标检测与动态差分的进球检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049677.6A CN112183361A (zh) | 2020-09-29 | 2020-09-29 | 一种结合目标检测与动态差分的进球检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183361A true CN112183361A (zh) | 2021-01-05 |
Family
ID=73946603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011049677.6A Pending CN112183361A (zh) | 2020-09-29 | 2020-09-29 | 一种结合目标检测与动态差分的进球检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183361A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609981A (zh) * | 2021-08-04 | 2021-11-05 | 深圳市菲普莱体育发展有限公司 | 一种基于视频识别进球的装置以及识别判断方法 |
CN114422851A (zh) * | 2022-01-24 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 视频剪辑方法、装置、电子设备和可读介质 |
CN114693556A (zh) * | 2022-03-25 | 2022-07-01 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物帧差法运动目标检测去拖影方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110929577A (zh) * | 2019-10-23 | 2020-03-27 | 桂林电子科技大学 | 一种基于YOLOv3的轻量级框架改进的目标识别方法 |
-
2020
- 2020-09-29 CN CN202011049677.6A patent/CN112183361A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110929577A (zh) * | 2019-10-23 | 2020-03-27 | 桂林电子科技大学 | 一种基于YOLOv3的轻量级框架改进的目标识别方法 |
Non-Patent Citations (1)
Title |
---|
张明月: "基于图像分析的篮球进球识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609981A (zh) * | 2021-08-04 | 2021-11-05 | 深圳市菲普莱体育发展有限公司 | 一种基于视频识别进球的装置以及识别判断方法 |
CN114422851A (zh) * | 2022-01-24 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 视频剪辑方法、装置、电子设备和可读介质 |
CN114693556A (zh) * | 2022-03-25 | 2022-07-01 | 英特灵达信息技术(深圳)有限公司 | 一种高空抛物帧差法运动目标检测去拖影方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
CN112183361A (zh) | 一种结合目标检测与动态差分的进球检测方法及系统 | |
US20200302181A1 (en) | System and method for generating visual analytics and player statistics | |
US8958641B2 (en) | Moving object detection device | |
CN110738101A (zh) | 行为识别方法、装置及计算机可读存储介质 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
JP6911915B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN108830185B (zh) | 基于多任务联合学习的行为识别及定位方法 | |
CN111814755A (zh) | 面向夜间运动场景的多帧图像行人检测方法和装置 | |
CN111881853A (zh) | 一种超大桥隧中异常行为识别方法和装置 | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
CN111833380B (zh) | 一种多视角影像融合的空间目标跟踪系统及方法 | |
CN108648210B (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
Trinh et al. | Efficient UAV video event summarization | |
Wu et al. | Automatic railroad track components inspection using hybrid deep learning framework | |
Hsu et al. | Coachai: A project for microscopic badminton match data collection and tactical analysis | |
Qian et al. | Adaptive field detection and localization in robot soccer | |
CN111985269A (zh) | 检测模型构建方法、检测方法、装置、服务器及介质 | |
CN117218633A (zh) | 一种物品检测方法、装置、设备及存储介质 | |
Chen et al. | Stingray detection of aerial images with region-based convolution neural network | |
Wang et al. | Deep learning-based human activity analysis for aerial images | |
CN116524376A (zh) | 一种遥感目标检测方法、系统、介质、设备及终端 | |
US20210012472A1 (en) | Adaptive video subsampling for energy efficient object detection | |
Pal et al. | A video-based human activity and motion direction classification framework for agricultural fields | |
Jurca et al. | A modern approach for positional football analysis using computer vision |
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 |