CN112733718B - 一种基于异物检测的台球比赛作弊识别方法和系统 - Google Patents

Abstract

本发明公开了一种基于异物检测的台球比赛作弊识别方法和系统，包括：获取连续帧的第一图像，对第一图像进行解析，确定手部与目标台球的第一距离及球杆与目标台球的第二距离；在确定第一距离小于第一距离阈值时，计算通过手部作弊的第一概率；在确定第二距离小于第二距离阈值时，计算通过球杆作弊的第二概率；根据第一概率及第二概率计算出比赛者作弊的第三概率，统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，在确定第一比值大于等于第一预设比值时，比赛者存在作弊行为。可以准确识别比赛者是否作弊，不需要人为监控，省时省力。

Description

一种基于异物检测的台球比赛作弊识别方法和系统

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于异物检测的台球比赛作弊识别方法和系统。

背景技术

台球是人们越来越喜欢的一种体育运动。在台球比赛中为比赛进行准确计分且识别比赛者是否作弊是人们重点研究的项目。现有技术中，通过监控设备监控整个比赛过程，不能准确的识别比赛者是否作弊，并且需要人为监控，费时费力。

发明内容

本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的第一个目的在于提出一种基于异物检测的台球比赛作弊识别方法，可以准确识别比赛者是否作弊，不需要人为监控，省时省力。

本发明的第二个目的在于提出一种基于异物检测的台球比赛作弊识别系统。

为达到上述目的，本发明第一方面实施例提出了一种基于异物检测的台球比赛作弊识别方法，包括：

获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

根据本发明的一些实施例，还包括：

在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

根据本发明的一些实施例，在获取连续帧的第一图像前，还包括：

对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

根据本发明的一些实施例，对所述运动物体进行识别，包括：

对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

根据本发明的一些实施例，对所述运动物体进行识别，包括：

将包括运动物体的图像输入至颜色空间，确定所述运动物体的所有像素点在颜色空间的各个颜色通道的取值信息，基于同一像素点在各个颜色通道的多个取值信息，生成颜色值；获取各个像素点的颜色值；

基于各个像素点的颜色值进行聚类分析，分别统计同一颜色值的像素点的个数；根据不同颜色值的像素点的个数，确定运动物体的颜色比例，判断所述颜色比例与预设颜色比例是否一致；所述预设颜色比例与运动台球的颜色比例；

在确定所述颜色比例与预设颜色比例一致时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

根据本发明的一些实施例，在根据所述轮廓线条确定运动物体的形状前，还包括：

根据公式(1)对所述轮廓线条通过卷积神经网络进行平滑处理；

其中，W(k)为未进行平滑处理前的轮廓线条的离散信号；W^N(k)为在卷积神经网络中经过N次迭代后得到的轮廓线条的平滑信号；S为未进行平滑处理前的轮廓线条；M为轮廓线条上的像素点的数量；T^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的权值，T^N-1(k+i)＞0；W^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的平滑信号；

在经过平滑处理后的轮廓线条上选取像素点j，根据所述像素点j，将轮廓线条进行划分成两段，确定这两段的中心点分别为第一中心点及第二中心点；根据所述第一中心点及像素点j通过公式(2)计算得到第一方向角；根据所述第二中心点及像素点j通过公式(3)计算得到第二方向角；

其中，θ^a(j)为第一方向角；y(j)为像素点j的纵坐标；x(j)为像素点j的横坐标；y^a(j)为第一中心点的纵坐标；x^a(j)为第一中心点的横坐标；θ^b(j)为第二方向角；y^b(j)为第二中心点的纵坐标；x^b(j)为第二中心点的横坐标；

计算所述第一方向角和所述第二方向角的差值，根据所述差值对所述轮廓线条进行修正。

为达到上述目的，本发明第二方面实施例提出了一种基于异物检测的台球比赛作弊识别系统，包括：

第一获取模块，用于获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

第一确定模块，用于根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

计算模块，用于在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

第一判断模块，用于根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

第二判断模块，用于统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

第二确定模块，用于在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

根据本发明的一些实施例，还包括：

第二获取模块，用于在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

识别模块，用于对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

第三获取模块，根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

第三判断模块，用于根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

第四判断模块，用于统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

第三确定模块，用于在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

根据本发明的一些实施例，还包括：

第四获取模块，用于在所述第一获取模块获取连续帧的第一图像前对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

第五获取模块，用于构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

第四确定模块，用于根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

报警模块，用于根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

根据本发明的一些实施例，所述识别模块，包括：

获取子模块，用于对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

第一判断子模块，用于根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

第二判断子模块，用于根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

确定子模块，用于在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

根据本发明实施例提出的一种基于异物检测的台球比赛作弊识别方法和系统，根据击球前比赛者的手部及球杆计算出第三概率，统计大于第一预设概率阈值的第三概率对应的第一图像的数量，进而计算得到第一比值，与第一预设比值进行比较，进而准确判断比赛者在击球前是否通过手部及球杆进行作弊。在比赛者击球后进行运动异物检测，准确判断比赛者在击球后是否存在作弊行为，实现自动化检测，避免人为监控，省时省力。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一个实施例的一种基于异物检测的台球比赛作弊识别方法的流程图；

图2是根据本发明一个实施例的一种基于异物检测的台球比赛作弊识别系统的框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明第一方面实施例提出了一种基于异物检测的台球比赛作弊识别方法，包括步骤S1-S6：

S1、获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

S2、根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

S3、在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

S4、根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

S5、统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

S6、在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

上述技术方案的工作原理：在比赛者击球前通过静态异物检测进行作弊判断，静态异物包括比赛者的手部、球杆等。获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

上述技术方案的有益效果：根据击球前比赛者的手部及球杆计算出第三概率，统计大于第一预设概率阈值的第三概率对应的第一图像的数量，进而计算得到第一比值，与第一预设比值进行比较，进而准确判断比赛者在击球前是否通过手部及球杆进行作弊。

根据本发明的一些实施例，还包括：

在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

上述技术方案的工作原理：在确定所述第一比值小于第一预设比值时，表示比赛者在击球前未进行作弊，在比赛者击球后，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；通过运动异物检测进行作弊判断，具体的，对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

上述技术方案的有益效果：在比赛者击球后进行运动异物检测，准确判断比赛者在击球后是否存在作弊行为，实现自动化检测，避免人为监控，省时省力。

根据本发明的一些实施例，在获取连续帧的第一图像前，还包括：

对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

上述技术方案的工作原理：在获取连续帧的第一图像前，对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；第一直方图为从人体的身体的左侧到右侧的空间位置为横坐标，轮廓图像的灰度值在单位空间位置长度内出现的频率为纵坐标的直方图；第二直方图为以人体的头顶到脚底的空间位置为纵坐标，轮廓图像的灰度值在单位空间位置长度内出现的频率为横坐标的直方图。根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

上述技术方案的有益效果：准确识别比赛者的击球姿势并判断与预设击球姿势是否一致。预设击球姿势为标准击球姿势。在确定两者不一致时，发出报警提示，提醒比赛者用标准击球姿势进行击球，能够有效预防比赛者的在击球前的作弊行为。

根据本发明的一些实施例，对所述运动物体进行识别，包括：

对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的工作原理：对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的有益效果：根据识别出的运动物体的形状及平均灰度值准确判断该运动物体是否为运动台球，在确定不是运动台球时，即为运动异物。实现对运动台球及运动异物的准确识别，进而提高识别比赛者在击球后的作弊行为。

根据本发明的一些实施例，对所述运动物体进行识别，包括：

将包括运动物体的图像输入至颜色空间，确定所述运动物体的所有像素点在颜色空间的各个颜色通道的取值信息，基于同一像素点在各个颜色通道的多个取值信息，生成颜色值；获取各个像素点的颜色值；

基于各个像素点的颜色值进行聚类分析，分别统计同一颜色值的像素点的个数；根据不同颜色值的像素点的个数，确定运动物体的颜色比例，判断所述颜色比例与预设颜色比例是否一致；所述预设颜色比例与运动台球的颜色比例；

在确定所述颜色比例与预设颜色比例一致时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的工作原理：将包括运动物体的图像输入至颜色空间，确定所述运动物体的所有像素点在颜色空间的各个颜色通道的取值信息，基于同一像素点在各个颜色通道的多个取值信息，生成颜色值；获取各个像素点的颜色值；颜色通道包括：H通道、S通道、V通道；颜色值用于表示像素点的颜色。基于各个像素点的颜色值进行聚类分析，分别统计同一颜色值的像素点的个数；根据不同颜色值的像素点的个数，确定运动物体的颜色比例，判断所述颜色比例与预设颜色比例是否一致；所述预设颜色比例与运动台球的颜色比例；在确定所述颜色比例与预设颜色比例一致时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的有益效果：根据运动物体的颜色比例准确判断该运动物体是否为运动台球，在确定不是运动台球时，即为运动异物。实现对运动台球及运动异物的准确识别，进而提高识别比赛者在击球后的作弊行为。

根据本发明的一些实施例，在根据所述轮廓线条确定运动物体的形状前，还包括：

根据公式(1)对所述轮廓线条通过卷积神经网络进行平滑处理；

其中，W(k)为未进行平滑处理前的轮廓线条的离散信号；W^N(k)为在卷积神经网络中经过N次迭代后得到的轮廓线条的平滑信号；S为未进行平滑处理前的轮廓线条；M为轮廓线条上的像素点的数量；T^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的权值，T^N-1(k+i)＞0；W^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的平滑信号；

在经过平滑处理后的轮廓线条上选取像素点j，根据所述像素点j，将轮廓线条进行划分成两段，确定这两段的中心点分别为第一中心点及第二中心点；根据所述第一中心点及像素点j通过公式(2)计算得到第一方向角；根据所述第二中心点及像素点j通过公式(3)计算得到第二方向角；

其中，θ^a(j)为第一方向角；y(j)为像素点j的纵坐标；x(j)为像素点j的横坐标；y^a(j)为第一中心点的纵坐标；x^a(j)为第一中心点的横坐标；θ^b(j)为第二方向角；y^b(j)为第二中心点的纵坐标；x^b(j)为第二中心点的横坐标；

计算所述第一方向角和所述第二方向角的差值，根据所述差值对所述轮廓线条进行修正。

上述技术方案的工作原理及有益效果：对所述轮廓线条通过卷积神经网络进行平滑处理，可以消除轮廓线条在形成过程中误差及噪声的影响，使得轮廓线条更加的平滑，更加精准的表示运动物体的轮廓。在经过平滑处理后的轮廓线条上选取像素点j，根据所述像素点j，将轮廓线条进行划分成两段，确定这两段的中心点分别为第一中心点及第二中心点；根据所述第一中心点及像素点j计算得到第一方向角；根据所述第二中心点及像素点j计算得到第二方向角；计算所述第一方向角和所述第二方向角的差值，根据所述差值对所述轮廓线条进行修正。实现对平滑的轮廓线条的修正处理，使得修正后的轮廓线条更加的准确。

如图2所示，本发明第二方面实施例提出了一种基于异物检测的台球比赛作弊识别系统，包括：

第一获取模块，用于获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

第一确定模块，用于根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

计算模块，用于在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

第一判断模块，用于根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

第二判断模块，用于统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

第二确定模块，用于在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

上述技术方案的工作原理：在比赛者击球前通过静态异物检测进行作弊判断，静态异物包括比赛者的手部、球杆等。第一获取模块获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；第一确定模块根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；计算模块在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；第一判断模块根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；第二判断模块统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；第二确定模块在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

上述技术方案的有益效果：根据击球前比赛者的手部及球杆计算出第三概率，统计大于第一预设概率阈值的第三概率对应的第一图像的数量，进而计算得到第一比值，与第一预设比值进行比较，进而准确判断比赛者在击球前是否通过手部及球杆进行作弊。

根据本发明的一些实施例，还包括：

第二获取模块，用于在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

识别模块，用于对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

第三获取模块，根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

第三判断模块，用于根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

第四判断模块，用于统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

第三确定模块，用于在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

上述技术方案的工作原理：第二获取模块在确定所述第一比值小于第一预设比值时，表示比赛者在击球前未进行作弊，在比赛者击球后，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；通过运动异物检测进行作弊判断，具体的，识别模块对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；第三获取模块根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；第三判断模块根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；第四判断模块统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；第三确定模块在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

上述技术方案的有益效果：在比赛者击球后进行运动异物检测，准确判断比赛者在击球后是否存在作弊行为，实现自动化检测，避免人为监控，省时省力。

根据本发明的一些实施例，还包括：

第四获取模块，用于在所述第一获取模块获取连续帧的第一图像前对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

第五获取模块，用于构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

第四确定模块，用于根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

报警模块，用于根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

上述技术方案的工作原理：第四获取模块在获取连续帧的第一图像前，对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；第五获取模块构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；第一直方图为从人体的身体的左侧到右侧的空间位置为横坐标，轮廓图像的灰度值在单位空间位置长度内出现的频率为纵坐标的直方图；第二直方图为以人体的头顶到脚底的空间位置为纵坐标，轮廓图像的灰度值在单位空间位置长度内出现的频率为横坐标的直方图。第四确定模块根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；报警模块根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

上述技术方案的有益效果：准确识别比赛者的击球姿势并判断与预设击球姿势是否一致。预设击球姿势为标准击球姿势。在确定两者不一致时，发出报警提示，提醒比赛者用标准击球姿势进行击球，能够有效预防比赛者的在击球前的作弊行为。

根据本发明的一些实施例，所述识别模块，包括：

获取子模块，用于对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

第一判断子模块，用于根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

第二判断子模块，用于根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

确定子模块，用于在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的工作原理：获取子模块对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；第一判断子模块根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；第二判断子模块根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；确定子模块在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

上述技术方案的有益效果：根据识别出的运动物体的形状及平均灰度值准确判断该运动物体是否为运动台球，在确定不是运动台球时，即为运动异物。实现对运动台球及运动异物的准确识别，进而提高识别比赛者在击球后的作弊行为。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于异物检测的台球比赛作弊识别方法，其特征在于，包括：

获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

2.如权利要求1所述的基于异物检测的台球比赛作弊识别方法，其特征在于，还包括：

在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

3.如权利要求1所述的基于异物检测的台球比赛作弊识别方法，其特征在于，在获取连续帧的第一图像前，还包括：

对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

4.如权利要求2所述的基于异物检测的台球比赛作弊识别方法，其特征在于，对所述运动物体进行识别，包括：

对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

5.如权利要求2所述的基于异物检测的台球比赛作弊识别方法，其特征在于，对所述运动物体进行识别，包括：

将包括运动物体的图像输入至颜色空间，确定所述运动物体的所有像素点在颜色空间的各个颜色通道的取值信息，基于同一像素点在各个颜色通道的多个取值信息，生成颜色值；获取各个像素点的颜色值；

基于各个像素点的颜色值进行聚类分析，分别统计同一颜色值的像素点的个数；根据不同颜色值的像素点的个数，确定运动物体的颜色比例，判断所述颜色比例与预设颜色比例是否一致；所述预设颜色比例与运动台球的颜色比例；

在确定所述颜色比例与预设颜色比例一致时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

6.如权利要求4所述的基于异物检测的台球比赛作弊识别方法，其特征在于，在根据所述轮廓线条确定运动物体的形状前，还包括：

根据公式(1)对所述轮廓线条通过卷积神经网络进行平滑处理；

其中，W(k)为未进行平滑处理前的轮廓线条的离散信号；W^N(k)为在卷积神经网络中经过N次迭代后得到的轮廓线条的平滑信号；S为未进行平滑处理前的轮廓线条；M为轮廓线条上的像素点的数量；T^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的权值，T^N-1(k+i)＞0；W^N-1(k+i)为在卷积神经网络中第N-1次迭代时在第i个像素点处的平滑信号；

在经过平滑处理后的轮廓线条上选取像素点j，根据所述像素点j，将轮廓线条进行划分成两段，确定这两段的中心点分别为第一中心点及第二中心点；根据所述第一中心点及像素点j通过公式(2)计算得到第一方向角；根据所述第二中心点及像素点j通过公式(3)计算得到第二方向角；

其中，θ^a(j)为第一方向角；y(j)为像素点j的纵坐标；x(j)为像素点j的横坐标；y^a(j)为第一中心点的纵坐标；x^a(j)为第一中心点的横坐标；θ^b(j)为第二方向角；y^b(j)为第二中心点的纵坐标；x^b(j)为第二中心点的横坐标；

计算所述第一方向角和所述第二方向角的差值，根据所述差值对所述轮廓线条进行修正。

7.一种基于异物检测的台球比赛作弊识别系统，其特征在于，包括：

第一获取模块，用于获取连续帧的第一图像，所述第一图像为包括比赛者的手部、球杆及目标台球的图像；对所述第一图像进行解析，获取手部的第一位置信息、球杆的第二位置信息及目标台球的第三位置信息；

第一确定模块，用于根据所述手部的第一位置信息及所述目标台球的第三位置信息确定手部与目标台球的第一距离；根据球杆的第二位置信息及所述目标台球的第三位置信息，确定球杆与目标台球的第二距离；

计算模块，用于在确定所述第一距离小于第一距离阈值时，根据所述第一距离计算通过手部作弊的第一概率；在确定所述第二距离小于第二距离阈值时，根据所述第二距离计算通过球杆作弊的第二概率；

第一判断模块，用于根据第一概率及第二概率计算出比赛者作弊的第三概率，判断所述第三概率是否大于第一预设概率阈值；

第二判断模块，用于统计大于第一预设概率阈值的第三概率对应的第一图像的数量，计算所述大于第一预设概率阈值的第三概率对应的第一图像的数量与连续帧的第一图像的总数量的第一比值，并判断所述第一比值是否大于等于第一预设比值；

第二确定模块，用于在确定所述第一比值大于等于第一预设比值时，表示比赛者存在作弊行为。

8.如权利要求7所述的基于异物检测的台球比赛作弊识别系统，其特征在于，还包括：

第二获取模块，用于在确定所述第一比值小于第一预设比值时，获取连续帧的第二图像，所述第二图像为包括台球的台面及台面上台球的图像；

识别模块，用于对所述第二图像进行解析，提取所述第二图像中的运动物体的图像，对所述运动物体进行识别，分为运动台球及运动异物；

第三获取模块，根据所述运动台球获取目标台球及目标台球的第四位置信息；获取运动异物的第五位置信息；

第三判断模块，用于根据所述第四位置信息及所述第五位置信息，确定运动异物与目标台球的第三距离，根据所述第三距离计算通过运动异物作弊的第四概率，判断所述第四概率是否大于第二预设概率阈值；

第四判断模块，用于统计大于第二预设概率阈值的第四概率对应的第二图像的数量，计算所述大于第二预设概率阈值的第四概率对应的第二图像的数量与连续帧的第二图像的总数量的第二比值，并判断所述第二比值是否大于等于第二预设比值；

第三确定模块，用于在确定所述第二比值大于等于第二预设比值时，表示比赛者存在作弊行为。

9.如权利要求7所述的基于异物检测的台球比赛作弊识别系统，其特征在于，还包括：

第四获取模块，用于在所述第一获取模块获取连续帧的第一图像前对比赛者的身体进行扫描，获取扫描图像，对所述扫描图像进行预处理，获取比赛者的身体的轮廓图像；

第五获取模块，用于构建所述轮廓图像在垂直方向上的第一直方图及在水平方向上的第二直方图；根据所述第一直方图，获取人体的垂直中线的横坐标；根据所述第二直方图，获取人体的身高；

第四确定模块，用于根据所述人体的垂直中线的横坐标、人体的身高及预设人体比例模型，确定人体的各个肢体的位置；

报警模块，用于根据人体的各个肢体的位置，生成比赛者的击球姿势，判断所述击球姿势与预设击球姿势是否一致，在确定所述击球姿势与所述预设击球姿势不一致时，发出报警提示。

10.如权利要求8所述的基于异物检测的台球比赛作弊识别系统，其特征在于，所述识别模块，包括：

获取子模块，用于对包括运动物体的图像在图像灰度化处理后进行特征提取，获取所述运动物体的所有像素点的灰度值及位置信息；

第一判断子模块，用于根据所有像素点的位置信息基于图像边缘处理算法，得到运动物体的轮廓线条，根据所述轮廓线条确定运动物体的形状，判断所述形状与预设形状是否一致；所述预设形状为运动台球的形状；

第二判断子模块，用于根据所有像素点的灰度值计算得到平均灰度值，判断所述平均灰度值与预设平均灰度值是否相等；所述预设平均灰度值为运动台球在图像灰度化处理后的像素点的平均灰度值；

确定子模块，用于在确定所述形状与预设形状一致且所述平均灰度值与预设平均灰度值相等时，表示所述运动物体为运动台球；反之，表示所述运动台球为运动异物。

Images