CN112883865A - 带球突破事件识别方法、装置、计算机设备和存储介质 - Google Patents
带球突破事件识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112883865A CN112883865A CN202110177980.2A CN202110177980A CN112883865A CN 112883865 A CN112883865 A CN 112883865A CN 202110177980 A CN202110177980 A CN 202110177980A CN 112883865 A CN112883865 A CN 112883865A
- Authority
- CN
- China
- Prior art keywords
- player
- ball
- target
- determining
- model
- 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 48
- 230000008859 change Effects 0.000 claims abstract description 36
- 230000007123 defense Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000002265 prevention Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请涉及一种带球突破事件识别方法、装置、计算机设备和存储介质。所述方法包括:接收目标对象的基于时间序列的位置帧;目标对象包括球和球员;获取赛场模型和目标对象特征画像模型,基于赛场模型的赛场坐标系识别每一目标对象特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象特征画像模型中的位置坐标;根据球特征画像模型中的球位置坐标与球员特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态;当基于赛场模型中的目标篮筐位置,判定存在持球球员与目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。采用本方法提高了带球突破事件的识别准确率。
Description
技术领域
本申请涉及定位分析技术领域,特别是涉及一种带球突破事件识别方法、装置、计算机设备和存储介质。
背景技术
篮球赛事中,持球球员的带球突破是非常实用且常见的破防方法,可以高效的帮助持球球员摆脱对方球员的防守,也非常具有观赏性。针对带球突破事件的识别方法,一般通过场外人员人眼观察识别或者通过计算机视觉类技术识别。
然而赛场上带球突破事件随时都有可能发生,在带球突破事件发生时可能会存在多名球员间位置重叠或者遮挡的情况,因此,基于人眼观察或者计算机视觉类技术去识别或统计带球掩护事件准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种带球突破事件识别方法、装置、计算机设备和存储介质。
一种带球突破事件识别方法,所述方法包括:
接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
在其中一个实施例中,所述球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
在其中一个实施例中,所述球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、所述当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
在其中一个实施例中,所述获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标,包括:
获取赛场模型和所述目标对象的特征画像模型;所述赛场模型中包含有赛场内器件以及标识线的位置特征指标;所述特征画像模型中包含有所述目标对象的位置特征指标;
基于所述赛场模型对应的赛场坐标系,识别每一所述位置帧中的每一位置坐标,并根据每一所述位置帧中所述目标对象的位置坐标与所述目标对象对应的特征画像模型间的对应关系,将每一所述位置帧中每一所述目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
在其中一个实施例中,所述根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态,包括:
计算所述球对应的特征画像模型中的当前球位置坐标与全部的所述球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离;
当所述最小距离满足预设距离阈值且所述最小距离保持时间达到预设时间阈值时,确定所述最小距离对应的所述球员为持球球员;
将与所述持球球员具有相同所属队伍标识的球员确定为与所述持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至所述进攻球员的特征画像模型中;
将与所述持球球员具有不同所属队伍标识的球员确定为与所述持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至所述防守球员的特征画像模型中。
在其中一个实施例中,所述当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件,包括:
根据所述持球球员的位置坐标以及所述赛场模型中的目标篮筐位置坐标,确定所述持球球员的进攻方向;
根据所述持球球员的位置坐标、所述持球球员的进攻方向,确定所述持球球员进攻方向上的目标防守球员;
根据所述目标防守球员的位置坐标以及所述目标篮筐位置坐标,确定所述防守球员的防守线;
若所述持球球员的位置坐标由所述防守线外变化为所述防守线内,则确定发生带球突破事件;所述防守线内为所述防守线距离所述目标篮筐近的一侧,所述防守线外为所述防守线距离所述目标篮筐远的一侧。
在其中一个实施例中,所述当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件,包括:
根据所述持球球员的位置坐标以及所述赛场模型中的目标篮筐位置坐标,确定所述持球球员的进攻方向所在直线;
根据所述持球球员的位置坐标,确定与所述持球球员距离最近的目标防守球员;
根据所述持球球员的位置坐标与所述目标防守球员的位置坐标,确定所述持球球员与所述目标防守球员间的球员方向向量;
若存在所述球员方向向量与所述进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
在其中一个实施例中,所述方法还包括:
统计所述带球突破事件的事件次数,并将所述带球突破事件次数信息存储至分布式数据库中。
一种带球突破事件识别装置,所述装置包括:
接收模块,用于接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取模块,用于获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
第一确定模块,用于根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
第二确定模块,用于当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
上述带球突破事件识别方法、装置、计算机设备和存储介质,接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。采用本方法,基于整体赛场模型的坐标系分析目标对象的位置坐标数据,得到目标对象间的位置关系,针对该位置关系进行分析判定,识别发生的带球突破事件,提高带球突破事件识别准确率。
附图说明
图1为一个实施例中带球突破事件识别方法的流程示意图;
图2为一个实施例中赛程模型中的赛场坐标系示意图;
图3为一个实施例中球特征信息数据结构示意图;
图4为一个实施例中球员特征信息数据结构示意图;
图5为一个实施例中识别位置帧中位置坐标的步骤的流程示意图;
图6为一个实施例中根据持球球员确定队伍攻守状态的步骤的流程示意图;
图7为一个实施例中识别带球突破位置关系变化的步骤的流程示意图;
图8为一个实施例中持球球员进攻方向的示意图;
图9为一个实施例中持球球员与目标防守球员位置关系的示意图;
图10为一个实施例中目标防守球员的防守线的示意图;
图11为另一个实施例中识别带球突破位置关系变化的步骤的流程示意图;
图12为一个实施例中持球球员与目标防守球员方向向量夹角变化示意图;
图13为一个实施例中带球突破事件识别装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种带球突破事件识别方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤101,接收目标对象的基于时间序列的位置帧;目标对象包括球和球员。
其中,定位分析设备接收赛场内的目标对象携带的定位信号发送装置发送的定位信号(例如,蓝牙定位信号),进行定位信号分析处理,得到赛场内全部目标对象的位置坐标,将赛场内的同一时刻下全部目标对象的位置坐标封装为一个位置帧发送至计算机设备(也可以称为服务器)。
可选地,定位分析设备接收到的定位信号的输出频率可以为100HZ、也可以为200HZ等,进而针对定位信号的频率生成的位置帧的输出频率也可以为100HZ、200HZ,本实施例不做限定。
在实施中,计算机设备(可以是任意类型服务器的统称)接收到目标对象的基于时间序列的位置帧,每一位置帧中包含的目标对象包括球和球员,以篮球赛事为例,则目标对象包括1个篮球和10名球员,进而该位置帧的时间序列的起始时刻可以为一场篮球比赛的起始时刻,时间序列的终止时刻为篮球比赛的终止时刻。具体地,每一位置帧可以作为一个同步处理单元,即针对每一位置帧的数据计算机设备应用多个线程进行同步处理。
例如,以篮球赛场为例,每一位置帧中包含赛场内的10名篮球球员和1个篮球的位置坐标,则计算机设备可以针对每一位置帧中的11个数据应用11个线程进行同步处理,各线程之间的数据可以共享,以保证信息的同步性。可选地,针对计算机设备处理数据的线程数目,可以少于目标对象数目,也可以多于或者等于目标对象的数目,本实施例不做限定。
步骤102,获取赛场模型和目标对象的特征画像模型,根据赛场模型中每一目标对象对应的特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象对应的特征画像模型中的位置坐标。
其中,赛场模型是基于赛场坐标系建立的表征比赛场地内的场内器件(例如,篮球赛场的篮筐)以及场内标识线(例如,篮球赛场的三分线、罚球线)等的特征位置的特征画像模型。目标对象的特征画像模型是在赛场模型的赛场坐标系下针对目标对象的位置及属性等特征信息建立的画像模型,目标对象的特征画像模型可以作为赛场模型中包含的子模型。具体地,如图2所示,赛场坐标系以赛场平面图的左下角为坐标原点,以赛场对应的两条赛场边界为横纵坐标轴,以垂直横纵坐标轴所在的面的方向为竖坐标轴,得到赛场的三维坐标系(坐标系中的坐标值单位为米),在该坐标系下,目标对象(如,10名球员和1个球)在赛场中的位置信息均可以用位置坐标进行反映,本实施例对于赛场坐标系的建立标准不做限定。
在实施中,计算机设备获取赛场模型和目标对象的特征画像模型,然后基于赛场模型对应的赛场坐标系,根据位置帧中每一位置坐标的目标对象标识与每一特征画像模型中的目标对象标识的一一对应关系,识别每一位置帧中每一目标对象对应的位置坐标,并将该位置坐标对应添加至目标对象特征画像模型中。
步骤103,根据球对应的特征画像模型中的球位置坐标与球员对应的特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态。
在实施中,计算机设备根据球对应的特征画像模型中的位置坐标(即每一位置帧中对应更新的球当前位置坐标)与球员对应的特征画像模型中的位置坐标(即每一位置帧中对应更新的球员当前位置坐标),计算球当前位置坐标和球员当前位置坐标间的距离,在全部球员中确定与球的距离满足预设距离阈值的球员为持球球员,并根据持球球员确定赛场上两支队伍的攻守状态,即持球球员所属队伍为进攻方队伍,持球球员对立的队伍(与持球球员不同队伍标识的队伍)为防守方队伍,进而将与持球球员同属一支队伍的球员为进攻球员,与持球球员不同队伍的球员为防守球员。
步骤104,当基于赛场模型中的目标篮筐位置,判定存在进攻方队伍中持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
其中,根据持球球员的进攻方向可以确定在该进攻方向上的赛场篮筐为目标篮筐。
在实施中,基于赛场模型中的目标篮筐位置,当计算机设备判定存在进攻方队伍中的持球球员与防守方队伍中的目标防守球员之间的位置关系满足预设位置变化条件时,即持球球员发生越过目标防守球员的情况时,确定发生带球突破事件。其中,持球球员越过目标防守球员的情况通过持球球员的位置坐标与目标防守球员的位置坐标间的平面坐标计算表征。
上述带球突破事件识别方法中,接收目标对象的基于时间序列的位置帧;目标对象包括球和球员;获取赛场模型和目标对象的特征画像模型,基于赛场模型对应的赛场坐标系所识别的每一目标对象对应的特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象对应的特征画像模型中的位置坐标;根据球对应的特征画像模型中的球位置坐标与球员对应的特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态;当基于赛场模型中的目标篮筐位置,判定存在进攻方队伍中持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。采用本方法,基于整体赛场模型的坐标系分析目标对象的位置坐标数据,得到目标对象间的位置关系,针对该位置关系进行分析判定,识别发生的带球突破事件,提高带球突破事件识别准确率。
在一个实施例中,球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
在实施中,如图3所示,计算机设备预先建立针对球的特征画像模型,以用于根据球的特征信息对球进行画像,其中球特征画像模型中的特征信息主要包括球标识(用ID表示)、基于时间序列的位置帧中对应的球位置坐标组和当前球位置坐标。其中,球位置坐标组存储在LOC_ARRAY指标下,当前球位置坐标用CURRENT_LOC表示,每一时刻的当前球位置坐标可以根据时间的顺序依次添加至球位置坐标组中,进行持续更新。另外,在该球特征画像模型中还可以包括持球球员标识(用KEEP_BALL表示)、所处比赛标识(用GAME_ID表示)、是否在投篮判定区标识(用IN_SHOOTING_AREA表示)、当前球行进坐标方向角(用DIRECTION表示)和球平均速度(用AVG_SPEED表示)中的至少一个,计算机设备根据比赛过程中球的位置关系的变化更新球的特征画像模型中的特征信息,可选地,本实施例对于球的特征画像模型中包含的特征信息不做限定。
在一个实施例中,球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
在实施中,如图4所示,针对球员这一目标对象,计算机设备预先建立有球员的特征画像模型,该特征画像模型中包含球员的特征信息,以用于根据球员的特征信息对球员进行画像,具体地,球员对应的特征画像模型中的特征信息主要包括:球员标识(用ID表示)、基于时间序列的位置帧中对应自身球员的位置坐标组(存储在LOC_ARRAY指标下)和当前位置坐标(用CURRENT_LOC表示),每一时刻的当前球员位置坐标可以根据时间的顺序依次添加至球员位置坐标组中,进行持续更新。另外,在球员对应的特征画像模型中还可以包括:所属队伍标识(用TEAM_ID表示)、所处比赛标识(用GAME_ID表示)、当前攻守状态标识(当前攻守状态标识对应有两个:防守方(DEFENDER)和进攻方(IS_OFFENSE))、是否持球标识(用KEEP_BALL表示)、当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角(用DIRECTION表示)和球员平均速度(用AVG_SPEED表示)中的至少一个。计算机设备根据比赛过程中的球员位置关系的变化更新球员的特征画像模型中的特征信息,可选地,本实施例对于球员的特征画像模型中包含的特征信息不做限定。
在一个实施例中,如图5所示,步骤102的具体处理过程包括以下步骤:
步骤501,获取赛场模型和目标对象的特征画像模型;赛场模型中包含有赛场内器件以及标识线的位置特征指标;特征画像模型中包含有目标对象的位置特征指标。
其中,赛场模型是对整个篮球赛场的特征画像,目标对象的特征画像模型是针对赛场内部的每个目标对象进行的特征画像,在赛场模型中包含有赛场内器件以及赛场内规定标识线的位置特征指标,在该位置特征指标内存储有对应的位置坐标值,例如,以篮球赛场为例,篮球赛场的赛场模型中包含有篮筐的位置信息、三分线标识信息、罚球线标识信息、半场线标识信息等等。
计算机设备基于实际目标场地获取对应的赛场模型,以及目标对象的特征画像模型。
步骤502,基于赛场模型对应的赛场坐标系,识别每一位置帧中的每一位置坐标,并根据每一位置帧中目标对象的位置坐标与目标对象对应的特征画像模型间的对应关系,将每一位置帧中每一目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
在实施中,基于获取到的赛场模型对应的赛场坐标系,计算机设备通过赛场模型识别赛场坐标系下每一位置帧中的每一位置坐标,并根据其中的每一位置坐标(携带目标对象唯一标识)与目标对象对应的特征画像模型中该目标对象的唯一标识间的对应关系,将每一位置帧中每一目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。其中,特征画像模型中的位置特征指标包含:基于时间序列的位置帧中目标对象的位置坐标组和当前位置坐标。计算机设备可以将新接收到的位置帧中的位置坐标添加至目标对象的位置坐标组中,同时用新接收的位置坐标替换当前位置坐标中的上一时刻位置坐标。
本实施例中,通过赛场模型和目标对象的特征画像模型中存储的特征信息指标实现对实际比赛场地和场地内的球和球员的特征画像,同时,计算机设备将比赛过程中的定位数据、标识信息等实时更新至模型中,实现比赛过程中的数据动态处理。
在一个实施例中,如图6所示,步骤103的具体处理过程包括以下步骤:
步骤601,计算球对应的特征画像模型中的当前球位置坐标与全部的球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离。
在实施中,计算机设备计算球对应的特征画像模型中的当前球位置坐标与全部的球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离。具体地,在计算球与球员两者间的距离时可以采用两点间距离公式进行计算,在得到球与任一球员间的距离值时,筛选出其中的最小距离。
步骤602,当最小距离满足预设距离阈值且最小距离保持时间达到预设时间阈值时,确定最小距离对应的球员为持球球员。
在实施中,当判定球与球员间的最小距离满足预设距离阈值(例如,水平距离小于或等于球员肩宽距离,80cm;垂直距离小于或等于1.5m)且球与球员间的最小距离保持时间达到预设时间阈值(例如,1秒)时,确定对应最小距离的球员为持球球员。
可选地,针对确定出的持球球员,在持球球员对应的特征画像模型中更新持球标识(KEEP_BALL),将其状态更改为KEEP_BALL=True。
步骤603,将与持球球员具有相同所属队伍标识的球员确定为与持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至进攻球员的特征画像模型中。
在实施中,计算机设备将与持球球员(特征画像模型中)具有相同所属队伍标识的球员确定为与持球球员进攻状态相同的进攻球员,并将对应的进攻方标识更新至进攻球员的特征画像模型中。
具体地,在计算机设备(服务器)确定出持球球员后,持球球员即为当前回合赛场上的进攻方,根据该持球球员对应的特征画像模型中的所属队伍标识识别赛场上其他球员的所属队伍标识,其中与持球球员具有相同所属队伍标识的球员则也确定为进攻球员,并将对应的表征进攻方的标识(IS_OFFENSE=True,DENFDFER=False)更新至进攻球员的特征画像模型中。
步骤604,将与持球球员具有不同所属队伍标识的球员确定为与持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至防守球员的特征画像模型中。
在实施中,计算机设备将与持球球员(特征画像模型中)具有不同所属队伍标识的球员确定为与持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至防守球员的特征画像模型中。
在一个实施例中,如图7所示,步骤104的具体处理过程包括以下步骤:
步骤701,根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向。
其中,整个比赛场地划分为两个半场,赛场上的两支队伍分别对应不同的半场,根据两支队伍的攻守状态,将对应的防守方队伍的所属半场中的篮筐确定为目标篮筐。
在实施中,计算机设备根据持球球员的位置坐标以及对应的赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向,具体地,如图8所示,进攻方向需要持球球员的球员区域与目标篮筐来确定,持球球员的球员区域为以持球球员的位置坐标为圆心,以球员的肩宽(例如,80cm)为直径确定一个圆,该圆形区域即为持球球员对应的球员区域。然后,将持球球员的球员区域的圆心到目标篮筐的圆心间的连线确定为持球球员的最短进攻路线,在该进攻路线上由持球球员向目标篮筐行进的方向为持球球员的进攻方向。
步骤702,根据持球球员的位置坐标、持球球员的进攻方向,确定持球球员进攻方向上的目标防守球员。
其中,赛场上篮球比赛的一般战术中针对每一进攻球员都对应有一名防守球员进行防守,因此,可以针对每一进攻球员,计算该进攻球员与所有防守球员的距离,当某一防守球员与该进攻球员的水平距离小于等于预设距离阈值(例如,1米),且持续时长大于等于预设时间阈值(例如,1.5秒),则确定该名防守球员为与该进攻球员匹配的防守球员。经过此计算之后,赛场上的进攻球员与防守球员呈现一一对应的关系。
在实施中,在确定出持球球员后,计算机设备再确定持球球员对应的目标防守球员,如图9所示,以持球球员的位置坐标为基准,计算得到与持球球员间的距离满足预设距离阈值(例如,小于等于1米)的球员,然后,计算持球球员的进攻方向所在直线,判定该球员(位置坐标)在持球球员的进攻方向上,则该球员为持球球员的目标防守球员。
步骤703,根据目标防守球员的位置坐标以及目标篮筐位置坐标,确定防守球员的防守线。
在实施中,计算机设备根据目标防守球员的位置坐标以及目标篮筐位置坐标,确定防守球员的防守线。具体地,如图10所示,首先确定目标防守球员的球员区域,该球员区域的确定过程与持球球员的球员区域确定过程相同,本实施例不再赘述。根据确定出的球员区域,计算目标防守球员的球员区域内圆心坐标(即为目标防守球员的位置坐标,例如(x1,y1)),与目标篮筐的圆心坐标(例如,(x2,y2))间的连线,利用两点式直线方程,具体计算公式如下所示:
其中,x为直线方程中的自变量,y为直线方程中的因变量。然后,在计算机设备确定出目标防守球员到目标篮筐的直线方程后,确定经过目标防守球员的位置坐标(x1,y1)且与该直线垂直的直线为目标防守球员的防守线。其中,防守线的直线方程可以通过两条直线垂直位置关系中两垂直直线的方程斜率互为相反数,且防守线过目标防守球员所在位置坐标点的特征来计算,本实施例不具体赘述。
步骤704,若持球球员的位置坐标由防守线外变化为防守线内,则确定发生带球突破事件;防守线内为防守线距离目标篮筐近的一侧,防守线外为防守线距离目标篮筐远的一侧。
其中,在确定出目标防守球员的防守线之后,进一步将该防守线距离目标篮筐近的一侧确定为防守线内侧,将该防守线距离目标篮筐远的一侧确定为防守线外侧。
在实施中,若持球球员的位置坐标由防守线外变化为防守线内,则计算机设备确定发生带球突破事件。具体地,可以以目标防守球员的位置坐标为原点建立平面坐标系,目标防守球员与篮筐的联系方向作为坐标系纵轴,以与纵轴垂直的防守线作为坐标系横轴,然后,对当前时间段内持球球员的位置坐标变化进行判断,根据持球球员的位置坐标点,确定由点到直线(防守线)的距离,若点到直线距离由点在直线外(距离-d<0,表征方向为负),变换为点在直线(防守线)内(距离d>0,表征方向为正),则确定持球球员实现带球突破。
本实施例中,通过目标防守球员的防守线与持球球员的位置坐标的位置变化,确定发生带球突破事件,避免了视觉分析类型的事件识别中视线遮挡等的问题,同时并非根据简单的距离远近判断带球突破事件,提高带球突破事件的识别准确度。
在另一个实施例中,如图11所示,步骤104的具体处理过程包括以下步骤:
步骤1101,根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向所在直线。
在实施中,计算机设备根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向所在直线,具体地,将持球球员的球员区域的圆心到目标篮筐的圆心间的连线确定为持球球员的最短进攻路线,进而在该最短进攻路线上由持球球员向目标篮筐行进的方向为持球球员的进攻方向。
步骤1102,根据持球球员的位置坐标,确定与持球球员距离最近的目标防守球员。
在实施中,计算机设备根据持球球员的位置坐标,确定与持球球员距离最近的目标防守球员。
具体地,计算该持球球员与防守方队伍的所有防守球员的距离,当某一防守球员与该进攻球员的水平距离小于等于预设距离阈值(例如,1米),且持续时长大于等于预设时间阈值(例如,1.5秒),则确定该名防守球员为与持球球员匹配的目标防守球员。
步骤1103,根据持球球员的位置坐标与目标防守球员的位置坐标,确定持球球员与目标防守球员间的球员方向向量。
在实施中,计算机设备根据持球球员的位置坐标与目标防守球员的位置坐标,确定持球球员与目标防守球员间的球员方向向量,具体地,例如,持球球员A的平面位置坐标为(x1,y1),目标防守球员B的平面位置坐标为(x2,y2),则持球球员与目标防守球员间的方向向量为向量
步骤1104,若存在球员方向向量与进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
其中,根据持球球员的进攻方向所在直线确定该直线的方向向量可以通过持球球员的位置坐标和目标篮筐的位置坐标得到,例如,持球球员A的平面位置坐标为(x1,y1),目标篮筐C的平面位置坐标为(x3,y3),则持球球员进攻方向所在直线的方向向量可以表示为
在实施中,若存在球员方向向量与进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。具体地,如图12所示,当球员方向向量(即向量)与直线方向向量(即向量)间的夹角由小于90度变化为大于90度,则确定持球球员A实现带球突破。可选地,当球员方向向量与直线方向向量间的夹角等于90度时,表明持球球员A与目标防守球员的位置关系在运动变化过程中,不确定为一次带球突破事件。
本实施例中,通过持球球员与目标防守球员对应的球员方向向量的方向角度变化,确定发生了带球突破事件,不受视觉遮挡等问题的干扰,提供了带球突破事件识别的准确性。
在一个实施例中,该方法还包括:统计带球突破事件的事件次数,并将带球突破事件次数信息存储至分布式数据库中。
在实施中,计算机设备根据识别出的带球突破事件,统计其发生的事件次数,并将该类事件的事件次数信息(即按照事件类型)存储至分布式数据库中。
应该理解的是,虽然图1,图5-7,图11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1,图5-7,图11中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图13所示,提供了一种带球突破事件识别装置1300,包括:接收模块1310、获取模块1320第一确定模块1330和第二确定模块1340,其中:
接收模块1310,用于接收目标对象的基于时间序列的位置帧;目标对象包括球和球员;
获取模块1320,用于获取赛场模型和目标对象的特征画像模型,基于赛场模型对应的赛场坐标系所识别的每一目标对象对应的特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象对应的特征画像模型中的位置坐标;
第一确定模块1330,用于根据球对应的特征画像模型中的球位置坐标与球员对应的特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态;
第二确定模块1340,用于当基于赛场模型中的目标篮筐位置,判定存在进攻方队伍中持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
在一个实施例中,球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
在一个实施例中,球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
在一个实施例中,获取模块1320具体用于获取赛场模型和目标对象的特征画像模型;赛场模型中包含有赛场内器件以及标识线的位置特征指标;特征画像模型中包含有目标对象的位置特征指标;
基于赛场模型对应的赛场坐标系,识别每一位置帧中的每一位置坐标,并根据每一位置帧中目标对象的位置坐标与目标对象对应的特征画像模型间的对应关系,将每一位置帧中每一目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
在一个实施例中,第一确定模块1330具体用于计算球对应的特征画像模型中的当前球位置坐标与全部的球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离;
当最小距离满足预设距离阈值且最小距离保持时间达到预设时间阈值时,确定最小距离对应的球员为持球球员;
将与持球球员具有相同所属队伍标识的球员确定为与持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至进攻球员的特征画像模型中;
将与持球球员具有不同所属队伍标识的球员确定为与持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至防守球员的特征画像模型中。
在一个实施例中,第二确定模块1340具体用于根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向;
根据持球球员的位置坐标、持球球员的进攻方向,确定持球球员进攻方向上的目标防守球员;
根据目标防守球员的位置坐标以及目标篮筐位置坐标,确定防守球员的防守线;
若持球球员的位置坐标由防守线外变化为防守线内,则确定发生带球突破事件;防守线内为防守线距离目标篮筐近的一侧,防守线外为防守线距离目标篮筐远的一侧。
在一个实施例中,第二确定模块1340还用于根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向所在直线;
根据持球球员的位置坐标,确定与持球球员距离最近的目标防守球员;
根据持球球员的位置坐标与目标防守球员的位置坐标,确定持球球员与目标防守球员间的球员方向向量;
若存在球员方向向量与进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
上述带球突破事件识别装置1300,基于整体赛场模型的坐标系分析目标对象的位置坐标数据,得到目标对象间的位置关系,针对该位置关系进行分析判定,识别发生的带球突破事件,提高带球突破事件识别准确率。
关于带球突破事件识别装置1300的具体限定可以参见上文中对于带球突破事件识别方法的限定,在此不再赘述。上述带球突破事件识别装置1300中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标对象的位置坐标数据,赛场内的器件和标识线位置数据等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种带球突破事件识别方法。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收目标对象的基于时间序列的位置帧;目标对象包括球和球员;
获取赛场模型和目标对象的特征画像模型,根据赛场模型中每一目标对象对应的特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象对应的特征画像模型中的位置坐标;
根据球对应的特征画像模型中的球位置坐标与球员对应的特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态;
当基于赛场模型中的目标篮筐位置,判定存在进攻方队伍中持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
在一个实施例中,球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
在一个实施例中,球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取赛场模型和目标对象的特征画像模型;赛场模型中包含有赛场内器件以及标识线的位置特征指标;特征画像模型中包含有目标对象的位置特征指标;
基于赛场模型对应的赛场坐标系,识别每一位置帧中的每一位置坐标,并根据每一位置帧中目标对象的位置坐标与目标对象对应的特征画像模型间的对应关系,将每一位置帧中每一目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算球对应的特征画像模型中的当前球位置坐标与全部的球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离;
当最小距离满足预设距离阈值且最小距离保持时间达到预设时间阈值时,确定最小距离对应的球员为持球球员;
将与持球球员具有相同所属队伍标识的球员确定为与持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至进攻球员的特征画像模型中;
将与持球球员具有不同所属队伍标识的球员确定为与持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至防守球员的特征画像模型中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向;
根据持球球员的位置坐标、持球球员的进攻方向,确定持球球员进攻方向上的目标防守球员;
根据目标防守球员的位置坐标以及目标篮筐位置坐标,确定防守球员的防守线;
若持球球员的位置坐标由防守线外变化为防守线内,则确定发生带球突破事件;防守线内为防守线距离目标篮筐近的一侧,防守线外为防守线距离目标篮筐远的一侧。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向所在直线;
根据持球球员的位置坐标,确定与持球球员距离最近的目标防守球员;
根据持球球员的位置坐标与目标防守球员的位置坐标,确定持球球员与目标防守球员间的球员方向向量;
若存在球员方向向量与进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
统计带球突破事件的事件次数,并将带球突破事件次数信息存储至分布式数据库中。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收目标对象的基于时间序列的位置帧;目标对象包括球和球员;
获取赛场模型和目标对象的特征画像模型,根据赛场模型中每一目标对象对应的特征画像模型与每一位置帧中的位置坐标之间的对应关系,更新每一目标对象对应的特征画像模型中的位置坐标;
根据球对应的特征画像模型中的球位置坐标与球员对应的特征画像模型中的球员位置坐标,在球员中确定持球球员,并根据持球球员确定赛场上两支队伍的攻守状态;
当基于赛场模型中的目标篮筐位置,判定存在进攻方队伍中持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
在一个实施例中,球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
在一个实施例中,球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取赛场模型和目标对象的特征画像模型;赛场模型中包含有赛场内器件以及标识线的位置特征指标;特征画像模型中包含有目标对象的位置特征指标;
基于赛场模型对应的赛场坐标系,识别每一位置帧中的每一位置坐标,并根据每一位置帧中目标对象的位置坐标与目标对象对应的特征画像模型间的对应关系,将每一位置帧中每一目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算球对应的特征画像模型中的当前球位置坐标与全部的球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离;
当最小距离满足预设距离阈值且最小距离保持时间达到预设时间阈值时,确定最小距离对应的球员为持球球员;
将与持球球员具有相同所属队伍标识的球员确定为与持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至进攻球员的特征画像模型中;
将与持球球员具有不同所属队伍标识的球员确定为与持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至防守球员的特征画像模型中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向;
根据持球球员的位置坐标、持球球员的进攻方向,确定持球球员进攻方向上的目标防守球员;
根据目标防守球员的位置坐标以及目标篮筐位置坐标,确定防守球员的防守线;
若持球球员的位置坐标由防守线外变化为防守线内,则确定发生带球突破事件;防守线内为防守线距离目标篮筐近的一侧,防守线外为防守线距离目标篮筐远的一侧。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据持球球员的位置坐标以及赛场模型中的目标篮筐位置坐标,确定持球球员的进攻方向所在直线;
根据持球球员的位置坐标,确定与持球球员距离最近的目标防守球员;
根据持球球员的位置坐标与目标防守球员的位置坐标,确定持球球员与目标防守球员间的球员方向向量;
若存在球员方向向量与进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
统计带球突破事件的事件次数,并将带球突破事件次数信息存储至分布式数据库中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种带球突破事件识别方法,其特征在于,所述方法包括:
接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
2.根据权利要求1所述的方法,其特征在于,所述球对应的特征画像模型中的特征信息包括球标识、基于时间序列的位置帧中球位置坐标组和当前球位置坐标;还包括持球球员标识、所处比赛标识、是否在投篮判定区标识、当前球行进坐标方向角和球平均速度中的至少一个。
3.根据权利要求1所述的方法,其特征在于,所述球员对应的特征画像模型中的特征信息包括球员标识、基于时间序列的位置帧中对应自身球员的位置坐标组和当前球员位置坐标;还包括所属队伍标识、所处比赛标识、当前攻守状态标识、是否持球标识、所述当前球员位置坐标的所在位置帧标识、当前球员行进坐标方向角和球员平均速度中的至少一个。
4.根据权利要求1所述的方法,其特征在于,所述获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标,包括:
获取赛场模型和所述目标对象的特征画像模型;所述赛场模型中包含有赛场内器件以及标识线的位置特征指标;所述特征画像模型中包含有所述目标对象的位置特征指标;
基于所述赛场模型对应的赛场坐标系,识别每一所述位置帧中的每一位置坐标,并根据每一所述位置帧中所述目标对象的位置坐标与所述目标对象对应的特征画像模型间的对应关系,将每一所述位置帧中每一所述目标对象的位置坐标更新至对应的特征画像模型的位置特征指标中。
5.根据权利要求1所述的方法,其特征在于,所述根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态,包括:
计算所述球对应的特征画像模型中的当前球位置坐标与全部的所述球员对应的特征画像模型中的当前球员位置坐标间的距离,并筛选出其中的最小距离;
当所述最小距离满足预设距离阈值且所述最小距离保持时间达到预设时间阈值时,确定所述最小距离对应的所述球员为持球球员;
将与所述持球球员具有相同所属队伍标识的球员确定为与所述持球球员攻守状态相同的进攻球员,并将对应的进攻方标识更新至所述进攻球员的特征画像模型中;
将与所述持球球员具有不同所属队伍标识的球员确定为与所述持球球员攻守状态不同的防守球员,并将对应的防守方标识更新至所述防守球员的特征画像模型中。
6.根据权利要求1所述的方法,其特征在于,所述当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件,包括:
根据所述持球球员的位置坐标以及所述赛场模型中的目标篮筐位置坐标,确定所述持球球员的进攻方向;
根据所述持球球员的位置坐标、所述持球球员的进攻方向,确定所述持球球员进攻方向上的目标防守球员;
根据所述目标防守球员的位置坐标以及所述目标篮筐位置坐标,确定所述防守球员的防守线;
若所述持球球员的位置坐标由所述防守线外变化为所述防守线内,则确定发生带球突破事件;所述防守线内为所述防守线距离所述目标篮筐近的一侧,所述防守线外为所述防守线距离所述目标篮筐远的一侧。
7.根据权利要求1所述的方法,其特征在于,所述当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件,包括:
根据所述持球球员的位置坐标以及所述赛场模型中的目标篮筐位置坐标,确定所述持球球员的进攻方向所在直线;
根据所述持球球员的位置坐标,确定与所述持球球员距离最近的目标防守球员;
根据所述持球球员的位置坐标与所述目标防守球员的位置坐标,确定所述持球球员与所述目标防守球员间的球员方向向量;
若存在所述球员方向向量与所述进攻方向所在直线的方向向量间的夹角变化满足预设角度阈值,则确定发生带球突破事件。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
统计所述带球突破事件的事件次数,并将所述带球突破事件次数信息存储至分布式数据库中。
9.一种带球突破事件识别装置,其特征在于,所述装置包括:
接收模块,用于接收目标对象的基于时间序列的位置帧;所述目标对象包括球和球员;
获取模块,用于获取赛场模型和所述目标对象的特征画像模型,根据所述赛场模型中每一所述目标对象对应的特征画像模型与每一所述位置帧中的位置坐标之间的对应关系,更新每一所述目标对象对应的特征画像模型中的位置坐标;
第一确定模块,用于根据所述球对应的特征画像模型中的球位置坐标与所述球员对应的特征画像模型中的球员位置坐标,在所述球员中确定持球球员,并根据所述持球球员确定赛场上两支队伍的攻守状态;
第二确定模块,用于当基于所述赛场模型中的目标篮筐位置,判定存在进攻方队伍中所述持球球员与防守方队伍中的目标防守球员间的位置关系满足预设位置变化条件时,确定发生带球突破事件。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177980.2A CN112883865B (zh) | 2021-02-09 | 2021-02-09 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177980.2A CN112883865B (zh) | 2021-02-09 | 2021-02-09 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883865A true CN112883865A (zh) | 2021-06-01 |
CN112883865B CN112883865B (zh) | 2024-01-19 |
Family
ID=76056315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110177980.2A Active CN112883865B (zh) | 2021-02-09 | 2021-02-09 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883865B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030049590A1 (en) * | 2001-09-11 | 2003-03-13 | Eitan Feldbau | Determining position of players on a sport field |
CN104524760A (zh) * | 2014-12-01 | 2015-04-22 | 广东欧珀移动通信有限公司 | 一种基于智能手环判断篮球动作的方法及系统 |
JP2015083961A (ja) * | 2013-09-20 | 2015-04-30 | カシオ計算機株式会社 | 状態判定装置、状態判定方法及びプログラム |
US20180099201A1 (en) * | 2016-06-03 | 2018-04-12 | Pillar Vision, Inc. | Systems and methods for tracking dribbling and passing performance in sporting environments |
KR20180063777A (ko) * | 2016-12-02 | 2018-06-12 | (주) 지티씨솔루션 | 축구 정보 분석 장치 및 그 방법 |
CN109359518A (zh) * | 2018-09-03 | 2019-02-19 | 惠州学院 | 一种红外视频的运动物体识别方法、系统和报警装置 |
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 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
CN110826539A (zh) * | 2019-12-09 | 2020-02-21 | 浙江大学 | 一种基于足球比赛视频的足球传球的可视化分析系统 |
CN111666971A (zh) * | 2020-04-27 | 2020-09-15 | 深圳壹账通智能科技有限公司 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
CN111936212A (zh) * | 2018-01-21 | 2020-11-13 | 斯塔特斯公司 | 使用卷积神经网络对体育运动中的赛事进行检测的方法 |
CN112200891A (zh) * | 2020-08-12 | 2021-01-08 | 北京中科深智科技有限公司 | 一种针对足球比赛视频三维动画场景重建系统、方法 |
KR102211480B1 (ko) * | 2020-07-15 | 2021-02-03 | 리디아 주식회사 | 2차원 좌표 기반의 농구 경기 분석 장치 및 방법 |
-
2021
- 2021-02-09 CN CN202110177980.2A patent/CN112883865B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030049590A1 (en) * | 2001-09-11 | 2003-03-13 | Eitan Feldbau | Determining position of players on a sport field |
JP2015083961A (ja) * | 2013-09-20 | 2015-04-30 | カシオ計算機株式会社 | 状態判定装置、状態判定方法及びプログラム |
CN104524760A (zh) * | 2014-12-01 | 2015-04-22 | 广东欧珀移动通信有限公司 | 一种基于智能手环判断篮球动作的方法及系统 |
US20180099201A1 (en) * | 2016-06-03 | 2018-04-12 | Pillar Vision, Inc. | Systems and methods for tracking dribbling and passing performance in sporting environments |
KR20180063777A (ko) * | 2016-12-02 | 2018-06-12 | (주) 지티씨솔루션 | 축구 정보 분석 장치 및 그 방법 |
CN111936212A (zh) * | 2018-01-21 | 2020-11-13 | 斯塔特斯公司 | 使用卷积神经网络对体育运动中的赛事进行检测的方法 |
CN109359518A (zh) * | 2018-09-03 | 2019-02-19 | 惠州学院 | 一种红外视频的运动物体识别方法、系统和报警装置 |
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 |
CN110617802A (zh) * | 2019-07-26 | 2019-12-27 | 北京控制工程研究所 | 一种星载动目标检测及速度估计方法 |
CN110826539A (zh) * | 2019-12-09 | 2020-02-21 | 浙江大学 | 一种基于足球比赛视频的足球传球的可视化分析系统 |
CN111666971A (zh) * | 2020-04-27 | 2020-09-15 | 深圳壹账通智能科技有限公司 | 基于位置定位的事件识别方法、装置、设备及存储介质 |
KR102211480B1 (ko) * | 2020-07-15 | 2021-02-03 | 리디아 주식회사 | 2차원 좌표 기반의 농구 경기 분석 장치 및 방법 |
CN112200891A (zh) * | 2020-08-12 | 2021-01-08 | 北京中科深智科技有限公司 | 一种针对足球比赛视频三维动画场景重建系统、方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112883865B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724414B (zh) | 一种基于3d姿态估计的篮球运动分析方法 | |
US11951373B2 (en) | Automated or assisted umpiring of baseball game using computer vision | |
CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
US7885784B2 (en) | Object-tracking and situation-analysis system | |
AU2018404876B2 (en) | Golf ball tracking system | |
CN107274433A (zh) | 基于深度学习的目标跟踪方法、装置及存储介质 | |
CN112807681B (zh) | 游戏控制方法、装置、电子设备及存储介质 | |
CN109073385A (zh) | 一种基于视觉的定位方法及飞行器 | |
CN102819749A (zh) | 一种基于视频分析的足球越位自动判别系统和方法 | |
CN110111363A (zh) | 一种基于目标检测的跟踪方法及设备 | |
CN111369629B (zh) | 一种基于挥拍击球动作双目视觉感知的回球轨迹预测方法 | |
CN111389004B (zh) | 虚拟角色的控制方法、存储介质及处理器 | |
CN107085709A (zh) | 一种基于视频信息的自信度判断方法、装置及系统 | |
CN111184994B (zh) | 击球训练方法、终端设备及存储介质 | |
CN112437487B (zh) | 位置定位方法、事件识别方法、装置和计算机设备 | |
CN109126100A (zh) | 控球率计算方法、装置、设备及存储介质 | |
CN112883865B (zh) | 带球突破事件识别方法、装置、计算机设备和存储介质 | |
CN111736190B (zh) | 一种无人机机载目标检测系统及方法 | |
CN112883862B (zh) | 投篮识别方法、装置、计算机设备和存储介质 | |
CN112883864B (zh) | 无球掩护事件识别方法、装置、计算机设备和存储介质 | |
JP2019101526A (ja) | オブジェクト識別装置および方法 | |
CN110290846A (zh) | 一种虚拟对战的处理方法、服务器以及可移动平台 | |
Volkova et al. | 3D object tracker for sports events | |
US20240062407A1 (en) | Data processing apparatus and method | |
EP4325443A1 (en) | Data processing apparatus and method |
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 |