CN113011273B - 一种台球球杆智能视觉检测方法及系统 - Google Patents

一种台球球杆智能视觉检测方法及系统 Download PDF

Info

Publication number
CN113011273B
CN113011273B CN202110208721.1A CN202110208721A CN113011273B CN 113011273 B CN113011273 B CN 113011273B CN 202110208721 A CN202110208721 A CN 202110208721A CN 113011273 B CN113011273 B CN 113011273B
Authority
CN
China
Prior art keywords
image
mark
annular
billiard cue
ring
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
CN202110208721.1A
Other languages
English (en)
Other versions
CN113011273A (zh
Inventor
罗小娜
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.)
Shenzhen Ruichi Sports Development Co ltd
Original Assignee
Shenzhen Ruichi Sports Development 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 Shenzhen Ruichi Sports Development Co ltd filed Critical Shenzhen Ruichi Sports Development Co ltd
Priority to CN202110208721.1A priority Critical patent/CN113011273B/zh
Publication of CN113011273A publication Critical patent/CN113011273A/zh
Application granted granted Critical
Publication of CN113011273B publication Critical patent/CN113011273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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

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)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种台球球杆智能视觉检测方法及系统，其中方法包括：获取第一摄像单元拍摄的台球球杆的第一图像；获取第二摄像单元拍摄的台球球杆的第二图像；基于第一图像和第二图像，确定台球球杆的位置。本发明的台球球杆智能视觉检测方法，通过设置位置不同的两个摄像单元，共同拍摄台球球杆获得的图像，进行综合分析，确定台球球杆的位置，两个摄像单元之间形成互补，进而实现台球球杆位置确定给的准确性。

Description

一种台球球杆智能视觉检测方法及系统
技术领域
本发明涉及智能视觉检测技术领域，特别涉及一种台球球杆智能视觉检测方法及系统。
背景技术
目前，台球是一种用台球球杆在台上击球，计算得分确定比赛胜负的室内娱乐体育项目。随着科技发展出现了多种辅助台球训练的辅助设备，但是并不能准确检测出台球球杆的具体位置，故对基于台球球杆的击球的预测和辅助并不精准。
发明内容
本发明目的之一在于提供了一种台球球杆智能视觉检测方法，通过设置位置不同的两个摄像单元，共同拍摄台球球杆获得的图像，进行综合分析，确定台球球杆的位置，两个摄像单元之间形成互补，进而实现台球球杆位置确定给的准确性。
本发明实施例提供的一种台球球杆智能视觉检测方法，包括：
获取第一摄像单元拍摄的台球球杆的第一图像；
获取第二摄像单元拍摄的台球球杆的第二图像；
基于第一图像和第二图像，确定台球球杆的位置。
优选的，在台球球杆外表面设置有标记；
标记包括：间隔设置在台球球杆外表面的多个环状标记；环状标记之间的间隔从台球球杆的末端至尖端逐渐增大或减少；环状标记的第一宽度从台球球杆的末端至尖端逐渐增大或减少；
在每个环状标记中部设置有编码区，所有的编码区的第二宽度一致；在编码区两侧分别设置有编码标示区；编码标示区的颜色与环状标记颜色和编码区颜色都不同；
编码区的编码形式如下：
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用不同颜色环状线进行标示，环状线的第四宽度相等；以环状线的颜色作为环状标记编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用相同颜色环状线进行标示，环状线的第四宽度不等；以环状线的第四宽度作为环状标记编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用不同颜色环状线进行标示，环状线的第四宽度不等；以环状线的第四宽度和颜色共同作为环状标记编号的编码表现形式。
优选的，基于第一图像和第二图像，确定台球球杆的位置，包括：
解析第一图像和第二图像，获取各个编号的环状标记的特征集；
将特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个初始位置加权平均获得台球球杆的位置；
或，
基于特征集建立位置判断向量；
获取预设的位置判断库，计算判断向量与位置判断库中各个标准向量之间的相似度，相似度计算公式如下：
Figure GDA0003731934770000031
其中，Qi为位置判断向量与位置判断库中的第i个标准向量的相似度；aj为位置判断向量中第j个数据值；al为位置判断向量中第l个数据值；bi,l为第i个标准向量中第l个数据值；bi,j为第i个标准向量中第j个数据值；
获取位置判断库中与相似度最大的标准向量对应存储的位置作为台球球杆的位置。
优选的，解析第一图像和第二图像，获取各个编号的环状标记的特征集，包括：
对第一图像或第二图像中的环状标记区域进行提取；获取提取图像；
基于各个编号的环状标记的标准图像，对提取图像的完整程度进行验证，当验证通过时，对提取图像进行特征提取获得特征集；
当验证不通过时，基于相邻编号的环状标记的提取图像对完整程度验证未通过的提取图像进行补充操作，对补充操作后的提取图像进行特征提取获得特征集。
优选的，基于相邻编号的环状标记的提取图像对完整程度验证未通过的提取图像进行补充操作，包括：
构建对应第一摄像单元或第二摄像单元的视场空间；
将左侧相邻的环状标记的提取图像和标准图像映射至视场空间中，确定标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记的提取图像和标准图像映射至视场空间中，确定标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记的中心与左侧相邻的环状标记的中心的第一距离；
获取验证未通过的环状标记的中心与右侧相邻的环状标记的中心的第二距离；
基于第一距离、第二距离、第一视距和第二视距，计算验证未通过的环状标记的第三视距，计算公式如下：
Figure GDA0003731934770000041
其中，H3为第三视距，H2为第二视距；H1为第一视距；L1为第一距离；L2为第二距离；
基于第一偏转角和第二偏转角，确定验证未通过的环状标记所对应的标准图像的第三偏转角；第三偏转角为第一偏转角和第二偏转角的算术平均值；
基于第三偏转角和第三视距，将验证未通过的环状标记所对应的标准图像获取对应标准图像的图像作为完整程度验证未通过的提取图像补充后的提取图像。
本发明还提供一种台球球杆智能视觉检测系统，包括：
第一获取模块，用于获取第一摄像单元拍摄的台球球杆的第一图像；
第二获取模块，用于获取第二摄像单元拍摄的台球球杆的第二图像；
确定模块，用于基于第一图像和第二图像，确定台球球杆的位置。
优选的，在台球球杆外表面设置有标记；
标记包括：间隔设置在台球球杆外表面的多个环状标记；环状标记之间的间隔从台球球杆的末端至尖端逐渐增大或减少；环状标记的第一宽度从台球球杆的末端至尖端逐渐增大或减少；
在每个环状标记中部设置有编码区，所有的编码区的第二宽度一致；在编码区两侧分别设置有编码标示区；编码标示区的颜色与环状标记颜色和编码区颜色都不同；
编码区的编码形式如下：
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用不同颜色环状线进行标示，环状线的第四宽度相等；以环状线的颜色作为环状标记编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用相同颜色环状线进行标示，环状线的第四宽度不等；以环状线的第四宽度作为环状标记编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记编号为一，从台球球杆的尖端往末端依次对环状标记进行编号，各个环状标记的编码区采用不同颜色环状线进行标示，环状线的第四宽度不等；以环状线的第四宽度和颜色共同作为环状标记编号的编码表现形式。
优选的，基于第一图像和第二图像，确定台球球杆的位置，包括：
解析第一图像和第二图像，获取各个编号的环状标记的特征集；
将特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个初始位置加权平均获得台球球杆的位置；
或，
基于特征集建立位置判断向量；
获取预设的位置判断库，计算判断向量与位置判断库中各个标准向量之间的相似度，相似度计算公式如下：
Figure GDA0003731934770000051
其中，Qi为位置判断向量与位置判断库中的第i个标准向量的相似度；aj为位置判断向量中第j个数据值；al为位置判断向量中第l个数据值；bi,l为第i个标准向量中第l个数据值；bi,j为第i个标准向量中第j个数据值；
获取位置判断库中与相似度最大的标准向量对应存储的位置作为台球球杆的位置。
优选的，解析第一图像和第二图像，获取各个编号的环状标记的特征集，包括：
对第一图像或第二图像中的环状标记区域进行提取；获取提取图像；
基于各个编号的环状标记的标准图像，对提取图像的完整程度进行验证，当验证通过时，对提取图像进行特征提取获得特征集；
当验证不通过时，基于相邻编号的环状标记的提取图像对完整程度验证未通过的提取图像进行补充操作，对补充操作后的提取图像进行特征提取获得特征集。
优选的，基于相邻编号的环状标记的提取图像对完整程度验证未通过的提取图像进行补充操作，包括：
构建对应第一摄像单元或第二摄像单元的视场空间；
将左侧相邻的环状标记的提取图像和标准图像映射至视场空间中，确定标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记的提取图像和标准图像映射至视场空间中，确定标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记的中心与左侧相邻的环状标记的中心的第一距离；
获取验证未通过的环状标记的中心与右侧相邻的环状标记的中心的第二距离；
基于第一距离、第二距离、第一视距和第二视距，计算验证未通过的环状标记的第三视距，计算公式如下：
Figure GDA0003731934770000061
其中，H3为第三视距，H2为第二视距；H1为第一视距；L1为第一距离；L2为第二距离；
基于第一偏转角和第二偏转角，确定验证未通过的环状标记所对应的标准图像的第三偏转角；第三偏转角为第一偏转角和第二偏转角的算术平均值；
基于第三偏转角和第三视距，将验证未通过的环状标记所对应的标准图像获取对应标准图像的图像作为完整程度验证未通过的提取图像补充后的提取图像。
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、权利要求书、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为本发明实施例中一种台球球杆智能视觉检测方法的示意图；
图2为本发明实施例中一种台球球杆的示意图；
图3为本发明实施例中一种环状标记的示意图。
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。
本发明实施例提供了一种台球球杆智能视觉检测方法，如图1所示，包括：
步骤S1：获取第一摄像单元拍摄的台球球杆的第一图像；
步骤S2：获取第二摄像单元拍摄的台球球杆的第二图像；
步骤S3：基于第一图像和第二图像，确定台球球杆的位置。
上述技术方案的工作原理及有益效果为：
通过图像识别技术对第一图像进行识别确定台球球杆的第一个位置，然后再对第二图像进行识别确定台球球杆的第二个位置，综合第一个位置和第二位置，实现消除单一摄像单元拍摄图像，由摄像单元带来的误差；实现精确的台球球杆的检测。当应用在三维虚拟时，确定了台球球杆的位置，只需在该位置设置预先制作的台球球杆的模型，即可完成三维空间中台球球杆位置的确定。其中，第一摄像单元和第二摄像单元的设置位置不同。
本发明的台球球杆智能视觉检测方法，通过设置位置不同的两个摄像单元，共同拍摄台球球杆获得的图像，进行综合分析，确定台球球杆的位置，两个摄像单元之间形成互补，进而实现台球球杆位置确定给的准确性。
在一个实施例中，如图2和图3所示，在台球球杆外表面设置有标记；
标记包括：间隔设置在台球球杆外表面的多个环状标记11；环状标记11之间的间隔从台球球杆的末端至尖端逐渐增大或减少；环状标记11的第一宽度从台球球杆的末端至尖端逐渐增大或减少；
在每个环状标记11中部设置有编码区12，所有的编码区12的第二宽度一致；在编码区12两侧分别设置有编码标示区14；编码标示区14的颜色与环状标记11颜色和编码区12颜色都不同；
编码区12的编码形式如下：
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用不同颜色环状线13进行标示，环状线13的第四宽度相等；以环状线13的颜色作为环状标记11编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用相同颜色环状线13进行标示，环状线13的第四宽度不等；以环状线13的第四宽度作为环状标记11编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用不同颜色环状线13进行标示，环状线13的第四宽度不等；以环状线13的第四宽度和颜色共同作为环状标记11编号的编码表现形式。
上述技术方案的工作原理及有益效果为：
通过标记辅助摄像单元进行台球球杆的识别，提高了识别准确率；环状标记11相较于其他标记在台球球杆上具有更高的辨识度，即无论台球球杆在哪种姿势都可以清除识别环状标记11，不会被遮挡；并且环状标记11设计为不同宽度及间隔，方便图像处理时对遮挡区域进行补全操作；通过编码区12标识出环状标记11的编号，有助于图像处理时，准确确定台球球杆的轮廓；从而提高了图像识别的精度，进而提高了台球球杆位置确定的准确性。
在一个实施例中，基于第一图像和第二图像，确定台球球杆的位置，包括：
解析第一图像和第二图像，获取各个编号的环状标记11的特征集；
将特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个初始位置加权平均获得台球球杆的位置；
或，
基于特征集建立位置判断向量；
获取预设的位置判断库，计算判断向量与位置判断库中各个标准向量之间的相似度，相似度计算公式如下：
Figure GDA0003731934770000091
其中，Qi为位置判断向量与位置判断库中的第i个标准向量的相似度；aj为位置判断向量中第j个数据值；al为位置判断向量中第l个数据值；bi,l为第i个标准向量中第l个数据值；bi,j为第i个标准向量中第k个数据值；
获取位置判断库中与相似度最大的标准向量对应存储的位置作为台球球杆的位置。
上述技术方案的工作原理及有益效果为：
对于确定台球球杆的位置，提供两种方案。方案一，采用神经网络模型法；每一个编号的环形标记对应一个神经网络模型，例如编号为一的环形标记对应编号为一的神经网络模型，依次类推，通过N个神经网络模型确定N个初始位置，然后进行加权平均确定台球球杆位置，其中神经网络模型为事先经过大量的数据进行训练得到。方案二、为位置判断库法，此种方法为综合所有的环形标记，以所有的特征集构建判断向量，通过与位置判断库中标准向量进行比对确定台球球杆的位置。上述这两种方法都是以多个数据为基础，相较单一数据更准确。
在一个实施例中，解析第一图像和第二图像，获取各个编号的环状标记11的特征集，包括：
对第一图像或第二图像中的环状标记11区域进行提取；获取提取图像；
基于各个编号的环状标记11的标准图像，对提取图像的完整程度进行验证，当验证通过时，对提取图像进行特征提取获得特征集；
当验证不通过时，基于相邻编号的环状标记11的提取图像对完整程度验证未通过的提取图像进行补充操作，对补充操作后的提取图像进行特征提取获得特征集。
上述技术方案的工作原理及有益效果为：
在获取特征集时，需要保证环形标记区域的图像的完整，当不完整时，需要进行补充，以此来保证特征集的完善。提取图像的提取方法可以采用梯度法、采样框采用法等；提取图像的验证可以采用相似度法、缩放法等。
在一个实施例中，基于相邻编号的环状标记11的提取图像对完整程度验证未通过的提取图像进行补充操作，包括：
构建对应第一摄像单元或第二摄像单元的视场空间；
将左侧相邻的环状标记11的提取图像和标准图像映射至视场空间中，确定标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记11的提取图像和标准图像映射至视场空间中，确定标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记11的中心与左侧相邻的环状标记11的中心的第一距离；
获取验证未通过的环状标记11的中心与右侧相邻的环状标记11的中心的第二距离；
基于第一距离、第二距离、第一视距和第二视距，计算验证未通过的环状标记11的第三视距，计算公式如下：
Figure GDA0003731934770000111
其中，H3为第三视距，H2为第二视距；H1为第一视距；L1为第一距离；L2为第二距离；
基于第一偏转角和第二偏转角，确定验证未通过的环状标记11所对应的标准图像的第三偏转角；第三偏转角为第一偏转角和第二偏转角的算术平均值；
基于第三偏转角和第三视距，将验证未通过的环状标记11所对应的标准图像获取对应标准图像的图像作为完整程度验证未通过的提取图像补充后的提取图像。
上述技术方案的工作原理及有益效果为：
将左右两侧完整的标准图像及提取图像映射进视场空间；确定出偏转角度以及视距，以此确定位于中间的不完整的环状标记11的视距及偏转角，基于标准图像反推出提取图像，实现了图像的补充操作。
本发明还提供一种台球球杆智能视觉检测系统，包括：
第一获取模块，用于获取第一摄像单元拍摄的台球球杆的第一图像；
第二获取模块，用于获取第二摄像单元拍摄的台球球杆的第二图像；
确定模块，用于基于第一图像和第二图像，确定台球球杆的位置。
上述技术方案的工作原理及有益效果为：
通过图像识别技术对第一图像进行识别确定台球球杆的第一个位置，然后再对第二图像进行识别确定台球球杆的第二个位置，综合第一个位置和第二位置，实现消除单一摄像单元拍摄图像，由摄像单元带来的误差；实现精确的台球球杆的检测。当应用在三维虚拟时，确定了台球球杆的位置，只需在该位置设置预先制作的台球球杆的模型，即可完成三维空间中台球球杆位置的确定。其中，第一摄像单元和第二摄像单元的设置位置不同。
本发明的台球球杆智能视觉检测系统，通过设置位置不同的两个摄像单元，共同拍摄台球球杆获得的图像，进行综合分析，确定台球球杆的位置，两个摄像单元之间形成互补，进而实现台球球杆位置确定给的准确性
在一个实施例中，在台球球杆外表面设置有标记；
标记包括：间隔设置在台球球杆外表面的多个环状标记11；环状标记11之间的间隔从台球球杆的末端至尖端逐渐增大或减少；环状标记11的第一宽度从台球球杆的末端至尖端逐渐增大或减少；
在每个环状标记11中部设置有编码区12，所有的编码区12的第二宽度一致；在编码区12两侧分别设置有编码标示区14；编码标示区14的颜色与环状标记11颜色和编码区12颜色都不同；
编码区12的编码形式如下：
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用不同颜色环状线13进行标示，环状线13的第四宽度相等；以环状线13的颜色作为环状标记11编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用相同颜色环状线13进行标示，环状线13的第四宽度不等；以环状线13的第四宽度作为环状标记11编号的编码表现形式；
或，
令靠近台球球杆的尖端的第一个环状标记11编号为一，从台球球杆的尖端往末端依次对环状标记11进行编号，各个环状标记11的编码区12采用不同颜色环状线13进行标示，环状线13的第四宽度不等；以环状线13的第四宽度和颜色共同作为环状标记11编号的编码表现形式。
上述技术方案的工作原理及有益效果为：
通过标记辅助摄像单元进行台球球杆的识别，提高了识别准确率；环状标记11相较于其他标记在台球球杆上具有更高的辨识度，即无论台球球杆在哪种姿势都可以清除识别环状标记11，不会被遮挡；并且环状标记11设计为不同宽度及间隔，方便图像处理时对遮挡区域进行补全操作；通过编码区12标识出环状标记11的编号，有助于图像处理时，准确确定台球球杆的轮廓；从而提高了图像识别的精度，进而提高了台球球杆位置确定的准确性。
在一个实施例中，基于第一图像和第二图像，确定台球球杆的位置，包括：
解析第一图像和第二图像，获取各个编号的环状标记11的特征集；
将特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个初始位置加权平均获得台球球杆的位置；
或，
基于特征集建立位置判断向量；
获取预设的位置判断库，计算判断向量与位置判断库中各个标准向量之间的相似度，相似度计算公式如下：
Figure GDA0003731934770000131
其中，Qi为位置判断向量与位置判断库中的第i个标准向量的相似度；aj为位置判断向量中第j个数据值；al为位置判断向量中第l个数据值；bi,l为第i个标准向量中第l个数据值；bi,j为第i个标准向量中第j个数据值；
获取位置判断库中与相似度最大的标准向量对应存储的位置作为台球球杆的位置。
上述技术方案的工作原理及有益效果为：
对于确定台球球杆的位置，提供两种方案。方案一，采用神经网络模型法；每一个编号的环形标记对应一个神经网络模型，例如编号为一的环形标记对应编号为一的神经网络模型，依次类推，通过N个神经网络模型确定N个初始位置，然后进行加权平均确定台球球杆位置，其中神经网络模型为事先经过大量的数据进行训练得到。方案二、为位置判断库法，此种方法为综合所有的环形标记，以所有的特征集构建判断向量，通过与位置判断库中标准向量进行比对确定台球球杆的位置。上述这两种方法都是以多个数据为基础，相较单一数据更准确。
在一个实施例中，解析第一图像和第二图像，获取各个编号的环状标记11的特征集，包括：
对第一图像或第二图像中的环状标记11区域进行提取；获取提取图像；
基于各个编号的环状标记11的标准图像，对提取图像的完整程度进行验证，当验证通过时，对提取图像进行特征提取获得特征集；
当验证不通过时，基于相邻编号的环状标记11的提取图像对完整程度验证未通过的提取图像进行补充操作，对补充操作后的提取图像进行特征提取获得特征集。
上述技术方案的工作原理及有益效果为：
在获取特征集时，需要保证环形标记区域的图像的完整，当不完整时，需要进行补充，以此来保证特征集的完善。提取图像的提取方法可以采用梯度法、采样框采用法等；提取图像的验证可以采用相似度法、缩放法等。
在一个实施例中，基于相邻编号的环状标记11的提取图像对完整程度验证未通过的提取图像进行补充操作，包括：
构建对应第一摄像单元或第二摄像单元的视场空间；
将左侧相邻的环状标记11的提取图像和标准图像映射至视场空间中，确定标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记11的提取图像和标准图像映射至视场空间中，确定标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记11的中心与左侧相邻的环状标记11的中心的第一距离；
获取验证未通过的环状标记11的中心与右侧相邻的环状标记11的中心的第二距离；
基于第一距离、第二距离、第一视距和第二视距，计算验证未通过的环状标记11的第三视距，计算公式如下：
Figure GDA0003731934770000151
其中，H3为第三视距，H2为第二视距；H1为第一视距；L1为第一距离；L2为第二距离；
基于第一偏转角和第二偏转角，确定验证未通过的环状标记11所对应的标准图像的第三偏转角；第三偏转角为第一偏转角和第二偏转角的算术平均值；
基于第三偏转角和第三视距，将验证未通过的环状标记11所对应的标准图像获取对应标准图像的图像作为完整程度验证未通过的提取图像补充后的提取图像。
上述技术方案的工作原理及有益效果为：
将左右两侧完整的标准图像及提取图像映射进视场空间；确定出偏转角度以及视距，以此确定位于中间的不完整的环状标记11的视距及偏转角，基于标准图像反推出提取图像，实现了图像的补充操作。其中，偏转角为标准图像偏转多少度后在视场的视点位置形成与提取图像一致的图像。
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 (4)

1.一种台球球杆智能视觉检测方法，其特征在于，包括：
获取第一摄像单元拍摄的台球球杆的第一图像；
获取第二摄像单元拍摄的所述台球球杆的第二图像；
基于所述第一图像和所述第二图像，确定所述台球球杆的位置；
在所述台球球杆外表面设置有标记；
所述标记包括：间隔设置在所述台球球杆外表面的多个环状标记；所述环状标记之间的间隔从所述台球球杆的末端至尖端逐渐增大或减少；所述环状标记的第一宽度从所述台球球杆的末端至尖端逐渐增大或减少；
在每个所述环状标记中部设置有编码区，所有的所述编码区的第二宽度一致；在所述编码区两侧分别设置有编码标示区；所述编码标示区的颜色与所述环状标记颜色和所述编码区颜色都不同；
所述编码区的编码形式如下：
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用不同颜色环状线进行标示，所述环状线的第四宽度相等；以所述环状线的颜色作为所述环状标记编号的编码表现形式；
或，
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用相同颜色环状线进行标示，所述环状线的第四宽度不等；以所述环状线的第四宽度作为所述环状标记编号的编码表现形式；
或，
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用不同颜色环状线进行标示，所述环状线的第四宽度不等；以所述环状线的第四宽度和颜色共同作为所述环状标记编号的编码表现形式；
其中，所述基于所述第一图像和所述第二图像，确定所述台球球杆的位置，包括：
解析所述第一图像和所述第二图像，获取各个编号的所述环状标记的特征集；
将所述特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个所述初始位置加权平均获得所述台球球杆的位置；
或，
基于所述特征集建立位置判断向量；
获取预设的位置判断库，计算所述判断向量与所述位置判断库中各个标准向量之间的相似度，所述相似度计算公式如下：
Figure FDA0003731934760000021
其中，Qi为所述位置判断向量与所述位置判断库中的第i个所述标准向量的所述相似度；aj为所述位置判断向量中第j个数据值；al为所述位置判断向量中第l个数据值；bi,l为第i个所述标准向量中第l个数据值；bi,j为第i个所述标准向量中第j个数据值；n为所述标准向量的数据总量或所述位置判断向量的数据总量；
获取所述位置判断库中与相似度最大的所述标准向量对应存储的位置作为所述台球球杆的位置；
其中，所述解析所述第一图像和所述第二图像，获取各个编号的所述环状标记的特征集，包括：
对所述第一图像或所述第二图像中的所述环状标记区域进行提取；获取提取图像；
基于各个编号的所述环状标记的标准图像，对所述提取图像的完整程度进行验证，当验证通过时，对所述提取图像进行特征提取获得所述特征集；
当验证不通过时，基于相邻编号的所述环状标记的所述提取图像对完整程度验证未通过的所述提取图像进行补充操作，对补充操作后的所述提取图像进行特征提取获得所述特征集。
2.如权利要求1所述的台球球杆智能视觉检测方法，其特征在于，所述基于相邻编号的所述环状标记的所述提取图像对完整程度验证未通过的所述提取图像进行补充操作，包括：
构建对应所述第一摄像单元或所述第二摄像单元的视场空间；
将左侧相邻的环状标记的所述提取图像和所述标准图像映射至所述视场空间中，确定所述标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记的所述提取图像和所述标准图像映射至所述视场空间中，确定所述标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记的中心与左侧相邻的环状标记的中心的第一距离；
获取验证未通过的环状标记的中心与右侧相邻的环状标记的中心的第二距离；
基于所述第一距离、所述第二距离、所述第一视距和所述第二视距，计算所述验证未通过的所述环状标记的第三视距，计算公式如下：
Figure FDA0003731934760000031
其中，H3为所述第三视距，H2为所述第二视距；H1为所述第一视距；L1为所述第一距离；L2为所述第二距离；
基于所述第一偏转角和所述第二偏转角，确定验证未通过的所述环状标记所对应的所述标准图像的第三偏转角；所述第三偏转角为所述第一偏转角和所述第二偏转角的算术平均值；
基于所述第三偏转角和所述第三视距，将验证未通过的所述环状标记所对应的所述标准图像获取对应所述标准图像的图像作为完整程度验证未通过的所述提取图像补充后的提取图像。
3.一种台球球杆智能视觉检测系统，其特征在于，包括：
第一获取模块，用于获取第一摄像单元拍摄的台球球杆的第一图像；
第二获取模块，用于获取第二摄像单元拍摄的所述台球球杆的第二图像；
确定模块，用于基于所述第一图像和所述第二图像，确定所述台球球杆的位置；
在所述台球球杆外表面设置有标记；
所述标记包括：间隔设置在所述台球球杆外表面的多个环状标记；所述环状标记之间的间隔从所述台球球杆的末端至尖端逐渐增大或减少；所述环状标记的第一宽度从所述台球球杆的末端至尖端逐渐增大或减少；
在每个所述环状标记中部设置有编码区，所有的所述编码区的第二宽度一致；在所述编码区两侧分别设置有编码标示区；所述编码标示区的颜色与所述环状标记颜色和所述编码区颜色都不同；
所述编码区的编码形式如下：
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用不同颜色环状线进行标示，所述环状线的第四宽度相等；以所述环状线的颜色作为所述环状标记编号的编码表现形式；
或，
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用相同颜色环状线进行标示，所述环状线的第四宽度不等；以所述环状线的第四宽度作为所述环状标记编号的编码表现形式；
或，
令靠近所述台球球杆的尖端的第一个所述环状标记编号为一，从所述台球球杆的尖端往末端依次对所述环状标记进行编号，各个所述环状标记的编码区采用不同颜色环状线进行标示，所述环状线的第四宽度不等；以所述环状线的第四宽度和颜色共同作为所述环状标记编号的编码表现形式；
所述基于所述第一图像和所述第二图像，确定所述台球球杆的位置，包括：
解析所述第一图像和所述第二图像，获取各个编号的所述环状标记的特征集；
将所述特征集代入预设的对应于各个编号的神经网络模型中，获取多个初始位置；
对多个所述初始位置加权平均获得所述台球球杆的位置；
或，
基于所述特征集建立位置判断向量；
获取预设的位置判断库，计算所述判断向量与所述位置判断库中各个标准向量之间的相似度，所述相似度计算公式如下：
Figure FDA0003731934760000051
其中，Qi为所述位置判断向量与所述位置判断库中的第i个所述标准向量的所述相似度；aj为所述位置判断向量中第j个数据值；al为所述位置判断向量中第l个数据值；bi,l为第i个所述标准向量中第l个数据值；bi,j为第i个所述标准向量中第j个数据值；
获取所述位置判断库中与相似度最大的所述标准向量对应存储的位置作为所述台球球杆的位置；
其中，所述解析所述第一图像和所述第二图像，获取各个编号的所述环状标记的特征集，包括：
对所述第一图像或所述第二图像中的所述环状标记区域进行提取；获取提取图像；
基于各个编号的所述环状标记的标准图像，对所述提取图像的完整程度进行验证，当验证通过时，对所述提取图像进行特征提取获得所述特征集；
当验证不通过时，基于相邻编号的所述环状标记的所述提取图像对完整程度验证未通过的所述提取图像进行补充操作，对补充操作后的所述提取图像进行特征提取获得所述特征集。
4.如权利要求3所述的台球球杆智能视觉检测系统，其特征在于，所述基于相邻编号的所述环状标记的所述提取图像对完整程度验证未通过的所述提取图像进行补充操作，包括：
构建对应所述第一摄像单元或所述第二摄像单元的视场空间；
将左侧相邻的环状标记的所述提取图像和所述标准图像映射至所述视场空间中，确定所述标准图像的第一偏转角和第一视距；
将右侧相邻的环状标记的所述提取图像和所述标准图像映射至所述视场空间中，确定所述标准图像的第二偏转角和第二视距；
获取验证未通过的环状标记的中心与左侧相邻的环状标记的中心的第一距离；
获取验证未通过的环状标记的中心与右侧相邻的环状标记的中心的第二距离；
基于所述第一距离、所述第二距离、所述第一视距和所述第二视距，计算所述验证未通过的所述环状标记的第三视距，计算公式如下：
Figure FDA0003731934760000061
其中，H3为所述第三视距，H2为所述第二视距；H1为所述第一视距；L1为所述第一距离；L2为所述第二距离；
基于所述第一偏转角和所述第二偏转角，确定验证未通过的所述环状标记所对应的所述标准图像的第三偏转角；所述第三偏转角为所述第一偏转角和所述第二偏转角的算术平均值；
基于所述第三偏转角和所述第三视距，将验证未通过的所述环状标记所对应的所述标准图像获取对应所述标准图像的图像作为完整程度验证未通过的所述提取图像补充后的提取图像。
CN202110208721.1A 2021-02-24 2021-02-24 一种台球球杆智能视觉检测方法及系统 Active CN113011273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110208721.1A CN113011273B (zh) 2021-02-24 2021-02-24 一种台球球杆智能视觉检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110208721.1A CN113011273B (zh) 2021-02-24 2021-02-24 一种台球球杆智能视觉检测方法及系统

Publications (2)

Publication Number Publication Date
CN113011273A CN113011273A (zh) 2021-06-22
CN113011273B true CN113011273B (zh) 2022-08-19

Family

ID=76385964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110208721.1A Active CN113011273B (zh) 2021-02-24 2021-02-24 一种台球球杆智能视觉检测方法及系统

Country Status (1)

Country Link
CN (1) CN113011273B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109011534A (zh) * 2018-08-08 2018-12-18 Oppo广东移动通信有限公司 台球击球辅助方法、装置、存储介质及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1314464B1 (en) * 2001-11-22 2013-01-02 Konami Digital Entertainment Co., Ltd. Billiard game input device, billiard game system, game input device, and computer program
US20080220887A1 (en) * 2004-08-06 2008-09-11 Kirk Boyd Evans Pool cue systems
JP2012170532A (ja) * 2011-02-18 2012-09-10 Dunlop Sports Co Ltd ゴルフクラブ及びボールの挙動の計測方法
JP6589692B2 (ja) * 2016-02-29 2019-10-16 株式会社プロギア 計測用マーカーおよび計測用マーカーを用いた移動体の挙動計測方法
WO2018035821A1 (zh) * 2016-08-25 2018-03-01 深圳英麦吉科技有限公司 台球击球辅助方法、台球击球辅助系统及便携式电子设备
CN108905182B (zh) * 2018-08-01 2020-04-17 京东方科技集团股份有限公司 一种智能眼镜和台球摄像定位瞄准方法
US20200406098A1 (en) * 2019-06-26 2020-12-31 Medalist Inc. Techniques for golf swing measurement and optimization
CN111159843B (zh) * 2019-12-02 2023-05-23 梁栋 台球辅助预测方法、装置、计算机设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109011534A (zh) * 2018-08-08 2018-12-18 Oppo广东移动通信有限公司 台球击球辅助方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN113011273A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN109863535B (zh) 运动识别装置、存储介质以及运动识别方法
AU2004237876B2 (en) Golf swing diagnosis system
US7881499B2 (en) Golf club and ball performance monitor with automatic pattern recognition
CA2862818C (en) Golf club head measurement system
JP2002052111A (ja) 改良されたスポーツ練習システム及びスポーツビデオゲーム
CN112364785B (zh) 一种运动训练指导方法、装置、设备及计算机存储介质
CN105288982A (zh) 高尔夫球的运动状态测定装置
CN111401260B (zh) 基于Quick-OpenPose模型的仰卧起坐测试计数方法及系统
CN103954280B (zh) 一种快速和高鲁棒性自主恒星识别方法
TWI804843B (zh) 指紋匹配方法、裝置、可讀儲存介質與電子設備
CN111097155B (zh) 用于测定球的旋转的方法、系统及存储介质
CN104517101A (zh) 一种基于像素平方差匹配的游戏扑克牌识别方法
CN108905182B (zh) 一种智能眼镜和台球摄像定位瞄准方法
CN113011273B (zh) 一种台球球杆智能视觉检测方法及系统
ITRM20010045A1 (it) Sistema e metodo per la rilevazione della posizione relativa di un oggetto rispetto ad un punto di riferimento.
CN111932620B (zh) 排球发球过网与否的判定方法及发球速度的获取方法
JP2004061483A (ja) 曲面体の回転量と回転軸方向の測定方法、及び、曲面体の回転量と回転軸方向の測定装置、曲面体の三次元姿勢特定方法
CN116012415A (zh) 基于视觉测量的乒乓球旋转估计方法及旋转估计系统
CN112581532B (zh) 一种运动物体的位置捕捉系统及方法
JP2023554125A (ja) ボール回転を検出可能とするマークを備えた卓球ボール
Uchiyama et al. AR display of visual aids for supporting pool games by online markerless tracking
CN108961321A (zh) 台球复位方法及存储介质
CN112734792A (zh) 一种基于台球轨迹检测的台球比赛作弊识别方法及系统
KR102286727B1 (ko) 파크골프용 골프공 자동 공급장치
CN111210424A (zh) 一种骨龄x光片rus骨块近轮廓点定位方法

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