CN113808167A - 一种基于视频数据的排球运动轨迹提取方法 - Google Patents
一种基于视频数据的排球运动轨迹提取方法 Download PDFInfo
- Publication number
- CN113808167A CN113808167A CN202111092241.XA CN202111092241A CN113808167A CN 113808167 A CN113808167 A CN 113808167A CN 202111092241 A CN202111092241 A CN 202111092241A CN 113808167 A CN113808167 A CN 113808167A
- Authority
- CN
- China
- Prior art keywords
- volleyball
- track
- ball
- target
- trajectory
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000001360 synchronised effect Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30221—Sports video; Sports image
- G06T2207/30224—Ball; Puck
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
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)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频数据的排球运动轨迹检测方法，从摄像机捕捉的多视角同步排球视频中，利用基于深度学习的目标检测模型，有效的检测并计算排球的运动轨迹。该方法包括：排球目标检测、运动轨迹匹配筛选、运动轨迹三维重构；本发明提供的方法能够帮助教练通过录制多视角视频的方式，充分利用好排球视频数据，有效捕捉视频中运动的排球轨迹，并自动化地计算轨迹的相关参数，可以辅助教练完善排球训练流程。球轨迹的提取准确率达到94％，球落点误差范围只有0.2～0.3m。
Description
技术领域
本发明属于计算机视觉领域，涉及基于多视角同步排球视频数据的球轨迹提取方法，以解决训练场景下排球视频中的击球的各项指标的提取为出发点。
背景技术
排球等集体竞技类体育项目训练比赛过程往往包含了海量的实时数据，通过对这些数据的挖掘分析，可以高效快速的掌握对战双方的技战特点，并以此制定针对性训练计划和作战策略。然而传统的分析工作，却完全依赖于教练等专业人士的人工处理，基于现场人工记录，反复视频回放等方法，任务重，成本高，维度低，大量数据隐藏在比赛训练视频中得不到及时处理。
然而随着计算机视觉领域和深度学习领域的飞速发展，利用计算机技术分析比赛视频数据可极大的节约人工成本，提高数据分析效率。通过对多视角排球比赛训练视频数据的逐帧分析，可自动重新绘制排球的运动轨迹，通过运动轨迹再推算球速，落点，高度等关键参数，为排球竞技的数据详细分析，具体量化统计和多维度评估等工作提供数据基础和数据支撑。
该方法的设计过程涉及mmdetection目标检测模型库，Faster-RCNN球类目标检测模型，Open Image v4数据集等现有技术。
mmdetection目标检测模型库，商汤和香港中文大学基于2018年COCO挑战赛冠军队MMDet的代码，利用pytorch语言编写的开源深度学习目标检测工具，该工具支持物体检测，实例分割，并提供编译好的模型。参考论文《MMDetection：Open MMLab DetectionToolbox and Benchmark》(https：//arxiv.org/pdf/1906.07155.pdf)
Faster-RCNN球类目标检测模型是由Ross B.Girshick在2016年提出的新模型，该模型将特征抽取，proposal提取，边际检测，分类整合在一个网络中，使得网络综合性能有较大提高，尤其在检测速度方面尤为明显。参考论文《Faster R-CNN：Towards Real-TimeObject Detection with Region Proposal Networks》(https：//arxiv.org/pdf/1506.01497.pdf)
Open Image v4数据集是2018年由谷歌公布开放的数据集，该数据集包含大约900万张图片，以及在190万张图片上针对600个类别的1540万个边框盒，是现有最大的具有对象位置注释的数据集。这些边框盒大部分由专业注释人员手动绘制的，确保了边框盒的准确性和一致性。同时数据集包含的图像非常多样化，平均每个图像包含8个对象的复杂场景。
发明内容
为了克服上述现有技术的缺点，本发明提供一个基于视频数据的排球运动轨迹提取方法，通过基于深度神经网络的目标检测模型获取多个视角同步画面中的排球目标，然后对得到的排球目标基于贪心策略匹配生成单视角排球轨迹，再结合抛物线运动特征筛选并计算得到视频中的主要排球目标运行轨迹参数。
该方法能够有效的提取拍摄的多角度排球视频数据中的主要排球目标的物理参数，在无畸变、视频帧级同步的多个角度的视频数据输入前提下，能够得到较高精准度的获得排球运行轨迹的预测结果。
为了实现上述目的，本发明公开一种基于视频数据的排球运动轨迹提取方法，包括步骤：
(1)排球目标检测：
对输入的同步录制的多视角的视频，进行排球目标检测，目标检测采用卷积神经网络提取视频每帧图片的特征，采用基于mmdetection目标检测模型库的Faster-RCNN球类目标检测模型。采用Open Image v4中球类相关的图片对排球目标检测模型进行训练，并对数据集进行了数据增强，保证了训练数据更贴近真实场景；
(2)2D球轨迹提取：
由于排球在真实空间的运动轨迹的提取需要对画面中的球目标进行三维重构与计算，并且只需要计算运动员击打的主要球目标。因此需要将步骤(1)得到的每一帧画面中的球的目标检测框进行初步的匹配与筛选。
具体来说，经过目标检测模型处理后得到的是每一帧互相独立的球目标的目标检测框，将每一帧的目标检测框按照距离优先的贪心策略进行匹配，并通过最小二乘法拟合抛物线轨迹，之后结合抛物线轨迹方程参数进一步匹配球目标，最终可以得到许多球轨迹片段，结合主要目标球的飞行轨迹的参数特征，可以对这些球轨迹设置参数阈值进行筛选，得到每个画面中同一时刻唯一存在的主要目标球的目标检测框。
以画面左上角为坐标原点，建立坐标系，原点向下为Y轴正方向，原点向右为X轴正方向，排球目标的轨迹预测方程公式如下所示：
y＝a1·t2+a2·t+a3，(a1＞0)
x＝b1·t+b2
其中t为以视频的帧数为单位的时间，a1，a2，a3为二次抛物线方程参数，b1，b2为一次直线方程参数；
处理下一帧的球目标时，将其与轨迹预测方程进行匹配，如果预测位置与实际检测位置小于阈值条件thr1，则将此球目标添加到已经形成的更新球轨迹中，并重新拟合Y轴以及X轴上的轨迹预测方程，如果轨迹预测方程有超过thr2帧的预测位置不匹配，则停止轨迹的更新，并将轨迹添加到球轨迹集合T中；所述thr1为球轨迹形成过程中前一帧对比检测球目标的检测框的最小边长度，所述thr2为更新球轨迹中球数量的二分之一并向下取整所得到的整数阈值；
对得到的球轨迹集合T进行筛选；训练中，主要的球目标为运动员击打的球目标，轨迹为抛物线轨迹，通过对方程的二次系数设置抛物线曲率阈值thr3，筛选掉静止的球目标；对于行程较短、速度较快的击球，其轨迹行程接近直线，同时通过球目标沿X轴方向运动方程的斜率阈值thr4筛选掉；即可得到主目标球的2D轨迹；所述thr3参数和所述thr4参数为通过测验后选取的能够有效筛选轨迹的系数阈值和斜率阈值；
(3)3D球轨迹计算：如果不考虑阻力、自旋等特殊因素，球在空中的飞行轨迹只受重力影响，基本符合抛物线特征。为了计算球在真实空间中的抛物线飞行轨迹的参数，就需要结合一段球轨迹的目标检测框以及球的物理运动特征，最终通过结合三维重构方法，就可以计算得到抛物线飞行轨迹的基本参数，其中三维重构所需要的投影矩阵可以通过对相机进行传统标定来获取。
在所述主目标球的2D球轨迹基础上，进一步重构出3D球轨迹；真实空间中的点与2D图像上的点的映射关系可以表示为：
m×PW＝0
其中m为图像上的点的坐标，W为真实空间中的点的坐标，P为3D空间和2D图像的映射关系，即投影矩阵，映射关系可以进一步的表示为：
其中xt、yt为m的横坐标和纵坐标，Pi是P矩阵的第i行向量；
球在空中的运动轨迹可以近似为抛物线轨迹，则球在t时刻空间中的坐标如公式所示：
Xt＝X0+VXt
Yt＝Y0+VYt
Zt＝Z0+VZt+gt2/2
其中(Xt，Yt，Zt)是所述主目标球在3D空间中的坐标，(X0，Y0，Z0)是所述主目标球在3D空间的运动轨迹的初始位置，(VX，VY，VZ)是排球运动时在三个坐标上的各方向的运动速度，g为重力加速度常数。
通过将Wt表示为(X0+VXt，Y0+VYtZ0+VZt+gt2/2，1)T，便得到关于t时刻包含六个抛物线轨迹未知量的方程组；对于轨迹中N个检测到的球目标，可以构建包含4N个方程的如下的方程组：
通过求解该方程组，可以得到抛物线轨迹的各方向速度以及初始位置参数，最终可以进一步得到所有主目标球的抛物线运动轨迹参数；
(4)击球指标的计算：
利用以上步骤得到的球的抛物线轨迹参数，可以获得关键时刻点的速度和位置数据。
优选的是，步骤(4)中所述关键时刻点的速度和位置数据包括出手球速、过网高度。
本发明的方法可以应用于排球运动领域。与现有的技术相比，本发明能够帮助教练通过录制多视角视频的方式，充分利用好排球视频数据，有效捕捉视频中运动的排球轨迹，并自动化地计算轨迹的相关参数，可以辅助教练完善排球训练流程。经本发明方法提取出的排球轨迹，与人工记录的数据相比，球轨迹的提取准确率达到94％，球速误差是±3.00km/h，球落点误差范围只有0.2～0.3m。
附图说明
图1为本发明基于视频数据的排球运动轨迹提取方法整体架构图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
图1为本发明基于视频数据的排球运动轨迹提取方法的流程设计，主要流程如下：
针对多台摄像机同步捕捉的多视角运动视频数据，利用预先训练得到的Faster-RCNN球类检测器对每个视角的同步视频进行逐帧的目标检测，检测出每一帧的排球目标。在场上球类物体比较简单的场景中，如比赛等场景，每一帧画面中的球目标基本是球员所击打的排球，而在场上出现较多球类物体的复杂场景中，球类检测器每一帧可能会检测到多个球目标。
之后对各个视角检测出的球目标使用贪心策略，并基于球轨迹的特征，匹配相邻帧中距离最短的球，并进行筛选，构成各个相机序列中的主目标球的2D轨迹。
然后通过将每一帧检测到的排球目标与相邻帧中距离最短且小于阈值条件thr1的排球目标进行连接。当连接的排球目标≥3时，使用最小二乘法，利用梯度下降拟合排球目标在2D画面的运动轨迹特征，其特征如下：
以画面左上角为坐标原点，建立坐标系，原点向下为Y轴正方向，原点向右为X轴正方向。排球在画面中沿Y轴的运动轨迹接近二次抛物线方程，而沿X轴的运动轨迹接近一次直线方程，方程公式如下所示：
y＝a1·t2+a2·t+a3，(a1＞0)
x＝b1·t+b2
其中t为以视频的帧数为单位的时间，a1，a2，a3为二次抛物线方程参数，b1，b2为一次直线方程参数。形成的二次抛物线方程和一次直线方程即为排球目标的轨迹预测方程。
然后将下一帧的排球目标与已经形成的预测方程进行匹配，如果预测位置与实际检测位置小于阈值条件thr1，则将此目标添加到排球轨迹，更新运动轨迹，并重新拟合轨迹预测方程。如果轨迹预测方程有超过thr2帧的预测位置不匹配，则停止运动轨迹更新，并将轨迹添加到轨迹集合T中。thr1为排球轨迹形成过程中前一帧对比检测球目标的检测框的最小边长度，thr2为更新排球轨迹中目标球数量的二分之一并向下取整得到的整数阈值。
最后，对得到的排球轨迹集合T进行筛选。在筛选过程中，可以通过对二次抛物线方程的二次系数设置抛物线曲率阈值thr3，筛选掉静止的球目标；对于某些行程较短、速度较快的击球，其轨迹行程接近直线方程，可以通过设置目标沿X轴方向一次直线方程的斜率阈值thr4进行筛选。最终得到主要目标排球的2D轨迹。thr3和thr4为通过测验后选取的能够有效筛选轨迹的系数阈值和斜率阈值。
在通过匹配筛选后获得主要目标排球的2D轨迹基础上，利用排球的抛物线轨迹运动特征、视频的标定信息，最终重构出排球的3D运动轨迹。
真实3D空间中的点与2D图像上的点的映射关系可以表示为：
m×PW＝0
其中m为图像上的点的坐标，W为真实空间中的点的坐标，P为3D空间和2D图像的映射关系，即投影矩阵，映射关系可以进一步的表示为：
其中xt、yt为m的横坐标和纵坐标，Pi是P矩阵的第i行向量。
排球在3D空间的运动轨迹可以近似为抛物线轨迹，排球在t时刻空间中的坐标如公式所示：
Xt＝X0+VXt
Yt＝Y0+VYt
Zt＝Z0+VZt+gt2/2
其中(Xt，Yt，Zt)是排球在轨迹开始时刻空间中的坐标，(X0，Y0，Z0)是轨迹的起始时刻的空间位置，(VX，VY，VZ)是排球运动时在三个坐标上的各方向的分解运动速度，g为重力加速度常数。
通过将Wt表示为(X0+VXt，Y0+VYtZ0+VZt+gt2/2，1)T，得到关于t时刻包含六个抛物线轨迹未知量的方程组。一般情况下，对于轨迹中N个检测到的排球目标，可以构建包含4N个方程的方程组如下：
通过求解该方程组，可以得到抛物线轨迹的各个方向参数和初始位置参数，进一步计算得到所有主要球目标的抛物线运动轨迹参数，实现对运动轨迹的3D重构。
(4)击球指标的计算：
利用以上步骤得到的球的抛物线轨迹参数，可以获得关键时刻点的速度和位置数据，包括出手球速、过网高度等。
实施例1
在本实施例中，在GTX 1080 8G显卡上，目标检测模型的训练基于mmdetection目标检测模型库。
数据集：
在不同训练场景下，采用多台摄像机对训练进行多视角同步视频数据捕捉，以采集的视频数据作为实验数据集，并采用录制视频时现场教练的人工记录数据作为参考对比数据。
实验：为了证明基于视频数据的排球运动轨迹提取方法在多视角同步视频下的有效性和准确性，通过基于视频数据的排球运动轨迹提取方法得到的数据与人工记录的数据对比。结果如表1所示。测试结果表明该方法能够有效提取视频中的排球轨迹。
表1球轨迹提取算法在验证视频上的表现
| 衡量指标 | 球轨迹提取准确率 | 球速误差范围 | 球落点误差范围 |
| 算法表现 | 94％ | ±3.00km/h | 0.2m～0.3m |
从实验结果中可以看出，对于记录的多视角同步排球视频，该算法能够有效的检测出主要排球目标，提取出该排球目标的抛物线轨迹，并计算出该目标的主要参数。
以上所述仅为本发明较佳的实施方式，但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于视频数据的排球运动轨迹提取方法，其特征在于，包括如下步骤：
(1)排球目标检测：
针对摄像机同步捕捉的多视角运动视频数据，利用Faster-RCNN球类目标检测模型对每个视角的同步视频进行逐帧的目标检测，检测出每一帧的排球目标；
(2)2D球轨迹提取：
对检测出的排球目标使用贪心策略，基于排球运动轨迹的特征，匹配相邻帧中距离最短的排球目标；筛选提取各相机序列中的主目标球的2D轨迹；所述主目标球为运动员击打的球目标；
将每一帧检测到的球目标与相邻帧中距离最短且小于阈值条件thr1的排球目标进行连接，构成画面中检测到的所有排球目标的轨迹；所述thr1参数为排球轨迹形成过程中前一帧对比检测排球目标的检测框的最小边长度；当连接的排球目标≥3时，利用梯度下降拟合排球目标在2D画面的运动轨迹特征；
以画面左上角为坐标原点，建立坐标系，原点向下为Y轴正方向，原点向右为X轴正方向，排球目标的轨迹预测方程公式如下所示：
y＝a1·t2+a2·t+a3，(a1＞0)
x＝b1·t+b2
其中t为以视频的帧数为单位的时间，a1，a2，a3为二次抛物线方程参数，b1，b2为一次直线方程参数；
将下一帧的排球目标与排球目标的轨迹预测方程进行匹配，如果预测位置与实际检测位置小于阈值条件thr1，则将此目标添加到排球轨迹，更新运动轨迹，并重新拟合轨迹预测方程；如果轨迹预测方程有超过thr2帧的预测位置不匹配，则停止运动轨迹更新，并将轨迹添加到轨迹集合T中，所述thr2参数为排球目标数量的二分之一并向下取整得到的整数阈值；
对所述轨迹集合T进行筛选，获得所述主目标球的2D轨迹；所述主目标球的2D轨迹为抛物线轨迹，通过对方程的二次系数设置抛物线曲率阈值thr3，筛选掉静止的球目标；对于行程较短、速度较快的击球，通过球沿X轴方向运动方程的斜率阈值thr4筛选掉；最终得到所述主目标球的2D轨迹；其中所述thr3参数和所述thr4参数为系数阈值和斜率阈值；
(3)3D球轨迹计算：
3D空间中的点与2D图像上的点的映射关系可以表示为：
m×PW＝0
其中m为2D图像上的点的坐标，W为3D空间中的点的坐标，P为3D空间和2D图像的映射关系，即投影矩阵，所述映射关系可以进一步的表示为：
其中xt、yt为m的横坐标和纵坐标，Pi是P矩阵的第i行向量；
所述主目标球在3D空间的运动轨迹可以近似为抛物线轨迹，所述主目标球在t时刻空间中的坐标如公式所示：
Xt＝X0+VXt
Yt＝Y0+VYt
Zt＝Z0+VZt+gt2/2
其中(Xt，Yt，Zt)是所述主目标球在3D空间中的坐标，(X0，Y0，Z0)是所述主目标球在3D空间的运动轨迹的初始位置，(VX，VY，VZ)是排球运动时在三个坐标上的各方向的运动速度，g为重力加速度常数；
通过将Wt表示为(X0+VXt，Y0+VYtZ0+VZt+gt2/2，1)T，得到关于t时刻包含六个抛物线轨迹未知量的方程组；对于轨迹中N个检测到的排球目标，可以构建包含4N个方程的方程组如下：
通过求解所述包含4N个方程的方程组，可以得到抛物线轨迹的所述各方向的运动速度和所述初始位置，进一步重构出主目标球的3D运动轨迹；
(4)击球指标的计算：
利用抛物线轨迹的所述各方向的运动速度和所述初始位置及所述3D运动轨迹，可以获得关键时刻点的速度和位置数据。
2.根据权利要求1所述基于视频数据的排球运动轨迹提取方法，其特征在于，步骤(4)中所述关键时刻点的速度和位置数据包括出手球速、过网高度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092241.XA CN113808167B (zh) | 2021-09-17 | 2021-09-17 | 一种基于视频数据的排球运动轨迹提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092241.XA CN113808167B (zh) | 2021-09-17 | 2021-09-17 | 一种基于视频数据的排球运动轨迹提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808167A true CN113808167A (zh) | 2021-12-17 |
| CN113808167B CN113808167B (zh) | 2023-11-17 |
Family
ID=78939548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111092241.XA Active CN113808167B (zh) | 2021-09-17 | 2021-09-17 | 一种基于视频数据的排球运动轨迹提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808167B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494356A (zh) * | 2022-04-02 | 2022-05-13 | 中傲数据技术(深圳)有限公司 | 一种基于人工智能的羽毛球视频片段处理方法和系统 |
| CN116543013A (zh) * | 2023-04-19 | 2023-08-04 | 北京拙河科技有限公司 | 一种球类运动轨迹分析方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITUB20156320A1 (it) * | 2015-12-03 | 2017-06-03 | Mfg Point Software Srl | Metodo per l?analisi della traiettoria di una palla |
| CN107767392A (zh) * | 2017-10-20 | 2018-03-06 | 西南交通大学 | 一种适应遮挡场景的球类运动轨迹追踪方法 |
| CN109087328A (zh) * | 2018-05-31 | 2018-12-25 | 湖北工业大学 | 基于计算机视觉的羽毛球落点位置预测方法 |
| CN111754549A (zh) * | 2020-06-29 | 2020-10-09 | 华东师范大学 | 一种基于深度学习的羽毛球运动员轨迹提取方法 |
-
2021
- 2021-09-17 CN CN202111092241.XA patent/CN113808167B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITUB20156320A1 (it) * | 2015-12-03 | 2017-06-03 | Mfg Point Software Srl | Metodo per l?analisi della traiettoria di una palla |
| CN107767392A (zh) * | 2017-10-20 | 2018-03-06 | 西南交通大学 | 一种适应遮挡场景的球类运动轨迹追踪方法 |
| CN109087328A (zh) * | 2018-05-31 | 2018-12-25 | 湖北工业大学 | 基于计算机视觉的羽毛球落点位置预测方法 |
| CN111754549A (zh) * | 2020-06-29 | 2020-10-09 | 华东师范大学 | 一种基于深度学习的羽毛球运动员轨迹提取方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494356A (zh) * | 2022-04-02 | 2022-05-13 | 中傲数据技术(深圳)有限公司 | 一种基于人工智能的羽毛球视频片段处理方法和系统 |
| CN116543013A (zh) * | 2023-04-19 | 2023-08-04 | 北京拙河科技有限公司 | 一种球类运动轨迹分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808167B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Tracknet: A deep learning network for tracking high-speed and tiny objects in sports applications | |
| CN109903312B (zh) | 一种基于视频多目标跟踪的足球球员跑动距离统计方法 | |
| KR102078473B1 (ko) | 동체 추적 장치, 동체 추적 방법, 동체 추적 프로그램 | |
| Deepa et al. | Comparison of yolo, ssd, faster rcnn for real time tennis ball tracking for action decision networks | |
| CN113808167B (zh) | 一种基于视频数据的排球运动轨迹提取方法 | |
| CN109684919B (zh) | 一种基于机器视觉的羽毛球发球违例判别方法 | |
| Hsu et al. | Coachai: A project for microscopic badminton match data collection and tactical analysis | |
| He et al. | Notice of violation of ieee publication principles: study on sports volleyball tracking technology based on image processing and 3D space matching | |
| Sokolova et al. | Human identification by gait from event-based camera | |
| Li et al. | Video-based table tennis tracking and trajectory prediction using convolutional neural networks | |
| Nguyen et al. | Video smoke detection for surveillance cameras based on deep learning in indoor environment | |
| He et al. | Mathematical modeling and simulation of table tennis trajectory based on digital video image processing | |
| CN110910489B (zh) | 一种基于单目视觉的智能球场运动信息采集系统与方法 | |
| Liu et al. | Research on action recognition of player in broadcast sports video | |
| Tamaki et al. | Reconstruction of 3d trajectories for performance analysis in table tennis | |
| Lee et al. | A study on sports player tracking based on video using deep learning | |
| Maglo et al. | KaliCalib: A Framework for Basketball Court Registration | |
| CN106056093A (zh) | 基于二分类进化特征学习的人体行为识别方法 | |
| Hsu et al. | Computer-assisted billiard self-training using intelligent glasses | |
| Zhou | Computational Analysis of Table Tennis Games from Real-Time Videos Using Deep Learning | |
| Poliakov et al. | Physics based 3D ball tracking for tennis videos | |
| Kelly et al. | Performance analysis and visualisation in tennis using a low-cost camera network | |
| Ivasic-Kos et al. | Active player detection in handball videos using optical flow and STIPs based measures | |
| Širmenis et al. | Tracking basketball shots–preliminary results | |
| Smirnov et al. | Recognition of the Basketball Players Position Using Live Cameras |
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 |