CN115423825A - 跳远距离的获取方法、装置、设备及计算机可读存储介质 - Google Patents
跳远距离的获取方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115423825A CN115423825A CN202211074174.3A CN202211074174A CN115423825A CN 115423825 A CN115423825 A CN 115423825A CN 202211074174 A CN202211074174 A CN 202211074174A CN 115423825 A CN115423825 A CN 115423825A
- Authority
- CN
- China
- Prior art keywords
- target
- image frame
- human body
- frame
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000009191 jumping Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种跳远距离的获取方法、装置、设备及计算机可读存储介质,方法包括:获取图像帧和图像帧的深度图像;基于目标检测模块和目标追踪模块,识别图像帧中的人体目标和对应的类别;根据深度图像,确定图像帧中每个类别的人体目标的位置;根据位置,计算人体目的移动距离;若当前图像帧中,人体目标的移动距离大于预设值,将人体目标作为跳远目标,将前一个图像帧作为起跳帧;在起跳帧之后,若跳远目标在前一个图像帧的移动距离大于在后一个图像帧的移动距离,将前一个图像帧作为停止帧;根据起跳帧和停止帧中,计算跳远距离。由此,本发明能给出客观且准确的跳远距离计算结果,避免了作弊行为的产生,也避免了肉眼观测误差。
Description
技术领域
本发明涉及目标检测领域,尤其涉及一种跳远距离的获取方法、装置、设备及计算机可读存储介质。
背景技术
在跳远运动中,跳远距离通常是基于人工确认。但可以理解的是,人工确认中,不可避免地会存在观测误差,且可能存在作弊行为,进而导致人工确认的跳远距离的可信度较低。
发明内容
有鉴于此,本发明提供一种跳远距离的获取方法、装置、设备及计算机可读存储介质,以改善基于人工确认的跳远距离的可信度较低的情况。
第一方面,本发明实施例提供一种跳远距离的获取方法,包括:
实时获取图像帧和所述图像帧的深度图像;
利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标;
根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置;
根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离;
若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;
针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧;
根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
可选的,在本发明实施例提供的一种可行方式中,所述根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离,包括:
若存在预设起跳位置,则根据所述预设起跳位置和所述跳远目标在对应的所述停止帧的位置,计算所述跳远目标的跳远距离;
若不存在所述预设起跳位置,则计算所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置的差,得到所述跳远目标的跳远距离。
可选的,在本发明实施例提供的一种可行方式中,所述若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧,包括:
若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,且所述类别的人体目标的位置位于预设的起跳位置区间内,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧。
可选的,在本发明实施例提供的一种可行方式中,所述利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
将每个所述图像帧输入至预设的目标检测模块,识别每个所述图像帧中每个分类的目标和每个所述目标的边界框;
基于预设的非极大值抑制模块,将每个所述图像帧中相同目标的边界框合并为一个边界框;
根据分类为人体的人体目标的边界框,对所述人体目标对应的图像帧进行裁剪,得到所述人体目标的人体图像;
将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标。
可选的,在本发明实施例提供的一种可行方式中,所述将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
基于预设的目标追踪模块,对所述人体目标的边界框对应的区域图像进行特征提取,得到每个人体目标的特征标签;
将所有图像帧中的第一个图像帧的每个人体目标的特征标签作为目标标签;
针对第一个图像帧之后的每个图像帧,将所述图像帧的每个人体目标的特征标签中,与所述目标标签的余弦相似度最大的特征标签作为所述目标标签的相似标签;
将所述目标标签对应的人体目标和所述目标标签的相似标签对应的人体目标设置为相同的类别,得到每个所述图像帧中每个类别的人体目标。
可选的,在本发明实施例提供的一种可行方式中,所述图像帧的尺寸与所述图像帧的深度图像的尺寸一致,所述深度图像的像素点的像素信息包括深度;
所述根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置,包括:
针对每个所述图像帧,根据所述图像帧中每个所述人体目标的边界框,确定所述图像帧的深度图像中每个人体目标的区域深度图像;
基于第一预设公式,根据所述人体目标的区域深度图像中每个像素点的深度,计算所述人体目标的区域深度图像的第一深度均值,其中,所述第一预设公式包括:
式中,dmean表示所述人体目标的第一深度均值,n表示所述人体目标的区域深度图像包括的像素点的数量,di表示所述人体目标的区域深度图像中第i个像素点的深度;
基于第二预设公式,计算每个所述人体目标的区域深度图像的像素分割阈值,其中,第二预设公式包括:
式中,σ表示区域深度图像的像素分割阈值,dj表示所述人体目标的区域深度图像中第j个像素点的深度;
针对每个所述人体目标的区域深度图像,根据所述第一预设公式和所述区域深度图像中,与所述区域深度图像的深度均值之差小于或等于所述区域深度图像的像素分割阈值的像素点,计算所述区域深度图像的第二深度,并将所述第二深度作为所述区域深度图像对应的人体目标的位置。
可选的,在本发明实施例提供的一种可行方式中,所述利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
对所述图像帧进行缩放和归一化,得到预处理后的图像帧;
根据预设的目标检测模块和目标追踪模块,识别每个所述预处理后的图像帧中每个类别的人体目标。
第二方面,本发明实施例提供一种跳远距离的计算装置,包括:
获取模块,用于实时获取图像帧和所述图像帧的深度图像;
识别模块,用于利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标;
确定模块,用于根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置;
距离计算模块,用于根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离;
起跳确定模块,用于若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;
停止确定模块,用于针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧;
计算模块,用于根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
第三方面,本发明实施例提供一种计算机设备,包括存储器以及处理器,存储器存储有计算机程序,计算机程序在处理器上运行时执行如第一方面中任一种公开的跳远距离的获取方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序在处理器上运行时执行如第一方面中任一种公开的跳远距离的获取方法。
本发明实施例提供的跳远距离的获取方法中,计算机设备基于预设的摄像装置,实时获取图像帧和图像帧的深度图像;之后,基于预设的目标检测模块和目标追踪模块,识别每个图像帧中的每个人体目标和每个人体目标的类别;然后,根据每个图像帧的深度图像,确定图像帧中每个类别的人体目标的位置,即每个人体目标相对于摄像装置的位置;随后,根据每个类别的人体目标在每个图像帧的位置,计算每个类别的人体目标相对于上一个图像帧的移动距离,即将人体目标在当前帧中的位置与在上一帧中的位置的差作为移动距离;接着,若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则表示人体目标在上一帧起跳,因而将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;在起跳帧之后,若跳远目标在前后两个图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则表明跳远目标在前一个图像帧中落地,因而将所述前一个图像帧作为跳远目标的停止帧;最后,根据跳远目标在对应的起跳帧和对应的停止帧的位置,得到跳远目标的跳远距离。
基于此,本发明实施例基于目标检测模块和目标追踪模块,实现了跳远运动员的位置的实时检测;同时,结合跳远运动员在起跳和落地时对应的移动距离情况,实现了起跳和落地的准确检测;并且,基于计算机设备实现的跳远距离计算能以给出客观且准确的跳远距离计算结果,避免了作弊行为的产生,也避免了肉眼观测可能出现的观测误差。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的第一种跳远距离的获取方法的流程示意图;
图2示出了本发明实施例提供的第二种跳远距离的获取方法的流程示意图;
图3示出了本发明实施例提供的S130的流程示意图;
图4示出了本发明实施例提供的跳远距离的计算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
参照图1,示出了本发明实施例提供的第一种跳远距离的获取方法的流程示意图,本发明实施例提供的跳远距离的获取方法包括:
S110,实时获取图像帧和所述图像帧的深度图像。
可以理解的是,本发明实施例中的计算机设备将利用拍摄模块/设备/器件,实时拍摄包含跳远运动员的图像,并获取图像对应的深度图像。
不难理解的是,为确保能准确识别跳远运动员的跳远动作开始和跳远动作结束,故本发明实施例使拍摄模块以每秒多帧的拍摄方式来实时拍摄图像,也即,通过逐帧拍摄来确保跳远动作的准确采集。
还可以理解的是,获取图像的深度图像的方式为可根据实际情况设置的内容。示范性的,在本发明实施例提供的一种可行方式中,计算机设备将基于同频拍摄的第一摄像头和第二摄像头来获取图像帧和深度图像,其中,第一摄像头用于拍摄图像帧,第二摄像头用于在第一摄像头拍摄的同时,拍摄深度图像,从而得到图像帧的深度图像。
而在本发明实施例提供的一种优选方式中,计算机设备将根据Realsense摄像头完成图像帧和图像帧的深度图像。
S120,利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标。
也即,计算机设备在每得到一帧图像时,也即,在得到一个图像帧时,将图像帧输入至预设的目标检测模块和目标追踪模块,以使目标检测模块检测图像帧中的人体,和使目标追踪模块识别人体在每个图像帧中的位置。
可以理解的是,本发明实施例中的目标检测模块和目标追踪模块均可根据实际情况,选择相应的算法或模型实现,如在本发明实施例提供的一种可行方式中,目标检测模块包括YOLOv5s。
还可以理解的是,目标检测任务是指识别图像中不同种类(classification)的物体/目标。示范性的,当一张图像中包括多个行人、多颗树木及多辆车辆时,目标检测任务需识别并标注图像中的人、树木及车辆,但不会区分不同的行人、不同的树木及不同的车辆。
而目标追踪任务中,需识别多张图像中同一个类别(classification)的目标在不同图像中的位置。示范性的,设多张图像中均需包含行人目标A、行人目标B以及行人目标C时,目标追踪任务需识别每张图像中每个行人是属于A、B及C中的哪一个类别。
S130,根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置。
可以理解的是,深度图像中每个像素点的像素信息将包括深度(depth),深度表示像素点对应的物体与相机的距离。
不难理解的是,本发明实施例中“人体目标的位置”指代人体目标相对于相机的位置。
还可以理解的是,在本发明实施例中,计算机设备将在利用目标检测模块和目标追踪模块确定每个类别的人体目标在图像帧中对应的像素位置后,将利用图像帧的深度图像,确定深度图像中相同/相应像素位置的像素点的深度,进而确定每个人体目标相对于相机的距离。
可选的,在一种可行方式中,计算机设备将根据人体目标在深度图像中每个像素的深度,进行深度平均值的计算,并将深度平均值作为人体目标相对于相机的距离。
此外,可以理解的是,本发明实施例中提及的“相机”指代的是目标检测/识别领域中用于拍摄图像的模块/设备/器件,并不用于限定本发明实施例中拍摄模块/设备/器件的具体类别。
S140,根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离。
也即,计算机设备在确定每个图像帧中每个类别的人体目标的位置,将利用每个类别的人体目标在前后两帧中的位置变化,确定每个类别的人体目标在后一个图像帧的移动距离。
不难理解的是,第一个图像帧不存在对应的前一个图像帧,因此,在本发明实施例中,第一个图像帧中每个类别的人体目标的移动距离为0。
进一步的,在计算机设备利用利用目标检测模块、目标追踪模块及图像帧的深度图像,确定每个图像帧中每个类别的人体目标的位置后,针对第一个图像帧之后的每个图像帧,计算机设备将利用图像帧中每个类别的人体目标在当前图像帧中的位置,和在当前图像帧的前一个图像帧中的位置,计算位置的变化量,也即,计算每个类别的人体目标相对于上一个图像帧的移动距离。
S150,若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧。
也即,计算机设备不断根据获取到的图像帧,确定每个类别的人体目标的在每个图像帧的移动距离的过程中,若在最后一次获取到的图像帧中,即在当前获取到的最新的图像帧中,存在一个类别的人体目标大于预设值,则表示此类别的人体目标在上一个图像帧进行了起跳,因此在当前图像帧中,此类别的人体目标的移动距离大于预设值。
进一步的,在确定人体目标在当前帧/最新帧的移动距离大于预设值后,计算机设备将此类别的人体目标作为跳远目标,并将当前帧之前的上一个图像帧作为跳远目标的起跳帧。
此外,可以理解的是,本发明实施例中预设值为可根据实际情况设置的内容,故在此不进行限定。
S160,针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧。
可以理解的是,当跳远运动员在跳跃并落地后,跳远运动员在落地后可能待在原地不动,或是恢复站立姿态并缓慢步行/小跑,也因此,跳远运动员在落地后的移动速度应小于跳远运动员在跳跃过程中的移动速度。
基于此,本发明实施例在确定起跳帧之后,将判断起跳帧之后的任一个图像帧中的跳远运动员,即跳远目标的移动距离,是否小于跳远目标在上一个图像帧的移动距离。
若否,则表明跳远目标仍处于滞空状态,跳远过程尚未结束。
若是,则表明跳远目标在上一个图像帧中落地,因此将上一个图像帧作为跳远目标的停止帧。
S170,根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
可以理解的是,跳远目标在对应的起跳帧的位置和在对应的停止帧的位置,分别表示跳远目标在起跳时相对于相机的距离,和跳远目标在落地时相对于相机的距离,进而,利用跳远目标在起跳帧和停止帧的位置,即可计算跳远目标相对于相机的距离变化量,也即跳远目标的跳远距离。
还可以理解的是,若相机位于跳远运动员的运动方向,则跳远运动员在跳远运动结束后,跳远运动员相对于相机的距离将变小,因而此种情况下,跳远距离的计算方式为:跳远目标在起跳帧的位置减去跳远目标在停止帧位置。
而当相机位于跳远运动员的运动方向的负方向时,则跳远距离的计算方式为:跳远目标在停止帧的位置减去跳远目标在起跳帧的位置。
在一种可行方式中,跳远距离的计算方式为:跳远目标在停止帧的位置与跳远目标在起跳帧的位置的差值的绝对值。
此外,可以理解的是,若跳远运动员是在起跳线/起跳点上,或是在起跳线/起跳点之前完成的起跳,则跳远距离应为跳远目标在停止帧的位置与起跳线的位置的差值,也因此,在本发明实施例提供的一种可行方式中,所述S170,包括:
若存在预设起跳位置,则根据所述预设起跳位置和所述跳远目标在对应的所述停止帧的位置,计算所述跳远目标的跳远距离;
若不存在所述预设起跳位置,则计算所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置的差,得到所述跳远目标的跳远距离。
也即,此种可行方式下,本发明实施例中的计算机设备将在计算跳远距离前,判断自身是否预存有起跳点/起跳线的位置,即预设起跳位置。
若存储有预设起跳位置,则表明跳远距离的计算方式为:预设起跳位置与跳远运动员的落地位置的差值。
而未存储有预设起跳位置,则表明跳远距离的计算方式为:跳远目标在对应的起跳帧和对应的停止帧的位置的差值。
由此,使得本发明实施例针对任意种类的跳远运动,均能合理且正确地计算跳远距离,克服了不同应用场景下的计算差异。
本发明实施例提供的跳远距离的获取方法中,计算机设备基于预设的摄像装置,实时获取图像帧和图像帧的深度图像;之后,基于预设的目标检测模块和目标追踪模块,识别每个图像帧中的每个人体目标和每个人体目标的类别;然后,根据每个图像帧的深度图像,确定图像帧中每个类别的人体目标的位置,即每个人体目标相对于摄像装置的位置;随后,根据每个类别的人体目标在每个图像帧的位置,计算每个类别的人体目标相对于上一个图像帧的移动距离,即将人体目标在当前帧中的位置与在上一帧中的位置的差作为移动距离;接着,若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则表示人体目标在上一帧起跳,因而将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;在起跳帧之后,若跳远目标在前后两个图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则表明跳远目标在前一个图像帧中落地,因而将所述前一个图像帧作为跳远目标的停止帧;最后,根据跳远目标在对应的起跳帧和对应的停止帧的位置,计算跳远目标的跳远距离。
基于此,本发明实施例基于目标检测模块和目标追踪模块,实现了跳远运动员的位置的实时检测;同时,结合跳远运动员在起跳和落地时对应的移动距离情况,实现了起跳和落地的准确检测;并且,基于计算机设备实现的跳远距离计算能以给出客观且准确的跳远距离计算结果,避免了作弊行为的产生,也避免了肉眼观测可能出现的观测误差。
可选的,在本发明实施例提供的一种可行方式中,所述S150,包括:
若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,且所述类别的人体目标的位置位于预设的起跳位置区间内,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧。
可以理解的是,当跳远运动员需助跑以增大跳远距离时,在跳远运动员的起跳帧和起跳前一帧中,跳远运动员在起跳帧和起跳前一帧的移动距离可能十分接近,且均大于预设值,从而导致计算机设备错误地将起跳前一帧作为起跳帧,进而输出错误的跳远距离计算结果。
针对此种情况,本发明实施例控制计算机设备实时在得出图像帧中每个类别的人体目标的位置和移动距离后,将判断每个类别的人体目标的移动距离是否超过预设值,并判断每个类别的人体目标的位置是否位于预设的起跳位置区间,若移动距离超过预设值,且位置位于预设的起跳位置区间,则表明此类别的人体目标为跳远目标。
需说明的是,本发明实施例中的起跳位置区间代表起跳线和起跳线之前的区域。在一个实例中,因本发明实施例中,起跳线与相机之间的距离即表示起跳线位置,且跳远运动员进行跳远时,跳远运动员与相机的距离不断缩短,进而,起跳位置区间为由第一距离值和第二距离值构成的区间,其中,第一距离值表示起跳线位置,第二距离值大于第一距离值。
基于此种可行方式,本发明实施例仅将在预设的起跳位置区间内,移动距离超过预设值的人体目标作为跳跃目标,从而避免了计算机设备将跳远运动员的助跑识别为起跳的情况发生,使得计算机设备输出的跳远距离的可信度得以保障。
可选的,在本发明实施例提供的一种可行方式中,具体可参考图2,示出了本发明实施例提供的S120的流程示意图,此种可行方式下的所述S120,包括:
S121,将每个所述图像帧输入至预设的目标检测模块,识别每个所述图像帧中每个分类的目标和每个所述目标的边界框;
S122,基于预设的非极大值抑制模块,将每个所述图像帧中相同目标的边界框合并为一个边界框;
S123,根据分类为人体的人体目标的边界框,对所述人体目标对应的图像帧进行裁剪,得到所述人体目标的人体图像;
S124,将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标。
可以理解的是,因目标检测任务中,可能因各类因素如anchor(锚点)的设置不当,和/或检测范围的设置不当,使得目标检测模型为图像中的一个目标生成多个对应的边界框(bounding box)。
针对此种情况,本发明实施例将对目标追踪模块/模块输出的边界框进行非极大值抑制(Non-Maximum Suppression,NMS),以将一个目标对应的多个边界框进行处理,也即,将多个边界框合并为一个边界框。由此,避免了同一个目标对应多个边界框时,后续的目标追踪任务将产生错误的追踪结果的情况发生。
在一种优选方式中,计算机设备将确定多个边界框对应的最大公用区域,以将最大公用区域作为目标的边界框。
进一步的,因本发明实施例是针对跳远运动员的检测,也即,针对的是人体目标的检测,故计算机在完成边界框的合并后,将每个图像帧中的每个目标中,种类不为“人体”的目标的边界框删去,以在后续的裁剪过程中,仅裁剪种类为“人体”的目标对应的图像,也即人体目标对应的图像。
可选的,在本发明实施例提供的一种优选方式中,因跳远运动员总是位于每个图像帧的中心位置附近,故在计算机设备将判断人体目标的边界框映射至图像帧后,图像帧中边界框的中心点是否位于在图像帧的预设区域中;若是,则根据人体目标的边界框进行人体图像的裁剪;若否则跳过此人体目标,其中,预设区域包括图像帧的中心点。基于此,确保跳远运动员的准确识别。
可选的,在本发明实施例提供的一种可行方式中,所述S124,包括:
基于预设的目标追踪模块,对所述人体目标的边界框对应的区域图像进行特征提取,得到每个人体目标的特征标签;
将所有图像帧中的第一个图像帧的每个人体目标的特征标签作为目标标签;
针对第一个图像帧之后的每个图像帧,将所述图像帧的每个人体目标的特征标签中,与所述目标标签的余弦相似度最大的特征标签作为所述目标标签的相似标签;
将所述目标标签对应的人体目标和所述目标标签的相似标签对应的人体目标设置为相同的类别,得到每个所述图像帧中每个类别的人体目标。
也即,此种可行方式中,本发明实施例将采用Reid的完成目标追踪,也即,在确定第一个图像帧中的每个类别的人体目标后,针对第一个图像帧之后的每个图像帧,计算机设备仅检测当前图像帧中的人体目标是否与第一个图像帧中的人体目标相同/相似,若是,将则将当前图像帧中的人体目标作为第一个图像帧中的人体目标。
具体的,在此种可行方式中,计算机设备针对每个图像帧中每个人体目标的区域图像进行特征抽取,并将抽取结果作为每个人体目标的特征标签,即Reid。与此同时,若当前的图像帧为第一个图像帧,则将第一个图像帧中每个人体目标的特征标签作为目标标签。
之后,对第一个图像帧之后的每个图像帧,将图像帧的每个人体目标的特征标签中,与目标标签的余弦相似度最大的特征标签作为目标标签的相似标签。
最后,将每个目标标签对应的人体目标,和目标标签对应的特征标签对应的人体目标设置为相同的类别,也即,使目标标签对应的特征标签对应的人体目标与目标标签对应的人体目标一致。
基于此,计算机设备在此种可行方式中仅需检测人体目标是否相似,无需识别人体目标的具体类别,因而能以较少的资源完成目标追踪,实现了跳远距离计算的轻量化。
可选的,在本发明实施例提供的一种可行方式中,具体可参考图3,示出了本发明实施例提供的S130的流程示意图,即此种可行方式中,所述图像帧的尺寸与所述图像帧的深度图像的尺寸一致,所述深度图像的像素点的像素信息包括深度;
进而,所述S130,包括:
S131,针对每个所述图像帧,根据所述图像帧中每个所述人体目标的边界框,确定所述图像帧的深度图像中每个人体目标的区域深度图像;
S132,基于第一预设公式,根据所述人体目标的区域深度图像中每个像素点的深度,计算所述人体目标的区域深度图像的第一深度均值,其中,所述第一预设公式包括:
式中,dmean表示所述人体目标的第一深度均值,n表示所述人体目标的区域深度图像包括的像素点的数量,di表示所述人体目标的区域深度图像中第i个像素点的深度;
S134,基于第二预设公式,计算每个所述人体目标的区域深度图像的像素分割阈值,其中,第二预设公式包括:
式中,σ表示区域深度图像的像素分割阈值,dj表示所述人体目标的区域深度图像中第j个像素点的深度;
S135,针对每个所述人体目标的区域深度图像,根据所述第一预设公式和所述区域深度图像中,与所述区域深度图像的深度均值之差小于或等于所述区域深度图像的像素分割阈值的像素点,计算所述区域深度图像的第二深度,并将所述第二深度作为所述区域深度图像对应的人体目标的位置。
需理解的是,此种可行方式下,计算机设备在利用深度均值作为人体目标相对于相机的位置的基础上,还将对人体目标对应的区域深度图像中的无关像素点的信息进行剔除,以提高人体目标的位置的准确识别。
具体的,因图像帧与图像帧的深度图像的尺寸一致,故图像帧中的像素点与图像帧的深度图像中的像素点一一对应,进而,计算机设备根据目标检测模型输出的边界框,也即,根据人体目标在图像帧中的位置,确定人体目标在图像帧的深度图像中的位置,进而得到深度图像中人体目标对应的区域,即区域深度图像。
接着,根据区域深度图像中每个像素点的深度,计算区域深度图像中所有像素点的深度均值。
随后,根据第二预设公式,计算像素分割阈值,并利用像素分割阈值确定区域深度图像的所有像素点中,深度与深度均值之差小于或等于像素分割阈值的像素点来再次计算深度均值,即得到第二深度均值,从而将第二深度均值作为人体目标相对于相机的位置。
可以理解的是,本发明实施例基于像素分割阈值,对区域深度图像中的像素点进行了聚类,使得与跳远目标无关的像素点被剔除,进而确保在跳远目标的位置确定时,采用的是有效的像素点的深度。
可选的,在本发明实施例提供的一种可行方式中,所述S120,包括:
对所述图像帧进行缩放和归一化,得到预处理后的图像帧;
根据预设的目标检测模块和目标追踪模块,识别每个所述预处理后的图像帧中每个类别的人体目标。
也即,此种可行方式将对目标检测模块的输入图像进行预处理,以将尺寸相同或不同的输入图像处理为尺寸相同,且每个像素点的像素值均处于预设区间的图像,使得目标检测模块能基于相同尺寸大小和相似数据大小的输入图像进行目标检测,以避免因输出图像的尺寸不统一,和/或量纲差异而导致目标检测精度下降的情况发生。
优选的,在本发明实施例提供的一种可行方式中,预处理后的图像帧需与目标检测模块训练时样本的数据分布像素,且与和样本的尺寸一致,以提升图像检测精度。
此外,可以理解的是,输入至目标追踪模块的图像亦可进行相应的预处理操作,以使输入图像与样本图像在图像尺寸和/或数据量纲上保持相似/一致,从而保障目标追踪的精度。
实施例2
与本发明实施例1提供的跳远距离的获取方法相对应的,本发明实施例2还提供一种跳远距离的计算装置,参照图4,示出了本发明实施例提供的跳远距离的获取方法装置的结构示意图,本发明实施例提供的跳远距离的计算装置200,包括:
获取模块210,用于实时获取图像帧和所述图像帧的深度图像;
识别模块220,用于利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标;
确定模块230,用于根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置;
距离计算模块240,用于根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离;
起跳确定模块250,用于若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;
停止确定模块260,用于针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧;
计算模块270,根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
可选的,在本发明实施例提供的一种可行方式中,所述计算模块,包括:
第一跳远距离计算子模块,用于若存在预设起跳位置,则根据所述预设起跳位置和所述跳远目标在对应的所述停止帧的位置,计算所述跳远目标的跳远距离;
第二跳远距离计算子模块,用于若不存在所述预设起跳位置,则计算所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置的差,得到所述跳远目标的跳远距离。
可选的,在本发明实施例提供的一种可行方式中,所述识别模块,所述起跳确定模块还用于若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,且所述类别的人体目标的位置位于预设的起跳位置区间内,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧。
可选的,在本发明实施例提供的一种可行方式中,所述识别模块,包括:
目标检测子模块,用于将每个所述图像帧输入至预设的目标检测模块,识别每个所述图像帧中每个分类的目标和每个所述目标的边界框;
非极大值抑制子模块,用于基于预设的非极大值抑制模块,将每个所述图像帧中相同目标的边界框合并为一个边界框;
裁剪子模块,用于根据分类为人体的人体目标的边界框,对所述人体目标对应的图像帧进行裁剪,得到所述人体目标的人体图像;
目标追踪子模块,用于将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标。
可选的,在本发明实施例提供的一种可行方式中,所述目标追踪子模块,包括:
特征提取单元,用于基于预设的目标追踪模块,对所述人体目标的边界框对应的区域图像进行特征提取,得到每个人体目标的特征标签;
目标标签确定单元,用于将所有图像帧中的第一个图像帧的每个人体目标的特征标签作为目标标签;
相似标签确定单元,用于针对第一个图像帧之后的每个图像帧,将所述图像帧的每个人体目标的特征标签中,与所述目标标签的余弦相似度最大的特征标签作为所述目标标签的相似标签;
类别设置单元,用于将所述目标标签对应的人体目标和所述目标标签的相似标签对应的人体目标设置为相同的类别,得到每个所述图像帧中每个类别的人体目标。
可选的,在本发明实施例提供的一种可行方式中,所述图像帧的尺寸与所述图像帧的深度图像的尺寸一致,所述深度图像的像素点的像素信息包括深度;
进而,所述确定模块,包括:
图像获取子模块,用于针对每个所述图像帧,根据所述图像帧中每个所述人体目标的边界框,确定所述图像帧的深度图像中每个人体目标的区域深度图像;
第一均值计算子模块,用于基于第一预设公式,根据所述人体目标的区域深度图像中每个像素点的深度,计算所述人体目标的区域深度图像的第一深度均值,其中,所述第一预设公式包括:
式中,dmean表示所述人体目标的第一深度均值,n表示所述人体目标的区域深度图像包括的像素点的数量,di表示所述人体目标的区域深度图像中第i个像素点的深度;
阈值计算子模块,用于基于第二预设公式,计算每个所述人体目标的区域深度图像的像素分割阈值,其中,第二预设公式包括:
式中,σ表示区域深度图像的像素分割阈值,dj表示所述人体目标的区域深度图像中第j个像素点的深度;
第二均值计算子模块,用于针对每个所述人体目标的区域深度图像,根据所述第一预设公式和所述区域深度图像中,与所述区域深度图像的深度均值之差小于或等于所述区域深度图像的像素分割阈值的像素点,计算所述区域深度图像的第二深度,并将所述第二深度作为所述区域深度图像对应的人体目标的位置。
可选的,在本发明实施例提供的一种可行方式中,所述识别模块,包括:
预处理子模块,用于对所述图像帧进行缩放和归一化,得到预处理后的图像帧;
输入子模块,用于根据预设的目标检测模块和目标追踪模块,识别每个所述预处理后的图像帧中每个类别的人体目标。
本申请实施例提供的跳远距离的计算装置200能够实现实施例1对应的跳远距离的获取方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机设备,包括存储器以及处理器,存储器存储有计算机程序,计算机程序在处理器上运行时执行如实施例1中所述的跳远距离的获取方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序在处理器上运行时执行如实施例1中所述的跳远距离的获取方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种跳远距离的获取方法,其特征在于,包括:
实时获取图像帧和所述图像帧的深度图像;
利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标;
根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置;
根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离;
若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;
针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧;
根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
2.根据权利要求1所述的跳远距离的获取方法,其特征在于,所述根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离,包括:
若存在预设起跳位置,则根据所述预设起跳位置和所述跳远目标在对应的所述停止帧的位置,计算所述跳远目标的跳远距离;
若不存在所述预设起跳位置,则计算所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置的差,得到所述跳远目标的跳远距离。
3.根据权利要求1所述的跳远距离的获取方法,其特征在于,所述若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧,包括:
若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,且所述类别的人体目标的位置位于预设的起跳位置区间内,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧。
4.根据权利要求1所述的跳远距离的获取方法,其特征在于,所述利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
将每个所述图像帧输入至预设的目标检测模块,识别每个所述图像帧中每个分类的目标和每个所述目标的边界框;
基于预设的非极大值抑制模块,将每个所述图像帧中相同目标的边界框合并为一个边界框;
根据分类为人体的人体目标的边界框,对所述人体目标对应的图像帧进行裁剪,得到所述人体目标的人体图像;
将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标。
5.根据权利要求4所述的跳远距离的获取方法,其特征在于,所述将每个所述图像帧的所述人体图像输入至预设的目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
基于预设的目标追踪模块,对所述人体目标的边界框对应的区域图像进行特征提取,得到每个人体目标的特征标签;
将所有图像帧中的第一个图像帧的每个人体目标的特征标签作为目标标签;
针对第一个图像帧之后的每个图像帧,将所述图像帧的每个人体目标的特征标签中,与所述目标标签的余弦相似度最大的特征标签作为所述目标标签的相似标签;
将所述目标标签对应的人体目标和所述目标标签的相似标签对应的人体目标设置为相同的类别,得到每个所述图像帧中每个类别的人体目标。
6.根据权利要求4所述的跳远距离的获取方法,其特征在于,所述图像帧的尺寸与所述图像帧的深度图像的尺寸一致,所述深度图像的像素点的像素信息包括深度;
所述根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置,包括:
针对每个所述图像帧,根据所述图像帧中每个所述人体目标的边界框,确定所述图像帧的深度图像中每个人体目标的区域深度图像;
基于第一预设公式,根据所述人体目标的区域深度图像中每个像素点的深度,计算所述人体目标的区域深度图像的第一深度均值,其中,所述第一预设公式包括:
式中,dmean表示所述人体目标的第一深度均值,n表示所述人体目标的区域深度图像包括的像素点的数量,di表示所述人体目标的区域深度图像中第i个像素点的深度;
基于第二预设公式,计算每个所述人体目标的区域深度图像的像素分割阈值,其中,第二预设公式包括:
式中,σ表示区域深度图像的像素分割阈值,dj表示所述人体目标的区域深度图像中第j个像素点的深度;
针对每个所述人体目标的区域深度图像,根据所述第一预设公式和所述区域深度图像中,与所述区域深度图像的深度均值之差小于或等于所述区域深度图像的像素分割阈值的像素点,计算所述区域深度图像的第二深度,并将所述第二深度作为所述区域深度图像对应的人体目标的位置。
7.根据权利要求1所述的跳远距离的获取方法,其特征在于,所述利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标,包括:
对所述图像帧进行缩放和归一化,得到预处理后的图像帧;
根据预设的目标检测模块和目标追踪模块,识别每个所述预处理后的图像帧中每个类别的人体目标。
8.一种跳远距离的计算装置,其特征在于,包括:
获取模块,用于实时获取图像帧和所述图像帧的深度图像;
识别模块,用于利用预设的目标检测模块和目标追踪模块,识别每个所述图像帧中每个类别的人体目标;
确定模块,用于根据每个所述图像帧的深度图像,确定每个所述图像帧中每个类别的人体目标的位置;
距离计算模块,用于根据每个所述图像帧中每个类别的人体目标的位置,计算每个图像帧中每个类别的人体目标相对于上一个图像帧的移动距离;
起跳确定模块,用于若在当前图像帧中,存在一个类别的人体目标的移动距离大于预设值,则将移动距离大于预设值的类别的人体目标作为跳远目标,及将所述当前图像帧的前一个图像帧作为所述跳远目标的起跳帧;
停止确定模块,用于针对所述起跳帧之后的图像帧,若所述跳远目标在前后两个所述图像帧中,在前一个图像帧的移动距离大于在后一个图像帧的移动距离,则将所述前一个图像帧作为所述跳远目标的停止帧;
计算模块,用于根据所述跳远目标在对应的所述起跳帧和对应的所述停止帧的位置,得到所述跳远目标的跳远距离。
9.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行如权利要求1-7任一项所述的跳远距离的获取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在处理器上运行时执行如权利要求1-7任一项所述的跳远距离的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074174.3A CN115423825A (zh) | 2022-09-02 | 2022-09-02 | 跳远距离的获取方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074174.3A CN115423825A (zh) | 2022-09-02 | 2022-09-02 | 跳远距离的获取方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423825A true CN115423825A (zh) | 2022-12-02 |
Family
ID=84203019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074174.3A Pending CN115423825A (zh) | 2022-09-02 | 2022-09-02 | 跳远距离的获取方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423825A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115845350A (zh) * | 2023-03-02 | 2023-03-28 | 成都谷帝科技有限公司 | 一种用于立定跳远自动测距的方法及系统 |
-
2022
- 2022-09-02 CN CN202211074174.3A patent/CN115423825A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115845350A (zh) * | 2023-03-02 | 2023-03-28 | 成都谷帝科技有限公司 | 一种用于立定跳远自动测距的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516556B (zh) | 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质 | |
JP6832504B2 (ja) | 物体追跡方法、物体追跡装置およびプログラム | |
CN111709328B (zh) | 车辆跟踪方法、装置及电子设备 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN114677554A (zh) | 一种基于YOLOv5与Deepsort的统计滤波红外小目标检测跟踪方法 | |
CN108268823B (zh) | 目标再识别方法和装置 | |
CN112016353B (zh) | 一种基于视频的人脸图像进行身份识别方法及装置 | |
WO2013088175A1 (en) | Image processing method | |
CN110723432A (zh) | 垃圾分类的方法及增强现实设备 | |
CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
KR101330636B1 (ko) | 얼굴시점 결정장치 및 방법과 이를 채용하는 얼굴검출장치및 방법 | |
CN111723724B (zh) | 一种路面障碍物识别方法和相关装置 | |
CN115049954B (zh) | 目标识别方法、装置、电子设备和介质 | |
CN115423825A (zh) | 跳远距离的获取方法、装置、设备及计算机可读存储介质 | |
JP2012221162A (ja) | 対象物検出装置及びプログラム | |
CN113569812A (zh) | 未知障碍物的识别方法、装置和电子设备 | |
CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
KR101595334B1 (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN107481255B (zh) | 一种人员数量的确定方法及装置 | |
CN115019152A (zh) | 一种图像拍摄完整度判定方法及装置 | |
JP5776769B2 (ja) | 物体接近検知装置、物体接近検知方法、及びプログラム | |
CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN113486907A (zh) | 一种无人驾驶设备避障方法、装置及无人驾驶设备 | |
CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 |
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 |