CN115475373A - 运动数据的展示方法、装置、存储介质及电子装置 - Google Patents
运动数据的展示方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115475373A CN115475373A CN202211117339.0A CN202211117339A CN115475373A CN 115475373 A CN115475373 A CN 115475373A CN 202211117339 A CN202211117339 A CN 202211117339A CN 115475373 A CN115475373 A CN 115475373A
- Authority
- CN
- China
- Prior art keywords
- target
- motion
- moving object
- foreground
- video data
- 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 297
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000386 athletic effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000037308 hair color Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0669—Score-keepers or score display devices
-
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B2071/0647—Visualisation of executed movements
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B2071/0675—Input for modifying training controls during workout
- A63B2071/0677—Input by image recognition, e.g. video signals
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B2071/0694—Visual indication, e.g. Indicia
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种运动数据的展示方法、装置、存储介质及电子装置,该方法包括:获取目标设备对目标运动区域采集的运动视频数据,其中,目标运动区域中存在待识别的运动对象;将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,运动数据处理模块用于对运动视频数据进行识别,以确定与目标运动对象关联的目标识别结果,目标运动对象是在目标运动区域进行运动的对象,运动数据处理模块部署在目标设备上;根据目标识别结果生成待展示的目标运动数据,其中,目标运动数据表示目标运动对象在运动视频数据中所产生的运动数据。通过本发明,解决相关技术中存在的运动数据的展示方案较为复杂,导致展示效率较低的问题。
Description
技术领域
本发明实施例涉及计算机领域,具体而言,涉及一种运动数据的展示方法、装置、存储介质及电子装置。
背景技术
目前,在相关技术中,场馆作为运动的基础载体,在运动过程中举足轻重,随着各类赛事的兴起,全面掀起运动热潮,因而,对赛场裁判和运动信息的统计需求旺盛。
现有中小型运动场依靠人工裁判,面临具有裁判能力的人少,裁判费用高的问题,大型智能运动场依靠比赛选手身上的可穿戴设备(传感器)和部署在全场多个位置的高速摄像头作为解决方案,主要提供运动场景回放、录制等功能,然而,并不能自动化展示运动过程中所产生的运动数据。
针对相关技术中存在的运动数据的展示方案较为复杂,导致展示效率较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种运动数据的展示方法、装置、存储介质及电子装置,以至少解决相关技术中存在的运动数据的展示方案较为复杂,导致展示效率较低的问题。
根据本发明的一个实施例,提供了一种运动数据的展示方法,包括:获取目标设备对目标运动区域采集的运动视频数据,其中,所述目标运动区域中存在待识别的运动对象;将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,所述运动数据处理模块用于对所述运动视频数据进行识别,以确定与目标运动对象关联的所述目标识别结果,所述目标运动对象是在所述目标运动区域进行运动的对象,所述运动数据处理模块部署在所述目标设备上;根据所述目标识别结果生成待展示的目标运动数据,其中,所述目标运动数据表示所述目标运动对象在所述运动视频数据中所产生的运动数据。
根据本发明的另一个实施例,提供了一种运动数据的展示装置,包括:获取模块,用于获取目标设备对目标运动区域采集的运动视频数据,其中,所述目标运动区域中存在待识别的运动对象;识别模块,用于将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,所述运动数据处理模块用于对所述运动视频数据进行识别,以确定与目标运动对象关联的所述目标识别结果,所述目标运动对象是在所述目标运动区域进行运动的对象,所述运动数据处理模块部署在所述目标设备上;生成模块,用于根据所述目标识别结果生成待展示的目标运动数据,其中,所述目标运动数据表示所述目标运动对象在所述运动视频数据中所产生的运动数据。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,可以获取目标设备对目标运动区域采集的运动视频数据,其中,目标运动区域中存在待识别的运动对象;将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,运动数据处理模块用于对运动视频数据进行识别,以确定与目标运动对象关联的目标识别结果,目标运动对象是在目标运动区域进行运动的对象,运动数据处理模块部署在目标设备上;根据目标识别结果生成待展示的目标运动数据,其中,目标运动数据表示目标运动对象在运动视频数据中所产生的运动数据,解决了相关技术中存在的运动数据的展示方案较为复杂,导致展示效率较低的问题,达到提高运动数据的展示效率,简化了运动数据的展示方法的技术效果。
附图说明
图1是本发明实施例的一种运动数据的展示方法的移动终端的硬件结构框图;
图2是根据本发明实施例的一种运动数据的展示方法的流程图;
图3是根据本发明实施例的一种运动数据的展示方法的具体示例示意图;
图4是根据本发明实施例的一种运动数据的展示方法的模型生成流程图;
图5是根据本发明实施例的一种运动数据的展示方法的模型训练流程图;
图6是根据本发明实施例的一种运动数据的展示装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种运动数据的展示方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的运动数据的展示方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运动数据的展示方法,图2是根据本发明实施例的运动数据的展示方法的流程图,如图2所示,该流程包括如下步骤:
S202,获取目标设备对目标运动区域采集的运动视频数据,其中,目标运动区域中存在待识别的运动对象;
可选地,在本实施例中,上述目标设备可以包括但不限于部署在目标运动区域,可以采集图像数据的设备,例如,手机、平板电脑、智能空调、智能投影设备、智能音箱、智能饮水机等。
可选地,在本实施例中,上述目标运动区域可以包括但不限于运动场、活动展台、剧场等允许运动对象运动的区域,上述运动视频数据可以包括但不限于由上述目标设备所携带的摄像装置对目标运动区域进行采集,所得到的的运动视频数据,上述运动对象可以包括但不限于上述运动视频数据中出现的人物、动物、物体、线条等允许通过目标检测算法检测识别到的运动对象。
可选地,在本实施例中,上述目标检测算法可以是预先设定的对运动视频数据进行目标检测的算法,可以包括但不限于如下示例:
Two stage目标检测算法,先进行区域生成(region proposal,RP)(一个可能包含待检测物体的预选框),再通过卷积神经网络进行样本分类。
任务:特征提取→生成RP→分类/定位回归。
常见Two stage目标检测算法有:R-CNN、SPP-Net、Fast R-CNN和R-FCN等。
One stage目标检测算法,不用RP,直接在网络中提取特征来预测物体分类和位置。
任务:特征提取→分类/定位回归。
常见的One stage目标检测算法有:OverFeat、YOLOv1、YOLOv3、SSD和RetinaNet等。
具体而言,还可以包括但不限于基于Tensorflow符号数学系统的各种机器学习算法,Tensorflow拥有多层级结构,可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算,TensorFlow是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统,其中包含各种工具、库和社区资源,可助力研究人员推动先进机器学习技术的发展,并使开发者能够轻松地构建和部署由机器学习提供支持的应用。
S204,将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,运动数据处理模块用于对运动视频数据进行识别,以确定与目标运动对象关联的目标识别结果,目标运动对象是在目标运动区域进行运动的对象,运动数据处理模块部署在目标设备上;
可选地,在本实施例中,上述运动数据处理模块可以包括但不限于部署在目标设备上的机器学习模块,通过运行特定的模型算法,依靠深度学习平台,综合了团队/个人跟踪(运动、位置等)和使用各种领域专家训练的自学习神经网络,自动识别目标运动区域中所产生的视频数据是否包括目标运动对象,以及目标运动对象在目标运动区域中运动所产生的运动数据。
可选地,在本实施例中,上述运动数据处理模块的训练过程可以包括但不限于在服务器上进行预训练,并将训练完成的运动数据处理模块部署在目标设备上,还可以在目标设备上进行训练,并将训练完成的运动数据处理模块部署在目标设备上,换句话说,训练过程可以在服务器实现,也可以在目标设备实现,但是,当运动数据处理模块训练完成后,则部署在目标设备上,以识别目标设备对目标运动区域所采集的运动视频数据。
可选地,在本实施例中,上述目标运动对象是运动数据处理模块从运动视频数据中识别到的在目标运动区域进行运动的对象,可以包括但不限于人物、球体等,上述目标识别结果可以包括但不限于上述目标运动对象的运动轨迹信息、目标运动对象的人脸识别信息、目标运动对象的颜色特征信息、目标运动对象的移动速度、目标运动对象的运动姿势等。
S206,根据目标识别结果生成待展示的目标运动数据,其中,目标运动数据表示目标运动对象在运动视频数据中所产生的运动数据。
可选地,在本实施例中,上述目标运动数据可以包括但不限于得分信息、犯规信息、运动轨迹信息等。可以通过语音播放的形式展示上述目标运动数据,也可以通过可视化界面显示的方式展示上述目标运动数据。
示例性地,图3是根据本发明实施例的一种运动数据的展示方法的具体流程示意图,如图3所示,上述运动数据的展示方法包括但不限于如下步骤:
S302,开始(App客户端);
S304,打开手机(对应于前述的目标设备)App;
S306,App采集视频数据(对应于前述的运动视频数据);
S308,App加载CoreMl或tensorflow引擎;
S310,运行比赛分析模型(对应于前述的运动数据处理模块);
S312,实时输出球员得分与比赛得分(对应于前述的目标运动数据);
S314,比赛结束输出数据看板,生成分析结论;
S316,数据上传到云平台;
S318,建立球类比赛大数据。
上述仅是一种示例,本申请不做任何具体的限定。
通过本申请实施例,可以获取目标设备对目标运动区域采集的运动视频数据,其中,目标运动区域中存在待识别的运动对象;将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,运动数据处理模块用于对运动视频数据进行识别,以确定与目标运动对象关联的目标识别结果,目标运动对象是在目标运动区域进行运动的对象,运动数据处理模块部署在目标设备上;根据目标识别结果生成待展示的目标运动数据,其中,目标运动数据表示目标运动对象在运动视频数据中所产生的运动数据,解决了相关技术中存在的运动数据的展示方案较为复杂,导致展示效率较低的问题,达到提高运动数据的展示效率,简化了运动数据的展示方法的技术效果。
在一个示例性的实施例中,将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:从运动视频数据中检测一组线条,其中,一组线条包括位于目标运动区域边缘的线条和位于目标运动区域内部的线条;根据一组线条确定目标运动区域对应的投影图像,其中,投影图像表示由一组线条中位于目标运动区域边缘的线条围成的平面图像区域,一组线条中位于目标运动区域内部的线条用于将平面图像区域分割为预设类型的平面图像区域,预设类型与目标运动对象在目标运动区域进行的运动类型相关联;根据投影图像对运动视频数据的进行识别,得到目标识别结果,其中,目标运动对象在投影图像中投影为目标点进行运动。
可选地,在本实施例中,上述一组线条可以包括但不限于从运动视频数据中采用边缘检测算法所识别到的一组线条,例如,使用边缘检测器以确定目标运动区域边缘和内部的线条。
具体而言,可以先通过对运动视频数据中的多帧图像数据进行图像膨胀,以消除图像中与目标运动区域无关的内容,再使用边缘检测器检测图像数据中的线条作为上述位于目标运动区域边缘的线条,可以通过霍夫变换以检测目标运动区域的中线,作为上述位于目标运动区域内部的线条。
需要说明的是,上述图像数据可以以-15°至15°范围的角度进行旋转,为每个原始图像创建不同组合,以间隔性的选择一个随机角度作为上述投影图像。
可选地,在本实施例中,上述投影图像可以包括但不限于目标运动区域的H平面图像,通过创建系统二元模型实现。
可选地,在本实施例中,上述预设类型可以包括但不限于球类运动的类型,例如,篮球、羽毛球、足球、排球、冰球等球类运动,通过识别上述一组线条,以确定上述目标运动对象在投影图像中投影为目标点进行运动的类型。
例如,当识别到存在中线、三分线、罚球线时,则可认为上述预设类型是篮球类型,此时,生成二维平面图像,并将一组线条均投影在上述二维平面图像中,将识别到的运动员以目标点的形式投影在上述二维平面图像中。
在一个示例性的实施例中,将运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:使用预训练的目标检测模块从运动视频数据中确定出一组前景运动对象,其中,运动数据处理模块包括目标检测模块;使用预训练的分类模块对一组前景运动对象进行分类,以将一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象,其中,第一组前景运动对象与第二组前景运动对象属于不同的对象分组,第一组前景运动对象与第二组前景运动对象共同根据目标前景运动对象在目标运动区域进行运动,目标运动对象包括第一组前景运动对象和第二组前景运动对象,运动数据处理模块包括分类模块;对目标前景运动对象、第一组前景运动对象以及第二组前景运动对象进行轨迹跟踪,得到与目标前景运动对象、第一组前景运动对象以及第二组前景运动对象分别对应的运动轨迹信息;根据运动轨迹信息生成目标识别结果。
可选地,在本实施例中,上述目标检测模块可以包括但不限于能够区分前景图像和背景图像的检测模块,通过上述目标检测模块可以从运动视频数据中检测出与背景图像存在区别的一组前景运动对象。
可选地,在本实施例中,当检测出一组前景运动对象后,通过前景运动对象的特征信息,可以采用分类模块对一组前景对象进行分类,例如,可以分类为球、A组队员和B组队员,其中,球即为上述目标前景运动对象,A组队员即为上述第一组前景运动的对象,B组队员即为上述第二组前景运动的对象。
可选地,在本实施例中,上述对目标前景运动对象、第一组前景运动对象以及第二组前景运动对象进行轨迹跟踪,得到与目标前景运动对象、第一组前景运动对象以及第二组前景运动对象分别对应的运动轨迹信息可以包括但不限于使用变换矩阵将三维目标点映射到上述投影图像上,通过识别到的目标运动区域的尺寸,使用仿射变换计算的3x3矩阵,将位置乘以目标运动区域的单应矩阵,进而,逐帧保存上述一组前景运动对象的位置信息。
可选地,在本实施例中,上述根据运动轨迹信息生成目标识别结果可以理解为根据上述运动轨迹信息,判断目标运动对象所执行的动作或者移动的轨迹,进而确定上述目标运动对象是否完成了某项预设的事件,当判断目标运动对象完成了预设事件时,则目标识别结果表示目标运动对象以完成预设事件,当判断目标运动对象未完成预设事件时,则目标识别结果表示目标运动对象未完成预设事件。
在一个示例性的实施例中,使用预训练的分类模块对一组前景运动对象进行分类,以将一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象,包括:
获取一组前景运动对象中每个前景运动对象的颜色特征信息;
根据每个前景运动对象的颜色特征信息确定第一组前景运动对象和第二组前景运动对象。
可选地,在本实施例中,上述颜色特征信息可以包括但不限于对每个前景运动对象进行识别,所得到的颜色信息,例如,当前景运动对象是人物时,可以将人物肤色、人物穿着颜色等作为上述颜色特征信息。
可选地,在本实施例中,上述根据每个前景运动对象的颜色特征信息确定第一组前景运动对象和第二组前景运动对象可以理解为将颜色特征信息接近的前景运动对象划分为同一组前景运动对象,将颜色特征信息区别较大的前景运动对象划分为不同组前景运动对象。
在一个示例性的实施例中,上述方法还包括:对第一组前景运动对象以及第二组前景运动对象中的每个前景运动对象进行识别,得到每个前景运动对象的生物特征信息;根据每个前景运动对象的生物特征信息分别为每个前景运动对象生成身份标识,其中,身份标识用于确定对应的前景运动对象在目标运动区域的运动轨迹信息。
可选地,在本实施例中,上述生物特征信息可以包括但不限于人脸识别、运动对象的号码、运动对象的头发颜色等多个特征值组合的特征信息,上述身份标识可以是根据上述特征信息生成的标识,用于标识该前景运动对象,从而可以自动识别出该前景运动对象。
在一个示例性的实施例中,根据目标识别结果生成待展示的目标运动数据,包括:在目标识别结果表示识别到目标运动对象在预设时长内完成过目标事件的情况下,播放与目标事件关联的第一语音信息,其中,第一语音信息用于表征目标运动对象在预设时长内已完成目标事件;在目标识别结果表示识别到目标运动对象在预设时长内未完成过目标事件的情况下,播放第二语音信息,其中,第二语音信息用于表征目标运动对象在预设时长内未完成目标事件;在目标事件配置为在预设时长内允许多次完成的情况下,每当识别到目标运动对象完成了目标事件的情况下,播放第三语音信息,其中,第三语音信息用于表征目标运动对象当前已完成目标事件的次数;在目标事件配置为在预设时长内允许多次完成的情况下,每当识别到目标运动对象完成了目标事件,且完成目标事件的次数达到预设次数的情况下,播放第四语音信息,其中,第四语音信息用于表征目标运动对象已完成目标事件的次数达到预设次数。
可选地,在本实施例中,上述目标运动对象在预设时长内完成过目标事件可以理解为上述目标运动对象在预设时长内触发了目标事件,以目标运动对象是球为例,当识别到球的运行轨迹运动至篮筐时,区分是一分、二分、三分,组合不同的目标模式,球跟踪到篮框和“进入”、“环”都是可以识别的目标事件。上述与目标事件关联的第一语音信息可以理解为表征目标运动对象已完成目标事件的语音信息,例如,“三分球进了!”。
可选地,在本实施例中,上述目标运动对象在预设时长内未完成目标事件可以理解为上述目标运动对象在预设时长内未触发目标事件,以目标运动对象是长跑运动员为例,当识别到长跑运动员的运行轨迹未运动至终点时,则认为目标运动对象未完成上述目标事件。上述与目标事件关联的第二语音信息可以理解为表征目标运动对象未完成目标事件的语音信息,例如,“张三退赛了,没能完成比赛。”。
可选地,在本实施例中,上述目标事件配置为在预设时长内允许多次完成可以理解为,目标事件可以被重复完成,此时,每当识别到目标运动对象完成了目标事件的情况下,播放第三语音信息,以目标运动对象是篮球运动员为例,当篮球运动员允许一场比赛犯规5次时,当每当识别到篮球运动员犯规时,则播放第三语音信息,上述与目标事件关联的第三语音信息可以理解为表征目标运动对象每次完成目标事件的语音信息,例如,“李四第一次犯规””或者“李四第二次犯规”。
可选地,在本实施例中,上述完成目标事件的次数达到预设次数可以理解为目标运动对象在预设时长内允许完成预设次数的目标事件,当目标运动对象达到预设次数时,播放第四语音信息,以目标运动对象是篮球运动员为例,当篮球运动员允许一场比赛犯规5次时,在识别到篮球运动员犯规次数达到5次时,则播放第四语音信息,上述与目标事件关联的第四语音信息可以理解为表征目标运动对象完成目标事件的次数达到预设次数的语音信息,例如,“王五犯规次数已满”。
在一个示例性的实施例中,上述方法还包括:
在目标运动对象包括球类运动对象时,根据运动视频数据中球类运动对象的运动轨迹确定目标运动对象在预设时长内是否完成过目标事件;
在目标运动对象包括人物运动对象时,根据运动视频数据中人物运动对象的运动姿势确定目标运动对象在预设时长内是否完成过目标事件;
在目标运动对象包括球类运动对象和人物运动对象时,根据运动视频数据中球类运动对象的运动轨迹和人物运动对象的运动姿势共同确定目标运动对象在预设时长内是否完成过目标事件。
可选地,在本实施例中,上述目标运动对象包括球类运动对象可以理解为识别的是球类运动对象,上述目标运动对象包括人物运动对象可以理解为识别的是人物运动对象,上述目标运动对象包括球类运动对象和人物运动对象可以理解为识别的是球类运动对象和人物运动对象。
需要说明的是,上述根据球类运动对象或人物运动对象的运动轨迹确定目标运动对象在预设时长内是否完成过目标事件可以理解为上述球类运动对象或人物运动对象是否单独完成了目标事件,上述根据运动视频数据中球类运动对象的运动轨迹和人物运动对象的运动姿势共同确定目标运动对象在预设时长内是否完成过目标事件。
例如,当目标运动对象是球类运动对象时,可以在球达到预设移动速度时,确定球完成了目标事件,当目标运动对象是人物运动对象时,可以在人物发生推人的犯规动作时,确定人物完成了目标事件,当目标运动对象是球类运动对象和人物运动对象,可以在人物投球且命中之后,确定人物和球共同完成了目标事件。
显然,上述所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。
下面结合具体实施例对本发明进行具体说明:
首先对本发明的图像处理进行详细的说明:
体育场馆作为体育活动的基础载体,在体育活动中举足轻重,随着各类体育赛事,大众体育的兴起,全面掀起体育热潮,竞技体育业和大众健身占比较高。场馆需求火爆,对赛场裁判和运动信息的统计需求旺盛,目前的方案有二种。
现有中小型运动场依靠人工裁判,面临具有裁判能力的人少,裁判费用高的问题;
大型智能运动场依靠比赛选手身上的可穿戴设备(传感器)和部署在全场多个位置的高速摄像头所组成的一套智能网络系统,安装不便捷,价格高等问题。部分智慧运动场解决方案,主要提供运动场景回放、录制等功能,无自动裁判。
本发明提供了一种便捷的,只依靠手机App,就能实现运动场无人裁判系统,利用手机App,即可解决运动场无人裁判的问题,方案简单,便捷,费用低,只要用户打开手机App,App利用手机摄像头将运动场球类比赛的视频数据传输给手机App,手机App利用训练好的机器学习模块,运行特定的模型算法,依靠深度学习平台,综合了团队/个人球员跟踪(运动、位置等)和使用各种体育领域专家训练的自学习神经网络,自动判断本场比赛或者训练中,运动员的得分数和犯规数,利用手机语音实时播放,运动结束后,以可视化的页面将运动相关数据展现给用户,提供一种非常简答快捷的方式,方便教练、分析、以及用户观看比赛。
主要优点有:
1、中小型运动场,投入硬件设备少,成本低;
2、结合人工智能,提供数据统计;
3、无人裁判、训练数据、多维展示;
4、精度要求不高情况下,可使用单台手机实现;
5、部署容易,普通设备即可。
需要说明的是,随着移动处理器性能的不断提升,很多人工智能推理工作,如分类、识别、检测等允许从云端转移到手机端,因此,可以包括但不限于如下示例性说明:
1、基于运动场比赛规则来进行模型训练的,建立篮球场运动模型。
图4是根据本发明实施例的一种运动数据的展示方法的模型生成流程图,如图4所示,球场运动模型包括球场检测、人员检测、映射2D球场图像、球员得分等模块,其中:
(1)、球场检测:获取球场线(对应于前述的一组线条),专注于H平面,创建系统二元模型,对图像进行膨胀,消除与球场无关的元素,使用边缘检测器来检测系统的线条,执行霍夫变换以检测系统中的直线,可以包括但不限于使用大约100000帧的球场图片数据集,球场图片也可以以-15°到15°范围的角度进行旋转,从每个原始球场图像创建两个其他组合,还可以直接选择一个随机角度。
(2)、人员检测:检测个人,使用Tensorflow或R-卷积神经网络或R-CNN来开展,从背景中分割前景对象,球员检测和颜色分类:球员检测站在球场上的人分为两支球队,为了减少误报检测的数量,利用同一支球队的球员穿着与观众、裁判和另一支球队不同的颜色的球衣这一事实,训练逻辑回归分类器,将图像块映射到团队标签(团队A、团队B等),其中,图像块由RGB颜色方块表示,将检测分组到各自的团队,将颜色特征添加到DPM检测器并为特定团队训练玩家检测器。
(3)、球员跟踪:逐帧保存位置信息,采用人脸识别、球员号码、头发颜色等多个特征值组合在一起,产生唯一标志,标志某个球员,从而能自动识别球员。
(4)、映射2D球场图像:使用变换矩阵将3D点映射到2D图像上,通过拥有球场的尺寸,找到使用仿射变换计算的3x3矩阵,然后将每个球员位置乘以模型球场的单应矩阵。
(5)、球员得分:轨迹球:二维球检测与跟踪,将图像块分类为三类(球、球员和背景)的深度学习方法。姿势估计器:使用Alpha Pose,获取图像并检测图像中投篮、上篮、扣篮等动作,禁区三秒违例、球员走步、推人等伤害动作,自动报警,运动员的起跳高度、投篮角度、投篮力度、身体各部分向前或向后的倾斜角度,篮球轨迹与命中率之间的关系,摄像头每秒拍摄50-60帧,三分球、中距离、罚球命中率与篮球运动轨迹之间的关系。得分:识别球员何时进球,区分是一分、二分、三分,组合不同的目标模式。比如球跟踪到篮框和“进入”、“环”都是可以识别目标的事件。
2、模型设计与训练验证。
验证训练需要采用使用大量的运动场球类,如篮球场景图片进行训练,图5是根据本发明实施例的一种运动数据的展示方法的模型训练流程图,如图5所示,包括但不限于如下步骤:
S502,开始(运动裁判模型);
S504,设计运动裁判模型;
S506,对模型中的运动场比赛规则设计及调整;
S508,训练运动裁判模型(云端);
S510,通过运动裁判模型进行多轮次的深度学习;
S512,对运动裁判模型进行训练集验证;
S514,判断训练集验证结果是否正确,在验证结果未表示正确的情况下,执行步骤S508;
S516,在S514验证结果表示正确的情况下,对运动裁判模型进行测试集验证;
S518,判断测试集验证结果是否正确,在验证结果未表示正确的情况下,执行步骤S506;
S520,在S518验证结果表示正确的情况下,输出训练好的运动裁判模型;
S522,将训练好的运动裁判模型集成到手机APP。
具体而言,可以包括但不限于如下示例性说明:
(1)、模型需要不断地训练与调整,最终输出训练好的数据模型。
(2)、深度学习与手机系统App相结合,在手机上对设备音视频以及其他用户数据进行模型建立、数据训练,提供AI相关功能,将系统变为智能化系统。
(3)、手机系统具备运行深度学习的能力,训练可在云服务或者台式机上的CoreML和Tensorflow都是不错的选择。
3、手机端实现对球员在球类比赛和训练中的得分判定的步骤。
(1)、手机App集成训练后的球类裁判模型,使用Core ML Tools,该转换器是基于Python实现的,可用它把训练出来的模型转为适配CoreML的模型。或者直接集成tensorflow引擎。
(2)、运行手机App,App打开手机摄像头,手机摄像头监控运动场,如篮球比赛,采集视频数据,视频数据传输到App中。
(3)、App执行训练好的运动场球类规则模型,如篮球规则模型,App进行实时分析,分析篮球和球员的运动轨迹,根据摄像头采集的数据,结合智能分析系统,分析球员在篮球比赛和训练中的跑动、持球、投门、活动区域等重要数据。
(4)、统计分析结果,如A球员:
(5)、手机端实时展现运动场比赛篮中每个人的得分情况。比赛结束,手机App展现运动相关数据看板,包括各种行为分析。
(6)、提供虚拟与现实的篮球(其他)游戏数据。建立球类运动大数据系统,提供多种类体育数据娱乐应用方案。
通过本申请,可以便捷的,无需其他外设硬件,利用手机App智能化实现运动场的裁判系统,运动场球类比赛场景的学习模型建立,建立篮球运动裁判统计模型,包括模型训练,裁判机制、运动轨迹训练,涉及到神经网络、逻辑回归、随机森林等,App集成训练好的模型,在手机上执行,手机App智能化采用CoreML和Tensorflow进行执行,不仅可以应用到篮球运动,还可以应用到羽毛球、足球、排球、冰球等其他运动场中。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
在本实施例中还提供了一种运动数据的展示装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的运动数据的展示装置的结构框图,如图6所示,该装置包括:
获取模块602,用于获取目标设备对目标运动区域采集的运动视频数据,其中,所述目标运动区域中存在待识别的运动对象;
识别模块604,用于将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,所述运动数据处理模块用于对所述运动视频数据进行识别,以确定与目标运动对象关联的所述目标识别结果,所述目标运动对象是在所述目标运动区域进行运动的对象,所述运动数据处理模块部署在所述目标设备上;
生成模块606,用于根据所述目标识别结果生成待展示的目标运动数据,其中,所述目标运动数据表示所述目标运动对象在所述运动视频数据中所产生的运动数据。
在一个示例性的实施例中,所述装置用于通过如下方式将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:
从所述运动视频数据中检测一组线条,其中,所述一组线条包括位于所述目标运动区域边缘的线条和位于所述目标运动区域内部的线条;
根据所述一组线条确定所述目标运动区域对应的投影图像,其中,所述投影图像表示由所述一组线条中位于所述目标运动区域边缘的线条围成的平面图像区域,所述一组线条中位于所述目标运动区域内部的线条用于将所述平面图像区域分割为预设类型的所述平面图像区域,所述预设类型与所述目标运动对象在所述目标运动区域进行的运动类型相关联;
根据所述投影图像对所述运动视频数据的进行识别,得到所述目标识别结果,其中,所述目标运动对象在所述投影图像中投影为目标点进行运动。
在一个示例性的实施例中,所述装置用于通过如下方式将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:
使用预训练的目标检测模块从所述运动视频数据中确定出一组前景运动对象,其中,所述运动数据处理模块包括所述目标检测模块;
使用预训练的分类模块对所述一组前景运动对象进行分类,以将所述一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象,其中,所述第一组前景运动对象与所述第二组前景运动对象属于不同的对象分组,所述第一组前景运动对象与所述第二组前景运动对象共同根据所述目标前景运动对象在所述目标运动区域进行运动,所述目标运动对象包括所述第一组前景运动对象和所述第二组前景运动对象,所述运动数据处理模块包括所述分类模块;
对所述目标前景运动对象、所述第一组前景运动对象以及所述第二组前景运动对象进行轨迹跟踪,得到与所述目标前景运动对象、所述第一组前景运动对象以及所述第二组前景运动对象分别对应的运动轨迹信息;
根据所述运动轨迹信息生成所述目标识别结果。
在一个示例性的实施例中,所述装置用于通过如下方式使用预训练的分类模块对所述一组前景运动对象进行分类,以将所述一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象:
获取所述一组前景运动对象中每个前景运动对象的颜色特征信息;
根据所述每个前景运动对象的颜色特征信息确定所述第一组前景运动对象和第二组前景运动对象。
在一个示例性的实施例中,所述装置还用于:
对所述第一组前景运动对象以及所述第二组前景运动对象中的每个前景运动对象进行识别,得到所述每个前景运动对象的生物特征信息;
根据所述每个前景运动对象的生物特征信息分别为所述每个前景运动对象生成身份标识,其中,所述身份标识用于确定对应的前景运动对象在所述目标运动区域的运动轨迹信息。
在一个示例性的实施例中,所述装置用于通过如下方式根据所述目标识别结果生成待展示的目标运动数据:
在所述目标识别结果表示识别到所述目标运动对象在预设时长内完成过目标事件的情况下,播放与所述目标事件关联的第一语音信息,其中,所述第一语音信息用于表征所述目标运动对象在所述预设时长内已完成所述目标事件;
在所述目标识别结果表示识别到所述目标运动对象在所述预设时长内未完成过所述目标事件的情况下,播放第二语音信息,其中,所述第二语音信息用于表征所述目标运动对象在所述预设时长内未完成所述目标事件;
在所述目标事件配置为在所述预设时长内允许多次完成的情况下,每当识别到所述目标运动对象完成了所述目标事件的情况下,播放第三语音信息,其中,所述第三语音信息用于表征所述目标运动对象当前已完成所述目标事件的次数;
在所述目标事件配置为在所述预设时长内允许多次完成的情况下,每当识别到所述目标运动对象完成了所述目标事件,且完成所述目标事件的次数达到预设次数的情况下,播放第四语音信息,其中,所述第四语音信息用于表征所述目标运动对象已完成所述目标事件的次数达到所述预设次数。
在一个示例性的实施例中,所述装置还用于:
在所述目标运动对象包括球类运动对象时,根据所述运动视频数据中所述球类运动对象的运动轨迹确定所述目标运动对象在所述预设时长内是否完成过所述目标事件;
在所述目标运动对象包括人物运动对象时,根据所述运动视频数据中所述人物运动对象的运动姿势确定所述目标运动对象在所述预设时长内是否完成过所述目标事件;
在所述目标运动对象包括所述球类运动对象和所述人物运动对象时,根据所述运动视频数据中所述球类运动对象的运动轨迹和所述人物运动对象的运动姿势共同确定所述目标运动对象在所述预设时长内是否完成过所述目标事件。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种运动数据的展示方法,其特征在于,包括:
获取目标设备对目标运动区域采集的运动视频数据,其中,所述目标运动区域中存在待识别的运动对象;
将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,所述运动数据处理模块用于对所述运动视频数据进行识别,以确定与目标运动对象关联的所述目标识别结果,所述目标运动对象是在所述目标运动区域进行运动的对象,所述运动数据处理模块部署在所述目标设备上;
根据所述目标识别结果生成待展示的目标运动数据,其中,所述目标运动数据表示所述目标运动对象在所述运动视频数据中所产生的运动数据。
2.根据权利要求1所述的方法,其特征在于,所述将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:
从所述运动视频数据中检测一组线条,其中,所述一组线条包括位于所述目标运动区域边缘的线条和位于所述目标运动区域内部的线条;
根据所述一组线条确定所述目标运动区域对应的投影图像,其中,所述投影图像表示由所述一组线条中位于所述目标运动区域边缘的线条围成的平面图像区域,所述一组线条中位于所述目标运动区域内部的线条用于将所述平面图像区域分割为预设类型的所述平面图像区域,所述预设类型与所述目标运动对象在所述目标运动区域进行的运动类型相关联;
根据所述投影图像对所述运动视频数据的进行识别,得到所述目标识别结果,其中,所述目标运动对象在所述投影图像中投影为目标点进行运动。
3.根据权利要求1所述的方法,其特征在于,所述将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,包括:
使用预训练的目标检测模块从所述运动视频数据中确定出一组前景运动对象,其中,所述运动数据处理模块包括所述目标检测模块;
使用预训练的分类模块对所述一组前景运动对象进行分类,以将所述一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象,其中,所述第一组前景运动对象与所述第二组前景运动对象属于不同的对象分组,所述第一组前景运动对象与所述第二组前景运动对象共同根据所述目标前景运动对象在所述目标运动区域进行运动,所述目标运动对象包括所述第一组前景运动对象和所述第二组前景运动对象,所述运动数据处理模块包括所述分类模块;
对所述目标前景运动对象、所述第一组前景运动对象以及所述第二组前景运动对象进行轨迹跟踪,得到与所述目标前景运动对象、所述第一组前景运动对象以及所述第二组前景运动对象分别对应的运动轨迹信息;
根据所述运动轨迹信息生成所述目标识别结果。
4.根据权利要求3所述的方法,其特征在于,所述使用预训练的分类模块对所述一组前景运动对象进行分类,以将所述一组前景运动对象划分为目标前景运动对象,第一组前景运动对象和第二组前景运动对象,包括:
获取所述一组前景运动对象中每个前景运动对象的颜色特征信息;
根据所述每个前景运动对象的颜色特征信息确定所述第一组前景运动对象和第二组前景运动对象。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述第一组前景运动对象以及所述第二组前景运动对象中的每个前景运动对象进行识别,得到所述每个前景运动对象的生物特征信息;
根据所述每个前景运动对象的生物特征信息分别为所述每个前景运动对象生成身份标识,其中,所述身份标识用于确定对应的前景运动对象在所述目标运动区域的运动轨迹信息。
6.根据权利要求1所述的方法,其特征在于,根据所述目标识别结果生成待展示的目标运动数据,包括:
在所述目标识别结果表示识别到所述目标运动对象在预设时长内完成过目标事件的情况下,播放与所述目标事件关联的第一语音信息,其中,所述第一语音信息用于表征所述目标运动对象在所述预设时长内已完成所述目标事件;
在所述目标识别结果表示识别到所述目标运动对象在所述预设时长内未完成过所述目标事件的情况下,播放第二语音信息,其中,所述第二语音信息用于表征所述目标运动对象在所述预设时长内未完成所述目标事件;
在所述目标事件配置为在所述预设时长内允许多次完成的情况下,每当识别到所述目标运动对象完成了所述目标事件的情况下,播放第三语音信息,其中,所述第三语音信息用于表征所述目标运动对象当前已完成所述目标事件的次数;
在所述目标事件配置为在所述预设时长内允许多次完成的情况下,每当识别到所述目标运动对象完成了所述目标事件,且完成所述目标事件的次数达到预设次数的情况下,播放第四语音信息,其中,所述第四语音信息用于表征所述目标运动对象已完成所述目标事件的次数达到所述预设次数。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述目标运动对象包括球类运动对象时,根据所述运动视频数据中所述球类运动对象的运动轨迹确定所述目标运动对象在所述预设时长内是否完成过所述目标事件;
在所述目标运动对象包括人物运动对象时,根据所述运动视频数据中所述人物运动对象的运动姿势确定所述目标运动对象在所述预设时长内是否完成过所述目标事件;
在所述目标运动对象包括所述球类运动对象和所述人物运动对象时,根据所述运动视频数据中所述球类运动对象的运动轨迹和所述人物运动对象的运动姿势共同确定所述目标运动对象在所述预设时长内是否完成过所述目标事件。
8.一种运动数据的展示装置,其特征在于,包括:
获取模块,用于获取目标设备对目标运动区域采集的运动视频数据,其中,所述目标运动区域中存在待识别的运动对象;
识别模块,用于将所述运动视频数据输入预训练的运动数据处理模块,得到目标识别结果,其中,所述运动数据处理模块用于对所述运动视频数据进行识别,以确定与目标运动对象关联的所述目标识别结果,所述目标运动对象是在所述目标运动区域进行运动的对象,所述运动数据处理模块部署在所述目标设备上;
生成模块,用于根据所述目标识别结果生成待展示的目标运动数据,其中,所述目标运动数据表示所述目标运动对象在所述运动视频数据中所产生的运动数据。
9.一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中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至7任一项中所述的方法的步骤。
10.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至7任一项中所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117339.0A CN115475373B (zh) | 2022-09-14 | 2022-09-14 | 运动数据的展示方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117339.0A CN115475373B (zh) | 2022-09-14 | 2022-09-14 | 运动数据的展示方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115475373A true CN115475373A (zh) | 2022-12-16 |
CN115475373B CN115475373B (zh) | 2024-02-02 |
Family
ID=84424242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211117339.0A Active CN115475373B (zh) | 2022-09-14 | 2022-09-14 | 运动数据的展示方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115475373B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433709A (zh) * | 2023-04-14 | 2023-07-14 | 北京拙河科技有限公司 | 一种用于运动场地监测的跟踪方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059653A (zh) * | 2019-04-24 | 2019-07-26 | 上海商汤智能科技有限公司 | 一种数据收集方法及装置、电子设备、存储介质 |
US20200394413A1 (en) * | 2019-06-17 | 2020-12-17 | The Regents of the University of California, Oakland, CA | Athlete style recognition system and method |
CN112837350A (zh) * | 2021-02-26 | 2021-05-25 | 广州方硅信息技术有限公司 | 目标运动对象识别方法、装置、电子设备及存储介质 |
CN113888588A (zh) * | 2021-09-03 | 2022-01-04 | 咪咕动漫有限公司 | 目标跟踪方法、装置、设备及存储介质 |
CN114037928A (zh) * | 2021-10-13 | 2022-02-11 | 深圳市九洲电器有限公司 | 基于边缘计算的球类运动分析方法、装置和系统 |
-
2022
- 2022-09-14 CN CN202211117339.0A patent/CN115475373B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059653A (zh) * | 2019-04-24 | 2019-07-26 | 上海商汤智能科技有限公司 | 一种数据收集方法及装置、电子设备、存储介质 |
US20200394413A1 (en) * | 2019-06-17 | 2020-12-17 | The Regents of the University of California, Oakland, CA | Athlete style recognition system and method |
CN112837350A (zh) * | 2021-02-26 | 2021-05-25 | 广州方硅信息技术有限公司 | 目标运动对象识别方法、装置、电子设备及存储介质 |
CN113888588A (zh) * | 2021-09-03 | 2022-01-04 | 咪咕动漫有限公司 | 目标跟踪方法、装置、设备及存储介质 |
CN114037928A (zh) * | 2021-10-13 | 2022-02-11 | 深圳市九洲电器有限公司 | 基于边缘计算的球类运动分析方法、装置和系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433709A (zh) * | 2023-04-14 | 2023-07-14 | 北京拙河科技有限公司 | 一种用于运动场地监测的跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115475373B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Host et al. | An overview of Human Action Recognition in sports based on Computer Vision | |
US11941915B2 (en) | Golf game video analytic system | |
US11544928B2 (en) | Athlete style recognition system and method | |
US11842572B2 (en) | Device, system, and method of computer vision, object tracking, image analysis, and trajectory estimation | |
US11373354B2 (en) | Techniques for rendering three-dimensional animated graphics from video | |
US10529077B2 (en) | System and method for detecting interaction | |
Chaquet et al. | A survey of video datasets for human action and activity recognition | |
US11565166B2 (en) | Golf game implementation using ball tracking and scoring system | |
Khan et al. | Activity recognition for quality assessment of batting shots in cricket using a hierarchical representation | |
US20090060352A1 (en) | Method and system for the detection and the classification of events during motion actions | |
CN101639354A (zh) | 对象跟踪的设备和方法 | |
Liu et al. | A survey on location and motion tracking technologies, methodologies and applications in precision sports | |
Yang et al. | Research on face recognition sports intelligence training platform based on artificial intelligence | |
CN115475373B (zh) | 运动数据的展示方法、装置、存储介质及电子装置 | |
US20240042281A1 (en) | User experience platform for connected fitness systems | |
Othman et al. | Challenges and Limitations in Human Action Recognition on Unmanned Aerial Vehicles: A Comprehensive Survey. | |
Parmar et al. | Win-fail action recognition | |
Zhou et al. | Application of Deep Learning Technology in Strength Training of Football Players and Field Line Detection of Football Robots | |
Waltner et al. | Indoor activity detection and recognition for sport games analysis | |
Ivasic-Kos et al. | Active player detection in handball videos using optical flow and STIPs based measures | |
Yang | Smart Motion Capture and Scoring System for Taekwondo Training based on Camera Network Technology | |
Malawski et al. | Automatic analysis of techniques and body motion patterns in sport | |
US11900678B2 (en) | System for tracking, locating and calculating the position of an object in a game involving moving objects | |
Conci et al. | Accessible Video Analytics: the Use Case of Basketball | |
US20190206278A1 (en) | A system and method for sportsman training |
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 |