CN116682048A - 一种羽毛球发球高度的违规检测方法及装置 - Google Patents
一种羽毛球发球高度的违规检测方法及装置 Download PDFInfo
- Publication number
- CN116682048A CN116682048A CN202310732662.7A CN202310732662A CN116682048A CN 116682048 A CN116682048 A CN 116682048A CN 202310732662 A CN202310732662 A CN 202310732662A CN 116682048 A CN116682048 A CN 116682048A
- Authority
- CN
- China
- Prior art keywords
- shuttlecock
- detected
- video
- line
- service
- 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 57
- 238000001514 detection method Methods 0.000 claims abstract description 178
- 230000000007 visual effect Effects 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 35
- 230000009471 action Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000011521 glass Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供一种羽毛球发球高度的违规检测方法及装置,首先获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,其中,视平线为标准发球高度在待检测视频中对应的基准线。然后,将待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态。当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置。最后,将羽毛球的位置与视平线进行对比,确定发球是否违规。其能够客观、自动地识别出羽毛球发球时刻的发球高度的违规情况,提高发球高度违规判别的准确率,且算法结构简单,运行成本较低。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体而言,涉及一种羽毛球发球高度的违规检测方法及装置。
背景技术
2018年,世界羽联更改了羽毛球发球规则:发球时,羽毛球的高度从原来的不过腰,被严格规定为不能超过1.15米。在目前的正式比赛中,裁判借助一个辅助杆判断发球时球是否过线。辅助杆上有前后两块玻璃,每块玻璃上各刻有一条水平的黑色线条,每条线距离地面的高度均为1.15米。裁判通过调整视角,使这两条线在视野内重合,之后观看发球时羽毛球的高度是否超过这条线,若超过则违规。由于这种方式需要依靠裁判长时间地观看运动员发球是否违规,很容易疲劳,使得误判、漏判的概率增加。
鹰眼,又称即时回放系统,由八或十个高速摄像头、四台电脑和大屏幕组成。该系统首先借助电脑的计算把比赛场地内的立体空间分隔成以毫米计算的测量单位;然后,利用高速摄像头从不同角度同时捕捉球飞行轨迹的基本数据;再通过电脑计算,将这些数据生成三维图像;最后利用即时成像技术,由大屏幕呈现出球的运动路线及落点。尽管该系统可以检测球的运行轨迹,但并不具备识别运动员行为的能力,因此主要用于判定球的落点是否出界,尚不能检测运动员发球是否违规。此外,鹰眼系统硬件设备较多、系统复杂、价格昂贵,推广受限。因此,亟需一种轻量级的、客观的检测技术,以实现对羽毛球发球高度的违规检测。
发明内容
本申请实施例提供一种羽毛球发球高度的违规检测方法及装置,能够客观、自动地识别出羽毛球发球时刻的发球高度的违规情况,提高发球高度违规判别的准确率,且算法结构简单,运行成本较低。
本申请实施例第一方面提供一种羽毛球发球高度的违规检测方法,上述方法包括:
获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,上述视平线为标准发球高度对应的基准线;
将上述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态;
当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置;
将羽毛球的位置与上述视平线进行对比,确定发球是否违规。
可选地,上述利用消失线检测算法求解待检测视频中的视平线,包括:
从上述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段;
根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段;
将选择出的最长的若干条线段延长,并计算任意两条线段的延长线交点,得到交点集合;
对交点集合进行聚类分析,得到包含交点数最多的聚类簇,并确定对应的线段集合;
根据包含交点数最多的聚类簇对应的线段集合,求解得到消失点的坐标;
过上述消失点做水平线,得到上述视平线。
可选地,上述从上述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段,包括:
从上述待检测视频中选取出待检测图像,并进行图像增强和区域分割处理;
对处理后的待检测图像进行边缘检测,得到边缘检测结果;
对边缘检测结果进行霍夫变换,检测出上述待检测图像中的所有线段。
可选地,根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段,包括:
计算线段与水平线的夹角,将夹角小于预设的第一阈值的线段以及夹角大于预设的第二阈值的线段进行删除;
计算剩余的线段各自的长度,并按长度进行降序排序,选取出前若干条线段。
可选地,上述方法还包括:
搭建发球状态检测模型,上述发球状态检测模型包括多个卷积层、最大池化层、全连接层以及输出层;
获取多个样本视频,上述样本视频的录制参数和高度与上述待检测视频相同,上述样本视频包括携带着对应的发球状态标签的正样本和负样本;
基于上述多个样本视频,对上述发球状态检测模型进行训练,包括:将每个样本视频输入上述发球状态检测模型,以通过多个上述卷积层和最大池化层提取上述样本视频的浅层特征和深度特征,并通过上述全连接层进行特征融合,以及通过上述输出层根据特征融合的结果对样本视频处于发球状态的概率进行预测,得到预测值;
根据样本视频的发球状态标签和预测值,计算上述发球状态检测模型的交叉熵损失函数,并对发球状态检测模型中的模型参数进行更新;
当交叉熵损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的发球状态检测模型。
可选地,上述方法还包括:
搭建目标检测模型,上述目标检测模型包括特征提取模块和多个属性检测分支,每个属性检测分支均与上述特征提取模块连接;
获取多个样本图像,上述样本图像的采集参数和高度与上述待检测视频相同,且每个样本图像携带多个属性标签;
基于上述多个样本图像,对上述目标检测模型进行训练,包括:将每个样本图像输入上述目标检测模型,以通过上述特征提取模块对样本图像进行特征提取,获得该样本图像的图像特征,并通过属性检测分支基于该图像特征对不同的属性分别进行检测,得到对应的属性预测结果;
根据样本图像的属性标签及对应的属性预测结果,计算上述目标检测模型的损失函数,并对目标检测模型中的模型参数进行更新;;
当损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的目标检测模型。
可选地,上述属性检测分支包括:
羽毛球中心点检测分支,用于生成热力图,上述热力图表示样本图像中的像素点属于羽毛球中心点的概率,以确定羽毛球中心点坐标,上述羽毛球中心点检测分支的损失函数Lhm为:
其中,(x,y)表示热力图中像素点的坐标,Yx,y表示点(x,y)为羽毛球中心点的概率的真实值,表示点(x,y)为羽毛球中心点的概率的预测值,N表示输入的样本图像中羽毛球的数量,α和β是两个超参数,α=2,β=4;
羽毛球边界框检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球的边界框尺寸,上述羽毛球边界框检测分支的损失函数Lsize为:
其中,k表示羽毛球中心点,sk表示羽毛球中心点对应的边界框的真实值,表示羽毛球中心点对应的边界框的预测值,N表示输入的样本图像中羽毛球的数量;
中心点偏移量检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球中心点的偏移量,上述中心点偏移量检测分支的损失函数Loff为:
其中,表示羽毛球中心点,/>表示羽毛球中心点的实际偏移值,/>表示羽毛球中心点的预测偏移值,N表示输入的样本图像中羽毛球的数量。
可选地,上述计算上述目标检测模型的损失函数,包括:
根据上述羽毛球中心点检测分支的损失函数Lhm、羽毛球边界框检测分支的损失函数Lsize以及中心点偏移量检测分支的损失函数Loff,计算上述目标检测模型的整体损失函数L:
L=Lhm+λsizeLsize+λoffLoff
其中,λsize和λoff是两个超参数,λsize=0.1,λoff=1。
可选地,上述羽毛球中心点检测分支中,点(x,y)为羽毛球中心点的概率的真实值Yx,y的计算包括:
对输入的样本图像进行下采样,得到采样后的羽毛球中心点坐标
其中,c表示样本图像中的羽毛球中心点坐标,R表示下采样倍数,表示向下取整;
利用高斯核将采样后的羽毛球中心点坐标映射到热力图中,得到点(x,y)为羽毛球中心点的概率的真实值Yx,y:
其中,σp是一个对象尺寸自适应的标准差,表示羽毛球中心点的横坐标,/>表示羽毛球中心点的纵坐标。
本申请实施例第二方面提供一种羽毛球发球高度的违规检测装置,上述装置包括:
视平线生成模块,用于获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,上述视平线为标准发球高度对应的基准线;
发球状态检测模块,用于将上述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态;
发球高度检测模块,用于当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置;
发球违规判定模块,用于将羽毛球的位置与上述视平线进行对比,确定发球是否违规。
与现有技术相比,本申请包括以下优点:
本申请提供一种羽毛球发球高度的违规检测方法及装置,首先获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,其中,视平线为标准发球高度在待检测视频中对应的基准线。然后,将待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态。当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置。最后,将羽毛球的位置与视平线进行对比,确定发球是否违规。因此,本申请一方面能够客观、自动地识别出羽毛球发球时刻的发球高度的违规情况,提高发球高度违规判别的准确率,避免人工观看判罚而产生误判的情况。另一方面,相较于现有的鹰眼系统,本申请的算法结构更加简单,运行成本更低,有利于大范围推广。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的羽毛球发球高度的违规检测方法的流程图;
图2是本申请一实施例提出的消失线检测算法的流程图;
图3是本申请一实施例提出的利用消失线检测算法求解待检测视频中的视平线的中间过程示意图;
图4是本申请一实施例提出的发球状态检测模型的训练流程图;
图5是本申请一实施例提出的发球状态检测模型的结构示意图;
图6是本申请一实施例提出的目标检测模型的训练流程图;
图7是本申请一实施例提出的目标检测模型的结构示意图;
图8是本申请一实施例提出的羽毛球发球高度的违规检测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
2018年,世界羽联更改了羽毛球发球规则:发球时,羽毛球的高度从原来的不过腰,被严格规定为不能超过1.15米。在目前的正式比赛中,仍然依靠裁判长时间地观看运动员发球是否违规,进行人工判罚,这使得误判、漏判的概率增加。
在羽毛球的大型比赛中,鹰眼系统是协助判分的常用技术。其原理是由多个高清摄像头捕捉图像,通过多个高性能的计算机计算后借助虚拟技术重建回放球体的运动轨迹,以用于判断羽毛球的落点是否出界。但是,该系统不具备识别运动员行为的能力,尚不能检测运动员发球高度是否违规。此外,鹰眼系统硬件设备较多、系统复杂、价格昂贵,推广受限。
鉴于此,申请人提出了一种轻量级的算法,用于检测运动员发球时羽毛球的高度是否违规。在官方的正式比赛中,该算法可以协助裁判进行发球高度违规判断,降低裁判的误判率,增加比赛的客观性。对于业余爱好者而言,可以使用手机下载相应的应用软件,并将手机固定在合适的高度录制发球视频,便可通过软件完成发球高度违规的检测,降低了他们追求运动专业性的门槛。
具体的,请参照图1,图1是本申请一实施例提出的羽毛球发球高度的违规检测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101:获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,上述视平线为标准发球高度对应的基准线。
上述步骤中,标准发球高度是指世界羽联规定的羽毛球发球高度1.15米。在获取待检测视频时,将相机摄像头水平放置于羽毛球场边缘处1.15米的高度,并确保相机视野能覆盖运动员发球时的场景。由于羽毛球场地背景干净,球场上的白色线条的几何特征较为明显,因此可以借助这些信息求解摄像头的相对高度。即,借助透视学中的消失线检测原理,求解成像视野中的视平线,该视平线即为标准发球高度对应的基准线(如图3中的f部分所示)。也就是说,待检测视频画面中生成的视平线即标识了1.15米的发球高度,以视平线作为基准线,位于视平线上方的物体距离地面的高度则大于1.15米,位于视平线下方的物体距离地面的高度则小于1.15米。从而可以通过相应的检测算法查找到发球状态下羽毛球的位置,并与视平线高度相比较,判断羽毛球发球高度是否超过视平线,若超过,则表明发球违规。其中,对于发球状态下羽毛球位置的检测将在后续进行详细说明,此处暂不赘述。
本申请在具体实现时,摄像头的录制规格至少为1080p/30fps,表示画面分辨率为1920×1080,画面流畅度为每秒30帧。其中,fps是图像领域中的定义,是指画面每秒传输的帧数,通俗来讲就是指动画或视频的画面数。fps是测量用于保存、显示动态视频的信息数量。每秒钟帧数愈多,所显示的动作就会越流畅。因而,为了避免采集的待检测视频出现动作不流畅、画面卡顿的问题,而影响后续高度检测的准确性,采集待检测视频时的录制参数至少为每秒30帧。
步骤S102:将上述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态。
上述步骤中,主要通过预置的发球状态检测模型对待检测视频中的人物进行动作检测,识别当前人物动作是否处于发球状态。其中,预置的发球状态检测模型可以采用预先训练好的三维卷积神经网络来对待检测视频进行特征提取,并最终输出待检测视频处于发球状态的概率。
考虑到发球是一个动作过程,仅仅靠对一张图像中的人物动作进行检测,无法准确地得出人物是否处于发球状态,因而本申请采集包含发球过程的视频片段,基于视频片段对人物是否处于发球状态进行检测。由于三维卷积不仅可以作用在水平和垂直方向上,还可以在时间方向上进行,即三维卷积能够同时保留空间信息和时间信息,所以本申请中利用三维卷积对待检测视频进行特征提取,使得到的发球状态检测结果更为准确。
示例性的,发球状态检测模型最终输出的概率值可以是介于0到1之间的数值,数值越大,表明待检测视频中人物处于发球状态的可能性越大。通过设置概率阈值,将预测概率大于或等于概率阈值的待检测视频认定为处于发球状态的视频,小于概率阈值的待检测视频则认定为处于非发球状态的视频。如果待检测视频处于发球状态,则继续对待检测视频进行下一步目标检测,以查找出发球状态下羽毛球的位置,并进行高度违规判别。若待检测视频处于非发球状态,则无需进行羽毛球目标检测。其中,概率阈值可以设为0.7,具体可根据实际情况进行设置,此处不做限制。
步骤S103:当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置。
上述步骤中,目标检测模型以CenterNet为基础构建了三个分支,羽毛球中心点检测分支、羽毛球边界框检测分支以及中心点偏移量检测分支,分别用于预测关键点的热力值、宽高以及偏移量。通过将图像传入目标检测模型,进行下采样后,得到一个热力图,该热力图表示了图像中的像素点属于羽毛球中心点的概率,并将热力图峰值点确定为羽毛球中心点。由于下采样会导致热力图重新映射到输入图像时会产生一定的偏置误差,所以需要中心点偏移量检测分支来预测羽毛球中心点的偏移量。于是,可以根据确定的羽毛球中心点的坐标进行回归,得到羽毛球的宽度和高度信息,即羽毛球的边界框尺寸,以及羽毛球中心点在输入图像上的位置偏移量。之后,将热力图中羽毛球中心点的坐标映射回输入图像中,根据位置偏移量对羽毛球中心点进行修正,得到输入图像中羽毛球中心点的准确坐标,并根据边界框尺寸得到羽毛球的宽度和高度,从而检测出羽毛球的位置。
示例性的,假设输入图像I的宽和高分别为W和H,并且通道数为3。将输入图像通过目标检测模型后,生成的热力图的值范围为[0,1],宽和高分别为即/>其中,R为下采样因子,表示输入图像与输出的热力图之间的尺寸倍数。例如,输入图像大小为512×512,当R=4时,则输出的热力图的大小为128×128。热力图的值表示了图像中的像素点属于羽毛球中心点的概率,若/>则代表该点为羽毛球中心点,/>则代表该点属于背景点。当热力图中检测出的羽毛球中心点坐标为(8,15),且预测的边界框尺寸为4×6,偏移量为2时,将坐标点(8,15)映射回输入图像中,得到坐标点(32,60),再加上偏移量2,即得到输入图像中羽毛球中心点的坐标为(34,62),且其宽为4,高为6,从而得到羽毛球的位置。
需说明的是,在本申请的一些实施例中,采集的是包含发球状态的待检测视频,将待检测视频输入目标检测模型中后,将对每一帧图像均进行上述羽毛球中心点检测,而后取位置高度最低的那一帧图像中的羽毛球位置,与视平线进行比较,以判断发球高度是否违规。
步骤S104:将羽毛球的位置与上述视平线进行对比,确定发球是否违规。
上述步骤中,若检测出的羽毛球的位置高度低于视平线,则说明发球高度未过线,发球合规;若检测出的羽毛球的位置高度高于视平线,则说明发球高度过线,发球违规。
示例性的,以图像左上角顶点为坐标原点,向下为Y轴正方向,向右为X轴正方向,且待检测视频中检测到的位置高度最低的那一帧图像中的羽毛球的上边界纵值为65,视平线纵值为63。由于羽毛球的上边界纵值大于视平线纵值,说明羽毛球位置位于视平线之下,发球高度合规。
本申请首先通过消失线检测原理求解生成标准发球高度对应的视平线,然后利用发球状态检测模型检测出处于发球状态的视频,再利用目标检测模型识别出处于发球状态的视频中羽毛球的位置,最后通过将羽毛球位置与视平线相比较,实现羽毛球发球高度的违规判罚。一方面能够客观、自动地识别出羽毛球发球时刻的发球高度的违规情况,提高发球高度违规判别的准确率,避免人工观看判罚而产生误判的情况。另一方面,通过单目相机采集视频数据后即可进行检测,相较于现有的鹰眼系统,所需硬件系统更为简单,且算法结构轻量化,运行成本更低,有利于大范围推广。
请参照图2,图2是本申请一实施例提出的消失线检测算法的流程图。该过程包括以下步骤:
步骤S101-1:从上述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段。
上述步骤中,可以将相机摄像头水平放置于羽毛球场边缘处1.15米的高度,并确保相机视野能覆盖运动员发球时的场景,然后采集待检测视频。假设采集的待检测视频包含30帧图像,可以通过从中任意选取一张图像作为待检测图像进行消失线检测,从而在图像中生成视平线,用以表征实际场景下的标准发球高度。由于待检测视频是在固定的高度下稳定采集的,所以每帧图像中对应的视平线是相同的,所以可以只选取一张来进行消失线检测即可,以减小计算量。
从待检测视频中选取出待检测图像后(如图3中的a部分所示),首先进行图像增强和区域分割处理,然后通过Canny算法对处理后的待检测图像进行边缘检测,得到边缘检测结果,并对边缘检测结果进行霍夫变换,检测出待检测图像中的所有线段(如图3中的b部分所示)。
步骤S101-2:根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段。
上述步骤中,首先计算线段与水平线的夹角,将夹角小于预设的第一阈值的线段以及夹角大于预设的第二阈值的线段进行删除。然后计算剩余的线段各自的长度,并按长度进行降序排序,选取出前若干条线段(如图3中的c部分所示)。
示例性的,第一预设阈值可以设置为5°,第二预设阈值可以设置为85°。通过计算线段与水平线的夹角,若夹角小于5°,说明该条线段本身就趋近于水平,若夹角大于85°,说明该条线段本身趋近于垂直。从而将本身就趋近于水平和垂直的线段舍去,避免对后续通过聚类分析寻找平行线簇造成影响。
步骤S101-3:将选择出的最长的若干条线段延长,并计算任意两条线段的延长线交点,得到交点集合。
步骤S101-4:对交点集合进行聚类分析,得到包含交点数最多的聚类簇,并确定对应的线段集合。
上述步骤中,在单点透视中,一组平行线簇会交于一个点,这个点即为消失点。所以通过将选择出的最长的若干条线段延长,可以计算出任意两条线段的延长线交点(如图3中的d部分所示)。得到交点集合后,利用DBSCAN对其进行聚类分析,得到包含交点数最多的聚类簇,并确定对应的线段集合(如图3中的e部分所示)。一个聚类簇包含的交点数越多,说明其对应的平行线簇越多,通过这些平行线簇得到的消失点也就越准确。
步骤S101-5:根据包含交点数最多的聚类簇对应的线段集合,求解得到消失点的坐标。
上述步骤中,假设得到的线段集合中,第i条线段所在直线的方程为:
aiu+biv+ci=0
且约束:
其中,ai、bi为第i条线段所在直线的一般式方程的系数,ci为常数,则消失点的坐标(u0,v0)应满足如下关系:
由于平行线簇中的直线可能不会刚好交于一点,所以通过上述方程寻找距离该组平行线簇中的直线的距离之和最短的点,作为消失点,该点即为最接近真实消失点的点。
该方程存在解析解,如下:
从而可根据待检测图像中的像素点坐标计算出包含交点数最多的聚类簇中,各条线段所在直线的一般式方程,进而求解得到消失点的具体坐标。
步骤S101-6:过上述消失点做水平线,得到上述视平线。
上述步骤中,由透视学的原理可知,过消失点做水平线,这条水平线便是视平线(如图3中的f部分所示),代表了采集视频时摄像头所处的高度。
请参照图4,图4是本申请一实施例提出的发球状态检测模型的训练流程图。主要包括以下步骤:
步骤S102-1:搭建发球状态检测模型,上述发球状态检测模型包括多个卷积层、最大池化层、全连接层以及输出层。
搭建的发球状态检测模型的框架如图5所示。该模型采用三维卷积神经网络,包括8个卷积层、5个最大池化层、2个全连接层以及最后的一个softmax输出层。所有的3D卷积核的尺寸都为3×3×3,在时域和空域上的移动步长都为1。图5中每一个方框中的数字代表滤波器的数量。Pool1至Pool5表示池化层,Pool1的池化核为1×2×2,其余的池化核都为2×2×2。每一个全连接层都有1024个输出单元。输出层则输出输入的视频处于发球状态的概率且/>
步骤S102-2:获取多个样本视频,上述样本视频的录制参数和高度与上述待检测视频相同,上述样本视频包括携带着对应的发球状态标签的正样本和负样本。
上述步骤中,由于目前公开的人体行为数据集中,如UCF101、HMDB51等,都没有关于羽毛球发球手势的数据,需要人为采集并标注数据。本申请采集样本视频时,采集的场景为羽毛球单打,且场地背景干净,无其他人员。后续获取待检测视频时,摄像头的位置和录制参数尽量与采集样本视频时的参数一致,以提高检测的准确性。
示例性的,采集的样本视频数据包括正手发球、反手发球和打球过程中的动作。正手发球、反手发球作为样本视频数据集中的正样本,而打球过程中的动作作为负样本。正手发球、反手发球和打球这三类动作的样本比例为1:1:1,且每一类动作的样本数至少100例。录制时,录制参数为1080p/30fps,每一段视频的时长为0.5秒,并将尺寸缩放为512×512×3×16,以输入模型中进行训练。
步骤S102-3:基于上述多个样本视频,对上述发球状态检测模型进行训练,包括:将每个样本视频输入上述发球状态检测模型,以通过多个上述卷积层和最大池化层提取上述样本视频的浅层特征和深度特征,并通过上述全连接层进行特征融合,以及通过上述输出层根据特征融合的结果对样本视频处于发球状态的概率进行预测,得到预测值。
步骤S102-4:根据样本视频的发球状态标签和预测值,计算上述发球状态检测模型的交叉熵损失函数,并对发球状态检测模型中的模型参数进行更新。
上述步骤中,发球状态检测模型的损失函数采用交叉熵损失函数,如下所示:
其中,表示网络的预测值,y∈{0,1}表示输入视频片段对应的真实值。
步骤S102-5:当交叉熵损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的发球状态检测模型。
请参照图6,图6是本申请一实施例提出的目标检测模型的训练流程图。主要包括以下步骤:
步骤S103-1:搭建目标检测模型,上述目标检测模型包括特征提取模块和多个属性检测分支,每个属性检测分支均与上述特征提取模块连接。
搭建的目标检测模型的框架如图7所示。该模型的主干网络采用ResNet-18网络,接着通过了TransConv1、TransConv2、TransConv3三个逆卷积层,每个逆卷积层的核尺寸为4×4,步长为2,填充为1,其后紧接着批归一化层和ReLU激活函数。并将ResNet-18主干网络和三个逆卷积层整体作为特征提取模块,对输入图像进行特征提取。之后通过三分支结构,基于提取的特征分别预测羽毛球中心点(Heatmap)、羽毛球的宽和高(WH)以及羽毛球中心点相较于原图的偏置(Offset)。每一个分支都采用了两个卷积层,第一个卷积层的核尺寸为3×3,步长为1,填充为1,第二个卷积层的核尺寸为1×1,步长为1,无填充。图7中每一个方框中的数字代表卷积核的数量。
步骤S103-2:获取多个样本图像,上述样本图像的采集参数和高度与上述待检测视频相同,且每个样本图像携带多个属性标签。
由于目前公开的数据集中,如MS COCO、Open Images Dataset V4等,都没有关于羽毛球的数据,需要人为采集并标注图片。图片的标注工具使用labelImg,以PASCAL VOC的格式标注出其中的羽毛球,得到对应的羽毛球中心点标签、边界框尺寸标签以及中心点偏移量标签等。例如,设输入图像为I,宽和高分别为W和H,(x1,y1,x2,y2)表示图像中羽毛球真实的边界框,则其中心点为:
羽毛球的宽度和高度为:(x2-x1,,y2-y1)。
然后统一图像尺寸为512×512,以输入模型中进行训练。后续获取待检测视频时,摄像头的位置和录制参数尽量与采集样本图像时的参数一致,以提高检测的准确性。
步骤S103-3:基于上述多个样本图像,对上述目标检测模型进行训练,包括:将每个样本图像输入上述目标检测模型,以通过上述特征提取模块对样本图像进行特征提取,获得该样本图像的图像特征,并通过属性检测分支基于该图像特征对不同的属性分别进行检测,得到对应的属性预测结果。
步骤S103-4:根据样本图像的属性标签及对应的属性预测结果,计算上述目标检测模型的损失函数,并对目标检测模型中的模型参数进行更新。
具体的,属性检测分支包括:
1、羽毛球中心点检测分支,用于生成热力图,热力图表示样本图像中的像素点属于羽毛球中心点的概率,以确定羽毛球中心点坐标。羽毛球中心点检测分支的损失函数Lhm为:
其中,(x,y)表示热力图中像素点的坐标,Yx,y表示点(x,y)为羽毛球中心点的概率的真实值,表示点(x,y)为羽毛球中心点的概率的预测值,N表示输入的样本图像中羽毛球的数量,α和β是两个超参数,α=2,β=4。
具体的,在求解点(x,y)为羽毛球中心点的概率的真实值Yx,y时:
对输入的样本图像进行下采样,得到采样后的羽毛球中心点坐标 />
其中,c表示样本图像中的羽毛球中心点坐标,R表示下采样倍数,是对/>进行向下取整得到的结果。例如,在输入的样本图像中羽毛球中心点的坐标为(34,62),当以R=4进行下采样时,算出来的数值原本为(8.5,15.5),而由于像素显示为整数,所以对其进行向下取整,最终热力图中对应的羽毛球中心点的坐标实际为(8,15)。
然后,利用高斯核将采样后的羽毛球中心点坐标映射到热力图中,得到点(x,y)为羽毛球中心点的概率的真实值Yx,y:
其中,σp是一个对象尺寸自适应的标准差,表示羽毛球中心点的横坐标,/>表示羽毛球中心点的纵坐标。
2、羽毛球边界框检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球的边界框尺寸,羽毛球边界框检测分支的损失函数Lsize为:
其中,k表示羽毛球中心点,sk表示羽毛球中心点对应的边界框的真实值,表示羽毛球中心点对应的边界框的预测值,N表示输入的样本图像中羽毛球的数量。
3、中心点偏移量检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球中心点的偏移量,中心点偏移量检测分支的损失函数Loff为:
其中,表示羽毛球中心点,/>表示羽毛球中心点的实际偏移值,/>表示羽毛球中心点的预测偏移值,N表示输入的样本图像中羽毛球的数量。
由于目标检测模型的损失函数由三部分组成,分别为羽毛球中心点位置的热力图预测损失、羽毛球宽度和高度的预测损失、以及羽毛球中心点偏移的预测损失。所以可以根据上述计算得到的羽毛球中心点检测分支的损失函数Lhm、羽毛球边界框检测分支的损失函数Lsize以及中心点偏移量检测分支的损失函数Loff,计算目标检测模型的整体损失函数L:
L=Lhm+λsizeLsize+λoffLoff
其中,λsize和λoff是两个超参数,λsize=0.1,λoff=1。
步骤S103-5:当损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的目标检测模型。
基于同一发明构思,本申请一实施例提供一种羽毛球发球高度的违规检测装置。请参照图8,图8是本申请一实施例提出的羽毛球发球高度的违规检测装置的示意图,包括:
视平线生成模块1,用于获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,上述视平线为标准发球高度对应的基准线;
发球状态检测模块2,用于将上述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态;
发球高度检测模块3,用于当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置;
发球违规判定模块4,用于将羽毛球的位置与上述视平线进行对比,确定发球是否违规。
可选地,上述视平线生成模块1包括:
选取子模块,用于从上述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段;
过滤子模块,用于根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段;
交点子模块,用于将选择出的最长的若干条线段延长,并计算任意两条线段的延长线交点,得到交点集合;
聚类子模块,用于对交点集合进行聚类分析,得到包含交点数最多的聚类簇,并确定对应的线段集合;
消失点求解子模块,用于根据包含交点数最多的聚类簇对应的线段集合,求解得到消失点的坐标;
视平线生成子模块,用于过上述消失点做水平线,得到上述视平线。
可选地,上述选取子模块包括:
预处理单元,用于从上述待检测视频中选取出待检测图像,并进行图像增强和区域分割处理;
边缘检测单元,用于对处理后的待检测图像进行边缘检测,得到边缘检测结果;
线段检测单元,用于对边缘检测结果进行霍夫变换,检测出上述待检测图像中的所有线段。
可选地,上述过滤子模块包括:
筛选单元,用于计算线段与水平线的夹角,将夹角小于预设的第一阈值的线段以及夹角大于预设的第二阈值的线段进行删除;
排序单元,用于计算剩余的线段各自的长度,并按长度进行降序排序,选取出前若干条线段。
可选地,上述装置还包括:
第一模型搭建模块,用于搭建发球状态检测模型,上述发球状态检测模型包括多个卷积层、最大池化层、全连接层以及输出层;
样本视频获得模块,用于获取多个样本视频,上述样本视频的录制参数和高度与上述待检测视频相同,上述样本视频包括携带着对应的发球状态标签的正样本和负样本;
第一模型训练模块,用于基于上述多个样本视频,对上述发球状态检测模型进行训练,包括:将每个样本视频输入上述发球状态检测模型,以通过多个上述卷积层和最大池化层提取上述样本视频的浅层特征和深度特征,并通过上述全连接层进行特征融合,以及通过上述输出层根据特征融合的结果对样本视频处于发球状态的概率进行预测,得到预测值;
第一模型更新模块,用于根据样本视频的发球状态标签和预测值,计算上述发球状态检测模型的交叉熵损失函数,并对发球状态检测模型中的模型参数进行更新;
当交叉熵损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的发球状态检测模型。
可选地,上述装置还包括:
第二模型搭建模块,用于搭建目标检测模型,上述目标检测模型包括特征提取模块和多个属性检测分支,每个属性检测分支均与上述特征提取模块连接;
样本图像获取模块,用于获取多个样本图像,上述样本图像的采集参数和高度与上述待检测视频相同,且每个样本图像携带多个属性标签;
第二模型训练模块,用于基于上述多个样本图像,对上述目标检测模型进行训练,包括:将每个样本图像输入上述目标检测模型,以通过上述特征提取模块对样本图像进行特征提取,获得该样本图像的图像特征,并通过属性检测分支基于该图像特征对不同的属性分别进行检测,得到对应的属性预测结果;
第二模型更新模块,用于根据样本图像的属性标签及对应的属性预测结果,计算上述目标检测模型的损失函数,并对目标检测模型中的模型参数进行更新;
当损失函数小于预设阈值时,则停止更新,完成模型训练,得到上述预置的目标检测模型。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种羽毛球发球高度的违规检测方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种羽毛球发球高度的违规检测方法,其特征在于,所述方法包括:
获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,所述视平线为标准发球高度对应的基准线;
将所述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态;
当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置;
将羽毛球的位置与所述视平线进行对比,确定发球是否违规。
2.根据权利要求1所述的方法,其特征在于,所述利用消失线检测算法求解待检测视频中的视平线,包括:
从所述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段;
根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段;
将选择出的最长的若干条线段延长,并计算任意两条线段的延长线交点,得到交点集合;
对交点集合进行聚类分析,得到包含交点数最多的聚类簇,并确定对应的线段集合;
根据包含交点数最多的聚类簇对应的线段集合,求解得到消失点的坐标;
过所述消失点做水平线,得到所述视平线。
3.根据权利要求2所述的方法,其特征在于,所述从所述待检测视频中选取出待检测图像,并检测出待检测图像中的所有线段,包括:
从所述待检测视频中选取出待检测图像,并进行图像增强和区域分割处理;
对处理后的待检测图像进行边缘检测,得到边缘检测结果;
对边缘检测结果进行霍夫变换,检测出所述待检测图像中的所有线段。
4.根据权利要求2所述的方法,其特征在于,所述根据线段与水平线的夹角对线段进行过滤,并从剩余的线段中选择最长的若干条线段,包括:
计算线段与水平线的夹角,将夹角小于预设的第一阈值的线段以及夹角大于预设的第二阈值的线段进行删除;
计算剩余的线段各自的长度,并按长度进行降序排序,选取出前若干条线段。
5.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
搭建发球状态检测模型,所述发球状态检测模型包括多个卷积层、最大池化层、全连接层以及输出层;
获取多个样本视频,所述样本视频的录制参数和高度与所述待检测视频相同,所述样本视频包括携带着对应的发球状态标签的正样本和负样本;
基于所述多个样本视频,对所述发球状态检测模型进行训练,包括:将每个样本视频输入所述发球状态检测模型,以通过多个所述卷积层和最大池化层提取所述样本视频的浅层特征和深度特征,并通过所述全连接层进行特征融合,以及通过所述输出层根据特征融合的结果对样本视频处于发球状态的概率进行预测,得到预测值;
根据样本视频的发球状态标签和预测值,计算所述发球状态检测模型的交叉熵损失函数,并对发球状态检测模型中的模型参数进行更新;
当交叉熵损失函数小于预设阈值时,则停止更新,完成模型训练,得到所述预置的发球状态检测模型。
6.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
搭建目标检测模型,所述目标检测模型包括特征提取模块和多个属性检测分支,每个属性检测分支均与所述特征提取模块连接;
获取多个样本图像,所述样本图像的采集参数和高度与所述待检测视频相同,且每个样本图像携带多个属性标签;
基于所述多个样本图像,对所述目标检测模型进行训练,包括:将每个样本图像输入所述目标检测模型,以通过所述特征提取模块对样本图像进行特征提取,获得该样本图像的图像特征,并通过属性检测分支基于该图像特征对不同的属性分别进行检测,得到对应的属性预测结果;;
根据样本图像的属性标签及对应的属性预测结果,计算所述目标检测模型的损失函数,并对目标检测模型中的模型参数进行更新;;
当损失函数小于预设阈值时,则停止更新,完成模型训练,得到所述预置的目标检测模型。
7.根据权利要求6所述的方法,其特征在于,所述属性检测分支包括:
羽毛球中心点检测分支,用于生成热力图,所述热力图表示样本图像中的像素点属于羽毛球中心点的概率,以确定羽毛球中心点坐标,所述羽毛球中心点检测分支的损失函数Lhm为:
其中,(x,y)表示热力图中像素点的坐标,Yx,y表示点(x,y)为羽毛球中心点的概率的真实值,表示点(x,y)为羽毛球中心点的概率的预测值,N表示输入的样本图像中羽毛球的数量,α和β是两个超参数,α=2,β=4;
羽毛球边界框检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球的边界框尺寸,所述羽毛球边界框检测分支的损失函数Lsize为:
其中,k表示羽毛球中心点,sk表示羽毛球中心点对应的边界框的真实值,表示羽毛球中心点对应的边界框的预测值,N表示输入的样本图像中羽毛球的数量;
中心点偏移量检测分支,用于根据确定的羽毛球中心点坐标回归得到预测的羽毛球中心点的偏移量,所述中心点偏移量检测分支的损失函数Loff为:
其中,表示羽毛球中心点,/>表示羽毛球中心点的实际偏移值,/>表示羽毛球中心点的预测偏移值,N表示输入的样本图像中羽毛球的数量。
8.根据权利要求7所述的方法,其特征在于,所述计算所述目标检测模型的损失函数,包括:
根据所述羽毛球中心点检测分支的损失函数Lhm、羽毛球边界框检测分支的损失函数Lsize以及中心点偏移量检测分支的损失函数Loff,计算所述目标检测模型的整体损失函数L:
L=Lhm+λsizeLsize+λoffLoff
其中,λsize和λoff是两个超参数,λsize=0.1,λoff=1。
9.根据权利要求7所述的方法,其特征在于,所述羽毛球中心点检测分支中,点(x,y)为羽毛球中心点的概率的真实值Yx,y的计算包括:
对输入的样本图像进行下采样,得到采样后的羽毛球中心点坐标
其中,c表示样本图像中的羽毛球中心点坐标,R表示下采样倍数,表示向下取整;
利用高斯核将采样后的羽毛球中心点坐标映射到热力图中,得到点(x,y)为羽毛球中心点的概率的真实值Yx,y:
其中,σp是一个对象尺寸自适应的标准差,表示羽毛球中心点的横坐标,/>表示羽毛球中心点的纵坐标。
10.一种羽毛球发球高度的违规检测装置,其特征在于,所述装置包括:
视平线生成模块,用于获取相机在标准发球高度下采集的待检测视频,利用消失线检测算法求解待检测视频中的视平线,所述视平线为标准发球高度对应的基准线;
发球状态检测模块,用于将所述待检测视频输入预置的发球状态检测模型中进行特征提取和预测,得到待检测视频处于发球状态的概率并与预设阈值相比较,以判断待检测视频是否处于发球状态;
发球高度检测模块,用于当待检测视频处于发球状态时,利用预置的目标检测模型确定羽毛球的位置;
发球违规判定模块,用于将羽毛球的位置与所述视平线进行对比,确定发球是否违规。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732662.7A CN116682048A (zh) | 2023-06-19 | 2023-06-19 | 一种羽毛球发球高度的违规检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732662.7A CN116682048A (zh) | 2023-06-19 | 2023-06-19 | 一种羽毛球发球高度的违规检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116682048A true CN116682048A (zh) | 2023-09-01 |
Family
ID=87783578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310732662.7A Pending CN116682048A (zh) | 2023-06-19 | 2023-06-19 | 一种羽毛球发球高度的违规检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682048A (zh) |
-
2023
- 2023-06-19 CN CN202310732662.7A patent/CN116682048A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
EP4002198A1 (en) | Posture acquisition method and device, and key point coordinate positioning model training method and device | |
WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN110298231B (zh) | 一种用于篮球比赛视频进球判定的方法及系统 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN110210360B (zh) | 一种基于视频图像目标识别的跳绳计数方法 | |
CN103617614B (zh) | 一种在视频图像中确定乒乓球落点数据的方法及系统 | |
CN107341523A (zh) | 基于深度学习的快递单信息识别方法和系统 | |
CN107358141B (zh) | 数据识别的方法及装置 | |
CN109684919B (zh) | 一种基于机器视觉的羽毛球发球违例判别方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN109758756B (zh) | 基于3d相机的体操视频分析方法及系统 | |
CN104021381B (zh) | 一种基于多层级特征的人体动作识别方法 | |
CN111291617B (zh) | 基于机器学习的羽毛球赛事视频精彩片段提取方法 | |
CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN110781962A (zh) | 基于轻量级卷积神经网络的目标检测方法 | |
CN111524082B (zh) | 目标鬼影消除方法 | |
CN111652140A (zh) | 基于深度学习的题目精准分割方法、装置、设备和介质 | |
CN114550067A (zh) | 一种体育赛事自动直播与导播方法、装置、设备及存储介质 | |
CN110766645B (zh) | 基于人物识别与分割的目标人物复现图生成方法 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN115100744A (zh) | 一种羽毛球比赛人体姿态估计和球路追踪方法 | |
CN109460724B (zh) | 基于对象检测的停球事件的分离方法和系统 | |
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 |
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 |