JP2020187385A - 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム - Google Patents
幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2020187385A JP2020187385A JP2019089304A JP2019089304A JP2020187385A JP 2020187385 A JP2020187385 A JP 2020187385A JP 2019089304 A JP2019089304 A JP 2019089304A JP 2019089304 A JP2019089304 A JP 2019089304A JP 2020187385 A JP2020187385 A JP 2020187385A
- Authority
- JP
- Japan
- Prior art keywords
- key point
- frame
- learning
- information
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims description 47
- 238000004590 computer program Methods 0.000 title claims description 3
- 238000001514 detection method Methods 0.000 claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
また、視聴体験の観点においても、解析結果を映像と同時に視聴者に提示したり、あるいは映像に重畳表示したりすることで、視聴者の試合に対する理解を深め、視聴体験の質を向上させることが期待できる。スポーツ映像解析の産業応用の素地は広く、その価値は極めて高いと考えられる。
上記事情に鑑み、本発明は、幾何パラメータの推定精度を向上させることができる技術の提供を目的としている。
を備える幾何パラメータ推定装置である。
(第1の実施形態)
図1は、第1の実施形態における幾何パラメータ推定装置10の機能構成を表す概略ブロック図である。
幾何パラメータ推定装置10は、所定の空間が撮像されたフレームに基づいて、入力したフレームの画像変換を行うために用いる幾何パラメータを推定する。ここで、所定の空間とは、バスケットボール、サッカー、ラグビー、アイスホッケー等のスポーツが行われる競技場(競技空間)である。フレームとは、映像を構成する1コマの画像である。以下の説明では、所定の空間がバスケットボールの競技場である場合を例に説明する。また、幾何パラメータ推定装置10に入力される画像は、フレームに限らず静止画であってもよい。
(参考文献1:Martin A. Fischler, Robert C. Bolles, “Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography”, in Comm. ACM, 1981.)
幾何パラメータ推定装置10は、バスで接続されたCPU(Central Processing Unit)やメモリや補助記憶装置などを備え、幾何パラメータ推定プログラムを実行する。幾何パラメータ推定プログラムの実行によって、幾何パラメータ推定装置10は、記憶部11、学習データ生成部12、キーポイント検出モデル学習部13、幾何パラメータ推定部14を備える装置として機能する。なお、幾何パラメータ推定装置10の各機能の全て又は一部は、ASIC(Application Specific Integrated Circuit)やPLD(Programmable Logic Device)やFPGA(Field Programmable Gate Array)やGPU(Graphics Processing Unit)等のハードウェアを用いて実現されてもよい。また、幾何パラメータ推定プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。また、幾何パラメータ推定プログラムは、電気通信回線を介して送受信されてもよい。
事前設定キーポイント座標情報152(第3のキーポイント位置情報)は、フレームに撮像されている所定の空間におけるキーポイントの座標位置を示す情報である。座標位置は、例えばx座標及びy座標である。事前設定キーポイント座標情報152は、予め人手で作成される。例えば、事前設定キーポイント座標情報152は、フレーム毎に対応付けて作成される。事前設定キーポイント座標情報152の例を図2に示す。
図2(A)に示すように、フレームには4個のキーポイント102、103、105及び107が定義されている。そして、図2(B)に示すように、定義されたキーポイント102、103、105及び107において座標位置が設定されている。本実施形態では、キーポイントの数を最大10とした場合を例に示しているが、キーポイントの数はこれに限らず適宜設定されてもよい。
このように、図2(B)に示すような座標位置の設定は人手で行われ、事前設定キーポイント座標情報152として記憶部11に記憶される。
図3(A)に示すように、第2の座標系(例えば、競技空間を、真上から(正面から)見た状態)におけるフレームには10個のキーポイント101〜110が定義されている。そして、図3(B)に示すように、定義されたキーポイント101〜110において座標位置が設定されている。
図5(A)に示すように、フレーム内にはキーポイント102、103、105及び107が含まれるため、キーポイント出現情報156のキーポイント102、103、105及び107に対応する箇所には1が代入される。図5(A)に示すフレーム内にはキーポイント101、104、106及び108〜110が含まれないため、キーポイント出現情報156のキーポイント101、104、106及び108〜110に対応する箇所には0が代入される。このようにして、図5(B)に示すようなキーポイント出現情報156が生成される。
図6(A)に示すように、フレーム内にはキーポイント101〜107及び109が含まれるため、キーポイント出現情報156のキーポイント101〜107及び109に対応する箇所には1が代入される。図6(A)に示すフレーム内にはキーポイント108及び110が含まれないため、キーポイント出現情報156のキーポイント108及び110に対応する箇所には0が代入される。このようにして、図6(B)に示すようなキーポイント出現情報156が生成される。キーポイント出現情報156は、学習データ生成部12によって生成される。
学習データ生成部12は、記憶部11に記憶されている学習データ15を用いて、キーポイント検出モデル16の学習に利用される一部の学習データを生成する。具体的には、学習データ生成部12は、補間キーポイント座標情報155、キーポイント出現情報156、領域マスク157及び領域隣接関係行列158を生成する。
幾何パラメータ推定部14は、キーポイント検出モデル16及びテスト画像17を用いて幾何パラメータを推定する。
学習データ生成部12は、事前設定キーポイント座標情報152及び正面画像キーポイント座標情報153を入力する(ステップS101)。学習データ生成部12は、入力した事前設定キーポイント座標情報152及び正面画像キーポイント座標情報153に基づいて幾何パラメータを推定する(ステップS102)。その後、学習データ生成部12は、推定した幾何パラメータを用いて、補間キーポイント座標情報155を生成する(ステップS103)。具体的には、学習データ生成部12は、得られた幾何パラメータを、対象のフレームに出現していないキーポイントの所定の座標空間における位置に適用することで、対象のフレームに出現していないキーポイントの座標位置を算出する。学習データ生成部12は、生成した補間キーポイント座標情報155を記憶部11に記憶する。
図12(A)は、対象のフレームに出現していないキーポイントの座標位置を示す図であり、図12(B)は補間キーポイント座標情報155の具体例を示す図である。図12(A)には、対象のフレームには出現していないが、正面画像キーポイント座標情報153には出現しているキーポイントが示されている。補間キーポイント座標情報155は、対象フレームと、正面フレームとの間の幾何パラメータに基づいて対象のフレームには出現していないキーポイントの座標位置を算出する。
学習データ生成部12は、記憶部11に記憶されているフレームを入力する(ステップS201)。学習データ生成部12は、入力したフレームに公知の物体領域推定処理を適用して、物体領域が示されたマスク画像(以下「物体領域マスク」という。)を生成する(ステップS202)。物体領域マスク(物体領域マスク情報)は、前景領域である物体領域に1の値が割り当てられ、背景領域に0の値が割り当てられたマスク画像である。なお、物体領域推定方法は任意であり、例えば参考文献2に開示されている方法を用いればよい。
(参考文献2:Kaiming He, Georgia Gkioxari, Piotr Dollar, Ross Girshick, “Mask R-CNN”, ICCV, 2017.)
図14に示すように、領域マスク生成処理に使用したフレームに対応する領域マスク157を自動で生成することができる。
特徴マップ抽出部は、入力された画像(例えば、画像151又はテスト画像17)から特徴マップ250を抽出する。特徴マップ250は、フレームに撮像されている空間の空間構造を特徴化したマップである。特徴マップを抽出する方法は任意であり、例えば特徴マップ抽出部は、参考文献3に開示されている畳み込みニューラルネットワークを用いて特徴マップを抽出すればよい。
(参考文献3:Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition”, in Proc. CVPR, 2015.)
(参考文献4:Jie Hu, Li Shen, Samuel Albanie, Gang Sun, Enhua Wu, “Squeeze-and-Excitation Networks”, in Proc. CVPR, 2018.)
(参考文献5:Hang Zhang, Kristin Dana, Jianping Shi, Zhongyue Zhang, Xiaogang Wang, Ambrish Tyagi, Amit Agrawal, “Context Encoding for Semantic Segmentation”, CVPR, 2018.)
領域マスクの誤差については、キーポイント検出モデル学習部13は、領域マスクの各ピクセルのクロスエントロピーの和で算出すればよい。以下では、領域マスクの誤差をφ_maskと定義する。
領域隣接関係行列の誤差については、キーポイント検出モデル学習部13は、行列各要素のバイナリクロスエントロピーの和で算出すればよい。以下では、領域隣接関係行列の誤差をΨ_maskと定義する。
幾何パラメータ推定部14は、テスト画像17を入力する(ステップS301)。幾何パラメータ推定部14は、入力したテスト画像17を、キーポイント検出モデル16に入力することによって、入力したテスト画像17に含まれるキーポイントの検出する(ステップS302)。そして、幾何パラメータ推定部14は、検出したキーポイントの座標位置と、第2の座標系におけるキーポイントの座標位置とに基づいて、入力したフレーム内の競技空間を、第2の座標系に変換する幾何パラメータを推定する(ステップS303)。
幾何パラメータ推定装置10がクラウド上に設けられて、ネットワークを介して他の装置からの要求に応じて、キーポイント検出モデル16の学習及び幾何パラメータの推定を行うように構成されてもよい。
第2の実施形態では、幾何パラメータ推定装置10が備える一部又は全ての機能部が、クラウド上のサーバに実装され、クラウド上のサーバでモデルの学習を行う構成について説明する。
図19は、第2の実施形態における幾何パラメータ推定システム100のシステム構成を示す図である。幾何パラメータ推定システム100は、幾何パラメータ推定装置10a及びモデル学習装置300を備える。幾何パラメータ推定装置10a及びモデル学習装置300及びは、ネットワーク30を介して通信可能に接続される。ネットワーク30は、例えばインターネットである。
幾何パラメータ推定装置10aは、モデル学習装置300により学習されたキーポイント検出モデル16を用いて幾何パラメータを推定する。
まずモデル学習装置300の機能構成について説明する。モデル学習装置300は、バスで接続されたCPUやメモリや補助記憶装置などを備え、学習プログラムを実行する。学習プログラムの実行によって、モデル学習装置300は、記憶部11、学習データ生成部12、キーポイント検出モデル学習部13、通信部301を備える装置として機能する。なお、幾何パラメータ推定装置10aの各機能の全て又は一部は、ASICやPLDやFPGAやGPU等のハードウェアを用いて実現されてもよい。また、学習プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。また、学習プログラムは、電気通信回線を介して送受信されてもよい。
通信部301は、幾何パラメータ推定装置10aに対してキーポイント検出モデル16を送信する。
幾何パラメータ推定部14は、第1の実施形態における同名の機能部と同様に幾何パラメータを推定する。
モデル学習装置300が備える一部の機能部は、他の装置(例えば、幾何パラメータ推定装置10a)に実装されてもよい。
上記の各実施形態では、所定の空間を区分けするラベルが付与されたマスク画像(領域マスク)を用いる構成を示したが、区分けした空間毎の位置関係を示す情報を含むマスク情報が用いられてもよい。
Claims (9)
- フレームを入力として前記フレームに撮像されている第1の座標系の所定の空間における特徴点の位置を表すキーポイント位置情報を少なくとも出力するように学習されたキーポイント検出モデルにより得られた第1のキーポイント位置情報と、第2の座標系の前記所定の空間において予め定義された第2のキーポイント位置情報とを用いて、前記フレームに撮像されている前記第1の座標系の前記所定の空間を、前記第2の座標系の空間に変換するための幾何パラメータを推定する幾何パラメータ推定部、
を備える幾何パラメータ推定装置。 - 前記キーポイント検出モデルを学習するキーポイント検出モデル学習部をさらに備え、
前記キーポイント検出モデル学習部は、前記第1の座標系の所定の空間が撮像された学習用フレームと、前記学習用フレームと関連付けられた学習用キーポイント位置情報と、前記学習用フレームにおける前記特徴点の出現の有無を表す学習用出現情報と、前記学習用フレームと関連付けられた情報であって、前記所定の空間を区分けするラベルが付与された学習用マスク情報と、前記学習用マスク情報に含まれる各ラベルの隣接関係を表した学習用領域隣接関係行列と、を入力として、入力された前記学習用フレームに基づいて前記キーポイント検出モデルが出力する前記第1のキーポイント位置情報、出現情報、マスク情報及び領域隣接関係行列それぞれについて、入力された前記学習用キーポイント位置情報、入力された前記学習用出現情報、入力された前記学習用マスク情報及び入力された前記学習用領域隣接関係行列との誤差の演算結果を同時に最小化するように前記キーポイント検出モデルを学習する、請求項1に記載の幾何パラメータ推定装置。 - 前記学習用フレームと、前記第2のキーポイント位置情報と、前記学習用フレームに撮像されている前記所定の空間上における特徴点の位置を表す第3のキーポイント位置情報と、前記第2の座標系の所定の空間における学習データ生成用マスク情報のいずれかを入力として、前記キーポイント検出モデルでの学習に用いる学習データを生成する学習データ生成部をさらに備える、請求項2に記載の幾何パラメータ推定装置。
- 前記学習データ生成部は、入力された前記第2のキーポイント位置情報及び前記第3のキーポイント位置情報に基づいて幾何パラメータを推定し、推定した前記幾何パラメータと、前記第2のキーポイント位置情報とを用いて、前記第3のキーポイント位置情報に含まれないキーポイントの位置を算出することによって前記学習用キーポイント位置情報を生成する、請求項3に記載の幾何パラメータ推定装置。
- 前記学習データ生成部は、入力された前記学習用フレームに撮像されている物体領域を推定することによって物体領域が示された物体領域マスク情報をさらに生成し、入力された前記第2のキーポイント位置情報及び前記第3のキーポイント位置情報に基づいて幾何パラメータを推定し、推定した前記幾何パラメータ、前記学習データ生成用マスク情報及び前記物体領域マスク情報を用いて、前記学習データ生成用マスク情報を、第1の座標系のマスク情報に変換し、変換後のマスク情報と前記物体領域マスク情報と組み合わせることによって、前記学習用マスク情報を生成する、請求項3又は4に記載の幾何パラメータ推定装置。
- 前記キーポイント検出モデルは、
前記フレームに撮像されている所定の空間の空間的構造を特徴化した特徴マップを抽出し、
前記特徴マップを圧縮することによって前記特徴マップに含まれる特徴を表す特徴情報を抽出し、
抽出した前記特徴マップと、前記特徴情報とに基づいて、前記フレームから前記特徴点を検出して、検出した前記特徴点の検出結果を前記第1のキーポイント位置情報として出力し、
前記特徴情報に基づいて、前記フレームからにおける前記特徴点の出現の有無を推定し、推定した結果を前記出現情報として出力し、
前記特徴マップと、前記特徴情報とに基づいて、前記フレームに撮像されている所定の空間を区分けするラベルを、区分けされた各領域に付与することによって生成したマスク情報を出力し、
前記特徴情報に基づいて、前記マスク情報に含まれる各ラベルの隣接関係を推定し、推定結果を前記領域隣接関係行列として出力する、請求項2から5のいずれか一項に記載の幾何パラメータ推定装置。 - フレームを入力として前記フレームに撮像されている第1の座標系の所定の空間における特徴点の位置を表すキーポイント位置情報を少なくとも出力するように学習されたキーポイント検出モデルにより得られた第1のキーポイント位置情報と、第2の座標系の前記所定の空間において予め定義された第2のキーポイント位置情報とを用いて、前記フレームに撮像されている前記第1の座標系の前記所定の空間を、前記第2の座標系の空間に変換するための幾何パラメータを推定する幾何パラメータ推定部、
を備える幾何パラメータ推定システム。 - フレームを入力として前記フレームに撮像されている第1の座標系の所定の空間における特徴点の位置を表すキーポイント位置情報を少なくとも出力するように学習されたキーポイント検出モデルにより得られた第1のキーポイント位置情報と、第2の座標系の前記所定の空間において予め定義された第2のキーポイント位置情報とを用いて、前記フレームに撮像されている前記第1の座標系の前記所定の空間を、前記第2の座標系の空間に変換するための幾何パラメータを推定する幾何パラメータ推定ステップ、
を有する幾何パラメータ推定方法。 - フレームを入力として前記フレームに撮像されている第1の座標系の所定の空間における特徴点の位置を表すキーポイント位置情報を少なくとも出力するように学習されたキーポイント検出モデルにより得られた第1のキーポイント位置情報と、第2の座標系の前記所定の空間において予め定義された第2のキーポイント位置情報とを用いて、前記フレームに撮像されている前記第1の座標系の前記所定の空間を、前記第2の座標系の空間に変換するための幾何パラメータを推定する幾何パラメータ推定ステップ、
をコンピュータに実行させるためのコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019089304A JP7334058B2 (ja) | 2019-05-09 | 2019-05-09 | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019089304A JP7334058B2 (ja) | 2019-05-09 | 2019-05-09 | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020187385A true JP2020187385A (ja) | 2020-11-19 |
JP7334058B2 JP7334058B2 (ja) | 2023-08-28 |
Family
ID=73223209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019089304A Active JP7334058B2 (ja) | 2019-05-09 | 2019-05-09 | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7334058B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022034034A (ja) * | 2020-12-25 | 2022-03-02 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッド | 障害物検出方法、電子機器、路側機器、及びクラウド制御プラットフォーム |
WO2022185473A1 (ja) * | 2021-03-04 | 2022-09-09 | 日本電気株式会社 | 物体検知モデル生成装置、物体検知モデル生成方法、物体検知装置、物体検知方法、及び、記録媒体 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016099941A (ja) * | 2014-11-26 | 2016-05-30 | 日本放送協会 | オブジェクト位置推定システム、及びそのプログラム |
JP2018206285A (ja) * | 2017-06-09 | 2018-12-27 | 日本放送協会 | オブジェクト追跡装置及びオブジェクト軌跡生成システム |
JP2019057070A (ja) * | 2017-09-20 | 2019-04-11 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
-
2019
- 2019-05-09 JP JP2019089304A patent/JP7334058B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016099941A (ja) * | 2014-11-26 | 2016-05-30 | 日本放送協会 | オブジェクト位置推定システム、及びそのプログラム |
JP2018206285A (ja) * | 2017-06-09 | 2018-12-27 | 日本放送協会 | オブジェクト追跡装置及びオブジェクト軌跡生成システム |
JP2019057070A (ja) * | 2017-09-20 | 2019-04-11 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
Non-Patent Citations (1)
Title |
---|
DANIEL DETONE ET AL.: "Toward Geometric Deep SLAM", [ONLINE], JPN7022005854, 2017, ISSN: 0005063417 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022034034A (ja) * | 2020-12-25 | 2022-03-02 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッド | 障害物検出方法、電子機器、路側機器、及びクラウド制御プラットフォーム |
JP7351892B2 (ja) | 2020-12-25 | 2023-09-27 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 障害物検出方法、電子機器、路側機器、及びクラウド制御プラットフォーム |
WO2022185473A1 (ja) * | 2021-03-04 | 2022-09-09 | 日本電気株式会社 | 物体検知モデル生成装置、物体検知モデル生成方法、物体検知装置、物体検知方法、及び、記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP7334058B2 (ja) | 2023-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2949844C (en) | System and method for identifying, analyzing, and reporting on players in a game from video | |
JP6525453B2 (ja) | オブジェクト位置推定システム、及びそのプログラム | |
US12046038B2 (en) | System and method for generating visual analytics and player statistics | |
RU2498404C2 (ru) | Способ и устройство для генерирования регистрационной записи события | |
Gerke et al. | Soccer player recognition using spatial constellation features and jersey number recognition | |
GB2452508A (en) | Generating a three-dimensional representation of a sports game | |
CN104376575B (zh) | 一种基于多摄像头监控的行人计数方法和装置 | |
JP6850751B2 (ja) | 物体追跡装置、物体追跡方法、及びコンピュータプログラム | |
JP7334058B2 (ja) | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム | |
US8164633B2 (en) | Calibration apparatus and method for imaging devices and computer program | |
CN112183361A (zh) | 一种结合目标检测与动态差分的进球检测方法及系统 | |
JP7195892B2 (ja) | 座標変換行列推定方法及びコンピュータプログラム | |
Chen et al. | Player trajectory reconstruction for tactical analysis | |
CN105760854A (zh) | 信息处理方法及电子设备 | |
JP7253969B2 (ja) | 幾何パラメータ推定装置、幾何パラメータ推定システム、幾何パラメータ推定方法及びコンピュータプログラム | |
Chen et al. | Player trajectory reconstruction from broadcast basketball video | |
Sebastian et al. | Performance evaluation metrics for video tracking | |
Pandya et al. | Homography based player identification in live sports | |
JP2021189959A (ja) | クラス判定装置、クラス判定方法及びコンピュータプログラム | |
Szlavik et al. | Stochastic view registration of overlapping cameras based on arbitrary motion | |
Chen et al. | Tracknetv3: Enhancing shuttlecock tracking with augmentations and trajectory rectification | |
JP7542331B2 (ja) | 学習装置、物体分類装置、学習方法、物体分類方法及びコンピュータプログラム | |
Wei et al. | A court line extraction algorithm for badminton tournament videos with horizontal line projection learning | |
Maalej et al. | Basketball game systems identification by real time video processing | |
Martín et al. | Automatic players detection and tracking in multi-camera tennis videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211223 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230714 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230725 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230816 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7334058 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |