Nothing Special   »   [go: up one dir, main page]

CN115393373A - 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备 - Google Patents

一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备 Download PDF

Info

Publication number
CN115393373A
CN115393373A CN202210433272.5A CN202210433272A CN115393373A CN 115393373 A CN115393373 A CN 115393373A CN 202210433272 A CN202210433272 A CN 202210433272A CN 115393373 A CN115393373 A CN 115393373A
Authority
CN
China
Prior art keywords
ball
point
track
player
trajectory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210433272.5A
Other languages
English (en)
Inventor
罗森滋
李东
肖嘉胤
徐卓豪
章云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210433272.5A priority Critical patent/CN115393373A/zh
Publication of CN115393373A publication Critical patent/CN115393373A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备，包括：利用单摄像头标定算法，对球运动视频的第一帧进行检测，得到所述球视频的球场三维空间到摄像机画面的投影矩阵。使用四种过滤器，提取所述视频当前帧球2D位置。建立带起点终点约束的三维抛物线方程，球2D轨迹转换为3D轨迹的方程，使用DLT算法求解3D轨迹参数。根据轨迹上标注的已知点，使用EM算法修正已知点和轨迹的速度，获得最终轨迹。本发明可以通过单摄像头高精度获取比赛中球轨迹的三维信息和时序信息，有效避免球轨迹无法区分远近端问题。

Description

一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、 介质及设备
技术领域
本发明涉及图像处理技术领域，特别涉及一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备。
背景技术
随着多媒体的迅速发展以及大众对其的需求指标的越来愈高，其激增要求开发基于内容的多媒体信息检索自动化系统和工具。体育视频领域由其可见，人们更加渴望看到运动员球手击球各方面的细节化，比以往任何时候都渴望自由选择的观点。用于快速浏览、索引和摘要的传统交互式视频观看已不能满足其要求。
在传统的球比赛中，一般是通过多个摄像机，在特定位置部署实时采集球的俯仰运动轨迹，再由计算机对其多个镜头信息进行分析，从而得到球的空间运动轨迹。然而，对多个摄像镜头的安装位置和可见区域的高要求限制了其系统的实用性。再者现有的轨迹跟踪方法中TLD(tracking-learning-detection)目标跟踪算法运行速度缓慢，易受背景颜色影响；kcf(kernelized correlation filters)跟踪算法对于较小运动目标跟踪易出现丢帧现象。综上所诉，轻量化，简易，有效的球轨迹跟踪，是本领域技术人员亟待解决的问题。
论文Chen，HT.，Tsai，WJ.，Lee，SY.et al.Ball tracking and 3D trajectoryapproximation with applications to tactics analysis from single-cameravolleyball sequences.Multimed Tools Appl 60，641-667(2012)提出了一种两阶段排球轨迹跟踪算法，首先检测每帧的候选球二维坐标，然后使用它们来计算二维球的轨迹。借助摄像机标定，利用球运动的物理特性，从二维轨迹近似出三维球轨迹。该方法可以有效的使用单摄像头实现3D轨迹标注。
该方法无法判断轨迹的起点和终点，将平面2D轨迹转化为3D轨迹的时候，会错误的将从远到近的球轨迹识别为从近到远的球轨迹，造成比较大的识别误差，降低识别精度。
发明内容
有鉴于此，本发明目的在以提供一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备，以简化多摄像头场地布置受限，操作难度高，计算量大的问题。通过捕捉人体姿态确定球的击球点以及球轨迹的时序信息，在2D轨迹转化为3D轨迹时，可以有效区分从远到近的球和从近到远的球。另外，本发明还提出了一种基于EM算法的击球点，球轨迹优化方案，可以降低检测误差，进一步提高精度。其具体实施方案如下：
一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备，包括：
利用单目摄像头标定算法，对球运动视频的第一帧进行检测，得到所述球视频的球场三维空间到摄像机画面的投影矩阵P；
截取目标视频第一帧图片，利用颜色聚类分割场地；
使用霍夫变换并结合球先验知识获取10个地面特征点的二维坐标与4个球边界特征点二维坐标；
通过球先验知识，获取以上14个二维特征点坐标的3D位置，记为W1～W14；
求解出以上特征点二维到三维的映射转换关系，其变换为
mi＝MWi
其中mi＝[xi，yi，1]T，Wi＝[xi，yi，zi，1]T，所述投影矩阵M可以使用以下转换公式求解
Figure BSA0000271838240000011
所述投影矩阵p使用DLT算法求解；
在获取投影矩阵P后，使用特定过滤器提取球位置，包括颜色捕捉，大小拟定，形状筛选，丰满度过滤吻合。
色差过滤器。将每间隔三帧的图片相互对比，筛选RGB差值大的区域，使用矩形边框标记区域。
球大小过滤器，检测球半径满足以下关系式：
Figure BSA0000271838240000021
形状筛选过滤器。假设球边框横纵比为P，所述横纵比需满足：
Figure BSA0000271838240000022
丰满度过滤器，丰满度为Df，检测对象尺寸为Sobj，球边界面积为Ab-box，通过以下标准选取丰满度小于某一阈值的对象；
Figure BSA0000271838240000023
根据视频帧当前人体姿态，获取双方选手的击球时间和击球的三维坐标；
假设靠近摄像机的选手为第一个选手，远离摄像机的选手为第二个选手。对于第一个选手，根据机器学习算法进行人体骨架识别，提取人体骨骼特征点。
获取最靠近球拍处骨骼点的二维坐标，从多个角度测量骨骼点到球拍的偏移量。
根据所述人体骨骼点获取选手脚部2D位置，标记为高度零点位置。
如果此项目为球拍等器具击球，则根据所述高度零点位置，结合基于单目视觉的测量算法，将球拍等器具击球点到高度零点的垂直距离转化为实际高度。
结合击球的2D位置和实际高度信息，构建第一个选手击球点的3D位置和击球时间。
重复上述步骤，识别第二个选手击球点的3D位置和击球时间；
从击球时间开始，采用上述特定过滤器获取球位置，获得的每一帧轨迹点坐标和时间信息表示为[xi，yi，ni，1]，其中xi，yi表示轨迹点二维坐标，ni表示轨迹点的时间，其值根据击球时间获得，将其记录在x，y平面内；
根据所获取的球位置分布，从击球时间开始，到分别连接下一帧在x方向和y方向上临近的点，加入到一条轨迹的已选点中。
在获取球位置分布的基础上，若已选点大于三个，初始化轨迹预测方程
y＝a·n2+b·n+c，a＜0
x＝d·n+e
根据估测系数值，使用所述方程估测下一帧的球位置；
根据估测系数值，在x和y方向上分别使用所述方程估测下一帧的球位置。若下一帧实际球位置和预测位置误差均小于某一阈值，将下一帧点加入已选点中，更新所述方程参数；
若下一帧球位置和预测球位置大于某一阈值，判断下一帧该轨迹球位置丢失，记为位置丢失帧，当丢失帧数大于3，记录这个轨迹和对应已选点，重复直到另一选手的击球时间再延后20帧；
从所述选手一击球到所述选手二击球后20帧时间段内，从上述轨迹中根据长度，预测误差进行评分，选出评分大于阈值的轨迹；
根据上述所获得的二维轨迹，假设每个独立的二维轨迹含有N个所述球位置点，列出相应物理方程，得到对应三维坐标，再检测的轨迹最后一个端点的时间为击球时间，说明另外一个选手有效击球并获得击球位置，否则认为另一选手无效击球，无法获得击球位置，最后得到所有点的投影转换方程；
结合由物理方程得到的三维坐标，得到击球点的轨迹速度方程，并进行落地判断，最后通过DLT算法求解上述所有情况的方程；
若存在两条以上轨迹，将第二条轨迹求解的起点和对应帧数作为击球位置和击球时间，重复步骤S41到S45.
根据轨迹上标注的已知点，使用EM算法修正已知点和轨迹的速度，通过DLT算法求解选手一和选手二的击球位置，记录新击球位置和原击球位置的误差Δ1，重复该过程直到误差Δ1，Δ2均小于某一阈值；
得到校正的轨迹上各点的三维坐标，重建三维轨迹。
相应的，本发明还公开一种轻量化球轨迹跟踪系统，包括：
摄像机标定模块，对球运动视频的第一帧进行检测，得到所述球视频的球场三维空间到摄像机画面的投影矩阵P；
球检测模块，使用特定过滤器提取球位置，识别指标包括色差、大小、形状、丰满度；
人体击球点识别模块，结合人体骨骼位置，根据球拍位置判断选手击球时间和击球点三维坐标；
三维轨迹重构模块，逐帧记录球在二维坐标上的分布，标注球二维轨迹，通过所建立球2D轨迹转换为3D轨迹的方程，根据DTL算法求解方程，得到3D轨迹参数，使用EM算法修正已知点和轨迹的速度，获得最终轨迹。
相应的，本发明还公开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，所述计算机程序被处理器执行时实现以上模块所述球运动轨迹跟踪方法的步骤。
相应的，本发明还公开一种球运动轨迹跟踪设备，包括：
存储器，用于存储计算机程序
处理器，用于执行所述计算机程序被处理器执行时实现以上模块所述球运动轨迹跟踪方法的步骤。
在本发明中，一种球运动轨迹跟踪方法，包括：利用单摄像头标定算法，对球运动视频的第一帧进行检测，得到所述球视频的球场三维空间到摄像机画面的投影矩阵P。使用四种过滤器，提取所述视频当前帧球2D位置。估计抛物线起点终点三维坐标。建立带起点终点约束的三维抛物线方程，球2D轨迹转换为3D轨迹的方程，使用DLT算法求解3D轨迹参数。根据轨迹上标注的已知点，使用EM算法修正已知点和轨迹的速度，获得最终轨迹。
可见，在本发明中，首先是利用单摄像头标定算法，获取对应三维空间到摄像机屏幕的二维投影矩阵，然后通过二维轨迹跟踪算法获取球的二维轨迹，然后通过投影矩阵与抛物线方程将二维轨迹转化为三维轨迹。实现了利用单摄像头重构球三维轨迹，相比于一般算法中利用双目摄像头获取3D轨迹的方法，该球跟踪技术使用范围更广，设备成本更低。其次，该算法使用机器学习识别人体姿态，而且在训练时充分利用了机器学习识别准确率高的优点，获取了置信度较高的击球点和落地点的三维坐标，以击球点和落地点对球3D轨迹进行约束，获得球3D轨迹的时序信息，可以有效区分从近到远的球和从远到近的球。同时，本发明采用EM算法修正击球点和三维轨迹，使得三维轨迹相比于无约束条件下精准度更高，轨迹拟合效果更好。相应的，本发明还公开了一种球运动轨迹跟踪系统、介质及设备，同样具有上述增益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例一公开的一种球轨迹运动轨迹跟踪方法流程图。
图2为本发明公开的一种球轨迹运动轨迹跟踪系统结构图。
图3为本发明公开的一种球轨迹运动轨迹跟踪设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本发明实施例一公开了一种球运动轨迹跟踪方法，如图1所示，该方法包括：
步骤S11：利用单目摄像头标定算法，对视频第一帧进行检测，获取球场三维空间到摄像机画面的投影矩阵。
在本实施例中，首先是截取所述视频第一帧图片，利用颜色聚类分割场地，使用霍夫变换获取10个地面特征点和4个球网边界特征点的二维坐标，通过所述特征点坐标，结合球场尺寸获取所述地面特征和边界特征点坐标的3D位置，根据2D位置和3D位置构建投影矩阵并DLT算法求解该矩阵。
步骤S12：通过色差，球大小，形状，丰满度四种过滤器进行球位置的提取，获得球二维轨迹。
可以理解的是，在实际应用当中，在球类的运动视频当中会存在一定的干扰物，所以为了排除静态背景以及一些其他干扰物对检测球运动轨迹时的干扰，首先是要通过四种过滤器提取球在当前帧的位置，然后再去执行后续的步骤。需要说明的是，对运动前景的提取方法包括但不限于四种过滤器，此处应以能够达到实际操作为目的，此处不作限定。
步骤S13：根据人体姿态，并进行手臂骨骼分析，获取选手球拍和人的相对位置，判断双方击球时间与击球点
在本实施例中，假设靠近摄像机的选手为第一个选手，远离摄像机的选手为第二个选手。对于第一个选手，根据机器学习算法进行人体骨架识别，提取人体骨骼特征点。获取最靠近球拍处骨骼点的二维坐标，从多个角度测量骨骼点到球拍的偏移量。根据所述人体骨骼点获取选手脚部2D位置，标记为高度零点位置。如果此项目，为球拍等器具击球，则根据所述高度零点位置，结合基于单目视觉的测量算法，将球拍等器具击球点到高度零点的垂直距离转化为实际高度。结合击球的2D位置和实际高度信息，构建第一个选手击球点的3D位置和击球时间。重复步骤S31到S35，识别第二个选手击球点的3D位置和击球时间。
可见，在训练人体姿势模型时，充分机器学习识别准确率高的优点，并且根据具体球类运动，结合多角度测量偏移量，通过这种方法，可以较精确的定位球轨迹的起点和终点，对轨迹信息标注时域信息。
步骤S14：从第一次击球时间开始，逐帧记录球飞行过程的2D坐标分布，标注2D轨迹。
具体的，在本实施例中，为了获得飞行过程中的2D轨迹，从击球时间开始，采用上诉特定过滤器获取球位置，获得的每一帧轨迹点坐标和时间信息表示为[xi，yi，ni，1]，其中xi，yi表示轨迹点二维坐标，ni表示轨迹点的时间，其值根据击球时间获得，将其记录在x，y平面内，若已选点大于三个，初始化轨迹预测方程，根据估测系数值，使用所述方程估测下一帧的球位置，若下一帧球位置和预测球位置大于某一阈值，判断下一帧该轨迹球位置丢失，记为位置丢失帧，当丢失帧数大于3，记录这个轨迹和对应已选点，重复直到另一选手的击球时间再延后20帧，从所述选手一击球到所述选手二击球后20帧时间段内，从上述轨迹中根据长度，预测误差进行评分，选出评分大于阈值的轨迹。需要说明的是，对2D球轨迹的获取方法包括但不限于上述方法，此处应以能够达到实际操作为目的，此处不作限定。
步骤S15：根据投影矩阵M和抛物线方程，建立球轨迹2D到3D转换方程，并运用DTL进行求解，最终得到3D球轨迹参数。
具体的，在本实施例中，根据获取2D轨迹的的方法获取呈抛物线的二维球轨迹点并标注每个轨迹点对应的时间。考虑两条以上的球轨迹抛物线方程可以由两条相邻的球轨迹抛物线方程递推得到，只考虑两条相邻的球轨迹有：结合三维球抛物线方程，假设AM×N表示M行N列的常数矩阵，根据二维检测方法检测到的轨迹有两条以上时，说明中间存在落地点，若另一选手击球无效，将所述两条二维轨迹相交点对应帧作为第一条轨迹的结束时间，计算出x2，y2，z2，结合三维，对于轨迹上的所有点，假设
Figure BSA0000271838240000051
为轨迹一速度，
Figure BSA0000271838240000052
为轨迹二速度，有：
Figure BSA0000271838240000053
若另一选手击球有效，x2，y2，z2可由另一选手击球位置表示，对于轨迹上的所有点，有：
Figure BSA0000271838240000054
若不存在落地点时，有：A2N×3[vx，vy，vz]T＝A3×1通过DLT算法可以求解上述所有情况的方程。若存在两条以上轨迹，将第二条轨迹求解的起点和对应帧数作为击球位置和击球时间，重复步骤S41到S45。通过已知的击球位置以及时间次序，可以对已知的三维重建方程进行重构，通过对方程解空间进行约束，重构的三维轨迹精度较高。同时，通过标注轨迹的时序信息，可以区分从远到近和从近到远两种轨迹情况，从而减小轨迹跟踪误差。
步骤S16：根据轨迹上标注的已知点，使用EM算法修正已知点和轨迹的速度，获得最终轨迹。
可以理解的是，由于实际场景中存在遮挡和干扰，以及人体和球接触时高速模糊现象，所检测的击球点三维位置以及球轨迹速度不可避免的存在误差，因此采用EM算法对击球点和轨迹速度进行修正，从而对轨迹进行修正。具体的，在本实施例中，所述轨迹速度作为已知量，击球位置作为未知量求解，假设[x1，y1，z1]T为选手一击球位置，[x2，y2，z2]T为选手二击球位置，根据是否存在落地构建轨迹方程。通过DLT算法可以求解选手一和选手二的击球位置，记录新击球位置和原击球位置的误差Δ1然后根据新的击球位置，通过步骤S15的方法重新计算轨迹速度，记录新轨迹速度和原轨迹速度。重复上述过程直到误差Δ1，Δ2均小于某一阈值。
摄像机标定模块21，用于提取所述球视频的球场三维空间到摄像机画面的投影矩阵P。
球检测模块22，用于提取所述视频当前帧球2D位置。
人体击球点识别模块23，结合人体骨骼位置，根据球拍位置判断选手击球时间和击球点三维坐标。
三维轨迹重构模块24，用于重构三维轨迹。
相应的，本发明还公开了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，计算机程序被处理器执行时实现如前述公开的面向球场视频的单目三维抛物线球轨迹跟踪方法的步骤。
相应的，本发明还公开了一种羽毛球运动轨迹跟踪设备，如图3所示，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序时实现如前述公开的面向球场视频的单目三维抛物线球轨迹跟踪方法的步骤。

Claims (8)

1.一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备，其特征在于，包括：
步骤S1：利用单摄像头标定算法，对球运动视频的第一帧进行检测，得到所述球视频的球场三维空间到摄像机画面的投影矩阵P。
步骤S2：使用四种过滤器，提取所述视频当前帧球2D位置。
步骤S3：估计抛物线起点终点三维坐标。
步骤S4：建立带起点终点约束的三维抛物线方程，球2D轨迹转换为3D轨迹的方程，使用DLT算法求解3D轨迹参数。
步骤S5：根据轨迹上标注的已知点，使用EM算法修正已知点和轨迹的速度，获得最终轨迹。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1的过程，包括：
步骤S11：截取所述视频第一帧图片。
步骤S12：对所述图片，利用颜色聚类分割场地，使用霍夫变换获取10个地面特征点和4个球网边界特征点的二维坐标。
步骤S13：通过所述特征点坐标，结合球场尺寸获取所述地面特征和边界特征点坐标的3D位置，记为W1～W14
步骤S14：对于所述每个特征点的二维坐标和三维坐标，有转换关系
mi＝PWi
所述mi＝[xi，yi，1]T，Wi＝[xi，yi，zi，1]T，
步骤S15：所述投影矩阵P可以使用以下转换公式求解
Figure FSA0000271838230000011
其中所述Pj表示投影矩阵P的第j行，所述投影矩阵P使用DLT算法求解。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2的过程，包括：
步骤S21：通过一种色差过滤器。将每间隔三帧的图片相互对比，筛选RGB差值大的区域，使用矩形边框标记区域。
步骤S22：通过一种球大小过滤器。假设D为真实球半径，L为真实球场线长度，Ln为检测近端球场线长度，Lf为远端球场线长度，R为检测球半径，ΔR为检测误差，检测球半径满足以下关系式：
Figure FSA0000271838230000012
步骤S23：通过一种形状筛选过滤器。假设球边框横纵比为P，所述横纵比需满足：
Figure FSA0000271838230000013
步骤S24：通过一种丰满度过滤器。假设丰满度为Df，检测对象尺寸为Sobj，球边界面积为Ab-box，所述丰满度的定义为：
Figure FSA0000271838230000014
选取丰满度小于某一阈值的对象。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3的过程，包括：
步骤S31：假设靠近摄像机的选手为第一个选手，远离摄像机的选手为第二个选手。对于第一个选手，根据机器学习算法进行人体骨架识别，提取人体骨骼特征点。
步骤S32：获取最靠近球拍处骨骼点的二维坐标，从多个角度测量骨骼点到球拍的偏移量。
步骤S33：根据所述人体骨骼点获取选手脚部2D位置，标记为高度零点位置。
步骤S34：如果此项目，为球拍等器具击球，则根据所述高度零点位置，结合基于单目视觉的测量算法，将球拍等器具击球点到高度零点的垂直距离转化为实际高度。
步骤S35：结合击球的2D位置和实际高度信息，构建第一个选手击球点的3D位置和击球时间。
步骤S36：重复步骤S31到S35，识别第二个选手击球点的3D位置和击球时间。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4的过程，包括：
步骤S41：从所述选手一击球到所述选手二击球后20帧时间段内，根据所述权利要求2的方法获取呈抛物线的二维球轨迹点，每个轨迹点序号为i。
步骤S42：假设[vx，vy，vz]为轨迹点在x轴，y轴和z轴上的速度分量，ti为轨迹点对应帧数和轨迹开始帧数之差，[xo，yo，zo]T为所述击球点坐标，g为重力加速度，可列出如下物理方程：
Figure FSA0000271838230000027
Figure FSA0000271838230000028
Figure FSA0000271838230000021
步骤S43：根据权利要求4所述的方法，若所述检测的轨迹最后一个端点的时间为击球时间，说明另外一个选手击球有效，根据步骤S3所述的方法可以获得击球位置，否则认为另一选手击球无效，无法获得击球位置。
步骤S44：根据步骤S1所述方法，每个点i都存在以下方程：
Figure FSA0000271838230000022
步骤S45：
考虑两条以上的球轨迹抛物线方程可以由两条相邻的球轨迹抛物线方程递推得到，只考虑两条相邻的球轨迹有：结合所述步骤S42中的三维坐标，假设AM×N表示M行N列的常数矩阵，步骤S41中获得的轨迹有两条时，说明中间存在落地点，若另一选手击球无效，将所述两条二维轨迹相交点对应帧作为第一条轨迹的结束时间，计算出x2，y2，z2，结合所述步骤S42和所述步骤S44方程，对于轨迹上的所有点，假设
Figure FSA0000271838230000023
为轨迹一速度，
Figure FSA0000271838230000024
为轨迹二速度，有：
Figure FSA0000271838230000025
若另一选手击球有效，根据步骤S42所述公式，x2，y2，z2可由所述另一选手击球位置表示，对于轨迹上的所有点，有：
Figure FSA0000271838230000026
若不存在落地点时，有：
A2N×3[vx，vy，vz]T＝A3×1
通过DLT算法可以求解上述所有情况的方程。
步骤S46：若存在两条以上轨迹，将第二条轨迹求解的起点和对应帧数作为击球位置和击球时间，重复步骤S41到S45。
6.根据权利要求1所述的方法，其特征在于，所述步骤S5过程，包括：
S51：将所述轨迹速度作为已知量，击球位置作为未知量求解，根据步骤S45所述的情况和结合步骤S42的方程，假设[x1，y1，z1]T为选手一击球位置，[x2，y2，z2]T为选手二击球位置，有：
存在落地点时：
A2N×6[x1，y1，z1，x2，y2，z2]T＝A6×1
不存在落地点时
A2N×3[x1，y1，z1]T＝A3×1
通过DLT算法可以求解选手一和选手二的击球位置，记录新击球位置和原击球位置的误差Δ1。
S52：根据S45，使用步骤S51所述击球位置，通过DLT算法求解所述轨迹速度，记录新轨迹速度和原轨迹速度的误差Δ2。
S53：重复S51到S52步骤直到误差Δ1，Δ2均小于某一阈值。
7.一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，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述球运动轨迹跟踪方法的步骤。
8.一种球运动轨迹跟踪设备，其特征在于，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的球运动轨迹跟踪方法的步骤。
CN202210433272.5A 2022-04-22 2022-04-22 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备 Pending CN115393373A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210433272.5A CN115393373A (zh) 2022-04-22 2022-04-22 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210433272.5A CN115393373A (zh) 2022-04-22 2022-04-22 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备

Publications (1)

Publication Number Publication Date
CN115393373A true CN115393373A (zh) 2022-11-25

Family

ID=84115408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210433272.5A Pending CN115393373A (zh) 2022-04-22 2022-04-22 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN115393373A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4506894A1 (en) * 2023-08-10 2025-02-12 Topgolf Sweden AB Managing blobs for tracking of sports projectiles

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4506894A1 (en) * 2023-08-10 2025-02-12 Topgolf Sweden AB Managing blobs for tracking of sports projectiles

Similar Documents

Publication Publication Date Title
CN103745483B (zh) 一种基于球场比赛视频图像的移动目标位置自动检测方法
CN104408725B (zh) 一种基于tld优化算法的目标重捕获系统及方法
US11798318B2 (en) Detection of kinetic events and mechanical variables from uncalibrated video
CN109903312A (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
CN105678802B (zh) 辨识二维影像产生三维信息的方法
JP2021105887A (ja) ３ｄポーズ取得方法及び装置
CN113160325B (zh) 基于进化算法的多摄像机高精度自动标定方法
CN110264493A (zh) 一种针对运动状态下的多目标对象追踪方法和装置
CN109684919B (zh) 一种基于机器视觉的羽毛球发球违例判别方法
US20220345660A1 (en) Methods and systems to automatically record relevant action in a gaming environment
BR102019000927A2 (pt) Projetar uma projeção de raio a partir de uma vista em perspectiva
CN110298864B (zh) 一种高尔夫推杆设备的视觉感测方法及装置
CN112184807B (zh) 一种高尔夫球落地式检测方法、系统及存储介质
CN111754549B (zh) 一种基于深度学习的羽毛球运动员轨迹提取方法
CN115393373A (zh) 一种面向球场视频的单目三维抛物线球轨迹跟踪方法、系统、介质及设备
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
CN111738093A (zh) 一种基于梯度特征的冰壶球自动测速方法
CN115845349A (zh) 基于深度学习技术进行运动目标检测的球类运动项目通用训练方法及辅助裁判系统
CN110910410A (zh) 一种基于计算机视觉的球场定位系统及方法
CN115100744A (zh) 一种羽毛球比赛人体姿态估计和球路追踪方法
CN114612933A (zh) 单目社交距离检测追踪方法
CN113808167A (zh) 一种基于视频数据的排球运动轨迹提取方法
Shere et al. Temporally consistent 3D human pose estimation using dual 360deg cameras
TWI822380B (zh) 球體追蹤系統及方法
CN117333550A (zh) 基于计算机视觉检测的羽毛球发球高度违例判别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication