[发明专利]一种基于视觉传感器的移动物体轨迹判断方法

说明书

技术领域

本发明涉及一种基于视觉传感器的移动物体轨迹判断方法。

背景技术

台球运动作为当今新兴的体育运动项目，如今在世界范围内已经越来越受欢迎。从前台球作为一种优雅的绅士运动，但目前以体育竞技和生活娱乐为主。随着“台球神童”丁俊晖在在世界斯诺克职业排名赛中击败了在世界上被誉为"台球皇帝"的亨得利并获得比赛的冠军。斯诺克和台球运动再次在国内掀起热潮。但受中国整体经济影响，球房的经营成本一直在增加，主要是房租和人工，包括教练等。球房的数量和规模是在增加，市场上竞争也越来越激烈，消费人群的体验要求也在提升。

原有的台球只有人为的比赛判定及训练模式,无法通过基于机器视觉的网球智能机器人系统完成教练，裁判，助教等角色来满足台球比赛裁判执法功能和台球训练项目评价功能，相关用户在比赛后和训练后查看比赛数据统计分析和训练水平分析评价并不方便，人力成本高。而目前不能实现机器自动判定的主要原因，就是无法准确判定物体的移动轨迹。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种更准确的物体运动轨迹判断方法。

为实现上述目的，本发明提供了一种基于视觉传感器的移动物体轨迹判断方法，通过相机的图像获取的深度信息，确定其在视野范围内的z轴深度信息，根据相机图像信息(x,y轴)及深度信息(z轴)进行三维建模，以目标平面的中心作为坐标原点，长度方向作为x轴，宽度方向作为y轴，垂直于平面的方向作为z轴；

将不同移动物体的训练模型加载到检测算法函数中，通过卷积神经网络的算法，对图像信息进行卷积计算，比对全连接层的匹配程度，当匹配度高于阈值k时，则认为此处位置的移动物体与训练模型中的移动物体匹配，从而识别到不同移动物体在图像中的位置信息和其标签号码；

通过内置的算法换算，将不同移动物体在图像坐标系下的位置信息换算为

其中pixel为坐标点的像素值，f为焦距，dis为深度相机所测得的距离值，phy为空间坐标系下的位置值；实际空间坐标系下的位置信息(x_phy，y_phy，z_phy)，结合空间三维坐标系将场地分为x,y,z三维轴，即原点(0,0,0)及三轴(w,h,k)的坐标长度范围，求出移动物体在次坐标系下的实际位置信息；

通过时间段的积累，坐标数据(x_phy，y_phy，z_phy)在t(0)—t(n)时刻可形成累积，进而根据这些坐标数据运行拟合函数拟合出此移动物体在t(0)—t(n)时间段内的轨迹。

本发明的有益效果是：本发明能够实现物体运动轨迹的检测，具有使用方便，应用范围广的优点。

附图说明

图1是本发明一具体实施方式的原理示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

如图1所示，本发明所述的移动物体运动轨迹拟合方法应用在一种基于视觉传感器的台球智能机器人系统上，包括客户端、服务器、云存储器、机器人系统和人机交互系统；

所述客户端发送指令给所述服务器，所述服务器发送指令给所述机器人系统，所述机器人系统实时上传视频至云存储器，所述云存储器与客户端进行数据交互；所述机器人系统与所述人机交互系统连接以进行数据交互；

所述服务器系统：用于信息调度，安排客户端之间的信息交互，如进行人员匹配，场地选择，发起游戏比赛，在线发起挑战等功能，并安排用户进行线下实地的运动，包含但不限于赛，训练，教练，助教等。

所述机器人系统：采集不同球在不同位置和转动角度的情况下图片信息，在图片中提取球的位置信息，并打上相应球的标签，即(x,y,with,height)和label,然后输入深度学习的算法框架进行训练，得出不同球的训练模型ball.model(训练模型为数据集合的一些格式),其中包括不同球的训练数据的标签和号码标注，如yellow1，red2等。

所述机器人系统通过相机的图像获取的深度信息，确定其在视野范围内的z轴深度信息，根据相机图像信息(x,y轴)及深度信息(z轴)对球桌面进行三位重建,即标定原点信息(0,0,0)和x,y,z轴的测量范围和正方向。

所述机器人系统将不同球的训练模型加载到检测算法函数fuction_ball中，通过卷积神经网络的算法，对图像信息进行卷积计算，比对全连接层的匹配程度，当匹配度高于阈值k时，则认为此处位置的球与训练模型中的球匹配，从而识别到不同球在图像中的位置信息localtion(x,y,z)和其标签号码label