[发明专利]一种基于视频数据的排球运动轨迹提取方法

说明书

本发明提供一种基于视频数据的排球运动轨迹检测方法，从摄像机捕捉的多视角同步排球视频中，利用基于深度学习的目标检测模型，有效的检测并计算排球的运动轨迹。该方法包括：排球目标检测、运动轨迹匹配筛选、运动轨迹三维重构；本发明提供的方法能够帮助教练通过录制多视角视频的方式，充分利用好排球视频数据，有效捕捉视频中运动的排球轨迹，并自动化地计算轨迹的相关参数，可以辅助教练完善排球训练流程。球轨迹的提取准确率达到94％，球落点误差范围只有0.2～0.3m。

技术领域

本发明属于计算机视觉领域，涉及基于多视角同步排球视频数据的球轨迹提取方法，以解决训练场景下排球视频中的击球的各项指标的提取为出发点。

背景技术

排球等集体竞技类体育项目训练比赛过程往往包含了海量的实时数据，通过对这些数据的挖掘分析，可以高效快速的掌握对战双方的技战特点，并以此制定针对性训练计划和作战策略。然而传统的分析工作，却完全依赖于教练等专业人士的人工处理，基于现场人工记录，反复视频回放等方法，任务重，成本高，维度低，大量数据隐藏在比赛训练视频中得不到及时处理。

然而随着计算机视觉领域和深度学习领域的飞速发展，利用计算机技术分析比赛视频数据可极大的节约人工成本，提高数据分析效率。通过对多视角排球比赛训练视频数据的逐帧分析，可自动重新绘制排球的运动轨迹，通过运动轨迹再推算球速，落点，高度等关键参数，为排球竞技的数据详细分析，具体量化统计和多维度评估等工作提供数据基础和数据支撑。

该方法的设计过程涉及mmdetection目标检测模型库，Faster-RCNN球类目标检测模型，Open Image v4数据集等现有技术。

mmdetection目标检测模型库，商汤和香港中文大学基于2018年COCO挑战赛冠军队MMDet的代码，利用pytorch语言编写的开源深度学习目标检测工具，该工具支持物体检测，实例分割，并提供编译好的模型。参考论文《MMDetection：Open MMLab DetectionToolbox and Benchmark》(https：//arxiv.org/pdf/1906.07155.pdf)

Faster-RCNN球类目标检测模型是由Ross B.Girshick在2016年提出的新模型，该模型将特征抽取，proposal提取，边际检测，分类整合在一个网络中，使得网络综合性能有较大提高，尤其在检测速度方面尤为明显。参考论文《Faster R-CNN：Towards Real-TimeObject Detection with Region Proposal Networks》(https：//arxiv.org/pdf/1506.01497.pdf)

Open Image v4数据集是2018年由谷歌公布开放的数据集，该数据集包含大约900万张图片，以及在190万张图片上针对600个类别的1540万个边框盒，是现有最大的具有对象位置注释的数据集。这些边框盒大部分由专业注释人员手动绘制的，确保了边框盒的准确性和一致性。同时数据集包含的图像非常多样化，平均每个图像包含8个对象的复杂场景。

发明内容

为了克服上述现有技术的缺点，本发明提供一个基于视频数据的排球运动轨迹提取方法，通过基于深度神经网络的目标检测模型获取多个视角同步画面中的排球目标，然后对得到的排球目标基于贪心策略匹配生成单视角排球轨迹，再结合抛物线运动特征筛选并计算得到视频中的主要排球目标运行轨迹参数。

该方法能够有效的提取拍摄的多角度排球视频数据中的主要排球目标的物理参数，在无畸变、视频帧级同步的多个角度的视频数据输入前提下，能够得到较高精准度的获得排球运行轨迹的预测结果。

为了实现上述目的，本发明公开一种基于视频数据的排球运动轨迹提取方法，包括步骤：

(1)排球目标检测：