篮球运动员的追踪与分析
来源:用户上传
作者:
摘 要：针对篮球训练特点，开发了一种新的训练方法，从一场篮球比赛的视频中跟踪10名不同运动员的动作。在追踪他们的位置后，将继续绘制这些篮球场的照片位置图。跟踪球员的目的是向篮球教练和组织提供最大数量的信息，使他们能够更好地设计防御和攻击的策略。总的来说，我们的模式在赛场上有一个高度的识别和跟踪球员。
关键词：篮球运动员 追踪 分析
中图分类号：G841 文献标识码：A 文章编号：2095-2813（2019）03（b）-0042-02
在团队运动比赛中，自动球员的检测和跟踪变得越来越重要。随着体育收益的大幅增加，球队在集团化方面投入了更多的资金。某些统计数据，如比赛中的距离，可以提供有关球员健康状况的信息。此外，运动员对于实际检测的阵型和策略的捕捉，很可能会给出球队战略性的指导。我们的项目是相关的，因为它能够关于球员在球场上的位置的信息，以及与每支球队的比赛风格有关的数据。这些信息对于赢得比赛是至关重要的。更广泛地说，可以适应跟踪任何体育比赛的球员。
1 视频追踪系统的工作流程
支持向量机的特征对行人检测的正确率约为70%。然而，对于这个特殊的应用，探测器的精度预计会更小，因为可以掉下来以跳跃获得球，因此不会被探测器检测到。因此，当检测器失败时，需要一个冗余系统来检测运动员。为此，建立了一个基于颜色的检测器和分类器。这个基于颜色的检测器根据球衣的颜色来检测球员。这个探测器的用途是两次折叠。首先，可根据队员队伍对运动员进行分类，并排除其他可能被猪检测到的“行人”，如裁判员、教练。其次，颜色检测器应该识别盒中的运动员。很多时候，有些运动员会太接近或者被其他运动员部分阻碍。在这种情况下所示，使用行人检测来检测篮球球员的例子。返回所有这些球员的单个检测。基于颜色的检测和分类基于颜色的检测器在盒中执行播放器的检测，这是被检测器归类为行人的原始图像的一个区域。在更大的图像中，像以前的项目中所做的那样，在整个球场上检测球员。因此，其他对象可能具有相同颜色的球员的球衣，如细节在地板上的类型在篮球场上发现的球员，不会像使用整个框架那样经常被检测到。颜色检测器通过在空间中使用阈值来执行检测。空间的选择反对运动的动机是，能够更好地区分颜色的变化，而不是饱和度和亮度。例如，给出一组包含两队球员、裁判员、观众等的图片。所有的直方图用方法计算阈值。根据两支球队的颜色不同，可能需要一个以上的阈值来区分运动员所出现的位置。可能出现在图像中的其他元素。一旦知道了这些阈值，就可以导出用于颜色检测的逻辑表达式。因此，可以通过要求色调来区分黄色和白色。
饱和度坐标要高于它们各自的黄色阈值，低于某个阈值的白色。示出了白色和黄色的颜色检测过程。一旦从训练数据集确定阈值，颜色检测就可以执行得相当快，因为它基本上包括比较和逻辑操作。例如，与小于5%的图像区域相对应的框被忽略。在这些不同的场景中，将调用基于颜色的检测器来查找错过的捕捉景象。在检测中添加播放器和丢弃播放机的这些不同条件是由本文中讨论的跟踪算法下一小节完成的。跟踪一旦被发现，下一个目标是通过单个运动员的帧定位来建立一个框架，以便理解。在此场景中，在连续帧中检测到播放器，由检测器和背靠背帧中的颜色分类器检测到播放机。因为这些帧是在24fps的速度，球员从一个帧到下一个帧的位置是高度相关的。因此，检测到的这些框将具有很高的重叠。在这种情况下，此播放器的位置将被更新。在这个场景中，运动员没有被检测器检测到，而是可以通过中的颜色检测来找到。在这种逐帧的场景中，并不能检测到每个帧中的每个运动员可以在移动和模糊蹲下或在某种程度上是无法察觉的动作。如果颜色检测器可以识别在此框内具有相同球衣的球员，则它将此播放器匹配到此新位置。如果多个运动员为在这个情境里，它与这个运动员最接近的位置相匹配。因此，丢失一个的检测框架并不会导致球员的位置丢失。接下来的两种场景虽然有很大的不同，但有一个类似的解决方案。最初没有在第一个帧中检测到一个播放器，而是在稍后的时间发现了一个播放器。
2 视频追踪系统分析过程
由检测器和颜色分类器丢弃。这将发生在同一队的球员合并在一起，而颜色分类器无法区分他们作为单独的球员。例如，在第一帧中，可以在图中区分出黄队中的5个单独的球员。然而，因为球员们会聚在一起，只有低质量在图中是可以区分的3场比赛。因此，信息就丢失了。这些场景有一个组合解决方案，一个最小距离相关器。在每一个框架上，盒子和位置是始终在转换的。如果一名球员被扔下，经过一段时间后，探测器会再次发现他。因为前一帧中没有一个盒子与他相关，所以他将没有确定位置。该算法检查是否一个球员已经被解雇是相对接近他的位置。允许的距离为固定距离乘以自此播放以来的帧数。如果这个运动员是在任何一个之前被掉落的运动员的距离之内，那么他就会回到原来的运动员，解决掉球的问题。但是，如果没有先前的球员在此当前播放器的范围内，将一个新播放器添加到跟踪数据中，以解决添加问题。如果一名球员输了，板凳或球场上可能会导致错误的最小距离猜测。球员们在球场上合二为一，解决掉球的问题特别困难。运动员的动作变化很快，确实会变得复杂，使用运动员的原始动作是不可靠的，不能将丢失的球员匹配到先前的算法对相机抖动也很敏感帧中。解决这个添加和删除问题的最佳解决方案是拥有多个稳定的摄像机视点，这是我们无法从广播中获得的。在职业环境中，如NBA球队，最后一步与每个球员在球场自上而下视图中的位置投影有关。在这一部分中，使用所开发的算法来分析球员在比赛过程中的位置。作为一个例子，显示了球员的热图位置随着比赛的进展。球队的位置与视频是一致的，因为我们可以看到，在整个比赛过程中，白队仍然在防守上，而黄队只越过白队的防线得分。可以看到球员在场上的分布是比较好的。与视频中看到的信息一致，这表明我们的运动员检测和同调是协同工作的，以便提供与球场上球员位置有关的有用数据。球员的动作似乎与穿過球场的一名球员的视频动作是一致的，通过多个不同的标志因素。其他运动员仍然被正确的标记和识别。可以看到颜色分割和跟踪似乎是一种可行的方法，可以在整个球场跟踪这个球员。
3 结语
本文通过设计新型的运动视频捕捉系统，可以在视频中准确地检测篮球运动员，并且能够准确地把他们放在一个2D的最高视野的显示影像上球员的运动的状态。我们利用颜色分割中的检测器的关联，取得了这样的结果。这个项目的未来工作将是更好地调整颜色分割阈值，避免伪影识别，提高跟踪系统的精度。
参考文献
[1] 龚然，陈听，岳小祺，等.不同运动强度对篮球运动员多目标追踪影响及眼动分析[J].天津体育学院学报，2016，31（4）：358-363.
[2] 魏柳青，张学民.多身份追踪中基于范畴的分组效应[J].心理科学进展，2014，22（9）：1383-1392.
[3] 李军.目标数量对篮球运动员视觉追踪表现的影响[J].天津体育学院学报，2012，27（2）：133-137.
转载注明来源:https://www.xzbu.com/1/view-14837014.htm
