摘 要：針對籃球訓練特點，開發了一種新的訓練方法，從一場籃球比賽的影片中跟蹤10名不同運動員的動作。在追蹤他們的位置後，將繼續繪製這些籃球場的照片位置圖。跟蹤球員的目的是向籃球教練和組織提供最大數量的資訊，使他們能夠更好地設計防禦和攻擊的策略。總的來說，我們的模式在賽場上有一個高度的識別和跟蹤球員。關鍵詞：籃球運動員 追蹤 分析中圖分類號：G841 文獻標識碼：A 文章編號：2095-2813（2019）03（b）-0042-02在團隊運動比賽中，自動球員的檢測和跟蹤變得越來越重要。隨著體育收益的大幅增加，球隊在集團化方面投入了更多的資金。某些統計資料，如比賽中的距離，可以提供有關球員健康狀況的資訊。此外，運動員對於實際檢測的陣型和策略的捕捉，很可能會給出球隊戰略性的指導。我們的專案是相關的，因為它能夠關於球員在球場上的位置的資訊，以及與每支球隊的比賽風格有關的資料。這些資訊對於贏得比賽是至關重要的。更廣泛地說，可以適應跟蹤任何體育比賽的球員。1 影片追蹤系統的工作流程支援向量機的特徵對行人檢測的正確率約為70%。然而，對於這個特殊的應用，探測器的精度預計會更小，因為可以掉下來以跳躍獲得球，因此不會被探測器檢測到。因此，當檢測器失敗時，需要一個冗餘系統來檢測運動員。為此，建立了一個基於顏色的檢測器和分類器。這個基於顏色的檢測器根據球衣的顏色來檢測球員。這個探測器的用途是兩次摺疊。首先，可根據隊員隊伍對運動員進行分類，並排除其他可能被豬檢測到的“行人”，如裁判員、教練。其次，顏色檢測器應該識別盒中的運動員。很多時候，有些運動員會太接近或者被其他運動員部分阻礙。在這種情況下所示，使用行人檢測來檢測籃球球員的例子。返回所有這些球員的單個檢測。基於顏色的檢測和分類基於顏色的檢測器在盒中執行播放器的檢測，這是被檢測器歸類為行人的原始影象的一個區域。在更大的影象中，像以前的專案中所做的那樣，在整個球場上檢測球員。因此，其他物件可能具有相同顏色的球員的球衣，如細節在地板上的型別在籃球場上發現的球員，不會像使用整個框架那樣經常被檢測到。顏色檢測器透過在空間中使用閾值來執行檢測。空間的選擇反對運動的動機是，能夠更好地區分顏色的變化，而不是飽和度和亮度。例如，給出一組包含兩隊球員、裁判員、觀眾等的圖片。所有的直方圖用方法計算閾值。根據兩支球隊的顏色不同，可能需要一個以上的閾值來區分運動員所出現的位置。可能出現在影象中的其他元素。一旦知道了這些閾值，就可以匯出用於顏色檢測的邏輯表示式。因此，可以透過要求色調來區分黃色和白色。飽和度座標要高於它們各自的黃色閾值，低於某個閾值的白色。示出了白色和黃色的顏色檢測過程。一旦從訓練資料集確定閾值，顏色檢測就可以執行得相當快，因為它基本上包括比較和邏輯操作。例如，與小於5%的影象區域相對應的框被忽略。在這些不同的場景中，將呼叫基於顏色的檢測器來查詢錯過的捕捉景象。在檢測中新增播放器和丟棄播放機的這些不同條件是由本文中討論的跟蹤演算法下一小節完成的。跟蹤一旦被發現，下一個目標是透過單個運動員的幀定位來建立一個框架，以便理解。在此場景中，在連續幀中檢測到播放器，由檢測器和背靠背幀中的顏色分類器檢測到播放機。因為這些幀是在24fps的速度，球員從一個幀到下一個幀的位置是高度相關的。因此，檢測到的這些框將具有很高的重疊。在這種情況下，此播放器的位置將被更新。在這個場景中，運動員沒有被檢測器檢測到，而是可以透過中的顏色檢測來找到。在這種逐幀的場景中，並不能檢測到每個幀中的每個運動員可以在移動和模糊蹲下或在某種程度上是無法察覺的動作。如果顏色檢測器可以識別在此框內具有相同球衣的球員，則它將此播放器匹配到此新位置。如果多個運動員為在這個情境裡，它與這個運動員最接近的位置相匹配。因此，丟失一個的檢測框架並不會導致球員的位置丟失。接下來的兩種場景雖然有很大的不同，但有一個類似的解決方案。最初沒有在第一個幀中檢測到一個播放器，而是在稍後的時間發現了一個播放器。2 影片追蹤系統分析過程由檢測器和顏色分類器丟棄。這將發生在同一隊的球員合併在一起，而顏色分類器無法區分他們作為單獨的球員。例如，在第一幀中，可以在圖中區分出黃隊中的5個單獨的球員。然而，因為球員們會聚在一起，只有低質量在圖中是可以區分的3場比賽。因此，資訊就丟失了。這些場景有一個組合解決方案，一個最小距離相關器。在每一個框架上，盒子和位置是始終在轉換的。如果一名球員被扔下，經過一段時間後，探測器會再次發現他。因為前一幀中沒有一個盒子與他相關，所以他將沒有確定位置。該演算法檢查是否一個球員已經被解僱是相對接近他的位置。允許的距離為固定距離乘以自此播放以來的幀數。如果這個運動員是在任何一個之前被掉落的運動員的距離之內，那麼他就會回到原來的運動員，解決掉球的問題。但是，如果沒有先前的球員在此當前播放器的範圍內，將一個新播放器新增到跟蹤資料中，以解決新增問題。如果一名球員輸了，板凳或球場上可能會導致錯誤的最小距離猜測。球員們在球場上合二為一，解決掉球的問題特別困難。運動員的動作變化很快，確實會變得複雜，使用運動員的原始動作是不可靠的，不能將丟失的球員匹配到先前的演算法對相機抖動也很敏感幀中。解決這個新增和刪除問題的最佳解決方案是擁有多個穩定的攝像機視點，這是我們無法從廣播中獲得的。在職業環境中，如NBA球隊，最後一步與每個球員在球場自上而下檢視中的位置投影有關。在這一部分中，使用所開發的演算法來分析球員在比賽過程中的位置。作為一個例子，顯示了球員的熱圖位置隨著比賽的進展。球隊的位置與影片是一致的，因為我們可以看到，在整個比賽過程中，白隊仍然在防守上，而黃隊只越過白隊的防線得分。可以看到球員在場上的分佈是比較好的。與影片中看到的資訊一致，這表明我們的運動員檢測和同調是協同工作的，以便提供與球場上球員位置有關的有用資料。球員的動作似乎與穿過球場的一名球員的影片動作是一致的，透過多個不同的標誌因素。其他運動員仍然被正確的標記和識別。可以看到顏色分割和跟蹤似乎是一種可行的方法，可以在整個球場跟蹤這個球員。3 結語本文透過設計新型的運動影片捕捉系統，可以在影片中準確地檢測籃球運動員，並且能夠準確地把他們放在一個2D的最高視野的顯示影像上球員的運動的狀態。我們利用顏色分割中的檢測器的關聯，取得了這樣的結果。這個專案的未來工作將是更好地調整顏色分割閾值，避免偽影識別，提高跟蹤系統的精度。參考文獻［1］ 龔然，陳聽，嶽小祺，等。不同運動強度對籃球運動員多目標追蹤影響及眼動分析［J］。天津體育學院學報，2016，31（4）：358-363。［2］ 魏柳青，張學民。多身份追蹤中基於範疇的分組效應［J］。心理科學進展，2014，22（9）：1383-1392。［3］ 李軍。目標數量對籃球運動員視覺追蹤表現的影響［J］。天津體育學院學報，2012，27（2）：133-137。轉載註明來源：https：//www。xzbu。com/1/view-14837014。htm