【技术实现步骤摘要】
一种基于3D姿态估计的篮球运动分析方法
本专利技术涉及运动分析的
，特别是涉及一种基于3D运动视频分析的篮球运动分析方法。
技术介绍
在大数据时代，运动队收集了很多关于球员的统计来做出相应的决策提高球队的表现；例如，雇用一名新运动员或为特定游戏设计最佳战术。特别是，在篮球领域，球员运动数据分析的强烈需求已经出现，从最初的人工对视频进行标注分析到基于视频分析的公司如SecondSpectrum和STATS通过一组放置在场馆的天花板相机提取信息来减少人工分析的工作量。然而，由于体育视频中存在的许多挑战，如多人遮挡，相似的外观或过快和不稳定的运动，自动化的对视频序列进行分析，并得到球员和球队能力评估结果还是一个开放的研究课题。此外，根据球员的能力评估结果，进行球队比赛过程的策略安排也是体育竞技研究中的一个重要课题。基于视觉的运动员的行为能力评估包括人体姿态估计、动作识别、基于动作的事件特征分析等问题。目前已经有很多的专家学者展开了对篮球视频事件检测和标注工作的研究，也提出了许多的思路和方法。从最初听觉、视觉、文本等单...
【技术保护点】
1.一种基于3D姿态估计的篮球运动分析方法，其特征在于，包括：从一个或多个RGBD输入中估计人体姿态，识别人体动作和对人员进行跟踪，分析球员动作模式，提供训练依据和对抗分析；通过采集深度图和彩色图，预测3D人体关键点坐标，根据人体关键点和骨架图作为输入，使用时空动作识别人的动作，生成动作序列；根据人体关键点坐标生成人体的检测框，作为跟踪器的输入，生成人的轨迹序列，分析人的运动轨迹，制定并优选行动方案，生成并评估多个行动序列的过程，形成比赛指挥决策。具体包括以下步骤：/nS1、基于体素网络的RGBD的多视角姿态估计：/n从深度图和彩色途中估计人体关键点w＝(w1,....wJ...
【技术特征摘要】
1.一种基于3D姿态估计的篮球运动分析方法，其特征在于，包括：从一个或多个RGBD输入中估计人体姿态，识别人体动作和对人员进行跟踪，分析球员动作模式，提供训练依据和对抗分析；通过采集深度图和彩色图，预测3D人体关键点坐标，根据人体关键点和骨架图作为输入，使用时空动作识别人的动作，生成动作序列；根据人体关键点坐标生成人体的检测框，作为跟踪器的输入，生成人的轨迹序列，分析人的运动轨迹，制定并优选行动方案，生成并评估多个行动序列的过程，形成比赛指挥决策。具体包括以下步骤：
S1、基于体素网络的RGBD的多视角姿态估计：
从深度图和彩色途中估计人体关键点w＝(w1,....wJ),J个用于在真实世界中的关键点坐标；并在坐标系中，与颜色传感器框架相同。
使用相机校准转换深度图到彩色图，并且操作变形的深度图D∈RN×M；
彩色关键点检测器：关键点检测器施加到彩色图像I，其产生的得分映射s2D∈RN×M×J关键点的位置可能性；得分的最大映射S2D对应于所预测的关键点位置使用OpenPoseLibrary固定权重；
体素姿态网络：给定变形的深度图D的体素网格V∈RK×K×K，使用K＝64计算；为此将深度图D转化成点云与计算网格中心的3D世界坐标从D中邻居中计算作为预测2D“颈部”关键点
其中，K表示固有校准矩阵相机和是齐次坐标；从深度图中选择dr验证周围邻居三个有效深度值；通过设置元素为1计算V，点云中至少存在一个点，其他位置用0代替；选择的体素网格的分辨率约为3厘米；
体素姿态网络获得V和一系列的得分图s2D作为输入，并且使用一些列的3D卷积进行处理；将s2D沿着Z轴平铺；体素姿态网络估计估计得分图s3D∈RK×K×K×J，作为其对应的2D相同；
wVPN通过体素姿态网络预测；使用wVPN的z分量和预测的2D关键点p2D计算另一套世界坐标wprojected；对这些坐标在x和y方向上的精度不被K的选择所限制；基于2D网络预测的置信度(S2D在p上的得分)从wprojected和wVPN选择了最终预测w；
S2、基于时空双流的动作识别算法：
基于RNN和CNN两种查看自适应神经网络，命名为VA-RNN和VA-CNN；在VA-RNN，由一个基于RNN视图适应子网下的合适的观察视点变换所述骨架向新的表示，以及主LSTM网络用于从识别的行动变换的骨架；VA-CNN由基于CNN视图适配子网络，以及主卷积网络；每个网络通过优化分类性能训练有素的端至端；
S3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。