排球发球过网与否的判定方法及发球速度的获取方法技术

本申请公开了一种排球发球过网与否的判定方法及发球速度的获取方法，判定方法包括：构建卷积神经网络；训练所述卷积神经网络；利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网。所述构建卷积神经网络，包括：构建一个六层的卷积神经网络；所述六层包括第一层卷积层、第二层池化层、第三层卷积层、第四层池化层、第五层全联接层和第六层输出层。本申请提供的排球发球过网与否的判定方法，利用卷积神经网络处理排球发球视频，判断排球发球是否过网，判断结果精确，处理速度快，精度高，降低了人工劳动强度，节省了人工成本，能够很好地满足实际应用的需要。

The judgment method of volleyball service passing the net or not and the method of obtaining the service speed

【技术实现步骤摘要】
排球发球过网与否的判定方法及发球速度的获取方法
本申请涉及视频处理
，具体涉及一种基于视频的排球发球过网与否的判定方法及发球速度的获取方法。
技术介绍
发球是排球运动中重要的技术环节。在实践中，无论在排球比赛还是在日常的排球训练中，都需要专门对发球专项进行数据统计，以描述某些重点球员在发球环节所表现的质量和水平。在此前很长一段时间里，这样的技术统计只能通过纯粹的人工手段实现，同时，在一些类似发球速度、过网角度等数据的采集上，过往的技术方案存在成本高昂、精度有限的弊端。如今随着科学技术的急速发展，低成本应用场景下高速摄像机得到普遍应用，如何利用这一类摄像机采集排球发球过程中的高速运动过程并通过对应的图像分析完成数据统计，是亟待解决的问题。
技术实现思路
本申请的目的是提供一种排球发球过网与否的判定方法及发球速度的获取方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。根据本申请实施例的一个方面，提供一种排球发球过网与否的判定方法，包括：构建卷积神经网络；训练所述卷积神经网络；利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网。进一步地，所述构建卷积神经网络，包括：构建一个六层的卷积神经网络；所述六层包括第一层卷积层、第二层池化层、第三层卷积层、第四层池化层、第五层全联接层和第六层输出层；其中第一层卷积层的输出为原始样本RGB三通道通过若干滤波器卷积操作后得到的特征数据，所述特征数据作为第二层池化层的输入，所述第二层池化层用于使用最大池化滤波器对所述第一层卷积层输出的结果进行池化处理，并将池化处理的结果作为第三层卷积层的输入。进一步地，所述训练所述卷积神经网络，包括：利用训练样本集训练所述卷积神经网络；其中，所述训练样本集包括若干图片，所述图片被标注有过网标识标签以及对应的时序标签；所述过网标识标签是通过人工标注方式标注在所述图片上的；所述图片是从高速摄像机所采集的视频中获取的。进一步地，所述利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网，包括：将通过高速摄像机所拍摄的排球发球视频输入所述训练好的卷积神经网络，所述训练好的卷积神经网络逐帧识别所述排球发球视频的图像，输出判断排球发球是否过网的判断结果。进一步地，在所述训练所述卷积神经网络之前，所述方法还包括使用Xavier初始化方式对所述卷积神经网络进行初始化的步骤。根据本申请实施例的另一个方面，提供一种排球发球过网与否的判定方法，包括：针对被判断为过网的发球视频，计算排球过网前后一段时间内的平均球速；其中，所述被判断为过网的发球视频为通过上述的排球发球过网与否的判定方法获得的。进一步地，所述计算排球过网前后一段时间内的平均球速，包括：针对被判断为过网的发球视频，利用深度神经网络模型截取出所述发球视频中排球位于识别区域内时的第一帧图像以及最后一帧图像；对所述第一帧图像以及所述最后一帧图像的排球位移距离进行测量，根据测量结果以及所述第一帧图像与所述最后一帧图像的时间差，计算该次发球过网前后预设时间段内的平均球速。进一步地，所述对所述第一帧图像以及所述最后一帧图像的排球位移距离进行测量，包括：使用单目测距方法对摄像机图像坐标和世界坐标进行关系换算；进行排球边缘检测及像素坐标提取；根据第一帧图像以及最后一帧图像的排球中点实际坐标，计算两帧图像的排球中点空间欧式距离。进一步地，所述对所述第一帧图像以及所述最后一帧图像的排球位移距离进行测量，包括：设现实世界一个点为R(XR，YR，ZR)，则其齐次坐标矩阵为[XRYRZR1]T，这一点在所生成对应图像上的点r(xr，yr)，其像素齐次坐标矩阵为[urvr1]T，其中其中(u0，v0)为图像中点所在像素坐标，dx和dy表示每一像素代表的物理长度即像元尺寸，点R和点r所对应的坐标通过相机参数矩阵K进行互相转化，即s[urvr1]T＝K[a1a2a3d][XRYRZR1]T，其中s为尺度因子，K为包括像元尺寸数据和中心点坐标的3x3矩阵，a1，a2，a3，d分别是摄像机坐标系相对于世界坐标系的旋转矩阵和平移向量；根据现实图像特征点及其在图像中的位置构建方程组，得到a1，a2，a3，d的取值；以世界坐标P(XP，YP，ZP)为中心放置排球，构造ZP平面并采集图像，采集该平面排球的边缘点世界坐标及在生成图像上对应的像素坐标，利用求得的相机参数矩阵K构建方程，求出离地面两米高度的平面ZP所对应的坐标值；假设在ZR＝0平面上的排球所生成图像直径两端边缘图像坐标分别为(x0，y0)，(x′0，y′0)，则两点距离为在ZP平面上的排球所生成图像直径两端边缘图像坐标分别为(x1，y1)，(x′1，y′1)，两点距离为由图像相似关系得到ZP/(ZP-ZR)～l1+d1/(l1+d1-l0-d0)，其中d1和d0分别是l1和l0在对应高度上的平移向量，在图像中识别排球直径边缘并得到对应的像素点间距离lx后，得到排球在现实世界所处高度坐标Zx；对图像进行灰度化处理，将输入的图像RGB三通道值进行加权处理，转化为0～255取值范围的一通道灰度图像；对于一个RGB三通道值分别为R、G、B的像素，灰度处理后生成的像素灰度值Gray＝αR+βG+γB，其中α、β、γ分别为加权系数，且α+β+γ＝1；对灰度化后的灰度图，使用高斯平滑滤波对图像执行平滑处理；对经过高斯平滑处理后的图像进行卷积处理，以进行图像边缘的加强；遍历每一个像素的灰度值G，并在θ方向上与它相临的两个像素相比较，保留其中最大的灰度值，否则将其灰度值改为0，通过剩余G值提取得到排球边缘坐标；选取当θ1＝0°、θ2＝90°、θ3＝180°、θ4＝270°时的四个像素点G1、G2、G3、G4，以计算G1和G3点在图像当中的距离l13，G2和G4点在图像当中的距离l24，得到其算术平均数lG＝(l13+l24)/2，并得到两张图片中排球所处实际高度坐标Zt和Zt′；在Zt和Zt′确定后，以图像像素点G1和G3点连线及G2和G4点连线交界点作为排球中点，最终得到t时刻和t′时刻排球中点实际坐标(Xt，Yt，Zt)和(Xt′，Yt′，Zt′)，计算两点空间欧式距离ltt′。根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的方法。本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：本申请实施例提供的排球过网判定的方法，利用卷积神经网络处理排球发球视频，判断排球是否过网，判断结果精确，处理速度快，精度高，降低了人工劳动强度，节省本文档来自技高网...

【技术保护点】
1.一种排球发球过网与否的判定方法，其特征在于，包括：/n构建卷积神经网络；/n训练所述卷积神经网络；/n利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网。/n

【技术特征摘要】
1.一种排球发球过网与否的判定方法，其特征在于，包括：
构建卷积神经网络；
训练所述卷积神经网络；
利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网。


2.根据权利要求1所述的方法，其特征在于，所述构建卷积神经网络，包括：
构建一个六层的卷积神经网络；
所述六层包括第一层卷积层、第二层池化层、第三层卷积层、第四层池化层、第五层全联接层和第六层输出层；其中第一层卷积层的输出为原始样本RGB三通道通过若干滤波器卷积操作后得到的特征数据，所述特征数据作为第二层池化层的输入，所述第二层池化层用于使用最大池化滤波器对所述第一层卷积层输出的结果进行池化处理，并将池化处理的结果作为第三层卷积层的输入。


3.根据权利要求1所述的方法，其特征在于，所述训练所述卷积神经网络，包括：
利用训练样本集训练所述卷积神经网络；
其中，所述训练样本集包括若干图片，所述图片被标注有过网标识标签以及对应的时序标签；所述过网标识标签是通过人工标注方式标注在所述图片上的；所述图片是从高速摄像机所采集的视频中获取的。


4.根据权利要求1所述的方法，其特征在于，所述利用训练好的卷积神经网络处理排球发球视频，判断排球发球是否过网，包括：
将通过高速摄像机所拍摄的排球发球视频输入所述训练好的卷积神经网络，所述训练好的卷积神经网络逐帧识别所述排球发球视频的图像，输出判断排球发球是否过网的判断结果。


5.根据权利要求1所述的方法，其特征在于，在所述训练所述卷积神经网络之前，所述方法还包括使用Xavier初始化方式对所述卷积神经网络进行初始化的步骤。


6.一种排球发球过网与否的判定方法，其特征在于，包括：
针对被判断为过网的发球视频，计算排球过网前后一段时间内的平均球速；其中，所述被判断为过网的发球视频为通过权利要求1-5中任一项所述的排球发球过网与否的判定方法获得的。


7.根据权利要求6所述的方法，其特征在于，所述计算排球过网前后一段时间内的平均球速，包括：
针对被判断为过网的发球视频，利用深度神经网络模型截取出所述发球视频中排球位于识别区域内时的第一帧图像以及最后一帧图像；
对所述第一帧图像以及所述最后一帧图像的排球位移距离进行测量，根据测量结果以及所述第一帧图像与所述最后一帧图像的时间差，计算该次发球过网前后预设时间段内的平均球速。


8.根据权利要求7所述的方法，其特征在于，所述对所述第一帧图像以及所述最后一帧图像的排球位移距离进行测量，包括：
使用单目测距方法对摄像机图像坐标和世界坐标进行关系换算；
进行排球边缘检测及像素坐标提取；
根据第一帧图像以及最后一帧图像的排球中点实际坐标，计算两帧图像的排球中点空间欧式距离。


9.根据权利要求7所述的方法，其特征在于，所述对所述第一帧图像以...

【专利技术属性】
技术研发人员：王海滨，凌展鸿，
申请(专利权)人：根尖体育科技北京有限公司，
类型：发明
国别省市：北京;11