针对运动场所进行视频采集的自动控制方法技术

本申请公开了一种针对运动场所进行视频采集的自动控制方法，包括：针对运动场所周期性采集图像；利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动；若有人在运动，则启动视频采集；否则，不启动视频采集。本申请实施例提供的针对运动场所进行视频采集的自动控制方法，利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动，根据判断结果自动控制是否启动视频采集，克服了现有技术的极易受环境影响且受限于环境复杂度需要调整阈值的缺陷，能够实现对运动场所进行视频采集的精确自动控制，精确度和反应灵敏度均能够满足实际应用的需要。

【技术实现步骤摘要】
针对运动场所进行视频采集的自动控制方法
本申请涉及图像处理
，具体涉及一种针对运动场所进行视频采集的自动控制方法。
技术介绍
在体育场所中，经常需要进行视频采集，其目的主要是为了保存精彩的运动瞬间以及应用于运动场景下的教学和运动领域的社交以及直播等。但是运动场馆有时候会有空闲无人的时间段。如果一直开启视频录制会造成带宽的浪费和垃圾数据的产生对于后期的视频回放等产生不良的影响。所以需要一种能检测到运动场馆是否为闲时的方法来控制运动场馆下视频是否需要被采集。目前对于运动场馆视频采集开关的方法主要通过帧差法和背景差分两种方法实现。帧差法是最为常用的运动目标检测和分割方法之一，基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过阈值化来提取出图像中的运动区域。首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，如果对应像素值变化小于事先确定的阈值时，可以认为此处为背景像素；如果图像区域的像素值变化很大，超过了设置的阈值，则认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。帧差法的不足在于对环境噪声较为敏感，阈值的选择相当关键，选择过低不足以抑制图像中的噪声，过高则忽略了图像中有用的变化。对于比较大的、颜色一致的运动目标，有可能在目标内部产生空洞，无法完整地提取运动目标。背景差分法是一种有效的运动对象检测算法，基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域被认为是背景区域。背景差分法必须要有背景图像，并且背景图像必须是随着光照或外部环境的变化而实时更新的，因此背景差分法的关键是背景建模及其更新。背景差法的不足：由于现场场景的复杂性、不可预知性以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景的建模和模拟变得比较困难。以上两种方法都是通过阈值的结果去判断当前运动场所是不是闲时，从而决定是不是需要去录制并上传视频到服务端，所以在不同的环境下，需要不同的数值来作为判断的阈值。由于场景的复杂性与不可预知性，环境光对阈值的影响比较大，所以很难去确定这个阈值的值到底是多少从而会影响算法输出的结果的正确性。而且在视频采集的过程中还需要人员去调试阈值，这样增加了成本。
技术实现思路
本申请的目的是提供一种针对运动场所进行视频采集的自动控制方法。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，提供一种针对运动场所进行视频采集的自动控制方法，包括：针对运动场所周期性采集图像；利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动；若有人在运动，则启动视频采集；否则，不启动视频采集。进一步地，在所述利用训练好的人工神经网络模型处理采集的图像之前，所述方法还包括：利用训练数据集训练人工神经网络；利用测试数据集检测完成一次训练的人工神经网络的判断准确率；若所述判断准确率未达到阈值要求，则继续利用训练数据集训练人工神经网络，直至所述判断准确率达到阈值要求为止。进一步地，在所述利用训练数据集训练人工神经网络之前，所述方法还包括：获取训练数据集和测试数据集。进一步地，所述人工神经网络模型为yolov3网络模型。进一步地，所述利用训练好的人工神经网络模型处理采集的图像，包括：转换所采集的图像的格式，将转换格式后的图像输入训练好的人工神经网络模型进行处理。进一步地，所述针对运动场所周期性采集图像，包括：针对运动场所周期性拍摄视频，从视频中抽取图像，对抽取的图像进行格式转换。进一步地，所述利用测试数据集检测完成一次训练的人工神经网络的判断准确率，包括：在测试数据集上生成对应的检测目标的矩形框坐标；根据检测的矩形框坐标和标注的检测框的坐标，计算平均精度和平均精度的均值。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，以实现上述的针对运动场所进行视频采集的自动控制方法。根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的针对运动场所进行视频采集的自动控制方法。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针对运动场所进行视频采集的自动控制方法，利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动，根据判断结果自动控制是否启动视频采集，克服了现有技术的极易受环境影响且受限于环境复杂度需要调整阈值的缺陷，能够实现对运动场所进行视频采集的精确自动控制，精确度和反应灵敏度均能够满足实际应用的需要。本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请的一个实施方式的针对运动场所进行视频采集的自动控制方法流程图；图2示出了本申请另一实施方式的针对运动场所进行视频采集的自动控制方法流程图；图3示出了用于视频处理的系统架构图；图4示出了本申请一实施方式中媒体处理平台对视频的内部处理流程；图5示出了本申请一实施方式中对传感器所采集的数据的处理过程；图6示出了本申请一实施方式中训练数据集的选择与预处理、yolov3参数设置、训练及测试的流程；图7为本申请一实施方式采用的yolov3网络模型结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员本文档来自技高网...

【技术保护点】
1.一种针对运动场所进行视频采集的自动控制方法，其特征在于，包括：/n针对运动场所周期性采集图像；/n利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动；/n若有人在运动，则启动视频采集；否则，不启动视频采集。/n

【技术特征摘要】
1.一种针对运动场所进行视频采集的自动控制方法，其特征在于，包括：
针对运动场所周期性采集图像；
利用训练好的人工神经网络模型处理采集的图像从而判断运动场所中是否有人在运动；
若有人在运动，则启动视频采集；否则，不启动视频采集。


2.根据权利要求1所述的方法，其特征在于，在所述利用训练好的人工神经网络模型处理采集的图像之前，所述方法还包括：
利用训练数据集训练人工神经网络；
利用测试数据集检测完成一次训练的人工神经网络的判断准确率；
若所述判断准确率未达到阈值要求，则继续利用训练数据集训练人工神经网络，直至所述判断准确率达到阈值要求为止。


3.根据权利要求2所述的方法，其特征在于，在所述利用训练数据集训练人工神经网络之前，所述方法还包括：获取训练数据集和测试数据集。


4.根据权利要求1所述的方法，其特征在于，所述人工神经网络模型为yolov3网络模型。


5.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：李国显，管伟东，王海滨，
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