一种基于深度学习和uwb辅助定位的滑冰追踪方法技术

本发明专利技术结合深度学习算法与uwb定位技术，具体公开了一种基于深度学习和uwb辅助定位的滑冰追踪方法，该方法包括如下步骤：s1、获取滑冰场地数据，对场地关键点数据进行人工标定；s2、根据场地数据，布置uwb(UltraWideBand)装置，布置信号接收器；s3、设计目标检测网络，学习运动员特征，检测运动员位置，预测后续位置；s4、设计多目标追踪网络，通过匹配算法实现初步追踪；s5、获取uwb设备采集的追踪信息，对追踪信息进行插值补全操作；s6、通过补全后的uwb追踪信息对初步追踪结果进行辅助匹配，获取最终追踪结果。本发明专利技术方法通过使用深度学习算法和uwb补全信息的辅助技术，改善了对于滑冰运动员进行多目标追踪的过程中由于遮挡或特征相似所导致的IDSwitch问题。相似所导致的IDSwitch问题。相似所导致的IDSwitch问题。

【技术实现步骤摘要】
一种基于深度学习和uwb辅助定位的滑冰追踪方法


[0001]本专利技术结合深度学习算法与uwb定位技术，具体公开了一种基于深度学习和uwb辅助定位的滑冰追踪方法。
技术背景
[0002]随着计算机硬件的不断更迭，计算机的算力相对于以往得到了显著提高，因此计算机获得了高效处理视频的能力。随着深度学习相关技术在计算机视觉领域的广泛应用，基于深度学习的多目标追踪算法被人们研发并且投入使用。然而，目标之间的相互遮挡，目标短时间内的剧烈形变等问题，仍然是多目标追踪领域亟需解决的关键问题。在滑冰场景下的多目标追踪任务也同样存在着这样的问题，运动员在比赛的过程中经常出现次序的交换，从而出现彼此之间的遮挡；在滑冰运动员滑入弯道或者滑出弯道的过程中，他们的身体形态会在短时间内发生明显变化。这些问题使得多目标追踪任务难以取得准确率高的结果。
[0003]目前，处理多目标追踪问题的主流算法是DeepSort，该算法通过检测匹配和预测跟踪完成多目标跟踪的任务。然而，由于深度学习的发展还不够完备，对于遮挡和剧烈形变问题，深度学习算法通常难以给出有效的解决方法。
[0004]还有一种不借助深度学习算法的追踪方法是使用uwb技术。uwb技术是一种无线载波通信技术，通过脉冲信号传输信息，并通过位置映射来获取定位结果。但由于信号发出与接收之间存在短暂的延迟，而滑冰运动员的最高时速可达45
‑
55km/h，从而产生误差。
[0005]因此，通过结合深度学习算法与uwb定位技术，从而获取更加准确的多目标追踪结果是十分必要的。

技术实现思路

[0006]本专利技术的目的在于提出一种基于深度学习和uwb辅助定位的滑冰追踪方法。其采用如下方案：
[0007]一种基于深度学习和uwb辅助定位的滑冰追踪方法，包括以下步骤：
[0008]其技术解决方案是：
[0009]s1、获取滑冰场地数据，对场地关键点数据进行人工标定；
[0010]s2、根据场地数据，布置uwb装置，布置信号接收器；
[0011]s3、设计目标检测网络，学习运动员特征，检测运动员位置，预测后续位置；
[0012]s4、设计多目标追踪网络，通过匹配算法实现初步追踪；
[0013]s5、获取uwb设备采集的追踪信息，对追踪信息进行插值补全操作；
[0014]s6、通过补全后的uwb追踪信息对初步追踪结果进行辅助匹配，获取最终追踪结果。
[0015]进一步，上述步骤s1中，将60m
×
30m的矩形场地划分为8个15m
×
15m的正方形场地，标定23个点的位置信息；
[0016]进一步，上述步骤s2中，需要根据步骤s1的场地距离测量确定uwb装置摆放位置；
[0017]进一步，上述步骤s3中，使用小规模的YOLOv5目标检测模型，检测运动员的目标位置，同时能够保证检测的速度，达到或者逼近实时检测；并使用卡尔曼滤波算法预测运动员的下一帧位置；
[0018]进一步，上述步骤s4中，使用卡尔曼滤波算法预测运动员的下一帧位置后，通过匈牙利匹配算法与下一帧实际检测到的目标位置进行匹配，从而实现前后帧的运动员位置关联，达到初步追踪的效果；
[0019]进一步，上述步骤s5中，在使用uwb采集的数据前要先对数据进行插值补全操作。
[0020]进一步，具体补全的过程为：
[0021]s51、通过标定矩阵，将uwb位置坐标转换为真实坐标；
[0022]s52、通过数据处理，将不同运动员位置信息分拣出来。通过对于信息捕获时间分析，判断uwb设备遗漏的捕获时刻；
[0023]s53、通过计算遗漏时间差与总时间的比例，计算出此时间段内应该插值的信息数目；
[0024]s54、通过求得的信息数目，使用高次拟合函数补全对应数目的位置信息。
[0025]进一步，上述步骤s6中，使用步骤s5中获取的uwb补全信息对步骤s4中获取的初步追踪结果进行辅助匹配，从而补充深度学习算法中的漏检目标位置以及减少ID Switch问题的发生。
[0026]本专利技术具有如下优点：
[0027]本专利技术方法基于深度学习与计算机视觉的方法，通过将检测结果与预测结果进行匹配的方法实现对滑冰运动员的多目标追踪。同时，在匹配过程中加入uwb技术的辅助，对于由于运动员相互遮挡或目标检测算法不够准确而产生的漏检区域进行了有效的补充；并且减少了由于运动员之间特征差距较小而导致的ID Switch问题的发生，最终实现了对于滑冰运动员多目标追踪任务的准确度。
附图说明
[0028]图1为本专利技术中一种基于深度学习和uwb辅助定位的滑冰追踪方法的流程示意图。
具体实施方式
[0029]下面结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地说明：
[0030]结合图1所示，一种基于深度学习和uwb辅助定位的滑冰追踪方法，包括如下步骤：
[0031]s1、获取滑冰场地数据，对场地关键点数据进行人工标定；
[0032]将60m
×
30m的矩形场地划分为8个15m
×
15m的正方形场地，在场地的两条长边上各标定五个点，点分别在两个圆弧直线交点、长边中点以及长边中点两侧十五米处；在场地长轴上标定五个点，分别在长轴两个顶点，长轴中点以及长轴两侧十五米处；最后标定八个正方形的中心点；最终一共标定23个点的位置信息。
[0033]s2、根据场地数据，布置uwb装置，布置信号接收器；
[0034]uwb基站装置一共安装八个，分别在长轴两个端点，短轴两个端点，以及短轴端点两侧十五米处。
[0035]s3、设计目标检测网络，学习运动员特征，检测运动员位置，预测后续位置；
[0036]本方法使用小规模的YOLOv5目标检测模型，检测运动员的目标位置。由于YOLO是单阶段的目标检测算法，其检测速度明显快于两阶段的检测算法，从而达到或者逼近实时检测；并且其检测精度相对于之前的版本也有了明显的提升，可以在保证速度达到或者逼近实时的同时又不丢失准确性。
[0037]s4、设计多目标追踪网络，通过匹配算法实现初步追踪；
[0038]DeepSort算法是多目标追踪的主流算法之一，本方法使用匈牙利匹配算法实现初步追踪，具体方法为：先为第一个运动员匹配其可能对应的目标，再为第二个运动员匹配，如果其与前面的运动员所匹配的目标发生冲突，则回退修改之前的运动员已经匹配的目标，若之前的运动员没有其余可匹配的目标，则修改当前正在处理的运动员的匹配目标，以此类推，直至所有运动员均匹配完毕。
[0039]s5、获取uwb设备采集的追踪信息，对追踪信息进行插值补全操作；
[0040]uwb设备在采集信息的过程中，由于其有短暂的时间误差，且uwb设备采集的信息容易出现数据信息分布不均匀的问题，因此需要首先对uwb数据进行插值补全操作，从而使得uwb数据更加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和uwb辅助定位的滑冰追踪方法，包括以下步骤：s1、获取滑冰场地数据，对场地关键点数据进行人工标定；s2、根据场地数据，布置uwb(Ultra Wide Band)装置，布置信号接收器；s3、设计目标检测网络，学习运动员特征，检测运动员位置，预测后续位置；s4、设计多目标追踪网络，通过匹配算法实现初步追踪；s5、获取uwb设备采集的追踪信息，对追踪信息进行插值补全操作；s6、通过补全后的uwb追踪信息对初步追踪结果进行辅助匹配，获取最终追踪结果。2.据权利要求1所述的基于深度学习和uwb辅助定位的滑冰追踪方法，其特征在于，所述步骤s1中标定信息用于计算标定矩阵，求解像素坐标与真实坐标之间的映射，实现将摄像头视角还原到真实视角。3.据权利要求1所述的基于深度学习和uwb辅助定位的滑冰追踪方法...

【专利技术属性】
技术研发人员：崔振东，李宗民，李亚传，王一璠，王奔，白云，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：