【技术实现步骤摘要】
一种基于时序编解码网络的羽毛球检测与跟踪方法
[0001]本专利技术涉及智能图像处理和机器视觉领域，尤其涉及一种基于时序编解码网络的羽毛球检测与跟踪方法。
技术介绍
[0002]目前，羽毛球已经风靡全球，成为世界上最受欢迎的运动之一。与此同时，羽毛球比赛的战术分析，结果的辅助判定越来越得到重视。其中，羽毛球的检测与跟踪是核心工作之一，羽毛球的检测信息可以为许多任务提供帮助，如发球、击球、落地识别等。现今也有许多比较完善的检测与跟踪系统，例如鹰眼系统，该系统使用多个高端摄像头获得羽毛球运动的检测信息，获得的检测信息既可以对裁判员起到辅助判定作用，也可以帮助运动员进行专业分析与训练。但该系统属于专有系统，部署成本很高。因此，在低帧率摄像头上实现对羽毛球检测与跟踪的算法就具有实际应用价值。
[0003]羽毛球检测与跟踪算法大致可以分为传统的视觉处理算法和以卷积神经网络为核心的深度学习算法。传统的羽毛球检测与跟踪方法主要是光流法——光流法利用羽毛球比赛图像序列中像素在时间域上的变化以及相邻帧之间的相关性，根据上一帧与当前帧之...
【技术保护点】
【技术特征摘要】
1.一种基于时序编解码网络的羽毛球检测与跟踪方法，其特征在于，该方法包括以下步骤：步骤(1)对图像数据进行预处理；获取连续的k帧图片，然后调整图片大小并进行归一化处理；最后在通道维度上叠加成通道数为3k、高为h、宽为w的归一化特征图；步骤(2)制作模型训练所需的数据集；首先采集羽毛球比赛视频图像，将视频图像按比例分成训练集与验证集，并视频图像分解得到图片序列数据；然后对羽毛球球帽形态中心进行点标注；同时生成二值单通道jpg热力图标签并存储在文档中；步骤(3)构建时序编解码网络模型；所述网络模型使用模块化方法搭建；首先构建基础卷积模块与通道注意力模块，并进一步构建特征提取模块；所述网络模型依次由输入层、编码层、解码层，输出层构成；其中输入层使用时序网络结构，编码层包含4层特征提取模块与3层下采样运算，解码层包含3层特征提取模块与3层上采样运算，输出层包含1层卷积运算与1层Sigmoid激活函数；步骤(4)训练时序编解码网络模型；设置网络模型的数据输入路径与超参数信息；数据加载设置为顺序采样，使用步骤(1)方法进行数据预处理；使用二值交叉熵损失函数计算输出热力图损失；采用Adam优化器进行迭代优化，并使用Kaiming正态分布初始化卷积层参数；学习率参数采用线性下降策略，每经过1个训练周期后下降一次，第n轮的学习率lr(n)为：lr(n)＝a+(b
‑
a)
÷
epochs
×
epoch其中a为初始学习率，b为小于1e
‑
8的微小常量，epochs为训练总次数，epoch为当前训练次数；验证时对网络模型预测输出与真实标签热力图进行轮廓检测，获取羽毛球相对坐标，训练期间保存验证集准确率最高的一组模型权重；步骤(5)羽毛球实时检测与跟踪；使用步骤(3)和步骤(4)得到的时序编解码网络模型检测羽毛球比赛实时图像，获得羽毛球像素坐标。2.根据权利要求1所述的方法，其特征在于，所述步骤(3)中基础卷积模块由二维卷积运算、ReLU激活函数、组归一化顺序构成；其中二维卷积的卷积核尺寸为3
×
3；所述通道注意力模块由1层基于特征图宽和高的自适应平均池化操作，2层全连接层以及ReLU和Sigmoid激活函数构成；特征图输入后，先通过自适应平均池化操作，使空间特征降维到1
×
1；接着依次经过全连接层、ReLU激活函数、全连接层、Sigmoid激活函数；最后通过矩阵乘法逐通道加权到模块输入特征图的每一个通道上，完成通道注意力对输入特征图的重新校准；所述特征提取模块是特征图输入后经过一个基础卷积模块得到输出y1，y1经过1个通道注意力模块和N个基础卷积模块得到y2，最后将y1和y2逐像素相加实现特征提取的功能；所述输入层采用时序网络结构，在得到时序上连续的k帧已裁剪和归一化的预处理特征图后，与网络模型时序输出F
hot
(n
‑
...
【专利技术属性】
技术研发人员：欧巧凤，钟亮，熊邦书，方霆，刘畅，张利平，徐迪，聂夏青，
申请(专利权)人：江西远大保险设备实业集团有限公司江西方德科技有限公司，
类型：发明
国别省市：
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。