System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及视频图像分析领域,尤其涉及一种基于卷积神经网络的箭靶自动识别方法及系统。
技术介绍
1、射箭作为一项历史悠久的运动,在现代登上了大型国际赛事的舞台。射箭运动员的数量日渐庞大,射箭也逐渐从一个小众的运动项目发展为更大众的爱好。然而现如今,无论是大型国际赛事还是小型射箭场馆,在报靶方面,得分播报及统计仍停留在人工阶段,需要人通过小型望远镜观察几十米外靶子具体情况,这样的方法危险且低效。因而,将深度神经网络应用在箭靶图像的箭矢目标识别上,使传统运动与现代科技结合起来,是很有必要的。
技术实现思路
1、为了解决现有技术中远距离识别箭靶困难的问题,本专利技术提供了一种基于卷积神经网络的箭靶自动识别方法,其包括:
2、s1、获取箭靶的rgb视频图像,将各帧进行仿射变换以及图像截取,形成统一大小的原始rgb图像,从而得到rgb视频帧图像序列;
3、s2、对rgb视频帧图像序列通过比较相邻帧变化获取关键帧信息;
4、s3、对s2中所得的rgb视频帧图像序列中的关键帧进行目标检测,得到初检的视频帧箭矢坐标位置及角度信息;
5、s4、采用作差的方法,提取s2中的关键帧与前一帧非关键帧的差异,获得目标图片,并对目标图片进行处理,获得带有箭矢信息的二值图像;
6、s5、结合s3获得的箭矢坐标位置及角度信息及s4获得的带有箭矢信息的二值图像,确定箭矢目标的关键点位置。
7、本专利技术的进一步改进在于,步骤s1具体包括:
...【技术保护点】
1.一种基于卷积神经网络的箭靶自动识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S1具体包括:
3.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S2中采用三帧帧间差法,由前中后三帧组成,前中和中后两帧分别两两组成图像帧对,通过算法判别后,对于组成这些帧对的图像帧进行更新。
4.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S3中采用的目标检测模型的构建包括以下步骤:
5.根据权利要求4所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S3具体包括:
6.根据权利要求5所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S4具体包括:
7.根据权利要求6所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤S5中,结合将处理好的RGB图像输入步骤S3的训练好的卷积神经网络,获得的初检的视频帧箭矢坐标位置及角度信息,以及步骤S4得到的所述的包含箭矢信息的二值图
8.一种基于卷积神经网络的箭靶自动识别系统,其特征在于,采用权利要求1至7中任一所述的基于卷积神经网络的箭靶自动识别方法对箭靶进行检测。
...【技术特征摘要】
1.一种基于卷积神经网络的箭靶自动识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤s1具体包括:
3.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤s2中采用三帧帧间差法,由前中后三帧组成,前中和中后两帧分别两两组成图像帧对,通过算法判别后,对于组成这些帧对的图像帧进行更新。
4.根据权利要求1所述的一种基于卷积神经网络的箭靶自动识别方法,其特征在于,步骤s3中采用的目标检测模型的构建包括以下步骤:
5.根据权利要求4所述的一种基于卷积神经网络的箭靶自动...
【专利技术属性】
技术研发人员:王坤,林思伶,黄涛,陈诚,柳文希,陈海宝,
申请(专利权)人:上海交通大学,
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。