【技术实现步骤摘要】
本专利技术涉及篮球运动预测，具体是指一种基于深度学习的篮球运动检测方法及系统。
技术介绍
1、基于深度学习的篮球运动检测方法是一种利用深度学习算法来自动分析和识别篮球运动的技术，通过处理图像或视频数据，识别出场景中的篮球和球员的动作，从而实现对篮球比赛的实时监测、分析和统计，这种方法在错误检测、动作识别、统计和分析、以及增强观赏性等方面发挥着重要作用，对于提升篮球比赛的效果和体验具有重要意义。
2、但是，在已有的篮球运动检测方法中，存在着简单的阈值分割或基于运动向量的方法来进行篮球运动检测，对光照变化和场景复杂性的敏感性较强，往往容易导致误检测和漏检的技术问题；在已有的篮球运动检测方法中，存在着传统的光流估计方法在分析篮球运动时，往往忽略了局部特征，导致特征提取的不准确和不稳定的技术问题；在已有的篮球运动检测方法中，存在着基于传统的特征提取和分类方法面临着特征表达能力不足和分类准确度低的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的篮球运动检测方法及系统，针对在已有的篮球运动检测方法中，存在着简单的阈值分割或基于运动向量的方法来进行篮球运动检测，对光照变化和场景复杂性的敏感性较强，往往容易导致误检测和漏检的技术问题，本方案创造性地采用帧间差分法和背景扣除方法进行数据增强，提高了篮球运动检测的数据质量；针对在已有的篮球运动检测方法中，存在着传统的光流估计方法在分析篮球运动时，往往忽略了局部特征，导致特征提取的不准确和不
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于深度学习的篮球运动检测方法，该方法包括以下步骤：
3、步骤s1：数据收集；
4、步骤s2：数据增强；
5、步骤s3：篮球运动特征提取；
6、步骤s4：错误运动动作检测；
7、步骤s5：篮球运动检测。
8、进一步地，在步骤s1中，所述数据收集，用于收集篮球运动检测所需的原始录像数据，具体为从篮球运动员运动视频中，通过收集，得到篮球运动检测原始数据。
9、进一步地，在步骤s2中，所述数据增强，用于对原始录像数据进行数据质量优化，具体为对所述篮球运动检测原始数据进行视频属性调整，并采用帧间差分法和背景扣除方法进行视频增强，得到优化篮球运动检测数据集，包括以下步骤：
10、步骤s21：视频属性增强，具体为对所述篮球运动检测原始数据的对比度、亮度进行调整增强，并对所述篮球运动检测原始数据进行滤波去噪，得到基本增强篮球运动视频；
11、步骤s22：差分图像生成，具体为采用帧间差分法对所述基本增强篮球运动视频中的帧图像进行差分图像生成，得到帧图像前背景差分图像；
12、步骤s23：帧图像背景扣除，具体为依据所述帧图像前背景差分图像，进行帧图像背景扣除，得到篮球运动帧图像集和篮球运动背景图像集；
13、步骤s24：数据增强，具体为通过所述视频属性增强、所述差分图像生成和所述帧图像背景扣除，对所述篮球运动检测原始数据进行数据增强，得到优化篮球运动检测数据集，所述优化篮球运动检测数据集，具体包括基本增强篮球运动视频、篮球运动前景帧图像集和篮球运动背景帧图像集。
14、进一步地，在步骤s3中，所述篮球运动特征提取，用于提取篮球运动特征，具体为依据所述优化篮球运动检测数据集，采用光流直方图进行局部特征提取，并通过统计局部特征的分布，构建并提取篮球运动整体特征，得到篮球运动特征数据，包括以下步骤：
15、步骤s31：三维建系，具体为依据所述优化篮球运动检测数据集中的篮球运动前景帧图像集和篮球运动背景帧图像集，构建篮球运动员三维坐标系，并通过构建所述篮球运动员三维坐标系，得到篮球运动员关节点像素定位信息，所述篮球运动员关节点像素定位信息的计算公式为：
16、；
17、式中，g(x,y,z)是篮球运动员关节点像素定位信息，q是前景帧图像像素值，w是背景帧图像像素值，是篮球运动员关节点集，其中，是头部关节点，是身体中心关节点，是左手关节点，是左脚关节点，是右手关节点，是右脚关节点；
18、步骤s32：光流局部特征提取，具体指通过计算得到帧图像特征点位置坐标，并通过所述帧图像特征点位置坐标，提取得到局部特征信息，所述帧图像特征点位置坐标的计算公式为：
19、；
20、式中，是第n+1帧的帧图像特征点位置坐标，n是帧图像索引，是第n帧的帧图像特征点位置坐标，m是滤波器标识符，用于表示大小为3×3的中值滤波器计算函数，是第n帧的光流信息，其中，光流信息的计算公式为：，是第n帧的水平方向光流，是第n帧的垂直方向光流；
21、步骤s33：局部特征统计，具体为对所述局部特征信息进行分布统计，得到局部特征分布tr；
22、步骤s34：整体特征提取，具体为构建整体特征提取模型，进行整体特横踢去，得到运动动作整体特征信息，所述整体特征提取模型的计算公式为：
23、；
24、式中，h是整体特征提取模型，det(·)是矩阵行列式计算函数，tr(·)是运动动作的局部特征分布，是帧图像所有局部特征的空间多尺度网格划分，k是帧图像所有局部特征的时间多尺度网格划分，l是运动员动作状态的连续序列，z是运动员动作的动态特征；
25、步骤s35：篮球运动特征提取，具体为通过所述三维建系、光流局部特征提取、局部特征统计和整体特征提取，得到篮球运动特征数据。
26、进一步地，在步骤s4中，所述错误运动动作检测，用于针对篮球运动员的错误动作进行智能检测，具体为依据所述优化篮球运动检测数据集和篮球运动特征数据，采用结合空间注意力机制的三维卷积神经网络，进行错误运动动作检测，得到篮球运动错误动作识别数据；
27、所述结合空间注意力机制的三维卷积神经网络，包括输入层、空间注意力层、第一三维卷积池化层组、第二三维卷积池化层组、全连接层和分类输出层；
28、所述输入层，用于接收视频数据作为模型的整体输入样本；
29、所述空间注意力层，用于引入空间注意力机制，增强模型对错误运动特征的学习能力；
30、所述第一三维卷积池化层组，用于学习空间特征表示并生成特征图；
31、所述第二三维卷积池化层组，用于进一步提取高级特征表示并提取复杂特征；...
【技术保护点】
1.一种基于深度学习的篮球运动检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤S2中，所述数据增强，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤S31中，所述三维建系，具体为依据所述优化篮球运动检测数据集中的篮球运动前景帧图像集和篮球运动背景帧图像集，构建篮球运动员三维坐标系，并通过构建所述篮球运动员三维坐标系，得到篮球运动员关节点像素定位信息，所述篮球运动员关节点像素定位信息的计算公式为：
4.根据权利要求3所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤S33中，所述局部特征统计，具体为对所述局部特征信息进行分布统计，得到局部特征分布Tr；
5.根据权利要求4所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤S4中，所述结合空间注意力机制的三维卷积神经网络，包括输入层、空间注意力层、第一三维卷积池化层组、第二三维卷积池化层组、全连接层和分类输出层；
6.根据权利要求5所述的
7.根据权利要求6所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤S41中，所述构建输入层，具体为构建双通道输入层，并将所述优化篮球运动检测数据集和篮球运动特征数据作为模型输入样本；
8.一种基于深度学习的篮球运动检测系统，用于实现如权利要求1-7中任一项所述的一种基于深度学习的篮球运动检测方法，其特征在于：包括数据收集模块、数据增强模块、篮球运动特征提取模块、错误运动动作检测模块和篮球运动检测模块。
9.根据权利要求8所述的一种基于深度学习的篮球运动检测系统，其特征在于：所述数据收集模块，用于数据收集，通过数据收集，得到篮球运动检测原始数据，并将所述篮球运动检测原始数据发送至数据增强模块；
...【技术特征摘要】
1.一种基于深度学习的篮球运动检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤s2中，所述数据增强，包括以下步骤：
3.根据权利要求2所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤s31中，所述三维建系，具体为依据所述优化篮球运动检测数据集中的篮球运动前景帧图像集和篮球运动背景帧图像集，构建篮球运动员三维坐标系，并通过构建所述篮球运动员三维坐标系，得到篮球运动员关节点像素定位信息，所述篮球运动员关节点像素定位信息的计算公式为：
4.根据权利要求3所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤s33中，所述局部特征统计，具体为对所述局部特征信息进行分布统计，得到局部特征分布tr；
5.根据权利要求4所述的一种基于深度学习的篮球运动检测方法，其特征在于：在步骤s4中，所述结合空间注意力机制的三维卷积神经网络，包括输入层、空间注意力层、第一三维卷积池化层组、第二三维卷积池化层组、全连接层和分类输出层；
6.根据权利要求5所述的一种基于深度学习的篮球运动检测方法，其特...
【专利技术属性】
技术研发人员：徐伟宏，柯茜，洪伟，祁峰，黎雪微，刘干，韩锐，蒙延荣，
申请(专利权)人：武汉体育学院，
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。