科技改變生活,隨著圖像處理技術(shù)在體育比賽中的應(yīng)用日益廣泛,在球類比賽中,針對快速運(yùn)動球體進(jìn)行識別與定位的落點(diǎn)識別系統(tǒng),在比賽和日常訓(xùn)練中扮演重要角色,成為當(dāng)前人工智能在文體娛樂領(lǐng)域的研究熱點(diǎn)之一。本文設(shè)計的基于目標(biāo)檢測和跟蹤的乒乓球落點(diǎn)識別及評分系統(tǒng),重點(diǎn)研究將目標(biāo)檢測和跟蹤技術(shù)應(yīng)用于智能化乒乓球訓(xùn)練場景中,通過采集運(yùn)動員的打球視頻,對乒乓球的落點(diǎn)進(jìn)行準(zhǔn)確識別并進(jìn)行落點(diǎn)區(qū)域分析,記錄運(yùn)動員的訓(xùn)練效果。本文設(shè)計的基于目標(biāo)檢測和跟蹤的乒乓球落點(diǎn)識別及評分系統(tǒng)采用客戶端/服務(wù)端（C/S）的分布式設(shè)計模式,其中,客戶端負(fù)責(zé)人機(jī)交互,包括采集用戶的語音數(shù)據(jù),進(jìn)行語義分析,發(fā)送訓(xùn)練控制指令,傳輸打球視頻數(shù)據(jù),并負(fù)責(zé)實(shí)現(xiàn)落點(diǎn)識別和打球評分結(jié)果的可視化。服務(wù)端負(fù)責(zé)接收語音指令并解析指令,接收客戶端傳輸過來的視頻流,并對訓(xùn)練視頻進(jìn)行乒乓球檢測與跟蹤,進(jìn)行落點(diǎn)識別和區(qū)域分析,最后將結(jié)果返回給客戶端。為了識別乒乓球的落點(diǎn),本文對傳統(tǒng)的Vibe目標(biāo)檢測算法進(jìn)行了改進(jìn),包括:增加算法的鄰域采樣范圍,降低誤檢;加入自適應(yīng)背景變化的閾值選擇,提高檢測穩(wěn)定性;檢測區(qū)域的連續(xù)區(qū)域?yàn)V波和像素閃爍點(diǎn)的檢測,去除噪點(diǎn)干擾。在... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

乒乓球回放系統(tǒng)

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第一章緒論6圖1.2YOLOv3檢測原理圖圖1.3SSD檢測原理圖上述用于視頻序列的單幀目標(biāo)檢測算法，將當(dāng)前圖像中所有目標(biāo)（包括靜止和運(yùn)動的）都檢測出來，無法突出運(yùn)動區(qū)域，忽略了相鄰幀之間的時間信息和上下文的相關(guān)性。TCNN（TubeletswithConvolutionalNeuralNetworks）[27]實(shí)現(xiàn)了將當(dāng)前幀圖像的位置和置信度信息傳遞給相鄰幀，因?yàn)槲矬w在連續(xù)相鄰幀之間的運(yùn)動具有相關(guān)性，因此該算法的檢測精度得到了提升。2016年Braham等人針對視頻序列，采取了提取背景的時域平均值來構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的方式，進(jìn)一步提升了檢測效果。2017年發(fā)表的DeepFeatureFlow[28]算法，利用flowestimetion、flowpropagation提取關(guān)鍵幀的CNN特征，然后將深度特征從關(guān)鍵幀傳遞到其他幀，在關(guān)鍵幀之間利用光流網(wǎng)絡(luò)傳遞數(shù)據(jù)，由于算法只處理關(guān)鍵幀，因此減少了計算量，提高了檢測效率。2019年，Lipeiliang等人提出了一種雙目的3D目標(biāo)檢測，將幾何約束的優(yōu)化方式融入到傳統(tǒng)的檢測任務(wù)，實(shí)現(xiàn)了對目標(biāo)三維位置的估計，將深度學(xué)習(xí)和SLAM（Simultaneouslocalizationandmapping）結(jié)合在一起。雖然基于深度學(xué)習(xí)的檢測方法準(zhǔn)確率高、實(shí)施方便，但是目前仍然主要針對單幅圖像，考慮到本文提出的系統(tǒng)主要針對視頻進(jìn)行處理，且目標(biāo)檢測物體

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第一章緒論6圖1.2YOLOv3檢測原理圖圖1.3SSD檢測原理圖上述用于視頻序列的單幀目標(biāo)檢測算法，將當(dāng)前圖像中所有目標(biāo)（包括靜止和運(yùn)動的）都檢測出來，無法突出運(yùn)動區(qū)域，忽略了相鄰幀之間的時間信息和上下文的相關(guān)性。TCNN（TubeletswithConvolutionalNeuralNetworks）[27]實(shí)現(xiàn)了將當(dāng)前幀圖像的位置和置信度信息傳遞給相鄰幀，因?yàn)槲矬w在連續(xù)相鄰幀之間的運(yùn)動具有相關(guān)性，因此該算法的檢測精度得到了提升。2016年Braham等人針對視頻序列，采取了提取背景的時域平均值來構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的方式，進(jìn)一步提升了檢測效果。2017年發(fā)表的DeepFeatureFlow[28]算法，利用flowestimetion、flowpropagation提取關(guān)鍵幀的CNN特征，然后將深度特征從關(guān)鍵幀傳遞到其他幀，在關(guān)鍵幀之間利用光流網(wǎng)絡(luò)傳遞數(shù)據(jù)，由于算法只處理關(guān)鍵幀，因此減少了計算量，提高了檢測效率。2019年，Lipeiliang等人提出了一種雙目的3D目標(biāo)檢測，將幾何約束的優(yōu)化方式融入到傳統(tǒng)的檢測任務(wù)，實(shí)現(xiàn)了對目標(biāo)三維位置的估計，將深度學(xué)習(xí)和SLAM（Simultaneouslocalizationandmapping）結(jié)合在一起。雖然基于深度學(xué)習(xí)的檢測方法準(zhǔn)確率高、實(shí)施方便，但是目前仍然主要針對單幅圖像，考慮到本文提出的系統(tǒng)主要針對視頻進(jìn)行處理，且目標(biāo)檢測物體

【參考文獻(xiàn)】：
期刊論文
[1]基于ViBe改進(jìn)的運(yùn)動目標(biāo)檢測算法[J]. 官洪運(yùn),汪晨,蘇振濤.  信息技術(shù)與網(wǎng)絡(luò)安全. 2019(06)
[2]增強(qiáng)現(xiàn)實(shí)（AR）技術(shù)應(yīng)用與發(fā)展趨勢[J]. 顧長海.  中國安防. 2018(08)
[3]基于Vibe和三幀差法的目標(biāo)檢測算法[J]. 白一帆,李海芳,扆夢楠.  湖南科技大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[4]基于C/S結(jié)構(gòu)的分布式HIS架構(gòu)的開發(fā)[J]. 馮海云,劉曉偉,李丹彤.  醫(yī)療衛(wèi)生裝備. 2017(05)
[5]Harris角點(diǎn)檢測的優(yōu)化算法[J]. 洪改艷,芮廷先,俞偉廣,何士產(chǎn),王天召.  計算機(jī)系統(tǒng)應(yīng)用. 2017(04)
[6]運(yùn)動目標(biāo)檢測算法研究綜述[J]. 程愛靈,黃昶,李小雨.  信息通信. 2017(01)
[7]基于幀間差分和金字塔光流法的運(yùn)動目標(biāo)檢測[J]. 郝慧琴,王耀力.  電視技術(shù). 2016(07)
[8]高水平乒乓球賽事引入“鷹眼”系統(tǒng)的可行性分析[J]. 張倩,唐東陽.  湖北體育科技. 2016(03)
[9]基于海康威視SDK的視頻監(jiān)控軟件的開發(fā)[J]. 陳俊良,葛俊鋒,葉林,桂康.  工業(yè)控制計算機(jī). 2015(07)
[10]鷹眼技術(shù)在網(wǎng)球比賽中應(yīng)用分析[J]. 劉華,趙娜,梁峰.  電子測試. 2013(18)

碩士論文
[1]角點(diǎn)檢測理論及算法研究[D]. 梁艷.華中科技大學(xué) 2010



本文編號：3480433