科技改變生活,隨著圖像處理技術在體育比賽中的應用日益廣泛,在球類比賽中,針對快速運動球體進行識別與定位的落點識別系統(tǒng),在比賽和日常訓練中扮演重要角色,成為當前人工智能在文體娛樂領域的研究熱點之一。本文設計的基于目標檢測和跟蹤的乒乓球落點識別及評分系統(tǒng),重點研究將目標檢測和跟蹤技術應用于智能化乒乓球訓練場景中,通過采集運動員的打球視頻,對乒乓球的落點進行準確識別并進行落點區(qū)域分析,記錄運動員的訓練效果。本文設計的基于目標檢測和跟蹤的乒乓球落點識別及評分系統(tǒng)采用客戶端/服務端（C/S）的分布式設計模式,其中,客戶端負責人機交互,包括采集用戶的語音數(shù)據(jù),進行語義分析,發(fā)送訓練控制指令,傳輸打球視頻數(shù)據(jù),并負責實現(xiàn)落點識別和打球評分結果的可視化。服務端負責接收語音指令并解析指令,接收客戶端傳輸過來的視頻流,并對訓練視頻進行乒乓球檢測與跟蹤,進行落點識別和區(qū)域分析,最后將結果返回給客戶端。為了識別乒乓球的落點,本文對傳統(tǒng)的Vibe目標檢測算法進行了改進,包括:增加算法的鄰域采樣范圍,降低誤檢;加入自適應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)域濾波和像素閃爍點的檢測,去除噪點干擾。在... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

乒乓球回放系統(tǒng)

南京郵電大學專業(yè)學位碩士研究生學位論文第一章緒論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檢測算法，將當前圖像中所有目標（包括靜止和運動的）都檢測出來，無法突出運動區(qū)域，忽略了相鄰幀之間的時間信息和上下文的相關性。TCNN（TubeletswithConvolutionalNeuralNetworks）[27]實現(xiàn)了將當前幀圖像的位置和置信度信息傳遞給相鄰幀，因為物體在連續(xù)相鄰幀之間的運動具有相關性，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建卷積神經(jīng)網(wǎng)絡的方式，進一步提升了檢測效果。2017年發(fā)表的DeepFeatureFlow[28]算法，利用flowestimetion、flowpropagation提取關鍵幀的CNN特征，然后將深度特征從關鍵幀傳遞到其他幀，在關鍵幀之間利用光流網(wǎng)絡傳遞數(shù)據(jù)，由于算法只處理關鍵幀，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目標檢測，將幾何約束的優(yōu)化方式融入到傳統(tǒng)的檢測任務，實現(xiàn)了對目標三維位置的估計，將深度學習和SLAM（Simultaneouslocalizationandmapping）結合在一起。雖然基于深度學習的檢測方法準確率高、實施方便，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)主要針對視頻進行處理，且目標檢測物體

南京郵電大學專業(yè)學位碩士研究生學位論文第一章緒論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檢測算法，將當前圖像中所有目標（包括靜止和運動的）都檢測出來，無法突出運動區(qū)域，忽略了相鄰幀之間的時間信息和上下文的相關性。TCNN（TubeletswithConvolutionalNeuralNetworks）[27]實現(xiàn)了將當前幀圖像的位置和置信度信息傳遞給相鄰幀，因為物體在連續(xù)相鄰幀之間的運動具有相關性，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建卷積神經(jīng)網(wǎng)絡的方式，進一步提升了檢測效果。2017年發(fā)表的DeepFeatureFlow[28]算法，利用flowestimetion、flowpropagation提取關鍵幀的CNN特征，然后將深度特征從關鍵幀傳遞到其他幀，在關鍵幀之間利用光流網(wǎng)絡傳遞數(shù)據(jù)，由于算法只處理關鍵幀，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目標檢測，將幾何約束的優(yōu)化方式融入到傳統(tǒng)的檢測任務，實現(xiàn)了對目標三維位置的估計，將深度學習和SLAM（Simultaneouslocalizationandmapping）結合在一起。雖然基于深度學習的檢測方法準確率高、實施方便，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)主要針對視頻進行處理，且目標檢測物體

【參考文獻】：
期刊論文
[1]基于ViBe改進的運動目標檢測算法[J]. 官洪運,汪晨,蘇振濤.  信息技術與網(wǎng)絡安全. 2019(06)
[2]增強現(xiàn)實（AR）技術應用與發(fā)展趨勢[J]. 顧長海.  中國安防. 2018(08)
[3]基于Vibe和三幀差法的目標檢測算法[J]. 白一帆,李海芳,扆夢楠.  湖南科技大學學報(自然科學版). 2018(02)
[4]基于C/S結構的分布式HIS架構的開發(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.  計算機系統(tǒng)應用. 2017(04)
[6]運動目標檢測算法研究綜述[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動目標檢測[J]. 郝慧琴,王耀力.  電視技術. 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. 2015(07)
[10]鷹眼技術在網(wǎng)球比賽中應用分析[J]. 劉華,趙娜,梁峰.  電子測試. 2013(18)

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



本文編號：3480433