一种基于特征检测的机器人足球检测识别方法

针对足球机器人目标识别的实际特点,以智能足球机器人为研究对象,提出了一种基于足球颜色、面积匹配模板和边缘特征相结合的足球检测方法。此方法首先利用颜色特征信息对图像中颜色相似度进行计算来完成足球的颜色识别。然后,通过分析计算足球在全景摄像头中处于不同位置所成的图像像素尺寸与场地中所处位置距离之间关系,建立了足球识别的面积匹配模板,根据该模板可以计算出在图像中处于不同距离的足球轮廓面积。在此基础上,结合足球边缘特征进一步完成对足球的识别。实验表明该方法能够有效地提高足球识别的效率和准确性,并具有较好的实时性;同时对其他目标物的识别也具有一定的借鉴意义。

四元数和脉冲耦合神经网络应用于足球检测

提出一种基于四元数傅里叶变换注意力选择和脉冲耦合神经网络在图像中跟踪足球的方法.首先进行图像预处理以去除球场以外的区域,用四元数注意力选择算法提取感兴趣区域,基于颜色、形状、面积等多种特征检测足球.若检测失败,则采用卡尔曼滤波器预测足球位置.仿真结果表明,与基于速度控制的动态卡尔曼滤波和实时足球检测两种方法相比,检测成功率分别提高9.6%和14.9%.

基于四元数显著图和PCNN空洞滤波的足球检测

注意力选择和先验知识可有效的用于目标检测与跟踪。在基于注意力选择目标跟踪模型的基础上,引入了PCNN(Pulse Coupled Neural Network)空洞滤波及足球颜色的先验知识。一方面,针对有些情况下足球模糊不清,采用PCNN空洞滤波检测足球的连通性;另一方面,在注意力选择模型中引入了足球颜色的先验知识,进一步提高检测性能。首先提取球场区域,然后对由足球颜色先验知识、色差和亮度产生的四元数显著图进行PCNN空洞滤波,很多情况下可由此直接检测到足球。如果至此未检测到足球,继续利用四元数显著图生成感兴趣区域,并用足球的面积、圆形度和离心率等特征进一步检测目标,同时采用卡尔曼滤波器预测足球的位置作为补充检测。仿真结果显示,与Dynamic Kalman Filter with Velocity Control[4]和Real Time Ball Detection Framework[5]两种方法相比,检测成功率分别提高了11.5%和15.8%。

多维语义线索和HCRF模型的足球视频精彩事件检测

足球视频精彩事件检测一直是视频语义分析领域研究的热点和难点.文中利用隐条件随机场(hidden conditional random field,HCRF)模型在表达和识别语义事件方面的强大功能,提出一种多维语义线索和HCRF的角球、点球和红黄牌精彩事件检测框架.首先通过对精彩事件视频结构语义进行分析,定义了10种多维语义线索,以准确描述精彩事件富含的语义信息;然后对视频片段进行物理镜头分割,对镜头关键帧提取多维语义线索得到特征矢量,再将测试视频片段中所有镜头的特征矢量共同构成观察序列;最后在小规模训练样本的情况下将观察序列作为HCRF模型的输入,建立了精彩事件检测的HCRF模型.文中基于音视频底层特征、多维语义线索及精彩语义事件之间的映射关系,从视频结构语义的多个维度挖掘了精彩事件的内在规律,准确地实现了精彩事件的检测.实验结果表明了该框架的有效性.

足球视频中关键场景检测

本文提出了一种利用图像处理技术,如数学形态学图像处理技术、图像边缘检测技术等来进行足球视频中关键场景的检测方法。根据足球视频的特点,我们的算法中假设当镜头中的足球运动员比较多的时候该镜头属于用户比较感兴趣的场景,另外还有一种情况是在足球场球门和禁区附近的镜头也应该是比较关键的场景。利用图像处理技术将这些镜头提取出来,这样用户就可以在很短的时间内看完足球视频中他们所希望看到的精彩画面。

基于YOLOv4的足球识别及嵌入式实现方法

文章设计了一个基于嵌入式的智能足球检测系统,将人工智能技术和嵌入式平台技术相结合。采用基于YOLOv4深度学习数据检测分析算法,通过网络爬虫以及手动方式来对数据进行标注,在Darknet框架下进行网络模型训练。之后配置树莓派相关环境并把模型检测算法移植到树莓派平台上测试,来检测足球目标。试验验证分析表明,其最高检测准确率在98%,平均检测率在96%,平均检测时间为42 ms,其目标检测算法模型的mAP(平均精度值)为96􀆰78%。该数据结果表明了YOLOv4目标检测算法模型部署在嵌入式平台的可行性。