基于非线性运动和空间一致的多摄像机运动员跟踪

运动员跟踪是体育视频理解领域中构建复杂运动分析系统的关键技术。针对体育视频跟踪研究中存在的目标遮挡频繁、运动速度突变问题,提出了一种基于非线性运动模型和空间一致性的多摄像机多运动员跟踪方法。在局部轨迹关联部分通过无迹卡尔曼滤波对运动员的非线性运动模型进行估计,并利用跟踪丢失到恢复匹配之间的检测结果建立虚拟轨迹作为辅助观测值,能够平衡跟踪精确度和鲁棒性。在跨摄像机轨迹关联部分,利用多个摄像机的局部轨迹在全局平面图中的投影轨迹的空间一致性得到全局轨迹。还利用开源的谷歌足球增强学习环境制作合成的足球运动员跟踪数据集。实验证明本文提出的方法能够有效提升运动员在遮挡情况下的跟踪效果,多目标跟踪精度达到了71.5%,同时消融分析证明了合成数据在此研究领域的有效性。

排球视频中结合似然度与粒子滤波的运动员跟踪方法

为了解决排球视频中运动员重叠事件影响目标跟踪精度的问题,提出一种基于改进型粒子滤波的跟踪方法.首先,为每个跟踪目标标记一个不同颜色的标签,以此来检测重叠事件的发生,同时利用粒子滤波来跟踪目标.然后,当重叠事件发生时,根据目标的颜色似然度和距离似然度计算综合似然度,以此来避免粒子聚集到一个目标上.最后,根据位置预测模型来预测目标位置,实现目标的实时跟踪.实验结果表明,提出的方法能够对重叠事件具有鲁棒性,跟踪准确率达到了80%.

基于SSD的核粒子滤波器下的球类运动员跟踪

提出了跟踪连续视频序列中多个运动员的新方法,该方法结合像素差的平方和与核粒子滤波器两种跟踪算法,使用SSD算法计算出的目标位移量初始化前一时刻样本集中重采样后得到的粒子,这种初始化能很好地解决粒子跟踪系统中目标发生很大加速度所产生的性能瓶颈问题.

体育视频中的运动员检测与跟踪

利用自适应高斯混合模型对视频图像进行建模,从图像序列中获取背景图像并提取运动区域,利用像素的颜色信息从背景图像中提取绿色球场。为提高运动员检测的准确度,利用纹理相似性度量方法消除运动区域中的阴影,用形态学方法消除区域内的裂缝,根据球场信息去除球场外的噪声。改进了CamShift算法,并应用该算法对运动员进行跟踪。

体育场景中的视觉目标跟踪研究进展

目标跟踪是计算机视觉中构建复杂运动分析系统的关键任务之一。体育运动比赛因其趣味性深受广大观众喜爱,对体育视频中的运动目标进行跟踪在赛后复盘、技术提升、教育教学以及媒体传播上都有着广阔的应用前景。近年基于深度学习的体育视频跟踪技术取得了显著进展。本文首先介绍了体育视频中目标跟踪研究背景,给出了基于深度学习的体育目标跟踪的定义与分类。其次分别从球类目标跟踪、单摄像机运动员跟踪以及多摄像机多运动员跟踪三个方面总结了体育视频中目标跟踪的研究现状,提炼出统一的算法流程并对其进行技术分析和总结。最后讨论了体育视频中视觉目标跟踪存在的挑战和未来发展方向。

基于自适应观测粒子滤波的运动跟踪算法

针对标准粒子滤波算法在运动跟踪的应用中还存在跟踪精度不高的问题,本文提出了一种基于噪声优化自适应观测粒子滤波算法的运动跟踪模型,首先构建基于目标跟踪的观测模型,利用当前时刻得到的观测量对粒子滤波算法进行修正,然后采用一个加权函数对目标进行采样来建立直方图,达到自适应加权的目的,最后采用不同方差的高斯噪声加权和来建模,对自适应观测粒子滤波进行去噪优化。仿真试验结果表明,本文提出的基于噪声优化自适应观测粒子滤波算法的运动跟踪模型相比较标准粒子滤波算法而言,具有较高的运动目标跟踪精度且在运动跟踪的应用中效果良好。

见微知著的“3D跟踪术”

如今在田径赛场上,裁判们已经有了全新的助手——3D运动员跟踪技术。这项技术结合了计算机视觉技术与人工智能深度学习算法,通过多个标准摄像机来捕捉和记录信息,实时分析和精准提取运动员在比赛时的数据和姿态,比如身体关节的位置等。即便只有几秒钟的时间,它也能清晰、详细地提供运动员速度、身体角度、加速度、步长等数据,实现对运动员3D形态的数据提取。