目的是探索基于边缘计算和深度学习(DL)的足球比赛视频中的球员检测和运动跟踪,从而提高不同场景下球员轨迹的检测效果。首先,基于面向梯度直方图(Histograms of Oriented Gradients)特征分析了球员目标跟踪与检测任务的基本技术;然后,...目的是探索基于边缘计算和深度学习(DL)的足球比赛视频中的球员检测和运动跟踪,从而提高不同场景下球员轨迹的检测效果。首先,基于面向梯度直方图(Histograms of Oriented Gradients)特征分析了球员目标跟踪与检测任务的基本技术;然后,将DL中的神经网络结构与目标跟踪方法相结合,改进了Faster R-CNN(FRCN)算法在检测小目标时的漏检问题。边缘计算将大量计算节点放置在靠近终端设备的位置,以满足DL对边缘设备的高计算和低延迟的要求。在分析了足球视频中的遮挡问题后,将优化算法应用于公共数据集OTB2013和包含80个运动轨迹的足球游戏数据集。经过测试,改进后的FRCN目标跟踪精度为89.1%,目标跟踪成功率为64.5%,运行帧率仍在25 fps左右。FRCN算法的高置信度也避免了模板污染。在普通场景中,FRCN算法基本不会丢失目标。在目标被遮挡的场景中,提出的FRCN算法的曲线下值面积略有减小。基于DL技术的FRCN算法可以实现足球比赛视频中球员的目标跟踪,对球员遮挡的情况具有较强的鲁棒性。将设计的目标检测算法应用到足球比赛视频中,可以更好地分析球员的技术特点,促进足球技术的发展,给观众带来不同的观看体验,带动足球比赛衍生的经济产品的发展,促进足球运动的传播推广。展开更多
