广播比赛视频中追踪个体运动员的混合方法
我们提出了一个用于解析羽毛球比赛直播录像中球员移动的端到端框架,通过使用可视化输入和仅使用视觉线索来计算球员在球场上所走的距离,通过移除重播和冗余部分,我们聚焦于比赛过程,并对每一帧进行球员追踪,最后计算每位球员的移动距离和平均速度,同时为球场上球员的区域绘制热力图,以分析比赛过程。
Aug, 2023
该论文提出了一种自动系统来跟踪和识别广播 NHL 冰球录像中的球员,它包括三个组成部分:球员跟踪、队伍识别和球员识别。通过使用现有的追踪算法来跟踪球员,将远离队的队服分组为单一类别,主队的队服按照颜色分组,训练了一个卷积神经网络来识别团队。还引入了一种新颖的球员识别模型,利用一维卷积神经网络来识别球员的边界框序列,进一步利用 NHL 比赛花名册数据来获得 83%的球员识别准确率。
Oct, 2021
我们通过经济实用的单个固定顶视摄像机,在连续追踪拳击手的过程中,利用改进的算法进行过渡检测和持续的运动员识别,从而在精确分割录制视频流中的拳击回合边界以及不同时间段或同一回合内重新识别同一拳击手的困难中取得了进展,并且在我们自定义采集的约 11 小时数据中,过渡检测算法精度达到 90%,持续追踪的识别错误次数为 0。
Aug, 2023
本研究提出了一种将多目标跟踪问题转化为双边图匹配的新方法,通过将球员的足部关节点映射到顶视冰场模板,并将这些投影位置编码到图网络中,实现对遮挡和重叠球员的可靠空间上下文,从而提高了广播冰球数据集中的 IDsw 和 IDF1 指标。
May, 2024
本研究旨在解决在个人运动员记录中检测运动事件的问题,通过使用 2D 人体姿势序列作为中间表示,并结合领域自适应的运动员追踪,提出了两种事件检测方法,在游泳和田径领域进行了评估,从而实现了灵活的基于姿势的运动事件检测。
Apr, 2020
在本篇论文中,我们提出了一个可用于多物体跟踪的新型数据集,其包含 200 个 30 秒的序列和一个完整的 45 分钟半场,用于跟踪足球视频中的球员、裁判和球,该数据集带有边界框和跟踪 ID 的完整注释,并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试,结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。
Apr, 2022
提出了一种简单的方法来进行羽毛球场上的多目标追踪,利用两台即插即用摄像机,一台位于场地顶部,一台位于场地侧面。利用顶部摄像机追踪选手的轨迹,而侧面摄像机分析选手的像素特征。通过计算相邻帧之间的相关性并利用两台摄像机的信息,可以实现羽毛球选手的多目标追踪,解决了场上选手遮挡和重叠的挑战,提供了选手轨迹跟踪和多角度分析。该系统揭示了羽毛球选手的位置和动作,可作为教练或自我训练工具,帮助羽毛球选手提高比赛策略。
Aug, 2023
本文提出了一种简单而高效的方法来同时检测和匹配运动员及其相关物体,无需增加额外的成本,通过对广播冰球视频数据集的评估,在冰球数据集上,所提出的方法将比赛成绩从 57.1% 提高至 81.4%,同时还将球员 + 球棍检测的 meanAP 从 68.4% 提高至 88.3%。
Apr, 2021