В данной статье предлагается новый метод отслеживания мяча для настольного тенниса в режиме реального времени с помощью низкоскоростной камеры, а не высокоскоростной.
Несколько сложных проблем решаются для практического применения, таких как:
- помехи окружающей среды,
- размазывание низкоскоростных видеоизображений
- и медленная скорость обработки.
В связи с этими трудностями система VOCUS используется для сегментирования изображений и маркировки трех важных регионов на основе трех контрастных цветовых каналов.
Эти регионы используются для сопоставления изображений с помощью алгоритма LGP+adaboost.
Являясь мощным классификатором, основанным на машинном обучении, алгоритм Adaboost может распознавать особенности мазка шариков различной формы.
Таким образом, в качестве мишени рассматривается регион, который больше всего похож на регион клеветнических баллов из трех значимых регионов. После этого, благодаря алгоритму перемещения области ROI, время идентификации значительно сокращается при видеонаблюдении в реальном времени.
Наконец, возможность реализации алгоритма рассматривается в экспериментах.
С развитием искусственного интеллекта все больше и больше интеллектуальных технологий используются в спортивной индустрии, таких как носимые датчики, захват видео в реальном времени, технические и тактические системы анализа и так далее.
Среди них, технология захвата видео в прямом эфире широко используется в таких играх с мячом, как:
- система "Ястребиный Глаз" в теннисе,
- "технология линии ворот" в футболе
- и "система слежения за всеми игроками" в баскетболе.
Однако в настольном теннисе отсутствует интеллектуальная система видеозахвата в реальном времени из-за значительных трудностей с отслеживанием и проблем, вызванных малым размером, малым весом, быстрой скоростью и сильным вращением мяча для пинг-понга.
Для решения этих проблем было проведено большое количество исследований.
Чжан предложил метод цветовой сегментации для специального отслеживания мяча для настольного тенниса желтого цвета (Zhang, Wei, Yu, & Zhong, 2011).
Стэйффер представил контурный алгоритм отслеживания, основанный на расчете векторного поля потока смещения и использовании итерационных операций для определения области движения на сцене (Horn & Schunck, 1993; Ince & Konrad, 2008; Stauffer & Grimson, 1999).
Ламперт использовал цветовую разницу между настольным теннисом и фоном для разделения изображений и отметил область с высокой схожестью желаемого цвета в качестве целевой области (Lampert & Peters, 2012).
Чжан использовал метод покадровой разницы для получения движущихся объектов и распознавания основы шарика для пинг-понга по его символам (Zhang, 2010; Zhang & Xu, 2009; Zhang & Xu, Xu, & Tan, 2010), а Цзи расширил этот метод, включив в него соответствующие изображения и видео (Ji, 2016).
Тем не менее, все вышеперечисленные методы отслеживания требуют достаточно света, простого фона или высокой скорости камеры, которые трудно реализовать в практическом применении.
Особенно в системе слежения в реальном времени, основной проблемой является низкая эффективность передачи и идентификации, вызванная большим количеством данных с высокоскоростной камеры. Использование низкоскоростной камеры вместо нее может значительно повысить эффективность, однако из-за низкой выдержки затвора могут появиться искажения изображения и пикселей, что приводит к деформации графики и затруднения идентификации.
С точки зрения этих трудностей, предлагается новый метод отслеживания мяча для настольного тенниса в режиме реального времени с низкоскоростной камерой, основанной на машинном обучении.
Шарик для пинг-понга быстро распознается по сложным изображениям по комбинации сегментации изображений и совмещения, после чего для повышения эффективности отслеживания в режиме реального времени в видео используется ROI (регион интереса).
Главный вклад нового метода заключается в следующем:
- Впервые в процессе идентификации в настольном теннисе применяется метод сегментации изображения, основанный на модели глазного яблока, который преодолевает пиксельные искажения и повышает эффективность и точность идентификации.
- При идентификации мяча для настольного тенниса используется изображение, основанное на машинном обучении. С помощью этого метода можно распознать размазанные шарики разной формы при различных условиях съемки и повысить точность распознавания в различных сценах за счет увеличения набора данных тренировки.
- Предложен алгоритм расчета центра реального мяча на основе мазка мяча и направления его движения.
- Для сокращения времени вычислений при видеонаблюдении в реальном времени предлагается метод отслеживания, основанный на прогнозе ROI.
Спасибо за ваше внимание и чтение статей. Всем эффективных тренировок!