一种自动判断运动员跳远过程的方法与流程

本发明涉及图像处理，尤其涉及自动判断运动员跳远过程的方法、计算机存储介质和设备。

背景技术：

1、对于体育运动和竞技项目的智能化检测日趋成熟，目前对于跳远、跳高等项目常见的有视觉监测技术，通过摄像头获取运动数据，通过人体姿态检测输出运动员状态。

2、例如有技术是通过时序动作定位模型推理预测出起跳帧和落地帧，腾空状态位于起跳和落地之间重心最高时刻，根据在起跳、腾空、落地各状态的人体骨骼关键点信息，判断动作是否标准，对于起跳阶段，通过分析起跳角度是否满足标准的指标来判定动作是否标准；对于腾空阶段，通过判断腾空高度和折叠角度是否满足要求来判定动作标准程度；对于落地阶段，通过分析落地角度和重心力线判断动作是否标准。但是以上技术经常忽略运动员从入场到出场整个过程中的跟踪状态，会出现运动员捕捉失败等现象。进一步对于复杂环境的运动员全过程识别更具有难度，需要保证运动场地的人员只有运动员的情况，在具有围观人员干扰的情况下，极易出现判断错误问题。

技术实现思路

1、本发明针对现有技术中的缺点，提供了一种自动判断运动员跳远过程的方法。

2、本发明通过下述技术方案得以解决：一种自动判断运动员跳远过程的方法，其特征在于，包括以下步骤：

3、标注准备区：获取采集的包含准备区和运动区的图像，标注图像中准备区的四个角点坐标，根据角点坐标计算准备区的边线；

4、获取实时拍摄的跳远项目准备区和运动区的视频帧，根据人体3d模型生成算法识别并输出每一帧中处于准备区和运动区的所有人的人体3d模型；

5、训练动作分类模型，动作分类包括起跳瞬间、跳跃最高点和落地瞬间；

6、检测到举手的运动员后，识别并记录在准备区的人员，提取视频帧所有位于准备区的人员的人体3d模型，搜索所有位于准备区的人员中的举手的运动员作为跟踪对象，记录跟踪丢失和跟踪成功的视频帧；若跟踪丢失的视频帧数量超过第一阈值，判定为跟踪失败，清空对应跟踪对象的运动状态，开始下一位运动员举手检测和跟踪流程；

7、若跟踪成功，则根据准备区的位置和人体3d模型数据，结合分类模型判断跟踪的运动员起跳、跳跃最高点和落地的过程。

8、具体而言，根据角点坐标计算准备区的边线的方法，包括：标注准备区的四个角点，根据四个角点，计算准备区的上边线、右边线、下边线和左边线。

9、优选的，识别并记录在准备区的人员的方法，包括：针对检测到举手的运动员之后的每一帧图像中检测到的所有人体3d模型，提取每个人体3d模型对应的脚部区域，

10、将脚部区域所有点的横坐标带入上边线和下边线，计算基于上边线的纵坐标和基于下边线的纵坐标；

11、将脚部区域所有点的纵坐标带入左边线和右边线，计算基于左边线的横坐标和基于右边线的横坐标；

12、若脚部区域所有点的横坐标在基于左边线的横坐标和基于右边线的横坐标之间，且脚部区域所有点的纵坐标在基于上边线的纵坐标和基于下边线的纵坐标之间，则判断对应人体3d模型对应的人员位于准备区，记录对应人体3d模型，否则，抛弃对应人体3d模型。

13、具体而言，提取视频帧所有位于准备区的人员的人体3d模型，搜索所有位于准备区的人员中的举手的运动员作为跟踪对象的方法，包括：

14、取每组人体3d模型中的所有点，计算所有点与保存的举手的运动员的人体3d模型的所有对应点的欧氏距离，计算所有对应点的欧氏距离的平均值；

15、平均值最小的人体3d模型对应的人体作为候选跟踪对象；

16、如果最小的平均值小于等于第二阈值，则认定候选跟踪对象为跟踪对象，对应视频帧记录为跟踪成功；

17、如果最小的平均值大于第二阈值，则认定对应视频帧为跟踪丢失，记录为跟踪失败。

18、具体而言，记录视频帧跟踪丢失和跟踪成功的数据；若跟踪丢失的视频帧数量超过第一阈值，判定为跟踪失败的方法，包括：

19、将跟踪丢失和跟踪成功的视频帧存储于第一列表，存储内容还包括视频帧时间；

20、在处理当前视频帧时，根据第一列表数据计算在过去预设时间内跟踪丢失的占比，若跟踪失败的视频帧的占比数量超过第一阈值，判定为跟踪失败。

21、优选的，判断跟踪的运动员起跳的方法，包括：

22、若准备区在视频帧图像的左侧，则将运动员膝盖以上区域的所有点的纵坐标带入准备区右直线，获取所有点基于右直线的第一横坐标，若运动员膝盖以上区域的所有点中的横坐标大于第一横坐标的数量占比大于第三阈值，判定运动员已经起跳；

23、若准备区在视频帧图像的右侧，则将运动员膝盖以上区域的所有点的纵坐标带入准备区左直线，获取所有点基于左直线的第二横坐标，若运动员膝盖以上区域的所有点中的横坐标小于第二横坐标的数量占比大于第三阈值，判定运动员已经起跳；

24、其中，第三阈值大于等于二分之一。

25、优选的，判断跟踪的运动员跳跃最高点的方法，包括：

26、将判断运动员起跳后的每一帧视频帧图像输入3d模型生成算法生成对应的人体3d模型，将生成的人体3d模型输入训练好的分类模型；

27、若分类模型判断当前视频帧中运动员尚未处于最高点，则结束当前帧的处理，继续下一视频帧的处理；

28、若分类模型判断当前视频帧中运动员已经处于最高点，则进入后续其他运动状态的判断流程。

29、优选的，判断跟踪的运动员落地的方法，包括：

30、判断运动员经过最高点后，获取当前帧中运动员脚部区域的所有点的纵坐标，获取到前一帧中脚部区域的所有点的纵坐标，计算两帧中所有对应点的欧氏距离和距离平均值；

31、若距离平均值小于第四阈值，且大于第四阈值的二分之一，则判断当前帧中的运动员已经处于落地状态，若否，则判断运动员为下降状态。

32、将判断已经处于落地状态的视频帧和运动员状态记录于第二列表，若连续若干视频帧中，判断为落地状态的视频帧比例超过预设比例，则判定为运动员为落地状态，否则，判断运动员未处于落地状态。

33、优选的，判断跟踪的运动员落地的方法，还包括：将第二列表中的视频帧输入人体3d模型生成算法生成对应的人体3d模型，将人体3d模型输入分类模型，若分类模型判断为落地瞬间的状态，则认为基于对应视频帧开始及之后的视频帧中运动员为落地状态，否则，认为对应视频帧未处于落地状态。

34、优选的，判断跟踪的运动员起跳的方法，还包括：

35、将已经识别为运动员起跳的视频帧，输入人体3d模型生成算法生成对应的人体3d模型，将生成的人体3d模型输入训练好的分类模型，如果分类模型判断当前视频帧为起跳瞬间，那么即认为当前视频帧开始运动员确实已经起跳。否则认为当前视频帧运动员尚未起跳。

36、本发明的有益效果：

37、相比于传统的基于人体关键点检测算法实现的跳远自动识别算法会更加准确稳定，因为人体3d模型相比于几个人体关键点可以更加准确的拟合整个人体，人体关键点算法则有可能由于遮挡等原因，导致关键点缺失，导致算法不准确和不稳定，而人体3d模型则受到这些因素的影响较小。

38、另外本算法还基于3d人体模型训练了一个分类算法，进一步通过分类算法来判断跳远的整个过程的不同阶段，通过基于3d人体模型的规则算法和分类算法的结合进一步提升算法的稳定性和准确性。