-
公开(公告)号：CN110348364A
公开(公告)日：2019-10-18
申请号：CN201910604999.3
申请日：2019-07-05
Applicant: 北京工业大学
Abstract: 一种无监督聚类与时空域深度网络相结合的篮球视频群体行为识别方法属于篮球视频中的语义事件自动识别领域。该方案首先利用光流估计方法，从连续视频帧中获得运动场属性。然后提取运动特征直方图(MCH)作为运动场表征的描述符。随后，提出了一种基于聚类的运动场标签生成方法。将聚类后生成的标签代替原本定义的组活动标签作为运动场的监督信号来训练CNN模型，可以更有效地表示运动场的特征。最后，将CNN模型的输出特征输入到LSTM结构中进行语义事件识别。此发明对篮球视频数据智能化管理、篮球技战术分析和自动转播等应用奠定了基础。
-
公开(公告)号：CN109903312B
公开(公告)日：2021-04-30
申请号：CN201910071272.3
申请日：2019-01-25
Applicant: 北京工业大学
Abstract: 一种基于视频多目标跟踪的足球球员跑动距离统计方法属于体育数据统计领域。场上运动员的跑动距离是一项重要的统计数据。随着计算机视觉技术的发展，本文提出了一种基于足球比赛视频的球员跑动距离统计方案。首先，本方法通过分析足球比赛视频可以获得视频中的多目标跟踪数据。然后汇总各个跟踪轨迹，经过轨迹平滑以及顶视图映射操作，最后计算得到球员的跑动轨迹、跑动距离，输出可视化结果。该方法是实现统计球员跑动轨迹、跑动距离的一套完整解决方案，旨在减少人工标注的成本，并通过测试验证了方法可行性，具有重要应用价值。
-
公开(公告)号：CN110210383B
公开(公告)日：2021-08-17
申请号：CN201910466869.8
申请日：2019-05-31
Applicant: 北京工业大学
Abstract: 一种融合运动模式和关键视觉信息的篮球视频语义事件识别方法属于视频语义事件识别领域。为实现篮球视频中的语义事件自动识别，首先基于相机镜头变化的固有属性，将混叠运动分解为全局运动和局部运动。然后基于这两种模态的数据，应用双流3D卷积神经网络网络，实现篮球视频中的群体活动的识别。随后，应用卷积神经网络对篮框区域的表观特征变化进行表达，实现事件成功失败的判别。最后，融合这两部分的预测结果，实现篮球视频中的语义事件识别。此发明对篮球视频数据智能化管理、篮球技战术分析和自动转播等应用奠定了基础。
-
公开(公告)号：CN109903312A
公开(公告)日：2019-06-18
申请号：CN201910071272.3
申请日：2019-01-25
Applicant: 北京工业大学
Abstract: 一种基于视频多目标跟踪的足球球员跑动距离统计方法属于体育数据统计领域。场上运动员的跑动距离是一项重要的统计数据。随着计算机视觉技术的发展，本文提出了一种基于足球比赛视频的球员跑动距离统计方案。首先，本方法通过分析足球比赛视频可以获得视频中的多目标跟踪数据。然后汇总各个跟踪轨迹，经过轨迹平滑以及顶视图映射操作，最后计算得到球员的跑动轨迹、跑动距离，输出可视化结果。该方法是实现统计球员跑动轨迹、跑动距离的一套完整解决方案，旨在减少人工标注的成本，并通过测试验证了方法可行性，具有重要应用价值。
-
Patent Agency Ranking
公开(公告)号：CN110348364B
公开(公告)日：2021-07-02
申请号：CN201910604999.3
申请日：2019-07-05
Applicant: 北京工业大学
Abstract: 一种无监督聚类与时空域深度网络相结合的篮球视频群体行为识别方法属于篮球视频中的语义事件自动识别领域。该方案首先利用光流估计方法，从连续视频帧中获得运动场属性。然后提取运动特征直方图(MCH)作为运动场表征的描述符。随后，提出了一种基于聚类的运动场标签生成方法。将聚类后生成的标签代替原本定义的组活动标签作为运动场的监督信号来训练CNN模型，可以更有效地表示运动场的特征。最后，将CNN模型的输出特征输入到LSTM结构中进行语义事件识别。此发明对篮球视频数据智能化管理、篮球技战术分析和自动转播等应用奠定了基础。
-
公开(公告)号：CN110765921A
公开(公告)日：2020-02-07
申请号：CN201910994258.0
申请日：2019-10-18
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于弱监督学习和视频时空特征的视频物体定位方法。该方法仅以视频段和视频段描述作为输入来定位描述中物体在视频中的位置，解决了现有方法需要大量边框标注的问题。同时本方法引入了候选框的时空关联并设计了一种多特征关系度量网络，解决了度量学习中多模态关系表达问题。该方法先对视频段分帧，用训练好的目标检测网络对每一帧提候选框，再对视频段描述进行实体解析，然后提取候选框和定位物体的特征，并用时空关联捕获模块得到候选框关联，最后将这些特征输入多特征关系度量网络得到候选框与物体的匹配度。该方法旨在减少人工标注成本，提高定位精度，并通过测试验证了方法的可行性，具有重要应用价值。
-
公开(公告)号：CN110765921B
公开(公告)日：2022-04-19
申请号：CN201910994258.0
申请日：2019-10-18
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于弱监督学习和视频时空特征的视频物体定位方法。该方法仅以视频段和视频段描述作为输入来定位描述中物体在视频中的位置，解决了现有方法需要大量边框标注的问题。同时本方法引入了候选框的时空关联并设计了一种多特征关系度量网络，解决了度量学习中多模态关系表达问题。该方法先对视频段分帧，用训练好的目标检测网络对每一帧提候选框，再对视频段描述进行实体解析，然后提取候选框和定位物体的特征，并用时空关联捕获模块得到候选框关联，最后将这些特征输入多特征关系度量网络得到候选框与物体的匹配度。该方法旨在减少人工标注成本，提高定位精度，并通过测试验证了方法的可行性，具有重要应用价值。
-
公开(公告)号：CN113032631A
公开(公告)日：2021-06-25
申请号：CN202110204179.2
申请日：2021-02-24
Applicant: 北京工业大学
IPC: G06F16/783 , G06K9/00
Abstract: 一种基于全局运动统计特征的团队体育视频关键帧提取方法属于视频分析领域。首先对视频进行预处理，以镜头为单位切分视频并提取比赛镜头将其结构化；然后估计视频帧对应的全局运动，并计算视频帧对应的全局运动统计特征；进一步基于镜头的水平平移量，将镜头视频片段进一步切分为细粒度视频片段；再根据全局运动统计特征来提取候选关键帧，最后结合时空一致性与层次聚类从候选关键帧集合中提取代表性关键帧以去除冗余帧来得到最终的关键帧集合。本发明充分利用了团队体育视频的全局运动信息，提高了关键帧提取性能，减少了冗余光流信息的干扰，有利于提升所提取出的关键帧与比赛中关键事件的相关性。
-
公开(公告)号：CN110210383A
公开(公告)日：2019-09-06
申请号：CN201910466869.8
申请日：2019-05-31
Applicant: 北京工业大学
Abstract: 一种融合运动模式和关键视觉信息的篮球视频语义事件识别方法属于视频语义事件识别领域。为实现篮球视频中的语义事件自动识别，首先基于相机镜头变化的固有属性，将混叠运动分解为全局运动和局部运动。然后基于这两种模态的数据，应用双流3D卷积神经网络网络，实现篮球视频中的群体活动的识别。随后，应用卷积神经网络对篮框区域的表观特征变化进行表达，实现事件成功失败的判别。最后，融合这两部分的预测结果，实现篮球视频中的语义事件识别。此发明对篮球视频数据智能化管理、篮球技战术分析和自动转播等应用奠定了基础。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
