亚欧自拍,日本成人三级片在线观看,亚洲精品777,逼特逼视频免费观看,在线观看日韩黄色电影,国产三级日本三级,天天肏天天干天天透,,av秋霞

背景概述

筆者最近接觸到了一個很有趣的問題，有關(guān)于排球位置追蹤。如果有看過排球比賽的話，大家想必都知道，排球的實時運(yùn)動軌跡對排球的落點有很大的幫助。而如果可以預(yù)知排球的落點，就可以很好的在比賽中防住對手，把握取勝先機(jī)。因而產(chǎn)生了一個很有趣的問題：是否有可能預(yù)測比賽中的排球運(yùn)動軌跡？這其實是一個典型的物體追蹤問題，也是一個在筆者看來很有趣的題目。

然而解決這類問題并不容易。

首先，基于排球的視頻數(shù)據(jù)集數(shù)量稀少，有了真值標(biāo)注的數(shù)據(jù)集更是少之又少，如何搜索合適的數(shù)據(jù)是一個不好處理的問題。
其次，排球本身形狀較小，直接進(jìn)行小物體檢測，可能易于其他目標(biāo)混淆，所以用檢測實現(xiàn)追蹤不是非常理想。
再考慮到實時性的需求，直接調(diào)用追蹤框架，可能參數(shù)過多，實時測試性能表現(xiàn)不佳。

數(shù)據(jù)集選擇與初始解決方案

考慮到以上種種挑戰(zhàn)，開始階段對于方案的選擇并不容易，尤其是標(biāo)好物體框的排球視頻數(shù)據(jù)集更是非常難找?？墒且曨l數(shù)據(jù)集是很重要的，一個好的數(shù)據(jù)集對最終的表現(xiàn)有很大影響。經(jīng)過仔細(xì)評估，最終我選擇了一個開源的排球數(shù)據(jù)集。選擇的原因是清晰度較高，拍攝時長恰好，但是該數(shù)據(jù)集沒有可供使用的真值。

為了解決沒有真值的問題，我用了以下方法，也是跟別人學(xué)習(xí)來的。通過觀察排球在視頻中的位置，我發(fā)現(xiàn)排球在運(yùn)動的時候，傾向于在圖像中的較高點。所以如果有辦法能把圖像中較高點的物體所在位置拿到(比如一些封裝好的輪廓)，自然就得到了真值。為了實現(xiàn)這一方法，我用了基于自適應(yīng)混合高斯背景建模的背景減除法（MOG）。

接下來是提出一個合理的解決方案?；跈z測精度的要求，希望盡可能的畫出大致軌跡，不要求絕對準(zhǔn)確但是大致可以用?；谶\(yùn)行速度的要求，希望可以做到實時測試得出結(jié)果?？紤]到前文所提，一開始的方向大致在調(diào)用追蹤模型看表現(xiàn)。后來發(fā)現(xiàn)實時性無法滿足。因而該方案不能直接使用。

之后我仔細(xì)看了一下數(shù)據(jù)集視頻。該數(shù)據(jù)集有以下特點，讓我意識到也許有捷徑可以走。

球的形狀固定，飛行軌跡為拋物線形，所以可能可以嘗試用擬合路徑的方式來替代。
如果可以把球所在的位置標(biāo)出來，然后提取出來周圍的像素，說不定可以拿來學(xué)習(xí)，幫助判斷對應(yīng)的一張輸入圖像有沒有球，并且?guī)椭成淝虻娘w行軌跡。
由于排球自身有落點的問題，每一次落點后軌跡都會斷開重連，如何在不使用數(shù)據(jù)相關(guān)方法的基礎(chǔ)上，設(shè)計方案使得銜接自然合理，也是一個重點。

鑒于以上這些特點，我更新了一下之前的設(shè)計方案，使用球定位+識別的方法，而不是直接套用單物體檢測框架來實現(xiàn)任務(wù)需求。

設(shè)計和實現(xiàn)方案

實現(xiàn)方案大致如下：

使用前文提到的數(shù)據(jù)生成方法，產(chǎn)生真值數(shù)據(jù)供分類模型使用
使用深度學(xué)習(xí)網(wǎng)絡(luò)建模分類，訓(xùn)練網(wǎng)絡(luò)并產(chǎn)生預(yù)測結(jié)果
給定預(yù)測數(shù)據(jù)，送入深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行預(yù)測，生成類標(biāo)（預(yù)測是否為排球）
對屬于排球的幀按照先后時間標(biāo)記，依次生成追蹤結(jié)果，用綠色圈標(biāo)記

首先是生成真值數(shù)據(jù)，具體實現(xiàn)相對復(fù)雜。由于我們的假設(shè)（排球比賽中，排球是在移除背景后位置最高的點）不一定成立，實際情況下，需要做額外的處理。首先是要看拿到的到底是不是排球，此外還要把排球附近的背景移除掉，因為這些背景可能對分類結(jié)果有很大的干擾。

這里舉一個實際的例子，排球一般是白色背景，而室內(nèi)場景的日光一般也是白色的，以及場地附近的墻體也會是白色，兩者會互相疊加，因而有可能不利于物體分類。之后我們會用形態(tài)學(xué)操作去進(jìn)一步處理得到的排球?qū)?yīng)的圖像塊。具體來說，我們會對這些結(jié)果進(jìn)行進(jìn)一步腐蝕，得到的結(jié)果會只留下排球，把周圍的背景像素都過濾掉。

在此之后，我使用了一個非常簡單的 backbone 去做特征提取，簡單來說就是conv->pool->conv->pool->conv->pool，之后因為我們的目的是去做分類，所以損失函數(shù)是二分類交叉熵函數(shù)。

測試反而比較麻煩。分為好幾個流程：

1.生成數(shù)據(jù)。生成過程中因為不能用數(shù)據(jù)聯(lián)系（data association）, 需要手動存好圖像幀的相對時間（先后順序）。在實驗中我們設(shè)計閾值為t=4，即為如果識別出的排球的幀數(shù)差大于t，就會切斷當(dāng)前軌跡追蹤，并重新生成新軌跡。

2.對生成數(shù)據(jù)進(jìn)行預(yù)處理。包括

數(shù)據(jù)去背景
標(biāo)定所有物體，產(chǎn)生物體框（使用cv2即可）
對于每一個潛在的物體框，按照排球的大概尺寸進(jìn)行過濾，存儲并切取當(dāng)前像素對應(yīng)的區(qū)塊

3.取步驟2結(jié)果，依次進(jìn)行預(yù)測，對所有預(yù)測類標(biāo)正確的圖，按照 id 進(jìn)行標(biāo)記，然后依次分配并且進(jìn)行閾值判斷，從中獲得所有追蹤軌跡。

結(jié)果展示

總結(jié)

在這篇文章我簡單的介紹了如何使用分類方法去做一個追蹤器。有興趣的同學(xué)可以查看我的 GitHub，上面有詳細(xì)的代碼: https://github.com/Cli98/volleyball-tracking-demo

?------------------------------------------------

看到這里了，說明您也喜歡這篇文章，您可以點擊「分享」與朋友們交流，點擊「在看」使我們的新文章及時出現(xiàn)在您的訂閱列表中，或順手「點贊」給我們一個支持，讓我們做的更好哦。

歡迎微信搜索并關(guān)注「目標(biāo)檢測與深度學(xué)習(xí)」，不被垃圾信息干擾，只分享有價值知識！

一個開源小項目，如何使用「分類網(wǎng)絡(luò)」實現(xiàn)排球追蹤

結(jié)果展示

一個開源小項目，如何使用「分類網(wǎng)絡(luò)」實現(xiàn)排球追蹤