使用 TensorFlow 目标检测和 OpenCV 分析足球视频

技术讨论 Admin ⋅ 于 4周前 ⋅ 238 阅读

来源:论智@微信公众号

作者:Priya Dwivedi

编译:weakish

编者按:在本文中,深度学习咨询顾问Priya Dwivedi演示了如何结合TensorFlow目标检测API和OpenCV分析足球视频。

介绍

本届世界杯爆冷不少,谁能想到夺冠大热门德国会在小组赛出局?:(

作为数据科学家,我们可以对足球视频剪辑做些分析。使用深度学习和opencv我们可以从视频剪辑中提取有趣的洞见。下面展示了一个例子,澳大利亚对秘鲁,我们可以识别所有球员、裁判、足球,同时根据队服判定球员所属。所有这一切都可以实时完成。

本文的相关代码见GitHub:priya-dwivedi/Deep-Learning/soccerteamprediction/

步骤概览

使用Tensorflow的目标检测API,可以快速搭建目标检测模型。如果你不熟悉这套API,可以看下我之前写的介绍Tensorflow目标检测API,以及如何使用该API搭建定制模型的博客文章。

API提供了在COCO数据集上预训练的目标检测模型。COCO数据集包含90种常见目标。

file

部分COCO目标分类

在这个例子中,我们关心的分类是人、足球,COCO数据集包含这两个目标。

API支持很多模型:

file

部分模型

这些模型在速度和精确性上有不同的折衷。由于我感兴趣的是实时分析,所以我选择了SSDLite mobilenet v2。

使用目标检测API识别出球员后,就可以使用OpenCV图像处理库来判定其所属球队。如果你没接触过OpenCV,可以先看下OpenCV的教程。

OpenCV可以识别特定颜色的掩码,我们可以用它识别红衣球员和黄衣球员。下图是一个OpenCV检测红色的例子。

file

检测红色

主要步骤

请对照相应的Python代码阅读:

加载SSDLite mobilenet模型和分类列表。
使用cv2.VideoCapture()打开视频并逐帧读取。
在每一帧上检测目标。
SSDLite返回的结果是识别的分类及相应置信度、包围盒预测。置信度阈值为0.6。然后我们将置信度大于阈值的识别人员剪切出来。
提取出每个球员后,我们需要读取其球衣的颜色,并预测其归属。我们首先定义红色和黄色的颜色区间。接着使用cv2.inRangecv2.bitwise创建颜色的掩码。统计检测出的红色和黄色像素的数目,以及占剪切图像总像素数的百分比,以检测球队。
最后整合代码,并使用cv2.imshow显示结果。

结语

很好。现在你看到了,深度学习和OpenCV的简单组合可以产生有趣的结果。在目标检测和归类球队之后,可以进行进一步的分析,例如:

当相机视角在澳大利亚球门区域时,你可以计算区域内的秘鲁球员和澳大利亚球员人数比。
你可以为每队分别绘制足迹的热图——例如显示秘鲁队主要占据的区域。
你可以绘制守门员的路径。

目标检测API提供了一些更精确但更慢的模型。你也可以试试它们。如果你喜欢这篇文章,给我加❤️ :) 我希望你从GitHub拉取代码亲自动手尝试。

原文地址:https://towardsdatascience.com/analyse-a-soccer-game-using-tensorflow-object-detection-and-opencv-e321c230e8f2


推荐文章
Github上一些精致且实用的TensorFlow项目及相关论文
如何用OpenCV、Python和深度学习实现面部识别?

CV干货 微信公众号: 极市平台
ID: extrememart

成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!