一个开源小项目，如何使用「分类网络」实现排球追踪-技术圈

背景概述

笔者最近接触到了一个很有趣的问题，有关于排球位置追踪。如果有看过排球比赛的话，大家想必都知道，排球的实时运动轨迹对排球的落点有很大的帮助。而如果可以预知排球的落点，就可以很好的在比赛中防住对手，把握取胜先机。因而产生了一个很有趣的问题：是否有可能预测比赛中的排球运动轨迹？这其实是一个典型的物体追踪问题，也是一个在笔者看来很有趣的题目。

然而解决这类问题并不容易。

首先，基于排球的视频数据集数量稀少，有了真值标注的数据集更是少之又少，如何搜索合适的数据是一个不好处理的问题。
其次，排球本身形状较小，直接进行小物体检测，可能易于其他目标混淆，所以用检测实现追踪不是非常理想。
再考虑到实时性的需求，直接调用追踪框架，可能参数过多，实时测试性能表现不佳。

数据集选择与初始解决方案

考虑到以上种种挑战，开始阶段对于方案的选择并不容易，尤其是标好物体框的排球视频数据集更是非常难找。可是视频数据集是很重要的，一个好的数据集对最终的表现有很大影响。经过仔细评估，最终我选择了一个开源的排球数据集。选择的原因是清晰度较高，拍摄时长恰好，但是该数据集没有可供使用的真值。

为了解决没有真值的问题，我用了以下方法，也是跟别人学习来的。通过观察排球在视频中的位置，我发现排球在运动的时候，倾向于在图像中的较高点。所以如果有办法能把图像中较高点的物体所在位置拿到(比如一些封装好的轮廓)，自然就得到了真值。为了实现这一方法，我用了基于自适应混合高斯背景建模的背景减除法（MOG）。

接下来是提出一个合理的解决方案。基于检测精度的要求，希望尽可能的画出大致轨迹，不要求绝对准确但是大致可以用。基于运行速度的要求，希望可以做到实时测试得出结果。考虑到前文所提，一开始的方向大致在调用追踪模型看表现。后来发现实时性无法满足。因而该方案不能直接使用。

之后我仔细看了一下数据集视频。该数据集有以下特点，让我意识到也许有捷径可以走。

球的形状固定，飞行轨迹为抛物线形，所以可能可以尝试用拟合路径的方式来替代。
如果可以把球所在的位置标出来，然后提取出来周围的像素，说不定可以拿来学习，帮助判断对应的一张输入图像有没有球，并且帮助映射球的飞行轨迹。
由于排球自身有落点的问题，每一次落点后轨迹都会断开重连，如何在不使用数据相关方法的基础上，设计方案使得衔接自然合理，也是一个重点。

鉴于以上这些特点，我更新了一下之前的设计方案，使用球定位+识别的方法，而不是直接套用单物体检测框架来实现任务需求。

设计和实现方案

实现方案大致如下：

使用前文提到的数据生成方法，产生真值数据供分类模型使用
使用深度学习网络建模分类，训练网络并产生预测结果
给定预测数据，送入深度学习网络进行预测，生成类标（预测是否为排球）
对属于排球的帧按照先后时间标记，依次生成追踪结果，用绿色圈标记

首先是生成真值数据，具体实现相对复杂。由于我们的假设（排球比赛中，排球是在移除背景后位置最高的点）不一定成立，实际情况下，需要做额外的处理。首先是要看拿到的到底是不是排球，此外还要把排球附近的背景移除掉，因为这些背景可能对分类结果有很大的干扰。

这里举一个实际的例子，排球一般是白色背景，而室内场景的日光一般也是白色的，以及场地附近的墙体也会是白色，两者会互相叠加，因而有可能不利于物体分类。之后我们会用形态学操作去进一步处理得到的排球对应的图像块。具体来说，我们会对这些结果进行进一步腐蚀，得到的结果会只留下排球，把周围的背景像素都过滤掉。

在此之后，我使用了一个非常简单的 backbone 去做特征提取，简单来说就是conv->pool->conv->pool->conv->pool，之后因为我们的目的是去做分类，所以损失函数是二分类交叉熵函数。

测试反而比较麻烦。分为好几个流程：

1.生成数据。生成过程中因为不能用数据联系（data association）, 需要手动存好图像帧的相对时间（先后顺序）。在实验中我们设计阈值为t=4，即为如果识别出的排球的帧数差大于t，就会切断当前轨迹追踪，并重新生成新轨迹。

2.对生成数据进行预处理。包括

数据去背景
标定所有物体，产生物体框（使用cv2即可）
对于每一个潜在的物体框，按照排球的大概尺寸进行过滤，存储并切取当前像素对应的区块

3.取步骤2结果，依次进行预测，对所有预测类标正确的图，按照 id 进行标记，然后依次分配并且进行阈值判断，从中获得所有追踪轨迹。

结果展示

总结

在这篇文章我简单的介绍了如何使用分类方法去做一个追踪器。有兴趣的同学可以查看我的 GitHub，上面有详细的代码: https://github.com/Cli98/volleyball-tracking-demo

✄------------------------------------------------

看到这里了，说明您也喜欢这篇文章，您可以点击「分享」与朋友们交流，点击「在看」使我们的新文章及时出现在您的订阅列表中，或顺手「点赞」给我们一个支持，让我们做的更好哦。

欢迎微信搜索并关注「目标检测与深度学习」，不被垃圾信息干扰，只分享有价值知识！