点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达
简介

通过使用深度学习和opencv，我们可以从视频剪辑中提取有趣的见解。请参阅下面的B / w UCF和Duke游戏的gif示例，在这里我们可以识别所有球员+裁判，并根据球员的球衣颜色将其标记为球队。

检测玩家

我们使用了像Faster RCNN这样的预训练检测模型来检测玩家。你们可以轻松地从Tensorflow Object Detection API下载针对COCO数据集训练的Faster RCNN并对其进行测试。API将每帧图像作为输入，并在80种不同的类别中进行检测。请阅读下面的样品检测示例，我们压制了太大的检测范围，无法更清晰地将玩家细分。你们也可以在API中使用得分阈值来过滤掉低置信度检测。

检测球队

现在来了有趣的部分。我们如何确定UCF对阵杜克大学的球员？我们可以使用OpenCV来做到这一点。OpenCV允许我们识别特定颜色的蒙版，并且可以使用它来识别白人和黑人玩家。主要步骤是：

1. 将图像从BGR转换为HSV色彩空间
2. 在HSV空间中，为白色和黑色指定颜色范围
3. 使用OpenCV遮罩（彩色）阈值范围内的像素

4. OpenCV Bitwise_and将蒙版中不存在的任何像素涂成黑色

请浏览下面的输出以了解白色。它们被屏蔽为“粉红色”，而其他所有内容均以黑色掩盖

为了确定每个玩家的团队，我们从张量流对象检测中提取了边界框，并计算该边界框中非黑色像素的百分比，以确定该玩家的团队。总体代码效果很好。但是，这是用于识别黑白球衣运动员的硬编码逻辑。通过使用聚类来查找相似的参与者，可以使其更加通用。

检测人体姿态

OpenPose是一个实时的多人姿势检测库。它可以检测图像中的人，并为每个人输出主要关节的关键点，每个人最多可以有25个关键点。安装后，你们可以通过它运行图像，并为场景中的所有播放器获取关键点，如下所示。

那么我们如何识别试图投篮的球员呢？我们可以寻找手腕关键点在头顶上方的玩家。暗示举手。这可能表示已准备好在上述场景中射击，也可能具有防御性。此外，球的坐标以及手腕关键点的坐标可以用于识别哪个举手的球员靠近球。

结论

深度学习使得通过链接不同的想法进行真正的酷分析成为可能。你们可以使用大量开放源代码和经过预训练的模型来开始使用数据。以上仅仅是起点。可以完成的其他很酷的事情包括：

1. 使用OCR读取比赛成绩，以使你们的系统了解哪个球队获胜
2. 跟踪球以预测何时射门可以得分
3. 跟踪玩家以获取每个玩家的统计信息
4. 检测诸如灌篮，三分篮球等事件

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~