如何结合TensorFlow目标检测API和OpenCV分析足球视频

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。

步骤概览

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。

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：

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。

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。

检测红色

主要步骤

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.inRange和cv2.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。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。