足球进球类型识别方法、装置、系统及存储介质与流程

本发明涉及计算机视觉技术领域，尤其涉及足球进球类型识别方法、装置、系统及存储介质。

背景技术：

足球运动是最受欢迎的体育运动之一，各大足球比赛节目亦受到广大球迷的关注。足球比赛节目通常包括各种足球事件的视频片段，例如足球进球视频片段。然而，目前仍没有方案能够区分角球、点球和任意球，若需要查看其中一种类型的定位球视频片段，例如点球视频片段，则需要对定位球视频片段进行人工筛选。

技术实现要素：

本发明提出足球进球类型识别方法、装置、系统及存储介质，能够提高足球进球类型识别的智能化程度与准确性。

本发明提供了一种足球进球类型识别方法，所述方法包括：

判断足球进球视频片段是否为定位球视频片段；

响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；

其中，所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

在一种可选的实施方式中，所述判断所述足球进球视频片段是否为定位球视频片段，包括：

使用预先构建的足球检测模型检测出所述足球进球视频片段的每一帧画面中足球的位置信息；其中，所述足球检测模型为通过将足球比赛图片训练集合中的每一张图片作为输入，以及将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练所得到；

根据检测出的每一帧画面中足球的位置信息判断任意连续n帧画面中足球的位置是否发生变化；

响应于判断结果为任意连续n帧画面中足球的位置没有发生变化，将所述足球进球视频片段确定为定位球视频片段。

在一种可选的实施方式中，所述根据检测出的每一帧画面中足球的位置信息判断任意连续n帧画面中足球的位置是否发生变化，包括：

根据任意连续n帧画面内的每相邻两帧画面中足球的位置信息，计算所述每相邻两帧画面中足球之间的欧氏距离；

判断所述每相邻两帧画面中足球之间的欧氏距离是否皆小于预设的距离阈值；

响应于判定所述每相邻两帧画面中足球之间的欧氏距离皆小于所述距离阈值，将判断结果确定为任意连续n帧画面中足球的位置没有发生变化。

在一种可选的实施方式中，所述方法还包括：

在使用预先构建的足球检测模型检测出足球进球视频片段的每一帧画面中足球的位置信息之前，获取足球比赛图片训练集合；

对所述足球比赛图片训练集合中的每一张图片中的足球进行目标检测框标注；

将所述足球比赛图片训练集合中的每一张图片作为输入，将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练，得到所述足球检测模型。

在一种可选的实施方式中，所述获取足球比赛图片训练集合，包括：

获取多张足球比赛的图片；

将非比赛片段的图片从获取到的足球比赛的图片中删除，得到过滤后的图片；

对所述过滤后的图片进行预处理，得到足球比赛图片训练集合。

在一种可选的实施方式中，所述基于卷积神经网络的分类模型为tsn网络。

在一种可选的实施方式中，所述基于卷积神经网络的目标检测算法为yolov3目标检测算法。

本发明还提供一种足球进球类型识别装置，包括第一判断模块和第一识别模块。

第一判断模块用于判断足球进球视频片段是否为定位球视频片段；

第一识别模块用于响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；

其中，所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

作为上述方案的改进，

本发明还对应提供了种足球进球类型识别系统，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的足球进球类型识别方法。

本发明还对应提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，所述计算机程序运行时控制所述存储介质所耦合设备实现如上述任一实施例所述的足球进球类型识别方法。

相对于现有技术，本发明具有如下突出的有益效果：本发明提供的足球进球类型识别方法、装置、系统及存储介质，通过先确定足球进球视频片段是否为定位球视频片段，然后基于卷积神经网络的分类模型生成的定位球三分类模型对定位球进行分类，从而识别定位球视频片段的定位球类型是角球、点球还是任意球，有效提高足球进球类型识别的智能化程度。本方案先确定足球进球视频片段是否为定位球视频片段，然后才对定位球视频片段进行分类，减少了进行分类模型训练时涉及的类别数量，有利于提高准确性；本方案采用卷积神经网络的分类模型，不需要字幕特征等人工设计特征的介入，克服了人工设计特征无法完全反应视频图像中所有信息的缺陷，能够避免因人工设计特征容易受到不同摄像机、不同光照、不同球场、不同角度等因素的影响而导致识别准确性低的问题；而且，本方案对足球进球片段的场景、角度要求不高，因此不会受限于只能处理直播镜头中的中镜头拍摄的进球片段，具有较强的场景适应能力。

附图说明

图1是本发明提供的一实施方式的足球进球类型识别方法的流程示意图；

图2是本发明提供的又一实施方式的足球进球类型识别方法的流程示意图；

图3是本发明提供的又一实施方式的足球进球类型识别方法的流程示意图；

图4是本发明提供的又一实施方式的足球进球类型识别方法的部分流程示意图；

图5是本发明提供的又一实施方式的足球进球类型识别方法的部分流程示意图；

图6是本发明提供的一实施方式的足球进球类型识别装置的结构示意图；

图7是本发明提供的又一实施方式的足球进球类型识别装置的结构示意图；

图8是本发明提供的一实施方式的足球进球类型识别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明提供的一实施方式的足球进球类型识别方法的流程示意图，如图1所示，所述方法包括步骤s110～步骤s120。

步骤s110、判断足球进球视频片段是否为定位球视频片段。

步骤s120、响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；

其中，所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

“对应的视频片段”是指与输入的视频片段对应，例如，将定位球视频片段训练集合中的视频片段1作为输入，则将视频片段1的标注内容作为输出，对基于卷积神经网络的分类模型进行训练。

定位球视频片段训练集合包括对应于不同定位球类型的多个定位球视频片段；具体的，足球进球视频片段训练集合包括对应于角球的多个定位球视频片段，对应于任意球的多个定位球视频片段和对应于点球的多个定位球视频片段。

具体地，可通过人工方式对每一个视频片段进行定位球类型标注，得到每一个视频片段的标注内容。

所述基于卷积神经网络的分类模型可以是tsn(temporalsegmentnetworks)、基于2d的只对空间信息进行建模的卷积网络如alexnet、vgg-16、vgg-19、googlenet、resnet、densenet等；基于3d卷积的c3d、i3d；对全局信息进行建模的non-localnetwork；或基于two-stream的双流网络tsn、slowfastnetwork等。本实施例采用tsn网络。tsn网络为two-stream(双流)结构。

进一步，所述方法还包括：响应于确定所述足球进球视频片段不是定位球视频片段，将所述足球进球视频片段的进球类型确定为普通进球。

普通进球是相对于定位球定义的，即，定位球以外的进球类型。

本实施例通过先确定足球进球视频片段是否为定位球视频片段，然后基于卷积神经网络的分类模型生成的定位球三分类模型对定位球进行分类，从而识别定位球视频片段的定位球类型是角球、点球还是任意球，有效提高足球进球类型识别的智能化程度。

本实施例先确定足球进球视频片段是否为定位球视频片段，然后才对定位球视频片段进行分类，减少了进行分类模型训练时涉及的类别数量，有利于提高准确性。本实施例采用卷积神经网络的分类模型，不需要字幕特征等人工设计特征的介入，克服了人工设计特征无法完全反应视频图像中所有信息的缺陷，能够避免因人工设计特征容易受到不同摄像机、不同光照、不同球场、不同角度等因素的影响而导致识别准确性低的问题；而且，本实施例对足球进球片段的场景、角度要求不高，因此不会受限于只能处理直播镜头中的中镜头拍摄的进球片段，具有较强的场景适应能力。

参见图2，是本发明提供的一实施方式的足球进球类型识别方法的流程示意图，如图2所示，所述方法包括步骤s210～步骤s250。

步骤s210、使用预先构建的足球检测模型检测出足球进球视频片段的每一帧画面中足球的位置信息。足球检测模型为通过将足球比赛图片训练集合中的每一张图片作为输入，以及将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练所得到。

其中，足球比赛图片训练集合包括若干足球比赛的图片。

基于卷积神经网络的目标检测算法可以是yolov3、yolov1、yolov2、ssd、dssd、r-rcn、fpnfrcn、retinanet-50-500、retinanet-101-500、retinanet-101-800、rcnn、fastrcnn、fasterrcnn或maskrcnn等目标检测算法。本实施例采用yolov3目标检测算法。yolov3目标检测算法为one-stage系目标检测算法，处理速度较快，能够提高目标检测效率。

可选的，该足球进球类型识别方法还包括：在步骤s210之前，提取足球进球视频片段的每一帧画面。则步骤s210包括：将足球进球视频片段的每一帧画面提取出来进行预处理；将预处理后的画面输入至预先构建的足球检测模型，得到足球进球视频片段的每一帧画面中足球的位置信息。

步骤s220、根据检测出的每一帧画面中足球的位置信息判断任意连续n帧画面中足球的位置是否发生变化。

其中，n为正整数。n为可调节数值，该数值可以由相关技术人员自行设定。

步骤s230、响应于判断结果为所有的任意连续n帧画面中足球的位置皆发生变化，将所述足球进球视频片段的进球类型确定为普通进球。

步骤s240、响应于判断结果为任意连续n帧画面中足球的位置没有发生变化，将所述足球进球视频片段确定为定位球视频片段。

示例性的，假设足球进球视频片段的帧数为150帧，n为20，若150帧内出现任意连续20帧画面中足球的位置没有发生变化，例如第31帧～第50帧画面中足球的位置没有发生变化，则可认为任意连续n帧画面中足球的位置没有发生变化。若150帧内的所有的任意连续20帧画面中足球的位置发生变化，即足球的位置保持不变的连续帧数没有大于或等于20，则可认为所有的任意连续n帧画面中足球的位置皆发生变化。需要说明的是，足球进球视频片段的帧数150与n的数值20仅为示例性说明，本发明对此不做限定。

步骤s250、响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型。

其中，定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成。所述标注内容用于指示对应的视频片段的定位球类型，例如角球、点球或任意球。

本实施例提供的方法先通过基于卷积神经网络的目标检测算法构建的足球检测模型对足球进球视频进行自动检测，检测出视频中足球的位置信息，并通过足球的位置信息来自动判断足球进球片段是否为定位球视频片段，从而区分定位球与普通进球，然后通过基于卷积神经网络的分类模型生成的定位球三分类模型对定位球进行分类，从而识别定位球视频片段的定位球类型是角球、点球还是任意球，有效提高足球进球类型识别的智能化程度。

由于本实施例基于卷积神经网络的目标检测算法与分类模型能够实现对图片中的各种特征信息进行自动编码，不需要字幕等人工设计特征的介入，克服了人工设计特征无法完全反应视频图像中所有信息的缺陷，能够避免因人工设计特征容易受到不同摄像机、不同光照、不同球场、不同角度等因素的影响而导致识别准确性低的问题；而且，本实施例对足球进球片段的场景、角度要求不高，因此不会受限于只能处理直播镜头中的中镜头拍摄的进球片段，具有较强的场景适应能力。

图3是本发明提供的又一实施方式的足球进球类型识别方法的流程示意图。在本实施例中，足球进球类型识别方法包括上述实施例的步骤s210～s250，还进一步限定了步骤s220包括：

步骤s2201、根据任意连续n帧画面内的每相邻两帧画面中足球的位置信息，计算所述每相邻两帧画面中足球之间的欧氏距离；

步骤s2202、判断所述每相邻两帧画面中足球之间的欧氏距离是否皆小于预设的距离阈值；

步骤s2203、响应于判定所述每相邻两帧画面中足球之间的欧氏距离皆小于所述距离阈值，将判断结果确定为任意连续n帧画面中足球的位置没有发生变化。

示例性的，若n为20，则n帧画面内的每相邻两帧画面是指20帧画面内的第1帧与第2帧、第2帧与第3帧、第4帧与第5帧、、、第19帧与第20帧画面。

进一步，步骤s220还包括：响应于判定连续n帧画面的相邻两帧画面中足球之间的欧氏距离皆大于或等于预设的距离阈值，将判断结果确定为任意连续n帧画面中足球的位置发生变化。

本实施例通过判断任意连续n帧画面的相邻两帧画面的足球之间的欧氏距离是否小于预设的距离阈值，来确定任意连续n帧画面中足球的位置是否发生变化，可避免镜头轻微抖动等其他因素对检测结果的影响，进而提高定位球检测的准确性。

图4是本发明提供的又一实施方式的定位球视频片段检测方法的部分流程示意图。在本实施例中，定位球视频片段检测方法包括上述实施例的步骤s210～s250，还进一步限定了该方法还包括步骤s202～s204。步骤s202～s204描述了足球检测模型的具体训练方法。

步骤s202、在使用预先构建的足球检测模型检测出足球进球视频片段的每一帧画面中足球的位置信息之前，获取足球比赛图片训练集合。

具体地，步骤s202包括：

获取多张足球比赛的图片；

将非比赛片段的图片从获取到的足球比赛的图片中删除，得到过滤后的图片；

对所述过滤后的图片进行预处理，得到足球比赛图片训练集合。

其中，非比赛片段的图片包括但不限于观众席、替补席和广告。

具体地，可通过人工方式删除非比赛片段的图片，也可以是通过设置过滤条件对非比赛片段的图片进行自动过滤。

足球比赛的图片中或多或少会有非比赛片段的图片，将非比赛片段的图片从获取到的足球比赛的图片中删除，能够剔除对检测结果贡献不大的图片，减少噪声，进而提高自动检测的效率。

可选的，对所述过滤后的图片，所述预处理包括以下处理方式中的一种或多种：

减去均值、resize(调整尺寸)、图片翻转、crop(裁剪)和colorjittering(色彩抖动)。

进一步，所述获取足球比赛的图片，包括：

从若干足球比赛视频中提取视频帧；

将提取到的视频帧保存为足球比赛的图片。

可选的，所述获取足球比赛的图片，还包括：

通过网络爬虫爬取与足球比赛相关的图片。

步骤s203、对所述足球比赛图片训练集合中每一张图片中的足球进行目标检测框标注。

目标检测框，亦称作边界框或标注框。

具体地，可通过人工方式对所述足球比赛图片训练集合中的每一张图片中的足球进行目标检测框标注；也可以先通过人工方式定位所述足球比赛图片训练集合中每一张图片中的足球，然后自动为已定位的足球生成目标检测框；还可以先通过图像处理技术自动为所述足球比赛图片训练集合中每一张图片中的疑似对象进行目标检测框标注，然后通过人工方式进行筛选或确认。

步骤s204、将所述足球比赛图片训练集合中的每一张图片作为输入，以及将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练，得到所述足球检测模型。

“对应的图片”是指与输入的图片对应，例如，将足球比赛图片训练集合中的图片1作为输入，则将图片1中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练。

图5是本发明提供的又一实施方式的定位球视频片段检测方法的部分流程示意图。在本实施例中，足球进球类型识别方法包括上述实施例的步骤s110～s120，还进一步限定了该方法还包括步骤s105～步骤s107。步骤s105～步骤s107描述了定位球三分类模型的具体训练方法。

步骤s105、在判断足球进球视频片段是否为定位球视频片段之前，获取定位球视频片段训练集合。

具体地，步骤s105包括：

获取若干足球比赛视频；

截取所述若干足球比赛视频中的定位球视频片段，得到定位球视频片段训练集合。

具体地，所述若干足球比赛视频包括若干常规足球比赛视频和/或若干定位球集锦视频。

常规足球比赛视频为包括定位球视频片段与其他视频片段在内的足球比赛视频。定位球集锦视频包括多个定位球视频片段。

可选的，定位球集锦视频可通过网络爬虫获取。

可选的，所述获取若干足球比赛视频，包括获取若干常规足球比赛视频；则所述截取所述若干足球比赛视频中的定位球视频片段，得到定位球视频片段训练集合，包括：

对于获取到的每一个常规足球比赛视频，获取常规足球比赛视频的所有进球视频片段；

对于获取到的每一个进球视频片段，使用预先构建的足球检测模型分别检测出对应的进球视频片段的每一帧画面中足球的位置信息；所述足球检测模型为通过将足球比赛图片训练集合中的每一张图片作为输入，以及将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练所得到；

根据检测出的每一帧画面中足球的位置信息判断任意连续n帧画面中足球的位置是否发生变化；

响应于判断结果为所有的任意连续n帧画面中足球的位置皆发生变化，将对应的进球视频片段的进球类型确定为普通进球；

响应于判断结果为任意连续n帧画面中足球的位置没有发生变化，将对应的进球视频片段确定为定位球视频片段；

从所述常规足球比赛视频中截取确定的定位球视频片段，得到定位球视频片段训练集合。

进一步，在从获取到的足球进球视频片段中截取确定的定位球视频片段，得到定位球视频片段训练集合后，可对所述定位球视频片段训练集合进行人工审核，以减少噪声。

步骤s106、根据所述定位球视频片段训练集合中的每一个视频片段的类型为对应的视频片段进行标注，得到所述每一视频片段的标注内容。

步骤s107、将所述定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练，得到定位球三分类模型。

参见图6，其是本发明提供的一实施方式的足球进球类型识别装置的结构示意图。如图6所示，足球进球类型识别装置4包括第一判断模块410和第一识别模块420。

第一判断模块410，用于判断足球进球视频片段是否为定位球视频片段；

第一识别模块420，用于响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；

其中，所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

可选的，所述基于卷积神经网络的分类模型为tsn网络。

参见图7，其是本发明提供的又一实施方式的足球进球类型识别装置的结构示意图。如图7所示，足球进球类型识别装置5包括检测模块510、第二判断模块520、第一确定模块530、第二确定模块540和第二识别模块550。

检测模块510用于使用预先构建的足球检测模型检测出足球进球视频片段的每一帧画面中足球的位置信息；所述足球检测模型为通过将足球比赛图片训练集合中的每一张图片作为输入，以及将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练所得到。

其中，所述足球比赛图片训练集合包括若干足球比赛图片；

第二判断模块520用于根据检测出的每一帧画面中足球的位置信息判断任意连续n帧画面中足球的位置是否发生变化；

第一确定模块530用于响应于判断结果为所有的任意连续n帧画面中足球的位置皆发生变化，将所述足球进球视频片段的进球类型确定为普通进球；

第二确定模块540用于响应于判断结果为任意连续n帧画面中足球的位置没有发生变化，将所述足球进球视频片段确定为定位球视频片段。

第二识别模块550用于响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

进一步，第二判断模块520包括距离计算单元、阈值判断单元与判断结果确定单元。

距离计算单元用于根据任意连续n帧画面内的每相邻两帧画面中足球的位置信息，计算所述每相邻两帧画面中足球之间的欧氏距离；

阈值判断单元用于判断相邻两帧画面的足球之间的欧氏距离是否小于预设的距离阈值；

判断结果确定单元用于响应于判定连续n帧画面的相邻两帧画面中足球之间的欧氏距离小于预设的距离阈值，将判断结果确定为任意连续n帧画面中足球的位置没有发生变化。

可选的，所述基于卷积神经网络的目标检测算法为yolov3目标检测算法。

可选的，所述装置还包括：

获取模块，用于在使用预先构建的足球检测模型检测出足球进球视频片段的每一帧画面中足球的位置信息之前，获取足球比赛图片训练集合；

第一标注模块，用于对所述足球比赛图片训练集合中的每一张图片中的足球进行目标检测框标注；

第一训练模块，用于将所述足球比赛图片训练集合中的每一张图片作为输入，将对应的图片中已标注的足球作为目标，对基于卷积神经网络的目标检测算法进行训练，得到所述足球检测模型。

可选的，所述获取模块包括：

图片获取单元，用于获取足球比赛的图片；

过滤单元，用于将非比赛片段的图片从获取到的足球比赛的图片中删除，得到过滤后的图片；

预处理单元，用于对过滤后的足球比赛的图片进行预处理，得到足球比赛图片训练集合。

可选的，所述图片获取单元包括：

视频帧提取子单元，用于从若干足球比赛视频中提取视频帧；

图片保存子单元，用于将提取到的视频帧保存为足球比赛的图片。

可选的，所述装置还包括：

视频获取模块，用于在使用预先构建的定位球三分类模型识别出所述定位球视频片段的定位球类型之前，获取定位球视频片段训练集合；

第二标注模块，用于根据所述足球视频片段训练集合中的每一个视频片段的类型为对应的视频片段进行标注，得到所述每一视频片段的标注内容；

第二训练模块，用于将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练，得到定位球三分类模型。

可选的，所述视频获取模块包括

视频获取单元，用于获取若干足球比赛视频；

截取单元，用于截取所述若干足球比赛视频中的定位球视频片段，得到定位球视频片段训练集合。

本发明对应提供了一实施方式的足球进球类型识别系统，参见图8，是本发明实施例提供的一实施方式的足球进球类型识别系统的结构示意图，足球进球类型识别系统3包括处理器301、存储器302以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器301执行所述计算机程序时实现如上述任一实施例所述的足球进球类型识别方法。或者，所述处理器301执行所述计算机程序时实现上述系统各实施例中各模块的功能，例如第一判断模块410和第一识别模块420。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述足球进球类型识别系统中的执行过程。例如，所述计算机程序可以被分割成第一判断模块410，用于判断足球进球视频片段是否为定位球视频片段；第一识别模块420，用于响应于确定所述足球进球视频片段为定位球视频片段，使用预先构建的定位球三分类模型识别出所述足球进球视频片段的定位球类型；其中，所述定位球三分类模型为通过将定位球视频片段训练集合中的每一个视频片段作为输入，以及将对应的视频片段的标注内容作为输出，对基于卷积神经网络的分类模型进行训练所生成；所述标注内容用于指示对应的视频片段的定位球类型。

所述足球进球类型识别系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述足球进球类型识别系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是足球进球类型识别系统的示例，并不构成对足球进球类型识别系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述足球进球类型识别系统还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述足球进球类型识别系统的控制中心，利用各种接口和线路连接整个足球进球类型识别系统的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述足球进球类型识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述足球进球类型识别系统集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一存储介质中，该计算机程序运行时控制所述存储介质所在设备实现如上述任一实施例所述的足球进球类型识别方法。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的用户出行关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。