一种基于计算机视觉的篮球框异常检测方法及系统与流程

1.本发明涉及篮球框异常检测技术领域，具体涉及一种基于计算机视觉的篮球框异常检测方法及系统。


背景技术：

2.篮球运动一直以来都是最受大众欢迎的运动之一，篮球不仅可以提高人的反应能力、决断能力、观察能力，还可以增强团队协作能力。而投篮是篮球运动中一项关键性技术，是篮球运动中唯一的得分手段；因此当篮球框由于外界以及自身因素出现球框变形或者球框弯折等异常问题时，将会影响人们在打球过程中的进球率，进而影响篮球爱好者或者篮球运动员的锻炼以及比赛的效果。
3.现有篮球框异常检测方法一般是篮球运动场的管理人员来管理检测，而管理人员一般只能在篮球框出现明显异常时才能发现篮球框出现异常，很容易将一些已经出现了异常的篮球框判定为没有出现异常的篮球框，对篮球框是否存在异常的检测结果不够准确。


技术实现要素：

4.本发明提供一种基于计算机视觉的篮球框异常检测方法及系统，用于解决现有不能准确检测篮球框异常的问题，所采用的技术方案具体如下：第一方面，本发明一个实施例提供了一种基于计算机视觉的篮球框异常检测方法及系统包括以下步骤：获取设定时间段内多帧篮球场全景图像；根据最后一帧篮球场全景图像，得到篮球场中的各目标篮球框和各目标篮球框对应的标准圆；根据目标篮球框和对应的标准圆之间的像素点差异，得到各目标篮球框对应的形态指标；计算最后一帧篮球场全景图像对应的各目标篮球框的最小外接矩形；根据各目标篮球框的最小外接矩阵形和对应的标准最小外接矩之间的差异，得到各目标篮球框对应的弯折程度指标；将各帧篮球场全景图像输入到关键点检测网络，得到各帧篮球场全景图像对应的关键点热力图；根据所述关键点热力图，得到各目标篮球框对应的热度指标；根据各目标篮球框对应的形态指标、弯折程度指标和热度指标，得到各目标篮球框的异常程度。
5.本发明还提供了一种基于计算机视觉的篮球框异常检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于计算机视觉的篮球框异常检测方法。
6.本发明根据目标篮球框和对应的标准圆之间的像素点差异，得到各目标篮球框对应的形态指标；根据各目标篮球框的最小外接矩阵形和对应的标准最小外接矩之间的差异，得到各目标篮球框对应的弯折程度指标；将各帧篮球场全景图像输入到关键点检测网
络，得到各帧篮球场全景图像对应的关键点热力图；根据所述关键点热力图，得到各目标篮球框对应的热度指标；根据各目标篮球框对应的形态指标、弯折程度指标和热度指标，得到各目标篮球框的异常程度。本发明将形态指标、弯折程度指标和热度指标作为得到各目标篮球框的异常程度的依据，能提高篮球框异常检测的准确性；将目标篮球框和对应的标准圆之间的像素点差异作为得到各目标篮球框对应的形态指标的依据，能够减少计算量，提高篮球框异常检测的效率。
7.优选的，根据最后一帧篮球场全景图像，得到篮球场中的各目标篮球框和各目标篮球框对应的标准圆，包括：将最后一帧篮球场全景图像输入到语义感知网络中，得到篮球场中的各目标篮球框；根据霍夫变换算法对最后一帧篮球场全景图像进行检测，得到最后一帧篮球场全景图像中各目标篮球框对应的各检测圆；获得各目标篮球框中不在各检测圆上的像素点数量和各目标篮球框中在各检测圆上的像素点数量；计算各目标篮球框中不在各检测圆上的各像素点到各检测圆上的最短距离之和；根据所述各目标篮球框中在各检测圆上的像素点数量和所述各目标篮球框中不在各检测圆上的各像素点到各检测圆上的最短距离之和，得到各目标篮球框对应的标准圆。
8.优选的，根据如下公式计算各目标篮球框对应的形态指标：其中，为第个目标球框对应的形态指标，为第个目标篮球框中不在第个目标篮球框对应的标准圆上的像素点数量，为第个篮球框中不在第个篮球框对应的标准圆上的各像素点到对应的标准圆上的最短距离之和。
9.优选的，关键点检测网络的构建过程包括：获取训练样本集，所述训练样本包括多帧篮球场样本全景图像；对训练样本集中的各帧篮球场样本全景图像中关键点的位置进行标注；所述标注的关键点位置为人体的头部、人体的手部以及目标篮球框；将所述训练样本集和标注的数据输入至网络中，并采用损失函数进行训练，得到训练好的关键点检测网络。
10.优选的，得到各目标篮球框对应的热度指标的方法包括：根据所述各帧篮球场全景图像，得到各目标篮球框对应的运动区域；根据所述关键点热力图，得到各篮球场全景图像中各目标篮球框对应的运动区域中的关键点数量，将所述关键点数量作为各篮球场全景图像中各目标篮球框对应的热度值；根据所述热度值，构建各目标篮球框对应的热度值序列；根据所述热度值序列，得到各目标篮球框的热度值变化趋势；根据所述各目标篮球框的热度值变化趋势，得到各目标篮球框对应的热度指标。
11.优选的，根据如下公式计算各目标篮球框的异常程度：其中，为第个目标篮球框的异常程度，为第个目标篮球框对应的形态指标，为第个目标篮球框对应的挂框指标，为第个目标篮球框对应的弯折程度指标，为第个目标篮球框对应的热度指标，为对应的权重，为对应的权重，为对应的权重，为对应的权重，且。
12.优选的，得到各目标篮球框对应的挂框指标的方法包括：根据所述手部关键点和目标篮球框关键点，判断各帧篮球场全景图像中各目标篮球框是否处于被挂框状态，若是，计算各目标篮球框处于被挂框状态的时长；根据所述各目标篮球框处于被挂框状态的时长，得到各目标篮球框对应的挂框指标。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
14.图1为本发明一种基于计算机视觉的篮球框异常检测方法的流程图。
具体实施方式
15.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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
16.除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
17.本实施例提供了一种基于计算机视觉的篮球框异常检测方法，详细说明如下：如图1所示，该基于计算机视觉的篮球框异常检测方法，包括以下步骤：步骤s001，获取设定时间段内多帧篮球场全景图像。
18.本实施例中，通过相机采集设定时间段内多帧篮球场局部图像，将各帧对应的各篮球场局部图像通过投影变换和图像拼接处理得到设定时间段内多帧篮球场全景图像；本实施例中，相机的角度、相机的数量以及相机的位置要根据篮球场的实际情况进行设置，但满足相机采集的区域包含篮球场的所有区域；本实施例中投影变换和图像拼接是公知技术，因此本实施例不做具体描述。
19.本实施例中，设定时间段为前24小时之内；作为其它的实施方式，设定时间段需要
根据实际情况进行设置，对应的采集频率也根据实际需要进行设定。
20.步骤s002，根据最后一帧篮球场全景图像，得到篮球场中的各目标篮球框和各目标篮球框对应的标准圆；根据目标篮球框和对应的标准圆之间的像素点差异，得到各目标篮球框对应的形态指标。
21.本实施例中，通过语义感知网络得到篮球场中的目标篮球框语义感知效果图；语义感知网络的具体训练过程为：将多帧篮球场样本全景图像输入到语义感知网络中，人为的设定标签将目标篮球框对应区域的像素值标注为1，将其它区域对应的像素值标注为0，并采用交叉熵损失函数进行迭代训练；将上述获得的最后一帧篮球场全景图像输入到训练好的语义感知网络中，得到篮球场中的目标篮球框语义感知效果图；本实施例将得到的目标篮球框语义感知效果图与最后一帧篮球场全景图像进行相乘和剪切处理，得到篮球场中的各目标篮球框，所述目标篮球框对应的是rgb图像数据；本实施例中，采用的语义感知网络是deeplabv3，由于语义感知网络为公知技术，因此本实施例不再详细描述语义感知网络的结构原理以及训练方法。
22.本实施例中，通过对各目标篮球框进行投影变换，得到俯视视角下的各目标篮球框；通过对俯视视角下的各目标篮球框进行分析，得到各目标篮球框的形态指标。俯视视角下的目标篮球框能准确反映出各目标篮球框的形态变化，各目标篮球框的形态指标反映的是各目标篮球框是否为标准的平滑的圆形，当形态指标的值越大越表明目标篮球框的形状越不接近于标准的平滑的圆形，表明该目标篮球框的发生的异常越大。
23.本实施例中，使用canny边缘检测算法，对得到的俯视视角下的各目标篮球进行边缘提取，得到俯视视角下的各目标篮球框的边缘图像；canny边缘检测算法为公知技术，因此本实施例不再做具体描述；作为其它的实施方式，也可以使用其它的算法对俯视视角下的各目标篮球进行边缘提取，例如可以是sobel边缘检测算法或者roberts边缘检测算法。
24.本实施例中，在对俯视视角下的各目标篮球框进行分析，得到各目标篮球框的形态指标的过程中，要通过霍夫变换算法对俯视视角下的各目标篮球框的边缘图像进行检测分析，得到各目标篮球框对应的标准圆，之后通过分析各目标篮球框与各目标篮球框对应的标准圆之间的差异得到目标篮球框的形态指标；具体分析过程为：通过霍夫变换算法对俯视视角下的各目标篮球框的边缘图像进行检测，得到俯视视角下的各目标篮球框对应的各检测圆，且俯视视角下的各目标篮球框对应的各检测圆之间的圆心坐标的位置相差距离较小；本实施例对俯视视角下的各目标篮球框进行边缘检测之后再进行霍夫变换，可以降低无关像素点对后续计算各目标篮球框对应的标准圆的干扰。
25.本实施例中，获得俯视视角下的各目标篮球框中在对应的各检测圆上的像素点数量，将俯视视角下的各目标篮球框中在对应的各检测圆上的像素点数量构建成序列，即：其中，为俯视视角下的第个目标篮球框中在对应的各检测圆上的像素点数量序列，为俯视视角下的第个目标篮球框中在对应的第个检测圆上的像素点数量，为俯视视角下的第个目标篮球框中在对应的第个检测圆上的像素点数量，为俯视视角下的第个目标篮球框对应的检测圆的数量，且不同的目标篮球框对应的检测圆的数量
不同。
26.本实施例中，获得俯视视角下的各目标篮球框中不在对应的各检测圆上的像素点数量，并计算俯视视角下的各目标篮球框中不在对应的各检测圆上的各像素点到对应的各检测圆上的最短距离之和，并构建对应的序列：其中，为俯视视角下的第个目标篮球框中不在对应的各检测圆上的各像素点到对应的各检测圆上的最短距离之和序列，为俯视视角下的第个目标篮球框中不在对应的第个检测圆上的各像素点到对应的第个检测圆上的最短距离之和，为俯视视角下的第个目标篮球框中不在对应的第个检测圆上的各像素点到对应的第个检测圆上的最短距离之和，为俯视视角下的第个目标篮球框对应的检测圆的数量。
27.本实施例中，根据俯视视角下的各目标篮球框中在各检测圆上的像素点数量和俯视视角下的各目标篮球框中不在各检测圆上的各像素点到各检测圆上的最短距离之和，得到俯视视角下的各目标篮球框对应的各检测圆的评分指标；且俯视视角下的各目标篮球框中在各检测圆上的像素点数量与俯视视角下的各目标篮球框对应的各检测圆的评分指标成正相关关系，俯视视角下的各目标篮球框中不在各检测圆上的各像素点到各检测圆上的最短距离之和与俯视视角下的各目标篮球框对应的各检测圆的评分指标成负相关关系；根据如下公式计算俯视视角下的各目标篮球框对应的各检测圆的评分指标：其中，为俯视视角下的第个目标篮球框对应的第个检测圆的评分指标，为俯视视角下的第个目标篮球框中在对应的第个检测圆上的像素点数量，俯视视角下的第个目标篮球框中不在第个检测圆上的各像素点到第个检测圆上的最短距离之和。
28.本实施例中，上述计算俯视视角下的各目标篮球框对应的各检测圆的评分指标的方法只是本实施例的一个优选，作为其它的方式也可以使用其它的方法计算俯视视角下的各目标篮球框对应的各检测圆的评分指标，但要满足俯视视角下的各目标篮球框中在各检测圆上的像素点数量与俯视视角下的各目标篮球框对应的各检测圆的评分指标成正相关关系，俯视视角下的各目标篮球框中不在各检测圆上的各像素点到各检测圆上的最短距离之和与俯视视角下的各目标篮球框对应的各检测圆的评分指标成负相关关系。
29.本实施例中，通过上述的计算方式可以得到俯视视角下的各目标篮球框对应的各检测圆的评分指标，分别选取最大评分指标对应的检测圆作为各目标篮球框对应的标准圆，且所选取的标准圆是与各目标篮球框处于正常状态时最接近的圆形；本实施例中，当目标篮球框对应的检测圆的数量为1时，则不用计算目标篮球框对应的检测圆的评分指标，直接将该检测圆作为对应的目标篮球框的标准圆。
30.本实施例中，根据各目标篮球框中不在各目标篮球框对应的标准圆上的像素点数
量和各目标篮球框中不在各目标篮球框对应的标准圆上的各像素点到各目标篮球框对应的标准圆上最短距离之和，得到各目标篮球框对应的形态指标；且各目标篮球框中不在各目标篮球框对应的标准圆上的像素点数量和各目标篮球框中不在各目标篮球框对应的标准圆上的各像素点到各目标篮球框对应的标准圆上最短距离之和与各目标篮球框对应的形态指标成负相关关系；根据如下公式计算各目标篮球框对应的形态指标：其中，为第个目标篮球框对应的形态指标，为第个目标篮球框中不在第个目标篮球框对应的标准圆上的像素点数量，为第个篮球框中不在第个篮球框对应的标准圆上的各像素点到对应得标准圆上的最短距离之和；且和的值越大对应的形态指标的值越小，则该目标篮球框越接近于标准圆，即该目标篮球框的发生的形变程度越小。
31.本实施例中，上述计算各目标篮球框对应的形态指标的方法只是本实施例的一个优选，作为其它的方式也可以使用其它的方法计算各目标篮球框对应的形态指标，但要满足各目标篮球框中不在各目标篮球框对应的标准圆上的像素点数量和各目标篮球框中不在各目标篮球框对应的标准圆上的各像素点到各目标篮球框对应的标准圆上最短距离之和与各目标篮球框对应的形态指标成正相关关系。
32.步骤s003，计算最后一帧篮球场全景图像对应的各目标篮球框的最小外接矩形；根据各目标篮球框的最小外接矩阵形和对应的标准最小外接矩之间的差异，得到各目标篮球框对应的弯折程度指标。
33.本实施例中，通过对各目标篮球框进行投影变换，得到正视视角下的各目标篮球框；通过对正视视角下的各目标篮球框进行分析，得到各目标篮球框对应的弯折程度指标；正视视角下的各目标篮球框更能反应出各目标篮球框的弯折程度指标，而各目标篮球框的弯折程度指标可以反应出各目标篮球框的异常程度。
34.本实施例中，获得正视视角下的各目标篮球框的最小外接矩形，并计算正视视角下的各目标篮球框的最小外接矩形的长宽比；并获得正视视角下的各目标篮球框处于正常时的最小外接矩形，计算正视视角下的各目标篮球框处于正常时的最小外接矩形的长宽比；获取最小外接矩形的过程是公知技术，因此本实施例不做具体描述；根据正视视角下的各目标篮球框的最小外接矩形的长宽比和正视视角下的各目标篮球框处于正常时的最小外接矩形的长宽比，得到各目标篮球框对应的弯折程度指标，根据如下公式计算各目标篮球框对应的弯折程度指标：其中，为第个目标篮球框对应的弯折程度指标，为第个目标篮球框处于正常时的最小外接矩形的长宽比，为正视视角下的第个目标篮球框的最小外接矩形的长宽比；本实施例中，，，其中，为第个目标篮球框处于正常时的最小外接
矩形的长，为第个目标篮球框处于正常时的最小外接矩形的宽，为正视视角下的第个目标篮球框的最小外接矩形的长，为正视视角下的第个目标篮球框的最小外接矩形的宽。
35.步骤s004，将各帧篮球场全景图像输入到关键点检测网络，得到各帧篮球场全景图像对应的关键点热力图；根据所述关键点热力图，得到各目标篮球框对应的热度指标。
36.本实施例中，通过对各帧篮球场全景图像进行分析，得到各帧篮球场全景图像对应的关键点热力图；再根据各帧篮球场全景图像对应的关键点热力图，得到各目标篮球框对应的热度指标；且各目标篮球框对应的热度指标可以反应在对应的目标篮球框打球的人数，而打球的人数可以间接反应目标篮球框的异常程度。
37.本实施例中，通过关键点检测网络来获得关键点热力图，关键点检测网络具体的具体训练过程为：首先获取训练样本集，所述训练样本包括多帧篮球场样本全景图像；对训练样本集中的各帧篮球场样本全景图像中关键点的位置进行标注；所述标注的关键点位置为人体的头部、人体的手部以及目标篮球框；将所述训练样本集和标注的数据输入至网络中，并采用均方差损失函数进行训练，得到训练好的关键点检测网络。本实施例将各帧篮球场全景图像输入到训练好的关键点检测网络，得到各帧篮球场全景图像对应的关键点热力图。
38.本实施例中，关键点检测网络为encoder-decoder（encoder为编码器，decoder为解码器）结构，其中，encoder对输入的多帧篮球场样本全景图像进行卷积和下采样的操作，从而提取图像中的特征获得特征图，decoder对获得的特征图进行上采样操作，从而得到与输入图像等大的关键点热力图，在关键点热图中用高斯热斑来标记人体关键点的位置；本实施例将最终输出的结果记为人体关键点热力图。
39.本实施例中，根据篮球场全景图像，得到各目标篮球框对应的运动区域；本实施例将各目标篮球框对应的三分线内的区域记为各目标篮球框对应的运动区域；作为其它的实施方式，也可以根据实际情况选取其它的区域为目标篮球框对应的运动区域。
40.本实施例中，从各帧篮球场全景图像对应的关键点热力图上，得到各篮球场全景图像中各目标篮球框对应的运动区域中的头部关键点数量，将所述头部关键点数量作为各篮球场全景图像中各目标篮球框对应的热度值；根据各篮球场全景图像中各目标篮球框对应的热度值，构建各目标篮球框对应的热度值序列：其中，为第个目标篮球框对应的热度值序列，为在第帧篮球场全景图像上第个目标篮球框对应的热度值，为在第帧篮球场全景图像上第个目标篮球框对应的热度值，为篮球场全景图像的数量。
41.本实施例中，分析各目标篮球框对应的热度值序列的变化趋势，当目标篮球框对应的热度值序列的变化趋势为递增时，将目标篮球框对应的热度指标记为0，且目标篮球框存在异常的概率较小；当目标篮球框对应的热度值序列的变化趋势为递减时，目标篮球框可能存在异常的概率较大，这时将目标篮球框对应的热度值均值与处于最大递增趋势时的
目标篮球框对应的热度值均值之间的差值作为该目标篮球框对应的热度指标。本实施例中，目标篮球框对应的热度值序列的变化趋势的分析过程为公知技术，因此本实施例不做具体描述。
42.本实施例中，根据各帧篮球场全景图像对应的关键点热力图上的手部关键点和目标篮球框关键点，计算各目标篮球框处于被挂框状态的时长，而各目标篮球框处于被挂框状态的的时长可以反应各目标篮球框的异常程度；本实施例中，从各帧篮球场全景图像对应的关键点热力图上获得在各目标篮球框对应的运动区域内的手部关键点和目标篮球框关键点，并计算各篮球场全景图像中各目标篮球框对应的运动区域内的各手部关键点到对应的目标篮球框关键点的距离，判断各篮球场全景图像中各目标篮球框对应的运动区域内的各手部关键点到对应的目标篮球框关键点的距离是否小于预设距离时，若是，判断目标篮球框处于被挂框状态，若不是，判断目标篮球框不是处于被挂框状态。
43.当目标篮球框处于被挂框状态时，通过时序分析得到各目标篮球框单次处于被挂框状态时的时长，且本实施例将通过目标检测网络对处于被挂框状态时的篮球场全景图像中目标篮球框进行分析；本实施例中目标检测网络的训练过程为：获取训练样本集，所述训练样本集为多帧篮球框样本全景图像，对训练样本集中的各帧篮球场样本全景图像中人体包围框进行标注，标注包围框的中心点坐标为，包围框的长和宽分别是和，则目标检测网络的标签为，不同人对应的包围框的中心点坐标、长以及宽也不同；将样本集以及目标检测网络的标签输入到目标检测网络中进行训练，目标检测网络采用均方差损失函数进行迭代训练。
44.本实施例中，目标检测网络为公知技术，因此本实施例不再详细描述目标检测网络的结构原理以及训练方法。
45.本实施例中，将各篮球框全景图像输入到训练好的目标检测网络中，得到各篮球框全景图像上对应的人体包围框；根据各篮球框全景图像上对应的人体包围框，得到各目标篮球框单次处于被挂框状态时的人体包围框，根据人体包围框的长和宽得到人体包围框的面积，而人体包围框的面积可以间接反应挂在目标篮球框上的人的重量；本实施例根据各目标篮球框单次处于被挂框状态时的时长和各目标篮球框单次处于被挂框状态时的人体包围框的面积，得到各目标篮球框对应的挂框指标；且各目标篮球框单次处于被挂框状态时的时长和各目标篮球框单次处于被挂框状态时的人体包围框的面积与各目标篮球框对应的挂框指标成正相关关系；根据如下公式计算各目标篮球框对应的挂框指标：其中，为第个目标篮球框对应的挂框指标，为设定时间段内第个目标篮球框处于被挂框的次数，为第个目标篮球框第次处于被挂框状态时对应的人的包围框的面积，为第个目标篮球框第次处于被挂框状态时的时长，所述设定时间段的意义与上述设定时间段的意义相同。
46.本实施例中，上述计算各目标篮球框对应的挂框指标的方法只是本实施例的一个优选，作为其它的方式也可以使用其它计算的方法计算各目标篮球框对应的挂框指标，但要满足各目标篮球框单次处于被挂框状态时的时长和各目标篮球框单次处于被挂框状态时的人体包围框的面积与各目标篮球框对应的挂框指标成正相关关系。
47.本实施例中，篮球爱好者或篮球运动员在投球的过程中，篮球触碰到目标蓝球框的声音也能反映目标球框的异常，因为当目标球框出现螺丝松动等异常时，篮球触碰到目标球框的声音与正常时篮球触碰到目标球框的声音有很大差异；因此本实施例中，通过在各目标篮球框对应的篮板位置安装微型音频采集器实时采集设定时间段内篮球触碰到目标球框的音频数据，将音频采集器采集到的各目标篮球框的音频数据进行检测，提取梅尔频率倒谱系数特征，即mfcc特征；本实施例中提取梅尔频率倒谱系数特征的过程为公知技术，因此本实施例不做具体描述。
48.之后通过异常检测网络对各目标篮球框的音频数据对应的mfcc特征进行分析，所述异常检测网络为全连接网络，且异常检测网络的训练过程为：获取训练样本集，所述训练样本集为篮球触碰到蓝球框的样本音频数据，人为的对样本音频数据中篮球触碰到蓝球框的声音进行标注，可将其对应标注为1和0，1为蓝球框异常情况下篮球触碰到蓝球框的声音，0为蓝球框正常情况下篮球触碰到蓝球框的声音，将训练样本集和标注的数据输入到异常检测网络中，并采用交叉熵损失函数进行迭代训练。
49.本实施例中，将在设定时间段内各目标篮球框的音频数据对应的mfcc特征输入到训练好的音频检测网络中，并统计设定时间段内各目标篮球框对应的目标蓝球框异常情况下时篮球触碰到目标蓝球框的声音次数和统计设定时间段内各目标篮球框对应的篮球触碰到目标蓝球框的总次数；计算设定时间段内各目标篮球框对应的目标蓝球框异常情况下时篮球触碰到目标蓝球框的声音次数与设定时间段内各目标篮球框对应的篮球触碰到目标蓝球框的声音总次数之间的比例，得到各目标篮球框对应的声音异常指标；且设定时间段内各目标篮球框对应的目标蓝球框异常情况下时篮球触碰到目标蓝球框的声音次数与各目标篮球框对应的声音异常指标成正相关关系，设定时间段内各目标篮球框对应的篮球触碰到目标蓝球框的总次数与各目标篮球框对应的声音异常指标成负相关关系；根据如下公式计算各目标篮球框对应的声音异常指标：其中，为第个目标篮球框对应的声音异常指标，为设定时间段内第个目标篮球框对应的目标蓝球框异常情况下时篮球触碰到目标蓝球框的声音次数，为设定时间段内第个目标篮球框对应的篮球触碰到目标蓝球框的声音总次数。
50.本实施例中，上述计算各目标篮球框对应的声音异常指标的方法只是本实施例的一个优选，作为其它的方式也可以使用其它计算的方法计算各目标篮球框对应的声音异常指标，但要满足设定时间段内各目标篮球框对应的目标蓝球框异常情况下时篮球触碰到目标蓝球框的声音次数与各目标篮球框对应的声音异常指标成正相关关系，设定时间段内各目标篮球框对应的篮球触碰到目标蓝球框的总次数与各目标篮球框对应的声音异常指标
成负相关关系。
51.步骤s005，根据各目标篮球框对应的形态指标、弯折程度指标和热度指标，得到各目标篮球框的异常程度。
52.本实施例中，根据各目标篮球框对应的形态指标、弯折程度指标、热度指标、挂框指标以及声音异常指标，得到各目标篮球框的异常程度；且各目标篮球框对应的形态指标、弯折程度指标、热度指标、挂框指标以及声音异常指标与各目标篮球框的异常程度成正相关关系；根据如下公式计算各目标篮球框的异常程度：其中，为第个目标篮球框的异常程度，为第个目标篮球框对应的形态指标，为第个目标篮球框对应的挂框指标，为第个目标篮球框对应的弯折程度指标，为第个目标篮球框对应的热度指标，为第个目标篮球框对应的声音异常指标，为对应的权重，为对应的权重，为对应的权重，为对应的权重，为对应的权重，且；本实施例中，的值需要根据实际情况设置，但满足。
53.本实施例中，上述计算各目标篮球框的异常程度的方法只是本实施例的一个优选，作为其它的方式也可以使用其它的方法各目标篮球框的异常程度，但要满足各目标篮球框对应的形态指标、弯折程度指标、热度指标、挂框指标以及声音异常指标与各目标篮球框的异常程度成正相关关系。
54.本实施例是根据各目标篮球框对应的形态指标、弯折程度指标、热度指标、挂框指标以及声音异常指标，得到各目标篮球框的异常程度；作为其它的实施方式，也可以只根据各目标篮球框对应的形态指标、弯折程度指标和热度指标，得到各目标篮球框的异常程度。
55.本实施例中，对得到的各目标篮球框的异常程度的值进行归一化，将各目标篮球框的异常程度的值处于（0,1）之间；所述归一化过程为公知技术，因此本实施例不做具体描述。
56.本实施例中，当归一化之后的各目标篮球框的异常程度的值处于时，判定目标蓝球框无异常；当归一化之后的各目标篮球框的异常程度的值处于时，判定目标蓝球框无异常；当归一化之后的各目标篮球框的异常程度的值处于时，判定目标蓝球框状态为轻度异常；当归一化之后的各目标篮球框的异常程度的值处于时，判定目标蓝球框状态为严重异常；本实施例将归一化之后的目标蓝球框的异常程度的值高于异常程度阈值时，系统将发出异常预警，提示相关维修人员，尽快对目标蓝球框进行检修，避免由于目标篮球框异常对篮球爱好者或者篮球运动员的影响；本实施例中异常程度阈值
为；作为其它的实施方式，也可以根据需求的不同设置不同的异常程度阈值。
57.作为其它的实施方式，也可以根据需求的不同设置不同的异常程度区间，例如可以是当归一化之后的目标蓝球框的异常程度的值在之间时，判定目标蓝球框无异常，当归一化之后的目标蓝球框的异常程度的值在之间时，判定目标蓝球框存在异常，且当归一化之后的目标蓝球框的异常程度的值大于时，系统发出异常预警。
58.本实施例根据目标篮球框和对应的标准圆之间的像素点差异，得到各目标篮球框对应的形态指标；根据各目标篮球框的最小外接矩阵形和对应的标准最小外接矩之间的差异，得到各目标篮球框对应的弯折程度指标；将各帧篮球场全景图像输入到关键点检测网络，得到各帧篮球场全景图像对应的关键点热力图；根据所述关键点热力图，得到各目标篮球框对应的热度指标；根据各目标篮球框对应的形态指标、弯折程度指标和热度指标，得到各目标篮球框的异常程度。本实施例将形态指标、弯折程度指标和热度指标作为得到各目标篮球框的异常程度的依据，能提高篮球框异常检测的准确性；将目标篮球框和对应的标准圆之间的像素点差异作为得到各目标篮球框对应的形态指标的依据，能够减少计算量，提高篮球框异常检测的效率。
59.本实施例的基于计算机视觉的篮球框异常检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于计算机视觉的篮球框异常检测方法。
60.需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。