本发明涉及图像处理,尤其涉及一种训练场监测方法、设备、存储介质及装置。
背景技术:
1、随着体育竞技的发展,越来越多的运动员会在正式比赛前会组织体育竞技训练,但是现有训练场监控都是通过训练场地设置的固定高速摄像机对训练场地的实时情况进行监控和转播,因此现有教练裁判人员会借助高速摄像机识别的画面对运动员进行违规行为的监测,但是由于现有的训练场监控摄像头都是设置于固定位置,或通过人工拍摄的方式实时采集画面并进行转播,因此采集画面的角度具有局限性的,导致对后期运动员姿态识别不够精确影响教练的判定,不能更加精准的确定每个运动员的运动习惯。
2、然而针对许多不能在训练场内进行的体育训练,无法通过人工拍摄的方式精确采集运动员的视频,因此会借助无人机进行拍摄,但是现有无人机采集的视频不能够精确识别到运动员的姿态,因此现有针对训练场监测的方案由于采集维度具有局限性从而无法满足多种场景下的体育监控,导致对训练场的监测数据不足以支撑用户需求。
3、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种训练场监测方法、设备、存储介质及装置,旨在解决现有技术中针对训练场监测的方案由于采集维度具有局限性从而无法满足多种场景下的训练场监控,导致对训练场的监测数据不足以支撑用户需求的技术问题。
2、为实现上述目的,本发明提供一种训练场监测方法,所述训练场监测方法包括以下步骤:
3、获取预设无人机按照无人机视角和预设巡航路线实时采集的目标训练场的监控视频集合;
4、根据预设目标检测模型对所述监控视频集合进行人物分割,获得处于训练状态的目标运动员对应的视频集合;
5、根据所述预设目标检测模型对所述目标运动员对应的视频集合进行姿态估计,获得姿态特征集合;
6、根据预加权图卷积网络模型和所述姿态特征集合对预设数量的关节点对应的三维坐标进行估计,根据三维关节坐标确定三维人体姿态集合,所述预加权图卷积网络模型是基于多尺度动态图卷积网络构建的模型;
7、基于所述三维人体姿态集合监测所述目标运动员是否存在违规行为。
8、可选地,所述预设目标检测模型是预先训练获得的yolov5模型;所述根据所述预设目标检测模型对所述目标运动员对应的视频集合进行姿态估计,获得姿态特征集合的步骤,包括:
9、根据所述yolov5模型对所述目标运动员对应的视频集合进行图片切片处理,并对处理后的图片按照所述目标运动员头部为基点进行定位,获得定位信息;
10、根据预设openpose算法和所述定位信息对运动连续帧进行关节点特征提取,获得目标关节点集合;
11、根据所述目标关节点集合对所述目标运动员进行姿态估计,获得姿态特征集合。
12、可选地,所述根据所述目标关节点集合对所述目标运动员进行姿态估计,获得姿态特征集合的步骤,包括:
13、根据所述目标关节点集合和预设二维姿态关节点进行对比,获得第一对比结果;
14、根据所述第一对比结果确定所述目标关节点集合中错误关节点,并对所述错误关节点进行修复,获得修复后的关节点集合;
15、根据所述修复后的关节点集合确定所述目标运动员对应的俯瞰角度的姿态连线;
16、根据所述姿态连线对所述目标运动员进行姿态估计,获得姿态特征集合。
17、可选地,所述根据预加权图卷积网络模型和所述姿态特征集合对预设数量的关节点对应的三维坐标进行估计,根据三维关节坐标确定三维人体姿态集合的步骤,包括:
18、根据所述姿态特征集合中包含的姿态连线对预设数量的关节点对应的二维坐标进行确定,获得目标二维坐标;
19、将所述目标二维坐标转换为像素坐标,并根据转换后的像素坐标确定三维关节坐标;
20、根据所述三维关节坐标对应的坐标连线和所述预加权图卷积模型确定三维人体姿态集合。
21、可选地,所述基于所述三维人体姿态集合监测所述目标运动员是否存在违规行为的步骤,包括:
22、基于预设规范姿态集合对所述三维人体姿态集合进行姿态规范性校验,获得校验结果;
23、根据预设姿态幅度对所述校验结果中异常姿态对应的姿态幅度进行对比,并根据对比结果判定所述目标运动员是否存在违规行为。
24、可选地,所述基于所述三维人体姿态集合监测所述目标运动员是否存在违规行为的步骤之后,还包括:
25、根据所述预设目标检测模型对所述监控视频集合进行场地分割,获得场地特征集合;
26、根据预设立体视觉障碍物检测模型对所述场地特征集合中的障碍物进行识别,获得障碍物特征集合;
27、根据所述障碍物特征集合中的几何特征与预设障碍物特征进行对比,根据对比结果判定是否存在待处理的障碍物;
28、若存在,则从所述障碍物特征集合中将所述待处理的障碍物对应的障碍物区域反馈至管理人员。
29、可选地,所述根据预设立体视觉障碍物检测模型对所述场地特征集合中的障碍物进行识别,获得障碍物特征集合的步骤,包括:
30、根据所述场地特征集合中包含视频采集时间从所述预设无人机对应的飞行数据中提取飞行高度信息;
31、根据预设立体视觉障碍物检测模型对所述场地特征集合中的障碍物进行识别,获得障碍物几何特征;
32、根据所述障碍物几何特征中包含的障碍物高度特征、所述飞行高度信息以及所述预设无人机对应的相机参数对所述障碍物进行区域检测,获得障碍物区域特征;
33、根据所述障碍物几何特征和所述障碍物区域特征确定障碍物特征集合。
34、此外,为实现上述目的,本发明还提出一种训练场监测设备,所述训练场监测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的训练场监测程序,所述训练场监测程序配置为实现如上文所述的训练场监测的步骤。
35、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有训练场监测程序,所述训练场监测程序被处理器执行时实现如上文所述的训练场监测方法的步骤。
36、此外,为实现上述目的,本发明还提出一种训练场监测装置,所述训练场监测装置包括:
37、视频采集模块,用于获取预设无人机按照无人机视角和预设巡航路线实时采集的目标训练场的监控视频集合;
38、视频分割模块,用于根据预设目标检测模型对所述监控视频集合进行人物分割,获得处于训练状态的目标运动员对应的视频集合;
39、姿态估计模块,用于根据所述预设目标检测模型对所述目标运动员对应的视频集合进行姿态估计,获得姿态特征集合;
40、三维重建模块,用于根据预加权图卷积网络模型和所述姿态特征集合对预设数量的关节点对应的三维坐标进行估计,根据三维关节坐标确定三维人体姿态集合,所述预加权图卷积网络模型是基于多尺度动态图卷积网络构建的模型;
41、违规监测模块,用于基于所述三维人体姿态集合监测所述目标运动员是否存在违规行为。
42、本发明通过获取预设无人机按照无人机视角和预设巡航路线实时采集的目标训练场的监控视频集合;根据预设目标检测模型对所述监控视频集合进行人物分割,获得处于训练状态的目标运动员对应的视频集合;根据所述预设目标检测模型对所述目标运动员对应的视频集合进行姿态估计,获得姿态特征集合;根据预加权图卷积网络模型和所述姿态特征集合对预设数量的关节点对应的三维坐标进行估计,根据三维关节坐标确定三维人体姿态集合,所述预加权图卷积网络模型是基于多尺度动态图卷积网络构建的模型;基于所述三维人体姿态集合监测所述目标运动员是否存在违规行为,本发明通过预设目标检测模型和预加权图卷积网络模型对无人机采集的监控视频集合进行三维关节坐标定位,从而确定运动员对应的三维人体姿态集合,进而判定是否存在违规行为,相较于针对训练场监测的方案由于采集维度具有局限性从而无法满足多种场景下的训练场监控,导致对训练场的监测数据不足以支撑用户需求,本发明实现了多种维度采集训练场画面,提升视角体验的同时还提供了更加精确的实时追踪的画面数据,为管理人员减少工作量。