基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法的制作流程
足球视频智能分析关键技术和系统
足球视频智能分析关键技术和系统足球视频智能分析关键技术和系统摘要：足球作为全球最流行的体育运动之一，在全球范围内受到了广泛的欢迎和关注。
随着科技的不断发展，足球视频智能分析系统的研究和应用也得到了快速发展。
本文从足球视频采集、内容分析和系统实现三个方面对足球视频智能分析的关键技术进行了综述。
在视频采集方面，介绍了比较常用的两种足球视频采集方式，分别是单场足球比赛视频采集和多场足球比赛视频采集。
在内容分析方面，介绍了视频关键帧提取、场景分割以及行为识别等技术。
在系统实现方面，讨论了整个系统框架设计、算法实现和用户交互等方面的关键技术。
通过对深度学习、计算机视觉技术及数据挖掘技术的应用，足球视频智能分析系统得以更好的实现，为足球从业者和足球爱好者提供了更多的服务和帮助。
关键词：足球视频；智能分析；关键技术；系统实现；计算机视觉Abstract:As one of the most popular sports in the world, football has received extensive attention and has been widely welcomed around the world. With the continuous development of technology, football video intelligent analysis system research and application have also been rapidly developed. In this paper, the key technologies of football videointelligent analysis are summarized from three aspects: video collection, content analysis, and system implementation. Interms of video collection, two relatively common football video collection methods are introduced, namely, single football game video collection and multiple football game video collection. In terms of content analysis, technologies such as key frame extraction, scene segmentation, and behavior recognition are introduced. In terms of system implementation, the key technologies of the entire system framework design, algorithm implementation, and user interaction are discussed. Through the application of deep learning, computer vision technology, and data mining technology, the football video intelligent analysis system has been better implemented, providing more services and help for football practitioners and football enthusiasts.Keywords: football video; intelligent analysis; key technologies; system implementation; computer visio。
一种基于深度学习的足球球员追踪方法[发明专利]
![一种基于深度学习的足球球员追踪方法[发明专利]](https://img.taocdn.com/s3/m/66a495b13c1ec5da51e27093.png)
专利名称：一种基于深度学习的足球球员追踪方法
专利类型：发明专利
发明人：于永斌,艾梦巍,唐倩,张定发,王昊,李镖,卢玉锐,钟袁静扬,程曼,周晨,陆瑞军
申请号：CN202011280591.4
申请日：20201116
公开号：CN112308013A
公开日：
20210202
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的足球球员追踪方法，涉及人工智能技术领域。
该方法在使用原有的孪生区域选择网络的基础上，进行了改进，使用ResNet‑50网络替换原有的A lexNet网络作为特征提取网络，并修改了锚点的大小和宽高比对该孪生区域选择网络重新训练，在一定程度上提高了对球员的追踪精度和速度。
除此之外，该方法还引入了Python实现的前端界面、路径判断和视频帧截取模块两个部分，提高了使用体验。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：电子科技大学专利中心
代理人：周刘英
更多信息请下载全文后查看。
基于规则推理的足球视频任意球射门事件检测
基于规则推理的足球视频任意球射门事件检测华晓凤;冯娜;于俊清;何云峰【期刊名称】《计算机科学》【年(卷),期】2023(50)3【摘要】足球视频事件检测对视频检索具有重要意义。
然而,足球视频中事件较少,且主要发生在远镜头中,难以捕捉关键球员和关键动作,导致足球事件检测困难。
近年来,基于深度学习的方法在足球视频事件检测上取得了一定的进展,但对事件的高层语义学习仍不够充分,检测结果有待进一步提高。
如何提升足球视频事件检测的准确性是亟待解决的问题。
以任意球射门事件为研究对象,提出了足球规则与深度学习相结合的事件检测模型。
为了深入了解任意球射门事件的内在特性,人工总结了事件规则并在公共足球数据集上进行了验证,同时提出了规则的应用场景。
针对足球视频中事件过少的问题,设计了基于规则的初始定位算法对视频进行预处理。
通过多规则组合和应用,从原始视频中初步定位可能发生任意球射门事件的位置,并将其作为深度学习模型的输入进行进一步预测。
在公共足球数据集上将所提模型与其他模型进行对比实验。
结果表明,该模型取得了最好的效果,其精确率达到78%,召回率达到81.25%。
相比其他模型,其精确率的提升尤为明显。
可见,足球规则与深度学习相结合的任意球事件检测模型有效提升了任意球射门事件的检测性能,为足球视频中其他事件的检测提供了参考依据。
【总页数】10页(P181-190)【作者】华晓凤;冯娜;于俊清;何云峰【作者单位】华中科技大学计算机科学与技术学院;华中科技大学网络与计算中心【正文语种】中文【中图分类】TP181【相关文献】1.基于足球比赛事件检测的视频分析方法2.基于球门检测的足球视频精彩事件提取3.一种检测足球视频中射门镜头的方法4.基于规则推理的足球视频语义事件分析研究5.基于音/视频特征的足球视频体育事件交互式检索方法因版权原因，仅展示原文概要，查看原文内容请购买。
基于hcrf的足球视频精彩事件检测方法分析
(2) A new framework based on multi- modal semantic clues and HCRF(Hidden Conditional Random Field) for soccer wonderful event detection. Through analysis of the structural semantics of the wonderful event videos, define nine kinds of multi- modal semantic clues to accurately describe the included semantic information of the wonderful events. After splitting the video clips into several physical shots, extract the multi- modal semantic clues from the key frame of each shot to get the feature vector of the current shots, and compose the observed sequence of the feature vectors of all shots in the test video clips. Using the above observed sequence as HCRF model input in the
基于深度学习的足球比赛视频分析技术研究
基于深度学习的足球比赛视频分析技术研究足球是一项全球广受欢迎的运动，每年都有数百万人参加各种足球比赛，包括职业球员、业余球员、观众和球迷。
但是，虽然足球比赛非常受欢迎，但是对于大多数人来说，了解比赛的细节和分析比赛的策略还是有一定难度的。
这时候，基于深度学习的足球比赛视频分析技术就能够派上用场了。
一、深度学习的简介深度学习是机器学习的一种分支，通过神经网络模型进行模式识别和分类。
深度学习的训练过程往往与人类脑中的神经元和神经元之间的连接模式类似，通过层层训练来提高模型的准确性和精度。
深度学习在计算机视觉、自然语言处理和语音识别等领域都有广泛的应用。
二、足球比赛视频分析技术的研究背景随着足球比赛的普及，足球比赛的视频和数据也随之涌现。
足球比赛视频和数据的分析使得足球教练、球员和球迷能够更好地理解比赛，了解自己和对手的优势和劣势，从而制定更好的比赛策略和训练方案。
但是，足球比赛视频和数据的分析仍然存在一些困难。
首先，足球比赛的视频往往是动态的，包含许多不同的场景和元素，如球员的移动、皮球的弹跳、角色的转换等等。
其次，足球比赛视频通常由不同的摄像机和角度拍摄，导致视频质量和视角的变化。
最后，足球比赛数据的收集和统计也存在一定的难度。
针对这些困难，基于深度学习的足球比赛视频分析技术应运而生，它能够自动地提取足球比赛视频中的信息和特征，从而进行正确的分析和处理。
下面将介绍几种基于深度学习的足球比赛视频分析技术。
三、基于深度学习的足球比赛视频分析技术1.球员和球场的检测基于深度学习的足球比赛视频分析技术可以识别球员和球场，并通过算法分析他们的位置和移动。
这种技术可以用于计算球员的平均移动速度、运动距离等，从而对球员的表现进行更准确的评价，并预测下一步的战术需要。
2.球员姿势的分析基于深度学习的足球比赛视频分析技术能够提取视频中球员的动作和姿势，并将其与数据库中的动作和姿势进行比较，提高准确率和精度。
这种技术能够检测球员的各种动作，如头球、射门等，并评估其能力和水平。
足球比赛视频中的目标检测与跟踪
Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔ ａｎ ａｌｇｏｒｉｔｈｍ ｏｆｔｒａｃｋｉｎｇ ｔｈｅ ｏｂｊｅｃｔｓ ｉｎ ｔｈｅ ｓｏｃｃｅｒ ｖｉｄｅｏ ｂａＳｅｄ ｏｎ Ｋａｌｍａｎ ｆｉｌｔｅｒ．Ｔｈｅ ｔｒａｃｋｉｎｇ ｈｉｓｔｏｒｙ ｉｓ ｅｎｃｏｄｅｄ ｉｎｔｏ ｓｔａｔｅ ｐａｒａｍｅｔｅｒ ｏｆｔｈｅ ｆｉｌｔｅｒ．Ｔｈｅ
Ｔｈｅ ｐｒｏｃｅｓｓ ｔｅｃｈｎｏｌｏ百ｅｓ ｆｏｒ ｔｈｅ ｓｐｏｒｔｓ ｖｉｄｅｏ ｉｎ ｔｈｉｓ ｐａｐｅｒ ａｒｅ ａｌｒｅａｄｙ ａｐｐｌｉｅｄ ｉｎ ａｃｔｕａｌ ｐｒｏｊｅｃｔｓ．
Ｋｅｙｗｏｒｄ：ｓｐｏｒｔｓ ｖｉｄｅｏ，ｓｏｃｃｅｒ，ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ，ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ，
ｅｓｔｉｍａｔｅｄ ｓｔａｔｅ ｐａｒａｍｅｔｅｒ ｗｉｌｌ ｂｅ ｕｓｅｄ ｔｏ ｒｅｄｕｃｅ ｓｅａｒｃｈ ａｒｅａ ｆｏｒ ｍｏｄｅｌ ｍａｔｃｈｉｎｇ．Ｔｈｅ
ｐｒｏｂｌｅｍｓ ａｐｐｅａｒｉｎｇ ｉｎ ｔｈｅ ｔｒａｃｋｉｎｇ ｐｒｏｃｅｓｓ ａｂｏｕｔ ｐｌａｙｅｒｓ ｍａｔｃｈｉｎｇ ａｎｄ ｐｌａｙｅｒｓ ｓｈｅｌｔｅｒｉｎｇ ａｒｅ ｓｔｕｄｉｅｄ ａｎｄ ｍｅｔｈｏｄｓ ｔｏ ｒｅｓｏｌｖｅ ｔｈｅｍ ａｒｃ ｐｒｅｓｅｍ．Ｔｈｉｓ ｐａｐｅｒ ａｄｖａｎｃｅｓ ｔｈａｔ ｔｒａｃｋｉｎｇ ｔｈｅ ｃｏＵｒｔ ｌｉｎｅｓ ｂｙ ｅｓｔｉｍａｔｉｎｇ ｃｏｏｒｄｉｎａｔｅ ｐａｒａｍｅｔｅｒｓ ｏｆｌｉｎｅｓ．Ａｎｄ ｔｈｅ ｐａｒａｍｅｔｅｒｓ ｉｎ Ｈｏｕｇｈ ｔｒａｎｓｆｏｒｍ ａｒｅ ｒｅｓｔｒｉｃｔｅｄ ｂａＳｅｄ ｏｎ ｔｈｅ ｅｓｔｉｍａｔｅｄ ｃｏｏｒｄｉｎａｔｅ ｐａｒａｍｅｔｅｒｓ ｔＯ ｒｅｄｕｃｅ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｔｒａｃｋｉｎｇ ｓｔｒａｔｅｇｙ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｉｓ ｅｆｆｅｃｔｉｖｅ ｔＯ ｕａｃｋ ｏｂｊｅｃｔｓ ｉｎ ｓｏｃ髓＝ｒ ｖｉｄｅｏ．
足球比赛视频中的目标检测与跟踪算法研究
足球比赛视频中的目标检测与跟踪算法研究杨斌【摘要】为在足球视频中有效的检测与跟踪运动目标,需要对足球比赛视频中目标检测与跟踪算法进行研究;当前采用的算法,在动态场景中,存在运动目标检测与跟踪效果不佳的问题;为此,提出一种基于OpenCV的足球比赛视频中目标检测与跟踪算法;该算法结合平均背景算法将足球比赛视频中目标图像分割为前景区与背景区,计算足球比赛视频每一帧目标图像和背景图像之间差值的绝对差值,同时计算每一个目标图像中像素点的平均值与标准值来建立目标图像背景统计模型,利用TMHI算法对足球比赛视频中目标初始图像进行阈值分割,得到初始分割图像,对分割图像进行中值滤波和闭运算,再使用卡尔曼滤波对分割后的目标图像进行处理,得到镜头中目标的质心位置和目标外界矩形框,然后对足球比赛视频中目标进行跟踪;实验证明,该算法有效的检测与跟踪足球视频中运动目标.%In order to target motion detection and tracking effectively in the soccer video,need to study object in soccer video detection and tracking algorithm.The algorithm in dynamic scenes,are moving target detection and tracking problems.Therefore,this paper proposed an algorithm for detection and tracking of target OpenCV in soccer video based on this bining the average background algorithm will target image segmentation for soccer video in the foreground area and background area,calculates the difference between the abso lute difference of soccer video each frame of target image and background image,and calculate the average value of each pixel in the target image and the standard value.The establishment of the target image background statistical model,the initial target of soccer videoimage segmentation using TMHI algorithm to obtain the initial image segmentation,median filtering and closed operation of image segmentation,and then use the Calman filter to process the target image after segmentation,target centroid position and get outside rectangular shots target in the frame.Then the goal in soccer video tracking.The experimental results show that the moving target detection and tracking algorithm for soccer video effectively.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)009【总页数】4页(P266-268,306)【关键词】足球比赛;视频;目标检测;目标跟踪【作者】杨斌【作者单位】商洛学院,陕西商洛726000【正文语种】中文【中图分类】TP391近几年，随着科技的发展及人们对生活质量要求的提高，对视频目标检测与跟踪技术的需求越来越广泛[1]。
基于c3d的足球视频场景分类算法
引言
随着网络技术的普及、多媒体信息的爆炸性增 长、社会生活节奏不断加快, 人们往往没有足够的时
间观看整段视频节目, 而是希望根据自己的需求观看 特定的部分. 足球作为全球最受欢迎的一项体育运动, 有着广泛的收看群体. 足球比赛的持续时间较长, 人们
① 基金项目: 国家自然科学基金 (61501402) Foundation item: National Natural Science Foundation of China (61501402) 收稿时间: 2019-04-26; 修改时间: 2019-05-21, 2019-06-03; 采用时间: 2019-06-14; csa 在线出版时间: 2019-12-10
基于 C3D 的杰, 许永恩, 王 健
(浙江理工大学 信息学院, 杭州 310018) 通讯作者: 马汉杰, E-mail: mahanjie@
摘 要: 足球视频整场比赛持续时间较长, 许多视频内容并非广大观众的兴趣所在, 因此足球视频场景分类成为了 近几十年来研究界的一项重要课题, 许多机器学习方法也被应用于这个课题上. 本文提出的基于 C3D (三维卷积神 经网络) 的足球视频场景分类算法, 将三维卷积运用于足球视频领域, 并通过实验验证了本文算法的可行性. 本文 实验的流程如下: 首先, 基于帧间差分法和徽标检测法检测法对足球视频场景切换进行检测, 实现镜头分割. 在此基 础上, 提取分割镜头的语义特征并将其进行标记, 然后通过 C3D 对足球事件进行分类. 本文将足球视频分为 7 类, 分别为远镜头、中镜头、特写镜头、回放镜头、观众镜头、开场镜头及 VAR (视频助理裁判) 镜头. 实验结果表 明, 该模型在足球视频数据集上的分类准确率为 96%. 关键词: 三维卷积; 足球; 镜头检测; 语义标注; 场景分类
基于深度学习的足球比赛动作识别与分析
基于深度学习的足球比赛动作识别与分析足球是一项世界范围内广受欢迎的运动，每场比赛中运动员们进行各种各样的动作，如传球、射门、头球等。
传统上，对足球比赛的观察和分析是依靠人的直觉和经验进行的。
然而，随着人工智能领域的发展，基于深度学习的足球比赛动作识别与分析技术正在逐渐兴起，为足球运动的研究和进步提供了新的视角。
深度学习作为一种机器学习方法，通过模拟人脑神经元的结构和功能，逐步提高机器对复杂问题的认知和处理能力。
在足球比赛动作识别与分析领域，深度学习可以利用足球比赛的视频数据进行训练和学习，从而实现对不同足球动作的自动识别与分析，并提取出其中的关键信息和特征。
首先，基于深度学习的足球比赛动作识别与分析技术可以帮助教练和球队更好地了解球员的表现和技术特点。
通过对比赛中球员的各种动作进行识别和分析，可以得出运动员在比赛中的表现水平，例如传球的准确程度、射门的力量和准确性等。
这样的信息可以帮助教练制定更加科学和针对性的训练计划，并帮助球员们更好地提升自己的技术水平。
其次，在足球比赛的战术分析方面，基于深度学习的动作识别与分析技术也能够发挥重要作用。
通过对比赛中球员的运动轨迹、传球路线、射门力度等关键信息进行分析和预测，可以帮助教练和球队发现对手的防守漏洞，并制定相应的进攻战术。
同时，还可以通过分析球队的整体跑动和协作情况，帮助教练和球队发现球队的优势和劣势，并对战术进行相应调整和优化。
除此之外，基于深度学习的足球比赛动作识别与分析技术还能够应用于裁判判罚的辅助决策。
足球比赛中裁判的判罚往往需要在短时间内做出决策，而有时候视角和人为因素会导致不准确的判罚。
通过利用深度学习技术识别和分析比赛中的关键动作，裁判可以在判罚时得到更全面和准确的信息，从而提高判罚的准确性和公正性。
然而，基于深度学习的足球比赛动作识别与分析技术还面临一些挑战。
首先，足球比赛的视频数据庞大且复杂，对计算资源和存储空间有很高的要求。
其次，由于足球比赛的环境和场地条件多变，也会对动作识别的精度和准确性提出更高的要求。
基于深度学习的足球赛事视频分析研究
基于深度学习的足球赛事视频分析研究随着人工智能技术的不断发展，深度学习在各个领域得到了广泛应用，包括体育领域。
在足球比赛中，深度学习技术能够帮助分析比赛视频，帮助教练和球员更好地理解比赛，提高比赛胜率。
本文将探讨基于深度学习技术的足球赛事视频分析研究。
第一部分：深度学习技术在足球赛事视频分析中的应用深度学习技术是机器学习的一种，通过神经网络实现对数据的分析和处理。
在足球赛事视频分析中，深度学习技术可以实现以下功能：1. 比赛数据分析：将视频中的比赛数据进行分析，包括球员位置、球员动作、球的轨迹、射门角度等。
2. 比赛策略研究：通过对比赛数据的分析，帮助教练和球员制定更优秀的比赛策略。
3. 个人技能评估：通过对球员的个人技能数据进行分析，帮助球员更好地了解自己的技术特点。
第二部分：基于深度学习的足球赛事视频分析技术研究1. 数据预处理技术研究在深度学习技术中，数据预处理是非常重要的一步。
在足球赛事视频分析中，需要对视频进行预处理，才能用于深度学习网络训练。
2. 基于卷积神经网络的足球数据分析研究卷积神经网络是深度学习中常用的一种网络结构，可以有效地处理图像数据。
在足球赛事视频分析中，也可以使用卷积神经网络实现对视频的分析。
3. 基于循环神经网络的足球数据分析研究循环神经网络是一种特殊的神经网络结构，可以处理时序数据。
在足球比赛中，可以使用循环神经网络实现对比赛时序数据的分析，如球员位置变化、球的轨迹等。
第三部分：基于深度学习的足球赛事视频分析技术实践应用1. 足球比赛数据分析平台的应用足球比赛数据分析平台是基于深度学习技术开发的应用，可以实现对足球比赛视频的分析和处理。
在使用这个平台时，可以实现以下功能：A. 视频切割：将比赛视频分割成小的片段进行分析。
B. 数据分析：使用深度学习技术对比赛视频进行分析，提取出有用的数据。
C. 数据可视化：将分析得到的数据进行可视化展示，便于理解和应用。
2. 基于深度学习的足球比赛回放系统的应用足球比赛回放系统是基于深度学习技术开发的应用，可以实现对足球比赛视频的回放和分析。
基于有向图的足球视频中球员分类算法
基于有向图的足球视频中球员分类算法
孙仕柏;崔荣一
【期刊名称】《计算机应用研究》
【年(卷),期】2015(32)8
【摘要】基于传统的直方图球员分类方法由于缺乏描述图像颜色的空间信息而造成分类误差,而且该方法需要先验的模板信息.为此,提出一种基于有向图的足球球员的分类方法.首先,利用HSV模型中主颜色方法提取候选球员,并利用等面积矩形划分策略对图像进行分块;其次,对子块的HSV颜色空间进行量化,将统计直方图作为颜色特征,然后通过颜色特征计算图像之间的距离,并利用距离矩阵生成对应有向图;最后,通过对有向图的顶点分类实现球员的分类.实验结果表明,提出的方法在没有先验模板信息的条件下,能够有效地解决处在分类边界上的球员分类问题,正确率达到98.23％;与传统方法相比,具有更好的分类效果.
【总页数】3页(P2510-2512)
【作者】孙仕柏;崔荣一
【作者单位】延边大学计算机科学与技术学科智能信息处理研究室,吉林延吉133002;延边大学计算机科学与技术学科智能信息处理研究室,吉林延吉133002【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.足球视频中球员检测的研究 [J], 李海龙;李青;李俊
2.足球视频中球员检测的研究 [J], 李海龙; 李青; 李俊
3.基于C3D的足球视频场景分类算法 [J], 程萍; 冯杰; 马汉杰; 许永恩; 王健
4.从外籍球员看中国足球俱乐部的价值观──试评’96中国足球联赛外籍球员 [J], 张小
5.足球视频序列中球员的分割与跟踪算法 [J], 刘彦宏;杜威;李华
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本技术涉及足球视频片段分类技术领域，具体地说，涉及一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法。
其步骤如下：准备大量的足球比赛视频片段；通过人工的方式对上述视频片段进行标注；利用上述视频片段及标注数据，训练基于卷积神经网络算法的足球视频片段3分类模型；利用训练好的足球视频片段3分类模型对足球视频片段进行处理。
该基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法中，基于深度学习的视频分类算法可以自动对图片中的各种特征信息进行自动学习编码，不需要人工设计特征的介入，从而避免了人工设计特征引起的泛化能力差、准确性低的问题。
技术要求1.一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其步骤如下：S1、准备大量的足球比赛视频片段；S2、通过人工的方式对上述视频片段进行标注；S3、利用上述视频片段及标注数据，训练基于卷积神经网络算法的足球视频片段3分类模型；S4、利用训练好的足球视频片段3分类模型对足球视频片段进行处理，对于视频直播或视频录播，每5秒截取一个视频片段，将截取出的每个视频片段输入足球3分类模型，对处理的视频片段进行分类，将分类信息输出，整个算法结束。
2.根据权利要求1所述的基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其特征在于：S1中，准备视频数据中的足球比赛视频片段方法为通过在正常比赛中截取视频片段或通过网络爬虫爬取大量的足球视频片段。
3.根据权利要求1所述的基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其特征在于：S2中，视频片段标注信息包括如下步骤：步骤一：标注视频片段是否进球；步骤二：标注进球片段视频是什么类型的进球，包括普通进球和定位球进球。
4.根据权利要求1所述的基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其特征在于：S3中，利用上述视频片段及标注数据包括未进球视频片段，普通进球视频片段和定位球进球视频片段。
5.根据权利要求1所述的基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其特征在于：基于卷积神经网络算法的模型训练包括如下步骤：步骤一：利用预训练模型对卷积神经网络进行初始化，网络的初始学习率为0.001，输入的num_segments为35，每个视频长度在5秒左右。
采用TSN神经网络，预训练模型是bn_inception-9f5701afb96c8044.pth；步骤二：将训练视频和对应的标注数据作为输入，利用反向传播算法对TSN模型进行训练，当模型的loss在5个epoch上没有变化时，降低学习率，每个epoch保存一次中间模型，当epoch超过160次以后，结束训练，让模型自动学习到足球视频中的有用信息步骤三：从所有中间模型中选择准确率最高的模型作为最终使用的模型。
6.根据权利要求5所述的基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其特征在于：TSN神经网络的输入数据预处理步骤如下：①、对于每个训练视频，将视频所有帧读取出来，将所有帧等间隔分成若干段，如分成了35段，每中一段随机取出一个视频帧作为该段的输入，也就是每个视频会取出35个视频帧作为一个输入；②、对取出的35个视频帧会进行一些预处理，包括随机水平翻转、center crop、colorjittering等。
技术说明书一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法技术领域本技术涉及足球视频片段分类技术领域，具体地说，涉及一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法。
背景技术目前针对足球视频中进球片段的判断方法为：首先对数据库中足球比赛的压缩视频通过解码器进行解码；接下来进行视频镜头边界检测，然后对镜头类型中的其它镜头进行特征提取，在相应特征提取的基础上进行足球视频镜头分类；然后根据镜头分类结果进行视频镜头片段边界检测，并提取每个片段中的观测矢量；再从一个片段中所提取的观测矢量来判断该片段所属的类型，接下来对确定的精彩片段进行划分，最后将划分后的精彩片段进行摘录并存储到数据库中。
该方法在视频镜头分类阶段使用的是人工设计的特征，包括颜色特征、运动特征、纹理特征、字幕特征，首先这些人工设计的特征，并不能完全反应视频图像中的所有信息，其次这些特征很容易受到不同摄像机、不同光照、不同球场、不同角度等的影响，从而进一步影响这些特征准确性；其次该专利在进行视频片段分类阶段时，采用的特征仍然是人工设计的特征，而选择的分类算法为隐马尔科夫模型HMM进行的分类，该算法训练难度高、分类精度低，同样影响了该专利的使用范围和分类精度。
技术内容本技术的目的在于提供一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，以解决上述背景技术中提出的某种或某些缺陷。
为实现上述目的，本技术提供一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其步骤如下：S1、准备大量的足球比赛视频片段；S2、通过人工的方式对上述视频片段进行标注；S3、利用上述视频片段及标注数据，训练基于卷积神经网络算法的足球视频片段3分类模型；S4、利用训练好的足球视频片段3分类模型对足球视频片段进行处理，对于视频直播或视频录播，每5秒截取一个视频片段，将截取出的每个视频片段输入足球3分类模型，对处理的视频片段进行分类，将分类信息输出，整个算法结束。
作为优选，S1中，准备视频数据中的足球比赛视频片段方法为通过在正常比赛中截取视频片段或通过网络爬虫爬取大量的足球视频片段。
作为优选，S2中，视频片段标注信息包括如下步骤：步骤一：标注视频片段是否进球；步骤二：标注进球片段视频是什么类型的进球，包括普通进球和定位球进球。
作为优选，S3中，利用上述视频片段及标注数据包括未进球视频片段，普通进球视频片段和定位球进球视频片段。
作为优选，卷积神经网络算法包括以下步骤：步骤一：利用预训练模型对卷积神经网络进行初始化，网络的初始学习率为0.001，输入的num_segments为35，每个视频长度在5秒左右。
采用TSN神经网络，预训练模型是bn_inception-9f5701afb96c8044.pth；步骤二：将训练视频和对应的标注数据作为输入，利用反向传播算法对TSN模型进行训练，当模型的loss在5个epoch上没有变化时，降低学习率，每个epoch保存一次中间模型，当epoch超过160次以后，结束训练，让模型自动学习到足球视频中的有用信息步骤三：从所有中间模型中选择准确率最高的模型作为最终使用的模型。
作为优选，TSN神经网络的输入数据预处理步骤如下：①、对于每个训练视频，将视频所有帧读取出来，将所有帧等间隔分成若干段，如分成了35段，每中一段随机取出一个视频帧作为该段的输入，也就是每个视频会取出35个视频帧作为一个输入；②、对取出的35个视频帧会进行一些预处理，包括随机水平翻转、center crop、color jittering等。
与现有技术相比，本技术的有益效果：1、该基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法中，基于深度学习的视频分类算法可以自动对图片中的各种特征信息进行自动编码，不需要人工设计特征的介入，从而避免了人工设计特征引起的泛化能力差、准确性低的问题。
2、该基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法中，基于深度学习的视频分类算法对场景的适应能力非常好，从而对任何场景、任何角度的足球片段进行分类。
3、该基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法中，能够实时自动处理任意场景、任意角度的视频流和视频片段，判断视频流和视频片段中的所有进球，以及每个进球的进球类别，从而极大的降低人工判断的时间成本。
附图说明图1为本技术的整体流程示意图。
具体实施方式下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。
基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
请参阅图1所示，本技术提供一种技术方案：本技术提供一种基于深度学习算法的足球视频片段未进球、普通进球、定位球分类方法，其步骤如下：S1、准备大量的足球比赛视频片段；S2、通过人工的方式对上述视频片段进行标注；S3、利用上述视频片段及标注数据，训练基于卷积神经网络算法的足球视频片段3分类模型；S4、利用训练好的足球视频片段3分类模型对足球视频片段进行处理，对于视频直播或视频录播，每5秒截取一个视频片段，将截取出的每个视频片段输入足球3分类模型，对处理的视频片段进行分类，将分类信息输出，整个算法结束。
S1中，准备视频数据中的足球比赛视频片段方法为通过在正常比赛中截取视频片段或通过网络爬虫爬取大量的足球视频片段。
S2中，视频片段标注信息包括如下步骤：步骤一：标注视频片段是否进球；步骤二：标注进球片段视频是什么类型的进球，包括普通进球和定位球进球。
S3中，利用上述视频片段及标注数据包括未进球视频片段，普通进球视频片段和定位球进球视频片段。
卷积神经网络算法包括以下步骤：步骤一：利用预训练模型对卷积神经网络进行初始化，网络的初始学习率为0.001，输入的num_segments为35，每个视频长度在5秒左右。
采用TSN神经网络，预训练模型是bn_inception-9f5701afb96c8044.pth；步骤二：将训练视频和对应的标注数据作为输入，利用反向传播算法对TSN模型进行训练，当模型的loss在5个epoch上没有变化时，降低学习率，每个epoch保存一次中间模型，当epoch超过160次以后，结束训练，让模型自动学习到足球视频中的有用信息步骤三：从所有中间模型中选择准确率最高的模型作为最终使用的模型。
TSN神经网络的输入数据预处理包括如下步骤：①、对于每个训练视频，将视频所有帧读取出来，将所有帧等间隔分成若干段，如分成了35段，每中一段随机取出一个视频帧作为该段的输入，也就是每个视频会取出35个视频帧作为一个输入；②、对取出的35个视频帧会进行一些预处理，包括随机水平翻转、center crop、color jittering等。
以上显示和描述了本技术的基本原理、主要特征和本技术的优点。
本行业的技术人员应该了解，本技术不受上述实施例的限制，上述实施例和说明书中描述的仅为本技术的优选例，并不用来限制本技术，在不脱离本技术精神和范围的前提下，本技术还会有各种变化和改进，这些变化和改进都落入要求保护的本技术范围内。
本技术要求保护范围由所附的权利要求书及其等效物界定。