视觉跟踪

如今,当我们看板球或是网球的比赛的时候很容易发现,机器视觉技术(machine-vision techniques)早已革命性地开始辅助裁判进行现场的即时分析和判罚。例如,当比赛过程中球落在了边线附近的时候,系统就会通过当时在三维空间中记录的球体的运动轨迹,来生成一个虚拟的3D回放,对球体落地一瞬间的位置进行精准显示。机器视觉技术甚至还能够通过现场的情况即时测算出球体在受力之后的前行轨迹。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

虽然这个技术已经在板球和网球比赛中应用许久了。但这种球体运动轨迹跟踪算法在其他的球类运动中——如篮球、排球、足球等却迟迟未能出现。那么这是为什么呢?

原因就在于,在这些运动中,在摄像头的视角下,球体经常会被球员所遮挡。摄像头无法拍摄到球体的话,球体运动轨迹跟踪算法就无从谈起了,所以此时的球体运动变化是无法进行预测的。更何况,和在空中的受力分析相比,处于球员控制下的球体所受的力还要复杂得多,速度也要快得多。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

除了这些因素外,像是足球这类的比赛中还会有一个问题——比赛场地非常宽阔,如果想要把全场都拍摄下来的话,就需要把摄像头放得足够远才可以。而这就会导致视频中球体的成像质量低得多,使得测算系统更难对球体的运动轨迹进行跟踪。

在瑞士的洛桑联邦理工学院,Andrii Maksai和他的好朋友共同设计出了一种全新的球体运动轨迹跟踪系统,据称能够应用于除板球、网球外的其他球类运动。

大多数球体运动轨迹跟踪系统依赖于两种不同的方法来进行测算。第一种就是通过跟踪球体在三维空间中的运动,然后预测出球体在受力之后的各种可能的轨迹。随着球体的追踪数据越来越多,球体能够被逐渐精确到惟一的一条运动轨迹上。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

这种方法的优点是,轨迹的测算中内置了物理定律,可以有效避免出现不科学的测算结果。然而,这种方式对球体路径追踪的成像质量要求是非常高的,必须要相当精确才可以正确测算,更不用说被遮挡了。

另一种方法就是跟踪球员,当球员控球时进行受力分析。当球从一个人传到另一个人后再对另一个球员进行跟踪测算。这样做的优点是,该系统不会因遮挡而无法对传球路径进行测算。事实上,这种方法应用在篮球比赛时效果的确非常好。然而,如果没有对球体的运动轨迹加以受力分析的约束的话,这个系统有时就会生成出不科学的测算结果。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

Maksai和伙伴们一起想出了一个非常浅显易懂的解决方案——同时对球体和球员进行追踪。从两方面得到数据后进行合并测算。

“我们精确地模拟球体和球员的运动轨迹,并在球体没有被遮挡的情况下对球体加以受力分析的约束,最终得出测算结果。”
——Maksai
该小组已在多场排球、篮球和足球比赛的视频中测试了它的算法——通过多台不同角度同时进行拍摄的摄像头得到影像数据,合成出3D模型。但是,在多次遮挡球体的情况下, 即使通过这种合成算法进行测算,实际结果仍然还是不够完美。结果表明目前的技术还是有改善空间的。

虽然这个系统并不完美,但这不妨碍其被称为球体运动轨迹测算领域的一块里程碑——因为这个系统已经极大地提高了演算处理时间,已经足以能够在电视转播中为其他球类比赛提供即时的虚拟3D回放了。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

但是,处理时间的压缩势必会导致演算的正确率降低,而这同样严重限制了该系统的实用性。毕竟,你也不能把不科学的演算路径播放给电视前的观众啊。

而像篮球这种比赛中,由于球体运动轨迹的不可预测性较小,所以这种测算系统的优化也还是有所帮助的。

有像Maksai 团队这样为之努力着的人,相信我们距离能够在足球、篮球和排球比赛中看到即时3D回放已经不远了。不过我们还是要清醒的意识到,目前还没有能够在商业上可行的解决方案。

机器视觉:为什么追踪网球的技术不能用在足球和篮球上?

这可能还需要研究人员进一步优化处理即时演算的方式。目前来看,有一种可能性是采用深度人工智能学习技术,通过人工智能来预测球体的运动轨迹。而这可能会是一个完美地解决方案。

无论研究人员最终会选择哪种方式,目前在这一领域仍然还有很多问题需要解决。

你可能感兴趣的:(视觉跟踪)