編者按：深度學(xué)習咨詢顧問Priya Dwivedi演示了如何結(jié)合TensorFlow目標檢測API和OpenCV分析足球視頻。

介紹

本屆世界杯爆冷不少，誰能想到奪冠大熱門德國會在小組賽出局？:(

作為數(shù)據(jù)科學(xué)家，我們可以對足球視頻剪輯做些分析。使用深度學(xué)習和opencv我們可以從視頻剪輯中提取有趣的洞見。下面展示了一個例子，澳大利亞對秘魯，我們可以識別所有球員、裁判、足球，同時根據(jù)隊服判定球員所屬。所有這一切都可以實時完成。

本文的相關(guān)代碼見GitHub：priya-dwivedi/Deep-Learning/soccerteamprediction/

步驟概覽

使用Tensorflow的目標檢測API，可以快速搭建目標檢測模型。如果你不熟悉這套API，可以看下我之前寫的介紹Tensorflow目標檢測API，以及如何使用該API搭建定制模型的博客文章。

API提供了在COCO數(shù)據(jù)集上預(yù)訓(xùn)練的目標檢測模型。COCO數(shù)據(jù)集包含90種常見目標。

部分COCO目標分類

在這個例子中，我們關(guān)心的分類是人、足球，COCO數(shù)據(jù)集包含這兩個目標。

API支持很多模型：

部分模型

這些模型在速度和精確性上有不同的折衷。由于我感興趣的是實時分析，所以我選擇了SSDLite mobilenet v2。

使用目標檢測API識別出球員后，就可以使用OpenCV圖像處理庫來判定其所屬球隊。如果你沒接觸過OpenCV，可以先看下OpenCV的教程。

OpenCV可以識別特定顏色的掩碼，我們可以用它識別紅衣球員和黃衣球員。下圖是一個OpenCV檢測紅色的例子。

檢測紅色

主要步驟

請對照相應(yīng)的Python代碼閱讀：

加載SSDLite mobilenet模型和分類列表。

使用cv2.VideoCapture()打開視頻并逐幀讀取。

在每一幀上檢測目標。

SSDLite返回的結(jié)果是識別的分類及相應(yīng)置信度、包圍盒預(yù)測。置信度閾值為0.6。然后我們將置信度大于閾值的識別人員剪切出來。

提取出每個球員后，我們需要讀取其球衣的顏色，并預(yù)測其歸屬。我們首先定義紅色和黃色的顏色區(qū)間。接著使用cv2.inRange和cv2.bitwise創(chuàng)建顏色的掩碼。統(tǒng)計檢測出的紅色和黃色像素的數(shù)目，以及占剪切圖像總像素數(shù)的百分比，以檢測球隊。

最后整合代碼，并使用cv2.imshow顯示結(jié)果。

結(jié)語

很好?，F(xiàn)在你看到了，深度學(xué)習和OpenCV的簡單組合可以產(chǎn)生有趣的結(jié)果。在目標檢測和歸類球隊之后，可以進行進一步的分析，例如：

當相機視角在澳大利亞球門區(qū)域時，你可以計算區(qū)域內(nèi)的秘魯球員和澳大利亞球員人數(shù)比。

你可以為每隊分別繪制足跡的熱圖——例如顯示秘魯隊主要占據(jù)的區(qū)域。

你可以繪制守門員的路徑。

目標檢測API提供了一些更精確但更慢的模型。你也可以試試它們。

如果你喜歡這篇文章，給我加?? :) 我希望你從GitHub拉取代碼親自動手嘗試。

另外，我提供深度學(xué)習咨詢，喜歡解決有趣的問題。我?guī)椭恍﹦?chuàng)業(yè)公司部署了創(chuàng)新的AI解決方案。如果你有需要協(xié)作的項目，請通過我的網(wǎng)站deeplearninganalytics.org或我的郵箱priya.toronto3@gmail.com聯(lián)系我。