该项目基于深度网络、机器视觉对人物运动的分析。比如，在足球比赛中，运动员奔跑时重心高度的变化。以及对战术的分析（控球球员可以传球的范围、应该选择传球还是继续带球等）和技术分析（传球的距离和落点）。
意义：运动员在比赛过程中经常会受伤，除去因碰撞和意外的受伤之外，长期的过度运动也会导致骨骼和肌肉的损伤。在长时间的比赛中，因为疲劳而导致的动作变形也会增大骨骼和肌肉的损伤，甚至是由于动作变形导致摔伤或扭伤。该项目就是通过机器视觉，分析人物关节点，再对关节点的位置分析出人物的重心位置变化。针对分析出的问题进行训练，降低损伤，增加运动寿命。
项目分成三个部分，首先DeepSort算法追踪视频中的人物，根据生成的文件将每帧中人物截取出来。然后Alphapose实别每张图中人物的关节点。最后，从第一步的人物框和第二步的关节点中分析出人物重心的变化、战术和技术。还有一些细节，不光是追踪人物，还要追踪足球，但是足球的运动速度快、体积小，难以实别和追踪，需要专门针对足球的实别调整YOLO的网络参数并训练权重。由于视频清晰度的限制，人物截取之后，图像会模糊，关节点的实别效果不好，需要使用超分辨率算法处理图像。对于战术的分析，还需要实别人物球衣的颜色，实别出同队的球员。
ImageLoader类，继承DataLoder类，加载图片数据。
VideoLoader类，继承DataLoder类，加载视频数据。
DetectionLoader类，加载yolo模型，调用DataLoder子类对象。
DetectionProcessor类，调用DetectionLoader类对象，预测人物框。
torch==0.4.0
torchvision==0.2.0
visdom
nibabel
pandas
tqdm
matplotlib
opencv-python
ntpath
先将视频输入deepsort，得到人物框和id组成的文件。再根据文件将视频中每帧的人物截取下来（一个23秒的视频能截取2万多张人物图像）。Alphapose既可以对图像中的人物标关节点，也可以对视频中的人物标关节点，但是alphapose没有追踪功能，所以暂时只使用对图像人物标关节点的部分。alphapose对人物图像标处理之后，得到一个json文件，里面包括图片中人物的所有关节点信息。
重心分析部分：根据两个结果文件，得到每帧人物框的信息和关节点信息。通过手动标出球场的四个点，使用opencv的投影变换功能，将图像中梯形的球场映射成真实的矩形球场，这里只要拿到映射关系的矩阵即可。在人物是与球场垂直的前提下，通过映射矩阵可以算出人物框底边中心像素代表的实际长度，根据此长度乘以重心的到底边的像素个数，可以得到人物重心的高度。由此，得到人物每帧的重心高度，进而分析重心高度的变化是否由超过身高的8%。
战术分析部分：使用opencv得到映射矩阵。识别球员队服颜色，分出两队成员。调整yolo的网络参数，重新训练用来专门识别足球。假设人与球的距离小于1.5米且保持2秒，就认为当前球员正在控球。然后，计算出20米内的所有球员（对手和队友），根据不同的距离，得到队友的接球范围和对手的防守范围的大小（近似看成一个圆形）。用控球球员的位置和防守范围做切线，得到不可以传球的范围。在剩下可选的范围里，找到一个最优的队友，选择传球（先考虑进攻，再考虑防守）。
原文：https://www.cnblogs.com/dudulududu/p/14198254.html