| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景与研究意义 | 第11页 |
| 1.2 体育视频分析关键技术 | 第11-15页 |
| 1.2.1 目标检测 | 第12页 |
| 1.2.2 动作识别 | 第12-14页 |
| 1.2.3 事件检测 | 第14-15页 |
| 1.3 论文的研究内容与论文结构 | 第15-17页 |
| 第2章 视频分析研究现状 | 第17-23页 |
| 2.1 单人视频分析 | 第17-18页 |
| 2.2 多人视频分析 | 第18-19页 |
| 2.3 群体视频分析 | 第19-20页 |
| 2.4 篮球视频分析 | 第20-21页 |
| 2.4.1 传统方法 | 第20页 |
| 2.4.2 深度学习方法 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 融合领域知识与全局群体运动模式的篮球事件分类 | 第23-49页 |
| 3.1 篮球视频事件特点分析 | 第23-30页 |
| 3.1.1 群体运动和个体运动的关系 | 第23-24页 |
| 3.1.2 篮球视频语义事件的分段特征 | 第24-26页 |
| 3.1.3 同一事件不同视频段的分类能力 | 第26-30页 |
| 3.2 提出算法总体框架 | 第30-32页 |
| 3.3 基于全局与群体运动模式的语义事件分类 | 第32-35页 |
| 3.3.1 提取GCMPs | 第32-33页 |
| 3.3.2 GCMPs的空间特征表达 | 第33-34页 |
| 3.3.3 GCMPs的时序特征表达以及事件分类 | 第34-35页 |
| 3.4 基于深度图像特征的成功/失败分类 | 第35-36页 |
| 3.5 实验结果分析 | 第36-46页 |
| 3.5.1 实验设置 | 第36-39页 |
| 3.5.2 实验结果及分析 | 第39-46页 |
| 3.6 本章小结 | 第46-49页 |
| 第4章 球员姿态估计 | 第49-61页 |
| 4.1 球员姿态估计总体框架 | 第49-50页 |
| 4.2 融合FCN和CNN的球员分割 | 第50-54页 |
| 4.2.1 超像素聚类分析 | 第50-51页 |
| 4.2.2 FCN预分割 | 第51-53页 |
| 4.2.3 CNN优化分割 | 第53-54页 |
| 4.3 球员个体姿态估计 | 第54-57页 |
| 4.3.1 球员姿态类型分析 | 第55-56页 |
| 4.3.2 不同事件中的球员姿态分布变化 | 第56-57页 |
| 4.4 实验结果分析 | 第57-60页 |
| 4.4.1 球员分割实验结果 | 第57-58页 |
| 4.4.2 球员姿态估计结果分析 | 第58-59页 |
| 4.4.3 姿态估计失败案例分析 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 融合多特征的语义事件分析初探 | 第61-69页 |
| 5.1 多级别语义信息 | 第61-62页 |
| 5.2 球员姿态特征提取与融合 | 第62-64页 |
| 5.2.1 球员姿态特征提取 | 第62-63页 |
| 5.2.2 球员姿态特征融合 | 第63-64页 |
| 5.3 多特征融合的语义事件分类 | 第64-66页 |
| 5.3.1 GCMPs特征提取 | 第65-66页 |
| 5.3.2 多特征融合及事件分类 | 第66页 |
| 5.4 实验及结果分析 | 第66-68页 |
| 5.4.1 多特征的时域信息表达 | 第67页 |
| 5.4.2 分类结果分析 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第6章 篮球比赛视频分析系统实现 | 第69-75页 |
| 6.1 平台及方案确定 | 第69-70页 |
| 6.2 系统实现与展示 | 第70-73页 |
| 6.2.1 读取比赛视频段 | 第70-72页 |
| 6.2.2 基于光流图的GCMPs表达 | 第72页 |
| 6.2.3 预测事件 | 第72-73页 |
| 6.3 本章小结 | 第73-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间发表的学术论文 | 第83-85页 |
| 致谢 | 第85页 |