L’INDEXATION DES
TRANSMISSIONS SPORTIVES
Mohamed Amine BERGACH
Mohammed Salim BOUHADDIOUI
Soukaina FAROUKI
Adrian-Victor M...
 INTRODUCTION
SOMMAIRE
 LES MODELES MATHEMATIQUES
 L’EXEMPLE DU FOOTBALL
 L’EXEMPLE DU TENNIS
 CONCLUSION
 Les éléme...
 LE CONTEXTE TECHNIQUE ET COMMERCIAL
INTRODUCTION
 L’AMELIORATION :
 Segmentation automatique des scènes
 L’annotation...
 UN EXEMPLE D’ALGORITHME
INTRODUCTION
Vidéo
Eléments
visuels :
Couleur,
forme,
mouvement
Texte
Son
Analyse
bas-niveau
Seg...
LES ELEMENTS DE BAS NIVEAU
5
 LES COULEURS (I)
LES ELEMENTS DE BAS NIVEAU
Les moments de la couleur
Les moments centraux
Les moments d’ordre I
La comp...
 LES COULEURS (I)
LES ELEMENTS DE BAS NIVEAU
Pour détecter le type de cadre :
M100 (r) et M010 (g)
7
 LES COULEURS (II)
LES ELEMENTS DE BAS NIVEAU
La couleur dominante (CD)
Le terrain a une couleur uniforme => un domaine d...
 LES COULEURS (II)
LES ELEMENTS DE BAS NIVEAU
La couleur dominante (CD) : pour détecter
le type de cadre et aussi les tra...
 LES COULEURS (II)
LES ELEMENTS DE BAS NIVEAU
La couleur dominante (CD)
La projection horizontale :
…sous-échantillonnée ...
 LES COULEURS (II)
LES ELEMENTS DE BAS NIVEAU
La couleur dominante (CD)
La projection verticale :
…sous-échantillonnée =
...
 LES COULEURS (II)
LES ELEMENTS DE BAS NIVEAU
La couleur dominante (CD) – les régions de décision
12
 LES FORMES
LES ELEMENTS DE BAS NIVEAU
Les moments de la forme
Les moments centraux
Les moments d’ordre I
13
 LES FORMES
LES ELEMENTS DE BAS NIVEAU
La norme (N) :
Ix, Iy – composantes
du gradient
Pour comparer les formes :
Le mome...
 LES FORMES
LES ELEMENTS DE BAS NIVEAU
M2 de la norme
M2 de la TH
15
 LE MOUVEMENT
LES ELEMENTS DE BAS NIVEAU
Les vecteurs de mouvement (VM)
L’approche courante met l’accent sur la distribut...
 LE MOUVEMENT
LES ELEMENTS DE BAS NIVEAU
Les vecteurs de mouvement (VM)
Exemple de vecteurs de mouvement MPEG
A : Zoom | ...
 LE TEXTE
LES ELEMENTS DE BAS NIVEAU
On utilise les sous-titres affichés ou même le texte généré pendant une
transmission...
 LE SON
LES ELEMENTS DE BAS NIVEAU
On peut distinguer deux façons différentes d’utiliser le son :
- Pour reconnaître des ...
 LE SVM
(Support Vector Model)
LA CLASSIFICATION
20
ANALYSE MOYEN & HAUT NIVEAU
21
Schéma directeur
Vidéo
Eléments
visuels :
Couleur,
forme,
mouvement
Texte
Son
Analyse
bas-niveau
Segmentation
des scènes
I...
Détection de jeux dans une vidéo de baseball
23
Détection de jeux dans une vidéo de baseball
24
Hidden Markov
Model
25
Détection de jeux dans une vidéo de baseball
Non
jeu
S2
Dans le
jeu
S4
Fin de
jeu
S3
Début
de jeu
S1
a12
a21
a22
a11
a14
a...
Hidden Markov Model
 N: le nombre d’états
M: le nombre des symboles distinct observables par états, la taille de l’alpha...
Hidden Markov Model
Pour des mesures de commodité nous utilisons la notation :
λ = (A,B,π)
 Notation:
Les chaines de Ma...
Hidden Markov Model
Ayant une séquence d’observation O= O1O2…OT, et le modèle ƛ ,
comment peut on choisir une séquence Q= ...
Hidden Markov Model
Comment peut on ajuster les paramètres λ = (A,B,π) pour
maximaliser P[Q  λ]?
 Problème 2:
30
L’algorithme de Viterbi
 Solution au Problème 1:
le critère: maximiser P[QO, λ]
on définit :
δt(i) = max P[q1q2….qT = i, ...
L’algorithme de Viterbi
 Initialisation:
δ1(i) = πi bi(O1 ) 1≤ i ≤ N
Ψ1(i) = 0
 Itérations :
δt(j)= max [δt-1(i) aij ]. ...
l’algorithme de Baum-Welch
On définit d ’abord :
ξt(i,j)= P(qt = Si , qt+1= Sj Q, λ)
Ainsi :
ɣt(i)= P(qt = SiQ, λ) =
le no...
En utilisant ces formules on estimes les paramètre d’un nouveau modèle qui
maximise la probabilité d’avoir la séquence d’o...
Détection de jeux dans une vidéo de baseball
35
Détection de jeux dans une vidéo de baseball
Non
jeu
S2
Dans le
jeu
S4
Fin de
jeu
S3
Début
de jeu
S1
a12
a21
a22
a11
a14
a...
Séquence d’apprentissage:
Extraction
de trames
Calcule de Vk
Estimation
des
paramètres
du model
Algorithme
de Baum
Weltch
...
Détection de jeux dans une vidéo de baseball
Segmentation
de la vidéo
Algorithme
de Viterbi
Séquence
optimale
vidéo à
trai...
Dans ce cas on utilise des
descripteur basé sur la
distributions des couleurs, la
géométrie du terrain …
Etude de cas
 Ba...
Détection en utilisant les HMM
Rien qu’avec un vecteur de
caractéristiques à 3 éléments ,
on obtient 89% de détection
des ...
FOOTBALL
41
Indexation vidéo football
 Besoin:
✓ indexation des vidéo de football
 Pour cela on doit:
✓ détecter et suivre la balle,...
Suivi de la balle
 La balle a en général une forme circulaire sur les plans
rapprochés.
 Elle peut ne pas l’être sur les...
Suivi de la balle (suite)
Choix de la trajectoire de la balle (Viterbi)
44
Suivi des joueurs
Segmentation en types de plans:
Plan large Plan moyen Plan rapproché Hors cadre
Modèles positifs et néga...
Détection des joueurs
Image originale Sélection du plan de jeu Appliquer un masque
sur les joueurs
Réponse initiale
du dét...
interpolation de vues
Différents point de vue d’un joueur
47
Eye Vision
48
Détection d’hors jeu
Modèle simplifié de l’action d’hors jeuHors jeu
Disposition des 16 caméras
La détection
d’événements ...
Vidéo Exemple
50
Autre approche
La tactique de l’équipe La distance parcourue La préparation des tirs
51
TENNIS
52
Plan d’étude:
 Modèle du court de tennis
 Vue globale du système
 Algorithme de « tracking » du joueur
 Module d’analy...
Modèle du court de tennis
 H1 : Les dimensions et la forme des lignes du court de
tennis sont connues.
54
Modèle du court de tennis
 H2: La géométrie de la caméra est gérée par les équations
[1] et [2]
55
Modèle du court de tennis
 H3: A partir d’une image d’un court de tennis, il est
possible d’extraire les trois segments p...
Vue globale du système
57
Algorithme de suivi du joueur
58
Algorithme de suivi du joueur
 1/Soit T le modèle de taille w*w centré à la position
(p,q) dans le cadre actuel C. Soit F...
Algorithme de suivi du joueur
 a/ Calculer « match_value » au point (p+i,q+j)
Match_value=∑(u,v)ϵ (w*w) |T(u,v)-F(p+i+u,q...
Vue globale du système
61
Noms des différents ségments
62
High-level Reasoning Module
 BL => Baseline
 SL => Service line ( horizontal )
 NN => Near the line
 BLC => Center of ...
1/Donner des annotations aux vidéos
 Net game
 Serve and volley
 Passing shot
2 /Orientation du jeu :
 Défensif
 Offe...
Décisions logiques
65
66
67
 INTEL AUTOMATED SPORTS HIGHLIGHTS
Résumé automatique
Une application assez récente, encore en développement (2006-présen...
All Sports Analysis Program
69
CONCLUSION
70
MERCI !
71
 Browsing Sports Video
 R. Dahyot, N. Rea, and A. Kokaram, “Sport video shot segmentation and classification”, in Proc. ...
Prochain SlideShare
Chargement dans…5
×

Sports video indexing

1 392 vues

Publié le

Publié dans : Technologie, Voyages, Business
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
1 392
Sur SlideShare
0
Issues des intégrations
0
Intégrations
10
Actions
Partages
0
Téléchargements
9
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • Des décisions logiques sont prises en fonction des valeurs des cases de notre tableau. Plus exactement, ces décisions sont prises en fonction de la position de chaque joueur sur le court. Sur ce, on pourra juger ou commenter le style de jeu de chaque joueur .. Parler éventuellement du développement de certaines techniques .. Les points forts, faibles .. Etc bd3 !!
  • Sports video indexing

    1. 1. L’INDEXATION DES TRANSMISSIONS SPORTIVES Mohamed Amine BERGACH Mohammed Salim BOUHADDIOUI Soukaina FAROUKI Adrian-Victor MANOLIU 20 Octobre 2010TELECOM SudParis 1
    2. 2.  INTRODUCTION SOMMAIRE  LES MODELES MATHEMATIQUES  L’EXEMPLE DU FOOTBALL  L’EXEMPLE DU TENNIS  CONCLUSION  Les éléments de bas niveau  Les Modèles de Markov Cachés 2
    3. 3.  LE CONTEXTE TECHNIQUE ET COMMERCIAL INTRODUCTION  L’AMELIORATION :  Segmentation automatique des scènes  L’annotation sémantique  La détection des objets  La recherche des fins de cadres  LA NECESSITE DE L’INDEXATION AUTOMATIQUE 3
    4. 4.  UN EXEMPLE D’ALGORITHME INTRODUCTION Vidéo Eléments visuels : Couleur, forme, mouvement Texte Son Analyse bas-niveau Segmentation des scènes Identification des évènements Séquences d’apprentissage Résumé Vécteurs de caractéristiques Algorithmes de décision 4
    5. 5. LES ELEMENTS DE BAS NIVEAU 5
    6. 6.  LES COULEURS (I) LES ELEMENTS DE BAS NIVEAU Les moments de la couleur Les moments centraux Les moments d’ordre I La composante « r » centrée 6
    7. 7.  LES COULEURS (I) LES ELEMENTS DE BAS NIVEAU Pour détecter le type de cadre : M100 (r) et M010 (g) 7
    8. 8.  LES COULEURS (II) LES ELEMENTS DE BAS NIVEAU La couleur dominante (CD) Le terrain a une couleur uniforme => un domaine de teinte (le H de HSV) assez étroit La proportion de la CD : Si la proportion de la CD > ε (ex. 0,2), on va calculer la proportion du terrain et des joueurs dans chaque cadre 8
    9. 9.  LES COULEURS (II) LES ELEMENTS DE BAS NIVEAU La couleur dominante (CD) : pour détecter le type de cadre et aussi les transitions Les transitions Des terrains différents, mais toujours un spectre de teinte étroit 9
    10. 10.  LES COULEURS (II) LES ELEMENTS DE BAS NIVEAU La couleur dominante (CD) La projection horizontale : …sous-échantillonnée = (10 éléments) La proportion du terrain dans l’image : 10
    11. 11.  LES COULEURS (II) LES ELEMENTS DE BAS NIVEAU La couleur dominante (CD) La projection verticale : …sous-échantillonnée = (30 éléments) La proportion des joueurs dans l’image : 11
    12. 12.  LES COULEURS (II) LES ELEMENTS DE BAS NIVEAU La couleur dominante (CD) – les régions de décision 12
    13. 13.  LES FORMES LES ELEMENTS DE BAS NIVEAU Les moments de la forme Les moments centraux Les moments d’ordre I 13
    14. 14.  LES FORMES LES ELEMENTS DE BAS NIVEAU La norme (N) : Ix, Iy – composantes du gradient Pour comparer les formes : Le moment d’ordre 2 de la norme : Le moment d’ordre 2 de la TH : 14
    15. 15.  LES FORMES LES ELEMENTS DE BAS NIVEAU M2 de la norme M2 de la TH 15
    16. 16.  LE MOUVEMENT LES ELEMENTS DE BAS NIVEAU Les vecteurs de mouvement (VM) L’approche courante met l’accent sur la distribution et la pertinence des VM, et non pas sur la magnitude ou la direction => on a crée un algorithme : 1. Sous-échantillonnage pour arriver à une taille de 192 x 128 2. Division dans des blocs de 16 x 16 3. Prise des 10 x 7 blocs centraux 4. Etablissement des blocs pertinents 5. Application d’une masque de poids : 16
    17. 17.  LE MOUVEMENT LES ELEMENTS DE BAS NIVEAU Les vecteurs de mouvement (VM) Exemple de vecteurs de mouvement MPEG A : Zoom | B : Panoramique | C : Statique | D : Objet en mouvement 17
    18. 18.  LE TEXTE LES ELEMENTS DE BAS NIVEAU On utilise les sous-titres affichés ou même le texte généré pendant une transmission pour trouver les scènes importantes. On peut faire une classification des mots-clés dans l’ordre attendue : 18
    19. 19.  LE SON LES ELEMENTS DE BAS NIVEAU On peut distinguer deux façons différentes d’utiliser le son : - Pour reconnaître des mots ou des sons de référence - Pour détecter l’intensité des réactions du commentateur, du publique etc. Transition Type de cadre Evénements Mots/sons clés 19
    20. 20.  LE SVM (Support Vector Model) LA CLASSIFICATION 20
    21. 21. ANALYSE MOYEN & HAUT NIVEAU 21
    22. 22. Schéma directeur Vidéo Eléments visuels : Couleur, forme, mouvement Texte Son Analyse bas-niveau Segmentation des scènes Identification des évènements Séquences d’apprentissage Résumé Vécteurs de caractéristiques Algorithmes de décision 22
    23. 23. Détection de jeux dans une vidéo de baseball 23
    24. 24. Détection de jeux dans une vidéo de baseball 24
    25. 25. Hidden Markov Model 25
    26. 26. Détection de jeux dans une vidéo de baseball Non jeu S2 Dans le jeu S4 Fin de jeu S3 Début de jeu S1 a12 a21 a22 a11 a14 a31 a32 a43 a44 a33 v1 v2 v3 v4 26
    27. 27. Hidden Markov Model  N: le nombre d’états M: le nombre des symboles distinct observables par états, la taille de l’alphabet La matrice des probabilités de transitions A={aij} aij= P[qt+1 = Sjqt = Si] 1≤ i,j ≤ N La distribution des probabilités d’observation des symboles à l’état j B= {bj(k ) } bj(k ) = P[vk at tqt = Sj] 1≤ j ≤ N 1≤ k ≤ M La distribution initiale π = {πi} πi = P[q1= Si] 1≤ i ≤ N  Caractéristiques d’une HMM: 27
    28. 28. Hidden Markov Model Pour des mesures de commodité nous utilisons la notation : λ = (A,B,π)  Notation: Les chaines de Markov cachées présentent aussi quelque problèmes : 28
    29. 29. Hidden Markov Model Ayant une séquence d’observation O= O1O2…OT, et le modèle ƛ , comment peut on choisir une séquence Q= q1q2….qT optimale au sens d’un critère prédéfinie?  Problème 1: 29
    30. 30. Hidden Markov Model Comment peut on ajuster les paramètres λ = (A,B,π) pour maximaliser P[Q λ]?  Problème 2: 30
    31. 31. L’algorithme de Viterbi  Solution au Problème 1: le critère: maximiser P[QO, λ] on définit : δt(i) = max P[q1q2….qT = i, O1O2…OT λ] δt(i) est la plus grande probabilité au long d’un même chemin, à l’instant t, qui prend en compte les t premières observations, et fini à l’état Si δt+1(i) = [max δt(i) aij ]. bj(Ot+1 ) 31
    32. 32. L’algorithme de Viterbi  Initialisation: δ1(i) = πi bi(O1 ) 1≤ i ≤ N Ψ1(i) = 0  Itérations : δt(j)= max [δt-1(i) aij ]. bi(Ot ) 2≤ t ≤ T Ψt(i)= argmax[δt-1(i) aij ] 1≤ j ≤ N  Fin: P*= max [δT(i)] q*= argmax[δT(i)]  Déroulement de l’algorithme La séquence Q maximisant P[QO, λ] 32
    33. 33. l’algorithme de Baum-Welch On définit d ’abord : ξt(i,j)= P(qt = Si , qt+1= Sj Q, λ) Ainsi : ɣt(i)= P(qt = SiQ, λ) = le nombre de passage par l’états Si . le nombre de transition de l’état i à l’état j.  Solution au Problème 2: 33
    34. 34. En utilisant ces formules on estimes les paramètre d’un nouveau modèle qui maximise la probabilité d’avoir la séquence d’observation P(Q ƛ)> P(Q λ ): l’algorithme de Baum-Welch 34
    35. 35. Détection de jeux dans une vidéo de baseball 35
    36. 36. Détection de jeux dans une vidéo de baseball Non jeu S2 Dans le jeu S4 Fin de jeu S3 Début de jeu S1 a12 a21 a22 a11 a14 a31 a32 a43 a44 a33 v1 v2 v3 v4 36
    37. 37. Séquence d’apprentissage: Extraction de trames Calcule de Vk Estimation des paramètres du model Algorithme de Baum Weltch Une vidéo traitée Le modèle λ approprié Détection de jeux dans une vidéo de baseball 37
    38. 38. Détection de jeux dans une vidéo de baseball Segmentation de la vidéo Algorithme de Viterbi Séquence optimale vidéo à traiter Détection des segments de jeu Modélisation HMM 38
    39. 39. Dans ce cas on utilise des descripteur basé sur la distributions des couleurs, la géométrie du terrain … Etude de cas  Baseball 39
    40. 40. Détection en utilisant les HMM Rien qu’avec un vecteur de caractéristiques à 3 éléments , on obtient 89% de détection des jeu Etude de cas  Sumo Japonais 40
    41. 41. FOOTBALL 41
    42. 42. Indexation vidéo football  Besoin: ✓ indexation des vidéo de football  Pour cela on doit: ✓ détecter et suivre la balle, les joueurs et l’arbitre  Difficultés: ✓ les occlusions ✓ similarité entre joueurs ✓ variation du nombre de joueurs ✓ mouvements de caméras ✓ bruit ✓ flou caméra 42
    43. 43. Suivi de la balle  La balle a en général une forme circulaire sur les plans rapprochés.  Elle peut ne pas l’être sur les plans larges: • Eclairage, ombre, occlusion, vitesse de la balle...  la balle est l’élément qui bouge le plus 43
    44. 44. Suivi de la balle (suite) Choix de la trajectoire de la balle (Viterbi) 44
    45. 45. Suivi des joueurs Segmentation en types de plans: Plan large Plan moyen Plan rapproché Hors cadre Modèles positifs et négatifs pour le détecteur Apprentissage: 45
    46. 46. Détection des joueurs Image originale Sélection du plan de jeu Appliquer un masque sur les joueurs Réponse initiale du détecteur de joueurs Classification par méthode de Sac de caractéristiques Modèle du joueur 46
    47. 47. interpolation de vues Différents point de vue d’un joueur 47
    48. 48. Eye Vision 48
    49. 49. Détection d’hors jeu Modèle simplifié de l’action d’hors jeuHors jeu Disposition des 16 caméras La détection d’événements de jeux se fait à l’aide de l’analyse des vecteurs de vitesse 49
    50. 50. Vidéo Exemple 50
    51. 51. Autre approche La tactique de l’équipe La distance parcourue La préparation des tirs 51
    52. 52. TENNIS 52
    53. 53. Plan d’étude:  Modèle du court de tennis  Vue globale du système  Algorithme de « tracking » du joueur  Module d’analyse sémantique ( high level )  Méthode d’arbitrage vidéo 53
    54. 54. Modèle du court de tennis  H1 : Les dimensions et la forme des lignes du court de tennis sont connues. 54
    55. 55. Modèle du court de tennis  H2: La géométrie de la caméra est gérée par les équations [1] et [2] 55
    56. 56. Modèle du court de tennis  H3: A partir d’une image d’un court de tennis, il est possible d’extraire les trois segments projetés du court correspondant à P0P1, P0P2 et P1P3. 56
    57. 57. Vue globale du système 57
    58. 58. Algorithme de suivi du joueur 58
    59. 59. Algorithme de suivi du joueur  1/Soit T le modèle de taille w*w centré à la position (p,q) dans le cadre actuel C. Soit F le cadre suivant et Soit N le cadre d’après.  2/Générer une image binaire H contenant uniquement les segments du court restructuré en F H(i,j)= { 1 sinon 0 si ligne du court de tennis passe par (i,j)  3/Fixer Max-value = 256*w²  4/Pour chaque pixel sur (i,j) dans une fenêtre B autour de (p,q) sur F : 59
    60. 60. Algorithme de suivi du joueur  a/ Calculer « match_value » au point (p+i,q+j) Match_value=∑(u,v)ϵ (w*w) |T(u,v)-F(p+i+u,q+j+v)|. H(p+u,q+v)  b/ Si Max_value>match_value, do  Max_value= match_value  Min_p = p + i , min_q = q + j  5/ La localisation correspondante au joueur sur F est (min_p, min_q).Mettre à jour la localisation du joueur avec(p,q)=(min_p,minq). Mettre à jour le contenu de T sur (p,q)  6/Mettre à jour les cadres : C=F ; F=N60
    61. 61. Vue globale du système 61
    62. 62. Noms des différents ségments 62
    63. 63. High-level Reasoning Module  BL => Baseline  SL => Service line ( horizontal )  NN => Near the line  BLC => Center of the Baseline  SLC => Centre of the Service line  High level Annotations 63
    64. 64. 1/Donner des annotations aux vidéos  Net game  Serve and volley  Passing shot 2 /Orientation du jeu :  Défensif  Offensif 64
    65. 65. Décisions logiques 65
    66. 66. 66
    67. 67. 67
    68. 68.  INTEL AUTOMATED SPORTS HIGHLIGHTS Résumé automatique Une application assez récente, encore en développement (2006-présent), qui propose de résoudre tous les problèmes qu’on a adressé dans cette présentation. Venant de Intel, c’est un outil qui tend aussi vers l’optimisation des calculs et des ressources utilisées.
    69. 69. All Sports Analysis Program 69
    70. 70. CONCLUSION 70
    71. 71. MERCI ! 71
    72. 72.  Browsing Sports Video  R. Dahyot, N. Rea, and A. Kokaram, “Sport video shot segmentation and classification”, in Proc. PIE Int. Conf. Visual Communication and Image Processing, July 2003, pp. 404–413.  N. Babaguchi, Y. Kawai, and T. Kitahashi, “Event based indexing of broadcasted sports video by intermodal collaboration,” IEEE Trans. Multimedia, vol. 4, no. 1, pp. 68–75, Mar. 2002.  B. Li, J. Errico, H. Pan, and M.I. Sezan, “Bridging the semantic gap in sports video retrieval and summarization,” J. Vis. Commun. Image Represent., vol. 15, pp. 393–424, 2004.  Lawrence R. Rabiner « A tutorial on Hidden Markov Models and selected applications in speech recognition »  B. Li and M.I. Sezan, “Event detection and summarization in sports video,” in Proc. IEEE Workshop Content-based Access of Image and Video Libraries CAIVL01, 2001, pp. 132–138.  N. Rea, R. Dahyot, and A. Kokaram, “Semantic event detection in sports through motion understanding,” in Proc. 3rd Int. Conf. Image and Video Retrieval (CIVR 04), July 2004, pp. 88–97.  J. Assfalg, M. Bertini, C. Colombo, A. del Bimbo, and W. Nunziati, “Semantic annotation of soccer videos: Automatic highlights identification” Comput. Vis.Image Understand., vol. 92, no. 2–3, pp. 285–305, Nov. 2003.  H. Denman, N. Rea and A. Kokaram, “Content Based analysis for video from Snooker Broadcasts”  Baoxin Li and M. Ibrahim Sezan, « Event Detection and Summarization in Sports Video»  G.Sudhir, John C. M. Lee and Anil K. Jain, « Automatic Classification of Tennis Video for High-Level Content-based Retrieval »  http://eric.cabrol.free.fr/dotclear/index.php/2008/07/29/727-hawkeye  V. Pallavi, J. Mukherjee, A.K. Majumdar, S. Sural, Ball detection from broadcast soccer videos using static and dynamic features, Journal Visual Communica- tion and Image Representation 19 (7) (2008) 426–436.  J. Liu, X. Tong, W. Li, T. Wang, Y. Zhang, H. Wang, B. Yang, L. Sun, S. Yang, Automatic player detection, Labeling and Tracking in Broadcast Soccer Video, in: British Machine Vision Conference, University of Warwick, UK, 10–13 September 2007.  J. Liu, X. Tong, W. Li, T. Wang, Y. Zhang, H. Wang, Automatic player detection, labeling and tracking in broadcast soccer video, Pattern Recognition Letters 30 (2) (2009) 103–113. REFERENCES 72

    ×