本发明涉及基于机器视觉的位置测量，尤其涉及一种基于机器视觉的障碍物绕行评测方法。
背景技术：
1、现有技术中，一些体育运动的训练或考核已实现自动化甚至智能化。例如球类项目，需要监测目标是否按照预设规则完成相关动作。而现有的运动测量方案包括人工测量、传感器检测等方案，这些测量方式针对腾空的运动目标位置测量，均有不足之处。人工测量方式，无法保障测量结果的准确性和公平性，且需要耗费一定的人力。传感器检测的方案中，针对运动者空间位置，检测精度偏差较大，无法常态化使用，亟待改进。
技术实现思路
1、为解决背景技术中存在的技术问题，本发明提出一种基于机器视觉的障碍物绕行评测方法。
2、本发明提出的一种基于机器视觉的障碍物绕行评测方法，包括如下步骤：
3、定点采集目标区域内的多帧图像，每一帧图像中均包含m个第一类型障碍物特征、m个第二类型障碍物特征以及一个目标物特征；
4、根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测。
5、“根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测”具体包括：
6、获取m个第一类型障碍物特征的第一绕行数据以及与之对应的发生时间区间，获取m个第二类型障碍物特征的第二绕行数据以及与之对应的发生时间区间；
7、将第一绕行数据以及与之对应的发生时间区间、第二绕行数据以及与之对应的发生时间区间与预设数据进行比较，以对绕行进行评测。
8、“获取m个第一类型障碍物特征的第一绕行数据以及与之对应的发生时间区间，获取m个第二类型障碍物特征的第二绕行数据以及与之对应的发生时间区间”具体包括：
9、获取与第一类型障碍物特征相关的多个第一关联区域，获取与第二类型障碍物特征相关的多个第二关联区域；
10、根据多帧图像中出现的目标物特征与多个第一关联区域之间的位置关系以及时间关系获得第一绕行数据以及与之对应的发生时间区间；
11、根据多帧图像中出现的目标物特征与多个第二关联区域之间的位置关系以及时间关系获得第二绕行数据以及与之对应的发生时间区间。
12、“根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测”还包括：
13、获取对与其一第一类型障碍物特征以及其一第二类型障碍物特征均相关的第三关联区域的穿行数据以及与之对应的发生时间区间；
14、将穿行数据以及与之对应的发生时间区间与预设数据进行比较，以对绕行进行评测。
15、“根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测”还包括：
16、将第一绕行数据以及与之对应的发生时间区间和第二绕行数据以及与之对应的发生时间区间与穿行数据以及与之对应的发生时间区间进行关联分析，以对绕行进行评测。
17、第一类型障碍物特征(dx+1)的第一关联区域具体包括：第一区域、cx区域、cx+1区域，第二类型障碍物特征(ex+1)的第二关联区域具体包括：第二区域、cx区域、cx+1区域，第一绕行数据具体包括：第一类型绕行(dx+1)、第二类型绕行(dx+1)；第二绕行数据具体包括：第一类型绕行(ex+1)、第二类型绕行(ex+1)。
18、当分析出第m3帧图像对应的目标物关键点坐标属于cx区域坐标集；第(m3+n3)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集或jx+1对应的子坐标集，第(m3+n3+s3)帧图像对应的目标物关键点坐标属于cx+1区域坐标集，则满足第一类型绕行(dx+1)；当分析出第m4帧图像对应的目标物关键点坐标属于cx+1区域坐标集，第(m4+n4)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集或jx+1对应的子坐标集，第(m4+n4+s4)帧图像对应的目标物关键点坐标属于cx区域坐标集，则满足第二类型绕行(dx+1)。
19、当分析出第m5帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m5+n5)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集或kx+1对应的子坐标集，第(m5+n5+s5)帧图像对应的目标物关键点坐标属于cx+1区域坐标集，则满足第一类型绕行(ex+1)；当分析出第m6帧图像对应的目标物关键点坐标属于cx+1区域坐标集，第(m6+n6)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集或kx+1对应的子坐标集，第(m6+n6+s6)帧图像对应的目标物关键点坐标属于cx区域坐标集，则满足第二类型绕行(ex+1)。
20、第三关联区域具体包括：第一区域、cx区域、第二区域，穿行数据具体包括：第一类型穿行、第二类型穿行。
21、当分析出第m1帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集，第(m1+n1)帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m1+n1+s1)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集，则满足第一类型穿行；当分析出第m1帧图像对应的目标物关键点坐标属于第二坐标集或kx对应的子坐标集，第(m2+n2)帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m2+n2+s2)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集，则满足第二类型穿行。
22、本发明具有普适性，且由于是区域性读取数据，对于硬件要求相对较低，对算法要求也相对较低，软硬件成本也较低，同时，本发明还可以根据规则的变化灵活的调整策略，具有更好的适应。
1.一种基于机器视觉的障碍物绕行评测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的评测方法，其特征在于，“根据多帧图像对应的多个目标物特征与第一类型障碍物特征以及第二类型障碍物特征之间的位置关系对障碍物绕行进行评测”具体包括：
3.如权利要求2所述的评测方法，其特征在于，获取“第一绕行数据、第二绕行数据”具体包括：
4.如权利要求3所述的评测方法，其特征在于，第一类型障碍物特征(dx+1)的第一关联区域具体包括：第一区域、cx区域、cx+1区域，第二类型障碍物特征(ex+1)的第二关联区域具体包括：第二区域、cx区域、cx+1区域，第一绕行数据具体包括：第一类型绕行(dx+1)和/或第二类型绕行(dx+1)和/或第一类型绕行(dx+1)的发生时间和/或第二类型绕行(dx+1)的发生时间；第二绕行数据具体包括：第一类型绕行(ex+1)和/或第二类型绕行(ex+1)和/或第一类型绕行(ex+1)的发生时间和/或第二类型绕行(ex+1)的发生时间。
5.如权利要求4所述的评测方法，其特征在于，当分析出第m3帧图像对应的目标物关键点坐标属于cx区域坐标集；第(m3+n3)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集或jx+1对应的子坐标集，第(m3+n3+s3)帧图像对应的目标物关键点坐标属于cx+1区域坐标集，则满足第一类型绕行(dx+1)；当分析出第m4帧图像对应的目标物关键点坐标属于cx+1区域坐标集，第(m4+n4)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集或jx+1对应的子坐标集，第(m4+n4+s4)帧图像对应的目标物关键点坐标属于cx区域坐标集，则满足第二类型绕行(dx+1)。
6.如权利要求5所述的评测方法，其特征在于，当分析出第m5帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m5+n5)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集或kx+1对应的子坐标集，第(m5+n5+s5)帧图像对应的目标物关键点坐标属于cx+1区域坐标集，则满足第一类型绕行(ex+1)；当分析出第m6帧图像对应的目标物关键点坐标属于cx+1区域坐标集，第(m6+n6)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集或kx+1对应的子坐标集，第(m6+n6+s6)帧图像对应的目标物关键点坐标属于cx区域坐标集，则满足第二类型绕行(ex+1)。
7.如权利要求1所述的评测方法，其特征在于，“根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测”包括：
8.如权利要求7所述的评测方法，其特征在于，第三关联区域具体包括：第一区域、cx区域、第二区域，穿行数据具体包括：第一类型穿行和/或第二类型穿行和/或第一类型穿行的发生时间和/或第二类型穿行的发生时间。
9.如权利要求8所述的评测方法，其特征在于，当分析出第m1帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集，第(m1+n1)帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m1+n1+s1)帧图像对应的目标物关键点坐标属于第二坐标集或目标物关键点坐标属于kx对应的子坐标集，则满足第一类型穿行；当分析出第m1帧图像对应的目标物关键点坐标属于第二坐标集或kx对应的子坐标集，第(m2+n2)帧图像对应的目标物关键点坐标属于cx区域坐标集，第(m2+n2+s2)帧图像对应的目标物关键点坐标属于第一坐标集或jx对应的子坐标集，则满足第二类型穿行。
10.如权利要求2或7所述的评测方法，其特征在于，“根据多个目标物特征对应的多帧图像被采集到的时间顺序以及与m个第一类型障碍物特征以及m个第二类型障碍物特征的位置关系对障碍物绕行进行评测”还包括：
