随着社会的发展,越来越多的体育视频走进了人们的日常生活。对这些体育视频进行分析,既可以给观众带来更加精彩的内容,又可以找出运动员的不足进行改进。精确的运动员检测和姿态估计是进行体育视频分析的重要环节。现有人体目标检测和姿态估计算法在通用人体检测任务上取得了良好的性能,但是在体育视频中会同时检测运动员和观众,无法进一步对运动员目标进行区分,给后续的视频分析带来干扰。同时带人体标注的体育视频数据稀缺,要获得适用于体育视频领域的模型成本较高。运动员是通用人体检测任务的一种特例,如果能用通用人体检测模型完成对体育视频中运动员的检测和姿态估计,无疑可以节省大量成本。为了降低标注成本和训练花费,实现体育视频中运动员的检测和姿态估计,论文对如何将通用人体检测模型迁移到体育视频领域进行了研究。主要工作如下:1.提出了一种基于示例特征度量的人体目标检测算法。算法首先基于通用算法的人体检测结果进行特征提取,然后初始化一个特征向量表示运动员,接着学习线性变换模块将人体特征映射到运动员特征空间,最后通过度量人体特征与运动员特征之间的相似度实现运动员与非运动员的区分。该算法在通用人体检测算法的基础上,通过多示例学习,无需任何目标边框标注,即可训练一个通用目标到运动员目标的特征映射,实现面向体育视频的运动员检测,检测性能与基于同样模型训练的运动员专用检测网络相当。2.提出了一种基于局部空间约束的运动员姿态估计算法。算法以通用人体姿态估计算法为基础,首先依据运动员检测框对图片进行局部约束,只保留图中与运动员有关的内容,然后将处理后的图片输入通用人体姿态估计模型进行姿态检测,最后将检测到的姿态映射回原图完成运动员的姿态估计。该算法只需用运动员检测框对图片进行预处理就可以基于通用人体姿态估计算法直接得到运动员姿态,不需要额外的姿态区分模块,在不影响人体姿态估计精度的前提下,有效的减少了运算开销。3.实现了面向体育视频的运动员检测和姿态估计系统。该系统基于Python实现,可以十分方便的在Windows、Linux等系统平台部署,端到端的完成了对体育视频中运动员的目标检测和人体姿态估计。