通过关键点利用提高足球相机标定精度

准确的相机标定对于将摄像传感器从二维图像转换到三维世界坐标至关重要，这使得对场景几何进行精确解释成为可能，并支持诸如玩家跟踪、越位检测和绩效分析等运动分析任务。然而，获取足够数量的高质量点对对于传统方法和深度学习方法的标定方法仍然是一个重大挑战。本文介绍了一个多阶段管道，通过利用足球场的结构特征来解决这一挑战。我们的方法通过利用线线和线圆交点、圆锥上的点以及其他几何特征，显著增加了可用标定点的数量。为缓解不完美标注的影响，我们采用数据拟合技术。我们的管道利用深度学习进行关键点和线检测，并基于实际场地尺寸 Incorporating 几何约束。一个投票算法迭代地选择最可靠的关键点，进一步提高了标定精度。我们在可获得最大足球广播相机标定数据集上评估了我们的方案，并在 SoccerNet 2023 年相机标定挑战赛中取得了第一名位置 [arXiv:2309.06006]，这表明我们的方案在实际场景中有效。项目代码可在 https://github.com/NikolasEnt/soccernet-calibration-sportlight 提供。