PYTHON输入足球比赛图，完成以下任务： (1) 检测足球场地标志线 (2) 根据足球场地标志线上的对应关键点，计算输入图像与标准图像之间的位置对准，并计算投影矩阵(单应矩阵); (3) 根据投影矩阵，计算输入图像中的点在标准图像中的位置

实现以上任务需要使用计算机视觉相关的库和算法。以下是一些可能用到的库和算法：

1. OpenCV：用于图像处理和计算机视觉任务。
2. Harris角点检测算法：用于检测足球场地标志线的关键点。
3. SIFT算法或ORB算法：用于匹配输入图像和标准图像中的特征点，以计算单应矩阵。
4. RANSAC算法：用于从所有匹配点中筛选出最优的匹配点集，从而计算更准确的单应矩阵。
5. 透视变换：用于将输入图像中的点通过单应矩阵变换到标准图像中。

以下是一个简单的Python代码示例，演示如何完成以上任务：

import cv2
import numpy as np

# 加载输入图像和标准图像
img_input = cv2.imread("input.jpg")
img_standard = cv2.imread("standard.jpg")

# 检测足球场地标志线
gray = cv2.cvtColor(img_input, cv2.COLOR_BGR2GRAY)
corners = cv2.cornerHarris(gray, 2, 3, 0.04)
corners = cv2.dilate(corners, None)
corners_thresh = 0.01 * corners.max()
corners = np.float32(np.where(corners > corners_thresh, corners, 0))

# 提取输入图像和标准图像中的特征点
sift = cv2.xfeatures2d.SIFT_create()
kp_input, des_input = sift.detectAndCompute(img_input, None)
kp_standard, des_standard = sift.detectAndCompute(img_standard, None)

# 匹配输入图像和标准图像中的特征点，计算单应矩阵
matcher = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
matches = matcher.match(des_input, des_standard)
matches = sorted(matches, key=lambda x:x.distance)
src_pts = np.float32([kp_input[m.queryIdx].pt for m in matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp_standard[m.trainIdx].pt for m in matches]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 计算输入图像中的点在标准图像中的位置
h, w, _ = img_input.shape
pts_input = np.float32([[0, 0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
pts_standard = cv2.perspectiveTransform(pts_input, M)

其中，变量`corners`表示足球场地标志线的关键点，变量`kp_input`和`des_input`表示输入图像中的特征点和对应的特征描述子，变量`kp_standard`和`des_standard`表示标准图像中的特征点和对应的特征描述子，变量`M`表示计算得到的单应矩阵，变量`pts_input`表示输入图像中的四个角点，变量`pts_standard`表示通过单应矩阵变换后在标准图像中的四个角点。