avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
106 Zaključki<br />
Prispevek 1: Metoda segmentacije zveznega skupinskega dogajanja na<br />
pomensko zaključene aktivnosti<br />
Predstavljen je bil postopek segmentacije zveznih moˇstvenih iger v več vsebinsko<br />
zaključenih faz. Najprej je bil opisan postopek, s katerim na podlagi ročno<br />
označenih podatkov, z uporabo algoritma EM, zgradimo ločene modele za<br />
posamezno fazo igre. Predlagani so bili različni postopki za opis stanja igre z<br />
vektorjem značilk ter postopek za robusten izračun tega vektorja, ki dodatno<br />
odpravlja občutljivost segmentacije na neobičajne situacije, ki se pojavljajo v<br />
različnih moˇstvenih <strong>igrah</strong>. V nadaljevanju je bil opisan dvostopenjski postopek<br />
segmentacije igre. V prvem koraku na podlagi predhodno naučenega modela<br />
igre klasificiramo posamezne časovne trenutke v ustrezne faze. V drugem koraku<br />
na novo preračunamo fazo igre za posamezen vzorec tako, da upoˇstevamo tudi<br />
informacijo o sosednjih vzorcih. Na ta način lahko z uporabo neuteˇzenega<br />
filtra ali uteˇzenega filtra z Gaussovim jedrom, zagotovimo časovno konsistentnost<br />
dobljenih rezultatov.<br />
Validacije predlagane metode smo izvedli na podatkih o gibanju igralcev<br />
na treh koˇsarkarskih in treh rokometnih tekmah. Na podlagi izvedenih<br />
eksperimentov je bilo ugotovljeno, da je za modeliranje posamezne faze igre<br />
najbolj primeren ˇsest-komponentni model meˇsanice Gaussovih porazdelitev<br />
(GMM), za zagotavljanje časovne konsistence v igri pa se je za najbolj<br />
učinkovitega izkazal neuteˇzeni filter ˇsirine 200 vzorcev. Poleg tega smo analizirali<br />
tudi, kako na uspeˇsnost segmentacije vpliva ˇstevilo učnih vzorcev, izbira modela,<br />
s katerim modeliramo posamezne faze igre ter izbira vektorja značilk, ki<br />
ga uporabimo za predstavitev igre. Na podlagi dobljenih rezultatov lahko<br />
ugotovimo, da je za modeliranje igre najprimernejˇsa uporaba GMM modela.<br />
Poleg tega se je izkazalo, da izbira vektorja značilk ne vpliva bistveno na končni<br />
rezultat segmentacije in da je mogoče dobiti zelo dober model igre tudi v primeru,<br />
da je le-ta naučen na relativno majhnemu ˇstevilu učnih vzorcev (npr. 500).<br />
Prispevek 2: Shema razpoznavanja tipa aktivnosti na podlagi ˇsablon<br />
aktivnosti.<br />
Za namene razpoznavanja aktivnosti z uporabo ˇsablon aktivnosti smo razvili<br />
model igriˇsča in na trajektorijah temelječe detektorje osnovnih elementov<br />
koˇsarkarske igre, ki ji jih imenujemo detektorji akcij. S pomočjo teh detektorjev