avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

106 Zaključki Prispevek 1: Metoda segmentacije zveznega skupinskega dogajanja na pomensko zaključene aktivnosti Predstavljen je bil postopek segmentacije zveznih moˇstvenih iger v več vsebinsko zaključenih faz. Najprej je bil opisan postopek, s katerim na podlagi ročno označenih podatkov, z uporabo algoritma EM, zgradimo ločene modele za posamezno fazo igre. Predlagani so bili različni postopki za opis stanja igre z vektorjem značilk ter postopek za robusten izračun tega vektorja, ki dodatno odpravlja občutljivost segmentacije na neobičajne situacije, ki se pojavljajo v različnih moˇstvenih <strong>igrah</strong>. V nadaljevanju je bil opisan dvostopenjski postopek segmentacije igre. V prvem koraku na podlagi predhodno naučenega modela igre klasificiramo posamezne časovne trenutke v ustrezne faze. V drugem koraku na novo preračunamo fazo igre za posamezen vzorec tako, da upoˇstevamo tudi informacijo o sosednjih vzorcih. Na ta način lahko z uporabo neuteˇzenega filtra ali uteˇzenega filtra z Gaussovim jedrom, zagotovimo časovno konsistentnost dobljenih rezultatov. Validacije predlagane metode smo izvedli na podatkih o gibanju igralcev na treh koˇsarkarskih in treh rokometnih tekmah. Na podlagi izvedenih eksperimentov je bilo ugotovljeno, da je za modeliranje posamezne faze igre najbolj primeren ˇsest-komponentni model meˇsanice Gaussovih porazdelitev (GMM), za zagotavljanje časovne konsistence v igri pa se je za najbolj učinkovitega izkazal neuteˇzeni filter ˇsirine 200 vzorcev. Poleg tega smo analizirali tudi, kako na uspeˇsnost segmentacije vpliva ˇstevilo učnih vzorcev, izbira modela, s katerim modeliramo posamezne faze igre ter izbira vektorja značilk, ki ga uporabimo za predstavitev igre. Na podlagi dobljenih rezultatov lahko ugotovimo, da je za modeliranje igre najprimernejˇsa uporaba GMM modela. Poleg tega se je izkazalo, da izbira vektorja značilk ne vpliva bistveno na končni rezultat segmentacije in da je mogoče dobiti zelo dober model igre tudi v primeru, da je le-ta naučen na relativno majhnemu ˇstevilu učnih vzorcev (npr. 500). Prispevek 2: Shema razpoznavanja tipa aktivnosti na podlagi ˇsablon aktivnosti. Za namene razpoznavanja aktivnosti z uporabo ˇsablon aktivnosti smo razvili model igriˇsča in na trajektorijah temelječe detektorje osnovnih elementov koˇsarkarske igre, ki ji jih imenujemo detektorji akcij. S pomočjo teh detektorjev
iz trajektorij <strong>gibanja</strong> igralcev izluˇsčimo zelo kompakten visokonivojski opis dogajanja na igriˇsču. Z uporabo istih detektorjev pred samim postopkom razpoznavanja zgradimo tudi semantični opis za trajektorije, ki jih pridobimo iz ˇsablon aktivnosti. Na ta način dobimo zbirko semantičnih opisov, ki jih uporabimo v postopku razpoznavanja. Razpoznavanje temelji na primerjavi semantičnega opisa neznane aktivnosti z opisom ˇsablone. Postopek primerjave je razdeljen v dve fazi. V prvi fazi iz primerjanih semantičnih opisov določimo korespondenco med vlogami igralcev v ˇsabloni in vlogami v analizirani aktivnosti. V ta namen za vsakega igralca na igriˇsču zgradimo njemu lastno agendo, ki vsebuje opise vseh akcij, v katerih je igralec sodeloval. Z navzkriˇznim primerjanjem dobljenih agend lahko določimo pravilno korespondenco med vlogami igralcev ter izračunamo podobnost med neznano aktivnostjo in ˇsablono. Podobnost je podana kot razdalja med opisoma, ki jo izračunamo z uporabo modificirane Levenshteinove razdalje. Postopek primerjanja ponovimo za vsako izmed ˇsablon aktivnosti ter na podlagi dobljenih razdalj klasificiramo neznano aktivnost v razred s ˇsablono, pri kateri smo dobili najmanjˇso razdaljo med opisoma. Vrednotenje predlagane metode je bila izvedena na večjem ˇstevilu različnih koˇsarkarskih aktivnosti. Rezultati so pokazali, da je na podlagi predlagane metode mogoče pravilno razpoznati tip odigrane aktivnosti tudi v primeru velikega ˇstevila dodatnih simbolov, ki v opisu prestavljajo ˇsum. Prav tako je bilo ugotovljeno, da je predlagana metoda dovolj robustna, da omogoča razpoznavanje tudi dveh zaporedno odigranih aktivnosti, medtem ko bi morali problem večjega ˇstevila zaporedno odigranih aktivnosti reˇsiti z uporabo drsečega časovnega okna, v katerem bi iskali aktivnosti, ki so bile v tem času odigrane. Poleg dobre uspeˇsnosti razpoznavanja vrste odigrane aktivnosti, so rezultati eksperimentov pokazali tudi veliko uspeˇsnost pri določanju korespondence med vlogami igralcev v ˇsabloni in analizirani aktivnosti. Oba podatka sta namreč ključna pri ocenjevanju izvedbe aktivnosti z uporabo ˇsablon aktivnosti. Prispevek 3: Shema vrednotenja ustreznosti izvedbe aktivnosti s predlogami aktivnosti na podlagi statističnih modelov obnaˇsanja. Predstavljena sta bila dva pristopa za ocenjevanje izvedbe aktivnosti z uporabo 107 ˇsablon aktivnosti. V ta namen je bil najprej razvit postopek, s pomočjo katerega
Page 1:
Univerza v Ljubljani Fakulteta za e
Page 5:
Zahvala ”Čeprav si igral tekmo s
Page 8 and 9:
Na podlagi segmentacije dobimo mno
Page 11 and 12:
Abstract This thesis is focused on
Page 13:
developed system is a result of col
Page 16 and 17:
3.2.1 Klasifikacija posameznih vzor
Page 18 and 19:
ˇZivljenjepis 145 Bibliografija 14
Page 20 and 21:
2 Uvod Na vseh naˇstetih področji
Page 22 and 23:
4 Uvod kar M n različnih stanj. V
Page 24 and 25:
6 Uvod 1.1.1 Hierarhična analiza s
Page 26 and 27:
8 Uvod mnoˇzico ˇsablon, ki so sh
Page 28 and 29:
10 Uvod člankov lahko ugotovimo, d
Page 30 and 31:
12 Uvod in hitrosti gibanja, ki sta
Page 32 and 33:
14 Uvod pa je ponazorjeno s prehodi
Page 34 and 35:
16 Uvod akcij) uporabljena dognanja
Page 36 and 37:
18 Struktura moˇstvenih iger in pr
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Poglavje 3 Časovna segmentacija mo
Page 46 and 47:
28 Časovna segmentacija moˇstveni
Page 48 and 49:
Page 50 and 51:
Page 52 and 53:
Page 54 and 55:
Page 56 and 57:
Page 58 and 59:
Page 60 and 61:
Page 62 and 63:
Page 64 and 65:
Poglavje 4 Razpoznavanje aktivnosti
Page 66 and 67:
48 Razpoznavanje aktivnosti ta nač
Page 68 and 69:
50 Razpoznavanje aktivnosti wn = N(
Page 70 and 71:
52 Razpoznavanje aktivnosti 4.2 Raz
Page 72 and 73:
54 Razpoznavanje aktivnosti teh pra
Page 74 and 75: 56 Razpoznavanje aktivnosti Celotno
Page 76 and 77: 58 Razpoznavanje aktivnosti Igralec
Page 78 and 79: 60 Razpoznavanje aktivnosti lahko p
Page 80 and 81: 62 Razpoznavanje aktivnosti 0.9 0.8
Page 82 and 83: Poglavje 5 Ocenjevanje izvedbe akti
Page 84 and 85: 66 Ocenjevanje izvedbe aktivnosti z
Page 118 and 119: Poglavje 6 Prototipni sistem za ana
Page 120 and 121: 102 Prototipni sistem za analizo mo
Page 122 and 123: 104 Prototipni sistem za analizo mo
Page 126 and 127: 108 Zaključki je mogoče iz ˇsabl
Page 128 and 129: Literatura 110 [1] L. Wang, W. Hu,
Page 130 and 131: 112 Literatura Bayesian networks. C
Page 132 and 133: 114 Literatura [39] F. Li. Descript
Page 134 and 135: 116 Literatura [59] W. S. Erdmann.
Page 136 and 137: 118 Literatura [81] Kurt Jensen. Co
Page 138 and 139: 120 Literatura [104] Nikola Paveˇs
Page 140 and 141: 122 Dodatek ˇSablona ”Motion”
Page 142 and 143: 124 Dodatek ˇSablona ”Middle”
Page 144 and 145: 126 Dodatek Aktivnost Korespondenca
Page 146 and 147: 128 Dodatek ˇSablone akt 52 fl mot
Page 148 and 149: 130 Dodatek p(xj|Θ) = = K αk · N
Page 150 and 151: 132 Dodatek C.2.1 Linearna klasifik
Page 152 and 153: 134 Dodatek −γ||xi−xj|| 2 KRBF
Page 154 and 155: 136 Dodatek tega pa predvidimo tudi
Page 156 and 157: 138 Dodatek pa spremenljivka zavzam
Page 158 and 159: 140 Dodatek • preslikava I : P
Page 160 and 161: 142 Dodatek koraku lahko tako pride
Page 162 and 163: 144 Dodatek
Page 164 and 165: 146 Izobrazba ˇ Zivljenjepis 1998
Page 166 and 167: 148 Objavljena dela [7] M. Perˇse,
Page 168 and 169: 150 Objavljena dela [22] J. Perˇs,
show all

avtomatska analiza gibanja v izbranih moštvenih športnih igrah

Create successful ePaper yourself

Delete template?

Save as template?