avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah avtomatska analiza gibanja v izbranih moštvenih športnih igrah
28 Časovna segmentacija moˇstvenih iger Z upoˇstevanjem določenih ugotovitev, ki so bile dobljene na osnovi preliminarnih rezultatov, pa lahko osnovno metodo izračuna vektorja značilk ˇse izboljˇsamo in jo naredimo bolj robustno. Prva izboljˇsava pri izračunu vektorja značilk temelji na opaˇzanju, da se igralci obeh ekip med igro gibljejo zelo podobno, ne glede na fazo igre, v kateri se nahajajo. Tako lahko, namesto da bi za vsako ekipo zgradili ločen model igre, zgradimo en skupen model igre, pri katerem upoˇstevamo vseh m = 2n igralcev na igriˇsču. Tak model predstavlja stanje ene od ekip, medtem ko je, zaradi narave igre, stanje druge ekipe ravno komplementarno stanju prve. Torej je v primeru, ko je prva ekipa v fazi napada, druga ekipa v fazi obrambe in obratno. Faza odmora pa je skupna obema ekipama. Druga izboljˇsava, ki jo lahko vpeljemo v izračun tega vektorja, temelji na opaˇzanju, da so za izračun vektorja značilk poloˇzaji različnih igralcev na igriˇsču različno pomembni. Na ta način ˇzelimo predvsem odpraviti anomalije, ki se med igro pojavljajo zaradi napak pri sledenju, poˇskodb igralcev med igro ali v primeru rokometa menjav med aktivno igro. Da bi odpravili tovrstne izjeme, ki vplivajo na končni rezultat segmentacije, vpeljemo uteˇzi wi, ki določajo kako pomemben je poloˇzaj posameznega igralca za izračun centroida. Uteˇz wi izračunamo tako, da pozicije igralcev na igriˇsču modeliramo z Gaussovo porazdelitvijo N(·; µ(t),Σ(t)) s srednjo vrednostjo µ(t) = [µx(t), µy(t)] T in kovarianco Σ(t). Uteˇz posameznega igralca je nato določena kot verjetje za pozicijo igralca i glede na dano Gaussovo porazdelitev wi(t) = N(pi(t); µ(t),Σ(t)) m , (3.4) N(pi(t); µ(t),Σ(t)) i=1 kjer pi(t) = [xi, yi] T predstavlja pozicijo igralca i v katrtezičnih koordinatah. Poloˇzaj uteˇzenega centroida je sedaj določen kot xt = m wi(t) · xi(t) , yt = i=1 m wi(t) · yi(t). (3.5) Slika 3.1 prikazuje primer trajektorije uteˇzenega centroida vseh igralcev na igriˇsču za en polčas koˇsarkarske in rokometne tekme. Tako izračunane trajektorije centroida ˇse vedno vsebujejo precej variabilnosti za posamezno fazo igre, zaradi česar se pojavi potreba po statističnem modelu s katerim bi lahko te faze ustrezno i=1
3.1 Modeliranje igre 29 (a) Slika 3.1: Trajektorija uteˇzenega centroida vseh igralcev na igriˇsču: (a) Koˇsarka. (b) Rokomet. modelirali. V ta namen predlagamo model meˇsanice Gaussovih porazdelitev, s katerim je mogoče zajeti variabilnost in negotovost, ki se pojavlja pri gibanju igralcev med igro. Tako za vsako izmed faz igre definiramo verjetnosti, da je model mi generiral vektor značilk zteam(t) p(zteam(t)|mi) = p(zteam(t)|θi) = K k=1 (b) α (i) k · N(zteam(t); µ (i) k ,Σ(i) k V enačbi (3.5) predstavlja mi fazo igre; α (i) k porazdelitve, tako da je K k=1 α (i) k = 1; N(zteam(t); µ (i) k ,Σ(i) k ), (i = 1, 2, 3). (3.6) uteˇz posamezne Gaussove ) predstavlja k-to funkcija Gaussove porazdelitve s srednjo vrednostjo µ (i) k in kovariančno matriko Σ (i) k ; parameter K pa predstavlja ˇstevilo Gaussovih funkcij, ki jih uporabimo pri modeliranju posamezne faze igre. Za določitev parametrov porazdelitve uporabimo algoritem EM (ang. Expectation maximization) [60, 61], na podlagi katerega iz mnoˇzice ročno segmentiranih trajektorij pridobimo vektorje značilk Z = {z1, ...,zN}, ki jih nato uporabimo za določitev parametrov modela igre θi = {αk, µk,Σk} (Dodatek C.1).
- 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: 20 Struktura moˇstvenih iger in pr
- Page 40 and 41: 22 Struktura moˇstvenih iger in pr
- Page 42 and 43: 24 Struktura moˇstvenih iger in pr
- Page 44 and 45: Poglavje 3 Časovna segmentacija mo
- Page 48 and 49: 30 Časovna segmentacija moˇstveni
- Page 50 and 51: 32 Časovna segmentacija moˇstveni
- Page 52 and 53: 34 Časovna segmentacija moˇstveni
- Page 54 and 55: 36 Časovna segmentacija moˇstveni
- Page 56 and 57: 38 Časovna segmentacija moˇstveni
- Page 58 and 59: 40 Časovna segmentacija moˇstveni
- Page 60 and 61: 42 Časovna segmentacija moˇstveni
- Page 62 and 63: 44 Časovna segmentacija moˇstveni
- 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 86 and 87: 68 Ocenjevanje izvedbe aktivnosti z
- Page 88 and 89: 70 Ocenjevanje izvedbe aktivnosti z
- Page 90 and 91: 72 Ocenjevanje izvedbe aktivnosti z
- Page 92 and 93: 74 Ocenjevanje izvedbe aktivnosti z
- Page 94 and 95: 76 Ocenjevanje izvedbe aktivnosti z
28 Časovna segmentacija moˇstvenih iger<br />
Z upoˇstevanjem določenih ugotovitev, ki so bile dobljene na osnovi<br />
preliminarnih rezultatov, pa lahko osnovno metodo izračuna vektorja značilk ˇse<br />
izboljˇsamo in jo naredimo bolj robustno. Prva izboljˇsava pri izračunu vektorja<br />
značilk temelji na opaˇzanju, da se igralci obeh ekip med igro gibljejo zelo podobno,<br />
ne glede na fazo igre, v kateri se nahajajo. Tako lahko, namesto da bi za vsako<br />
ekipo zgradili ločen model igre, zgradimo en skupen model igre, pri katerem<br />
upoˇstevamo vseh m = 2n igralcev na igriˇsču. Tak model predstavlja stanje ene od<br />
ekip, medtem ko je, zaradi narave igre, stanje druge ekipe ravno komplementarno<br />
stanju prve. Torej je v primeru, ko je prva ekipa v fazi napada, druga ekipa v<br />
fazi obrambe in obratno. Faza odmora pa je skupna obema ekipama.<br />
Druga izboljˇsava, ki jo lahko vpeljemo v izračun tega vektorja, temelji na<br />
opaˇzanju, da so za izračun vektorja značilk poloˇzaji različnih igralcev na igriˇsču<br />
različno pomembni. Na ta način ˇzelimo predvsem odpraviti anomalije, ki se med<br />
igro pojavljajo zaradi napak pri sledenju, poˇskodb igralcev med igro ali v primeru<br />
rokometa menjav med aktivno igro. Da bi odpravili tovrstne izjeme, ki vplivajo<br />
na končni rezultat segmentacije, vpeljemo uteˇzi wi, ki določajo kako pomemben je<br />
poloˇzaj posameznega igralca za izračun centroida. Uteˇz wi izračunamo tako, da<br />
pozicije igralcev na igriˇsču modeliramo z Gaussovo porazdelitvijo N(·; µ(t),Σ(t))<br />
s srednjo vrednostjo µ(t) = [µx(t), µy(t)] T in kovarianco Σ(t). Uteˇz posameznega<br />
igralca je nato določena kot verjetje za pozicijo igralca i glede na dano Gaussovo<br />
porazdelitev<br />
wi(t) = N(pi(t); µ(t),Σ(t))<br />
m<br />
, (3.4)<br />
N(pi(t); µ(t),Σ(t))<br />
i=1<br />
kjer pi(t) = [xi, yi] T predstavlja pozicijo igralca i v katrtezičnih koordinatah.<br />
Poloˇzaj uteˇzenega centroida je sedaj določen kot<br />
xt =<br />
m<br />
wi(t) · xi(t) , yt =<br />
i=1<br />
m<br />
wi(t) · yi(t). (3.5)<br />
Slika 3.1 prikazuje primer trajektorije uteˇzenega centroida vseh igralcev na<br />
igriˇsču za en polčas koˇsarkarske in rokometne tekme. Tako izračunane trajektorije<br />
centroida ˇse vedno vsebujejo precej variabilnosti za posamezno fazo igre, zaradi<br />
česar se pojavi potreba po statističnem modelu s katerim bi lahko te faze ustrezno<br />
i=1