avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.1 Modeliranje igre 29<br />
(a)<br />
Slika 3.1: Trajektorija uteˇzenega centroida vseh igralcev na igriˇsču: (a) Koˇsarka.<br />
(b) Rokomet.<br />
modelirali. V ta namen predlagamo model meˇsanice Gaussovih porazdelitev, s<br />
katerim je mogoče zajeti variabilnost in negotovost, ki se pojavlja pri gibanju<br />
igralcev med igro. Tako za vsako izmed faz igre definiramo verjetnosti, da je<br />
model mi generiral vektor značilk zteam(t)<br />
p(zteam(t)|mi) = p(zteam(t)|θi) =<br />
K<br />
k=1<br />
(b)<br />
α (i)<br />
k · N(zteam(t); µ (i)<br />
k ,Σ(i)<br />
k<br />
V enačbi (3.5) predstavlja mi fazo igre; α (i)<br />
k<br />
porazdelitve, tako da je K<br />
k=1<br />
α (i)<br />
k = 1; N(zteam(t); µ (i)<br />
k ,Σ(i)<br />
k<br />
), (i = 1, 2, 3).<br />
(3.6)<br />
uteˇz posamezne Gaussove<br />
) predstavlja k-to<br />
funkcija Gaussove porazdelitve s srednjo vrednostjo µ (i)<br />
k in kovariančno matriko<br />
Σ (i)<br />
k ; parameter K pa predstavlja ˇstevilo Gaussovih funkcij, ki jih uporabimo pri<br />
modeliranju posamezne faze igre.<br />
Za določitev parametrov porazdelitve uporabimo algoritem EM (ang.<br />
Expectation maximization) [60, 61], na podlagi katerega iz mnoˇzice ročno<br />
segmentiranih trajektorij pridobimo vektorje značilk Z = {z1, ...,zN}, ki jih nato<br />
uporabimo za določitev parametrov modela igre θi = {αk, µk,Σk} (Dodatek C.1).