avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

30 Časovna segmentacija moˇstvenih iger 3.2 Časovna segmentacija Ko je model igre zgrajen, ga lahko uporabimo za segmentacijo oziroma časovni razrez zveznega dogajanja v posamezne zaključene faze igre. Postopek segmentacije je razdeljen v dva dela: • V prvem koraku, z uporabo statističnega modela igre, klasificiramo vsak posamezen trenutek igre v eno izmed faz igre. Bistvo tega koraka je čim boljˇsa klasifikacija posameznih vzorcev. • V drugem koraku na novo preračunamo fazo igre za vsak posamezen vzorec, pri čemer upoˇstevamo tudi podatek o fazi igre za sosednje vzorce. Na ta način ˇzelimo zagotoviti časovno konsistentnost dobljenih rezultatov in zmanjˇsati oziroma odpraviti nezaˇzelen efekt prehitrega spreminjanja faze igre. 3.2.1 Klasifikacija posameznih vzorcev V fazi klasifikacije posameznih vzorcev z uporabo Bayesovega pravila in naučenih statističnih modelov igre (mi), izračunamo največjo a posteriori verjetnost, da je model mi generiral dani vzorec zteam(t) p(mi|zteam(t)) = p(zteam(t)|mi)p(mi) , (i = 1, 2, 3). (3.7) p(zteam(t)) Glede na to, da je verjetnost p(zteam(t)) enaka za vse modele mi, klasificiramo vzorec zteam(t) v razred z najviˇsjo skupno verjetnostjo (m∗) m∗(t) = arg max {p(zteam(t)|mi)p(mi)}, (i = 1, 2, 3), (3.8) mi∈M kjer je p(mi) a priori verjetnost za fazo igre mi. A priori verjetnosti so bile ocenjene na podlagi eksperimentalnega opazovanja časa, ki ga določena faza zavzema znotraj celotne tekme. Na podlagi merjenja razmerij časov na treh koˇsarkarskih in treh rokometnih tekmah smo dobili naslednje ocene a priori verjetnosti. Za koˇsarko p(M) = [0.4, 0.4, 0.2] T , (3.9)
3.2 Časovna segmentacija 31 za rokomet pa 3.2.2 Zagotavljanje časovne konsistentnosti p(M) = [0.48, 0.48, 0.04] T . (3.10) Na podlagi klasifikacijskega postopka, opisanega v prejˇsnjem poglavju, lahko doseˇzemo precej dobro segmentacijo igre v posamezne faze. Vendar pa je tovrstna segmentacija za analizo ˇse ni primerna, saj dobimo poleg pravilno segmentiranih faz tudi mnoˇzico napačnih odsekov, ki so zelo kratki in so dolgi nekaj deset vzorcev. Razlog za to je, da v postopku klasifikacije ni upoˇstevana časovna konsistentnost igre, saj pri klasifikaciji posameznega vzorca ne upoˇstevamo njegovih časovnih sosedov. Da bi zadostili pogoju časovne konsistentnosti, zgladimo rezultate iz prvega koraka z uporabo neuteˇzenega filtra ali ali uteˇzenega filtra z Gaussovim jedrom. V prvem primeru za glajenje rezultatov uporabimo neuteˇzeni filter, ki ima naslednjo obliko kjer je m∗∗(t) = arg max mi∈M Dm∗,mi (k) = t+K k=t−K Dm∗,mi (k) 1; m∗(k) = mi 0; drugače , (3.11) . (3.12) V tem primeru je i − ti vzorec uvrˇsčen v fazo m∗∗(t), v katero je razporejenih največ sosednjih vzorcev znotraj opazovanega okna ˇsirine 2K + 1. Teoretično bi morala biti ˇsirina okna določena kot dvakratnik dolˇzine najkrajˇsega ˇse uporabnega segmenta igre. Po mnenju eksperta je najmanjˇse moˇzno trajanje posamezne faze igre (v koˇsarki in rokometu) med tri in ˇstiri sekunde (med 75 in 100 vzorci), kar pomeni, da mora biti dolˇzina okna med 150 in 200 vzorci. Uteˇzeni filter z Gaussovim jedrom lahko zapiˇsemo kot m∗∗(t) = arg max mi∈M t+3σ k=t−3σ N(k; t, σ)Dm∗,mi (k) . (3.13)
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 44 and 45: Poglavje 3 Časovna segmentacija mo
Page 46 and 47: 28 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 98 and 99:
80 Ocenjevanje izvedbe aktivnosti z
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
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 124 and 125:
106 Zaključki Prispevek 1: Metoda
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?