avtomatska analiza gibanja v izbranih moštvenih športnih igrah

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)