avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah avtomatska analiza gibanja v izbranih moštvenih športnih igrah
32 Časovna segmentacija moˇstvenih iger V tem primeru vsak vzorec najprej uteˇzimo z uporabo Gaussove distribucije. Na podlagi teh uteˇzi razporedimo opazovani vzorec v fazo m∗∗(t) pri kateri dobimo največjo vsoto Gaussovih uteˇzi N(k; t, σ). Prednost uporabe neuteˇzenega filtra je, da je z njim moˇzno odpraviti vse napačne segmente, krajˇse od polovice uporabljenega okna. Pri tem pa se meje med posameznimi fazami ne spremenijo. Prednost uporabe uteˇzenega filtra z Gaussovim jedrom pa je v tem, da se bolj upoˇstevajo manj oddaljeni vzorci, zaradi česar so napake iz prve faze, ki so časovno bolj oddaljeni od opazovanega vzorca, v končnih rezultatih manj izrazite. 3.3 Eksperimenti Da bi preučili natančnost segmentacije s predlagano metodo, smo z uporabo metod računalniˇskega vida, opisanih v poglavju 2.2, pridobili podatke o gibanju igralcev na treh rokometnih in treh koˇsarkarskih tekmah. Tekme smo razdelili v ˇsest ločenih polčasov. Na ta način smo za vsakega igralca pridobili 376.000 vzorcev trajektorij za koˇsarko in 331.000 vzorcev za rokomet. Glavni namen eksperimentov je bil določiti optimalne parametre metode ter preučiti, kako ti parametri, poleg njih pa tudi drugi dejavniki (npr. ˇstevilo učnih vzorcev), vplivajo na končni rezultat segmentacije. 3.3.1 Eksperiment 1: Določanje parametrov metode Predlagana metoda segmentacije ima dva prosta parametra, ki ju je potrebno določiti pred začetkom segmentacije. Prvi parameter je ˇstevilo komponent v modelu meˇsanice Gaussovih porazdelitev, s katerim modeliramo posamezno fazo igre, drugi pa ˇsirina filtra, ki je uporabljen za zagotavljanje časovne konsistentnosti končnih podatkov. Pri določanju optimalnega ˇstevila komponent, s katerimi je mogoče najbolje modelirati posamezno fazo igre, smo fiksirali vrednost drugega prostega parametra, tako da smo uporabili neuteˇzeni filter dolˇzine 180 vzorcev. Pri tako določenem filtru smo izbrali različno ˇstevilo komponent za predstavitev posamezne faze igre ter opazovali, kako ˇstevilo komponent vpliva na končni rezultat segmentacije. V ta namen smo za vsako izbiro ˇstevila komponent izvedli navzkriˇzno validacijo. Pri učenju modela smo uporabili podatke iz petih
3.3 Eksperimenti 33 polčasov, ˇsesti polčas pa je bil uporabljen za testiranje metode. Slika 3.2 prikazuje natančnost segmentacije, ki je izraˇzena kot odstotek pravilno klasificiranih vzorcev, v primeru uporabe modela z različnim ˇstevilom komponent. Slika 3.3 in Slika 3.4 pa prikazujeta nekaj primerov teh modelov za koˇsarko in rokomet. natančnost klasifikacije [%] 95 90 85 80 košarka rokomet 1,1,1 2,2,2 3,3,3 4,4,4 5,5,5 6,6,6 7,7,7 8,8,8 9,9,9 2,2,1 3,3,1 2,2,3 3,3,2 4,4,3 št. komponent za predstavitev faze igre Slika 3.2: Natančnost klasifikacije pri uporabi različnega ˇstevila komponent za predstavitev posamezne faze igre. Oznaka 1,1,1 na abscisni osi pomeni, da je bila vsaka posamezna faza igre predstavljena z eno samo Gaussovo porazdelitveno funkcijo. Kot je razvidno iz slike 3.2, se natančnost segmentacije pri koˇsarkarski ne spreminja bistveno v primeru uporabe dvo ali več-komponentnega modela igre. V primeru rokometne igre pa uporaba večjega ˇstevila komponent modela bistveno izboljˇsa natančnost segmentacije. Eden od glavnih razlogov za to je, da rokometna pravila dovoljujejo bistveno večjo raznolikost pri gibanju igralcev, saj lahko ti med samo igro zapustijo igriˇsče (menjave) ali v primeru izključitev ostanejo na klopi za dlje časa, pri čemer ekipa tekmo nadaljuje z enim igralcem manj. Vse te dejavnike mora model igre zajeti, zaradi česar se za bolj primernega izkaˇze model z večjim ˇstevilom komponent. Prav tako lahko ugotovimo, da je model najbolj občutljiv na modeliranje faze odmorov. Eksperimenti so prav tako pokazali, da je natančnost segmentacije najbolj občutljiva na izbiro ˇstevila komponent, s katerimi modeliramo faza odmorov. Tako je natančnost segmentacije bistveno slabˇsa v primeru, da to fazo modeliramo zgolj z eno komponento (primer 3,3,1 na abscisni osi) kot pa v primeru, da jo modeliramo z dvema komponentama (primer 3,3,2). Pri ostalih dveh fazah pa je ta razlika bistveno manjˇsa, saj so razlike v primeru modeliranja faze
- 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 46 and 47: 28 Časovna segmentacija moˇstveni
- Page 48 and 49: 30 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
- Page 96 and 97: 78 Ocenjevanje izvedbe aktivnosti z
- Page 98 and 99: 80 Ocenjevanje izvedbe aktivnosti z
32 Časovna segmentacija moˇstvenih iger<br />
V tem primeru vsak vzorec najprej uteˇzimo z uporabo Gaussove distribucije. Na<br />
podlagi teh uteˇzi razporedimo opazovani vzorec v fazo m∗∗(t) pri kateri dobimo<br />
največjo vsoto Gaussovih uteˇzi N(k; t, σ).<br />
Prednost uporabe neuteˇzenega filtra je, da je z njim moˇzno odpraviti vse<br />
napačne segmente, krajˇse od polovice uporabljenega okna. Pri tem pa se meje<br />
med posameznimi fazami ne spremenijo. Prednost uporabe uteˇzenega filtra z<br />
Gaussovim jedrom pa je v tem, da se bolj upoˇstevajo manj oddaljeni vzorci,<br />
zaradi česar so napake iz prve faze, ki so časovno bolj oddaljeni od opazovanega<br />
vzorca, v končnih rezultatih manj izrazite.<br />
3.3 Eksperimenti<br />
Da bi preučili natančnost segmentacije s predlagano metodo, smo z uporabo<br />
metod računalniˇskega vida, opisanih v poglavju 2.2, pridobili podatke o gibanju<br />
igralcev na treh rokometnih in treh koˇsarkarskih tekmah. Tekme smo razdelili<br />
v ˇsest ločenih polčasov. Na ta način smo za vsakega igralca pridobili 376.000<br />
vzorcev trajektorij za koˇsarko in 331.000 vzorcev za rokomet. Glavni namen<br />
eksperimentov je bil določiti optimalne parametre metode ter preučiti, kako ti<br />
parametri, poleg njih pa tudi drugi dejavniki (npr. ˇstevilo učnih vzorcev), vplivajo<br />
na končni rezultat segmentacije.<br />
3.3.1 Eksperiment 1: Določanje parametrov metode<br />
Predlagana metoda segmentacije ima dva prosta parametra, ki ju je potrebno<br />
določiti pred začetkom segmentacije. Prvi parameter je ˇstevilo komponent<br />
v modelu meˇsanice Gaussovih porazdelitev, s katerim modeliramo posamezno<br />
fazo igre, drugi pa ˇsirina filtra, ki je uporabljen za zagotavljanje časovne<br />
konsistentnosti končnih podatkov.<br />
Pri določanju optimalnega ˇstevila komponent, s katerimi je mogoče najbolje<br />
modelirati posamezno fazo igre, smo fiksirali vrednost drugega prostega<br />
parametra, tako da smo uporabili neuteˇzeni filter dolˇzine 180 vzorcev. Pri<br />
tako določenem filtru smo izbrali različno ˇstevilo komponent za predstavitev<br />
posamezne faze igre ter opazovali, kako ˇstevilo komponent vpliva na končni<br />
rezultat segmentacije. V ta namen smo za vsako izbiro ˇstevila komponent<br />
izvedli navzkriˇzno validacijo. Pri učenju modela smo uporabili podatke iz petih