avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
44 Časovna segmentacija moˇstvenih iger<br />
3.4 Zaključek<br />
V tem poglavju smo predstavili postopek segmentacije zveznih moˇstvenih iger v<br />
več vsebinsko zaključenih faz. Predstavljen je bil postopek izgradnje modela igre<br />
(podpoglavje 3.1), na podlagi katerega, iz ročno označenih podatkov, z uporabo<br />
algoritma EM zgradimo ločene modele za posamezno fazo igre. Predlagani so<br />
bili različni postopki za opis stanja igre z vektorjem značilk, ki temeljijo na<br />
opazovanju <strong>gibanja</strong> igralcev posamezne ekipe ali <strong>gibanja</strong> vseh igralcev na igriˇsču.<br />
Prav tako je bil opisan postopek za robusten izračun tega vektorja, ki dodatno<br />
odpravlja občutljivost segmentacije na neobičajne situacije, ki se pojavljajo med<br />
tekmami. V nadaljevanju je bil v podpoglavju 3.2 opisan dvostopenjski postopek<br />
segmentacije igre. V prvem koraku smo na podlagi predhodno naučenega modela<br />
igre klasificirali posamezne časovne trenutke v ustrezne faze igre. V drugem<br />
koraku smo na novo preračunali fazo igre posameznega vzorca tako, da smo<br />
upoˇstevali tudi informacijo o sosednjih vzorcih. Na ta način smo lahko z uporabo<br />
neuteˇzenega filtra ali ali uteˇzenega filtra z Gaussovim jedrom zagotovili časovno<br />
konsistentnost dobljenih rezultatov.<br />
Validacijo predlagane metode smo izvedli na podatkih o gibanju igralcev na<br />
treh koˇsarkarskih in treh rokometnih tekmah (podpoglavje 3.3). Cilj prvega<br />
eksperimenta je bil določiti proste parametre modela, ki zagotavljajo čim bolj<br />
natančno segmentacijo. Na podlagi tega eksperimenta je bilo ugotovljeno, da<br />
je za modeliranje posamezne faze igre najbolj primeren ˇsest-komponentni model<br />
meˇsanice Gaussovih porazdelitev (GMM). Za zagotavljanje časovne konsistence<br />
v igri pa se je za najbolj učinkovitega izkazal neuteˇzeni filter ˇsirine 200 vzorcev.<br />
Cilj drugega eksperimenta je bil preučiti, kako na natančnost segmentacije<br />
vplivajo ˇstevilo učnih vzorcev, izbira modela, s katerim modeliramo igro ter izbira<br />
vektorja značilk, ki ga uporabimo za predstavitev igre. Na podlagi dobljenih<br />
rezultatov lahko ugotovimo, da je za modeliranje igre primernejˇsa uporaba GMM<br />
modela. Poleg tega se je izkazalo, da izbira vektorja značilk ne vpliva bistveno<br />
na končni rezultat segmentacije. Prav tako se je pokazalo, da je mogoče dobiti<br />
zelo dober model igre tudi v primeru, da je le-ta naučen na relativno majhnemu<br />
ˇstevilu učnih vzorcev (500 ali več). Kljub temu, da je potrebno model igre<br />
za določen ˇsport zgraditi samo enkrat, je ta informacija pomembna, ker lahko<br />
na podlagi tega eksperimenta zaključimo, da za učenje modela ne potrebujemo<br />
velikega ˇstevila učnih vzorcev. To pa je ˇse posebej pomembno v primerih, ko