avtomatska analiza gibanja v izbranih moštvenih športnih igrah

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