avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

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 <strong>gibanja</strong> igralcev posamezne ekipe ali <strong>gibanja</strong> 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
3.4 Zaključek 45 metodo v nekem ˇsportu uporabimo prvič, ali v primeru, da bi jo ˇzeleli uporabiti na drugih področjih analize aktivnosti (npr. video nadzor), kjer globalni model skupinskega obnaˇsanja ˇse ni poznan.
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 112 and 113:
94 Ocenjevanje izvedbe aktivnosti z
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?