avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah avtomatska analiza gibanja v izbranih moštvenih športnih igrah
56 Razpoznavanje aktivnosti Celotno podobnost med dvema semantičnima opisoma (Sl) za l-to permutacijo vlog izračunamo kot povprečno razdaljo posameznih agend aij za vseh N igralcev. Optimalno korespondenco med vlogami pa določimo kot permutacijo, pri kateri je podobnost največja oziroma razdalja med opisi najmanjˇsa. S(Cmin) = min{ 1 N Tako za matriko podobnosti N aij}; j = Cl(i), l = 1, . . .,N! (4.6) i=1 ⎡ ⎤ 0.22 0.81 0.66 0.77 0.59 ⎢ ⎥ ⎢ 0.45 0.32 0.99 0.14 0.87 ⎥ ⎢ ⎥ A = ⎢ 0.28 0.19 0.94 0.40 0.77 ⎥ ⎥, ⎢ ⎥ ⎣ 0.91 0.95 0.31 0.49 0.89 ⎦ 0.48 0.71 0.72 0.84 0.24 dobimo pravilno korespondenco med vlogami, ki jo predstavlja vektor Cl = {1, 4, 2, 3, 5}, pri čemer je najmanjˇsa razdalja med opisoma enaka S(Cl) = (a11 + a24 + a32 + a43 + a55)/5 = 0.22. 4.2.2 Določanje tipa aktivnosti V postopku določanja korespondence med vlogami igralcev dobimo poleg korespondence tudi informacijo o tem, kako podobni sta si ˇsablona in opazovana aktivnost. Če postopek ocenjevanja ponovimo za vsako izmed ˇsablon aktivnosti, ki se nahajajo v zbirki ˇsablon, dobimo informacijo o tem, kateri ˇsabloni je analizirana aktivnost najbolj podobna. Analizirano aktivnost uvrstimo v razred aktivnosti, ki jo predstavlja ˇsablona z največjo podobnostjo (najmanjˇso razdaljo) med opisoma, vendar le v primeru, da je razdalja manjˇsa od določenega praga. V nasprotnem primeru sklepamo, da razpoznavana aktivnost ne pripada nobenemu izmed razredov v zbirki ˇsablon in jo razporedimo v nov razred. Slika 4.4 prikazuje rezultat primerjave analizirane aktivnosti s sedemnajstimi ˇsablonami aktivnosti, ki so predstavljene v prilogi Dodatek A.
4.3 Eksperimenti 57 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Razdalja med opisoma 0 0 2 4 6 8 10 12 14 16 18 Vrsta šablone Slika 4.4: Rezultati primerjanja neznane aktivnosti s 17 različnimi ˇsablonami aktivnosti. Rdeča črta prikazuje prag, pri katerem je aktivnost ˇse klasificirana v razred ˇsablone. 4.3 Eksperimenti Da bi ovrednotili uspeˇsnost predlagane metode za razpoznavanje aktivnosti z uporabo ˇsablon aktivnosti, smo z metodami računalniˇskega vida pridobili podatke za tri tipe koˇsarkarskih aktivnosti (”52”,”Flex” in ”Motion”). Vsako aktivnost so igralci večkrat ponovili pod strogim nadzorom trenerja. Tako smo pridobili podatke za 61 ponovitev teh treh aktivnosti, od katerih je bilo 32 aktivnosti odigranih brez obrambe, ostalih 29 pa je bilo odigranih v prisotnosti pasivne obrambe. Izmed 61 aktivnosti jih je 20 pripadalo prvemu tipu (9 brez obrambe in 11 z obrambo), 21 drugemu (10 brez in 11 z obrambo) in 20 tretjemu tipu aktivnosti (13 brez in 7 z obrambo). Pri vsakem tipu aktivnosti so bile prisotne tako leve kot desne izvedbe. Slika 4.5 prikazuje nekaj primerov trajektorij za aktivnost tipa ”Flex”. Da bi se izognili napaki avtomatske segmentacije, smo testne posnetke segmentirali ročno. V fazi razpoznavanja smo aktivnosti primerjali s 17 ˇsablonami aktivnosti, pri vsaki ˇsabloni pa je bila moˇzna njena leva in desna izvedba. ˇ Sablone so bile povzete iz koˇsakarske literature [72, 67, 68] in na podlagi posveta s
- 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 50 and 51: 32 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 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
- Page 100 and 101: 82 Ocenjevanje izvedbe aktivnosti z
- Page 102 and 103: 84 Ocenjevanje izvedbe aktivnosti z
- Page 104 and 105: 86 Ocenjevanje izvedbe aktivnosti z
- Page 106 and 107: 88 Ocenjevanje izvedbe aktivnosti z
- Page 108 and 109: 90 Ocenjevanje izvedbe aktivnosti z
- Page 110 and 111: 92 Ocenjevanje izvedbe aktivnosti z
- Page 112 and 113: 94 Ocenjevanje izvedbe aktivnosti z
- Page 114 and 115: 96 Ocenjevanje izvedbe aktivnosti z
- Page 116 and 117: 98 Ocenjevanje izvedbe aktivnosti z
- 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
56 Razpoznavanje aktivnosti<br />
Celotno podobnost med dvema semantičnima opisoma (Sl) za l-to permutacijo<br />
vlog izračunamo kot povprečno razdaljo posameznih agend aij za vseh N igralcev.<br />
Optimalno korespondenco med vlogami pa določimo kot permutacijo, pri kateri<br />
je podobnost največja oziroma razdalja med opisi najmanjˇsa.<br />
S(Cmin) = min{ 1<br />
N<br />
Tako za matriko podobnosti<br />
N<br />
aij}; j = Cl(i), l = 1, . . .,N! (4.6)<br />
i=1<br />
⎡<br />
⎤<br />
0.22 0.81 0.66 0.77 0.59<br />
⎢<br />
⎥<br />
⎢ 0.45 0.32 0.99 0.14 0.87 ⎥<br />
⎢<br />
⎥<br />
A = ⎢ 0.28 0.19 0.94 0.40 0.77 ⎥<br />
⎥,<br />
⎢<br />
⎥<br />
⎣ 0.91 0.95 0.31 0.49 0.89 ⎦<br />
0.48 0.71 0.72 0.84 0.24<br />
dobimo pravilno korespondenco med vlogami, ki jo predstavlja vektor Cl =<br />
{1, 4, 2, 3, 5}, pri čemer je najmanjˇsa razdalja med opisoma enaka S(Cl) =<br />
(a11 + a24 + a32 + a43 + a55)/5 = 0.22.<br />
4.2.2 Določanje tipa aktivnosti<br />
V postopku določanja korespondence med vlogami igralcev dobimo poleg<br />
korespondence tudi informacijo o tem, kako podobni sta si ˇsablona in opazovana<br />
aktivnost.<br />
Če postopek ocenjevanja ponovimo za vsako izmed ˇsablon aktivnosti,<br />
ki se nahajajo v zbirki ˇsablon, dobimo informacijo o tem, kateri ˇsabloni je<br />
analizirana aktivnost najbolj podobna. Analizirano aktivnost uvrstimo v razred<br />
aktivnosti, ki jo predstavlja ˇsablona z največjo podobnostjo (najmanjˇso razdaljo)<br />
med opisoma, vendar le v primeru, da je razdalja manjˇsa od določenega praga. V<br />
nasprotnem primeru sklepamo, da razpoznavana aktivnost ne pripada nobenemu<br />
izmed razredov v zbirki ˇsablon in jo razporedimo v nov razred. Slika 4.4 prikazuje<br />
rezultat primerjave analizirane aktivnosti s sedemnajstimi ˇsablonami aktivnosti,<br />
ki so predstavljene v prilogi Dodatek A.