avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

60 Razpoznavanje aktivnosti lahko postopek ocenjevanja izvedemo z vsemi ˇsablonami, kjer je bila razdalja manjˇsa od mejne vrednosti. Eksperiment 2: Uspeˇsnost razpoznavanja aktivnosti Da bi ugotovili, kako na uspeˇsnost razpoznavanja vpliva ˇsum, smo v semantične opise analiziranih aktivnosti dodali različno ˇstevilo dodatnih, napačnih simbolov, ki so bili naključno izbrani iz slovarja simbolov. Dodatni simboli so bili v prvotni opis dodani na naključna mesta, zaradi česar smo vsak eksperiment ponovili 20 krat ter na ta način za vsako izbrano količino ˇsuma proces razpoznavanja ponovili 1220 (20*61) krat. Tabela 4.5 prikazuje povprečno uspeˇsnost razpoznavanja v primeru različne količine dodanih simbolov. Tabela 4.5: Povprečna uspeˇsnost razpoznavanja v primeru različnega ˇstevila dodanih simbolov. Odstotki predstavljajo rezmerje med ˇstevilom dodanih simbolov in ˇstevilom simbolov v prvotnem opisu. Deleˇz dodanih simbolov [%] 0 50 100 200 300 400 500 Uspeˇsnost razpoznavanja [%] 100 99.0 98.9 97.5 96.2 94.8 91.8 Kot je razvidno iz Tabele 4.5, je bila v primeru brez ˇsuma uspeˇsnost razpoznavanja aktivnosti 100%. Pri tem je bila uspeˇsnost določanja korespondence med igralci 95,1% (Dodatek B). Pri podrobnejˇsi analizi smo ugotovili, da pride v treh izmed 61 primerov do napake pri določanju korespondence v primeru slabˇse izvedbe aktivnosti enega izmed igralcev. V navedenih primerih je priˇslo do zamenjave vlog dveh igralcih, kljub temu pa je bila razdalja med opisoma S(Cl) ˇse vedno najmanjˇsa pri ˇsabloni, ki je bila istega tipa kot analizirana aktivnost. Tako je bila aktivnost, klub napačno določenim vlogam, vseeno pravilno razpoznana. V primeru dodanih simbolov lahko ugotovimo, da se uspeˇsnost razpoznavanja z dodajanjem nepravilnih simbolov sicer zmanjˇsuje, vendar ne bistveno. Tako je tudi v primeru ekstremnega ˇsuma, ko je bilo dodanih petkrat več dodatnih simbolov kot je bila prvotna dolˇzina opisa, uspeˇsnost razpoznave ˇse vedno 91.8%, kar pomeni, da je bilo v tem primeru napačno razpoznanih zgolj 5 od 61 aktivnosti. Na podlagi teh rezultatov lahko zaključimo, da je predlagana metoda zelo robustna na vplive pomanjkljive segmentacije ali nepopolne detekcije akcij. Razlog za to je mera podobnosti (Levenshteinova razdalja), ki smo jo uporabili
4.4 Zaključek 61 za izračun podobnosti med opisoma, saj le-ta upoˇsteva tako prisotnost simbolov v opisu kot njihov vrstni red. V primeru, da pride v procesu pridobivanja semantičnega opisa do razumne količine napačnih simbolov, se sicer razdalje med analiziranim opisom in opisi ˇsablon povečajo, vendar pa to ne vpliva na končni vrstni red podobnosti med opisi. Prav tako lahko ob podrobni analizi posameznih rezultatov, ki se nahajajo v prilogi Dodatek B, ugotovimo, da je metoda razpoznavanja precej neobčutljiva na to, ali je pri izvedbi aktivnosti bila prisotna obramba ali ne, saj so rezultati razpoznavanja praktično identični. Eksperiment 3: Razpoznavanje zaporednih aktivnosti Med koˇsarkarsko tekmo se večkrat zgodi, da ekipa v enem napadalnem ciklu odigra več zaporednih aktivnosti. To se zgodi v primeru, ko si po odigrani prvi aktivnosti ekipa ne uspe ustvariti dobre priloˇznosti za met, pa tudi v primeru skoka v napadu ali v primeru prekrˇska obrambe. Zato nas je zanimalo, ali je mogoče s predlagano metodo razpoznati tudi večje ˇstevilo zaporedno odigranih aktivnosti. V ta namen smo več sekvenc aktivnosti različnega tipa zdruˇzili v eno skupno aktivnost. Ugotovili smo, da je s predlagano metodo mogoče uspeˇsno razpoznati dve zaporedno odigrani aktivnosti, saj je v tem primeru razdalja do tistih dveh ˇsablon, ki predstavljata odigrane aktivnosti, bistveno niˇzja kot do vseh ostalih (slika 4.6). Pri razpoznavanju večjega ˇstevila zaporedno odigranih aktivnosti, ki pa se pri koˇsarki pojavljajo precej redkeje, pa metoda ni več uspeˇsna. Tako bi bilo v teh primerih potrebno izbrati nekoliko drugačen pristop analize. Ena izmed reˇsitev je uporaba drsečega časovnega okna, ki bi ga premikali od začetka pa do konca aktivnosti. Znotraj tega okna pa bi s opisano metodo razpoznavali aktivnosti, ki so bile odigrane. 4.4 Zaključek Predstavljen je bil postopek razpoznavanja aktivnosti z uporabo ˇsablon aktivnosti. V ta namen smo razvili model igriˇsča (poglavje 4.1.1) in na trajektorijah temelječe detektorje koˇsarkarskih akcij (poglavje 4.1.2), s pomočjo katerih lahko iz trajektorij <strong>gibanja</strong> igralcev dobimo strnjen viˇsjenivojski opis dogajanja na igriˇsču. Z uporabo istih detektorjev pred postopkom razpoznavanja zgradimo tudi semantične opise za trajektorije, ki jih pridobimo iz ˇsablon
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 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 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

Create successful ePaper yourself

Delete template?

Save as template?