avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

68 Ocenjevanje izvedbe aktivnosti z uporabo ˇsablon aktivnosti Kot je razvidno iz definicije detektorja blokade, pri ocenjevanju blokade ni upoˇstevan dejanski poloˇzaj njene izvedbe. Glavni razlog za to je, da se igralci med samo izvedbo blokade prilagajajo tudi obrambnim igralcem, zaradi česar lahko poloˇzaj blokade nekoliko odstopa od poloˇzaja, definiranega v ˇsabloni. Poleg tega pa je ta poloˇzaj ˇze implicitno zajet v oceni gibanja igralca na mesto blokade. Tako je v primeru velikega odstopanja poloˇzaja blokade ta napaka ˇze zajeta v oceni gibanja igralca na mesto blokade. • Gibanje igralca je v ˇsablonah koˇsarkarskih napadov podano s točno določeno potjo, ki naj bi jo igralec opravil. Pot je sestavljena iz enega ali več linearnih odsekov, kjer ima vsak odsek začetno točko Ai in končno točko Bi. Kvaliteto izvedbe gibanja igralca (Sgibanje) definiramo kot produkt funkcije oddaljenosti od predpisane poti N(dt; 0, σd) ter razmerja fpot(t) med predpisano potjo in potjo, ki jo je igralec dejansko opravil do trenutka t Sgibanje(t) ∆ =N(dt; 0, σd) · fpot(t). (5.3) Parameter dt v enačbi (5.3) predstavlja l2 razdaljo med trenutno pozicijo igralca in najbliˇzjo točko na predvideni poti, funkcija fpot(t) pa je definirana kot fpot(t) = M i=1 j=1 t (∆ −→ xj · −−→ AiBi) M i=1 || −−→ AiBi|| , (5.4) kjer predstavlja M ˇstevilo linearnih odsekov poti, || −−→ AiBi|| predstavlja t dolˇzino i-tega segmenta in izraz (∆ −→ xj · −−→ AiBi) označuje vsoto skalarnih j=1 produktov med trenutnim vektorjem gibanja igralca ∆ −→ xj in vektorjem idealnega gibanja −−→ AiBi na i-tem segmentu. • Podaja ˇzoge. V primeru, da je na voljo tudi podatek o gibanju ˇzoge, le-to obravnavamo enako kot gibanje igralcev. Torej je kvaliteta podaje definirana z enačbama (5.3) in (5.4), le da trajektorijo igralca nadomesti trajektorija ˇzoge. Odsek, ki ga opazujemo, pa je v ˇsabloni definiran kot pot, ki jo mora ˇzoga opraviti med podajo.
5.2 Uporaba Bayesovih mreˇz za ocenjevanje ustreznosti izvedbe aktivnosti 69 Na podlagi opisanih detektorjev dobimo dober vpogled v tehnično izvedbo posameznih akcij, vendar pa ne moremo na podlagi teh ocen ˇse nič reči o skupni izvedbi celotne aktivnosti, saj mora ta ocena vsebovati tudi oceno o taktični izvedbi aktivnosti. V ta namen sta v nadaljevanju opisana dva različna pristopa za ocenjevanje teh taktičnih značilnosti. Prvi temelji na Bayesovih mreˇzah (dodatek C.3), kjer skuˇsamo v mreˇzo vgraditi hierarhično strukturo aktivnosti. Časovno-taktične značilnosti aktivnosti v tem primeru ocenjujeno s časovnimi funkcijami, ki predstavljajo najniˇzji nivo v mreˇzi. Pri drugem pristopu pa poskuˇsamo časovno-taktično zasnovo aktivnosti modelirati z uporabo Petrijeve mreˇze (dodatek C.4). V tem primeru je mreˇza zgrajena na tak način, da so relacije med posameznimi akcijami zajete v sami strukturi mreˇze. 5.2 Uporaba Bayesovih mreˇz za ocenjevanje ustreznosti izvedbe aktivnosti Da bi lahko Bayesove mreˇze uporabili pri ocenjevanju izvedbe aktivnosti, jih moramo najprej zgraditi. V ta namen moramo določiti ˇstevilo spremenljivk mreˇze ter vzročne zveze med temi spremenljivkami. V sploˇsnem sta se za reˇsevanje tega problema izoblikovala dva pristopa. Prvi temelji na določanju strukture mreˇze s pomočjo učnih podatkov, ki jih je moˇzno dobiti z dolgotrajnim opazovanjem spremenljivk sistema, ki ga ˇzelimo analizirati. Drugi pristop pa temelji na uporabi ekspertnega znanja, kjer ekspert določi strukturo mreˇze. Za prvi pristop je na voljo veliko metod in postopkov [76, 77, 78], s katerimi je mogoče iz podatkov določiti strukturo in parametre Bayesove mreˇze. Glavni problem teh metod je, da zahtevajo veliko ˇstevilo učnih primerov ˇze pri učenju mreˇz z relativno majhnim ˇstevilom spremenljivk. Tako so na primer Cheng in drugi [79] za učenje mreˇze, ki je bila sestavljena iz osmih spremenljivk in osmih povezav med spremenljivkami, potrebovali vsaj tisoč učnih vzorcev, za učenje mreˇze z 37 spremenljivkami in 46 povezavami, pa kar 10.000 učnih vzorcev. V naˇsem primeru je tak pristop praktično neuporaben, saj bi bilo potrebno za namene takˇsnega modeliranja aktivnost ponoviti nekaj tisočkrat. Druga moˇznost je izgradnja mreˇze s pomočjo eksperta, kjer ekspert določi ˇstevilo in vzročne zveze med spremenljivkami v mreˇzi. V tem primeru bi moral ˇsportni ekspert poznati teorijo ter zakonitosti Bayesovih mreˇz ali pa bi moral
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 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?