بخشی از مقاله
چکیده
مبحث تشخیص حرکت در ورزش و بازشناسی حرکات ورزشی یک مقوله جذاب است.تحلیل بازیها بعد از مسابقات و درحین مسابقات برای بازیکنها و تحلیلگران تیم بسیارحائز اهمیت است.با استفاده از این روش بسیاری از قوانین ورزشی میتواند مورد بحث وبررسی قرار بگیرد.دراین مقاله به شناخت و مرور حرکتهای یک بازیکن در بازی والیبالمیپردازیم. دراینروشما تشخیص فعالیت را فریم به فریم برای بازیکنی که در وسط قرار گرفته است، شروع میکنیم بعد از آن اطلاعات زمینه و مکان را به یک توصیفگر زمینه میدهیم که اطلاعات بازیکن مورد نظر را در بازهی زمانی مشخصی بررسی میکند.
مزیت این اطلاعت زمینه، تشخیص فعالیت یک بازیکن بهتنهایی است که در نهایت فعالیتها رادر 5 دسته مجزا از روی 6 ویدیوی والیبال دستهبندیو شناساییمیکند.همچنین برای بهبود نتیجهها از ترکیب توصیفگرهای HOG، HOF، SC وRWPCاستفاده شده است. براساس ویژگیهای استخراج شده با استفاده از ماشین بردار پشتیبان، فعالیتهادستهبندی شده است. سپس توصیفگر AC اضافه شده که اطلاعاتی درباره فعالیتهای مشابه بازیکنها در طول بازی جمعآوری میکند و نرخ شناسایی را بهبود میبخشد.
مقدمه
تشخیص حرکت بر روی مرور حرکات یک فرد خاص متمرکز است.البته در این زمینه تمرکز بر تجزیه جزء به جزء حرکات و تشخیص اطلاعات تجزیه شده استوار است. مقاله کنونی بیشتر بر روی تشخیص حرکات فردی متمرکز شده است.البته باید در نظر داشت که رفتارو حرکات فرد تحت تاثیر محیط و حرکات سایر اعضای تیم است.بهطورخلاصه میتوان گفت که رفتار و حرکات فرد تحت تاثیر حرکت قبلی و حرکت بعدی خواهد بود.
خصوصا در بحث والیبال، تیم تحت تاثیر حرکات فردی و موقعیت فرد در زمین خواهد بود.این مقاله برروی تشخیص حرکات فردی دریک ورزش سالنی و بر روی والیبال متمرکز شده است. با فرض اینکه فضای بازی مشخص شده و حرکات در یک زمین مشخص شده انجام میشود، کار را بر روی هر فریمو برای فعالیتهای یک بازیکن با بهکاربردن نمایش استاندارد - [4] - 4HOG و ویژگیهای حرکت - [10] - 5HOF و [2]آغاز میکنیم که شناخته شدهتر هستند و اگر مکانهای اشیا مشخص باشند بهتر عمل میکنند.
بهعلاوه اطلاعات مکانی - 6RWPC - بازیکن مشاهده شده را بههمراه احتمالات حضور سایر بازیکنها را در سطح زمین - 7SC - استخراج کردیم.براساس این ویژگیها، فعالیتهای بازیکنهای مشخص شده را بهوسیلهی ماشین بردار پشتیبان - - 8SVMدستهبندی میکنیم.درادامه نتایج دستهبندی این تک بازیکن بهعنوان اطلاعات دستهبندی شده و همراه با توصیف کننده حرکتی - 9AC - برای تعیین و تخمین احتمالات در کنار همقرار داده میشود.
2 مروری بر کارهای گذشته
روشهای خودکار برای تشخیص و آنالیز فعالیت در ویدیوهای ورزشی از اهمیت خاصی برخوردار است. در تشخیص فعالیت در ویدیو دو مسئله اساسی: بخشکردن یک ویدیو به دستههای فعالیت و شناسایی محلی که فعالیت در آن رخ داده است دارای اهمیت میباشد. در ابتدا بحث شناخت حرکت و فعالیت افراد بهصورت فردی مورد آزمایش قرارگرفت و سپس انواع مختلف توصیفگرها براساس نوع حرکت، حالت، ژستهای اصلیو الگوهای بخشی از بدن و نقاط اصلی ایجاد شد.
ابتدا توصیف کنندهها از دادههای اصلی، مانند گوشههای بدن استفاده میکردند.برای اینکار اول از یک تشخیص دهنده تک بعد[7]استفاده میشدکه بعدا با یک نمونه سهبعدی[9]تعویض شد.در ادامه توصیفگرهای پیچیدهتری معرفی شد[5] که در مورد حرکاتی از قبیل نشستن و برخاستن، از تکنیکهای تصاویر10MEIو تصاویر11MHI استفاده میکرد. بهطور عمده از توصیف کننده [HOG4] برای حالتهای بدن و اغلب با توصیفکننده HOFبرای تشخیص حرکت استفاده میشد. نمونه مشهور توصیفگرهای نقطهایی 12SIFTدر[11]و3D SIFT در[14] آمده است. و همچنین 13STIPکه از هر دو استفاده میکند در[9]معرفی شده است. پس از شناخت فرد نوبت به شناخت جمع یا گروه میرسد.
معمولا ارتباط بین این افراد میتواند نقاط کلیدی را دربارهی حرکات فردی به ما بدهد که دلیلی برای معرفی توصیفگرهای مکانی و زمانی است. در ویدیوهایی که فعالیت گروهی موردبررسی قرار میگیرد[8]میتوان رفتار و حرکات فردی نزدیک بههم را نیز مورد بررسی قرار داد.این بستگی به این دارد که تمام افراد بهصورت فردی مورد تحلیل و شناخت قرار گرفته باشند و سپس این گروه مورد بررسی قرار بگیرد. در فعالیتهایی گروهی[3]مثل در صف ایستادن، گذرگاههای عابر پیاده و حرف زدن باهم توسط ساخت یک توصیفگر زمانی-مکانی و محتوایی14 تشخیص داده میشوند که براساس موقعیت و ویژگیهای حرکتی اطراف یک شخص در یک فریم عمل میکند.
دستهبندی مکانی یک موضوع عمومی نیست ولی میتواند در مورد فرد خاص یا شرایط خاص بهکار گرفته شود.در حرکات فردی[16] ، صحنه مورد نظر بایدبهصورت پیوسته مورد بررسی قرار بگیرد.در فعالیتهای قطعه قطعه شده در یک ویدیو،این قطعههابهصورت دستهبندی کنار هم قرار میگیرند. قطعههای حرکتی که با هم از نظر زمان ومکان مرتبط هستند بهصورت گروهی دستهبندی میشوند.ترکیب جزییات مکانی و زمانی باعث میشود تا بتوان بین حرکات تفاوت را احساس کرد.
1,2 تشخیص فعالیت در ورزش
یکی از روشهایی که برای ورزش هاکی انجام شده بود[1]، تصویر زمین بازی توسط هشت دوربینHD تصویربرداری شده بود و بازیکنهای هر دو تیم براساس رنگ و تفرق پسزمینه تجزیه شده بودند.حرکات تیمی با مشخصههایی از قبیل موقعیت زمینهو نقشههای اشغال شده حرارت ی15 - که ابتدا در آن بازیکنها تشخیص داده میشوندو بعد نقشههای اشغال با جمعآوری اطلاعات مکانهای آنها بهدست میآید. - استخراجشده بودند. برای تشخیص حرکت در بسکتبال ویژگیهای حرکتی بازیکنها مدنظر است.
دربسکتبال هنگامی که مربی یک کتاب کد استراتژیک با فعالیتهای دفاع و حمله متفاوت شامل چند بازیکن را طراحی میکند، نتایج ردیابی با قالبهای کتاب کد در[12] و[13] مقایسه میشود.شبیه به همینموضوع در[6] نیز از نقشههای اشغال شده برای تشخیص نوع ورزش در میدان مسابقات ورزشی استفاده میکند. موقعیتهای بازیکن با توزیع های گوسی ترکیب شده و در طول زمان به نقشههای گرمایی تبدیل شدند که به نوعی ورزش خاص نظیر بدمینتن، بسکتبال، هندبال، والیبال وغیره مربوط بودند. برخلاف روش ما در تمام آنچه ذکر شد و تاکنون انجام شده است، سیستمهای تشخیص فعالیت، تنها فعالیت تیمی را تشخیص میدهند و حرکات فردی ردیابی و تشخیص داده نمیشود.
3 روش پیشنهادی
طبق رفرنس[15]، روش پیشنهای ما درواقع ترکیبی از چند ویژگی است: در ابتداویدیوهای ورودی باید دستهبندی و مرتب شود، سپس ویژگیهای فردی بازیکن مانندHOG ،HOF وRWPCتجزیه و تحلیل شود.این ویژگیهابا ویژگیهای مکانی و محتوایی - - SC ترکیب شده و یکدستهبندی فعالیتایجاد میشود.بعد از آن فعالیت زمانی محتوایی - - ACسایر اعضای تیم برای دستهبندی دوم و پیشرفته اضافه میشود. در شکل 1 بلوک دیاگرام روش پیشنهادی رسم شده است.
1,3 پیشپردازش
ابتداویدیوها برای بدست آوردن نمایش هموگرافی از مختصات تصویر x = - x,y - به مختصات - x̃ = - x̃, ỹ کالیبره میشوند. فریمهایویدیوبا مقیاسهای محدود متناظر با دسته فعالیت مربوط جداسازی میشوند. ما براساس دادههای بهدست آمده طبقهبندی کنندههایHOG و HOFرا اجرا کرده تا بعدا با جزییات بیشتری آنها را توصیف کنیم، سپس دو الگوی رنگ را برای این تقسیمبندی بازیکنها اختصاص دادیم و برای تشخیص بازیکن از توصیفگرهای ACوSC استفاده میکنیمکه بعدا به آن خواهیم پرداخت.
رنگبندی مدل اصلی تیم از الگوی جلوی پیراهن تیم و پشت زمینه تیم از روی الگوی پشت پیراهن تیم گرفته میشود و این کار با روش مدلهای گاوسی - 16GMM - انجام میشود. ایننتایج برای پیکسلهای پیشزمینه Pfgو پسزمینهPbgدارای احتمالاتی است .برای هر پیکسل در راستای xها یک محاسبه شباهت رنگ Mdynاشیا متحرک را توصیف میکند - مانند:بازیکنها، توپ، حرکت تور و غیره - و بعد آن از اختلاف خالص بین میانگین مدل پسزمینه فیلتر شدهBGو فریمF در زمان t محاسبه میگردد. Mdynاز فرمول1محاسبه میشود.
