بخشی از مقاله
چکیده
ردیابی بازیکنان در ویدئوهای تلویزیونی مسابقات فوتبال به منظور تجزیه و تحلیل مسیر حرکت بازیکنها و تاکتیکهای تیمی مورد توجه بسیاری محققین و متخصصین قرار گرفته است. در این مقاله مسیرهای حرکت بازیکنان به دنبال آشکارسازی بازیکنان با آدابوست، برچسب دهی آنها و ایجاد موزاییک تصویری با روش تبرید تدریجی در میدان مارکف تصادفی استخراج شده اند. در مدل مارکف تصادفی هدف بهینه سازی یک تابع هدف با مدل کردن قیود مکانی است که از توزیع گیپس برای نشان دادن این قیود استفاده شده است. سپس روش تبرید تدریجی به منظور بهینه سازی تابع هدف به کار برده شده است. در پایان الگوریتم روی هفت بخش از شش ویدئوی مختلف ارزیابی شده است و مسیرهای حرکت بازیکنان در ویدئوی مسابقات فوتبال با دقتی قابل قبول استخراج شده اند.
-1 مقدمه
تجزیه و تحلیل ویدئوهای ورزشی مخصوصا ویدئوهای فوتبال در سالهای اخیر مورد توجه بسیاری محققین قرار گرفته است. نتایج این تجزیه و تحلیلها به منظور استخراج اطلاعات مفید و مورد توجه مربیان نظیر استخراج مسیر حرکت بازیکنان در طول مسابقات یا تمرین مورد توجه قرار گرفته اند. همچنین اطلاعات استخراج شده به منظور بهبود کارایی فردی و تیمی بازیکنان و ارزیابی آنها مورد توجه اند.
در سالهای اخیر ردیابی بازیکنان فوتبال به دلیل پیچیدگی و غیر خطی بودن مسیر حرکت بازیکنان و حرکات ناگهانی و غیر قابل پیش بینی بازیکنان و دوربین مورد مطالعه قرار گرفته است. بعلاوه ردیابی بازیکنان فوتبال به دلیل لزوم ردیابی چندین بازیکن با شکل و ظاهر مشابه و همپوشانیها بین بازیکنان با پیچیدگیهای خاص خود روبروست. مروری به روشهای به کار برده شده در آنالیز ویدئوهای فوتبال شامل روشهای آشکارسازی و ردیابی توسط ʼ2UD]LR et al در سال 2010 انجام شده است .
[2] تشخیص آفساید از 6 دوربین ثابت همزمان سازی شده برای کاهش خطای همپوشانی در ویدئوی فوتبال توسط Tiziana ʼ2UD]LR HW DO در سال 2009 مورد مطالعه قرار گرفته است .[3] همچنین موقعیت بازیکنها و توپ به طور آنی تعیین و بازیکنها ردیابی شده اند ولی روش روی تصاویر مسابقات ارزیابی نشده است. ارزیابی روشها روی ویدئوی مسابقات به دلیل نمایش کارایی روش روی تصاویر با کیفیت پایینتر اهمیت بسزایی دارد. همچنین اکثر ویدئوهای اخذ شده، تصاویر یک دوربین متحرکند که شرایط را دشوارتر می کند.
در تحقیقات قبلی روش های مختلفی به منظور ردیابی بازیکنان در ویدئوهای ورزشی مختلف به کار برده شده اند. در مقاله [4] از روش تناظریابی قالب ها1 برای ردیابی بازیکنان استفاده شده است. بعضی محققین از فیلتر کالمن به همراه مشخصه های کلیدی نظیر ویژگی های ظاهری یا نمایش گرافی برای ردیابی استفاده کرده اند .[5] در ویدئوی فوتبال به دلیل حرکات غیر خطی و تغییر مسیر ناگهانی بازیکنها، فیلتر کالمن به تنهایی جوابگوی مسئله ردیابی نبوده و از فیلتر کالمن اغلب برای ردیابی توپ استفاده شده است.
در مواردی روشهایی نظیر[6] MHT2، [7] Mean-shift و [8] TSV3 استفاده شده اند. روش فیلتر ذره ای4 نیز از روشهای متداول ردیابی است و توسط محققین مختلف در ترکیب با روشهای دیگر به کار رفته است .[12-9] اخیرا در تحقیق دیگری [13] از روش متروپولیس هستینگ5 برای ردیابی بازیکنهای فوتبال استفاده شده است. بعلاوه روش گراف [1] نیز از روشهای ردیابی بازیکنهاست که برای ردیابی بازیکن و توپ مورد استفاده قرار گرفته است.
در این مقاله ابتدا ناحیه چمن و پس زمینه با مدل گوسی ترکیبی از ناحیه بازیکنان تفکیک شده است و بازیکنان با آدابوست آشکارسازی شده اند. سپس با مرتبط سازی تصاویر به هم و ایجاد موزاییک تصویری، بازیکنان در میدان مارکف تصادفی با روش تبرید تدریجی6 ردیابی شده اند. در ادامه و در بخش بعدی مقاله به آشکارسازی بازیکنان با روش آدابوست پرداخته شده است. در بخش سوم این مقاله ایجاد موزاییک توضیح داده شده است. در بخش چهارم میدان تصادفی مارکف7 شرح داده شده است. در بخش پنجم مسیرهای حرکت بازیکنان در میدان تصادفی مارکف با تبرید تدریجی استخراج شده اند. در بخش ششم نتایج ارزیابی شده اند و در پایان نتایج و پیشنهادات مطرح شده اند.
-2 آشکارسازی بازیکنان
به منظور آشکارسازی زمین چمن - رنگ غالب پس زمینه در ویدئوهای مسابقات فوتبال - از مدل گوسی ترکیبی استفاده شده است. در مرحله اول ناحیه چمن از تماشاگرها تفکیک شده است و نواحی پس زمینه با تشکیل پوش محدب8 زمین و اعمال عملیات مورفولوژی حذف شده اند. نواحی بازیکنان داخل زمین با روش آدابوست آشکارسازی شده اند و از قیود سایز و عملیات مورفولوژی برای تفکیک بازیکنها از نواحی باقیمانده استفاده شده است. سپس بازیکنان هر تیم با توجه به اطلاعات رنگ لباس بازیکنان برچسب دهی شده اند.[1]
-3 ایجاد موزاییک تصویری
در این مرحله با ایجاد موزاییک از فریمهای ویدئو، پانورامای زمین بازی ایجاد شده است و مسیرهای استخراج شده حرکت بازیکنان در مرحله ردیابی روی موزاییک تصویری حاصل از این مرحله نمایش داده شده اند. در این راستا مرتبط سازی تصاویر با ماتریس پروژکتیو دو بعدی انجام شده است و با کمک آن فریمها با یکدیگر و با مدل مرتبط شده اند. به منظور کاهش خطاهای تجمعی و کاهش هزینه محاسباتی ناشی از مرتبط کردن هر فریم به مدل، تعدادی فریمهای رفرنس در نظر گرفته شده اند و هر فریم به کمک نزدیکترین فریم رفرنس به مدل زمین ایجاد شده بر اساس استانداردهای فیفا یا فریمهای دیگر مرتبط شده است. همچنین موقعیت بازیکنان با استفاده از ماتریسهای انتقال حاصل از این مرحله به یک سیستم مختصات - فریم اول یا مدل - منتقل شده اند . [1]
-4 میدان مارکف تصادفی
میدان مارکف تصادفی حالت عمومی پروسه مارکف است که هدف بهینه سازی یک تابع هدف و مدل کردن قیود مکانی است. در میدان مارکف تصادفی از توزیع گیبس برای نشان دادن این قیود استفاده شده است .[15] لذا یک تابع هزینه بر اساس احتمالات تعریف و بهینه می شود. خصوصیت بالا خصوصیت مارکف گفته می شود و بیانگر خصوصیت محلی متغیر x است که فقط برچسب های همسایه با هم تعامل دارند. هر احتمالی که این خصوصیت را داشته باشد می توان با توزیع گیبس نشان داد. توزیع گیپس9 روشی آسان برای نمایش میدان مارکف تصادفی با پتانسیل هاست و احتمال اینکه سیستم در یک وضعیت خاص باشد را نشان می دهد.
-5 ردیابی
به مجموعه وضعیت های مربوط به یک هدف در طول حضورش یک مسیر گویند و هر مسیر با نشان داده می شود. را یک جزء گویند که شامل ها می شود. مربوط به تشخیص های نادرست، مسیر اول و X مجموعه x هاست. - - مشاهده مربوط به مسیر k ام در لحظه t1 و تعداد مشاهدات در است.
