بخشی از مقاله
چکیده :
در سالهای اخیر ردیابی بازیکنان در ویدئوی مسابقههای فوتبال مورد مطالعه محققین و متخصصین قرار گرفته است و نتایج حاصل از ردیابی در فضای تصویر یا مدل به عنوان ابزاری برای تشخیص اشتباههای فردی و تیمی مورد توجه قرار گرفته اند. در این مقاله اطلاعات پیش نیاز برای مرحله ردیابی با تعیین موقعیت بازیکنان با استفاده از روش آدابوست، بر چسب دهی آنها و جداسازی بازیکنان همپوشان آماده سازی شده است.
سپس مسیرهای حرکت بازیکنان با تلفیق گراف و الگوریتم پرندگان در دو فضای تصویر و مدل استخراج شده اند. الگوریتم پرندگان از رفتار پرندگان به منظور جستجوی غذا الهام گرفته است و بسیاری از مسائل بهینه سازی پیوسته به صورت کارا با این روش حل شده اند اما برای حل مسائل گسسته در کاربردهای مختلف باید بهبود داده شود. در این تحقیق، حالتی توسعه داده شده از این الگوریتم با تغییر نحوه به روز کردن معادلات سرعت و موقعیت برای حل مسئله گسسته ردیابی بازیکنان ارائه شده است. در پایان الگوریتم پرندگان روی هفت بخش از شش ویدئوی مختلف ارزیابی شده است و مسیرهای حرکت بازیکنان در ویدئوی مسابقههای فوتبال استخراج شده اند.
-1 مقدمه
تغییر شکل زمین ماهیتاً پدیده ای 3 بعدی است. بنابراین مطالعه این پدیده بصورت تغییر شکل 2 بعدی - تغییر شکل مسطحاتی - و یا 1بعدی - تغییر شکل ارتفاعی - میتواند. در سالهای اخیر تجزیه و تحلیل ویدئوهای ورزشی به منظور استخراج اتوماتیک اطلاعات از ویدئوهای در دسترس و ویدئوهای مسابقههای مختلف مورد توجه بسیاری از محققین قرار گرفته است. همچنین از اطلاعات استخراج شده به عنوان ابزاری برای انجام تجزیه و تحلیلهای پیشرفتهتر نظیر فشرده سازی تصاویر، استخراج اتوماتیک وقایع مهم بازی، ویرایش تصاویر و تحلیلهای جزئیتر توسط مربیان و متخصصین استفاده شده است.
در این راستا تعیین مسیر بازیکنان در ویدئوهای مسابقههای فوتبال به عنوان مرحله ای مهم که می تواند اساس بررسی استراتژی بازی و ارزیابی بازیکنان و حرکتهای تیمی قرار گیرد، مورد مطالعه تعدادی از محققین قرار گرفته است. همچنین حرکتهای همزمان بازیکنان و دوربین و حضور تعداد زیاد بازیکن که حرکت های غیرخطی و نامنظم در جهتهای مختلف دارند، ردیابی بازیکنان در ویدئوهای فوتبال را با چالشهای مضاعفی روبروکرده است.
در تحقیق انجام شده توسط نویسندگان این مقاله [1]، بازیکنان بعد از تعیین موقعیت و تعیین تیم هر بازیکن با روش گراف ردیابی شده اند. در این روش به دلیل در نظر گرفتن قیود سخت در مرحله تعیین مسیر هر بازیکن نظیر نزدیکترین بازیکن با برچسب مشابه، هرگونه خطا در مرحله برچسبدهی منجر به گسسته شدن مسیر حرکت بازیکن شده است. در مقاله J. Berclaz و همکاران ردیابی افراد پیاده ای که در حال قدم زدن هستند به صورت یک مسئله بهینه سازی مطرح شده است و افراد با روش کوتاهترین مسیر1 و ساختار گراف ردیابی شده اند .
[16] در مقاله دیگری توسط H. B. Shitrit و همکاران نیز ردیابی افراد به صورت یک مسئله بهینه سازی مطرح شده است و روش گراف و برنامهریزی خطی2 برای ردیابی افراد بارزسازی شده در تصاویر به کار برده شده است. روش برای تصاویر اخذ شده از دوربین های ثابت ارزیابی شده است که قید ثابت بودن دوربین در ردیابی بازیکنان در ویدئوهای مسابقات فوتبال صادق نیست.[17] در این مقاله، ردیابی بازیکنان برخلاف تحقیقهای قبلی صورت گرفته در این زمینه [1-4] به صورت یک مسئله بهینه سازی با الگوریتم اجتماع پرندگان3 مطرح شده است و بازیکنان با انتخاب محتملترین مسیر به عنوان مسیر حرکت بازیکن ردیابی شده اند.
الگوریتم پرندگان یک الگوریتم جستجوی جمعی است که از رفتارهای اجتماعی گروه پرندگان به منظور جستجوی غذا الهام گرفته است. این الگوریتم اولین بار در سال 1995 توسط Eberhart و Kennedy برای حل مسائل پیوسته مطرح شده است [5] و مدل کردن رفتارهای ساده افراد و تعاملهای محلی با محیط و همسایهها برای به دست آوردن رفتارهای پیچیدهتر به منظور حل مسئله، مقصود آن در نظر گرفته شده است. سپس حالت باینری و گسسته آن توسط Kennedy و همکاران در سال 1997 مطرح شده است [6] و توسعه حالت گسسته آن در بعضی کاربردها به خصوص مسئله مرد تاجر4 که از مسائل معروف بهینه سازی است هدف نویسندگان بعضی مقالهها-[7 10] قرار گرفته است.
در مقاله Cheng و همکاران [7] ژنتیک به همراه الگوریتم پرندگان برای حل مسئله مرد تاجر به کار برده شده است. همچنین در مقاله Fang و همکاران [8] روش تبرید تدریجی به همراه الگوریتم پرندگان برای فرار از مشکل کمینه محلی و برای حل مسئله مرد تاجر در حال سفر استفاده شده اند و نتایج روش ترکیبی با روشهای الگوریتم پرندگان، الگوریتم مورچهها و تبرید تدریجی مقایسه شده اند که در این مقایسه کارایی روش ترکیبی بهتر از سایر روشها گزارش شده است.
از سال 1995 تا امروز توانایی الگوریتم پرندگان در حل مسائل بهینه سازی پیوسته به اثبات رسیده است ولی باید برای حل مسائل گسسته در کاربردهای مختلف آزمایش شود تا بتوان انعطاف و توانایی آن در حل مسائل گسسته را مورد ارزیابی قرار داد. در این مقاله، الگوریتم پرندگان با اعمال تغییرهایی در معادلهها برای نخستین بار برای ردیابی بازیکنان در ویدئوی مسابقه های فوتبال به کار برده شده است. برای این منظور موقعیتهای بازیکنان با روش آدابوست استخراج شده اند و بازیکنان با روشی مشابه با مقاله قبل برچسبدهی شده اند. سپس با ایجاد موزاییک تصویری و مرتبطسازی تصاویر، موقعیت بازیکنها و برچسبها به عنوان ورودی مرحله ردیابی بازیکنان با الگوریتم پرندگان به کار برده شدهاند.
الگوریتم پیشنهادی و نتایج در بخشهای بعد شرح داده شده اند. در بخش دوم چمن بازی با روش مدل گوسی ترکیبی و بازیکنان با آدابوست آشکارسازی شده اند. سپس ایجاد موزاییک تصویری و مرتبطسازی تصاویر به مدل در بخش سوم مطرح شده اند. در بخش چهارم جداسازی بازیکنان همپوشان و تعیین تیم آنها انجام شده است. سپس بازیکنها با تلقیق گراف و الگوریتم پرندگان در بخش پنجم ردیابی شده اند. در بخش ششم نتایج به دست آمده تشریح و ارزیابی شده اند و در پایان نتیجهگیری و پیشنهادهایی برای کارهای آینده مطرح شده است.
-2 آشکارسازی بازیکنان
به منظور آشکارسازی زمین چمن - رنگ غالب پس زمینه در ویدئوهای مسابقه های 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 محدب5 زمین و اعمال عملیات مورفولوژی حذف شده اند. سپس بازیکنان با آدابوست و ساختار آبشاری آشکارسازی شدند و از اطلاعات رنگ، قیود سایز و عملیات مورفولوژی برای تفکیک بازیکنها استفاده شده است .[1]
-3 ایجاد موزاییک تصویری و مرتبطسازی تصاویر با مدل
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 مرتبطسازی 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 با 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 .
-4 برچسبدهی و جداسازی بازیکنان همپوشان
در نتایج حاصل از آشکارسازی بازیکنها در مراحل قبل، به دلیل حرکت نزدیک بازیکنها به ویژه بازیکنهای حریف به یکدیگر و زاویه فیلمبرداری، همپوشانی - گاه بین چند بازیکن - مشاهده شده است. در این تحقیق بازیکنهای حریف با استفاده از رنگ لباس بازیکنها و نواحی همپوشان بین دو بازیکن هم تیمی با استفاده از اندازه مستطیلهای در بر گیرنده بازیکنهای همسایه - همسایگی ها در بخش بعدی تعریف شده اند - تفکیک و برچسبدهی - تعیین تیم بازیکن - شده اند. همچنین در این مرحله نواحی اضافی چسبیده به بازیکن و نواحی از دست رفته در مرحله آشکارسازی با استفاده از اطلاعات رنگ اصلاح شده اند و دو مرحله برچسبدهی و جداسازی بازیکنهای همپوشان به طور همزمان انجام گرفته است .[1]
