學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    基於深度學習對籃球轉播影像之球場校正及球員追蹤
    (2024) 連堃玹; Lian, Kun-Syuan
    許多球類競技運動使用視覺影像資料來識別戰術,並採用相對應的防守策略來應對,以最有效率的方式獲取分數。這些分析資訊採用的研究數據來源在於球員在球場上的位置變化,即軌跡資訊。通常仰賴人力透過逐幀的方式針對球隊的軌跡進行剖析,這往往需要耗費大量的時間與精力。此外,發展技術成熟的光學影像追蹤系統其背後所需要的器材成本及後續維護的費用使其難以普及使用。近年來,由於拍攝器材以及多媒體串流技術的進步,網路上有豐富且大量的轉播資訊提供獲取比賽資訊另一種途徑。因此,本研究基於籃球影像畫面提出了球員定位及追蹤軌跡方法 (Basketball Player Position Tracking Trajectory, BPT),基於轉播影像自動化生成球員在比賽過程中的軌跡資料。本研究所提出的BPT校正方法僅需使用籃球轉播系統的影像畫面作為輸入,即可生成雙方球隊在每次的攻防過程中的實際軌跡資訊,為後續的進階應用資訊分析提供重要的資訊來源。在BPT方法中,由轉播影像的球場校正方法與球員追蹤方法兩個模組所組成。在球場校正方法中,以三階段的深度模型任務實現端對端預測校正單應性矩陣。在球員追蹤方面,本研究基於追蹤演算法獲得初步的追蹤結果,通過BPT方法中的特徵模型提取更具鑑別度的球員特徵,結合貪婪合併軌跡的方式將片段的軌跡重新關聯,以達到更穩定的追蹤效果。實驗結果顯示,在球場校正準確性方面,採用交集比 (Intersection over Union, IoU) 評估校正的準確程度,在半場校正準確率高達到 87%。在球員追蹤的準確度採用高階追蹤準確率 (Higher Order Tracking Accuracy, HOTA) 評估多目標追蹤的成效。整體對球員的追蹤準確度可達 77%。根據使用情境,選擇適當的追蹤門檻值,最終採用最佳的追蹤演算法結合本研究的BPT方法,在球員追蹤準確率可高達 82%。
  • Item
    基於深度學習之籃球攻防戰術軌跡生成系統
    (2023) 沈哲緯; Shen, Jhe-Wei
    全球觀看籃球比賽的人數總計約超過22億人,根據外國媒體Sports Show在2020年公布全球最受歡迎的運動賽事,籃球在所有球類中排名第三,可看出籃球是一項非常熱門的運動。近年來運動分析的研究相當熱門,透過將生成對抗網路應用在籃球領域能夠幫助球隊提升籃球攻防戰術的素養,開發出基於深度學習之籃球攻防戰術軌跡生成系統。本系統開發目的為進攻球隊使用者在分析研究防守球隊可能會出現的防守方法時,通常只能使用經驗判斷推測,若透過本系統自動產生防守戰術軌跡供進攻球隊參考,進攻球隊可更加理解實戰中可能會遇到的防守戰術,可提升球員的戰術素養讓球隊提早思考應對方法。本系統透過使用者將一段真實籃球比賽攻防片段輸入,系統主要分為兩個子系統:投影轉換子系統與防守戰術軌跡生成子系統。投影轉換子系統主要分為三個步驟,第一為球場上球員與球的偵測方法,接著界定球場的範圍。第二為場上球員分隊使用球衣顏色做為辨別的依據。接著為3D球員座標投影計算出單應矩陣將對應的3D座標映射在2D戰術板球場座標系中並記錄為檔案作為防守戰術軌跡生成子系統的輸入。最後一個步驟使用生成對抗網路來進行防守戰術軌跡生成。本研究實驗結果顯示,透過影像處理得到球場邊線同時界定新的球場範圍可有效省略透過觀察手動決定球場頂點的步驟,減少時間成本。加入球員分隊的功能計算該區域內的色調特徵與顏色強度特徵,使用K-means clustering 將該二類特徵將場上球員分成兩隊,以利最後映射至平面戰術板座標系還原出真實比賽的情況。映射結果的球員正確率達到了77.2%,籃球則為61.0%。本系統結合了真實籃球比賽片段與防守戰術軌跡生成系統產生虛擬的防守戰術軌跡。