學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
2 results
Search Results
Item 基於追蹤補償方法之籃球球員追蹤(2024) 陳宥睿; Chen, You-Ruei現今資訊科技蓬勃發展，電腦視覺技術經常應用於我們生活的周遭，而物件追蹤更是一項關鍵的技術，應用於自駕車、智慧行人追蹤和體育運動項目等領域。以籃球比賽中的球員為例，透過鏡頭追蹤球員在球場上的移動軌跡，可以對比賽進行詳細分析。針對現有的一般追蹤方法（YOLOv7+StrongSORT），由於球員間的遮擋或重疊，常常會發生球員ID變換（ID Switch）且無法復原該球員原有的ID（Identifier）的情況。為了解決這一問題，我們提出了追蹤補償方法，該方法能在ID變換時匹配回先前的ID，從而提升球員追蹤的準確性。 在實驗結果中，我們選擇了在一般追蹤方法之下加入球員追蹤補償方法的架構（實驗組）以及僅使用一般追蹤方法的架構（對照組）進行比較。在MOTA（Multiple Object Tracking Accuracy）的數據上，對照組與實驗組的表現都高於90%。在評估球員ID變換時復原球員ID的整體ID變換復原率（ID Switch Recovery Rate）上，使用球員追蹤補償方法的實驗組得到了74%的整體ID變換復原率，而對照組只有48%。在整體追蹤準確度上，實驗組的IDF1（Identification F-Score）達到79%，而對照組則只有66%。從數據結果表明，使用球員追蹤補償方法後，整體ID變換復原率有明顯的提升，能夠減少球員ID在變換後無法復原的問題，從而使得在整體追蹤準確度上，IDF1得到顯著提升。Item 基於深度學習之視覺式即時室內健身輔助系統(2022) 胡雅雯; Hu, Ya-Wen近年來人們的健康意識抬頭，越來越多人開始重視規律健身習慣的養成，而進行健身運動中的肌力鍛鍊時，記錄健身的內容是避免受傷及追求進步的重要途徑。因此本研究提出一種基於深度學習之視覺式即時室內健身輔助系統，能夠辨識健身動作並進行重複次數的計算，目的在於協助使用者在不需接觸式設備的情況下更加便利的自動記錄健身內容。視覺式即時室內健身輔助系統可分為三個模組，分別為健身動作辨識模組、動作重複次數計算模組及推理校正模組。本研究使用較適用於行動裝置的改良版Temporal Shift Module來進行健身動作辨識，並利用健身動作辨識神經網路所擷取的特徵圖進行動作重複次數計算，藉由訊號過濾、訊號選擇及峰值過濾演算法篩選出合適的特徵值變化訊號與峰值。最後將動作辨識結果利用短期推理分數和長期校正分數推理校正，使其具備穩定性同時保有使用者對於動作更換的敏感度。當使用者更換動作時，重複次數計算模組的結果將被重置，並輸出整合後的結果。本研究進行實驗的肌力鍛鍊動作共有25種，分別為一般深蹲、相撲深蹲、分腿蹲、前跨步蹲、後跨步蹲、羅馬尼亞硬舉、臀推、橋式、單腳橋式、跪姿伏地挺身、伏地挺身、臥推、仰臥飛鳥、俯身划船、反向飛鳥、肩推、前平舉、側平舉、肱二頭肌彎舉、肱三頭肌伸展、俄羅斯轉體、仰臥起坐、捲腹、交叉捲腹及仰臥抬腿。實驗結果顯示使用CVIU Fitness 25 Dataset在動作辨識的Top 1準確率為90.8%。動作重複次數計算之平均絕對誤差MAEn為8.36%，次數相對誤差MREc為2.55%，在總次數5004次中計次總差異量為183次。系統執行速率約為13 FPS。