Orientadores: Siome Klein Goldenstein, Anderson de Rezende Rocha

Tese (doutorado) ¿ Universidade Estadual de Campinas, Instituto de Computação

Resumo: Nos dias de hoje, é comum termos notícia de atletas que ultrapassam seus limites físicos. Enquanto isso, suas equipes técnicas observam e analisam as causas e os resultados de seu desempenho com o objetivo de encontrar algum ponto que possa ser melhorado. A observação e análise dos eventos...

Resumo: Nos dias de hoje, é comum termos notícia de atletas que ultrapassam seus limites físicos. Enquanto isso, suas equipes técnicas observam e analisam as causas e os resultados de seu desempenho com o objetivo de encontrar algum ponto que possa ser melhorado. A observação e análise dos eventos envolvidos em um jogo de futebol de salão permitem identificar falhas e com isso projetar melhorias. No caso do esporte, as melhorias aparecem na forma de superação de limites, táticas mais eficientes e identificação das deficiências do adversário. A utilização de câmeras de vídeo para gravar partidas de esportes coletivos, permite a avaliação minuciosa do comportamento físico e tático do time dentro de campo. Os vídeos analisados em laboratório revelam falhas muito difíceis de serem detectadas durante o jogo, tanto de cunho tático quanto do ponto de vista da preparação física. Estimar as posições dos jogadores em cada instante do vídeo permite calcular uma aproximação das trajetórias dos jogadores. Esse é o ponto de partida para recuperar um conjunto importante de informações como distância total percorrida, velocidade médias e instantâneas, velocidade máxima, momentos de aceleração, entre outras. Neste sentido, técnica de Visão Computacional tem sido utilizada na análise tática e fisiológica em partidas de esportes coletivos. Por meio da aplicação de rastreamento visual, ao final do vídeo é possível verificar dados importantes como velocidades médias e máximas dos jogadores durante a partida, distâncias percorridas total e parciais, e principalmente as trajetórias percorridas pelos jogadores dentro de campo. Neste trabalho abordamos o problema de rastreamento visual de múltiplos objetos de interesse, com foco no rastreamento de jogadores de futsal durante uma partida. Este problema tem despertado o interesse da comunidade científica tanto do ponto de vista tático e fisiológico, quanto do ponto de vista computacional. O problema de rastrear jogadores em uma partida de futsal lida com objetos de interesse com dinâmica de movimento bastante ativa, o que torna o problema complexo. No entanto, soluções para o rastreamento de pessoas em um ambiente tão dinâmico quanto um jogo de futsal tem aplicações em diferentes áreas como segurança de ambientes, monitoramento de cobaias, trafego de pedestres, etc. Tratamos nosso problema em um cenário composto por quatro câmeras de vídeo digital posicionadas estrategicamente ao redor da quadra. Usamos técnicas de aprendizado de máquina para detectar os jogadores nas imagens resultantes e em seguida fundimos as detecções em um plano virtual que corresponde ao plano da quadra. Usando um modelo de aparência acoplado a um filtro de partículas calculamos boas aproximações das posições dos jogadores e consequentemente rastreamos usando coordenadas reais. Em nosso trabalho encontramos bons resultados com pouca intervenção humana e um treinamento relativamente simples

Abstract: Nowadays, it is common to have news of athletes that go beyond their physical limits. Meanwhile, their technical teams watch and analyze the causes and results of their performance in order to find somewhere that can be improved. The observation and analysis of the events involved in a...

Abstract: Nowadays, it is common to have news of athletes that go beyond their physical limits. Meanwhile, their technical teams watch and analyze the causes and results of their performance in order to find somewhere that can be improved. The observation and analysis of the events involved in a game of futsal can identify failure and with this, design improvements. In the sport case, the improvements appear as overcoming limits, tactics more efficient and identify the shortcomings of the opponent. The use of video cameras to record sports team games allows the detailed performance evaluation of physical and tactical team on the pitch. The videos analyzed in the laboratory reveal failure very difficult to detect during the game as much tactical interest as physical preparation point of view. Estimating the positions of players at each instant of the video allows calculate an approximation of player's trajectories. This is the start point to recover a set of important information such as distance total traveled, average speed and instantaneous speed, moment's acceleration, among others. In this sense, techniques of Computer Vision have been used to analyze tactics and physiological games team sports. Using the application of visual tracking, at the end of video is possible to check important data such as average and maximum speeds of players during the game, total and partial distances covered, and especially the trajectories traveled by the players on the pitch. In this work, we discussed the problem of visual tracking of multiple objects of interest, focusing on futsal players during the game. This problem has attracted the interest of the scientific community both tactical and physiological point of view as the computational point of view. The problem of tracking players in a futsal game handles objects of interest with dynamic motion very active, which makes the problem complex. However, solutions for tracking people in an environment as dynamic as a futsal game has applications in different areas such as security environments, monitoring lab animals and traffic pedestrian. We treat our problem in a scenario composed of four digital video cameras positioned strategically around the pitch. We used machine learning techniques to detect players in pictures and then merged detections on a virtual plane that corresponds to the plane of the pitch. Using an appearance model coupled to a particle filter we calculated good approximations of player's positions and consequently we track using real coordinates. In our work, ix we found good results with little human intervention and training relatively simple