ФУТБОЛЬНОЙ АНАЛИТИКИ
Система
Основная цель проекта – создать систему футбольной аналитики, базирующуюся на обработке видео матчей и тренировок.
Стоит отметить, что применение возможностей искусственного интеллекта в спорте достаточно новый и неизученный вопрос. В основном крупные футбольные клубы используют ИИ в повседневных задачах. Поэтому было очень важно выстроить эффективную систему взаимодействия с основателем футбольной академии, который хотел интегрировать возможности искусственного интеллекта в повседневную работу тренеров. Система аналитики опирается на данные о различных активностях игроков (количество пасов, ударов, пройденная дистанция и т.д.), на основе которых создаётся общий список результатов для каждого члена команды.
Стоит отметить, что применение возможностей искусственного интеллекта в спорте достаточно новый и неизученный вопрос. В основном крупные футбольные клубы используют ИИ в повседневных задачах. Поэтому было очень важно выстроить эффективную систему взаимодействия с основателем футбольной академии, который хотел интегрировать возможности искусственного интеллекта в повседневную работу тренеров. Система аналитики опирается на данные о различных активностях игроков (количество пасов, ударов, пройденная дистанция и т.д.), на основе которых создаётся общий список результатов для каждого члена команды.
ОПИСАНИЕ
Мы начали проект со стадии проверки концепции, основной задачей которой было – разработать и протестировать различные подходы (разные модели ИИ и способы сбора статистики). На данном этапе мы выдвинули несколько гипотез и сконцентрировались на нескольких инструментах (моделях ИИ), которые хотели протестировать.
ЗАДАЧИ
- Идентификация игрока на видеопотоке01
- Распознавание действий игроков02
- Синхронизация видео03
- Определение положения футбольного мяча04
СЦЕНАРИЙ ВЗАИМОДЕЙСТВИЯ
Для наиболее точного понимания принципов работы всей системы, в начале мы должны были сконцентрироваться на нескольких базовых сценариях взаимодействия пользователя (тренера) с платформой:
1
Калибровка камер
до начала игры или тренировки, тренер вместе с ассистентом должен откалибровать 6 камер таким образом, чтобы они покрывали необходимые зоны. Сам процесс калибровки должен происходить в веб-приложении, где пользователи смогут увидеть прямую трансляцию со всех камер;
2
Начало записи
любая игра начинается со стартового свистка, который также является сигналом камерам для начала записи.
3
Автоматическая калибровка игроков
автоматическая идентификация игроков, основывающаяся на системе распознавания лиц.
4
Ручная калибровка игроков
в конце игры или тренировки, тренер открывает видео с одной из камер в веб-приложении и вручную калибрует игроков (например, этот игрок – Игорь, а этот игрок – Дмитрий). Ручная калибровка необходима только в тех ситуациях, когда автоматическая не справляется с поставленной задачей (несколько игроков в одном месте, длительные столкновения, слепые зоны)
5
Распознавание поз и лиц
на данном этапе мы понимаем, как игрок двигается и какое действие он(она) совершает на поле.
6
Свод статистики
результат распознавания, когда тренер получает всю статистику по каждому из игроков на поле.
РЕШЕНИЕ
Мы нашли способ, как можно подключить распознавание лиц для идентификации игроков, а именно использовали несколько решений в области компьютерного зрения для автоматизации идентификации игроков:
1. Модель определения лиц
2. Модель распознавания лиц
Для определения типа действия, которое совершает игрок на поле, мы использовали модели для определения поз человека. Они показывают “скелет” каждого человека, запечатленного на видео, а также движение его частей тела (рук, ног, торса и т.д.)
Из-за размеров футбольного поля, мы не могли использовать только одну камеру для покрытия всего пространства. Основываясь на качестве и производительности доступных камер, мы разработали подход, при котором использовалось 6 камер (4 по углам и 2 по центру поля). Основным методом синхронизации для нас был звук (громкий свисток в начале матча) и дальнейшая синхронизация через сравнение звуковых волн на всех 6 камерах.
Для предоставления достоверной статистики, нам требовалось понять то, как движется мяч и какие действия совершает с ним игрок. Для использования данной системы и для анализа тренировок, было критически важно, чтобы наш алгоритм мог определять одновременно несколько мячей на поле. Для решения поставленной задачи был использован алгоритм компьютерного зрения для определения положения мяча.
Из-за размеров футбольного поля, мы не могли использовать только одну камеру для покрытия всего пространства. Основываясь на качестве и производительности доступных камер, мы разработали подход, при котором использовалось 6 камер (4 по углам и 2 по центру поля). Основным методом синхронизации для нас был звук (громкий свисток в начале матча) и дальнейшая синхронизация через сравнение звуковых волн на всех 6 камерах.
Для предоставления достоверной статистики, нам требовалось понять то, как движется мяч и какие действия совершает с ним игрок. Для использования данной системы и для анализа тренировок, было критически важно, чтобы наш алгоритм мог определять одновременно несколько мячей на поле. Для решения поставленной задачи был использован алгоритм компьютерного зрения для определения положения мяча.
РЕЗУЛЬТАТЫ
В ходе проверки концепции мы проверили несколько алгоритмов машинного обучения для распознавания поз и лиц, а также подготовили документацию, включающую обзор проекта, сценарии использования, предварительную архитектуру и список функциональности системы. К концу данной стадии мы были полностью готовы начать разработку проекта, объединив алгоритмы машинного обучения в веб-приложение.