ANTECEDENTES
From hpcwiki
[1]Este proyecto cuenta con una base para el implemento de fotogramas que permitirá detectar la ubicación de un jugador en posición de defensa o de ataque en el baloncesto, esta base se refiere a temas de aprendizaje de maquina como aprendizaje supervisado, semi-supervisado y débilmente supervisado.Se utilizó Deformable Part Mode (DPM) en donde se identifica a los jugadores por característica ya definidas como son su color de piel, color de uniforme ( color jersey) y el número del jugador , esto permite la localización en el campo de juego en un momento determinado, todo a través de los fotogramas, como se ve en la figura1 y con una mejora por como se muestra en la figura2
[1] figura1 Detección de los jugadores,figura2 Clasificación y detección del equipo
El siguiente paso es determinar el área y las coordenadas de corte, por medio de una transformación de la imagen. Los bordes y coordenadas de la imagen se calcular con ayuda del detector de Canny Figura3(b). Debido a que hay factores que no dejan realizar el procedimiento de forma correcta se opta por realizar filtros hasta obtener una clara y sencilla. Figura3.
[1]Figura3 (A) Vídeo Original, (B) Filtro Borde orignal, (C) Filtro por metodo Canny, (D) puntos originales del modelo, (E) Aumento puntos originales, (F)resultados de valoración homografica.
Se utilizó una serie de vídeos de la NBA temporada 2010 (Angeles Lakers vs Boston Celtics), se tomó como prueba el equipo Lakers con una cantidad de 20 vídeos, los cuales constan de 13469 frames (imágenes) y 90001 detecciones. En cada vídeo, el proceso de identificación variaba de dificultad.Se logró un 85% de precisión para el equipo Lakers y una de 89% con Boston, figura4.
[1] figura4 Resultado del proceso, recuadros amarillos equipo Lakers, recuadros verdes equipo Celtics, identificación del jugador por nombre, recuadros rojo error de clasificación.
[2]Por otro lado se propone un sistema de reconocimiento de estrategias capaz de detectar y clasificar los movimientos del jugador de baloncesto en la pantalla, realizando la calibración a la cámara de vídeo, donde se extraerán las líneas de la cancha utilizando la transformada de Hough el proceso llamado Step By Step FiguraA. Para detectar el recorrido de los jugadores a lo largo del campo de juego se extraerá por medio del filtro de Kalman para asignarlos al modelo de corte para el reconocimiento de patrones en pantalla figuraB.
File:Trabajobasket.png
FiguraA
FiguraB
De acuerdo a [3] El propósito del trabajo es realizar un método de seguimientos multijugador sobre un vídeo de baloncesto en media cancha, donde se detecta la posición del jugador desde vista angular y se transformará a vista 2-D. En la decepcionante de la pintura el primer paso es usar un rango de valores que correspondan a YCBCR , utilizando estos valores se crea una mascara para determinar que región del plano se contrastó. Para adquirir las líneas limites de corte de la cancha se tomó en cuenta la mascara derivada del filtro YCBCR, para luego realizar una detección de borde Canny, seguido de una tranformación de Hough. El objetivo es encontrar las líneas horizontales y verticales para simular por medio de una mascara el campo de juego.Luego de reducir el ruido que se produce al realizar la mascara,se transforma la imagen hsv para detección de jugador.Teniendo en cuenta el color de las camisetas de los jugadores, se hace la respectiva diferenciación de los equipo y por medio de un centroide en la región de cada jugador se determina la posición FiguraC.
En la etapa de juego del baloncesto se desea definir lo más rápido posible la táctica ofensiva o defensiva para poder ganar un partido, [4] por medio de un estudio realizado y con la ayuda
de un sistema experto se busca simular tácticas de baloncesto con lo cual intervienen temas como tácticas ofensivas y defensivas (tipos de defensa), bloqueos (pantallas), posiciones de ataque o de defensa. Un sistema experto tiene como objetivo facilitar la simulación de un sistema por medio de una base de conocimientos para realizar unas determinadas reglas. Se identifican los factores que actúan para el desarrollo del proyecto denominado (Modelado del Sistema), tales como: representación de los jugadores y está dada en la representación una sola casilla, el campo de juego, el cual está representado por 200 x 200 casillas y simula la mitad del campo de juego, el balón, que generalmente está asociado al jugador en posición de ataque. Para las tácticas de defensa se identifican los posibles movimientos en las 8 diferentes alternativas y evaluar cada una de ella para decidor el mejor movimiento. Por el lado de las tácticas de ataque se implementa un sistema el cual le indique al jugador la posibilidad de realizar un pase el lanzamiento, para los movimientos se utiliza el mismo principio de la táctica de defensa. La herramienta que se emplea para el desarrollo se denomina CLIPS [5] el cual consiste en cumplir una condición, entonces, realiza determinada acción, esta herramienta es un ejemplo claro sobre el uso de Sistemas Expertos. Existe un fichero de texto que se utiliza como puente entre el motor que realiza la simulación y la interfaz gráfica que muestra los resultados obtenido. Se estudia la posibilidad de utilizar otro motor de Sistemas Expertos denominado Jess [6] el cual procesa reglas suministradas por el usuario. Esta herramienta provee ciertas limitaciones con respecto al objetivo planteado, por lo cual se emplea CLIPS como motor y Tcl/Tk (Tool Command Language) como interfaz gráfica. La interacción del sistema con el usuario es muy sencilla, el usuario selecciona los respectivos equipos y la táctica a emplear para finalmente mostrar respectiva simulación, como se muestra en la FiguraD.
Por medio de un software denominado REFLEX [7] se busca evaluar la capacidad de anticipación y toma de decisiones en el baloncesto. Las variables de estudio son estudiantes de educación física y jugadores de baloncestos de categoría cadete y junior. A cada grupo se les proporciona diferentes situaciones de juego en las cuales ellos tienen que predecir los movimientos del jugador atacante en diferentes modalidades de dificultad. La experiencia de cada grupo determina la velocidad en que toman la decisión correcta variando desde -150 msg hasta 150 msg, donde los mejores tiempos de reacción son de aquellos que llevan una experiencia de 6 años (jugadores juveniles) con un tiempo de 60 a 90 msg. La relación entre los errores y la toma de decisión varía de acuerdo a los intentos que se hayan hecho, el mejor resultado obtenido de lo anterior fue del grupo juvenil con 86% de los aciertos en cada una de las situaciones.
[8] Los software SOBL-3 (Analiza la construcción de las tácticas ofensivas) y LINCE (diseñado para facilitar la observación sistemática de las prácticas deportivas) sirven de ayuda para calcular y saber cuál fue la eficacia de un ataque en baloncesto, el estudio se basó en un equipo de la liga EBA (GE), el cual jugo 12 partidos 8 en casa y 4 como visitante. Se obtienen archivos (.xls y .csv) para realizar respectivos análisis de estadística descriptiva y secuencias de patrones. Es obtuvieron varios resultados: Zona de mayor efectividad del lanzamiento, Eficacia de las acciones ofensivas, Análisis de la efectividad del tiro según el lugar del lanzamiento. Como conclusiones cabe destacar algunas de ellas tales como: El ataque no estructurado, es el ataque más utilizado y eficaz en este equipo, La pintura es la zona desde donde son más eficaces. Los lanzamientos desde la zona son más eficaces que desde el exterior.
Otra aplicación de la ingeniera de sistema en baloncesto es [9] predecir quien podría ganar un partido en este caso hablando de la NBA (National Basketball Association) y más puntualmente en Playoff (Postemporada) se toma como ayuda el desarrollo e implementación de el algoritmo de clasificación Naive Bayes, el cual es un conjunto de algoritmos de aprendizaje supervisado basados en aplicar el teorema de Bayes [5] para clasificar. El objeto y los datos de estudio son las estadísticas (partidos ganados en casa y de visitante, partidos perdidos en casa o de visitante) de Playoffs de temporadas pasadas (2005-2011) para predecir quién ganará la temporada 2010-2011, un ejemplo de las estadísticas se muestra en la FiguraE.
Se utiliza Naive Bayes para calcular la probabilidad de que equipo va a vencer a su oponente y así avanzar hasta la próxima ronda de los Playoff hasta obtener el resultado de la final de temporada. Cada resultado que se obtiene al calcular se compara con el resultado real de cada partido de Playoffs para indicar con que precisión está el resultado o la clasificación. En la predicción se obtuvo con éxito 12 partidos y 2 partidos errados utilizando el método de comparar resultado obtenido y resultado real. Cuando equipo de la misma Conferencia (Este, Oeste) poseen la misma cantidad de victorias se es incapaz de predecir un ganador. Para la temporada 2010-2011 la respuesta que se genera gracias a Naive Bayes es Chicago Bulls como ganador y como muestra la FIguraF, se estima que el resultado pueda ser incorrecto pero con una alta precisión en su predicción.
