Χωροχρονική ανάλυση παικτών χειροσφαίρισης με τεχνικές βαθιάς μάθησης

Abstract

Η τεχνητή νοημοσύνη, η υπολογιστική όραση και η βαθιά μάθηση αλλάζουν τον τρόπο με τον οποίο αναλύονται τα αθλήματα. Παρ’ όλα αυτά, στη χειροσφαίριση η αξιοποίησή τους παραμένει σχετικά περιορισμένη. Η παρούσα διπλωματική εργασία προτείνει ένα πρακτικό και αναπαραγώγιμο πλαίσιο που εφαρμόζεται απευθείας σε broadcast video και καλύπτει όλη τη ροή από την ανίχνευση μέχρι την τελική παρουσίαση, μετατρέποντας το ακατέργαστο βίντεο σε τροχιές αναφοράς στο γήπεδο, μετρικές κίνησης και οπτικοποιήσεις.

Αρχικά, το σύστημα ανιχνεύει τους παίκτες με YOLOv8, διατηρεί σταθερές ταυτότητες με DeepSORT και προβάλλει την κίνηση στην τυποποιημένη κάτοψη γηπέδου 40 × 20 m μέσω ομογραφίας, ώστε η κίνηση να περιγράφεται σε μέτρα και όχι σε pixels. Με αυτόν τον τρόπο διευκολύνονται ουσιαστικές συγκρίσεις μεταξύ διαφορετικών φάσεων, ενώ παράγονται θερμικοί χάρτες και συνοπτικά προφίλ κίνησης με σταθερές μονάδες και σαφείς κανόνες ανάγνωσης.

Στη συνέχεια, πάνω στις προβαλλόμενες τροχιές γίνεται αναγνώριση επτά ενεργειών, crossing, defence, dribbling, jumpshot, passing, running και shot, με ερμηνεύσιμα χαρακτηριστικά κίνησης και σύγκριση πολλών ταξινομητών όπως Random Forest, Extra Trees, Gradient Boosting, XGBoost, Logistic Regression και Gaussian Naive Bayes. Η επιλογή αυτής της προσέγγισης δίνει έμφαση στη διαφάνεια και στη σταθερότητα, ειδικά όταν τα διαθέσιμα δεδομένα είναι περιορισμένα.

Τέλος, το πλαίσιο είναι προσαρμοσμένο σε πραγματικές συνθήκες μετάδοσης, αντιμετωπίζοντας απόκρυψη, υψηλή πυκνότητα παικτών και μεταβολές κάμερας, ενώ αναγνωρίζει περιορισμούς όπως η μονοκάμερη λήψη, η ευαισθησία της ομογραφίας στην επιλογή σημείων και η απουσία επίσημων ταυτοτήτων. Συνολικά, παραδίδεται μια αρθρωτή και επεκτάσιμη βάση για ανάλυση χειροσφαίρισης με έμφαση στην αξιοπιστία και στην αναπαραγωγιμότητα.