Χωροχρονική ανάλυση παικτών χειροσφαίρισης με τεχνικές βαθιάς μάθησης

Κατσιούλας, Κοσμάς

dc.contributor.advisor	Μαγκλογιάννης, Ηλίας
dc.contributor.author	Κατσιούλας, Κοσμάς
dc.date.accessioned	2026-04-20T07:06:58Z
dc.date.available	2026-04-20T07:06:58Z
dc.date.issued	2026-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19175
dc.description.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.	el
dc.format.extent	126	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Χωροχρονική ανάλυση παικτών χειροσφαίρισης με τεχνικές βαθιάς μάθησης	el
dc.title.alternative	Spatio-temporal analysis of handball players using deep learning	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Artificial intelligence, computer vision, and deep learning are transforming sports analytics. However, their adoption in handball remains limited. This thesis presents a practical and reproducible framework that operates directly on broadcast footage and covers the full workflow from detection to final reporting, transforming raw video into court-referenced trajectories, kinematic metrics, and visual summaries. The system detects players using YOLOv8, maintains stable identities over time with DeepSORT, and projects movement onto a standardized 40 × 20 m handball court using homography. In this way, motion is expressed in meters rather than pixels, enabling more meaningful interpretation and comparisons across different clips. In addition, the framework produces heatmaps and concise movement profiles with consistent units and clear reading rules. Next, action recognition is performed on the projected trajectories for seven actions: crossing, defence, dribbling, jumpshot, passing, running, and shot. The approach relies on interpretable motion features and evaluates multiple classifiers, including Random Forest, Extra Trees, Gradient Boosting, and XGBoost, aiming for robust performance when the available data are limited. Finally, the framework is designed for real broadcast conditions and addresses challenges such as occlusions, high player density, and camera variations, while acknowledging key limitations, including the nature of monocular footage, the sensitivity of homography to point selection, and the absence of official player identities. Overall, the work delivers a modular and extensible basis for handball analytics with an emphasis on transparency, reliability, and reproducibility.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Χειροσφαίριση	el
dc.subject.keyword	Υπολογιστική όραση	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	YOLOv8	el
dc.subject.keyword	DeepSORT	el
dc.subject.keyword	Ομογραφία	el
dc.subject.keyword	Αναγνώριση ενεργειών	el
dc.subject.keyword	Τροχιές	el
dc.subject.keyword	Θερμικοί χάρτες	el
dc.subject.keyword	Multi-object tracking	el
dc.subject.keyword	Random forest	el
dc.subject.keyword	Extra trees	el
dc.subject.keyword	Gradient boosting	el
dc.subject.keyword	XGBoost	el
dc.subject.keyword	Logistic regression	el
dc.subject.keyword	Gaussian Naive Bayes	el
dc.date.defense	2026-02-02

Αρχεία σε αυτό το τεκμήριο

Name:: Katsioulas_ME2109.pdf
Μέγεθος:: 2.703Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα