CC BY
30
УДК 796.81
АЛГОРИТМ АНАЛИЗА СОПЕРНИКА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ НА ОСНОВЕ ТЕХНИКО-ТАКТИЧЕСКИХ ВЗАИМОДЕЙСТВИЙ
Е.А. Бабушкина
Представлен алгоритм анализа соперника в вольной борьбе с помощью распознавания действий борца на видеопоследовательности, базирующийся на: кластеризации цветового изображения, нахождения разницы между элементами для видеопоследовательности, контурного анализа, активных моделях ААМ и ASM, нейросетевом программировании.
Ключевые слова: технико-тактические действия, анализ соперника, вольная борьба, алгоритм, нейросетевое программирование.
В связи с предстоящим, менее чем через 3 года, грандиозным событием мирового масштаба - проведением XXXII летних Олимпийских игр в 2020 г. в Токио (Япония) - особое внимание уделяется оптимизации тренировочной подготовки сборных команд Российской Федерации. Не последнюю роль в этом процессе играют современные мультимедийные и информационные технологии, основными аргументами, в пользу которых выступают наглядность, интерактивность, возможность использования комбинированных форм анализа и представления информации [1].
Вольная борьба характеризуется значительным многообразием технико-тактических действий (далее - ТТД) и имеет широкий потенциал нереализованных возможностей для разработки предложений и рекомендаций, основанных на мультимедийных и информационных технологиях, с целью повышения спортивного мастерства российских борцов на мировой арене [2].
Ранее мы выявили и систематизировали закономерности анализа движений и периода их выполнения на основе технико-тактических взаимодействий в вольной борьбе [3, 4]. Применяя эту информацию, была предпринята попытка создать алгоритм, который позволит:
1) проводить анализ ТТД соперника, выявляя его сильные и слабые стороны;
2) установить динамику, частоту, эффективность реализации проводимых соперником приемов;
3) выявить и оперативно указать на недостатки в ТТД нашего (приоритетного) спортсмена;
4) выстроить эффективный алгоритм контратак для противоборства с конкретным соперником-борцом.
Цель исследования - создание алгоритма анализа соперника на видеопоследовательности на основе технико-тактических взаимодействий в
борцовских схватках для реализации интерфейса комплексного программного обеспечения.
Методы исследования: анализ научно-методической литературы по вольной борьбе и информационным технологиям; методы математической статистики и обработки статистических данных посредством программного обеспечения (ПО) SPSS© и Microsoft Excel 2010; видеоанализ посредством ПО DartfishTeamPro© на примере ЧМ-2017 по борьбе в Париже (Франция) (видеофрагменты взяты с официального сайта Федерации спортивной борьбы России (http://www.wrestrus.ru/); кластеризация цветового изображения; нахождение разницы между элементами для видеопоследовательности; контурный анализ; активное моделирование ААМ и ASM; нейросетевое программирование.
Результаты исследования. Для проведения экспериментов была разработана программа «The analysis of the opponent in wrestling» на платформе Microsoft.Net на языке объектно-ориентированного программирования С# (Visual studio 2010) с использованием библиотек OpenCV, реализующая предложенный алгоритм. Программа протестирована на ноутбуке с процессором Intel Core™J7-6700HQ 2.6 ГГц, ООП 8 Гб и встроенной веб-камерой.
Основные этапы алгоритма:
1. Сегментация кадра с учетом кластеризации цвета кожи борцов.
2. Нахождения разницы между элементами для видеопоследовательности.
3. Сопоставление итогов локальной сегментации кожи борца в ходе технико-тактической комбинации (ТТК).
4. Контурный анализ.
5. Построение связки графов синего и красного цветов путем задания вершин в узловых точках (суставы: плечевой, локтевой, коленный) (маркировка).
6. Процесс распознавания ТТК на видеопоследовательности.
7. Помещение ТТК в библиотеку.
8. Процесс распознавания ТТД.
9. Создание библиотеки ТТД.
Число операций в представленном алгоритме соразмерно с числом элементов на кадре, а итог работы алгоритма - это двоичная маска локализации двойной сегментации. В качестве фильтров обработки кадров применялись операции размытия и дилатации [5].
Для нахождения разницы между элементами для видеопоследовательности применялся алгоритм вычисления разности 2-х кадров для случая обработки цветного видео в формате RGB. Разностная карта (изображение в серых тонах) подвергается, в таком случае, пороговому преобразованию, в результате чего получается бинарная маска локализации ТТД [6].
В ходе создания программы создается своеобразная библиотека .TTK из различных связок-графов двух цветов (синий и красный - по цвету трико борца). Каждая связка соответствует какому-либо ТТК.
ТТК были структурированы, исходя из предыдущих исследований [3, 4] и применены с целью анализа технико-тактического взаимодействия. Эта группа состоит из 11 категорий: 1) движение (перемещение по ковру); 2) ТТД в стойке; 3) ТТД в партере; 4) стойка-партер (перевод в партер); 5) захват; 6) атакующие ТТД; 7) защитные ТТД; 8) контратакующие ТТД; 9) комбинационные ТТД; 10) опасное положение; 11) перерыв/пауза между периодами.
Совокупность нескольких ТТК представляет собой полноценное ТТД (библиотека .ТТА). Руководствуясь активными моделями ААМ (Active Appearance Models) и ASM (Active Shape Models) (статистические модели изображений, которые путем разного рода деформаций могут быть подогнаны под реальное изображение; данные модели позволяют пренебречь некоторыми погрешностями антропологических особенностей индивидов и выстроить узловые антропологические точки (маркеры) в нужном ракурсе) и математической логикой, мы приходим к выводу, что библиотеки .ТТК и .ТТА будут иметь конечное число вариаций, поскольку суставы человека имеют ограничение при движении (не более 180 °).
Результаты исследования устойчивости распознавания ТТД представлены в таблице ниже.
Итоги оценки устойчивости распознавании ТТД
Вид ошибки устойчивости распознавания Значение ошибки Процент ошибки, %
Ошибка 1-го рода 0,0069 0,69
Ошибка 2-го рода 0,0738 7,38
Суммарная средняя ошибка 0,0401 4,04
Устойчивость распознавания линейно зависима от дисбаланса условий внешней среды, тем не менее, число ошибок, которые при этом возникают, имеет тенденцию к снижению, достигая минимума за счет калибровки прибора видеозахвата. Качество распознавания равно примерно 96 %, что само по себе замечательный результат для алгоритмов подобного спектра.
Показатели эффективности представленного алгоритма - это устойчивость и производительность распознавания ТТД борцов. Производительность системы оценивается таким параметром, как количество обработанных кадров в секунду, а устойчивость распознавания показателем суммарной средней ошибки распознавания. При оценке качества распознавания, исходя из того, что довольно проблематично установить ошибку распознавания того или иного ТТД, для оценки качества функционала используется значение устойчивости распознавания кадра.
Выводы.
1. Предложенный алгоритм распознавания ТТД, базирующийся на применении информации о цвете кожи человека и его сегментации, дает возможность обозначить на видеокадре участки, соответствующие цвету человеческой кожи с максимальной вероятностью соответствующих предплечьям и голени спортсмена. Выделив обнаженные участки тела борца (не закрытые борцовским трико), мы можем фиксировать положение тела спортсмена (цвет трико (синий/красный) в значениях RGB позволяет различать соперников) методом графов. Таким образом, в процессе реализации алгоритма анализа соперника на основе технико-тактических взаимодействий в борцовских схватках для каждого видеоизображения ТТК формируется набор признаков, содержащий параметры конфигурации и положения тела борца в кадре. В итоге выстраивается формальный образ динамического технико-тактического действия. Зафиксированные ТТК представляют собой заранее размеченные изображения. Они собираются в базу данных и затем используются для машинного обучения при нейросетевом программировании при моделировании ААМ и ASM. На практике в дальнейшем это позволит получить информацию о манере ведения поединка соперником, предпочитаемой им технике, тактике, предложит возможные вариации контратак.
2. Помимо технико-тактической манеры ведения поединка, предложенный алгоритм и модели AAM и ASM позволят нам установить морфологические показатели, антропометрический профиль и соматотип соперника. Применяя уже установленные наукой взаимосвязи, мы можем сделать целый ряд заключений по сопернику с целью дальнейшего использования в анализе и при построении рекомендаций для наших борцов.
3. Характеризуя эффективность представленного алгоритма с позиции информационной составляющей, отметим, что при коэффициенте масштаба равным 3 продолжительность видеофрагмента схватки выше длительности сегментирования всего в 1,2 раза. Следовательно, при наличии входного видео-потока хорошего качества, появляется возможность работы программы и соответственно анализа соперника в реальном времени.
Перспективы дальнейших исследований. В дальнейшем планируется объединить представленный алгоритм с созданной на базе Волгоградской государственной академии физической культуры программой «Freestyle Wrestling», представляющей собой совокупность мультимедийного учебно-методического пособия и программного комплекса по анализу различных компонент и характеристик для оценки результативности соревновательной деятельности борцов вольного стиля с учетом гендерной специфики.
Стоит отметить, что предложенный алгоритм работает в том случае, если борец не тейпирован и у него не закрыты интересующие нас участки тела (часть бедра, коленный сустав, голень, плечевой сустав, плечо,
локтевой сустав и предплечье). В случае тейпирования данный алгоритм будет реализован на видепоследовательности с ручной установкой графов и их вершин. Также, по мнению автора, необходимо создать библиотеку нереализованных приемов (неудачно проведенных).
Думается, что уже на данном этапе результат программы анализа соперника поможет в тренировочной и соревновательной деятельности борцов вольного стиля, а также будет полезен для дальнейшего развития спортивной борьбы в России.
Список литературы
1. Кудинова В.А., Кудинов А.А. Оценка продуктивности и эффективности физической культуры и спорта в субъектах РФ // Современные проблемы науки и образования. 2014. №4. С. 25-28.
2. Шахмурадов Ю.А. Вольная борьба. Научно-методические основы многолетней подготовки борцов. Махачкала: Эпоха, 2011. 368 с.
3. Бабушкина Е.А., Гаркин Н.В. Общие закономерности анализа движений и периода их выполнения на основе сравнения технико-тактических взаимодействий в вольной борьбе // Экстремальная деятельность человека. 2017. №1. С. 33-36.
4. Бабушкина Е.А., Султанахмедов Г.С. Структура взаимодействий борцов в соревновательном поединке: матер. открыт. итог. науч.-практ. конф. проф.-препод. состава РГУФКСМиТ. М.: РГУФКСМиТ, 2016. С. 139-143.
5. Чудновский М.М. Алгоритм распознавания жестов руки человека на видеопоследовательности в режиме реального времени для реализации интерфейсов человеко-машинного взаимодействия // Вестн. СибГАУ. 2014. №3(55). С. 162-167.
6. Анализ существующих подходов к распознаванию лиц. URL: http: //habrahabr.ru/company/synesis/blog/238129/ (дата обращения: 01.11.2017).
Бабушкина Елена Александровна, соискатель, elena_b-a@,mail.ru, Россия, Волгоград, Волгоградская государственная академия физической культуры
ANALYSIS ALGORITHM OPPONENT ON A VIDEO SEQUENCE BASED ON TECHNICAL-TACTICAL INTERACTIONS
E.A. Babushkina
The algorithm of analysis of the opponent in wrestling with recognition of the actions of the fighter on the video sequence based on: clustering, color image, finding the difference between the elements of the video sequence, contour analysis, active models of AAM and ASM, neural network programming.
Key words: technical-tactical actions, analysis of the opponent, wrestling, algorithm, neural network programming.
Babushkina Elena Aleksandrovna, post-graduate student, elena b-aamail.ru, Russia, Volgograd, Volgograd State Academy of Physical Culture
