Automatic Player Tracking in Single-Camera Soccer Videos
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2823438Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
Sammendrag
AI og maskinlæring har befestet seg i dagens fotballverden som en ressurs for å automatisere sportsanalyse. Analytiske data hjelper fotballens involverte med å oppnå et konkurransefortrinn på måter man tidligere ikke trodde var mulig. Særlig automatisk tracking av fotballspillere har vist seg å være essensielt for å kunne levere slike data. Tracking kan tillate sanntidsvurdering av lagformasjoner og taktikker, noe som er verdifullt både for sportsreportere og motstanderlag. Videre kan individuelle spillere vurderes ut fra hastighet, akselerasjon og total tilbakelagt strekning, noe som er særdeles nyttig i en analyse av utøverens individuelle ferdigheter. Dessverre er teknologien primært forbeholdt profesjonelle fotballorganisasjoner, og produktene er dyre. Teknologien krever kostbart og komplisert utstyr, for eksempel multikameraoppsett og GPS-trackere. Som en motsetning til dette, bruker denne oppgaven moderne datamaskinsynmetoder på fotballopptak filmet med ett enkelt kamera. Avhandlingen har potensiale til å bidra i utviklingen av rimelig programvare som leverer tilnærmede analytiske data som det premiumprodukter tilbyr.Vi ønsker å undersøke om toppmoderne datasynsalgoritmer automatisk kan oppdage og følge spillere over tid fra fotballopptak filmet med ett enkelt kamera. Resultatene er lovende og viser til og med at sanntids-prosseseringshastigheter er mulig. Arbeidet demonstrerer også hvordan resultatene fra disse metodene kan videreutvikles til fullverdige analytiske data, og som kan brukes direkte til fotballanalyse. Kjernen av dette arbeidet består av en tradisjonell maskinlæringsmetodikk. I tråd med dette foreslår vi en ny semi-automatisk annoteringsmetode som markant reduserer arbeidsmengden for maskinlæringsbaserte tilnærminger for flerobjekts tracking. Videre foreslår vi en metode for å oppnå metrikker for flerobjekts tracking under optimalisering av individuelle systemkomponenter. Metodene viser hvordan optimalisering av forskjellige deteksjon - og trackingkomponenter påvirker den totale ytelsen av systemet. AI and machine learning have taken roots in today’s soccer world as an automated meansto deliver sports analytics. The analytical data help soccer stakeholders gain a competitiveadvantage in ways previously thought not to be possible. Particularly, automated tracking ofsoccer players has proved to play an essential role in providing such data. It can allow real-timeassessment of team formations and tactics of high value for sports reporters and opponentteams alike. Furthermore, individual players can be assessed based on speed, acceleration,and total distance traveled, which is valuable in athlete performance analysis. However, thetechnology is primarily reserved for professional soccer organizations and individuals, and theentry cost is high. The technology requires expensive and specialized equipment, such asmulti-camera setups and GPS trackers. In contrast, this thesis applies recent computer visionmethods on single-camera soccer footage. The work has the potential to contribute to thedevelopment of low-cost software that provides similar analytical data that premium productsoffer.To be more precise, this thesis is concerned with determining whether state-of-the-artcomputer vision algorithms can automatically detect and track players over time from soccerfootage captured with one camera. The results are promising and even reveals that real-timeprocessing speeds are within reach. It is also demonstrated how the processed footage canbe transformed into full-fledged analytical data that may be directly used for soccer analyticspurposes. At the heart of this thesis is a traditional machine learning methodology. To thatend, we propose a semi-automatic labeling approach that significantly reduces workloads formachine learning-based multiple object tracking (MOT) tasks. We also propose a method forobtaining MOT metrics during the optimization of MOT system components. The methodgives deep insight into how component optimization affects system-wide MOT performance