Pourquoi le suivi de balle fonctionne pour le tennis et le cricket mais pas pour le football ou le basket-ball

En ce qui concerne les sports de balle, les techniques de vision artificielle ont commencé à révolutionner la façon dont les analystes étudient le jeu et dont les arbitres et les arbitres prennent des décisions. Au cricket et au tennis, par exemple, ces systèmes enregistrent systématiquement le mouvement de la balle en trois dimensions, puis génèrent une relecture virtuelle qui montre exactement où une balle a touché le sol et prédit même sa trajectoire future (pour déterminer si elle aurait touché le guichet, par exemple Exemple).

Mais ce type de suivi du ballon est particulièrement absent dans d'autres sports de balle, tels que le basket-ball, le volley-ball, le football, etc. Dans ces sports, le ballon est souvent caché derrière les joueurs, son mouvement est considérablement différent lorsqu'il est en possession d'un joueur par rapport à lorsqu'il vole dans les airs, et les interactions des joueurs avec le ballon peuvent être rapides et imprévisibles.

Ces facteurs, ainsi que la petite taille du ballon dans un cadre et la qualité parfois médiocre des images vidéo, rendent le suivi du ballon beaucoup plus difficile dans ces sports.

Aujourd'hui, Andrii Maksai et ses amis de l'Ecole Polytechnique Fédérale de Lausanne en Suisse décrivent une nouvelle façon de suivre les balles dans ces sports qui surpasse les autres approches de pointe.

La plupart des systèmes de suivi de balle reposent sur deux approches différentes. Le premier cherche à suivre le mouvement de la balle en trois dimensions puis prédit différentes trajectoires probables dans le futur. Cet arbre de trajectoires possibles peut ensuite être élagué à mesure que davantage de données de suivi de balle deviennent disponibles.

L'avantage de cette approche est que les lois de la physique sont intégrées aux prédictions de trajectoire, de sorte que les solutions non physiques peuvent être évitées. Cependant, il est extrêmement sensible à la qualité des données de suivi du ballon et a donc tendance à échouer lorsque le ballon est occlus ou lorsque les joueurs interagissent avec le ballon de manière imprévisible.

Une autre méthode consiste à suivre les joueurs et à noter quand ils sont en possession du ballon. Le mouvement du ballon est alors supposé suivre le joueur et lors du transfert de possession d'un joueur à l'autre. L'avantage ici est que le système n'est pas si confus par des passes rapides ou imprévisibles - en effet, cette approche fonctionne bien au basket-ball, où le dribble et l'occlusion peuvent rendre la vie difficile aux traqueurs de balle. Cependant, sans contraintes physiques sur le mouvement de la balle, ces systèmes peuvent produire des pistes imprécises.

Maksai et co ont trouvé une solution évidente. Ils suivent à la fois le ballon et les joueurs avec précision. Ils utilisent ensuite l'une des différentes façons de résoudre le problème de suivi du ballon qui dépend de la façon dont les joueurs interagissent avec le ballon.

Par exemple, un ballon de basket tiré vers le panier suit une trajectoire balistique. Mais une balle qui roule suit un chemin différent. Les deux nécessitent des solutions de suivi de balle différentes pour un pic de volley-ball qui provoque un changement brusque de trajectoire. Et un ballon dribblé par un footballeur suit encore un autre type de trajectoire irrégulière, nécessitant une autre solution. Nous modélisons explicitement l'interaction entre le ballon et les joueurs ainsi que les contraintes physiques auxquelles le ballon obéit lorsqu'il est loin des joueurs, disent Maksai et co.

L'équipe a testé son algorithme sur un certain nombre de séquences vidéo de divers matchs de volley-ball, de basket-ball et de football. Les données proviennent de plusieurs caméras qui enregistrent la même action sous différents angles pour créer un modèle 3D de ce qui se passe. Cependant, les données sont loin d'être parfaites avec de nombreux cas d'occlusion, des passages imprévisibles et des trajectoires irrégulières.

Les résultats montrent une certaine amélioration des techniques existantes. Nous montrons que notre approche est plus robuste et plus précise que plusieurs approches de pointe sur des séquences réelles de volley-ball, de basket-ball et de football, disent-ils.

Ce n'est pas parfait, cependant. Un jalon de performance crucial pour ces systèmes est la capacité de produire une relecture virtuelle du mouvement d'une balle rapidement et avec suffisamment de précision pour un public de télévision.

C'est une question difficile, notamment parce que ce nouveau système améliore le suivi des joueurs à mesure que la durée de la séquence vidéo augmente. Mais cela augmente considérablement le temps de traitement.

Mais un temps de traitement plus long limite considérablement l'utilité du système pour la retransmission en direct d'événements sportifs lorsque la rediffusion virtuelle doit être disponible presque immédiatement.

Cependant, la précision de certains types de suivi de balle - les tirs balistiques, par exemple - devient plus facile sur des séquences plus courtes car il y a moins d'imprévisibilité. Donc, une sorte de processus d'optimisation devrait aider ici.

Avec un travail comme celui-ci, le suivi du ballon dans des jeux comme le football, le basket-ball et le volley-ball se rapproche. Mais ce n'est pas encore assez rapide pour être commercialement viable pour un diffuseur sportif.

Cela peut nécessiter un changement radical dans la façon dont les chercheurs abordent ce problème. Une possibilité pourrait être d'utiliser des techniques d'apprentissage en profondeur, où un système d'IA apprend à prédire le mouvement futur de la balle en utilisant ses connaissances acquises des jeux précédents. Cela pourrait simplifier considérablement certaines des tâches qu'implique le suivi de la balle.

Quoi qu'il en soit, encore plus de travail à faire ici.

Réf : http://arxiv.org/abs/1511.06181 : Ce que font les joueurs avec le ballon : une modélisation des interactions sous contrainte physique

cacher