پایان نامه
تشخیص خودکار آخرین تماس با توپ و تحلیل تعامل بازیکنان با استفاده از داده‌های ردیابی اسکلتی در فوتبال

این پایان‌نامه به توسعه روشی نوین برای تحلیل خودکار مسابقات فوتبال با استفاده از داده‌های ردیابی اسکلتی (Skeletal Tracking Data) بازیکنان می‌پردازد. هدف اصلی پژوهش، کاهش وابستگی به برچسب‌گذاری دستی رویدادهای مسابقه و افزایش دقت سامانه‌های تحلیل عملکرد بازیکنان و تیم‌ها است. در این راستا، ابتدا اعتبار داده‌های مفاصل بدن بازیکنان (Skeletal Joints) که از فناوری بینایی ماشین و سامانه‌های ردیابی نوری استخراج شده‌اند، ارزیابی و خطاهای موجود در آن‌ها با استفاده از روش‌های هموارسازی، بررسی طول اندام‌ها و پیش‌بینی موقعیت صحیح مفاصل اصلاح می‌شود. سپس با بهره‌گیری از این داده‌های اصلاح‌شده، چارچوبی برای تشخیص آخرین بازیکنی که در هر لحظه توپ را لمس کرده است ارائه می‌شود. این چارچوب از ویژگی‌هایی مانند احتمال پرواز بدون اختلال توپ (Probability of Undisturbed Flight)، تحلیل مسیر حرکت توپ، فاصله مفاصل بازیکنان تا توپ و الگوریتم درخت تصمیم (Decision Tree) برای تعیین دقیق آخرین تماس با توپ استفاده می‌کند.

در ادامه، اطلاعات به‌دست‌آمده از آخرین تماس با توپ در سامانه تشخیص خودکار رویدادهای فوتبال به‌کار گرفته می‌شود تا رویدادهای پیچیده‌ای مانند دوئل‌های بازیکنان، درگیری‌های مالکیت توپ و نتایج عملکرد دروازه‌بان با دقت بیشتری شناسایی شوند. پژوهش با استفاده از داده‌های فینال جام جهانی فوتبال ۲۰۲۲ بین آرژانتین و فرانسه، عملکرد روش پیشنهادی را ارزیابی کرده و نشان می‌دهد که افزودن داده‌های ردیابی اسکلتی نسبت به روش‌های مبتنی بر موقعیت مرکز جرم بازیکنان، اطلاعات غنی‌تر و دقیق‌تری از تعامل بازیکن و توپ فراهم می‌کند. در نهایت، این پایان‌نامه نشان می‌دهد که استفاده از داده‌های اسکلتی می‌تواند گامی مؤثر در توسعه سامانه‌های هوشمند تحلیل مسابقات فوتبال، ارزیابی عملکرد بازیکنان و خودکارسازی تولید داده‌های آماری مسابقات باشد.
“`html

این پایان‌نامه با هدف توسعه یک سامانه هوشمند برای تحلیل خودکار مسابقات فوتبال و کاهش وابستگی به برچسب‌گذاری دستی رویدادهای مسابقه انجام شده است. امروزه تحلیل مسابقات فوتبال نقش بسیار مهمی در تصمیم‌گیری مربیان، استعدادیابی، ارزیابی عملکرد بازیکنان و تدوین تاکتیک‌های تیمی دارد. با این حال، بخش عمده داده‌های رویدادی که در وب‌سایت‌های آماری و سامانه‌های تحلیل فوتبال منتشر می‌شوند، هنوز توسط کارشناسان انسانی و از طریق مشاهده ویدئوهای مسابقه به‌صورت دستی ثبت می‌شوند. این فرآیند علاوه بر زمان‌بر بودن، هزینه زیادی دارد و امکان تولید سریع داده‌های دقیق برای مسابقات متعدد را محدود می‌کند. نویسنده این پایان‌نامه تلاش کرده است با بهره‌گیری از فناوری‌های نوین بینایی ماشین (Computer Vision) و داده‌های ردیابی اسکلتی (Skeletal Tracking Data)، روشی ارائه دهد که بتواند بخش قابل توجهی از این فرآیند را به‌صورت خودکار انجام دهد.

ایده اصلی پژوهش بر این اساس است که اطلاعاتی که تاکنون برای تحلیل مسابقات استفاده می‌شد، عمدتاً شامل موقعیت مرکز جرم بازیکنان (Center of Mass) و موقعیت توپ بود. هرچند این داده‌ها برای تشخیص رویدادهای ساده مانند پاس، ضربه آزاد یا خروج توپ از زمین مناسب هستند، اما در تشخیص رویدادهای پیچیده‌تر محدودیت دارند. برای مثال، در بسیاری از لحظات مسابقه مشخص نیست کدام بازیکن آخرین بار توپ را لمس کرده است یا برخورد توپ با کدام قسمت بدن انجام شده است. همچنین تشخیص صحنه‌هایی مانند دوئل‌های تن‌به‌تن، نبردهای هوایی، مهارهای دروازه‌بان و بسیاری از تعاملات نزدیک بین بازیکنان تنها با استفاده از موقعیت کلی بازیکنان امکان‌پذیر نیست. بنابراین مسئله اصلی این پایان‌نامه، افزایش دقت تحلیل مسابقات فوتبال از طریق استفاده از اطلاعات دقیق مفاصل بدن بازیکنان است.

برای حل این مسئله، پژوهش از مجموعه داده‌های مسابقه فینال جام جهانی ۲۰۲۲ قطر بین آرژانتین و فرانسه استفاده می‌کند. این داده‌ها توسط سامانه Hawk-Eye Innovations استخراج شده‌اند و علاوه بر موقعیت توپ، اطلاعات سه‌بعدی ۲۹ نقطه از بدن هر بازیکن را در هر فریم مسابقه ثبت می‌کنند. این مجموعه داده در کنار داده‌های TRACAB و داده‌های برچسب‌گذاری‌شده مسابقه به‌عنوان مرجع، پایه اصلی انجام تمام آزمایش‌های پایان‌نامه است.

اولین مرحله پژوهش به بررسی کیفیت داده‌های ردیابی اسکلتی اختصاص دارد. نویسنده نشان می‌دهد که اگرچه داده‌های مفاصل بسیار ارزشمند هستند، اما خطاهای متعددی در آن‌ها مشاهده می‌شود. در برخی فریم‌ها یک بازیکن در دو موقعیت مختلف ثبت شده است، در برخی دیگر مفاصل بدن به‌صورت ناگهانی جابه‌جا شده‌اند یا طول اندام‌ها نسبت به حالت طبیعی تغییر کرده است. استفاده مستقیم از چنین داده‌هایی باعث کاهش دقت الگوریتم‌های بعدی خواهد شد.

برای رفع این مشکل، ابتدا هم‌ترازی زمانی بین داده‌های مختلف بررسی می‌شود تا اختلاف زمانی میان داده‌های ردیابی بازیکنان و داده‌های مفاصل اصلاح شود. سپس نویسنده الگوریتمی برای هموارسازی (Data Smoothing) ارائه می‌دهد که پرش‌های غیرطبیعی در موقعیت بازیکنان و مفاصل را حذف می‌کند. در ادامه، با اندازه‌گیری طول اندام‌های مختلف بدن در کل مسابقه، مقدار طبیعی هر بخش از بدن تعیین می‌شود. اگر در یک فریم طول یک اندام بیش از حد طبیعی بزرگ یا کوچک باشد، آن فریم به‌عنوان داده دارای خطا شناسایی می‌شود.

پس از شناسایی این خطاها، پایان‌نامه روشی برای بازسازی موقعیت صحیح مفاصل ارائه می‌دهد. در این روش از محدودیت‌های آناتومی بدن انسان استفاده می‌شود. برای مثال محل گردن، شانه، آرنج و زانو بر اساس موقعیت سایر مفاصل و طول طبیعی اندام‌ها تخمین زده می‌شود. این کار باعث می‌شود داده‌های اسکلتی قبل از ورود به مراحل تحلیل، کیفیت بسیار بالاتری پیدا کنند و خطاهای موجود تا حد زیادی حذف شوند.

بخش اصلی پایان‌نامه به حل یکی از مهم‌ترین مسائل تحلیل مسابقات فوتبال یعنی تشخیص آخرین بازیکنی که توپ را لمس کرده اختصاص دارد. نویسنده معتقد است دانستن آخرین لمس توپ، پایه بسیاری از تحلیل‌های بعدی است؛ زیرا بدون این اطلاعات تشخیص صحیح مالکیت توپ، پاس‌ها، دوئل‌ها و بسیاری از رویدادهای دیگر امکان‌پذیر نیست.

برای این منظور ابتدا مسیر حرکت توپ در طول زمان بررسی می‌شود. مختصات توپ توسط فیلتر Savitzky–Golay هموار می‌شود تا نویز داده‌ها کاهش پیدا کند. سپس بردار حرکت توپ، سرعت و شتاب آن در هر فریم محاسبه می‌شود. نویسنده فرض می‌کند زمانی که توپ بدون برخورد با هیچ جسمی در هوا حرکت می‌کند، مسیر آن باید تقریباً یکنواخت باشد؛ اما هرگونه برخورد با بازیکن، زمین یا تیر دروازه باعث تغییر ناگهانی در مسیر حرکت توپ خواهد شد.

بر همین اساس شاخص جدیدی با عنوان «احتمال پرواز بدون اختلال» (Probability of Undisturbed Flight) معرفی می‌شود. این شاخص احتمال آن را نشان می‌دهد که توپ در یک لحظه بدون تماس با هیچ جسمی در حال حرکت باشد. برای محاسبه این احتمال از دو ویژگی اصلی استفاده شده است: شباهت زاویه‌ای بین بردارهای حرکت متوالی توپ (Cosine Similarity) و نسبت اندازه بردارهای حرکت (Vector Magnitude Ratio). سپس با استفاده از رگرسیون لجستیک (Logistic Regression)، احتمال وقوع تماس با توپ محاسبه می‌شود. آموزش این مدل بر اساس هزاران فریم که به‌صورت دستی برچسب‌گذاری شده‌اند انجام شده و نتایج نشان می‌دهد که مدل توانایی بالایی در تشخیص لحظات برخورد توپ دارد.

پس از شناسایی لحظات احتمالی برخورد، الگوریتم بررسی می‌کند کدام بازیکنان در فاصله مناسب از توپ قرار دارند. به‌جای بررسی تمام ۲۹ مفصل تمام بازیکنان در هر فریم که هزینه محاسباتی بسیار بالایی دارد، ابتدا تنها بازیکنانی که در شعاع دسترسی توپ قرار دارند انتخاب می‌شوند. سپس نزدیک‌ترین مفصل هر بازیکن به توپ محاسبه شده و با استفاده از یک الگوریتم درخت تصمیم، آخرین لمس توپ تعیین می‌شود. این روش باعث کاهش چشمگیر حجم محاسبات در کنار حفظ دقت بالا شده است.

یکی دیگر از ویژگی‌های مهم پژوهش این است که دو نسخه متفاوت از الگوریتم ارائه می‌شود. نسخه اول برای داده‌های باکیفیت که شامل اطلاعات سه‌بعدی مفاصل است طراحی شده و بیشترین دقت را دارد. نسخه دوم برای شرایطی ارائه شده که تنها داده‌های معمول ردیابی بازیکنان و توپ در دسترس باشد. اگرچه دقت نسخه دوم کمتر است، اما امکان استفاده از الگوریتم را در مسابقاتی که تجهیزات پیشرفته ندارند نیز فراهم می‌کند.

پس از تعیین آخرین لمس توپ، پژوهش وارد مرحله تشخیص خودکار رویدادهای مسابقه می‌شود. نویسنده الگوریتم‌های قبلی مبتنی بر درخت تصمیم را توسعه داده و اطلاعات جدید مربوط به مفاصل بدن را به آن‌ها اضافه می‌کند. این اطلاعات امکان تشخیص دقیق‌تر رویدادهایی را فراهم می‌کند که پیش‌تر تشخیص آن‌ها بسیار دشوار بود. از جمله این رویدادها می‌توان به دوئل‌های زمینی، نبردهای هوایی، رقابت دو بازیکن برای تصاحب توپ، برخوردهای دفاعی و همچنین رویدادهای مربوط به دروازه‌بان مانند مهار توپ، دفع توپ یا دریافت گل اشاره کرد.

در فصل ارزیابی، عملکرد تمام بخش‌های سیستم بررسی می‌شود. ابتدا کیفیت داده‌های اسکلتی پس از اعمال روش‌های اصلاح و هموارسازی ارزیابی می‌شود و نتایج نشان می‌دهد که خطاهای مربوط به موقعیت مفاصل و طول اندام‌ها به میزان قابل توجهی کاهش یافته‌اند. سپس عملکرد الگوریتم تشخیص آخرین لمس توپ روی مسابقه فینال جام جهانی ۲۰۲۲ آزمایش می‌شود. نتایج نشان می‌دهد استفاده از داده‌های اسکلتی نسبت به روش‌های مبتنی بر مرکز جرم بازیکنان، دقت بیشتری در تعیین آخرین لمس توپ ایجاد می‌کند. همچنین الگوریتم تشخیص رویدادهای فوتبال نیز توانسته است انواع مختلف دوئل‌ها و رویدادهای مربوط به دروازه‌بان را با موفقیت شناسایی کند.

از مهم‌ترین نوآوری‌های این پایان‌نامه می‌توان به اعتبارسنجی و اصلاح داده‌های ردیابی اسکلتی، معرفی شاخص احتمال پرواز بدون اختلال، طراحی الگوریتم تشخیص آخرین لمس توپ بر پایه مفاصل بدن، استفاده از اطلاعات آناتومی بدن برای بازسازی داده‌های معیوب و توسعه الگوریتم تشخیص خودکار رویدادهای فوتبال اشاره کرد. این پژوهش نشان می‌دهد که داده‌های اسکلتی می‌توانند اطلاعات بسیار غنی‌تری نسبت به داده‌های معمول ردیابی بازیکنان در اختیار سامانه‌های تحلیل فوتبال قرار دهند.

در پایان، نویسنده بیان می‌کند که اگرچه نتایج به‌دست‌آمده بسیار امیدوارکننده هستند، اما هنوز امکان توسعه این سامانه وجود دارد. استفاده از مدل‌های یادگیری عمیق، شبکه‌های ترنسفورمر (Transformers)، داده‌های ویدئویی و مجموعه‌داده‌های بزرگ‌تر می‌تواند دقت تشخیص رویدادها را در آینده افزایش دهد. همچنین اجرای این الگوریتم‌ها به‌صورت برخط در طول مسابقات زنده می‌تواند زمینه ایجاد نسل جدیدی از سامانه‌های تحلیل هوشمند فوتبال را فراهم کند.

در مجموع، این پایان‌نامه نشان می‌دهد که ترکیب بینایی ماشین، داده‌های ردیابی اسکلتی، پردازش داده، مدل‌های آماری و الگوریتم‌های تصمیم‌گیری می‌تواند تحول مهمی در تحلیل مسابقات فوتبال ایجاد کند. روش ارائه‌شده نه‌تنها نیاز به برچسب‌گذاری دستی را کاهش می‌دهد، بلکه امکان استخراج دقیق‌تر اطلاعات تاکتیکی و فنی مسابقات را نیز فراهم می‌کند و می‌تواند در آینده به یکی از پایه‌های اصلی سامانه‌های هوشمند تحلیل فوتبال تبدیل شود.