Implementación de un modelo de detección y seguimiento de jugadores de waterpolo para el análisis de modelos de juego

Abstract

El proyecto consiste en el desarrollo de un algoritmo para la detección y seguimiento de
jugadores de waterpolo con el propósito de crear una herramienta para el análisis de los
modelos de juego de este deporte, a partir de imágenes de una cámara 360º. El estudio recoge
una comparativa de distintos algoritmos de detección de objetos que utilizan técnicas de Deep
Learning que han sido aplicadas al ámbito del deporte acuático, en el que el cuerpo humano
se encuentra parcialmente ocluido. Se han implementado redes neuronales convolucionales
conocidas como YOLOv3 y Faster R-CNN que permiten obtener el Bounding Box de las
personas detectadas. Además, para obtener unos mejores resultados, se re-entrenan las redes
con el fin de ajustar los resultados de manera más fiable al problema de detección de personas
en el agua.
En cuanto a los datos empleados para la implementación y entrenamiento del algoritmo se ha
creado y anotado un Dataset completo de creación propia. Este Dataset cuenta con vídeos de los entrenamientos del Club Deportivo Natación Boadilla en los que se realizan distintos
modelos de juego para evaluar si el algoritmo diseñado es capaz de representar correctamente
los distintos movimientos efectuados. El Dataset ha sido grabado con una cámara 360º por
lo que se ha realizado un procesado previo de la imagen para eliminar las distorsiones que se
generan al representar las imágenes en 2D.
El seguimiento de los jugadores se implementa gracias a algoritmos de Visión Artificial para
realizar un seguimiento simultáneo de múltiples objetos. Los algoritmos utilizados son el
Kernel Correlation Filter (KCF) y el Correlation Filter with Channel and Spatial Reliability
(CSRT) que, a partir del análisis de la imagen, predicen la ubicación del Bounding Box en la
próxima imagen, proporcionando una estimación incluso cuando el algoritmo de detección no
es capaz de volver a detectar a una persona siendo ya seguida. Para mejorar el seguimiento
de cada jugador se utilizan técnicas de re-identificación ayudando al algoritmo a tomar una
decisión final.
Finalmente se implementan diferentes visualizaciones mediante mapas de calor para representar
el movimiento de los jugadores detectados y así poder analizar las jugadas durante un
partido.