Für zahlreiche Ballsportarten ist die Verfolgung der Position des Balls eine wichtige Informationsquelle für taktische Auswertungen, trainingsmethodische Untersuchungen und andere sportspezifische Analysen. Eine verbreitete Methode zur Bestimmung der Ballposition ist die Erkennung und Lokalisation von Bällen in digitalen Bildund Videodaten. Für die Erkennung von Bällen in Bilddaten existieren zahlreiche automatisierte Verfahren. Der Goldstandard für die Erkennung von Bällen ist das Vermögen des menschlichen visuellen Systems, welches eine eindeutige Erkennung in Echtzeit ermöglicht. Bestehende Verfahren sind, abhängig von der konkreten Problemstellung, selten in der Lage, die Erkennungsleistung des Menschen zu erreichen. In den vergangenen Jahren entwickelten sich Methoden des maschinellen Lernens als Quelle für die Entwicklung effizienter Erkennungsalgorithmen, vor allem im Bereich der Bilderkennung. Das Prinzip, Gesetzmäßigkeiten für die Erkennung von Objekten aus vorgegebenen Daten zu lernen, anstelle aufwendige und komplexe Erkennungsalgorithmen händisch zu programmieren, bildet die Grundlage für leistungsstarke Erkennungsverfahren. Besonders neuronale Netze erreichten unübertroffene Erkennungsqualitäten in verschiedensten Anwendungsgebieten der Bilderkennung. Convolutional Neural Networks sind eine spezielle Klasse neuronaler Netze, die dem visuellen Kortex von Säugetieren nachempfunden sind und sich damit besonders für die Anwendung in der Bilderkennung eignen. Deep Convolutional Neural Networks lernen tiefe Hierarchien von Erkennungskonzepten, bei denen sich komplexe Konzepte aus den einfacheren Konzepten tiefer liegender Hierarchien definieren lassen. Komplexe Objekte können damit durch eine Erkennung ihrer Teilstrukturen und deren Kombination in Bilddaten detektiert werden. Bälle sind häufig relativ abstrakte Objekte ohne gut identifizierbare und differenzierbare Objekteigenschaften. Die Unterscheidung von anderen Objekten und Hintergrundstrukturen in Bildern ist eine anspruchsvolle Aufgabe. Bestehende Verfahren zur Objektklassifikation oder -erkennung in Bilddaten mittels Convolutional Neural Networks sind für die Erkennung von Bällen ungeeignet, da diese auf die Erkennung von relativ großen Objekten mit charakteristischen Objekteigenschaften ausgelegt sind. Für die Anwendung von Convolutional Neural Networks zur Ballerkennung sind explizite Anpassungen der Netzwerkarchitektur und der Trainingsalgorithmen vonnöten. Verschiedene Anpassungsmöglichkeiten werden präsentiert, analysiert und deren Eignung für die Erkennung von Bällen in Bilddaten evaluiert. Auf der Grundlage dieser Evaluierung wird ein Erkennungsverfahren für die Erkennung von Bällen mithilfe von Convolutional Neural Networks präsentiert.
© Copyright 2018 Technologien im Leistungssport 3: Tagungsband zur 19. Frühjahrsschule am 14./15. Mai 2018 in Leipzig. Veröffentlicht von Meyer & Meyer. Alle Rechte vorbehalten.