Viabilidade de uma abordagem baseada em vídeo utilizando Deep Learning para rastreamento automático de jogadores de basquetebol

Página do item simplificado
dc.contributor.advisorMoura, Felipe Arruda
dc.contributor.authorGiovanini, Bruno
dc.contributor.bancaBedo, Bruno Luiz de Souza
dc.contributor.bancaGonçalves, Hélcio Rossi
dc.coverage.extent58 p.
dc.coverage.spatialLondrina
dc.date.accessioned2025-11-03T14:31:57Z
dc.date.available2025-11-03T14:31:57Z
dc.date.issued2025-07-25
dc.description.abstractAvanços na área de visão computacional e inteligência artificial tornaram possível o rastreamento por vídeo utilizando algoritmos de rastreamento de múltiplos objetos. Um desses métodos é o DeepLabCut (DLC), uma ferramenta emergente nas ciências do movimento, que expandiu os escopos de pesquisa por permitir análises quantitativas do movimento em configurações mais ecológicas sem utilizar de equipamentos com alto custo financeiro. Entretanto, até o momento, não existem investigações testando a viabilidade de aplicação de um sistema de rastreamento automático que seja válido e apresente boa qualidade de rastreamento. Portanto, a presente dissertação teve dois objetivos: 1) avaliar a validade concorrente do DLC para estimar a posição e velocidade de jogadores durante tarefas estáticas e dinâmicas e 2) avaliar a qualidade do rastreamento automático de jogadores de basquetebol utilizando o DLC durante um jogo oficial de basquetebol. Quanto ao primeiro objetivo, dez jogadores jovens de basquetebol foram submetidos a tarefas estáticas e dinâmicas (caminhar, trotar, correr e lane-drill). O rastreamento utilizando o DLC foi comparado a um sistema optoeletrônico. A validade foi analisada por meio de erros absolutos e relativos, análise gráfica de Bland-Altman, coeficiente de correlação intraclasse (ICC), erro quadrático médio (RMSE) e mapeamento paramétrico estatístico (SPM1d) para as séries temporais de velocidade. De maneira geral, os valores de ICC mostraram boa a excelente confiabilidade entre sistemas. Os erros foram maiores à medida que a velocidade proposta das tarefas aumentou – erros relativos entre 1,00 e 2,11% para distância percorrida e RMSE entre 0,12 e 0,41 m·s-1 para velocidade. A SPM1d indicou diferenças significativas (p < 0,05) nas curvas de velocidade dos dois sistemas durante momentos de mudança de direção de 90 graus em velocidades mais altas. Quanto ao segundo objetivo, foi filmado um jogo profissional de basquetebol masculino da primeira divisão nacional utilizando apenas uma câmera fixada sobre a quadra capturando toda a área de jogo. Foram testadas diferentes abordagens de processamento dos dados do DLC e avaliadas métricas de detecção e associação calculadas a partir do registro de predições corretas, predições incorretas e trocas de identidade. De maneira geral, a abordagem utilizando interpolação do tipo ‘rloess’ apresentou a melhor qualidade de rastreamento dentre as abordagens testadas – alcançando uma taxa de trocas de apenas 0,23% e um MOTA de 0,982. O tempo estimado de intervenção manual para correção das trocas em cada quarto de jogo é de aproximadamente 70 minutos. Portanto, a utilização do DLC como base de um sistema de rastreamento automático de jogadores de basquetebol se mostrou altamente viável – com validade e qualidade de rastreamento adequadas, além de uma interface flexível, custos logísticos-operacionais acessíveis para a maior parte dos clubes profissionais de basquetebol e podendo entregar resultados confiáveis sobre as variáveis cinemáticas dos jogadores analisados horas após a partida
dc.description.abstractother1Advances in computer vision and artificial intelligence have made it possible to perform video tracking using multiple-object tracking algorithms. One such method is DeepLabCut (DLC), an emerging tool in movement sciences that expands research possibilities by allowing quantitative analysis of movement in more ecological settings without requiring expensive equipment. However, there have been no investigations testing the feasibility of applying an automatic tracking system that is both valid and capable of delivering high-quality tracking. Therefore, this master's dissertation had two aims: 1) to evaluate the concurrent validity of DLC for estimating the position and velocity of basketball players during static and dynamic tasks, and 2) to assess the quality of automatic tracking of basketball players using DLC during an official basketball game. Regarding the first objective, ten young basketball players performed static and dynamic tasks (walking, jogging, running, and lane-drill). Tracking using DLC was compared to an optoelectronic system. Validity was assessed through absolute and relative errors, Bland-Altman graphical analysis, intraclass correlation coefficient (ICC), root mean square error (RMSE), and statistical parametric mapping (SPM1d) for velocity time series. Overall, ICC values indicated good to excellent reliability between systems. Errors increased as task velocities increased – relative errors between 1.00 and 2.11% for distance traveled, and RMSE between 0.12 and 0.41 m·s-1 for velocity. The SPM1d showed significant differences (p < 0.05) in velocity curves between the two systems during 90-degree directional changes at higher velocities. Regarding the second objective, a professional men's basketball game from the national first division was filmed using only one fixed camera positioned over the court capturing the entire playing area. Different DLC data processing approaches were tested, and detection and association metrics were evaluated based on correct predictions, incorrect predictions, and identity switches. Overall, the approach using 'rloess' interpolation presented the best tracking quality among the tested methods — achieving an identity switch rate of just 0.23% and a MOTA of 0.982. The estimated manual intervention time required to correct identity switches per quarter is approximately 70 minutes. Therefore, using DLC as the basis for an automatic basketball player tracking system proved highly feasible —demonstrating adequate validity and tracking quality, along with a flexible interface, affordable logistical and operational costs for most professional basketball clubs, and the capability to deliver reliable kinematic data on analyzed players within hours after the game
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18984
dc.language.isopor
dc.relation.departamentCEFE - Departamento de Educação Física
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação Associado em Educação Física UEM/UEL
dc.subjectCinemática linear
dc.subjectBasquetebol
dc.subjectRastreamento
dc.subjectVisão computacional
dc.subjectEducação física
dc.subjectInteligência artificial
dc.subjectAnálise de movimento
dc.subject.capesCiências da Saúde - Educação Física
dc.subject.cnpqCiências da Saúde - Educação Física
dc.subject.keywordsLinear kinematics
dc.subject.keywordsBasketball
dc.subject.keywordsTracking
dc.subject.keywordsComputer vision
dc.subject.keywordsPhysical education
dc.subject.keywordsArtificial intelligence
dc.subject.keywordsMotion analysis
dc.titleViabilidade de uma abordagem baseada em vídeo utilizando Deep Learning para rastreamento automático de jogadores de basquetebol
dc.title.alternativeFeasibility of a video-based Deep Learning approach for automatic tracking of basketball players
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Educação Física e Esportes

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CS_EDF_Me_2025_Giovanini_ Bruno.pdf
Tamanho:
1.17 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 194086
Baixar
Nenhuma Miniatura disponível
Nome:
CS_EDF_Me_2025_Giovanini_ Bruno_TERMO.pdf
Tamanho:
185.19 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Educação Física