Effektives Tracking in Fussballspielen

Im SoccerNet-Tracking-Challenge 2023 haben wir versucht, Spieler und den Ball während Fussballspielen zu erkennen und zu verfolgen. Unsere Methode bestand darin, Spieler und den Ball als separate Aufgaben zu verfolgen, um der schnellen Natur des Fussballs besser gerecht zu werden.

#Die Herausforderung

Die Erkennung und Verfolgung von Fussballspielern und dem Ball ist eine harte Aufgabe. In Fussballspielen bewegen sich viele Spieler schnell, was es schwierig macht, einzelne Spieler zu verfolgen. Ausserdem ist der Ball klein und kann hinter Spielern oder anderen Objekten verschwinden. Diese Herausforderungen erforderten eine klare Strategie für die Verfolgung.

#Ansatz zur Verfolgung

Um die Spieler-Verfolgung zu bewältigen, haben wir einen anerkannten Online-Multi-Object-Tracker zusammen mit einem modernen Objekterkenner verwendet. Auf die erste Erkennung folgte eine Phase zur Verfeinerung und Verbesserung der Ergebnisse. Ebenso wurde die Ballverfolgung als Problem der Erkennung eines einzelnen Objekts behandelt, wodurch wir uns auf das Finden und Verfolgen des Balls konzentrieren konnten.

#Spieler verfolgen

Für die Spieler-Verfolgung haben wir zuerst die Spieler mit unserem Detektor erkannt und dann ihre Bewegungen über die Zeit verfolgt. Da unsere Methode online ist, konnten wir uns jedoch nicht auf zukünftige Bilder verlassen. Daher haben wir eine Nachbearbeitungsphase hinzugefügt, um Lücken zu füllen und die Verfolgungsgenauigkeit zu verbessern.

Wir haben mehrere Schritte unternommen, um unsere Verfolgung zu verfeinern:

1. Interpolation fehlender Spuren: Wir haben Lücken gefüllt, wo wir die Spieler nicht erkannt haben, indem wir eine Technik verwendet haben, die die Bewegungen der Spieler über die Zeit berücksichtigt.
2. Spurzusammenführung: Mit spezifischen Regeln haben wir Spuren zusammengeführt, um Verwirrung zwischen den Spielern zu vermeiden und die Kontinuität zu gewährleisten.
3. Umgang mit Randfällen: Wir haben angenommen, dass neue Spuren nur am Rand des Bildes erscheinen würden, und haben sorgfältig mit dem Zusammenführen und Beenden von Spuren umgegangen, die erstellt oder beendet wurden, fernab der Grenzen.

#Den Ball verfolgen

Die Ballverfolgung war ein bisschen anders, da es nur einen Ball gibt. Wir haben das als eine Aufgabe zur Erkennung eines einzelnen Objekts eingerichtet. Um sicherzustellen, dass wir den Ball so oft wie möglich erfasst haben, haben wir eine Version des YOLO-Detektors verwendet, die niedrigere Konfidenzlevels hatte. Diese Entscheidung führte oft zu mehreren möglichen Erkennungen für den Ball in jedem Frame.

Um die Präzision zu verbessern, haben wir verschiedene Filtermethoden angewandt:

1. Glättung der Koordinaten: Wir haben die Mittelpunktkoordinaten der erkannten Bälle über die Zeit gemittelt, um plötzliche Positionssprünge zu vermeiden.
2. Distanzfilterung: Wir haben nur die Erkennung beibehalten, die am nächsten zu unserer berechneten Trajektorie war, um Konsistenz zu gewährleisten.
3. Interpolation für Kontinuität: Wenn wir den Ball nicht erkannt haben, haben wir sichergestellt, dass die Tracking-Boxen kontinuierlich blieben, indem wir Lücken gefüllt haben.

#Datenaufbereitung

Ein entscheidender Teil unserer Methode war die Verwendung gut vorbereiteter Daten, um unsere Detektoren zu trainieren. Wir haben uns auf zwei Hauptkomponenten konzentriert: den Spieler-Detektor und den Ball-Detektor.

#Spieler-Detektor

Für den Spieler-Detektor haben wir das YOLO-Modell mit Daten von SoccerNet feinabgestimmt. Wir haben Bounding Boxes von Spielern aus Frames gesammelt, die mit einer Rate von einem Frame pro Sekunde ausgewählt wurden. Das hat uns geholfen zu verstehen, wo die Spieler in den Bildern waren.

#Ball-Detektor

Ebenso haben wir einen separaten YOLO-Detektor für den Ball trainiert. Wir haben darauf geachtet, nur Frames mit guter Erkennungsqualität zu verwenden und ungenaue Labels herauszufiltern. Das stellte sicher, dass unsere Trainingsdaten zuverlässig waren und die Leistung unserer Ballverfolgung verbesserten.

#Erscheinungsmodell

Um unserem Tracker zu helfen, die Spieler besser zu erkennen, haben wir ein Erscheinungsmodell verwendet. Dieses Modell hilft dabei, die Identitäten der Spieler über verschiedene Frames hinweg abzugleichen. Wir haben es mit Daten trainiert, die beim Verfolgen von Spielen gesammelt wurden, um sicherzustellen, dass es gut auf unseren speziellen Fall abgestimmt ist.

#Training des Erscheinungsmodells

Wir haben verschiedene Versionen des Erscheinungsmodells in verschiedenen Grössen trainiert, um die beste Balance zwischen Leistung und Genauigkeit zu finden. Durch das Feintuning des Modells speziell für unsere Fussball-Daten haben wir eine bessere Zuordnung der Spieler über die Video-Clips hinweg erreicht.

#Evaluierung unserer Tracker

Um herauszufinden, wie gut unsere Methoden funktioniert haben, haben wir sie mit dem Testset von SoccerNet überprüft. Wir haben verschiedene Verfolgungsmethoden ausprobiert, einschliesslich einer Kombination des Erscheinungsmodells mit verschiedenen Trackern.

#Bewertung der Spieler-Verfolgung

Wir haben festgestellt, dass unsere verfeinerten Methoden die Genauigkeit der Spieler-Verfolgung verbessert haben. Durch sorgfältige Nachverfolgung der Verbesserungen, die durch verschiedene Komponenten unseres Ansatzes erzielt wurden, haben wir Verbesserungen in der Verfolgungsleistung festgestellt.

#Leistung der Ballverfolgung

Unsere Bemühungen zur Ballverfolgung haben ebenfalls signifikante Ergebnisse gezeigt. Trotz der Herausforderungen mit Verdeckung und der Grösse des Balls konnte unser feinabgestimmtes Modell den Ball in den meisten Fällen effektiv erkennen.

#Finale Leistungskennzahlen

Nach all unseren Bemühungen erreichte unser finaler Spieler- und Ball-Tracker bemerkenswerte Ergebnisse. Wir verzeichneten einen HOTA-Wert von 66,27, was die Gesamteffektivität unseres Verfolgungsansatzes anzeigt.

#Fazit

Abschliessend zeigt unsere Arbeit am SoccerNet 2023 Tracking-Challenge, dass wir durch das Aufteilen der Aufgaben der Spieler- und Ballverfolgung klare Methoden für effektives Tracking in einer schnellen Umgebung wie Fussball entwickeln konnten. Die Kombination aus Feintuning der Detektoren, cleverer Datenaufbereitung und einem soliden Ansatz zur Zusammenführung von Spuren führte zu unserem erfolgreichen Ergebnis in der Challenge.