Zoals in de discussie al is vermeld zullen er naar meer kenmerken gekeken moeten worden van de sporters, die door een professional worden aangeduid als cruciaal voor de uitvoering van de oefenening. Ook is het belangrijk dat er meer sporters gebruikt worden voor toekomstig onderzoek zodat de toevalsfactor die naar voren komt bij het analyseren van de techniek van sporters, teniet wordt gedaan. Daarnaast zou er bij toekomstig onderzoek ook gekeken kunnen worden naar een zijaanzicht van de sporter, aangezien dit potentieel veel kan zeggen over de correctheid van de uitvoering van de oefening. Ook zou er onderzoek gedaan kunnen worden naar de verschillen tussen het analyseren van twee dimensionale - en drie dimensionale co¨ordinaten van de gewrichten, aangezien deze extra dimensie meer informatie aanbied voor analyses. Als laatste zou er in toekomstig onderzoek gekeken kunnen worden naar het cre¨eren van clusters in meer dan drie dimensies. In deze thesis is gekeken naar het vergelijken van de verschillende kenmerken in driedimensionale clusterplots, echter kunnen deze kenmerken ook in meer dan drie dimensies met elkaar vergeleken worden.
HOOFDSTUK 6
Conclusie
In deze thesis is onderzoek gedaan naar het vinden van een antwoord op de vraag: ”Hoe kan ’pose estimation’ gebruikt worden om een sterke bijdrage te leveren aan de analyse van de techniek van sporters binnen het gewichtheffen?”. Om deze vraag te kunnen beantwoorden zijn er een aantal deelvragen opgesteld waar in het experiment antwoorden op zijn gezocht. Het gaat hier om de vragen: ”Hoe kunnen pose estimation technieken gebruikt worden om onderscheid te maken tussen verschillende sporters die gelijke oefeningen uitvoeren?”, ”Is het mogelijk om professionals te gebruiken als referentie voor beginners?” en ”Welke metrieken zijn nodig om een onderscheid te kunnen maken tussen verschillende sporters?”.
Uit de resultaten van het experiment is gebleken dat voor het onderscheiden van verschillende sporters kan er gebruik gemaakt worden van driedimensionale clusterplots. In deze clusterplots worden de kenmerken van de sporters gevisualiseerd, die zijn verkregen uit de data produceerd door OpenPose. Ook is er naar voren gekomen dat er in de clusterplots verschillen kunnen worden waargenomen tussen beginners en professional. Echter, kan er nog niet worden geconcludeerd dat professionals gebruikt kunnen worden als referentie voor beginners aan de hand van de gebruikte kenmerken. Voor de metrieken die nodig zijn om een onderscheid te kunnen maken tussen de verschillende sporters zijn de snelheid, de impuls en de hoeken tussen gewrichten als prominente metrieken naar voren gekomen binnen het onderzoek. Daar moet wel bij worden vermeld dat er andere potenti¨ele metrieken en bijbehorende kenmerken niet in acht zijn genomen tijdens het uitvoeren van het experiment.
Uit het onderzoek is gebleken dat de pose estimation data gebruikt kan worden om kenmerken van de techniek van de sporter te verkrijgen uit videobeelden van de sporter. Deze kenmerken kunnen worden gevisualiseerd en onderling worden vergeleken met andere sporters met behulp van clusterplots. Uit deze clusterplots kunnen verschillen worden waargenomen tussen beginnende sporters en professionals, tussen vrouwen en mannen en tussen individuele sporters. Echter, zijn er nog niet genoeg kenmerken geanalyseerd van de sporters om te concluderen dat pose estimation een sterke bijdrage kan leveren aan de analyse van de techniek van sporters binnen het gewichtheffen.
Bibliografie
Andriluka, Mykhaylo e.a. (2014). “2d human pose estimation: New benchmark and state of the art analysis”. In: Proceedings of the IEEE Conference on computer Vision and Pattern Recognition, p. 3686–3693.
Beetz, Michael, Bernhard Kirchlechner en Martin Lames (2005). “Computerized real-time analysis of football games”. In: IEEE pervasive computing 4.3, p. 33–39.
Bode, Hendrik Wade en Claude Elwood Shannon (1950). “A simplified derivation of linear least square smoothing and prediction theory”. In: Proceedings of the IRE 38.4, p. 417–425. Chen, Steven en Richard Yang (g.d.). “Pose Trainer: Correcting Exercise Posture using Pose
Estimation”. In: ().
Colyer, Steffi L e.a. (2018). “A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system”. In: Sports medicine-open 4.1, p. 24.
Einfalt, Moritz, Dan Zecha en Rainer Lienhart (2018). “Activity-conditioned continuous human pose estimation for performance analysis of athletes using the example of swimming”. In: 2018 IEEE Winter Conference on Applications of Computer Vision (WACV). IEEE, p. 446–455. Hasegawa, Kunihiro en Hideo Saito (2016). “Synthesis of a stroboscopic image from a hand-held
camera sequence for a sports analysis”. In: Computational Visual Media 2.3, p. 277–289. Hwang, Jihye, Sungheon Park en Nojun Kwak (2017). “Athlete pose estimation by a global-local
network”. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, p. 58–65.
Kurose, Ryunosuke e.a. (2018). “Player pose analysis in tennis video based on pose estimation”. In: 2018 International Workshop on Advanced Image Technology (IWAIT). IEEE, p. 1–4. Nakano, Nobuyasu e.a. (2019). “Evaluation of 3D markerless motion capture accuracy using
OpenPose with multiple video cameras”. In: bioRxiv, p. 842492.
Owens, NEIL, C Harris en C Stennett (2003). “Hawk-eye tennis system”. In: 2003 International Conference on Visual Information Engineering VIE 2003. IET, p. 182–185.
Payton, Carl J en Adrian Burden (2017). Biomechanical evaluation of movement in sport and exercise: the British Association of Sport and Exercise Sciences guide. Routledge.
Plackett, Robin L (1983). “Karl Pearson and the chi-squared test”. In: International Statistical Review/Revue Internationale de Statistique, p. 59–72.
Press, William H en Saul A Teukolsky (1990). “Savitzky-Golay smoothing filters”. In: Computers in Physics 4.6, p. 669–672.
Siriteerakul, Teera, Yoichi Sato en Veera Boonjing (2011). “Estimating change in head pose from low resolution video using LBP-based tracking”. In: 2011 International Symposium on Intelligent Signal Processing and Communications Systems (ISPACS). IEEE, p. 1–6. Wang, Jianbo e.a. (2019). “AI Coach: Deep Human Pose Estimation and Analysis for Personalized
Athletic Training Assistance”. In: Proceedings of the 27th ACM International Conference on Multimedia, p. 374–382.
Wei, Xinyu e.a. (2015). “Predicting ball ownership in basketball from a monocular view using only player trajectories”. In: Proceedings of the IEEE International Conference on Computer Vision Workshops, p. 63–70.
Zecha, Dan, Christian Eggert en Rainer Lienhart (2017). “Pose estimation for deriving kinematic parameters of competitive swimmers”. In: Electronic Imaging 2017.16, p. 21–29.