如今，當我們看板球（或棒球）或是網球的比賽的時候很容易發現，機器視覺技術（machine-vision
techniques）早已革命性地開始輔助裁判，現場的即時分析和判罰。例如，當比賽過程中球落在了邊線附近的時候，系統就會通過當時在三維空間中記錄的球體的運動軌跡，來生成一個虛擬的3D重播，對球體落地一瞬間的位置進行精準顯示。機器視覺技術甚至還能夠通過現場的情況，即時測算出球體在受力之後的前行軌跡。
雖然這個技術已經在板球和網球比賽中應用許久了。但這種球體運動軌跡跟蹤演算法，在其他的球類運動中——如籃球、排球、足球等卻遲遲未能出現。那麼這是為什麼呢？
原因就在於，在這些運動中，在攝影機的視角下，球體經常會被球員所遮擋。攝影機無法拍攝到球體的話，球體運動軌跡跟蹤演算法就無從談起了，所以此時的球體運動變化是無法進行預測的。更何況，和在空中的受力分析相比，處於球員控制下的球體所受的力還要複雜得多，速度也要快得多。
除了這些因素外，像是足球這類的比賽中還會有一個問題——比賽場地非常寬闊，如果想要把全場都拍攝下來的話，就需要把攝影機放得足夠遠才可以。而這就會導致影像中球體的成像品質低得多，使得測算系統更難對球體的運動軌跡進行跟蹤。
在瑞士的洛桑聯邦理工學院，Andrii Maksai和他的好朋友，共同設計出了一種全新的球體運動軌跡跟蹤系統，據稱能夠應用於除板球、網球外的其他球類運動。
大多數球體運動軌跡跟蹤系統影機，依賴於兩種不同的方法來進行測算。第一種就是通過跟蹤球體在三維空間中的運動，然後預測出球體在受力之後的各種可能的軌跡。隨著球體的追蹤資料越來越多，球體能夠被逐漸精確到唯一的一條運動軌跡上。
這種方法的優點是，軌跡的測算中內置了物理定律，可以有效避免出現不科學的測算結果。然而，這種方式對球體路徑追蹤的成像品質要求是非常高的，必須要相當精確才可以正確測算，更不用說被遮擋了。
另一種方法就是跟蹤球員，當球員控球時進行受力分析。當球從一個人傳到另一個人後，再對另一個球員進行跟蹤測算。這樣做的優點是，該系統不會因遮擋而無法對傳球路徑進行測算。事實上，這種方法應用在籃球比賽時效果的確非常好。然而，如果沒有對球體的運動軌跡，加以受力分析的約束的話，這個系統有時就會生成出不科學的測算結果。
Maksai和夥伴們一起想出了一個非常淺顯易懂的解決方案——同時對球體和球員進行追蹤。從兩方面得到資料後進行合併測算。
“我們精確地模擬球體和球員的運動軌跡，並在球體沒有被遮擋的情況下對球體加以受力分析的約束，最終得出測算結果。”
——Maksai
該小組已在多場排球、籃球和足球比賽的影像中，測試了它的演算法——通過多台不同角度，同時進行拍攝的攝影機得到影像資料，合成出3D模型。但是，在多次遮擋球體的情況下， 即使通過這種合成演算法進行測算，實際結果仍然還是不夠完美。結果表明目前的技術，還是有改善空間的。
雖然這個系統並不完美，但這不妨礙其被稱為球體運動軌跡，測算領域的一塊里程碑——因為這個系統已經極大地提高了演算處理時間，已經足以能夠在電視轉播中，為其他球類比賽提供即時的虛擬3D重播了。
但是，處理時間的壓縮勢必會導致演算的正確率降低，而這同樣嚴重限制了該系統的實用性。畢竟，你也不能把不科學的演算路徑，播放給電視前的觀眾啊。
而像籃球這種比賽中，由於球體運動軌跡的不可預測性較小，所以這種測算系統的優化，也還是有所幫助的。
有像Maksai 團隊這樣為之努力著的人，相信我們距離能夠在足球、籃球和排球比賽中看到即時3D重播已經不遠了。不過我們還是要清醒的意識到，目前還沒有能夠在商業上可行的解決方案。
這可能還需要研究人員，進一步優化處理即時演算的方式。目前來看，有一種可能性是採用深度人工智慧學習技術，通過人工智慧來預測球體的運動軌跡，而這可能會是一個完美地解決方案。
無論研究人員最終會選擇哪種方式，目前在這一領域仍然還有很多問題需要解決。
0 comments:
張貼留言