ترجمه فارسی مقاله VideoRun2D: ضبط حرکت بدون نشانگر مقرون به صرفه برای بیومکانیک اسپرینت

چکیده

Sprinting is a determinant ability, especially in team sports. The kinematics of the sprint have been studied in the past using different methods specially developed considering human biomechanics and, among those methods, markerless systems stand out as very cost-effective. On the other hand, we have now multiple general methods for pixel and body tracking based on recent machine learning breakthroughs with excellent performance in body tracking, but these excellent trackers do not generally consider realistic human biomechanics. This investigation first adapts two of these general trackers (MoveNet and CoTracker) for realistic biomechanical analysis and then evaluate them in comparison to manual tracking (with key points manually marked using the software Kinovea). Our best resulting markerless body tracker particularly adapted for sprint biomechanics is termed VideoRun2D. The experimental development and assessment of VideoRun2D is reported on forty sprints recorded with a video camera from 5 different subjects, focusing our analysis in 3 key angles in sprint biomechanics: inclination of the trunk, flex extension of the hip and the knee. The CoTracker method showed huge differences compared to the manual labeling approach. However, the angle curves were correctly estimated by the MoveNet method, finding errors between 3.2° and 5.5°. In conclusion, our proposed VideoRun2D based on MoveNet core seems to be a helpful tool for evaluating sprint kinematics in some scenarios. On the other hand, the observed precision of this first version of VideoRun2D as a markerless sprint analysis system may not be yet enough for highly demanding applications. Future research lines towards that purpose are also discussed at the end: better tracking post-processing and user- and time-dependent adaptation.

چکیده به فارسی (ترجمه ماشینی)

Sprinting یک توانایی تعیین کننده است ، به خصوص در ورزش های تیمی.سینماتیک اسپرینت در گذشته با استفاده از روشهای مختلفی که با توجه به بیومکانیک انسان ساخته شده است ، مورد بررسی قرار گرفته است و از جمله این روش ها ، سیستم های بدون مارک بسیار مقرون به صرفه هستند.از طرف دیگر ، ما اکنون چندین روش کلی برای پیگیری پیکسل و بدن بر اساس پیشرفت های یادگیری ماشین اخیر با عملکرد عالی در ردیابی بدن داریم ، اما این ردیاب های عالی به طور کلی بیومکانیک انسانی واقع گرایانه را در نظر نمی گیرند.این تحقیق ابتدا دو مورد از این ردیاب های عمومی (Movenet و Cotracker) را برای تجزیه و تحلیل بیومکانیکی واقع گرایانه تطبیق می دهد و سپس آنها را در مقایسه با ردیابی دستی (با نقاط کلیدی به صورت دستی با استفاده از نرم افزار Kinovea مشخص می کند) ارزیابی می کند.بهترین ردیاب بدنه بدون نشانگر ما به ویژه برای بیومکانیک Sprint سازگار است ، Videorun2d نامیده می شود.توسعه و ارزیابی تجربی VideorUn2D در چهل اسپرینت ضبط شده با دوربین فیلمبرداری از 5 موضوع مختلف گزارش شده است و تجزیه و تحلیل ما را در 3 زاویه کلیدی در بیومکانیک اسپرینت متمرکز می کند: تمایل تنه ، انعطاف پذیری لگن و زانو.روش cotracker در مقایسه با رویکرد برچسب زدن دستی تفاوت های بزرگی را نشان داد.با این حال ، منحنی های زاویه ای به درستی با روش MOVENET تخمین زده می شوند و خطاهای بین 3.2 و 5.5 درجه را پیدا می کنند.در نتیجه ، به نظر می رسد VideorUn2d پیشنهادی ما بر اساس هسته Movenet یک ابزار مفید برای ارزیابی سینماتیک های اسپرینت در برخی از سناریوها است.از طرف دیگر ، دقت مشاهده شده از این نسخه اول VideorUn2d به عنوان یک سیستم تجزیه و تحلیل اسپرینت بدون مارک ممکن است هنوز برای برنامه های بسیار خواستار کافی نباشد.خطوط تحقیقاتی آینده به سمت این هدف نیز در پایان مورد بحث قرار می گیرد: ردیابی بهتر پردازش پس از پردازش و سازگاری کاربر و وابسته به زمان.