Close
Telegram chanel
Telegram
Сравни свою лыжную технику с помощью Искуственного Интеллекта!
Экспериментальный проект компании RRC при партнерской поддержке IBM в России
Запись проката участника
Участник с наложенным "скелетом"
Фото участника (кликните для увеличения)
Александра Панжинского на:
Дарьи Ведениной на:
Николая Морилова на:
__%
__%
__%
Отправить на оценку
:
Трек проката
Общий вывод о технике лыжника
Ваша техника совпадает с техникой:
Значения больше 1 означают, что данный сустав у лыжника "болтается" сильнее, чем у эталонной модели, меньше 1, соответственно, слабее.
Дорогие Друзья!
Наш экспериментальный проект при партнерской поддержке IBM в России использует возможности Искусственного Интеллекта и позволяет каждому согласившемуся участнику гонки RRC Ski Race проанализировать свою лыжную технику и сравнить ее с техникой известных спортсменов-лыжников.

В этом году в качестве эталонных моделей выступают:

  • Николай Морилов — бронзовый призер Олимпийских игр в Ванкувере 2010 года, двукратный чемпион мира в личном и командном спринте, чемпион военных игр и военных чемпионатов.
  • Александр Панжинский, заслуженный мастер спорта России, серебряный призёр зимних Олимпийских игр 2010 в Ванкувере. Бронзовый призёр Чемпионата мира по лыжным гонкам в 2011. Основатель и главный тренер клуба TOPSKI
  • Дарья Веденина, Трёхкратная чемпионка России в разных лыжных дисциплинах, чемпионка Европейского юношеского олимпийского фестиваля, многократная победительница и призёрка гонок всероссийского и международного значения, мастер спорта России по лыжным гонкам.
В этом году «под капотом» проекта произошли серьезные изменения в способе и процессе анализа поступающей информации. Проект стал серьезнее, масштабнее, а главное более приближен к реальной жизни.
Описание проекта
1. Камеру перенесли на более удобное место, чтобы получать релевантную информацию о движении без ущерба для распознавания номера участника.

Пример текущего угла камеры для одного лыжника:
2. Кадры с камеры в реальном времени отправляются на детектрон в виде последовательностей jpeg картинок в реальном времени. В данный момент скорость потока — 20 кадров в секунду, что практически позволяет работать в реальном времени.

3. Детектрон создает «скелет»: массив из 17 точек, определяющих положение тела на кадре. Эта информация используется для анализа амплитуды движений, а также как подспорье в распознавания номеров с помощью MVI: вырезается сегмент между плечевыми и тазовыми точками и отправляется на распознавание.
4. Реализованный алгоритм использует расчет ожидаемого смещения и ускорение, что позволяет отслеживать конкретного участника на последовательности кадров, начиная со второй полученной картинки, и отслеживать конкретно его, отделяя от остальных присутствующих в кадре.

Вектора смещений выглядят следующим образом:
Это позволяет строить «трассы» конкретных участников как на одном кадре:
Таким образом в динамике, объединяя последовательности «скелетов»
5. Скелет нормализуется, чтобы сгладить искажения перспективы при приближении к камере и разницу в росте и комплекции участников, оценивая только амплитуды движений в 2d
6. Из полученных данных выводится дополнительно 10 переменных: углы между основными суставами для данного кадра. Используя их на всем массиве данных для конкретного лыжника, оценивается только динамика движений: средний угол, максимальные и минимальные углы, среднеквадратичное отклонение и ratio, параметр, оценивающий отклонение от аналогичного значения у идеала в большую или меньшую сторону. Значения больше 1 означают, что данный сустав у лыжника «болтается» сильнее, чем у эталонной модели, меньше 1, соответственно, слабее.

7. Общая оценка для лыжника выводится на основе всех полученных значений ratio и показывает обобщенное отличие наблюдаемого лыжника от эталонной модели. В данном кейсе мы сравниваем проезжающих лыжников с конкретным эталоном, поэтому идеальным считается значение максимально близкое к 1 (100%).