Tez No	İndirme	Tez Künye	Durumu
430268		Model field particles with positional appearance learning for sports player tracking / Sporcu takibi için saha modeli parçacıkları ve pozisyon tabanlı görünüm öğrenimi Yazar:SERMETCAN BAYSAL Danışman: DOÇ. DR. SELİM AKSOY ; DOÇ. DR. PINAR DUYGULU ŞAHİN Yer Bilgisi: İhsan Doğramacı Bilkent Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2016 86 s.
Çoklu oyuncu takibi, gerçek zamanlı spor video analizi için çok önemlidir. Ancak, ortam ışığındaki değişkenlik, arka plan karışıklığı, benzer görünümlü oyuncuların düşük çözünürlükte sıkça birbirlerini engellemeleri, hedeflerin hızlı ve doğrusal olmayan hareketleri sporda oyuncu takibini zorlaştırmaktadır. Hedefleri görünüm kapanması ve hızlı hareket altında da takip edebilme yeteneklerinden dolayı parçacık filtresini temel alan yöntemlerden sıkça faydalanılmaktadır. Bu çalışmada, parçacıkları hedefler üzerinden seçen yaygın kullanımdan farklı olarak, parçacıkları bir saha modeli üzerindeki sabit noktalardan yoğun olarak örnekleme kavramı sunulmaktadır. Hedeflerin saha parçacıkları üzerinde olma olasılıkları, birleşik görünüm ve hareket modeli ile hesaplanmaktadır. Parçacıklar hedefler arasında dağıtıldıktan sonra, tüm parçacıklara oyuncu algılama skoru kullanan bir görünüm modeli ile ağırlıklar atanmakta ve bu ağırlıklar kullanılarak hedeflerin yeri güncellenmektedir. Böylece, oyuncular arasındaki etkileşim yöntem içinde kapsanmakta ve oyuncular zorlu koşullar altında takip edilebilmektedir. Ayrıca, sunulan toplu hareket modeli ve pozisyon tabanlı görünüm öğrenimi ile kaybolan oyuncular geri kazanılmakta ve hedefler arasındaki kimlik değişimleri algılanmaktadır. Sunulan yöntem gerçek bir futbolcu takip sisteminin içine gömülmüştür. Bu sistemin tüm adımları anlatılmakta ve yöntem büyük ölçekli görüntü verisi üzerinde değerlendirilmektedir. Deneysel sonuçlar, sunulan yöntemin, standart parçacık filtresi ve tek nesne takibi yöntemlerine göre daha az hedef kaybettiğini ve daha fazla hedef kimliği koruduğunu göstermiştir. Dahası, sunulan yöntem herkese açık bir veri kümesi üzerinde, önceki çalışmalardan daha başarılı sonuçlar almıştır.
Tracking multiple players is crucial to analyzing sports videos in real time. Yet, illumination variations, background clutter, frequent occlusions among players who look similar in low-resolution, and non-linear motion patterns of the targets make sports player tracking difficult. Particle-filtering based approaches have been utilized for their ability in tracking under occlusion and rapid motions. Unlike the common practice of choosing particles on targets, we introduce the notion of shared particles densely sampled at fixed positions on the model field. Likelihoods of being on different particles are calculated for the targets using the proposed combined appearance and motion model. After globally distributing particles among the tracks, particles are weighted using an appearance model with a player detection score, and the track locations are updated by the weighted combination of the particles. This enables encapsulating the interactions among the targets in the state-space model and tracking players through challenging occlusions. We further introduce collective motion model and positional appearance learning to recover lost players and detect identity switches among the tracks. The proposed algorithm is embedded into a real player tracking system. Complete steps of the system are described and the proposed approach is evaluated on large-scale video. Experimental results show that the proposed tracker performs better than standard particle filtering and the state-of-the-art single-object trackers by losing less number of tracks and preserving more identities. Moreover, the proposed approach achieves a higher tracking accuracy with lower error rates on a publicly available soccer tracking dataset when compared to the previous methods.