運動影像追蹤是運動員追蹤系統中最早被發展的技術。透過運動影像的分析，我們可以量化運動員在技術與戰術兩個層面的運動表現。早期，為了捕捉動作過程的瞬間，主要使用高速攝影機或紅外線動作分析系統來進行資料擷取，在硬體設備的限制下，這些資料擷取過程往往需要在實驗室內進行。高速攝影機所拍攝的畫面，會切割成影格並標記事件，例如：跆拳道選手踢擊的瞬間、跑步腳著地至離地的時間；紅外線動作分析系統(如Vicon、Motion Analysis System等)，必須黏貼反光球在身上或物體上，動作時，可透過反光球在空間之位置建構出人體的肢段，並運算出力矩、角度...等，例如：下蹲大腿彎曲的角度、跳躍落地時各關節受到的衝擊。然而為了獲得細微、準確的數據，背後其實相當耗費時間與人力，也只能針對特定動作範圍之技術項目進行分析，難以模擬運動員在賽場上的真實狀況。
隨著影像辨識的成長，從靜態的人臉辨識，逐漸發展到動態的動作辨識，機器學習演算法的出現，提供運科人員更自動化的分析方式，也使得運動影像分析不須侷限在實驗室，開始運用在戶外比賽中。針對運動影像的內容，大致有幾個方向進行分析，例如：追蹤運動員的移動、球的飛行軌跡、動作辨識。步驟大致為描述動作特徵(feature)，再對影片的動作特徵進行提取(feature extraction)，最後透過演算分類模型判別。一篇TELKOMNIKA期刊的回顧性文獻將常用的運動影像特徵提取技術做一完整之整理，其主要目的都是對動作特徵進行提取，再透過演算模型加以分類，而內文也舉出多種分析技術在不同運動項目的應用，例如：判斷曲棍球比賽的上場與休息時間、足球移動的位置與射門，甚至多了戰術面積上的量化。雖然發展出的分析技術日漸優化，但其實大部分依賴人的主觀判斷，且只能針對特定的運動環境(場地)下進行，加上解析度與影像頻率的障礙，分析的結果誤差也較高。
深度學習開始日漸成為主流後，運科人員對運動影像的分析方式也稍作改變，我們不需先描述動作的特徵，再進行特徵擷取、分類，深度學習的網路架構會自動學習運動影像中的特徵，並加以分類，此步驟解決人工主觀判斷錯誤的問題，而且也基於攝影配備的提升，識別出的結果正確性也比過往好。從一開始辨識圖像的卷積神經網路(Convolutional Neural Network, CNN)，接著循環神經網路(Recurrent neural networks, RNN)，到長短期記憶(Long short-term memory, LSTM)加入時間軸一起考慮，陸續發展的網路架構，讓動作識別準確率比以往人工提取特徵方式高出許多且更加效率。例如：運用深度學習，判斷足球的進球、角球、犯規，籃球投籃、上籃、灌籃等。而透過深度學習判斷後的動作，可以統整成球員大數據，則可知道每位球員得分、籃板、助攻、火鍋...等排名，如下圖為NBA的各項表現選手排名。
截至目前為止，在高規格的比賽中(如職業聯盟之比賽)，大多是使用運動影像分析來獲得資訊，其原因除了硬體設備提升，影像呈現更清晰外，也符合無穿戴感測器的規則。例如：目前的NBA與Second Spectrum公司合作；MLB使用Chyronhego、Trackman(即將被Hawk eye取代)結合的Statcast球員數據系統；FIFA使用VAR影像裁判助理；網球、羽球的Hawk eye挑戰，都是藉助運動影像分析的例子。甚至有朝向大眾化發展的趨勢，例如：Intel與奧運合作推出VR觀賞比賽，讓大眾體驗真實感，在一般手機也可以發現相關的軟體被開發來增加趣味性，如使用相機判斷運球次數、跳躍次數...。然而，運動賽場的影像分析雖然進步迅速，但還是會受環境光線、資料數據的多寡的影響，若要針對細微的動作特徵分析，還是需仰賴實驗室的儀器。總之，運動影像追蹤未來將會重回運動員追蹤系統的主流。
參考文獻：Rangasamy, K., As' ari, M. A., Rahmad, N. A., Ghazali, N. F., & Ismail, S. (2020). Deep learning in sport video analysis: a review. TELKOMNIKA, 18(4), 1926-1933.
加入會員看更多
