《Prediction of Basketball Free Throw Shooting by OpenPose》论文翻译及阅读

这篇文章《用openpose来预测篮球罚篮准确性》，当中用到了很多比较好的方法，比如机器学习的逻辑回归进行多元二项的分类问题；用石川馨的质量工程工具——帕累托图，进行逻辑回归模型精确度的确定。

1.摘要

OpenPose由卡内基梅隆大学(Carnegie Mellon University, CMU)于去年夏天在CVPR 2017年发布，它通过一个简单的网络摄像头拍摄实时运动图像，能够在这些图像中识别多个人的骨骼。它还生成到文件的可识别骨架点坐标。OpenPose采用了CMU独创的自顶向下实时识别方法，并且是在线开放的，尤其用于研究目的。因此，我们的目标是利用OpenPose骨骼识别数据建立一个姿态分析模型，通过验证模型的准确性来验证OpenPose的实用性。作为姿态分析模型，我们采用逻辑回归模型预测篮球罚球命中率，以骨骼姿态数据作为解释变量，投篮与否作为目标变量。结果表明，预测精度较高。因此，我们的模型验证了OpenPose姿态分析的实用性。我们认为，许多骨骼数据很容易由一个简单的web摄像机提供，OpenPose使统计诊断方法成为可能。我们也认为它可以降低这种分析的成本(在财务和时间方面)，这在以前需要更多的设备和更多的时间来准备有关运动捕捉分析系统。

2.介绍（略）

3.有关姿态识别以前的研究（略）

4.方法

4.1 受试者
为了构建篮球罚球命中率预测模型，我们利用web摄像机拍摄了篮球罚球运动的视频。实验对象涵盖51人的不同技能水平。我们通过OpenPose生成他们的骨骼数据。在这个实验中，51个人中有20个人罚球成功。
4.2 openpose的输出
一个骨架坐标由三个值组成，x为水平坐标，y为垂直坐标，p为置信概率。我们忽略了置信概率小于0.7的低置信坐标。
4.3 数据模型
主要的二元预测模型有logistic回归[8]、支持向量机[9]和Xgboost。支持向量机是一种非线性模型，其精度较高，但不能计算射击概率。由于Xgboost模型不能明确表示解释变量的重要性，因此使用具有较高精度和鲁棒性声誉的随机梯度方法进行Xgboost诊断模型是不合适的。
因此我们采用了如图5所示的逻辑回归模型，这是数据分析中使用最多的模型之一。逻辑回归的概率如下使用多元回归系数β和特性。
4.4 逻辑回归的变量
逻辑回归模型的解释变量为时间序列数据的特征值。
特征包括骨骼点的位置、运动速度、加速度等。
目标变量是一个事实，投篮是否进入篮筐。
在时间序列数据中，如图6所示，每个人在投掷开始时膝盖弯曲，在投掷结束时将手举到最高水平。
所以我们决定定义罚球的时间间隔，从膝盖弯曲最多的时间点开始，到手举到身体最高点的时间点结束。所有坐标位置均相对于颈点。

算法推导过程如下（机器学习——多元二项逻辑回归问题）：

5 结果

5.1 逻辑回归模型的精确度
一般情况下，logistic回归模型的精度如图7中的pareto图所示。在这个图中，横轴是所有队员的累计频率，按进球概率的降序排列。纵轴是投篮成功人数的累计频率。(the horizontal axis shows the composition rate of all the members in descending order of shooting probability, and the vertical axis shows the composition rate of the number of people who succeeded in shooting into the basket.）图7红点为累计投篮人数。在这个实验中，大约有40%的人投进了篮框。如果模型是完美的，则表示为投篮概率递减的完美模型的直线，如果模型的进球概率与实际进球概率不相关，则表示为不相关模型的直线。logistic回归模型的精度由图8所示的累积曲线面积A的比值来表示。从图中可以看出，得到了较高的准确率AR = 41%。
因此，在logistic回归中，特征越明显，投篮命中率越高，如图9所示。当蓝色特征量越大，投篮命中率越高。当红色特征越小时，投篮命中率也越高。从这个结果中，我们发现了以下几点。结果表明，在提高膝关节弯曲度、快速拉动膝关节、同时拉动球并将其抛过头顶的情况下，投篮概率较高。这种运动利用了膝关节的伸展力和抛球时产生的离心力。
5.2 实时检测
使用OpenPose的诊断系统可以实时显示投篮概率，如图10所示。即使没有篮筐和球，也可以通过手势直接判断技术水平。
5.3 姿势诊断
通过比较初学者(低投篮命中率的人)和专家(高投篮命中率的人)的特征量，可以诊断出初学者姿势的矫正量。在图11的例子中，初学者和专家之间的一个显著差异是手臂在开始时的位置。初学者把球从胸前推开，而专家把球放在头的前面，然后把球扔过头顶。在这种情况下，有必要教初学者头顶投掷的形式。

6 结论

因此，使用逻辑回归模型可以得到较高的精度，我们发现：
1.OpenPose识别的骨骼数据具有较高的适用性和足够的准确性。
2.在之前的姿态诊断中，数据是由视频流在相框上做标记生成的，或者通过人体部位的运动捕捉来采集传感器信号。这些方法收集数据的成本太高，无法引入统计模型。另一方面，OpenPose可以通过简单的web摄像头轻松的采集数据，通过采集更多的数据可以获得更准确的姿态诊断。

7.未来的工作

本实验中篮球罚球数据仅由网络摄像头从一侧拍摄，适合使用OpenPose提供的二维数据进行分析。然而，一般体育运动的分析需要三维数据，如网球、芭蕾等。因此有必要使用三维OpenPose或将二维OpenPose生成的二维数据扩展为三维数据。