Actualite

Production et analyse de données à partir de vidéos de performances sportives – Bruno Fruchard (article TIPE 2023-2024)

Cet article est extrait du dossier Pixees du TIPE 2023-2024.

Il est maintenant possible d’enregistrer des vidéos de performances sportives facilement à l’aide de dispositifs mobiles usuels. Ces vidéos permettent aux équipes sportives accompagnant les athlètes de très haut niveau de pouvoir revenir sur les éléments clés d’une performance et faire des retours précis aux athlètes. Extraire des données de ces vidéos pour quantifier une performance, comme le temps moyen de tenue de prise sur un mur d’escalade ou le nombre de coups assénés en boxe, ou bien des données permettant de caractériser les actions effectuées (p.ex. types de coups assénés en boxe) reste un défi important à plusieurs niveaux. Bien que des méthodes automatiques d’analyse d’images par ordinateur permettent d’extraire les postures d’athlètes [1] ou de recréer leurs modèles 3D automatiquement [2], elles sont vite limitées par la résolution des vidéos prises en compétition ou par le niveau de détails qu’elles offrent. Par exemple, détecter un coup asséné en boxe peut produire beaucoup de faux-positifs (action d’un boxeur faussement évalué comme un coup) et ce qui rend une telle méthode pour l’instant inefficace.

Une approche permettant d’éviter ces problèmes est d’annoter à la main des vidéos de performances sportives, ce qui est très coûteux en temps, mais permet de caractériser certaines actions dans le détail pour permettre des analyses plus poussées. Il existe des solutions commerciales [3] mais celles-ci ne s’adaptent pas facilement à des disciplines variées, et impliquent des coûts significatifs. Les travaux de l’équipe Loki avec les fédérations d’escalade (FFME) et de boxe (FFBoxe) dans le cadre du projet PerfAnalytics [4] ont permis d’identifier les besoins des fédérations en matière de production de données et ont mené à l’implémentation d’outils d’annotation utilisés régulièrement pour analyser des compétitions [5]. Des travaux sont en cours pour développer des outils facilitant l’exploration et l’analyse des données produites qui aideraient les fédérations à identifier des indices significatifs de la performance dans le but de trouver de meilleures méthodes d’entraînement et de préparation.

• [1] Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Realtime multi-person 2d pose estimation using part affinity fields. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7291-7299).
• [2] Lin, K., Wang, L., & Liu, Z. (2021). End-to-end human pose and mesh reconstruction with transformers. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 1954-1963).
• [3] DartFish https://www.dartfish.com/
• [4] PerfAnalytics http://perfanalytics.fr/, Twitter @PerfAnalytics24
• [5] Bruno Fruchard, Cécile Avezou, Sylvain Malacria, Géry Casiez, Stéphane Huot. A Case Study on the Design and Use of an Annotation and Analytical Tool Tailored To Lead Climbing. Extended Abstracts of the 2023 CHI Conference on Human Factors in Computing Systems (CHI EA ’23), Apr 2023, Hamburg, Germany. lien HAL

Bruno Fruchard (EP Loki – Lille)

PDF view