Multi-Person Pose Detection in Sports

Abstract

This study aims to develop an automated video-based joint motion analysis system for use in multiple fields of sports science and physiotherapy. The system detects human poses in videos and calculates joint angles using the YOLOv8 object detection model and the MediaPipe library. Through a Flask-based web interface, users can perform joint motion analysis on uploaded videos, process the data with filtering options, and visualize metrics such as peak motion points and range of motion. The system analyzes angular movements of joints such as the elbow, knee, shoulder, and hip, providing quantitative data for sports coaches and physiotherapists. Experimental results show that the system can deliver consistent measurements across different types of movements. This study aims to offer a low-cost and accessible alternative to traditional motion analysis methods.

Keywords

• Computed view
• joint movement analysis
• Yolov8
• MediaPipe
• Flask
• Physiotherapy

Sporlarda Çok Kişili Poz Tespiti

Abstract

Bu çalışma, çoklu spor bilimleri ve fizyoterapi alanlarında kullanılmak üzere video tabanlı eklem hareket analizi yapan otomatik bir sistem geliştirmeyi amaçlamaktadır. Sistem, YOLOv8 nesne tespit modeli ve Mediapipe kütüphanesi kullanarak videolardaki insan pozlarını tespit etmekte ve eklem açılarını hesaplamaktadır. Geliştirilen Flask tabanlı web arayüzü sayesinde kullanıcılar, yükledikleri videolar üzerinde eklem hareket analizi yapabilmekte, filtreleme seçenekleri ile veriyi işleyebilmekte ve hareketin zirve noktaları, hareket aralığı gibi metrikleri görselleştirebilmektedir. Sistem, dirsek, diz, omuz ve kalça gibi eklemlerin açısal hareketlerini analiz ederek, spor eğitmenleri ve fizyoterapistler için kantitatif veri sağlamaktadır. Deneysel sonuçlar, sistemin farklı hareket türlerinde tutarlı ölçümler yapabildiğini göstermektedir. Bu çalışma, geleneksel hareket analiz yöntemlerine kıyasla düşük maliyetli ve erişilebilir bir alternatif sunmayı hedeflemektedir.

Keywords

• Bilgisayarlı görü
• eklem hareket analizi
• YOLOv8
• MediaPipe
• Flask
• fizyoterapi

References

1. Jocher, G. YOLOv8: State-of-the-Art Object Detection Model, Ultralytics, 2023.
2. Bazarevsky, V. BlazePose: On-device Real-time Body Pose Tracking, Google Research, 2020.
3. Cao, Z. OpenPose: Realtime Multi-Person 2D Pose Estimation, Carnegie Mellon University, 2017.
4. Savitzky, A., Golay, M. Smoothing and Differentiation of Data by Simplified Least Squares Procedures, Analytical Chemistry, 36(8), pp. 1627–1639, 1964.
5. [Bradski, G. The OpenCV Library, Dr. Dobb’s Journal of Software Tools, 25(11), 2000.
6. Bazarevsky, V., Kartynnik, Y., Vakunov, A., Grundmann, M., Tkachenka, A. BlazePose: On-device Real-time Body Pose Tracking, arXiv preprint arXiv:2006.10204, 2020.
7. Cao, Z., Simon, T., Wei, S. E., Sheikh, Y. Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields, CVPR, 2017.
8. Fang, H. S., Xie, S., Tai, Y. W., Lu, C. RMPE: Regional Multi-Person Pose Estimation, ICCV, 2017.

9. Mathis, A., Mamidanna, P., Cury, K. M., Abe, T., Murthy, V. N., Mathis, M. W., Bethge, M. DeepLabCut: Markerless Pose Estimation of User-defined Body Parts with Deep Learning, Nature Neuroscience, 21(9), pp. 1281–1289, 2018.
10. Mündermann, L., Corazza, S., Andriacchi, T. P. The Evolution of Methods for the Capture of Human Movement Leading to Markerless Motion Capture for Biomechanical Applications, Journal of NeuroEngineering and Rehabilitation, 3(1), 6, 2006.
11. Sun, K., Xiao, B., Liu, D., Wang, J. Deep High-Resolution Representation Learning for Human Pose Estimation, CVPR, 2019.
12. [Redmon, J., Divvala, S., Girshick, R., Farhadi, A. You Only Look Once: Unified, Real-time Object Detection, CVPR, 2016.
13. Gong, Y., Wu, L., Xu, C. A Sports Video Analysis Framework using YOLO for Real-time Player Tracking, Multimedia Tools and Applications, 80(8), pp. 12345–12360, 2021.
14. Shin, H. Real-time smoothing of skeletal joint data for pose estimation. Sensors, 20(7), 2102, 2020.