The Effectiveness of Camera Positioning on Human Pose Estimation During Basketball Shooting Skill Performance
Article Sidebar
Main Article Content
Abstract
The objective of this research was to compare the effectiveness of camera positioning in extracting important features in estimating human poses while performing the free throw in basketball. The research subjects were two right-handed professional basketball players. The tool used to estimate human poses was MediaPipe, which estimated poses from 1,750 frames of videos. The animation data was collected while the subjects practiced basketball shooting skills through different camera positionsFive positions (0°, 45°, 90°, 135°, and 180°), including 0°, 45°, 90°, 135°, and 180°. Data were analyzed using F1-score, mean, and standard deviation
The results of the research found that:
1) The angle that was most effective in estimating human poses was Angle 2 (M = 0.96, S.D. = 0.10), and the angle that was least effective in estimating human poses was Angle 5 (M = 0.59, S.D. = 0.42).
2) The joints for which the system could extract important features the best were the right ankle, right waist, and right wrist because they had an F1-score value of 1. The joint for which the system was worst able to extract important features was the right index finger (M = 0.47, S.D. = 0.15), left index finger (M = 0.63, S.D. = 0.31), left elbow (M = 0.69, S.D. = 0.40), and left waist (M = 0.66, S.D. = 0.42), respectively.
3) The corner with the highest number of joints with F1-score values below the criteria was corner 5, which had a total of 7 joints that did not pass the criteria: left knee, left waist, left shoulder, left elbow, left wrist, left index finger, and right index finger.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Critical thinking in journals is the right of the author. The Association of Health Education, Physical Education and Recreation of Thailand is not always required, to create diversity in ideas and creativity.
ความคิด ข้อวิพากษ์ในวารสารเป้นสิทธิของผู้เขียน สมาคมสุขศึกษา พลศึกษา และสันทนาการแห่งประเทศไทยไม่จำเป็นต้องเห็นชอบด้วยเสมอไป เพื่อให้เกิดความหลากหลายในความคิดและความสร้างสรรค์
References
นรภัทร ลาภชูรัต, วรวัฒน์ เชิญสวัสดิ์ และกิ่งกาญจน์ สุขคณาภิบาล. (2566). การประเมินความสามารถใน การคำนวณท่วงท่าการเคลื่อนไหวของมนุษย์โดยใช้ MediaPipe เพื่อการฟื้นฟูสมรรถภาพจากโรค หลอดเลือดสมองที่บ้าน. Journal of Information Science and Technology, 13(1), 45–53.
วิสนศักดิ์ อ่วมเพ็ง, และคมชนัญ โวหาร. (2559). หนังสือเรียนพลศึกษา ชั้นมัธยมศึกษาปีที่ 3. กรุงเทพฯ: แม็คเอ็ดดูเคชั่น.
ศิรินภา ใจเมือง. (2557). ผลของการเรียนรู้โดยการสังเกตตัวแบบด้วยการใช้สื่อเครือข่ายสังคมออนไลน์ต่อทักษะการยิงลูกใต้ห่วงของนักกีฬาบาสเกตบอล. วิทยานิพนธ์มหาบัณฑิต, มหาวิทยาลัยเชียงใหม่.
สริน ประดู่, สมบัติ อ่อนศิริ, อำนวย ตันพานิชย์ และมนธีร์ จิตต์อนันต์. (2562). สภาพปัญหาการวัดและประเมินผลการเรียนรู้วิชาพลศึกษา. วารสารครุศาสตร์จุฬาลงกรณ์มหาวิทยาลัย, 47(1), 474–486.
Antonios, T., Laparidis, K., Galazoulas, C., & George, T. (2010). A comparative study relating pass between male and female basketball players. Journal of Physical Education and Sport, 26(1), 44–50.
Cabarkapa, D., Cabarkapa, D. V., Philipp, N. M., Eserhaut, D., Downey, G. G., & Fry, A. C. (2022). Impact of distance and proficiency on shooting kinematics in professional male basketball players. Journal of Functional Morphology and Kinesiology, 7(4), 78. https://doi.org/10.3390/jfmk7040078
Fukushima, T., Blauberger, P., Russomanno, T. G., & Lames, M. (2024). The potential of human pose estimation for motion capture in sports: A validation study. Sports Engineering, 27(1), 19. https://doi.org/10.1007/s12283-024-00460-w
Google AI for Developers. (2023). MediaPipe solutions guide. Retrieved October 17, 2024, from https://ai.google.dev/edge/mediapipe/solutions/guide
Krause, J. V., & Nelson, C. (2019). Basketball skills & drills (4th ed.). Human Kinetics.
Kuhlman, N., & Min, C.-H. (2021). Analysis and classification of basketball shooting form. IEEE CCWC.
Lena, S. C., & JaCaLyn, L. (2018). Assessment for learning in physical education. Journal of Physical Education, Recreation & Dance, 89(8), 29–34.
Li, B., & Xu, X. (2021). Application of artificial intelligence in basketball sport. Journal of Education, Health and Sport, 11(7), 54–67.
Lim, C., Jung, M., & Kong, Y. (2011). Evaluation of upper-limb body postures. Ergonomics, 54(9), 849–857.
López-Pastor, V. M., Kirk, D., Lorente-Catalán, E., MacPhail, A., & Macdonald, D. (2012). Alternative assessment in physical education. Sport, Education and Society, 18(1), 57–76.
Sarafianos, N., Boteanu, B., Ionescu, B., & Kakadiaris, I. A. (2016). 3D human pose estimation. Computer Vision and Image Understanding, 152, 1–20.
Zhang, D., Wang, J., & Zhao, X. (2015). Estimating the uncertainty of average F1 scores. ICTIR Proceedings.
