Activity detection and classification in public sports spaces

Abstract

Public sports spaces are vital urban resources, designed to promote active lifestyles and fostering healthier communities. Numerous organisations focus on these facilities, aiming to understand user demographics, timing, and activities. This interest is crucial for datadriven decision-making. This Dissertation delves into activity detection and classification in public sports spaces, providing insights into user dynamics, behaviour understanding, resource optimisation, safety improvement, urban planning enhancement, and community well-being. In collaboration with Hoopers, data was collected and analysed from a public basketball court. Experiments were conducted to detect individuals, extract occupancy metrics, and identify activities based on trajectory predictions, utilising features like eccentricity, convexity, and curvature. The YOLO algorithm, integrated with ByteTrack, was used for detection and tracking. Classifiers such as Multilayer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest were evaluated, achieving 87% accuracy in predicting basketball players’ paths. Other metrics included precision (0.840), recall (1.000), and an F1 Score (0.913), ensuring a balanced performance evaluation. This work underscores the value of activity analysis in public sports spaces for informed decision-making and community enhancement.

Os espaços desportivos públicos são recursos urbanos vitais concebidos para promover estilos de vida activos e fomentar comunidades saudáveis. Várias organizações partilham o intersse de compreender o comportamento destes espaços, nomeadamente quem os frequenta, quando e de que forma, valorizando estes dados para a tomada de decisões. Esta dissertação explora a importância da deteção e classificação de actividades desportivas, como forma de adquirir informação relevante sobre a dinâmica nestes espaços, otimização de recursos, melhoria da segurança, aperfeiçoamento do planeamento urbano e o bem-estar da comunidade. Em colaboração com a Hoopers, foi efectuada uma recolha de dados para analisar vídeos de atividade num dos campos de basquetebol. Seguidamente, realizaramse experiências para detetar pessoas dentro do campo, extrair algumas métricas relativas à ocupação e distribuição dos jogadores em campo, e concluir a atividade realizada, com base numa previsão baseada na trajetória. Esta previsão utilizou características simples como excentricidade, convexidade e curvatura para caraterizar a forma de uma trajetória e classificar a atividade realizada como Basquetebol ou Corrida. Foi utilizado o algoritmo You Only Look Once (YOLO), ligado ao sistema ByteTrack para detetar e seguir objetos, nomeada os jogadores. Por fim, foram avaliados classificadores como Multilayer Perceptron (MLP), Support Vector Machine (SVM) e Random Forest, demonstrando uma exatidão de 87% para prever corretamente as trajetórias dos jogadores de basquetebol. Outras métricas vitais incluem a precisão (0.840), a sensibilidade (1.000) e uma pontuação F1 (0.913), destacando uma avaliação equilibrada da precisão, recuperação e capacidade de previsão, oferecendo uma visão holística do desempenho dos classificadores.