Dartpfeil per Foto erkennen: Was Bilderkennung kann
Einen Dartpfeil per Bild erkennen kann zweierlei bedeuten. Wie Bilderkennung arbeitet, wo ein Einzelbild an Grenzen stößt und was eine gute Aufnahme ausmacht.
Analysiere deinen Wurf mit der mydart App
Für iPhone und Android: mydart misst Ellbogenwinkel, Armbewegung und Follow-Through direkt über die Kamera. Kostenlos testen.
Zwei völlig verschiedene Fragen hinter einem Suchbegriff
Wer einen Dartpfeil per Bild erkennen will, meint meistens eine von zwei Sachen. Die erste Gruppe hat einen Pfeil in der Hand oder ein Foto davon und will wissen, um welches Modell es sich handelt. Welcher Hersteller, welches Gewicht, welche Barrel-Form. Die zweite Gruppe will etwas ganz anderes: Sie will, dass eine Kamera erkennt, wo der Pfeil im Board steckt oder wie die Hand ihn geworfen hat.
Technisch haben diese beiden Aufgaben wenig miteinander zu tun, auch wenn beide unter Begriffen wie "Dart am Foto erkennen" oder "Dart identifizieren" gesucht werden. Die eine ist eine Klassifikationsaufgabe mit Produktdatenbank im Hintergrund, die andere eine Frage von Objektlokalisierung und Bewegungserfassung. Dieser Artikel behandelt beide, weil die Verwechslung sonst zu falschen Erwartungen an Apps führt.
Wie ein Computer überhaupt etwas auf einem Bild erkennt
Ein Foto ist für eine Software zunächst nur eine Tabelle aus Zahlen. Jedes Pixel hat drei Werte für Rot, Grün und Blau. Von "da ist ein Dartpfeil" ist das erst mal weit entfernt. Die Brücke zwischen Zahlen und Bedeutung schlagen neuronale Netze, die auf sehr vielen Beispielbildern trainiert wurden.
Beim Training bekommt das Netz tausende Bilder zu sehen, auf denen ein Mensch markiert hat, wo sich das gesuchte Objekt befindet. Das Netz lernt daraus keine Regeln im menschlichen Sinn, sondern Muster: bestimmte Kantenverläufe, Helligkeitsübergänge, typische Formen. Nach genügend Beispielen kann es auf einem neuen, nie gesehenen Bild angeben, wo mit welcher Wahrscheinlichkeit ein Dartpfeil liegt.
Dabei unterscheidet man drei Genauigkeitsstufen. Die Klassifikation sagt nur, ob etwas auf dem Bild ist. Die Objekterkennung liefert zusätzlich ein Rechteck um das Objekt. Die Segmentierung markiert pixelgenau die Umrisse. Für die Frage, wo ein Pfeil im Board steckt, braucht es mindestens Objekterkennung, besser Segmentierung, weil die Spitze wenige Millimeter über Feld oder Nachbarfeld entscheidet.
Dartpfeil per Foto erkennen: warum ein Einzelbild schwierig ist
Ein Dartpfeil ist für Bilderkennung ein unangenehmes Objekt. Er ist dünn, oft metallisch glänzend und steckt schräg in einer Fläche, die selbst aus vielen Linien und Farbfeldern besteht. Drei Probleme tauchen dabei immer wieder auf.
Verdeckung
Stecken drei Pfeile eng beieinander, verdeckt der vordere die Spitze des hinteren. Ein Mensch schließt aus dem sichtbaren Schaft auf die Position der Spitze. Ein Modell, das nur Einzelbilder betrachtet, hat diese Information nicht und rät.
Perspektive
Ein Foto von schräg unten verzerrt das Board zu einer Ellipse. Ohne Korrektur dieser Verzerrung liegt jede Positionsangabe daneben. Systeme, die zuverlässig funktionieren, erkennen deshalb zuerst die Board-Geometrie, rechnen sie in eine Draufsicht um und bestimmen erst danach die Trefferposition.
Licht
Metallische Barrels spiegeln. Je nach Lampe entsteht ein heller Streifen genau dort, wo das Modell eine Kante erwartet. Schlechtes oder wechselndes Licht ist in der Praxis die häufigste Ursache für Erkennungsfehler, häufiger als jedes Problem im Modell selbst.
Vom Standbild zur Bewegung
Sobald statt eines einzelnen Fotos ein Video vorliegt, ändert sich die Lage deutlich. Aus 30 oder 60 Bildern pro Sekunde entsteht eine Bewegungsspur, und diese Spur enthält Informationen, die kein Standbild liefern kann. Eine Flugbahn lässt sich über mehrere Bilder hinweg verfolgen, kurzzeitige Verdeckungen überbrückt das System durch die Bilder davor und danach.
Der zweite große Vorteil betrifft nicht den Pfeil, sondern den Menschen. Für die Frage, warum ein Wurf danebengeht, ist die Trefferposition ohnehin nur das Ergebnis. Die Ursache liegt in der Bewegung: im Ellbogenwinkel, im Timing des Release, im Ausschwingen des Arms. Genau hier arbeitet Pose Tracking. Statt den Pfeil zu suchen, erkennt die Software den Körper und legt 33 Referenzpunkte auf Schulter, Ellbogen, Handgelenk, Hüfte und Beine.
Aus der Bewegung dieser Punkte über die Zeit entstehen Winkel, Geschwindigkeiten und Abweichungen. Das ist der Ansatz, den mydart verfolgt: nicht das Board fotografieren, sondern den Werfer filmen und die Bewegung in Zahlen übersetzen. Wie diese Zahlen entstehen und was sie aussagen, beschreibt der Artikel zur Dartwurf Analyse im Detail.
Dart identifizieren: welches Modell steckt da im Board?
Die andere Bedeutung von "Dart erkennen" zielt auf die Produktbestimmung. Du siehst bei einem Mitspieler ein Barrel, das dir gefällt, machst ein Foto und willst wissen, welches Modell das ist. Technisch ist das eine Ähnlichkeitssuche: Das System vergleicht das Foto mit einer Datenbank bekannter Barrels und gibt die nächstliegenden Treffer aus.
Der Haken liegt in der Datenbank. Es gibt tausende Barrel-Modelle, viele unterscheiden sich nur in der Rändelung oder um wenige Gramm Gewicht, und Gewicht sieht man einem Foto grundsätzlich nicht an. Eine Bilderkennung kann die Form und das Rillenmuster eingrenzen, den Unterschied zwischen 21 und 23 Gramm derselben Baureihe aber nicht auflösen. Realistisch bekommst du eine Vorauswahl, keine sichere Bestimmung.
Für die Praxis heißt das: Wenn du wissen willst, welchen Pfeil jemand wirft, ist Nachfragen schneller und zuverlässiger als jede App. Wenn du wissen willst, warum jemand besser trifft als du, hilft dir die Modellbezeichnung ohnehin wenig. Das Barrel macht einen kleinen Teil des Ergebnisses aus, die Bewegung den weitaus größeren.
Was gute Aufnahmen ausmacht
Unabhängig davon, welches System du nutzt, entscheidet die Aufnahme über die Qualität der Erkennung. Diese Punkte machen in der Praxis den größten Unterschied:
- Gleichmäßiges Licht. Zwei Lichtquellen von den Seiten sind besser als eine helle Lampe von oben. Harte Schatten und Spiegelungen sind der häufigste Grund für Fehlerkennungen.
- Fester Kamerastandpunkt. Ein Stativ oder eine Halterung schlägt jede freihändige Aufnahme. Wackelt das Bild, wandert die Referenz und alle Messwerte wandern mit.
- Ruhiger Hintergrund. Je weniger Bewegung und Struktur hinter dir, desto sauberer trennt die Software Person und Umgebung.
- Seitliche Position bei Bewegungsanalyse. Wenn es um deine Wurfbewegung geht, gehört die Kamera seitlich neben den Wurfarm, etwa auf Schulterhöhe. Von vorn sind Ellbogenwinkel und Ausholbewegung kaum zu messen.
- Ganzer Körper im Bild. Auch wenn dich nur der Arm interessiert: Stand und Gewichtsverlagerung gehören zur Bewegung und sollten mit im Bild sein.
Was mydart erkennt und was nicht
mydart erfasst mit der Kamera deines Smartphones oder Tablets deine Wurfbewegung und übersetzt sie in messbare Werte. Erkannt werden dabei Körperpunkte und deren Bewegung über die Zeit, daraus entstehen Ellbogenwinkel, Follow-Through, Rhythmus und Konstanz über eine Session hinweg. Die Auswertung läuft lokal auf dem Gerät, es werden keine Videobilder an einen Server übertragen.
Nicht erkannt wird das Modell deines Barrels, und die App zählt auch keine Punkte vom Board ab. Das ist eine bewusste Entscheidung: Die Trefferposition sagt dir, dass ein Wurf danebenging, die Bewegungsdaten sagen dir warum. Für die Frage nach dem Warum ist der Körper die interessantere Bildquelle als das Board.
Wenn du wissen willst, welche Kennzahlen dabei herauskommen und wie du sie liest, findest du das in der Übersicht zur Dart Wurfanalyse App.