Systém pro modelován´ı a predikci sportovn´ıch výsledk˚u

(1)

Syst´ em pro modelov´ an´ı a predikci sportovn´ıch v´ ysledk˚ u

Diplomov´ a pr´ ace

Studijn´ı program: N2612 – Elektrotechnika a informatika Studijn´ı obor: 1802T007 – Informaˇcn´ı technologie Autor pr´ace: Bc. V´aclav Slav´ık

Vedouc´ı pr´ace: Doc. RNDr. Miroslav Kouck´y, CSc.

(2)

System for modeling and predicting sports results

Master thesis

Study programme: N2612 – Electrotechnology and informatics Study branch: 1802T007 – Information technology

Author: Bc. V´aclav Slav´ık

Supervisor: Doc. RNDr. Miroslav Kouck´y, CSc.

(3)

(4)

(5)

(6)

Abstrakt

Tato práce se zabývá predikc´ı a modelován´ım cyklistických výsledk˚u. D˚uraz je kladen pˇredevˇs´ım na obecnost model˚u a jejich pouˇzitelnost i v jiných sportovn´ıch odvˇetv´ıch. Tyto modely jsou vytvoˇreny pˇredevˇs´ım pro individuáln´ı sporty, které jsou klasi- fikovány pomoc´ı ˇcasu. Vytvoˇrené modely jsou zaloˇzeny pˇredevˇs´ım na um´ıstˇen´ı závodn´ık˚u, jejich dosaˇzených ˇcasech, ale reflektuj´ı i výˇskový profil závodu, jeho úroveˇn ˇci zp˚usob startu. Výstupem celé práce je aplikace, která poskytuje rozhran´ı vhodné pro vývoj matematických model˚u a zároveˇn implementuje statistiky z cyklistiky, biatlonu, bˇeˇzeckého lyˇzován´ı i závod˚u F1. Stejnˇe podstatnou souˇcást´ı jsou i vytvoˇrené modely, které umoˇzˇnuj´ı bˇeˇznému uˇzivateli, respektive bookmakerovi, predikovat výsledky následuj´ıc´ıch závod˚u a pomoc´ı grafického rozhran´ı mu zobrazit velkou ˇskálu r˚uzných výsledk˚u. Aplikace m˚uˇze být vhodným doplˇnkem pro sázkové kan- celáˇre pˇri vypisován´ı kurz˚u.

Kl´ıˇcov´a slova: predikce sportovn´ıch v´ysledk˚u, pravdˇepodobnost, cyklistika, statistika

(7)

Abstract

This work focuses on prediction and modeling of cycling results.

Emphasis is placed on the generality of models and on their ap- plicability in other types of sports as well. The models are created primarily for individual sports that are classified by time. The models obtained are based primarily on the position of the racers, their times achieved, but also reflect the elevation profile of the race, its level or the method of starting. The output of this work is an application which provides an interface suitable for the develo- pment of mathematical models and also implements statistics from cycling, biathlon, cross-country skiing and F1 races. An equally im- portant part of the thesis are models that allow a regular user or a bookmaker to predict the results of the upcoming races and use the graphical interface to display a wide variety of different results. The application can be used as a supplement for bookmakers in order to help them create the odds.

Keywords: predicting sports results, probability, cycling, statistics

(8)

Podˇ ekov´ an´ı

Rád bych podˇekoval vedouc´ımu diplomové práce doc. RNDr. Mi- roslavu Kouckému, CSc. za jeho rady, a ˇcas, který mi vˇenoval pˇri ˇreˇsen´ı dané problematiky. Dále dˇekuji i sázkové kanceláˇri Tipsport, za nast´ınˇen´ı aktuáln´ıho stavu vyuˇzit´ı predikce v sázkovém pr˚umyslu. V neposledn´ı ˇradˇe dˇekuji i své rodinˇe, za jejich podporu po celou dobu mého studia.

(9)

Obsah

Seznam zkratek . . . 10

1 Uvod´ 16 2 Specifika sportovn´ıch odvˇetv´ı 19 2.1 Silniˇcn´ı cyklistika . . . 20

3 V´ykon cyklisty 22 3.1 Stanoven´ı koeficient˚u z namˇeˇren´ych hodnot. . . 24

4 Výsledky závod˚u 26 4.1 Datové zdroje . . . 26

4.2 Program pro stahov´an´ı v´ysledk˚u . . . 26

4.3 Objektov´y n´avrh statistik . . . 29

4.4 Profil trasy . . . 31

5 Statistick´e modely 42 5.1 Parametry z´avodu . . . 43

5.2 Z´akladn´ı model . . . 44

5.3 Obecné modely zaloˇzené na vahách . . . 46

5.4 Model reflektuj´ıc´ı fyzik´aln´ı z´akonitosti . . . 50

5.5 Dalˇs´ı typy model˚u. . . 54

5.6 Programov´a implementace model˚u . . . 56

6 Vyhodnocen´ı model˚u 58 6.1 Metriky pro vyhodnocen´ı model˚u . . . 58

6.2 Programov´a implementace . . . 61

6.3 Stanoven´ı optim´aln´ıho modelu a parametr˚u. . . 65

(10)

7 Implementace model˚u v dalˇs´ıch sportovn´ıch odvˇetv´ıch 79 7.1 Formule 1 . . . 79 7.2 Bˇeˇzeck´e lyˇzov´an´ı . . . 81

8 Z´avˇer 86

9 Pˇr´ıloha A : Obsah pˇriloˇzen´eho CD 90

(11)

Seznam zkratek

ER Entity-Relationship

HTML HyperText Markup Language JSON JavaScript Object Notation

RGB Red, Green, Blue (aditivn´ı barevn´y model) SQL Structured Query Language

UCI Union Cycliste Internationale URL Uniform Resource Locator XML Extensible Markup Language

(12)

Seznam znaˇ cen´ı

b_start,j : zp˚usob startovn´ı procedury j-tého závodu (0 = individuáln´ı, 1 = hro- madný)

b_stage,j : oznaˇcuje, zda je j-tý závod souˇcást´ı etapového závodu (0 = ne, 1 = ano) C : souˇcinitel odporu vzduchu

C_R : souˇcinitel valiv´eho odporu

d(c₁, c₂) : vzd´alenost vektor˚u (c₁, c₂) v gamutu Lab

dj : datum j-tého závodu vyjádˇrena poˇctem milisekund po 1.1.1970 e_j : úroveˇn j-tého závodu

f_e(x, y, x_last, k) : funkce detekuj´ıc´ı hranu výˇskového profilu g : t´ıhové zrychlen´ı

h(x) : funkce vyjadˇruj´ıc´ı nadmoˇrskou výˇsku ve vzdálenosti x od zaˇcátku závodu h_{dif f} : rozd´ıl mezi nejvyˇsˇs´ım a nejniˇzˇs´ım bodem závodu

h_height(y) : funkce pro vypoˇcten´ı nadmoˇrské výˇsky z obrázku hmax : nejvˇetˇs´ı pˇrevýˇsen´ı na jediném stoupán´ı

h_total : celkové pˇrevýˇsen´ı závodu

k_add : poˇcet po sobˇe jdouc´ıch pixel˚u, které mus´ı být rozpoznány k_color : prah pro vyhledáván´ı barev

k_detect : poˇcet detekˇcn´ıch pixel˚u nutných k správné identifikaci hledaného pixelu k_height : výˇska obrázku uvedená v pixelech

k_multiple : pravidlo n´asobku mezi osou x a y pˇri detekci

krelative : maxim´aln´ı moˇzn´a relativn´ı chyba mezi metodou shora a zdola

(13)

k_width : ˇs´ıˇrka obrázku uvedená v pixelech l_j : délka j-tého závodu

m : hmotnost

m_{ef f} : hmota podl´ehaj´ıc´ı zrychlen´ı

p_up(x) : funkce pro vypoˇcten´ı výˇsky pixelu metodou zdola nahoru v x-tém sloupci p_down(x) : funkce pro vypoˇcten´ı výˇsky pixelu metodou shora dol˚u v x-tém sloupci

p_i(x) : pravdˇepodobnostn´ı funkce pro i-tého závodn´ıka v závislosti na jeho um´ıstˇen´ı P_i(x₁ ≤ X ≤ x₂) : pravdˇepodobnost, ˇze se i-tý závodn´ık um´ıst´ı mezi x₁ a x₂ m´ıstem

p⁰_i(x) : pravdˇepodobnostn´ı funkce nezávislého rozdˇelen´ı mezi závodn´ıky pro i- tého závodn´ıka

p⁰⁰_i(x) : normalizovan´a funkce p⁰_i(x)

p_s,j : souˇcet ´uspˇeˇsnˇe predikovan´ych pravdˇepodobnost´ı

p_r,j : váˇzený souˇcet úspˇeˇsnˇe predikovaných pravdˇepodobnost´ı P : výkon podávaný cyklistou

P_A : výkon nutný k pˇrekonán´ı odporu vzduchu

P_S : výkon nutný k pˇrekonán´ı sklonu vozovky (gravitaˇcn´ı pˇritaˇzlivosti) P_R : výkon nutný k pˇrekonán´ı valivého odporu

P_B : výkon nutný k pˇrekonán´ı odporu nerovnost´ı vozovky P_acc : výkon plynouc´ı ze zrychlen´ı

r_top,i,j : nejlepˇs´ı dˇelené um´ıstˇen´ı i-tého závodn´ıka v j-tém závodˇe r_down,i,j : nejhorˇs´ı dˇelené um´ıstˇen´ı i-tého závodn´ıka v j-tém závodˇe

r_weight(x, i, j) : váha x-tého um´ıstˇen´ı i-tého závodn´ıka v j-tém závodˇe pro pˇr´ıpad dˇelených um´ıstˇen´ı

(14)

S_j : startovn´ı listina j-t´eho z´avodu s_l : sklon vozovky

t_j(CS, m, ρ, P ) : funkce pro výpoˇcet ˇcasu v j-tém závodˇe (cyklistiky) pˇri p˚usoben´ı se stálým výkonem

t_total,i,j : celkový ˇcas i-tého závodn´ıka v j-tém závodˇe

t_loss,i,j : ˇcasová ztráta i-tého závodn´ıka v j-tém závodˇe na v´ıtˇeze závodu T_i : mnoˇzina x-ových souˇradnic pixel˚u pro i-tý interval

v : rychlost

v(CS, ρ, m, P, s_l) : výpoˇcet rychlosti z poˇzadovaných parametr˚u pomoc´ı ˇreˇsen´ı kubické rovnice

w_date,j(k) : funkce pro výpoˇcet váhy data vzhledem k predikovanému závodu w_j : váha j-tého závodu vzhledem k predikovanému závodu

w_level,j(k) : funkce pro výpoˇcet váhy s ohledem na úroveˇn závodu w_length,j : váha j-tého závodu vzhledem k délce predikovaného závodu wlength2,j : váha j-tého závodu vzhledem k délce predikovaného závodu

w_power,j : váha j-tého závodu odvozena od výkonu cyklist˚u

w_{prof ile,j} : váha j-tého závodu vzhledem k pˇrevýˇsen´ı a délce predikovaného závodu w_start,j(k) : funkce pro výpoˇcet váhy s ohledem na zp˚usob startu

Z : mnoˇzina z´avod˚u ρ : hustota vzduchu

φ : aritmetick´a odchylka mezi souˇcty pravdˇepodobnost´ı v jednotliv´ych intervalech

(15)

Seznam tabulek

5.1 Test dobr´e shody . . . 46

6.1 Z´avislost hodnoty p_r,j na poˇctu z´avodn´ık˚u . . . 59

6.2 Souˇcet pravdˇepodobnost´ı dle vybran´ych interval˚u . . . 66

6.3 Test základn´ıch typ˚u model˚u na sezónách 2015,2016 . . . 67

6.4 Poziˇcn´ı a relativn´ı poziˇcn´ı model filtrovan´y podle um´ıstˇen´ı . . . 68

6.5 Rozdˇelen´ı ´uspˇeˇsnosti poziˇcn´ıho modelu podle interval˚u . . . 69

6.6 Rozdˇelen´ı a ´uspˇeˇsnost pravdˇepodobnost´ı po redukci . . . 70

6.7 Uspˇ´ eˇsnost redukˇcn´ıch metod . . . 71

6.8 Vyhodnocen´ı model˚u vytvoˇrených s parametry typu a úrovnˇe závodu 72 6.9 Základn´ı koeficienty data pro cyklistiku . . . 73

6.10 Detailnˇejˇs´ı koeficienty data pro cyklistiku . . . 74

6.11 Volba koeficient˚u pro parametr profilové nároˇcnosti závodu . . . 75

6.12 Volba koeficient˚u pro parametr zaloˇzený na výkonu a profilové nároˇcnosti závodu . . . 76

6.13 Stanoven´ı parametr˚u pro Tour de France . . . 78

7.1 Stanoven´ı ˇcasov´eho koeficientu pro F1. . . 80

7.2 Stanoven´ıˇcasov´eho koeficientu pro F1 pomoc´ı redukce pravdˇepodobnost´ı 81 7.3 Stanoven´ıˇcasov´eho koeficientu pomoc´ı poziˇcn´ı redukce pravdˇepodobnosti pro F1 . . . 82

7.4 Výsledky základn´ıch typ˚u model˚u na bˇeˇzeckém lyˇzován´ı. . . 83

7.5 Vyhodnocen´ı vzdálenostn´ıho koeficientu pro bˇeˇzecké lyˇzován´ı. . . 84

7.6 Casov´ˇ y koeficient pro exponenciáln´ı funkci v bˇeˇzeckém lyˇzován´ı . . . 84

7.7 Casov´ˇ y koeficient pro lomenou funkci v bˇeˇzeck´em lyˇzov´an´ı . . . 85

7.8 Koneˇcný návrh parametr˚u pro bˇeˇzecké lyˇzován´ı . . . 85

(16)

Seznam obr´ azk˚ u

1.1 Celkový obrat uzavˇrených sázek v ˇCR. . . 16

3.1 Sloˇzky v´ykonu cyklisty . . . 23

4.1 ER Diagram cyklistick´ych dat . . . 29

4.2 Objektový návrh výsledk˚u závodu . . . 30

4.3 Pˇr´ıliˇs n´ızk´y prah pro detekci hran . . . 37

4.4 Vhodnˇe zvolen´y prah pro detekci hran . . . 37

4.5 Grafická aplikace pro hledán´ı výˇskového profilu . . . 40

5.1 Funkce v´ahy pro datum . . . 48

5.2 Cetnost z´ˇ avodn´ık˚u v z´avislosti na jejich hmotnosti . . . 51

6.1 Diagram tˇr´ıd model˚u . . . 62

6.2 Vyhodnocen´ı koeficient˚u ˇcasu pro Tour de France . . . 74

(17)

1 Uvod ´

Ve své diplomové práci jsem se rozhodl zamˇeˇrit na predikci sportovn´ıch výsledk˚u v silniˇcn´ı cyklistice. Stanoven´ı pravdˇepodobnost´ı na rozliˇsné události pˇredstavuje pomˇernˇe zaj´ımavou aplikaci matematické statistiky. Potˇreba podobných aplikac´ı je zˇrejmá s ohledem na neustále rostouc´ı objem kurzových sázek. Jen v ˇCeské repub- lice v roce 2015 ˇcinil obrat uzavˇrených kursových sázek 43,8 mld. Kˇc. Na obrázku 1.1 vid´ıme celkový obrat uzavˇrených kursových sázek v letech 2012-2015, který ne- ustále roste. Zaj´ımavý je pˇredevˇs´ım nár˚ust internetového sázen´ı, naopak sázen´ı na poboˇckách sp´ıˇse stagnuje. Lze rovnˇeˇz pˇredpokládat, ˇze nastolený trend bude i nadále pokraˇcovat. Obrat kursového sázen´ı v roce 2015 ˇcinil 28,8% z celkového pod´ılu ha- zardn´ıch her v ˇCR a d´ıky zvyˇsuj´ıc´ımu se obratu internetového sázen´ı se i tento pod´ıl za posledn´ı roky pravidelnˇe zvyˇsuje [13].

Obrázek 1.1: Celkový obrat uzavˇrených sázek v ˇCR

Prvn´ı statistické modely se objevily jiˇz v roce 1951, kdy Moroney pˇriˇsel s myˇslenkou, ˇze poˇcet vstˇrelených gól˚u ve fotbale vyplývá z vysokého poˇctu útoˇcných ˇsanc´ı daného týmu, a proto navrhl vyuˇz´ıt Poissonovo rozdˇelen´ı. Na jeho myˇslenku navázal Ma-

(18)

her, který model aplikoval na nˇekolika nejvyˇsˇs´ıch anglických fotbalových soutˇeˇz´ıch.

Zároveˇn pˇridal koeficient obrany a útoku pro domác´ı i hostuj´ıc´ı tým [10]. Za dalˇs´ım zaj´ımavým posunem stál Dixon s Colesem, kteˇr´ı koriguj´ı Poissonovo rozdˇelen´ı pro nˇekteré poˇcty vstˇrelených branek [11]. Vˇsechny zm´ınˇené modely lze nasadit nejen ve fotbale, ale i dalˇs´ıch sportech, které mohou vyuˇz´ıt stejného principu. Jedná se napˇr. o hokej, házenou, basketbal. Zejména tedy sporty, které jsou omezeny ˇcasem a rozhoduj´ı v nich vstˇrelené branky.

Na poli individuáln´ıch discipl´ın mnoho zveˇrejnˇených model˚u neexistuje. Výjimku pˇredstavuje napˇr´ıklad biatlonový model, který pˇricház´ı s myˇslenkou predikce na základˇe um´ıstˇen´ı závodn´ık˚u v pˇredchoz´ıch závodech, nebo podle jejich dosaˇzených ˇcas˚u [12]. Pouˇzito je i rozdˇelen´ı na v´ıce nezávislých ˇcást´ı, ke kterým pˇristupujeme oddˇelenˇe a na závˇer se ˇcasy seˇctou. Jednotlivé sloˇzky jsou vyjádˇreny pomoc´ı dis- tribuˇcn´ıch funkc´ı, výsledný ˇcas se tedy spoˇcte pomoc´ı konvoluce. Nevýhodu vy- tvoˇreného modelu pˇredstavuje pˇredevˇs´ım jeho úzké spojen´ı s biatlonem. ˇCasto se lze setkat s ˇclánky, které predikuj´ı vývoj nejlepˇs´ıch ˇcas˚u atletických ˇci plaveckých discipl´ın. Tyto sporty se vyznaˇcuj´ı pˇredevˇs´ım velmi obdobnými podm´ınkami na r˚uzných m´ıstech svˇeta, nav´ıc se jedná o predikci rekordn´ıch výsledk˚u, kde je zˇrejmé, ˇze funkce bude nerostouc´ı [1]. Nicménˇe pro podobné sporty by jistˇe bylo moˇzné obdobným zp˚usobem predikovat i výsledky vybraných závodn´ık˚u. V cyklistice se vˇsak podm´ınky velmi liˇs´ı a nemáme k dispozici dostatek informac´ı, aby bylo moˇzné obdobným zp˚usobem predikovat ˇcas závodn´ık˚u.

Aplikace je programována pomoc´ı programovac´ıho jazyka java, který je pro desk- topovou aplikaci vhodný. Ve srovnán´ı s jazykem C výkonnostnˇe sice m´ırnˇe zaostává, ale z programátorského hlediska obsahuje velké mnoˇzstv´ı framework˚u a výkonnostn´ı rozd´ıl nepˇredstavuje zásadn´ı problém. Aplikace vyuˇz´ıvá návrhového vzoru MVC, který ji rozdˇel´ı na 3 samostatnˇe funguj´ıc´ı ˇcásti [19]. Základn´ım motivem pro pouˇzit´ı tohoto návrhového vzoru je oddˇelen´ı programového modelu od uˇzivatelského rozhran´ı, ˇc´ımˇz se zvýˇs´ı jeho pˇrehlednost, ale i znovupouˇzitelnost. Model (M) obsahuje veˇskerou logiku, výpoˇcty i práci s databázi. Pohled (V) se stará jen o zobrazen´ı výsledk˚u uˇzivateli. Model a pohled jsou úplnˇe oddˇeleny a komunikaci mezi nimi zajiˇst’uje controller (C). Grafické rozhran´ı bude tvoˇreno s pomoc´ı knihovny J avaF X, která je pˇripravena na pouˇzit´ı spolu s návrhovým vzorem MVC. Model bude vy-

(19)

tvoˇren pomoc´ı bˇeˇzných tˇr´ıd, contoller pak jen implementuje rozhran´ı Initializable a zároveˇn um´ı komunikovat s pohledem, který pˇredstavuje jazyk FXML. FXML je jazyk zaloˇzený na xml a umoˇzˇnuje vytvoˇrit pohled v tomto formátu. Mimo psan´ı pohledu v xml podobˇe existuje i návrháˇr Scene Builder, který výraznˇe usnadn´ı práci [20]. Pro ukládán´ı dat bude vyuˇzita databáze H2, která je zaloˇzena na relaˇcn´ım modelu a m˚uˇze být pouˇz´ıvána bez instalace databázového serveru, coˇz m˚uˇze být výhodné z hlediska pˇrenositelnosti.

(20)

2 Specifika sportovn´ıch odvˇ etv´ı

Sportovn´ı odvˇetv´ı lze rozdˇelit na mnoho kategori´ı. Nás zaj´ımá pˇredevˇs´ım hledisko predikce výsledk˚u. Z tohoto pohledu nemus´ı být ani tak d˚uleˇzité, jestli se jedná o týmový nebo individuáln´ı sport, jelikoˇz na výsledky vybraného týmu lze pohl´ıˇzet podobnˇe jako na výsledky jediného závodn´ıka.

Na n´asleduj´ıc´ım grafu je zn´azornˇeno rozdˇelen´ı s ohledem na zp˚usob predikce.

Sportovn´ı odvˇetv´ı, která byla oznaˇcena jako zápasová pˇredstavuj´ı sporty, kde se utkaj´ı dva soutˇeˇz´ıc´ı týmy, ˇci jednotlivci, a obvykle konˇc´ı po pˇredepsaném ˇcase, nebo urˇcitém poˇctu bod˚u.

sportovn´ı odvˇetv´ı

z´avodn´ı

klasifikované body, vzdálenost´ı skoky, vrhaˇcské discipl´ıny,..

klasifikovan´e ˇcasem cyklistika, bˇeh,..

z´apasov´e

omezen´e body volejbal,..

tenis, omezen´e ˇcasem

fotbal, h´azen´a, box,..

Závod˚u se naopak m˚uˇze úˇcastnit libovolný poˇcet závodn´ık˚u a vyhodnocuj´ı se na základˇe ˇcasu, ˇci dosaˇzených bod˚u. Ve vˇsech odvˇetv´ıch, která byla oznaˇcena jako závodn´ı, lze urˇcit um´ıstˇen´ı závodn´ık˚u a na jeho základˇe i predikovat výsledky nadcházej´ıc´ıch závod˚u. Rozd´ıl mezi klasifikac´ı pomoc´ı ˇcasu a bod˚u (vzdálenosti) je zejména v uspoˇrádán´ı, kde v pˇr´ıpadˇe ˇcasové klasifikace v´ıtˇez´ı závodn´ık s nejniˇzˇs´ım ˇcasem. V bodovém hodnocen´ı naopak vˇetˇsinou v´ıtˇez´ı závodn´ık s vyˇsˇs´ım poˇctem z´ıskaných bod˚u.

Diplomová práce je zamˇeˇrena zejména na cyklistiku a tak modely budou vy- tvoˇreny tak, aby mohly být implementovány ve vˇsech závodn´ıch sportech, zejména pak tˇemi, které vyuˇz´ıvaj´ı ˇcasové klasifikace. Naopak kategorie zápasových sport˚u je s modely v této práci nesluˇcitelná.

(21)

2.1 Silniˇ cn´ı cyklistika

Silniˇcn´ı cyklistika patˇr´ı mezi individuáln´ı sporty. Závodn´ıci pˇresto ˇcasto spolupracuj´ı a to zejména v rámci svého týmu. V rámci vybraného týmu maj´ı závodn´ıci obvykle pˇridˇeleny týmové pokyny a ˇcasto odvád´ı práci pro l´ıdra týmu, na úkor osobn´ıch ambic´ı. Mezi r˚uznými odnoˇzemi profesionáln´ı cyklistiky je právˇe silniˇcn´ı královnou tohoto sportu, coˇz se odráˇz´ı v poˇctu profesionáln´ıch sportovc˚u a jejich zázem´ı.

Pouˇz´ıvaj´ı se silniˇcn´ı kola, která jsou specifická pˇredevˇs´ım úzkými pláˇsti, respektive galuskami. Pro vˇsechna kola plat´ı pravidlo minimáln´ı hmotnosti, závodn´ı stroj nesm´ı být lehˇc´ı neˇz 6,8 kg [2]. Prakticky vˇsechny profesionáln´ı závodn´ıci maj´ı kola s hmotnost´ı velmi bl´ızkou uvedenému limitu a tak m˚uˇzeme pracovat pˇri predikci výsledk˚u výhradnˇe s touto hmotnost´ı.

2.1.1 Jednor´ azov´ e z´ avody

Jednorázovým závodem, nebo také jednodenn´ım závodem, rozum´ıme takový závod, který se startuje hromadnˇe. Závod konˇc´ı v pˇredem stanoveném m´ıstˇe a po jeho pr˚ujezdu jsou závodn´ıci klasifikováni. Jediným rozhoduj´ıc´ım kritériem pro vyhodnocen´ı výsledk˚u je ˇcas, pokud nedojde k poruˇsen´ı pravidel a t´ım i k diskvalifikaci.

2.1.2 Casovka ˇ

Casovka, ˇˇ ci j´ızda proti chronometru, je závod s individuáln´ım startem. Trasa závodu je opˇet pevnˇe dána. Startuj´ıc´ı zároveˇn nesm´ı vyuˇz´ıvat bl´ızké j´ızdy za svým soupeˇrem (j´ızdu v háku). Váhový limit je stejný jako pro jiné závody, nicménˇe je povolené pouˇz´ıvat speciáln´ı vybaven´ı, které je pro hromadné závody zakázané[2]. Zejména se jedná o aerodynamické helmy, nástavce na ˇrid´ıtka a pˇr´ıpadnˇe i disková kola.

2.1.3 Etapov´ e z´ avody

Etapový závod se skládá z nˇekolika etap. Etapa m˚uˇze být jednorázovým závodem s hromadným startem, ale i týmovou ˇci individuáln´ı ˇcasovkou. Obvykle se koná za jeden den pouze jedna etapa. Závody se výraznˇe liˇs´ı i svou délkou, na ˇceském územ´ı

(22)

se napˇr´ıklad koná 4-etapový Czech Cycling Tour. Nejdelˇs´ı ale i nejznámˇejˇs´ı jsou tˇr´ıtýdenn´ı etapové závody Tour de France, Giro d’ Italia a Vuelta.

2.1.4 Problematika predikce v´ ysledk˚ u

V silniˇcn´ı cyklistice nastává nˇekolik problém˚u z pohledu predikce výsledk˚u, se kterými se v jiných sportech nesetkáme, nebo jen v malé m´ıˇre. Závodn´ık˚um se, podobnˇe jako v jiných odvˇetv´ıch, v pr˚ubˇehu sezóny podstatnˇe mˇen´ı jejich kondice. Oproti ostatn´ım sport˚um je vˇsak velmi sloˇzité odhadnout závodn´ıkovu formu jednoduchým pohledem na výsledky. Výsledek závodu totiˇz m˚uˇze výraznˇe ovlivnit defekt v nevhodnou chv´ıli, ale zejména pozice závodn´ıka v týmu. Pokud se jezdec v závodˇe vyskytuje v pozici domestika, tak i pˇres jeho moˇznou velice dobrou formu, výsledek nebude odpov´ıdat skuteˇcným moˇznostem závodn´ıka. Nˇekteˇr´ı jezdci také smˇeˇruj´ı svou formu pouze k urˇcitému závodu. Zejména se jedná o závodn´ıky, kteˇr´ı se specializuj´ı na tˇr´ıtýdenn´ı etapové závody.

(23)

3 V´ ykon cyklisty

Výkon cyklisty hraje v silniˇcn´ı cyklistice zásadn´ı roli. Na jeho základˇe se budeme snaˇzit v dalˇs´ıch kapitolách zjistit nároˇcnost terénu a jeho vhodnost pro urˇcité typy závodn´ık˚u. Pˇri výpoˇctu výkonu zanedbáme ztráty pˇri pˇrenosu s´ıly. Celkový výkon se skládá z nˇekolika základn´ıch sloˇzek a je dán jako

P = P_A+ P_S+ P_R+ P_B+ P_acc, (3.1) kde jednotlivé sloˇzky vyjadˇruj´ı potˇrebný výkon k pˇrekonán´ı odporu vduchu (P_A), odporu sklonu vozovky (P_S), valivého odporu (P_R), odporu nerovnost´ı (P_B) a zrychlen´ı (P_acc)[4].

Odpor vzduchu hraje v cyklistice zcela zásadn´ı roli. Pr˚umˇerné rychlosti se bˇehem závod˚u pohybuj´ı okolo 40 kmh⁻¹, takˇze se jiˇz nejedná o laminárn´ı, ale o turbulentn´ı proudˇen´ı. Sloˇzku tohoto výkonu spoˇcteme jako

PA= 1

2Cv³Sρ, (3.2)

kde C je souˇcinitel odporu vzduchu, S pˇredstavuje pr˚uˇrez cyklisty, v jeho rychlost a hustota vzduchu je pak oznaˇcena symbolem ρ.

P_acc oznaˇcuje výkon potˇrebný ke zrychlen´ı, nebo zpomalen´ı, a je roven P_acc = mef fav, kde a pˇredstavuje zrychlen´ı ze závodn´ıkovi rychlosti v a mef f je hmota, která tomuto zrychlen´ı podléhá.

Výkon, vynaloˇzený na pˇrekonán´ı gravitaˇcn´ı s´ıly, hraje roli zejména v kopc´ıch, kde ho závodn´ık mus´ı pˇrekonávat, respektive jej vyuˇzije pˇri sjezdu, kdy ho naopak zrychluje a je dán

P_S = mgs_lv, s_l ∈ h−1, 1i, (3.3) kde m je hmotnost z´avodn´ıka s kolem, s_l pˇredstavuje okamˇzit´y sklon vozovky.

Pr˚umˇerný sklon vozovky pak vypoˇcteme jako pod´ıl mezi nastoupanou výˇskou a ujetou vzdálenost´ı.

(24)

Výkon, potˇrebný k pˇrekonán´ı valivého odporu, spoˇcteme jako P_R = mgC_Rv, kde m je opˇet hmotnost závodn´ıka vˇcetnˇe jeho bicyklu, g gravitaˇcn´ı zrychlen´ı a v závodn´ıkova rychlost. C_Rzávis´ı na tlaku a materiálu pneumatik, v silniˇcn´ı cyklistice se tato hodnota pohybuje okolo 0.003. Odpor, vznikaj´ıc´ı nerovnostmi povrchu, bývá ve vˇetˇsinˇe silniˇcn´ıch závod˚u velmi zanedbatelný. Výjimku by tvoˇrily závody s pave sektory. Výpoˇcet by vˇsak byl zˇrejmˇe velmi nároˇcný a nepˇresný, jelikoˇz velmi závis´ı na drobných detailech na trase a také na materiálu a vzorku pneumatik. Z tˇechto d˚uvodu se tento faktor zanedbává a ani neexistuje pˇresnˇe stanovený vzorec pro jeho výpoˇcet [4].

Po vyjádˇren´ı vˇsech sloˇzek a dosazen´ı, z´ıskáme výsledný výkon cyklisty P = {1

2Cv²Sρ + mg(s_l+ 0, 003) + m_{ef f}a}v. (3.4) Casto se setk´ˇ ame se situac´ı, kdy je neznámou rychlost závodn´ıka, naopak známe výkon a vˇsechny ostatn´ı koeficienty v rovnici. Z´ıskáme tedy kubickou rovnici ve tvaru

CSρv³+ (mg(s_l+ 0, 003) + m_{ef f}a)v − 2P = 0. (3.5) Jelikoˇz nenastává ˇzádná okolnost, která by usnadnila ˇreˇsen´ı této rovnice, mus´ıme j´ı ˇreˇsit obecnˇe. V takovém pˇr´ıpadˇe se rovnice tˇret´ıho ˇrádu ˇreˇs´ı pomoc´ı Carda- nových vzorc˚u [8]. V programovac´ım jazyce JAVA, pak tuto implementaci nalezneme napˇr´ıklad v tˇr´ıdˇe EquationM anager z knihovny ixent a je dostupná pod licenc´ı GNU [9].

Obr´azek 3.1: Sloˇzky v´ykonu cyklisty

(25)

V grafu3.1 jsou zobrazeny jednotlivé sloˇzky výkonu cyklisty v závislosti na jeho rychlosti dle vzorce (3.4) s volbou koeficient˚u CS = 0.356, hustoty vzduchu ρ = 1, 22kgm⁻³, hmotnost´ı jezdce vˇcetnˇe kola m = 70kg, normáln´ım t´ıhovým zrychlen´ım g a sklonem vozovky s_l = 5%. M˚uˇzeme názornˇe vidˇet, ˇze pˇri niˇzˇs´ıch rychlostech je hlavn´ı sloˇzkou výkonu právˇe odpor sklonu vozovky. Aˇz pˇri rychlosti nad 45 km/h zaˇc´ıná výkon nejv´ıce ovlivˇnovat aerodynamický odpor.

3.1 Stanoven´ı koeficient˚ u z namˇ eˇ ren´ ych hodnot

Mark Cote provedl zaj´ımavý test silniˇcn´ıho a ˇcasovkáˇrského kola od firmy Specia- lized [3]. Testy byly provedeny na dráze a pak také na bˇeˇzné silnici, bez výrazného pˇrevýˇsen´ı. Oba testy vykazuj´ı velmi podobné výsledky, které potvrzuj´ı jejich správnost.

Výkony na dráze a na silnici (v bezvˇetˇr´ı) by mˇely být velmi bl´ızké, jelikoˇz jediný rozd´ıl je v odporu, který vzniká vlivem nerovnost´ı vozovky. A ten je pˇri silniˇcn´ıch závodech velmi malý a obecnˇe se zanedbává. Na dráze vˇsak nehraje roli v´ıtr, který na bˇeˇzném prostranstv´ı m˚uˇze v pr˚ubˇehu ˇcasu mˇenit sv˚uj smˇer a proto budeme uvaˇzovat namˇeˇrené hodnoty z dráhy. Pˇri pr˚umˇerné rychlosti 40, 07kmh⁻¹ musel závodn´ık na silniˇcn´ım kole vyprodukovat pr˚umˇerný výkon 291,1 W. Na ˇcasovkáˇrském kole pak rychlosti 39, 92kmh⁻¹ odpov´ıdal výkon jen 220,8 W.

Namˇeˇrené hodnoty pouˇzijeme pro stanoven´ı koeficient˚u v rovnici (3.4). Máme tedy známé hodnoty v podobˇe pr˚umˇerné rychlosti a výkonu. Hmotnost kola s jezd- cem rovnici nikterak zásadnˇe neovlivˇnuje, jelikoˇz test byl proveden na rovinatém terénu. A tak hmotnost bude ovlivˇnovat pouze s´ılu z valivého odporu a ta je pomˇernˇe n´ızká. Hmotnost tedy stanov´ıme na 80 kg, bˇehem testu byla namˇeˇrena pr˚umˇerná teplota 31^◦C a test prob´ıhal na dráze v Asheville, který se nacház´ı v nadmoˇrské výˇsce 650 metr˚u. Za této teploty a nadmoˇrské výˇsky se hustota vzduchu ρ = 1, 078kgm⁻³. Test prob´ıhal za co moˇzná nejkonstantnˇejˇs´ı rychlosti, takˇze zrychlen´ı ze vzorce (3.4) zanedbáme. Dále pouˇzijeme normáln´ı t´ıhové zrychlen´ı, jelikoˇz se v závislosti na nadmoˇrské výˇsce a poloze nikterak výraznˇe nemˇen´ı. Dosazen´ım tˇechto hodnot do vzorce (3.4) tedy snadno zjist´ıme hodnotu

CS = 2P − 0, 006mgv

v³ρ . (3.6)

Aˇckoliv nejsme schopni urˇcit obsah pr˚umˇetu cyklisty ve smˇeru p˚usoben´ı vˇetru (S)

(26)

a souˇcinitel odporu vzduchu (C), um´ıme urˇcit jejich souˇcin a taková hodnota je postaˇcuj´ıc´ı. Výˇska i hmotnost závodn´ık˚u je rozd´ılná, ale jejich pr˚umˇet na bicyklu je relativnˇe podobný. CS pro silniˇcn´ı kolo je tedy 0,356, pro ˇcasovkáˇrský speciál pak 0,265.

(27)

4 V´ ysledky z´ avod˚ u

4.1 Datov´ e zdroje

Mezinárodn´ı cyklistická unie (UCI) ˇzádné výsledky ve formˇe databáz´ı, ˇci jiných da- tových výstup˚u, jakými jsou XM L ˇci J SON , veˇrejnˇe neposkytuje. Data sd´ıl´ı pouze s národn´ımi federacemi a pˇr´ıpadnˇe oficiáln´ımi sponzory, jak vyplynulo z probˇehlé ko- munikace. Na jejich webových stránkách jsou výsledky pro návˇstˇevn´ıky samozˇrejmˇe dostupné, ale jsou plnˇe generované pomoc´ı javascriptu, coˇz znemoˇzˇnuje úˇcinné stro- jové zpracován´ı. Dalˇs´ı alternativu z oficiáln´ıch zdroj˚u pˇredstavuj´ı poˇradatelé jednot- livých závod˚u. Je zˇrejmé, ˇze jejich data budou pravdˇepodobnˇe pod stejnými právy jako data UCI. Z´ıskáván´ı dat, ze stránek jednotlivých závod˚u, je pak nemoˇzné z hlediska obrovské ˇcasové nároˇcnosti. Kaˇzdý závod je jinak formátován a bylo by nutné vytvoˇrit velké mnoˇzstv´ı program˚u pro stahován´ı potˇrebných dat. Jediný pˇrijatelný zdroj tedy tvoˇr´ı statistické servery. Opˇet sice neposkytuj´ı ˇzádný pˇr´ımý výstup s daty, ale je moˇzné vytvoˇrit vlastn´ı program, který data ze serveru z´ıská. Program vˇsak bude pˇr´ımo závislý na formátu webových stránek a v pˇr´ıpadˇe jakékoliv zmˇeny ze strany provozovatele, bude nutno velkou ˇcást vytvoˇreného programu na stahován´ı dat pˇrepsat. K této situaci nakonec i doˇslo. Stejnˇe tak tomu bylo i v pˇr´ıpadˇe biat- lonových výsledk˚u, které práce rovnˇeˇz vyuˇz´ıvá.

4.2 Program pro stahov´ an´ı v´ ysledk˚ u

Zvolen byl statistický server procyclingstats.com, který shromaˇzd’uje velké mnoˇzstv´ı cyklistických výsledk˚u ,ale i startovn´ı listiny nadcházej´ıc´ıch závod˚u. U mnoha závod˚u jsou k dispozici také výˇskové profily závod˚u ve formˇe obrázku. Server a jeho web je primárnˇe urˇcen pro návˇstˇevn´ıky a tak jeho výstup pˇredstavuje bˇeˇzná HTML stránka.

(28)

Jiˇz bylo pˇredesláno, ˇze se formát webu pˇri psan´ı diplomové práce zmˇenil, popsána tedy bude jeho aktuáln´ı podoba.

Program, stahuj´ıc´ı cyklistické výsledky, vyuˇz´ıvá tˇr´ıdy z bal´ıˇcku system.imports (ImportF unction, U RLW orker) a jeho konkrétn´ı implementace, kterou pˇredstavuje pˇredevˇs´ım tˇr´ıda CyclingImport se nacház´ı v bal´ıˇcku individual.cycling.imports.

Stahován´ı dat ze serveru daný server samozˇrejmˇe vytˇeˇzuje a nav´ıc je ˇcasovˇe nároˇcné.

Casov´ˇ a nároˇcnost lze ˇreˇsit vyuˇzit´ım v´ıce vláken, ale v takovém pˇr´ıpadˇe lze pˇredpokládat, ˇze server bude blokovat IP adresu, kterou vyuˇz´ıvá náˇs program. Text konkrétn´ı webové stránky je stahován metodou getT ext tˇr´ıdy U RLW orker. Pˇri oslovován´ı serveru je nutné nastavit http hlaviˇcku prohl´ıˇzeˇce, jinak je poˇzadavek ze strany serveru zam´ıtnut. Zejména pˇri vývoji, je nutné ˇcasto stahovat stejné stránky. S ohledem na ˇcasovou nároˇcnost, ale i vyt´ıˇzen´ı serveru jsou staˇzené stránky ukládány, a v pˇr´ıpadˇe poˇzadavku na stáhnut´ı stejného obsahu, jsou naˇcteny z lokáln´ıho disku uˇzivatele.

4.2.1 St´ ahnut´ı v´ ysledk˚ u z´ avodu

Kaˇzdý dostupný závod je um´ıstˇen na adrese http : //www.procyclingstats.com/race/race id, kde race id je identifikátor daného závodu. Server rovnˇeˇz podporuje i alternativn´ı

zp˚usob zadán´ı závodu ve formátu http : //www.procyclingstats.com/race.php?id = race id, coˇz bude pravdˇepodobnˇe poz˚ustatek staré struktury webu, ale nen´ı pˇresmˇerováván na novou adresu. Na tento fakt je tˇreba si dávat pozor, ˇcasto bylo potˇreba z´ıskat danou adresu závodu a na serveru se objevuje pomˇernˇe nepochopitelnˇe v obou verz´ıch, proto je v programu internˇe pˇrepisována na prvn´ı verzi, aby nedoˇslo k nˇejaké zámˇenˇe.

Obdobná situace se opakuje i u dalˇs´ıch stahovaných stránek.

Pokud známe race id m˚uˇzeme zaˇc´ıt stahovat danou stránku a z n´ı zaˇc´ıt z´ıskávat potˇrebné informace. K rozparserován´ı stránky je pouˇzit HTML parser jsoup. K z´ıskán´ı potˇrebných výsledk˚u jsou také hojnˇe vyuˇz´ıvány regulárn´ı výrazy. Z této stránky z´ıskáme mimo výsledk˚u i délku a datum konán´ı závodu. Dále lze zjistit o jaký typ závodu se jedná, m´ıstu konán´ı, ˇci ˇc´ıslo etapy, v pˇr´ıpadˇe etapového závodu. Pokud je k dispozici výˇskový profil závodu, je rovnˇeˇz k dispozici na specifickém m´ıstˇe na této stránce, respektive jeho odkaz na pˇr´ımou adresu s obrázkem. Zjiˇstˇen´ı, jestli se jedná o ˇcasovku, ˇci hromadný závod nen´ı úplnˇe spolehlivé, jelikoˇz je zaloˇzeno na zjiˇst’ován´ı,

(29)

zda se v názvu etapy vyskytuje nˇekteré slovo, které je na tˇechto stránkách spojeno s ˇcasovkou (ITT, Time Trial a dalˇs´ı). Výsledky závodn´ık˚u se na stránce nacház´ı ve formˇe tabulky, která je tvoˇrena pomoc´ı HTML znaˇcek typu div a span. U kaˇzdého závodn´ıka mohou být uvedeny údaje o um´ıstˇen´ı, ˇcasu, název týmu, ˇci bodech do celkového poˇrad´ı ˇzebˇr´ıˇcku UCI. Tyto hodnoty nejsou uvedeny vˇzdy a mohou být v r˚uzném poˇrad´ı, proto je tˇreba zjisti, o jaká data se jedná nejdˇr´ıve z prvn´ıho ˇrádku tabulky a následnˇe pˇrizp˚usobit z´ıskáván´ı dat. Pokud bychom takto pˇr´ımo ukládali výsledky, hrozilo by, ˇze neidentifikujeme pˇresnˇe závodn´ıka, jelikoˇz existuje moˇznost v´ıce závodn´ık˚u stejného jména (vˇcetnˇe pˇr´ıjmen´ı). Jméno závodn´ıka vˇsak zároveˇn odkazuje i na stránku s jeho detaily, které má opˇet unikátn´ı adresu a podle n´ı tedy jednoznaˇcnˇe rozpoznáme konkrétn´ıho závodn´ıka. Z detailn´ı stránky o závodn´ıkovi ve tvaru http : //www.procyclingstats.com/rider/rider id, kde rider id je unikátn´ı id závodn´ıka, nav´ıc zjist´ıme i datum narozen´ı závodn´ıka a jeho národnost. Nˇekdy bývá k dispozici i hmotnost a výˇska.

Aby mohl být uvedený postup efektivnˇe pouˇzit, potˇrebujeme zjistit identifikátory závod˚u race id, coˇz lze z kalendáˇre jednotlivých sezón, který je uveden na stejném serveru. Po zjiˇstˇen´ı závod˚u, jiˇz jen opakujeme výˇse popsaný algoritmus, dokud nejsou uloˇzeny vˇsechny poˇzadované závody.

Ukl´ad´an´ı dat

Pro ukládán´ı potˇrebných dat byla vybrána databáze H2, d˚uvody pro jej´ı výbˇer byly jiˇz zm´ınˇeny dˇr´ıve. Vˇsechna data jsou ukládána, po sesb´ırán´ı vˇsech výsledk˚u o jednom závodu, v rámci jediné transakce. V pˇr´ıpadˇe jakékoliv chyby, budou vˇsechna data z databáze vymazána a postup se bude znovu opakovat.

Z ER diagramu 4.1 m˚uˇzeme vidˇet vˇsechny detaily jednotlivých tabulek. U tabulek racer a race existuje pˇrirozený primárn´ı kl´ıˇc id url, pˇresto je pouˇzit jako primárn´ı kl´ıˇc speciáln´ı ˇc´ıselný identifikátor. K tomuto kroku bylo sáhnuto z d˚uvodu zbyteˇcného nár˚ustu objemu dat, jelikoˇz ve výsledc´ıch potˇrebujeme tuto vazbu za- chovat. A zˇrejmˇe ˇc´ıselný identifikátor zab´ırá mnohem ménˇe pamˇeti, neˇz ˇretˇezec o délce aˇz 100 znak˚u. Zároveˇn si potˇrebujeme uchovat i vazbu na strukturu serveru, ze kterého data stahujeme.

(30)

Obr´azek 4.1: ER Diagram cyklistick´ych dat

4.3 Objektov´ y n´ avrh statistik

Statistické modely potˇrebuj´ı k predikci výsledky pˇredcházej´ıc´ıch závod˚u. Výsledky se ukládaj´ı do databáze, ale pro práci s modely je tˇreba je mapovat do objekt˚u. Návrh je udˇelán co nejobecnˇeji, aby bylo moˇzné vyuˇz´ıvat základn´ı funkcionalitu spoleˇcnˇe pro r˚uzná sportovn´ı odvˇetv´ı a také vytváˇret obecné modely pracuj´ıc´ı s obecnou výsledkovou vrstvou, spoleˇcnou pro v´ıce sportovn´ıch odvˇetv´ı. Obecný objektový návrh je um´ıstˇen v bal´ıˇcku system.statistics, konkrétn´ı implementace je následnˇe u kaˇzdého sportovn´ıho odvˇetv´ı ve vlastn´ım bal´ıˇcku.

Na obrázku 4.2 vid´ıme diagram tˇr´ıd, který je spoleˇcný pro vˇsechny sportovn´ı odvˇetv´ı z kategorie závod˚u. Abstraktn´ı tˇr´ıda A P erson vytváˇr´ı základ spoleˇcný pro vˇsechny závodn´ıky, kteˇr´ı od n´ı dˇed´ı, a obsahuje základn´ı údaje, jakými jsou národnost, datum narozen´ı, pohlav´ı, jméno a nepovinné údaje o výˇsce a hmotnosti.

Tˇr´ıda RacerStartAlocation obsahuje základn´ı údaje o startovn´ı pozici závodn´ıka, kterými m˚uˇze být ˇcas startu, ˇci jeho pozice nebo ztráta na prvn´ıho startuj´ıc´ıho.

Startovn´ı listina, kterou pˇredstavuje abstraktn´ı generická tˇr´ıda A StartList, obsahuje u kaˇzdého závodn´ıka (libovolného potomka tˇr´ıdy A P erson) jeho startovn´ı pozici (potomka RacerStartAlocation). Tˇr´ıda A RacerResult pˇredstavuje výsledky závodn´ıka v rámci vybraného závodu a mus´ı implementovat metody dané roz-

(31)

hran´ım I Result. Um´ıstˇen´ı závodn´ıka m˚uˇze být dˇelené, a závodn´ık rovnˇeˇz nemus´ı závod dokonˇcit, být diskvalifikován, nebo do závodu neodstartuje. Tuto funkcionalitu zajiˇst’uje tˇr´ıda P osition. Výsledky celého závodu jsou pak obsaˇzeny tˇr´ıdou A RaceResults, která ke kaˇzdému závodn´ıkovi (potomek A P erson) uchovává jeho výsledky.

Obrázek 4.2: Objektový návrh výsledk˚u závodu

Pˇr´ıstup ke vˇsem výsledk˚um zprostˇredkovává abstraktn´ı tˇr´ıda A Statistics, která opˇet vyuˇz´ıvá genericity a pracuje s potomky tˇr´ıd A RaceResults, A P erson a rozhran´ı I Race. Tato tˇr´ıda se statistikami umoˇzˇnuje naˇc´ıst výsledky podle zvoleného data z databáze. Dále vrac´ı seˇrazená data závod˚u (sestupnˇe i vzestupnˇe), pˇr´ıpadnˇe um´ı poskytnout závody dle data a samozˇrejmˇe výsledky po zadán´ı konkrétn´ıho závodu. Statistiky, stejnˇe jako nˇekteré dalˇs´ı uvedené tˇr´ıdy, vyuˇz´ıvaj´ı haˇsovac´ı mapy pro pˇr´ıstup k poˇzadovaným dat˚um.

(32)

4.4 Profil trasy

Profil trasy je velmi d˚uleˇzitý k zúˇzen´ı favorit˚u na v´ıtˇezstv´ı v závodˇe. Z´ıskán je ve formˇe obrázku a je ukládán do souborového adresáˇre, nyn´ı je potˇreba z nˇej z´ıskat co nejpˇresnˇejˇs´ı data o sklonu vozovky v aktuáln´ıch úsec´ıch.

Obrázek je naˇcten pomoc´ı knihovny opencv, která také poskytuje nástroje pro práci s n´ım. A je definován jako matice s rozmˇery k_width(ˇs´ıˇrka obrázku) x k_height(výˇska obrázku), jej´ıˇz prvky tvoˇr´ı pixely. Tato matice je reprezentována tˇr´ıdou M at. Kaˇzdý pixel po naˇcten´ı m˚uˇze být vyjádˇren v r˚uzných barevných formátech.

Profil se ve vˇetˇsinˇe pˇr´ıpad˚u vyznaˇcuje urˇcitou barvou, která je sice v kaˇzdém obrázku r˚uzná, nicménˇe v rámci jednoho bývá obvykle pouze jedna. Úplná automa- tizace prakticky moˇzná nen´ı, jelikoˇz jsou potˇreba zjistit údaje o nadmoˇrské výˇsce a ty lze z obrázku pˇreˇc´ıst jen velice obt´ıˇznˇe. Nicménˇe graf si zachovává stejné mˇeˇr´ıtko, proto nám staˇc´ı zjistit 2 body, které nemaj´ı stejnou nadmoˇrskou výˇsku a následnˇe lze velice jednoduˇse ostatn´ı body jiˇz dopoˇc´ıtat. Proto se uˇzivateli zobraz´ı obrázek, z kterého následnˇe zadá 2 poˇzadované body. Jelikoˇz je nutný tento zásah uˇzivatele, který znemoˇzn´ı plnˇe automatické zpracován´ı, jiˇz nepˇredstavuje velký problém, pokud na obsluze necháme i jeden dalˇs´ı krok, kterým je zadán´ı barvy profilu trasy. Toto zadán´ı provede velice jednoduˇse kliknut´ım na obrázek, ze kterého je barva vybrána podle pixelu, na kterém doˇslo k události kliknut´ı myˇs´ı.

V programu je zabudované i automatické detekován´ı, které vyhodnot´ı jako barvu profilu takovou, která je nejˇcetnˇejˇs´ı, pˇriˇcemˇz b´ılá barva je vyˇrazena, jelikoˇz pomoc´ı n´ı profil obvykle vyznaˇcen nen´ı. Úspˇeˇsnost této automatické detekce vˇsak nen´ı pˇr´ıliˇs vysoká a vzhledem k výˇse uvedenému je zadán´ı ponecháno pˇredevˇs´ım na obsluze programu.

Nejsloˇzitˇejˇs´ım problémem je nalezen´ı pixel˚u, které oznaˇcuj´ı výˇskový profil závodu.

K jejich nalezen´ı bylo vytvoˇreno nˇekolik metod, kter´e se z´aroveˇn i doplˇnuj´ı.

4.4.1 Sloupcov´ a detekce

V kaˇzdém sloupci pixel˚u, který pˇredstavuje výˇskový profil, mus´ıme oznaˇcit jeden, který pˇredstavuje nadmoˇrskou výˇsku. Jelikoˇz barevná plocha zvýraznˇeného profilu nemá naprosto stejnou barvu, nen´ı moˇzné pˇr´ımo porovnávat hodnoty z RGB modelu.

(33)

K vyhledán´ı podobných barev vyuˇzijeme gamut Lab, do kterého je nutné obrázek nejprve pˇrevést. Mˇejme vybranou barvu, která je dána vektorem c₁ = (L₁, a₁, b₁).

Tuto barvu potˇrebujeme porovnat s aktuálnˇe vybraným pixelem z obrázku, coˇz provedeme pomoc´ı podm´ınky

d(c₁, c₂) ≤ k_color, k_color ∈ h0, 1i, (4.1) kde c₂ je vektor z Lab prostoru a oznaˇcuje barvu aktuálnˇe porovnávaného pixelu a d(c₁, c₂) je vzdálenost barev daná rovnic´ı

d(c1, c2) =p

(L2− L1)²+ (a2− a1)²+ (b2− b1)². (4.2) Konstanta k_color je pak nastavena na hodnotu 0.1 ale uˇzivatel j´ı m˚uˇze za bˇehu programu libovolnˇe mˇenit. C´ılem je nalézt v kaˇzdém sloupci výˇsku vyznaˇceného profilu. Algoritmus pro stanoven´ı hledaného pixelu, který znázorˇnuje námi hledanou nadmoˇrskou výˇsku, je tedy nezávislý na ostatn´ıch sloupc´ıch a proto bude nast´ınˇen pouze pro vybraný sloupec.

Metoda zdola nahoru

Zaˇcneme od nejspodnˇejˇs´ıho pixelu v rámci sloupce hledat prvn´ı pixel, který spln´ı podm´ınku ze vztahu (4.1). Tento pixel budeme také oznaˇcovat jako detekˇcn´ı, v rámci této metody pˇredstavuje nutnou, ale nikoliv postaˇcuj´ıc´ı podm´ınku, pro nalezen´ı výˇsky v sloupci. Pokud se nepodaˇrilo naj´ıt ˇzádný pixel, pak je hodnota v tomto sloupci neznámá. V opaˇcném pˇr´ıpadˇe pokraˇcujeme na vyˇsˇs´ı, dokud je splnˇena podm´ınka (4.1). Pˇri jej´ım prvn´ım nesplnˇen´ı jsme nalezli výˇsku profilu, která se nacház´ı na pˇredcházej´ıc´ım pixelu. V tomto pˇr´ıpadˇe hovoˇr´ıme o zastavovac´ıch pixelech.

V pˇr´ıpadˇe ideáln´ıho obrázku by tento návrh mˇel být správný. Poˇcet pixel˚u ve sloupci, které by mˇely být detekovány jako stejná barva, je obvykle vysoký. A je- likoˇz nejsou obrázky zdaleka ideáln´ı, tak i jediný chybný pixel, m˚uˇze zp˚usobit velké nepˇresnosti. Tento problém lze úspˇeˇsnˇe vyˇreˇsit pozmˇenˇen´ım algoritmu tak, ˇze po vyhledán´ı pixel˚u s c´ılovou barvou nestaˇc´ı ke stanoven´ı výˇsky pouze prvn´ı nesplnˇen´ı námi popsané podm´ınky o hledán´ı barev. Naopak budeme vyˇzadovat nesplnˇen´ı v k_add ∈ N, k_add > 2 po sobˇe jdouc´ıch pixelech. Pˇri stanoven´ı pozice pixelu, který

(34)

oznaˇcuje výˇsku, je nutné odeˇc´ıst novˇe zavedenou konstantu k_add, jelikoˇz se jedná jiˇz o pixely jiné barvy. Funkci, která provede tento výpoˇcet pro x-tý sloupec budeme znaˇcit p_up(x) ∈ {0, ..k_height− 1}, x ∈ {0, ..k_width− 1}

Metoda shora dol˚u

Pro vybraný sloupec stanov´ıme výˇsku, jako pixel, který jako prvn´ı spln´ı podm´ınku (4.1). Pˇri tomto hledán´ı postupujeme od horn´ıho pixelu. Obdobnˇe jako u metody zdola nahoru vyuˇzijeme vˇetˇs´ı poˇcet zastavovac´ıch pixel˚u, které mus´ı následovat po sobˇe. Nicménˇe toto zlepˇsen´ı zde nen´ı tak nutné jako u metody pˇredcházej´ıc´ı. D˚uvod je zˇrejmý, obvykle se jedná o chybu v obrázku a pravdˇepodobnost, ˇze pixel obsahuje námi vybranou barvu, nebo podobnou dle nastavených kritéri´ı, je menˇs´ı, neˇz ˇze obsahuje jakoukoliv barvu jinou. Stejnˇe jako u pˇredcházej´ıc´ı metody oznaˇc´ıme výˇsku hledaného pixelu v x-tém sloupci p_down(x) ∈ {0, ..k_height−1}, x ∈ {0, ..k_width−1}

Kombinovan´a metoda

Výˇse uvedené metody jsou navrˇzené tak, ˇze by mˇely být ekvivalentn´ı a v pˇr´ıpadˇe ideáln´ıho obrázku výˇskového profilu také jsou. Nicménˇe profily jsou velmi r˚uznorodé a kaˇzdá z metod má své výhody.

Obˇe strategie jsou problematické v pˇr´ıpadˇe, ˇze se v obrázku vyskytuje stejná barva, která oznaˇcuje výˇskový profil i pro jiné úˇcely. M˚uˇze j´ım být textový popis, ˇci zvýraznˇen´ı nˇejaké prémie. Vhodnou kombinac´ı tˇechto metod m˚uˇzeme problém odstranit.

Za vˇerohodnˇe stanovenou výˇsku metodou shora pup(x) a metodou zdola pdown(x) pro x-tý sloupec prohlás´ıme x-tý sloupec, který spln´ı podm´ınku

|p_down(x) − p_up(x)| ≤ k_relativek_height, x ∈ {0, ..k_width−1}, k_relative ∈ h0, 1i, (4.3) a pro usnadnˇen´ı si tak´e nadefinujeme funkci

p(x) =







1, |pdown(x) − pup(x)| ≤ krelativekheight

0, ostatn´ı







(4.4)

kde k_relative je relativn´ı velikost moˇzné chyby, a byla zvolena hodnota k_relative = 0.05. Porovnán´ım výsledk˚u, z dvou rozd´ılných metod, prakticky vylouˇc´ıme moˇznost

(35)

nalezen´ı podobné barvy, která vˇsak nepˇredstavuje výˇsku závodu. Tato metoda bude m´ıt za d˚usledek ˇcastˇeji nestanovenou výˇsku v rámci vybraného sloupce, avˇsak spo- lehlivost správnˇe stanoveného pixelu bude vyˇsˇs´ı.

Stanoven´ı souˇradnice vˇerohodn´eho pixelu

Kombinaci metod budeme vyuˇz´ıvat jen pro stanoven´ı x-ové souˇradnice vˇerohodného pixelu, coˇz je taková souˇradnice, o které lze s velkou pravdˇepodobnost´ı prohlásit, ˇze jej´ı výˇsku lze velmi pˇresnˇe urˇcit základn´ımi metodami shora a zdola. U takové souˇradnice pak lze stanovit tˇemito metodami, prakticky bez rizika chyby, hledanou výˇsku a tu pak vyuˇz´ıt v metodách s omezen´ım. Pokud bychom stanovili vˇerohodnou souˇradnici pˇri prvn´ı splnˇené podm´ınce (4.3) stále by existovalo riziko, ˇze nebyla zvolena správnˇe. Profil trasy se zejména nenacház´ı na celé jeho ˇs´ıˇrce. Takˇze se pokus´ıme rizikovým oblastem obrázku, pokud to bude moˇzné, vyhnout.

K doc´ılen´ı spolehlivých výsledk˚u celý obrázek rozdˇel´ıme na t ˇcást´ı podle osy x, budeme tedy hledat v menˇs´ıch intervalech. Mnoˇziny x-ových souˇradnic Ti jsou tedy dány jako

T_i = {b(k_width− 1)(i − 1)

t c, d(k_width− 1)(i)

t e}, i ∈ {1, ..t}, ∀|T_i| ≥ k₂, k₂ ∈ 2n+1, n ∈ N, (4.5) kde k₂ je poˇcet po sobˇe jdouc´ıch x-ových souˇradnic v intervalu T_i, pro které mus´ı platit (4.3). Prostˇredn´ı z tˇechto k₂ souˇradnic pˇredstavuje námi hledanou výchoz´ı souˇradnici, která je dále pouˇz´ıvána. Pro zvýˇsen´ı d˚uvˇeryhodnosti celé mnoˇziny T_i zavedeme podm´ınku

P|T_i|

j=1p(T_i,j)

|T_i| < k₃, k₃ ∈ h0, 1i (4.6) kde k₃je relativn´ı úspˇeˇsnost urˇcuj´ıc´ı podobnost stanoven´ı pixelu pomoc´ı dvou rozd´ılných metod na dané mnoˇzinˇe x-ových souˇradnic.

Poˇcet souˇradnic, které by splnily uvedené podm´ınky m˚uˇze být velmi rozsáhlý.

K dalˇs´ımu postupu vˇsak potˇrebujeme pouze jedinou a tak vybereme prvn´ı, která kritéria spln´ı. Abychom nejprve vyhledávali mezi nejlepˇs´ımi kandidáty na stanoven´ı vˇerohodné souˇradnice, budeme prohledávat mnoˇziny T_i v následuj´ıc´ım poˇrad´ı {T_b^{|T |}

2 c, T_b^{|T |}

2 c+1, T_b^{|T |}

2 c−1, .., T_t, T₁}.

(36)

Omezen´ı metod

Metoda shora i zdola trp´ı zásadn´ım problémem, který spoˇc´ıvá v moˇzném zanesen´ı podobné barvy do obrázku nesouvisej´ıc´ı s profilem trasy. Výraznˇe vylepˇsit lze tak, ˇze se omez´ı hledán´ı, v sloupci pixel˚u, jen na urˇcitou ˇcást. Pokud nebudeme prohledávat oblasti, které jistˇe nemohou obsahovat hledanou výˇsku, vyhneme se potenciálnˇe moˇzným chybám. Potˇrebujeme tedy co nejv´ıce zúˇzit mnoˇzinu sloupce, kde hledáme.

Zároveˇn se, ale nesm´ı mnoˇzina zmenˇsit pˇr´ıliˇs, mohli bychom i úplnˇe vynechat hledaný pixel.

U základn´ıch metod operujeme v kaˇzdém sloupci s mnoˇzinou P⁰ = {0, 1, ..k_height− 1}. Tuto mnoˇzinu, vˇsak bez jakýchkoliv dalˇs´ıch znalost´ı, zúˇzit nelze. Z praktického hlediska vˇsak v´ıme, ˇze vozovka vytváˇr´ı prakticky spojitou funkci a jej´ı sklon, jistˇe nem˚uˇze být vˇetˇs´ı neˇz 30%. Takové silnice se zkrátka obvykle v˚ubec nebuduj´ı, v silniˇcn´ı cyklistice se na tento údaj m˚uˇzeme pomˇernˇe dobˇre spolehnout. V obrázku vˇsak pracujeme pouze s pixely a také se zde vyskytuj´ı urˇcité chyby. Zároveˇn m˚uˇze být profil v r˚uzném pomˇeru os x a y.

Pokud m´ame tedy danou pozici pixelu P₁ = [x₁, y₁], m˚uˇzeme podle naˇseho pˇredpokladu tvrdit, ˇze pixel P₂ = [x₂, y₂] bude m´ıt souˇradnici y₂omezenou podm´ınkou

y₁− |x₁− x₂|k_multiple≤ y₂ ≤ y₁ + |x₁− x₂|k_multiple, (4.7) kde k_multiple je koeficient moˇzné zmˇeny v ose y v závislosti na ose y. Zavád´ıme tedy omezen´ı na jiném sloupci, ideálnˇe s co moˇzná nejbliˇzˇs´ı souˇradnic´ı na ose x. Tato závislost je jediným rozd´ılem oproti metodám, které jsou popsány výˇse. Metoda shora s omezen´ım zˇrejmˇe mus´ı zaˇc´ınat na souˇradnici y₂ = y₁+ |x₁ − x₂|k_multiple+ k_detect, kde k_detect oznaˇcuje poˇcet detekˇcn´ıch pixel˚u. Metoda zdola pak zaˇc´ıná na souˇradnici y₂ = y₁− |x₁− x₂|k_multiple− k_detect

Pokroˇcilé metody s omezen´ım nejprve stanov´ı výchoz´ı(vˇerohodný) pixel P_v = (x_v, y_v) a dále pokraˇcuj´ı na pixel P_v+1 = [x_v + 1, y_v + 1], kde se pomoc´ı omezené metody shora ˇci zdola urˇc´ı y_v+1. Obdobným zp˚usobem se dále pokraˇcuje na dalˇs´ı pixely, dokud nenaraz´ıme na posledn´ı souˇradnici na ose x. Omezuj´ıc´ı podm´ınka se aplikuje pro nejbliˇzˇs´ı zjiˇstˇený pixel. Takto jsme urˇcili vˇsechny hledané pixely pravostranné ˇrady x-ových souˇradnic X_r = {x_v, x_v+1, x_v+2, ..x_k_width−1}. Stejným

(37)

postupem urˇc´ıme i postupnˇe y-ov´e souˇradnice k pixel˚um s x-ov´ymi souˇradnicemi X_l = {x_v, x_v− 1, x_v − 2, .., x₀}.

Ve výchoz´ı implementaci jsou zvoleny konstanty k_detect = 10, k_multiple = 5, které bezpeˇcnˇe zaruˇc´ı moˇznost naj´ıt hledaný pixel. Metody s omezen´ım nejprve potˇrebuj´ı naj´ıt vˇerohodný pixel, coˇz je pomˇernˇe výpoˇcetnˇe nároˇcný algoritmus. Pˇresto jsou d´ıky omezen´ı, celkovˇe rychlejˇs´ı neˇz metody základn´ı, a zároveˇn maj´ı schopnost lépe rozpoznat hledaný profil trasy. Drobnou nevýhodou je nutnost pˇresnˇejˇs´ıho nastaven´ı limitu barev, které jsou rozpoznávány pˇri stanoven´ı vˇerohodného pixelu.

4.4.2 Hranov´ a detekce

Navrˇzená metoda sloupcové detekce vykazuje ve velkém mnoˇzstv´ı pˇr´ıpad˚u velice dobré výsledky, v nˇekterých vˇsak selhává. Jiˇz u sloupcové detekce byla zavedena závislost na ostatn´ıch sloupc´ıch, jelikoˇz nadmoˇrská výˇska silnice v obrázku pˇredstavuje hranu. Nab´ız´ı se tedy moˇznost vyuˇz´ıt detekci hran, která je v oblasti rozpoznáván´ı obrazu velmi dobˇre známa.

Potˇrebujeme z´ıskat hrany z obrázku, který znázorˇnuje profil závodu. Hrany stanov´ıme pomoc´ı Cannyho detektoru, který se skládá ze 4 základn´ıch krok˚u. Nejprve eliminuje ˇsum pomoc´ı Gaussova filtru, následnˇe se stanov´ı gradient, naleznou lokáln´ı maxima a nakonec se eliminuj´ı nevýznamné hrany. K realizaci v programovac´ım jazyce vyuˇzijeme knihovnu OpenCV . Vstupn´ı obrázek nejprve pˇrevedeme do odst´ın˚u ˇsedi, pomoc´ı funkce cvtColor. Následnˇe jej pomoc´ı funkce blur vyhlad´ıme filtrem o velikosti 3 x 3. A na konec pouˇzijeme funkci Canny, která vytvoˇr´ı hrany podle Can- nyho detektoru. Uvedený postup je volen pˇresnˇe dle tutoriálu vyuˇzité knihovny [18].

Velmi d˚uleˇzitá je volba horn´ıho a doln´ıho prahu pro detektor. Tato volba výraznˇe ovlivˇnuje mnoˇzstv´ı detekovaných hran. Na obrázku 4.3 vid´ıme výsledek detekce v pˇr´ıpadˇe velmi n´ızkého prahu. Doˇslo tedy k nalezen´ı velkého poˇctu hran, i takových, které profil v˚ubec nevyznaˇcuj´ı. Následné odhalen´ı správné hrany by tak bylo velmi sloˇzité.

Na obrázku 4.4 naopak vid´ıme vhodnˇe zvolený prah, který poˇcet hran velmi omezil. Pˇrestoˇze se jedná o ideáln´ı obrázek, s velmi vhodnˇe zvoleným prahem pro detekci hran, stále byly nalezeny i takové hrany, které nepˇredstavuj´ı výˇskový profil trasy. K ideáln´ımu pˇr´ıpadu, kdy by byly nalezeny jen hrany pˇredstavuj´ıc´ı hledaný

(38)

Obr´azek 4.3: Pˇr´ıliˇs n´ızk´y prah pro detekci hran

Obrázek 4.4: Vhodnˇe zvolený prah pro detekci hran profil, vˇsak prakticky nikdy nedocház´ı.

Detekované hrany máme nyn´ı uloˇzeny v matici, kterou pˇredstavuje tˇr´ıda M at a má rozmˇery identické vstupn´ımu obrázku, z nˇehoˇz jsou hrany vytvoˇreny. Hodnoty v x-tém ˇrádku a y-tém sloupci této matice jsou dány funkc´ı m(x, y) ∈ {0, 1}. V pˇr´ıpadˇe, ˇze m(x, y) = 1 byla na y-tém sloupci a x-tém ˇrádku detekována hrana.

Nalezen´ı správné hrany zˇrejmˇe, bez dalˇs´ıch znalost´ı, nen´ı moˇzné. Automatická detekce i vzhledem k dalˇs´ım okolnostem, jiˇz byla dˇr´ıve vylouˇcena. Necháme tedy uˇzivatele vybrat správnou hranu manuálnˇe. Uˇzivatel bude vyzván, aby myˇs´ı vybral pixel z obrázku, který je souˇcást´ı hledané hrany. Pixel bude m´ıt souˇradnice xc ∈ {0, ..k_length− 1}, y_c∈ {0, ..k_height− 1}. Máme tedy pˇredpoklad, ˇze hledaná hrana by se mˇela nacházet velmi bl´ızko souˇradnic´ım x_c, y_c.

Nadefinujme si funkci, která hledá nejbliˇzˇs´ı hranu v rámci vybraného sloupce f_e(x, y, x_last, k), kde (x, y) jsou souˇradnice, kde pˇredpokládáme hledanou hranu a

(39)

x_last je x-ová souˇradnice poslednˇe nalezené hrany a k je koeficient omezuj´ıc´ı hledán´ı hrany. Funkce bude vracet y-ovou souˇradnici y_f, kde y_f bude prvn´ı souˇradnice, která spln´ı podm´ınku m(x, y_h) = 1, ve které je dosazováno v daném poˇrad´ı y_h ∈ {y, y + 1, y − 1, y + 2, y − 2, ..}, 0 ≤ y_h ≤ k_height− 1&|y_h− y| ≤ |x − x_last|k.

Vyjdˇeme tedy ze souˇradnic (x_c, y_c) k nim nalezneme prvn´ı skuteˇcnou polohu hrany (x_c, f_e(x_c, y_c, x_c− 1)). Pokud funkce f_e uspˇ´ eˇsnˇe nalezla hranu, budeme po- kraˇcovat ve zjiˇst’ován´ı dalˇs´ı souˇradnice a bude m´ıt hodnotu (xc+1, fe(xc, fe(xc, yc, xc− 1), x_c)), v opaˇcném pˇr´ıpadˇe pokraˇcujeme také, ale posledn´ı úspˇeˇsnˇe vyhledaná souˇradnice z˚ustává p˚uvodn´ı, takˇze následuj´ıc´ı poloha bude m´ıt souˇradnice (x_c+ 1, f_e(x_c, y_c, x_c− 1)). Stejným zp˚usobem vyhledáme i vˇsechny následuj´ıc´ı souˇradnice. Z´ıskáme tak vˇsechny souˇradnice vpravo od prvn´ıho vyhledaného pixelu. Od výchoz´ıho pixelu následnˇe budeme postupovat i opaˇcným smˇerem, postup je analogický, jen výchoz´ı souˇradnice xlast = xc + 1. Zjednoduˇsenˇe m˚uˇzeme ˇr´ıct, ˇze z výchoz´ıho pixelu po- kraˇcujeme obˇema smˇery po hledané hranˇe a detekujeme tak pouze ji. Problémy tak nastávaj´ı jen v pˇr´ıpadˇe, ˇze se hrany navzájem prot´ınaj´ı.

4.4.3 Stanoven´ı v´ yˇ skov´ eho profilu

Pro pˇrepoˇcten´ı nalezeného profilu z pixel˚u, na nadmoˇrskou výˇsku a vzdálenost od startu, nám postaˇc´ı záznam s nalezenými pixely (x_i, y_i), 0 ≤ i ∈ N ≤ k_width − 1. Dále z tˇechto hodnot spoˇcteme nejmenˇs´ı, respektive nejvˇetˇs´ı hodnoty na obou osách, které oznaˇc´ıme x_min, x_max, y_min, y_max. Rovnˇeˇz mus´ıme znát vzdálenost závodu l, nejvyˇsˇs´ı (h_max) a nejniˇzˇs´ı (h_min) nadmoˇrskou výˇsku. Na základˇe tˇechto hodnot jsme jiˇz schopni stanovit libovolnou nadmoˇrskou výˇsku a vzdálenost u kaˇzdého pixelu.

Nadmoˇrskou v´yˇsku ve vybran´em pixelu vypoˇcteme jako h_height(y) = y_zero+ y_coefy; y_coef = h_max− h_min

y_max− y_min; y_zero= h_min− y_miny_coef, (4.8) kde y je y-ová souˇradnice pixelu v obrázku, y_zero je nadmoˇrská výˇska odpov´ıdaj´ıc´ı nejniˇzˇs´ımu pixelu a y_coef je pˇr´ıbytek nadmoˇrské výˇsky pˇri posunu o jeden pixel nahoru. Obrázky jsou indexované vˇzdy od levého horn´ıho rohu, který má tedy souˇradnice (0, 0). Je tedy velmi d˚uleˇzité s t´ım pˇri implementaci poˇc´ıtat.

l(x) = (x − x_min)l_pp; l_pp= l

x_max− x_min, (4.9)

(40)

kde x je x-ová souˇradnice pixelu v obrázku, l_pp je pˇr´ır˚ustek vzdálenosti pˇri pohybu o 1 pixel dále.

4.4.4 Grafick´ e rozhran´ı

Uvedené metody a implementované algoritmy, vzhledem k r˚uznorodým obrázk˚um, nemohou být zcela univerzáln´ı a bezchybné. Proto bylo vytvoˇreno grafické rozhran´ı, pomoc´ı kterého uˇzivatel m˚uˇze jednoduˇse zvolit vhodná ˇreˇsen´ı a vykonává i funkci kontrolora.

Pomoc´ı Scene Builderu byl vytvoˇren základn´ı vzhled grafického rozhran´ı. Mo- del z návrhového vzoru MVC pˇredstavuje tˇr´ıda ImageT oP rof ileConvertor, controller pak ImageT oP rof ileController. Aby mohlo grafické rozhran´ı i model bˇeˇzet zdánlivˇe souˇcasnˇe (pseudoparalelnˇe) nebo v pˇr´ıpadˇe v´ıcejádrového poˇc´ıtaˇce úplnˇe pa-

ralelnˇe, mus´ı rozhran´ı i model bˇeˇzet v jiném vláknˇe. Proto tˇr´ıda ImageT oP rof ileConvertor implementuje rozhran´ı Runnable. Uˇzivatel nejprve naˇcte obrázek, ze kterého chce

vytvoˇrit výˇskový profil. Realizace je velmi jednoduchá s vyuˇzit´ım tˇr´ıdy F ileChooser a jej´ı metody showOpenDialog, pomoc´ı niˇz m˚uˇzeme do naˇs´ı aplikace nahrát libo- volný obrázek. Tˇr´ıda F ileChooser umoˇzˇnuje nab´ızené soubory filtrovat. Uˇzivateli tedy nab´ıdneme moˇznost výbˇeru pouze ze soubor˚u, které jsou obrázky pomoc´ı tˇr´ıdy ExtensionF ilter. Také pˇridáme speciáln´ı filtr, který nab´ıdne pouze takové obrázky, jejichˇz profily zat´ım nebyly pˇridány do databáze. Obrázky maj´ı pˇred kon- covkou jméno odpov´ıdaj´ıc´ı atributu url id z tabulky cycling race. Sql dotaz, který vybereme vˇsechny závody, které nemaj´ı záznam v tabulce cycling prif ile vypadá následovnˇe

SELECT url_id FROM CYCLING_RACE

WHERE id NOT IN (SELECT DISTINCT(race_id) FROM cycling_profile) AND id_relation IS NULL

Atribut id relation mus´ı být NULL, jinak by se jednalo o celkové výsledky eta- pových závod˚u, u kterých vˇsak ˇzádný profil nem˚uˇzeme nalézt. Takový obrázek se samozˇrejmˇe ani nikde vyskytovat nem˚uˇze, takˇze by nebylo chybou tuto podm´ınku vynechat, ale zbyteˇcnˇe bychom pˇridávali filtry, které nejsou potˇreba.

Po naˇcten´ı se obrázek zobraz´ı v aplikaci a zároveˇn se automaticky dopln´ı délka

(41)

Obrázek 4.5: Grafická aplikace pro hledán´ı výˇskového profilu

závodu podle údaje, který je uloˇzen v databázi. Pokud by údaj neodpov´ıdal, m˚uˇze jej uˇzivatel pˇrepsat a posléze bude spoleˇcnˇe s profilem uloˇzen. Obsluha programu následnˇe mus´ı vyplnit informace o nadmoˇrské výˇsce. Bud’ vypln´ı minimáln´ı a ma- ximáln´ı nadmoˇrskou výˇsku, nebo nadmoˇrskou výˇsku na startu a v c´ıli závodu za podm´ınky, ˇze se nerovnaj´ı. Pomoc´ı tˇechto údaj˚u následnˇe m˚uˇze být vypoˇcten skuteˇcný výˇskový profil. Nyn´ı pˇricház´ı na ˇradu samotné rozpoznáván´ı profilu, uˇzivatel si m˚uˇze vybrat ze 4 základn´ıch funkc´ı, které jsou výˇse popsány. V pˇr´ıpadˇe sloupcové metody shora, zdola, nebo jej´ı kombinace, je tˇreba zadat práh pro oznaˇcen´ı barvy za shod- nou pomoc´ı slideru (posuvného tlaˇc´ıtka) a kliknut´ım myˇsi vybrat barvu profilu z

(42)

obrázku. Po kliknut´ı se zaˇcne okamˇzitˇe poˇzadavek zpracovávat. Výsledek je následnˇe zobrazen pod obrázkem origináln´ıho obrázku.

V pˇr´ıpadˇe výbˇeru hranové detekce je tˇreba nejprve pomoc´ı slideru vybrat vhodný práh pro vytvoˇren´ı hran. Detekce je velmi rychlá a tak se uˇzivateli okamˇzitˇe pˇri pohybu sliderem zobrazuje. Poté, co je uˇzivatel s detekovanými hranami spokojen, klikne na spodn´ı obrázek a ten nahrad´ı obrázek p˚uvodn´ı. Dále jiˇz staˇc´ı jen kliknout myˇs´ı pobl´ıˇz hledané hrany a program opˇet zobraz´ı v doln´ım obrázku nalezenou hranu.

Na obrázku4.5 vid´ıme výslednou aplikaci, kde bylo pouˇzito kombinované sloup- cové detekce. Na detekovaném obrázku je ˇcervenou barvou znázornˇen profil vyhle- daný vlevo od vˇerohodného pixelu a ˇcernou profil vpravo. Uˇzivatel m˚uˇze mˇenit metody detekce a prahy, neˇz je spokojen s výsledkem. Po zobrazen´ı obrázku s dete- kovaným profilem se aktivuje tlaˇc´ıtko pro uloˇzen´ı profilu.