Técnicas de visão computacional são utilizadas em diversos contextos com o objetivo de extrair informações a partir de imagens e vídeos. Uma das áreas do conhecimento que tem se beneficiado com a utilização de tais técnicas é a ciência do esporte. Essa abordagem é uma alternativa de baixo custo e não intrusiva, já que não é necessário a aquisição de nenhum equipamento adicional e nem a utilização de sensores fixados ao corpo dos atletas. A aplicação dessas técnicas em vídeos de escalada esportiva de velocidade pode ajudar profissionais da área a otimizarem os treinamentos e a detectarem pontos de melhoria dos atletas. Nesse contexto, o presente trabalho tem por objetivo validar que técnicas de visão computacional podem ser utilizadas para estimar a posição dos atletas de escalada durante provas de velocidade, de forma que os resultados obtidos sejam estatisticamente significativos se comparados com outros métodos já consolidados na área da ciência do esporte. Foi realizada uma revisão sistemática da literatura para levantar as técnicas de visão computacional mais utilizadas para a avaliação física de atletas. O próximo passo foi o desenvolvimento de um algoritmo que utiliza duas redes neurais convolucionais distintas para detectar os atletas e as agarras nas imagens. Diversas técnicas computacionais são aplicadas para combinar os dados obtidos e mapear a posição dos escaladores para dimensões do mundo real. O algoritmo foi testado em uma base de dados contendo diversas provas de escalada de velocidade e foi capaz de reconstruir a trajetória do atleta. Para validar o algoritmo um frame de cada vídeo da amostra (n=80) foi escolhido aleatoriamente e os resultados obtidos foram comparados aos dados resultantes da medição manual. O erro médio mensurado foi de 55,5+/-64,9 milímetros na medição vertical. Tal resultado demonstra a viabilidade de se utilizar técnicas de visão computacionais para se reconstruir a estimativa de atletas de escalada durante provas de velocidade. Espera-se que a ferramenta desenvolvida ajude profissionais da ciência do esporte a otimizarem o treino de atletas e que novas ferramentas de baixo custo possam ser derivadas da presente pesquisa.

Computer vision techniques are used in several contexts in order to extract information from images and videos. One of the areas of knowledge that has benefited from the use of such techniques is sport science. This approach is a low-cost and non-intrusive alternative, since it is not necessary to purchase any additional equipment or use sensors attached to the athletes' body. The application of these techniques in sports speed climbing videos can help professionals in the field to optimize training and detect points of improvement in athletes. In this context, the present work hypothesizes that computer vision techniques can be used to estimate the position of climbing athletes during speed climbs so that the results obtained are statistically comparable to the results of other methods already consolidated in the field of sport science. First, a systematic review of the literature was carried out to list out the computer vision techniques most used for the physical evaluation of athletes. The next step was the development of an algorithm that uses two distinct convolutional neural networks to detect athletes and holds in the images. Several computational techniques are applied to combine the obtained data and map the position of the climbers to real world dimensions. The algorithm was tested on a database containing several speed climbing events and was able to reconstruct the athlete's trajectory. To validate the algorithm, one frame of each video in the sample (n=80) was randomly chosen and the results obtained were compared to data resulting from manual measurement. The mean error measured was 55.5+/-64.9 millimeters in the vertical measurement. This result demonstrates the viability of using computational vision techniques to reconstruct the estimation of climbing athletes during sprint events. It is expected that the developed tool will help sports science professionals to optimize the training of athletes and that new low-cost tools can be derived from the present research.