CN111936212A - 使用卷积神经网络对体育运动中的赛事进行检测的方法 - Google Patents
使用卷积神经网络对体育运动中的赛事进行检测的方法 Download PDFInfo
- Publication number
- CN111936212A CN111936212A CN201980018888.2A CN201980018888A CN111936212A CN 111936212 A CN111936212 A CN 111936212A CN 201980018888 A CN201980018888 A CN 201980018888A CN 111936212 A CN111936212 A CN 111936212A
- Authority
- CN
- China
- Prior art keywords
- attack
- team
- tracking data
- computing system
- data streams
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 230000004807 localization Effects 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 16
- 230000007123 defense Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 abstract description 16
- 238000005755 formation reaction Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 21
- 239000003795 chemical substances by application Substances 0.000 description 20
- 238000007781 pre-processing Methods 0.000 description 18
- 230000009471 action Effects 0.000 description 14
- 230000008520 organization Effects 0.000 description 13
- 238000013459 approach Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 101000896080 Homo sapiens E3 ubiquitin-protein ligase BRE1B Proteins 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 102000046656 human RNF40 Human genes 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
- A63F13/812—Ball games, e.g. soccer or baseball
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
- G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
- G11B27/10—Indexing; Addressing; Timing or synchronising; Measuring tape travel
- G11B27/19—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier
- G11B27/28—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier by using information signals recorded by the same method as the main recording
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30221—Sports video; Sports image
- G06T2207/30228—Playing field
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physical Education & Sports Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Debugging And Monitoring (AREA)
Abstract
本文公开了一种对定位进攻中的防守队形和进攻队形进行标识的方法。计算系统接收一个或更多个跟踪数据流。该计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻。该计算系统识别第一球队的防守队形和第二球队的进攻队形。该计算系统通过将定位进攻传递通过卷积神经网络,经由该卷积神经网络提取与由第一球队实现的防守队形的类型相对应的一个或更多个特征。该计算系统经由机器学习算法对定位进攻进行扫描,以识别指示由第二球队实现的进攻队形的类型的一个或更多个特征。该计算系统推导由第一球队实现的防守队形的类型。
Description
相关申请的交叉引用
本申请要求对2018年1月21日提交的美国临时申请序列号No.62/619,896的引用,其全部内容通过引用而并入于此。
技术领域
本公开总体上涉及对进攻球队队形(alignment)与防守球队队形进行分类的系统和方法。
背景技术
在2016-2017赛季的英超联赛中,所有进球(goal scored)中约有16%来自定位进攻(set-piece)(例如,角球和任意球)。然而,作为球队,这些数字之间也存在着很大的差异,诸如West Bromwich Albion在他们的43个进球中的16个进球来自于定位进攻(>他们的进球数的35%),而其他球队在他们的进球数中从定位进攻获得的进球不到7%(例如,Sunderland在他们的29个进球中从定位进攻获得2个进球)。世界足球方面最富的球队与最穷的球队之间的资源差距各个赛季变得越来越大,如在Neymar身上花费了创纪录的2.2亿欧元的Paris Saint-Germain所证明的,Neymar打进了15个球。小市场球队以有效的定位进攻策略的价格复制相同的进球输出的能力是可以加以利用的市场低效率。因此,可以帮助球队利用这种低效率的新方法将是一个关键优势。
发明内容
本文所公开的实施方式总体上涉及对进攻球队队形与防守球队队形进行分类的系统和方法。在一些实施方式中,本文公开了一种对定位进攻中的防守队形和进攻队形进行识别的方法。计算系统接收与一个或更多个比赛相关联的一个或更多个跟踪数据流。该计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻。该计算系统识别第一球队的防守队形和第二球队的进攻队形。该计算系统通过使定位进攻通过卷积神经网络,来经由该卷积神经网络提取与由第一球队实现的防守队形的类型相对应的一个或更多个特征。该计算系统经由机器学习算法对定位进攻进行扫描,以识别指示由第二球队实现的进攻队形的类型的一个或更多个特征。该计算系统经由机器学习算法,至少基于所述一个或更多个识别的特征以及所述一个或更多个提取的特征,来推断由第一球队实现的防守队形的类型。
在一些实施方式中,本文公开了一种对定位进攻中的防守队形和进攻队形进行识别的系统。所述系统包括处理器和存储器。该存储器上存储有编程指令,该编程指令在由处理器执行时,执行一个或更多个操作。一个或更多个操作包括:与一个或更多个比赛相关联的一个或更多个跟踪数据流。所述一个或更多个操作还包括:识别所述一个或更多个跟踪数据流中包含的定位进攻。所述一个或更多个操作还包括:识别第一球队的防守队形和第二球队的进攻队形。所述一个或更多个操作还包括:通过使定位进攻通过卷积神经网络,来经由该卷积神经网络提取与由第一球队实现的防守队形的类型相对应的一个或更多个特征。所述一个或更多个操作还包括:经由机器学习算法对定位进攻进行扫描,以识别指示由第二球队实现的进攻队形的类型的一个或更多个特征。所述一个或更多个操作还包括:经由机器学习算法,至少基于所述一个或更多个识别的特征以及所述一个或更多个提取的特征,来推断由第一球队实现的防守队形的类型。
在一些实施方式中,公开了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质包括一个或更多个指令序列,所述一个或更多个指令序列在由一个或更多个处理器执行时,使执行一个或更多个操作。计算系统接收与一个或更多个比赛相关联的一个或更多个跟踪数据流。该计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻。该计算系统识别第一球队的防守队形和第二球队的进攻队形。该计算系统通过使定位进攻通过卷积神经网络,来经由该卷积神经网络提取与由第一球队实现的防守队形的类型相对应的一个或更多个特征。该计算系统经由机器学习算法对定位进攻进行扫描,以识别指示由第二球队实现的进攻队形的类型的一个或更多个特征。该计算系统经由机器学习算法,至少基于所述一个或更多个识别的特征以及所述一个或更多个提取的特征,来推断由第一球队实现的防守队形的类型。
附图说明
按照可以详细理解本公开的上述特征的方式,上面简要概述的本公开的更具体描述可以参照实施方式进行,其中一些在附图中进行了例示。然而,要注意,附图仅例示了本公开的典型实施方式,并由此,不应被视为对本公开范围的限制,对于本公开来说,可以允许其它等效实施方式。
图1是例示根据示例实施方式的计算环境的框图。
图2是例示根据示例实施方式的可以定义机器学习模块的一个或更多个手动创建的(hand-crafted)特征的定位进攻语法模型的框图。
图3A是例示根据示例实施方式的定位进攻的防守队形的图形表示的框图。
图3B是例示根据示例实施方式的定位进攻的防守队形的图形表示的框图。
图3C是例示根据示例实施方式的定位进攻的防守队形的图形表示的框图。
图4是例示根据示例实施方式的对卷积神经网络进行训练的方法的流程图。
图5是例示根据示例实施方式的对定位进攻的防守队形进行分类的方法的流程图。
图6是例示根据示例实施方式的对定位进攻的防守队形和进攻队形进行分类的方法的流程图。
图7A是例示根据示例实施方式的例示球队的进攻式和防守式定位进攻风格的Hinton图的框图。
图7B是例示根据示例实施方式的针对进攻风格和防守风格的一个或更多个图形要素的框图。
图7C是例示根据示例实施方式的针对进攻风格和防守风格的一个或更多个图形要素的框图。
图8A是例示根据示例实施方式的计算装置的框图。
图8B是例示根据示例实施方式的计算装置的框图。
为了易于理解,在可能的情况下,使用了相同的标号来指定图中公共的相同要素。设想的是,在一个实施方式中公开的要素可以在没有具体讲述的情况下有益地利用在其它实施方式上。
具体实施方式
本文所公开的一种或更多种技术总体上涉及一种用于在比赛期间对定位进攻中的防守队形和进攻队形进行分类和识别的系统和方法。例如,本文所描述的一种或更多种技术提出了一种属性驱动的定位进攻分析方法,该方法利用混合的深度学习法来检测复杂的属性,诸如防守标记方案和手动创建的特征,以使实现可解释性。
这样的技术不同于用于在比赛期间分析定位进攻的常规操作。特别地,在分析定位进攻的防守队形时,常规技术不足以捕获角球行为的细微差别。例如,先前的方法已经使用球员位置与角色的模板方法。这样的方法对于在运动战中提高预测任务可能很有用,诸如对射门的预期进球得分值进行预测或者在球员运动路径相对线性且角色交换很少的情况下对防守行为进行建模。然而,此类方法假定所有球员都是重要的并且存在于比赛中,这对于定位进攻来说通常并非如此。例如,某些进攻型球队可能会在后场保留三名后卫,这意味着可能有四名进攻球员对八名防守球员。
另一种常规方法涉及采取自下而上/特征创建方法,其中计算球员之间的距离和角度。然而,这种方法受到为捕获防守队形的细微差别所需的数量庞大且复杂的特征的限制。此外,由于球门周围的区域可能很小,并且接近球门的距离最重要,因此细微的移动可能因一些球员的大动作而被忽略。
即使目前的方法不足以捕获此类行为,细粒度的空间、可变数量的球员以及不同的运动模式(短传和长传)也适合基于图像的表示。本文所公开的一种或更多种技术通过实现深度学习方法来采用这种方法。
图1是例示根据示例实施方式的计算环境100的框图。计算环境100可以包括经由网络105进行通信的跟踪系统102、组织计算系统104以及一个或更多个客户端装置108。
网络105可以是任何合适的类型,包括经由互联网(诸如蜂窝网络或Wi-Fi网络)的各个连接。在一些实施方式中,网络105可以使用直接连接(诸如射频标识(RFID)、近场通信(NFC)、近场通信(NFC)、BluetoothTM、低能耗BluetoothTM(BLE)、Wi-FiTM、ZigBeeTM、环境背向散射通信(ABC)协议、USB、WAN或LAN)来连接终端、服务以及移动装置。由于发送的信息可能是个人信息或机密信息,因此安全性考虑可能要求对这些类型的连接中的一种或更多种进行加密或者以其它方式加以保护。然而,在一些实施方式中,正在发送的信息可能不那么个人化,因此为了方便而非安全,可以选择网络连接。
网络105可以包括被用于交换数据或信息的任何类型的计算机连网布置。例如,网络105可以是互联网、专用数据网络、使用公共网络和/或其它合适连接的虚拟专用网络,该连接使计算环境100中的组件能够在环境100的组件之间发送和接收信息。
跟踪系统102可以位于比赛地点106中。例如,可以将比赛地点106配置成主办包括一个或更多个队员112的体育赛事。可以将跟踪系统102配置成记录比赛场地上所有队员(即,球员)的运动,以及一个或更多个其它相关对象(例如,球、裁判员等)的运动。在一些实施方式中,跟踪系统102可以是例如使用多个固定摄像机的基于光学的系统。例如,可以使用具有六个固定的经校准的摄像机的系统,这些摄像机可以将球员和球的三维位置投影到赛场的二维俯视图上。在一些实施方式中,跟踪系统102可以是基于无线电的系统,该基于无线电的系统例如使用由球员佩戴或嵌入在要跟踪的对象中的射频标识(RFID)标签。通常,可以将跟踪系统102配置成以高帧速率(例如,25Hz)进行采样和记录。可以将跟踪系统102配置成针对比赛文件110中的各个帧,至少存储比赛场地上所有队员和对象的球员身份和位置信息(例如,(x,y)位置)。
比赛文件110可以利用与所捕获的一个或更多个帧相对应的其它赛事信息来增强,诸如但不限于比赛赛事信息(传球、投篮、失误等)以及背景信息(当前得分、剩余时间等)。在一些实施方式中,比赛文件110可以包括比赛期间(例如,足球比赛中)的一个或更多个定位进攻。定位进攻可以被定义为比赛的一部分,其中比赛在中止之后开始(或重新开始)。示例性的定位进攻可以包括足球比赛中的角球或任意球、篮球比赛中的发边线球、曲棍球比赛中的争球等。
可以将跟踪系统102配置成经由网络105与组织计算系统104进行通信。可以将组织计算系统104配置成对跟踪系统102所捕获的数据进行管理和分析。组织计算系统104可以至少包括网络(Web)客户端应用服务器114、预处理引擎116、数据存储部118以及分类代理120。预处理引擎116和分类代理120中的每一个皆可以包括一个或更多个软件模块。所述一个或更多个软件模块可以是存储在介质(例如,组织计算系统104的存储器)上的表示实现一个或更多个算法步骤的一系列机器指令(例如,程序代码)的代码或指令的集合。这样的机器指令可以是组织计算系统104的处理器解释以实现该指令的实际计算机代码,或者另选地,可以是解释以获得实际计算机代码的指令的高级编码。所述一个或更多个软件模块还可以包括一个或更多个硬件组件。示例算法的一个或更多个方面可以由硬件组件(例如,电路)本身来执行,而不是作为指令的结果。
可以将分类代理120配置成对比赛进行的一个或更多个帧进行分析,并且对比赛中的特定球队的防守队形进行分类。例如,分类代理120可以利用属性驱动的定位进攻分析方法,该方法可以利用混合的深度学习方法来检测复杂的属性,诸如防守标记方案和手动创建的特征,以使实现可解释性。分类代理120可以包括机器学习模块128。机器学习模块128可以包括CNN 126以及一个或更多个预定义或手动创建的特征130。
可以将CNN 126配置成对与比赛期间的定位进攻相对应的一个或更多个跟踪数据集进行分析,并且提取球队的进攻结构和防守结构两者。在一些实施方式中,提供给CNN126的一个或更多个跟踪数据集可以具有基于图像的表示。例如,可以对CNN126进行训练,以基于训练的数据集来提取给定球队的一个或更多个防守结构。
可以将机器学习模块128配置成部分地基于一个或更多个预定义或手动创建的特征130,对来自一个或更多个跟踪数据集的一个或更多个提取特征进行分类。例如,可以将机器学习模块128训练成,基于由最终用户定义的一个或更多个手动创建的特征130,根据定位进攻的一个或更多个提取特征对进攻结构进行分类。还可以将机器学习模块128训练成基于定位进攻的一个或更多个提取特征对防守结构进行分类。例如,机器学习模块128可以包括用于对分类代理120所使用的预测模型进行训练的一个或更多个指令。为了对预测模型进行训练,机器学习模块128可以接收来自数据存储部118的一个或更多个数据流作为输入。所述一个或更多个用户活动流可以包括一个或更多个比赛中的一个或更多个提取的定位进攻特征。在一些实施方式中,机器学习模块128还可以接收所述一个或更多个手动创建的特征130作为输入。机器学习模块128可以实现一种或更多种机器学习算法以对预测模型进行训练。例如,机器学习模块128可以使用以下项中的一个或更多个:决策树学习模型、关联规则学习模型、人工神经网络模型、深度学习模型、归纳逻辑编程模型、支持向量机模型、聚类模式、贝叶斯网络模型、强化学习模型、典型学习模型、相似度和度量学习模型、基于规则的机器学习模型等。
因此,分类代理120可以实现学习要提取的一个或更多个特征的CNN 126与从相关特征中学习执行分类任务的机器学习模块128的组合。这样,分类代理120能够全面提供在特定的定位进攻中由进攻方采取的方法以及由防守方采取的方法的概述。
可以将预处理代理116配置成在向分类代理120输入之前对从数据存储部118取回的数据进行处理。例如,可以将预处理代理116配置成对所述一个或更多个跟踪数据流进行解析,以识别其中包含的一个或更多个定位进攻。然后,预处理代理116可以从一个或更多个数据流中提取跟踪数据的包括一个或更多个定位进攻的一个或更多个部分,并且对包含定位进攻的所述一个或更多个部分进行归一化以进行处理。
可以将数据存储部118配置成存储一个或更多个比赛文件122。可以由跟踪系统102捕获并生成各个比赛文件122。在一些实施方式中,所述一个或更多个比赛文件122中的各个比赛文件可以包括从特定比赛或事件捕获的所有原始数据。例如,从特定比赛或事件捕获的原始数据可以包括各个比赛中的各个定位进攻事件。
客户端装置108可以经由网络105与组织计算系统104进行通信。客户端装置108可以由用户操作。例如,客户端装置108可以是移动装置、平板计算机、台式计算机、或者具有本文所描述的能力的任何计算系统。用户可以包括但不限于个人,举例来说,如订户、客户端、预期的客户端、或者与组织计算系统104相关联的客户(诸如已经从与组织计算系统104相关联的实体获得、将获得或者可能获得产品、服务或咨询的个人)。
客户端装置108至少可以包括应用132。应用132可以表示允许访问网站的web浏览器或独立应用。客户端装置108可以访问应用132以访问组织计算系统104的一个或更多个功能。客户端装置108可以通过网络105进行通信,以例如从组织计算系统104的web客户端应用服务器114请求网页。例如,可以将客户端装置108配置成执行应用132,以访问由web客户端应用服务器114管理的内容。可以将显示给客户端装置108的内容从web客户端应用服务器114发送至客户端装置108,并随后由应用132进行处理,以通过客户端装置108的图形用户界面(GUI)显示。
图2是例示根据示例实施方式的可以定义机器学习模块128的一个或更多个手动创建的特征130的定位进攻语法模型200的框图。通常,用于分析的信息可以至少包含队员和球的x,y坐标。在一些实施方式中,用于分析的信息还可以包括一个或更多个事件标签,诸如但不限于,头球、射门、解围(clearance)等。
为了捕获定位进攻的不断变化的态势,最终用户可以基于领域专业知识来定义定位进攻语法模型200(下文中称为“模型200”)。模型200可以定义在给定的定位进攻期间的事件的时间顺序,这可以允许在具有可变数量的阶段的定位进攻中进行鲁棒的识别。例如,角球应当以内弧线球横传(in-swinging cross)的方式开始,其可以在近侧门柱处摆渡(flicked-on)给第二名进攻球员以得分。这个示例有清楚的开始、中间以及结束。然而,在另一示例中,可以将进攻的任意球短传以将其横传到禁区,然后被防守球员解围,然后再被进攻球员重新获得,接着回传到禁区被守门员挡出(claim)而落在进攻球员的脚下进而得分。第二个示例要复杂得多,具有三个潜在的时刻即可以认为已完成定位进攻(例如,初始解围、守门员挡出或进球)。模型200尝试定义一种使得多个阶段能够发生的语法。
可以将模型200配置成捕获定位进攻的开始和结束以及在该定位进攻的开始与结束之间可能发生的特定类型的事件。这样的模型可使机器学习模块128摆脱只看定位进攻发球(delivery)之后的第一次触球,并且捕获哪些球队能够经由摆渡(flick-on)(例如,单传)和二次得球(其可以被认为是反弹)来产生进球。机器学习模块128还能够测量哪些防守球队能够转换成反击。
如图所示,各个设定进攻(set play)202可以以某种发球类型204开始。示例性的发球类型可以是内弧线球(in-swing)、外弧线球(out-swing)以及短传(例如,一次或更多次传球)。从204开始的一种可能路径可以是射门206。射门206可以导致进球208。从204开始的另一种可能路径可以是摆渡210。在一些实施方式中,摆渡210可能会导致进球212。在一些实施方式中,摆渡可能会导致转换214。例如,转换可能会导致反击(例如,进攻方变成防守方,防守方变成进攻方)或集结(build-up)。
从204开始的另一可能路径可以是发球类型204被防守220。从被防守220开始的一种可能路径可以是球出界/犯规222(例如,防守球员被犯规或球出界)。从被防守220开始的另一可能路径可以是二次得球222。例如,进攻球员可以将球射向守门员;守门员成功防住射门;以及该进攻球员(或另一进攻球员)经由反弹重获控制权。在一些实施方式中,在二次得球224之后,模型200可以恢复为发球类型204(即,进攻球员之间的另一次传递)。
可以将机器学习模块128训练成使用由模型200定义的一个或更多个手动创建的特征130对进攻队形进行分类。例如,可以将机器学习模块128训练成在对与定位进攻相对应的跟踪数据进行分析时,使用手动创建的特征执行预测。一旦为机器学习模块12布置了语法,还可以将细粒度信息(例如,发球的位置)并入机器学习处理中。
图3A至图3C例示了根据示例实施方式的定位进攻的防守安排(set-up)的一个或更多个图形表示。图3A表示在定位进攻期间人盯人防守(man-to-man coverage)的图形表示300。图3B表示在定位进攻期间防守(coverage)的混合方法(例如,人盯人和区域防守的混合)。图3C表示在定位进攻期间防守的区域盯人(zonal marking)方法。
如稍早所讨论的,即使常规的方法不足以捕获此类防守行为,细粒度的空间、可变数量的队员以及不同的运动模式(短传和长传)也适合基于图像的表示。这样,分类代理120可以利用CNN 126,例如通过识别局部边缘图案和/或交互,并将它们以分层方式组合在一起以更好地表示跟踪数据,来从与一个或更多个定位进攻相对应的一个或更多个跟踪数据集中学习一个或更多个相对预测特征。因此,可以将CNN 126训练成从定位进攻信息中提取这样的一个或更多个预测特征。
图4是例示根据示例实施方式的对CNN 126进行训练以对定位进攻的防守安排进行分类的方法400的流程图。方法400可以在步骤402开始。
在步骤402,预处理引擎116可以从数据存储部118接收一个或更多个比赛数据集。例如,预处理引擎116可以取回一个或更多个跟踪数据集以生成CNN 126的训练集。这样的比赛数据可以包括捕获每次触球的空间事件数据、以及x,y坐标和时间戳。
在步骤404,预处理引擎116可以针对一个或更多个比赛数据集中包含的一个或更多个定位进攻行动对一个或更多个比赛数据集进行解析。换句话说,可以将预处理引擎116配置成对一个或更多个比赛数据集进行过滤,以识别该比赛数据中包括定位进攻行动的那些部分。这样的定位进攻行动例如可以包括发角球或发任意球。
在步骤406,预处理引擎116可以从所述一个或更多个比赛数据集中提取出包含定位进攻前后的球员运动的一个或更多个部分。预处理引擎116可以从所述一个或更多个比赛数据集中提取出以下一个或更多个部分:所述一个或更多个部分包含发角球之前两秒钟的球员运动以及发角球之后两秒钟的球员运动。
在步骤408,CNN 126可以学习定义各个特定防守安排(例如,人盯人、混合盯人、区域盯人)的一个或更多个独特特征。在一些实施方式中,CNN 126还可以学习一个或更多个独特特征,这些独特特征定义了特定的防守球员位置,诸如防守方是否有球员在后门柱、后门柱/区、前门柱、前区、前门柱区、两个门柱等附近。例如,CNN 126可可以使用跟踪数据来经历反向传播处理,使得CNN 126可以学习各个防守安排的一个或更多个独特特征。在一些实施方式中,CNN 126的架构包括两个隐藏层。例如,CNN 126可以具有有80个神经元的第一隐藏层以及有50个神经元的第二隐藏层。尽管前述示例讨论了分别有80个神经元和50个神经元的隐藏层,但是本领域技术人员容易理解,这种讨论不应限于以上示例。例如,可以利用被用于与最终标签预测一齐使用的softmax logit函数,在各个层处应用线性整流函数(“ReLu”)激活。尽管在前述示例中可以使用ReLu激活,但是本领域技术人员可以容易理解,可以使用其它形式的激活。通过利用跟踪数据,CNN 126能够处理可变数量的队员,并且还可以捕获彼此附近的队员的交互,而无需手动构建各个帧的距离和角度。
图5是例示根据示例实施方式的对定位进攻的防守队形进行分类的方法500的流程图。方法500可以以步骤502开始。
在步骤502,分类代理120可以接收与比赛有关的跟踪数据。在一些实施方式中,可以由跟踪系统102捕获跟踪数据。在一些实施方式中,图像流可以是实况(或近实况)数据或历史数据。在一些实施方式中,跟踪数据可以具有类似图像的表示。在一些实施方式中,跟踪数据可以包括图像流,或者可以是存储在数据存储部118中的视频馈送。
在步骤504,预处理引擎116可以针对跟踪数据中包含的一个或更多个定位进攻行动对跟踪数据进行解析。换句话说,可以将预处理引擎116配置成对跟踪数据进行过滤,以识别该比赛数据中包括定位进攻行动的那些部分。这样的定位进攻行动例如可以包括发角球或发任意球、发界外球、罚球、争球(snap)、争球(faceoff)等。
在步骤506,预处理引擎116可以从跟踪数据中提取与发生定位进攻前后的球员运动相对应的一个或更多个部分。例如,预处理引擎116可以从跟踪数据中提取该跟踪数据的以下一个或更多个部分:所述一个或更多个部分包括在发角球之前两秒和在发角球之后两秒钟的球员运动。
在步骤508,CNN 126可以基于在训练过程中学习到的唯一标识符来提取一个或更多个设定进攻中的进攻方和防守方的一个或更多个特征。例如,CNN 126可以在跟踪数据中识别防守球队,并且提取其中包含的一个或更多个唯一标识符。这样的唯一标识符可以对应于人盯人、混合盯防以及区域盯防。CNN 126还能够识别防守方是否有防守球员在后门柱、后门柱/区、前门柱、前区、前门柱区、两个门柱等附近。在另一示例中,CNN 126可以在归一化的跟踪数据中识别进攻球队,并且提取其中包含的与进攻球队相对应的一个或更多个唯一标识符。
图6是例示根据示例实施方式的对定位进攻的进攻队形和防守队形进行分类的方法600的流程图。方法600可以在步骤602开始。
在步骤602,分类代理120可以接收与比赛有关的跟踪数据。在一些实施方式中,跟踪数据可以具有类似图像的表示。在一些实施方式中,跟踪数据可以包括图像流,或者可以是由跟踪系统102拍摄的视频馈送。例如,图像流可以是存储在数据存储部118中的视频馈送。通常,跟踪数据可以是实况(或近实况)数据或历史数据。
在步骤604,预处理引擎116可以对跟踪数据进行解析,以识别其中包含的一个或更多个定位进攻行动。换句话说,可以将预处理引擎116配置成对跟踪数据进行过滤,以识别该跟踪数据中包括定位进攻行动的那些部分。这样的定位进攻行动例如可以包括发角球或发任意球。
在步骤606,分类模块120可以从跟踪数据的包含定位进攻的一个或更多个部分提取与防守队形和进攻队形相关联的一个或更多个特征。例如,预处理引擎116可以从跟踪数据中提取包括发生定位进攻前后的球员运动的一个或更多个部分。CNN 126可以基于在训练过程中学习到的唯一标识符,从一个或更多个定位进攻行动中提取与防守方相对应的一个或更多个特征以及与进攻方相对应的一个或更多个特征。例如,CNN 126可以在跟踪数据中识别防守球队,定位其中包含的一个或更多个唯一标识符,并且从跟踪数据中提取与一个或更多个唯一标识符相对应的一个或更多个特征。
在步骤608,分类模块120可以基于一个或更多个提取的特征来识别进攻队形和防守队形。例如,机器学习模块128可以基于图2中定义的手动创建的特征130来识别进攻队形。机器学习模块128还可以基于上面结合图4执行的训练来识别防守阵容。
在步骤610,分类模块120可以确定各个定位进攻行动是否成功。换句话说,分类模块120可以确定进攻方是否得分(即,进攻方成功)或者防守方是否阻止了进攻方得分(即,防守方成功)。例如,分类模块120可以对定位进攻之后的一个或更多个图片帧进行分析,以确定得分是否已经改变。
在步骤612,分类模块120可以生成图形表示,该图形表示例示了跨定位进攻行动的各种防守和进攻风格的有效性。例如,分类模块120可以生成下面结合图7A讨论的Hinton图。
图7A是例示根据示例实施方式的例示球队的进攻式和防守式定位进攻风格的Hinton图700的框图。为了例示上述方法的益处,对2016/17赛季英超联赛所有球队的进攻和防守行为进行了分析。下表1A例示了所有球队在他们的进攻效率方面的排名。表1B例示了所有球队在他们的防守效率方面的排名。
表1
表2
虽然衡量哪些球队可以有效得分或防止定位进攻进球是有用的,但是仅这些信息不足以让教练在准备下一场比赛时采取行动。
Hinton图700例示了2016-17赛季英超联赛各支球队的平均进攻和防守的定位进攻风格,并且将他们在得分和防止进球两者上的效果进行了可视化。Hinton图700可以说明不同的球队具有不同的策略。例如,Chelsea和West Bromwich Albion都从定位进攻打进16球(不包括任意球直接射门)。然而,他们实现该目标的方法却大不相同。West BromwichAlbion的角球风格是高度可预测的,其中73%的角球采用内弧线球,而Chelsea使用内弧线球、外弧线球以及短角球的混合使得更加难以预测。
图7B和图7C是例示根据示例实施方式的针对进攻风格730和防守风格735的一个或更多个图形要素的框图。
为即将到来的比赛而侦察对手的问题之一是选择最相关的比赛进行分析。上一场比赛可能是单一示例,但是并不一定是最相关的,因为伤病、人员变动、主场对客场状态、降级/晋升以及自上一场比赛以来的时间可能会以复杂的方式影响给定比赛的“相关性”。因此,找到足够的示例可能会非常耗时。
分类代理120可以使球队侦察对手以更有效地分析他们的对手。例如,利用以上讨论的方法对进攻队形和防守队形进行分类,分类代理120还可以通过对平均球队行为进行聚类的、称为亲和力传播的方法来确定球队是否具有独特的进攻或防守风格。
例如,如图7B和图7C所示,在图形730中发现了6个进攻风格聚类,在图形735中发现了4个防守风格聚类。对于图形730,分类代理120找到了三个独特的球队(West BromwichAlbion(方形)、Manchester City(圆形)以及Bournemouth(三角形)。分类代理120还识别了两个球队(Southamptonhe和Watford)的聚类(菱形),以及两个较大的聚类,这两个较大的聚类表示在发球方面差异较大的球队(星形)和专注于内弧线球与外弧线球定位进攻的球队(十字形)。对于图形735,分类代理120可以识别四种聚类类型,其指示球队的防守安排比球队的进攻风格更可预测。
亲和力传播是一种无监督的聚类技术,它通过找到一个或更多个范例(可以将该范例认为是质心)来起作用。然后,可以在范例与所有其他球队之间计算欧几里德平方距离,以确定球队彼此的相似程度。可以将最佳表示聚类的球队标识为最终范例。使用该技术,分析人员可以快速查看对手是否与他们的聚类内的球队打过比赛,并且查看该球队在进攻和防守二者上针对这种风格如何表现。
图8A例示了根据示例实施方式的系统总线计算系统架构800。系统800可以表示组织计算系统104的至少一部分。系统800的一个或更多个组件可以使用总线805彼此电连通。系统800可以包括处理单元(CPU或处理器)810和系统总线805,该系统总线将包括诸如只读存储器(ROM)820和随机存取存储器(RAM)825的系统存储器815的各种系统组件联接至处理器810。系统800可以包括与处理器810直接连接、紧靠着该处理器或者集成为该处理器的一部分的高速存储器的高速缓存。系统800可以将数据从存储器815和/或存储装置830复制到高速缓存812,以供处理器810快速访问。以这种方式,高速缓存812可以提供性能提升,从而避免了处理器810在等待数据时的延迟。这些和其它模块可以控制或者被配置成控制处理器810以执行各种动作。其它系统存储器815同样可供使用。存储器815可以包括具有不同性能特征的多种不同类型的存储器。处理器810可以包括任何通用处理器以及硬件模块或软件模块(诸如存储在存储装置830中的服务1 832、服务2 834以及服务3 836),该硬件模块或软件模块被配置成控制处理器810以及将软件指令并入到实际处理器设计中的专用处理器。处理器810本质上可以是完全自含的计算系统,包含多个核心或处理器、总线、存储区控制器、高速缓存等。多核心处理器可以是对称或不对称的。
为了使得用户能够与计算装置800进行交互,输入装置845可以表示任何数量的输入机构,诸如用于语音的麦克风、用于手势或图形输入的触敏屏、键盘、鼠标器、运动输入、语音等。输出装置835还可以是本领域技术人员已知的许多输出机构中的一种或更多种。在一些情况下,多模态系统可以使得用户能够提供多种类型的输入,以与计算装置800进行通信。通信接口840可以总体上支配并管理用户输入和系统输出。在针对任何特定硬件排布结构的操作方面不存在限制,因此,这里的基本特征可以随着对它们的开发而用改进的硬件或固件排布结构来替换。
存储装置830可以是非易失性存储器,并且可以是硬盘或者可以存储可由计算机访问的数据的其它类型的计算机可读介质,诸如磁带、闪存卡、固态存储器装置、数字通用盘、盒式磁带、随机存取存储器(RAM)825、只读存储器(ROM)820以及这些的混合。
存储装置830可以包括对处理器810进行控制的服务832、834及836。预期了其它硬件或软件模块。可以将存储装置830连接至系统总线805。在一个方面,执行特定功能的硬件模块可以包括执行所述功能的软件组件,该软件组件存储在与必需的硬件组件(诸如处理器810、总线805、显示器835等)相连接的计算机可读介质中。
图8B例示了具有芯片组架构的计算系统850,该芯片组架构可以表示组织计算系统104的至少一部分。计算系统850可以是可以被用于实现所公开技术的计算机硬件、软件以及固件的示例。系统850可以包括处理器855,处理器855代表任何数量的物理上和/或逻辑上不同的资源,所述资源能够执行被配置成执行所标识的计算的软件、固件以及硬件。处理器855可以与芯片组860进行通信,该芯片组可以控制处理器855的输入以及来自处理器855的输出。在该示例中,芯片组860将信息输出至诸如显示器的输出端865,并且可以读取信息并将信息写入至存储装置870,该存储装置例如可以包括磁性介质和固态介质。芯片组860还可以从RAM 875读取数据并且将数据写入RAM 875。可以提供用于与多种用户接口组件885进行接口连接的桥接部880,以与芯片组860进行接口连接。这样的用户接口组件885可以包括:键盘、麦克风、触摸检测和处理电路、指点装置(诸如鼠标)等。一般而言,系统850的输入可能来自多种机器生成和/或人工生成的来源中的任一种。
芯片组860还可与可能具有不同的物理接口的一个或更多个通信接口890进行接口连接。这样的通信接口可以包括用于有线和无线局域网的接口、用于宽带无线网络的接口以及用于个人区域网络的接口。生成、显示及使用本文所公开的GUI的方法的一些应用可以包括通过物理接口接收排序的数据集,或者通过处理器855对存储在存储部870或875中的数据进行分析来由机器本身生成。此外,该机器可以通过用户接口组件885从用户接收输入,并通过使用处理器855对这些输入进行解释来执行恰当的功能,诸如浏览功能。
可以理解,示例系统800和850可以具有超过一个处理器810,或者可以是连网在一起以提供更大处理能力的计算装置组或集群的一部分。
虽然前述致力于本文所公开的实施方式,但是可以在不脱离本公开的基本范围的情况下,设想其它和进一步的实施方式。例如,可以采用硬件或软件或者硬件和软件的组合来实现本公开的各方面。可以将本文所描述的一个实施方式实现为供与计算系统一起使用的程序产品。该程序产品中的程序限定了所述实施方式(包括本文所描述的方法)的功能并且可以被包含在多种计算机可读存储介质上。例示性计算机可读存储介质包括但不限于:(i)永久性存储信息的不可写存储介质(例如,计算机内的只读存储器装置,诸如可通过CD-ROM驱动器读取的CD-ROM盘、闪速存储器、ROM芯片或者任何类型的固态非易失性存储器);以及(ii)存储可更改信息的可写存储介质(例如,磁盘驱动器内的软盘或硬盘驱动器或者任何类型的固态随机存取存储器)。这种计算机可读存储介质在执行引导所公开的实施方式的功能的计算机可读指令时是本公开的实施方式。
本领域技术人员将意识到,前述示例是示例性的而非限制性的。意图是,对于本领域技术人员而言,通过阅读本说明书和研究附图,所有的置换、增强、等同物以及改进都是显而易见的,并且均被包括在本公开的真实精神和范围内。因此,意图是附权利要求包括落入这些教导的真实精神和范围内的所有这样的修改、置换和等同物。
Claims (20)
1.一种在定位进攻期间对球队队形进行识别的方法,所述方法包括以下步骤:
由计算系统接收与一个或更多个比赛相关联的一个或更多个跟踪数据流;
由所述计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻;
由所述计算系统识别第一球队的防守队形和第二球队的进攻队形;
由所述计算系统通过将所述定位进攻传递通过卷积神经网络而经由所述卷积神经网络提取与由所述第一球队实现的防守队形的类型相对应的一个或更多个特征;
由所述计算系统经由机器学习算法对所述定位进攻进行扫描,以识别指示由所述第二球队实现的进攻队形的类型的一个或更多个特征;以及
由所述计算系统经由所述机器学习算法,至少基于一个或更多个识别的特征以及一个或更多个提取的特征,推断由所述第一球队实现的防守队形的类型。
2.根据权利要求1所述的方法,其中,由所述计算系统接收一个或更多个跟踪数据流的步骤包括:
从位于距离很远的比赛地点的跟踪系统接收一个或更多个实况跟踪数据流。
3.根据权利要求1所述的方法,其中,由所述计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻的步骤包括:
从所述一个或更多个跟踪数据流中提取跟踪子集,其中,所述跟踪数据子集包括在所述定位进攻前和所述定位进攻后的队员运动。
4.根据权利要求1所述的方法,其中,所述跟踪数据包括所述一个或更多个比赛的一个或更多个图像。
5.根据权利要求1所述的方法,其中,所述一个或更多个跟踪数据流是所述一个或更多个比赛的基于图像的表示。
6.根据权利要求1所述的方法,其中,所述一个或更多个识别的特征包括一个或更多个手动创建的特征,所述一个或更多个手动创建的特征包括定位进攻的开始和结束以及发生在该定位进攻的开始与结束之间的一个或更多个事件。
7.根据权利要求1所述的方法,所述方法还包括以下步骤:
由所述计算系统生成所述定位进攻的图形表示,所述定位进攻的图形表示包括所述进攻队形的类型和所述防守队形的类型。
8.一种对定位进攻中的防守队形和进攻队形进行识别的系统,所述系统包括:
处理器;以及
存储器,所述存储器存储有编程指令,所述编程指令在由所述处理器执行时,执行包括以下项的一个或更多个操作:
接收与一个或更多个比赛相关联的一个或更多个跟踪数据流;
识别所述一个或更多个跟踪数据流中包含的定位进攻;
识别第一球队的防守队形和第二球队的进攻队形;
通过将所述定位进攻传递通过卷积神经网络,经由所述卷积神经网络提取与由所述第一球队实现的防守队形的类型相对应的一个或更多个特征;
经由机器学习算法对所述定位进攻进行扫描,以识别指示由所述第二球队实现的进攻队形的类型的一个或更多个特征;以及
经由所述机器学习算法,至少基于一个或更多个识别的特征以及一个或更多个提取的特征,推断由所述第一球队实现的所述防守队形的类型。
9.根据权利要求8所述的系统,其中,接收一个或更多个跟踪数据流包括:
从位于距离很远的比赛地点的跟踪系统接收一个或更多个实况跟踪数据流。
10.根据权利要求8所述的系统,其中,识别所述一个或更多个跟踪数据流中包含的定位进攻包括:
从所述一个或更多个跟踪数据流中提取跟踪数据子集,其中,所述图像子集包括在所述定位进攻前和所述定位进攻后的队员运动。
11.根据权利要求10所述的系统,其中,所述跟踪数据包括所述一个或更多个比赛的一个或更多个图像。
12.根据权利要求11所述的系统,其中,所述一个或更多个跟踪数据流是所述一个或更多个比赛的基于图像的表示。
13.根据权利要求8所述的系统,其中,所述一个或更多个识别的特征包括手动创建的特征,所述手动创建的特征包括定位进攻的开始和结束以及发生在该定位进攻的开始与结束之间的一个或更多个事件。
14.根据权利要求8所述的系统,其中,所述一个或更多个操作还包括:
生成所述定位进攻的图形表示,所述定位进攻的图形表示包括所述进攻队形的类型和所述防守队形的类型。
15.一种包括一个或更多个指令序列的非暂时性计算机可读介质,所述一个或更多个指令序列在由一个或更多个处理器执行时,使:
由计算系统接收与一个或更多个比赛相关联的一个或更多个跟踪数据流;
由所述计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻;
由所述计算系统识别第一球队的防守队形和第二球队的进攻队形;
通过由所述计算系统将所述定位进攻传递通过卷积神经网络而经由所述卷积神经网络提取与由所述第一球队实现的防守队形的类型相对应的一个或更多个特征;
由所述计算系统经由机器学习算法对所述定位进攻进行扫描,以识别指示由所述第二球队实现的进攻队形的类型的一个或更多个特征;以及
由所述计算系统经由所述机器学习算法,至少基于一个或更多个识别的特征以及一个或更多个提取的特征,推断由所述第一球队实现的所述防守队形的类型。
16.根据权利要求15所述的非暂时性计算机可读介质,其中,由所述计算系统接收一个或更多个跟踪数据流包括:
从位于距离很远的比赛地点的跟踪系统接收一个或更多个实况跟踪数据流。
17.根据权利要求15所述的非暂时性计算机可读介质,其中,由所述计算系统识别所述一个或更多个跟踪数据流中包含的定位进攻包括:
从所述一个或更多个跟踪数据流中提取跟踪数据子集,其中,所述跟踪数据子集包括在所述定位进攻前和所述定位进攻后的队员运动。
18.根据权利要求15所述的非暂时性计算机可读介质,其中,所述跟踪数据包括所述一个或更多个比赛的一个或更多个图像。
19.根据权利要求15所述的非暂时性计算机可读介质,其中,所述一个或更多个跟踪数据流是所述一个或更多个比赛的基于图像的表示。
20.根据权利要求15所述的非暂时性计算机可读介质,其中,所述一个或更多个识别的特征包括一个或更多个手动创建的特征,所述一个或更多个手动创建的特征包括定位进攻的开始和结束以及发生在该定位进攻的开始与结束之间的一个或更多个事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310217456.2A CN116370938A (zh) | 2018-01-21 | 2019-01-22 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862619896P | 2018-01-21 | 2018-01-21 | |
US62/619,896 | 2018-01-21 | ||
PCT/US2019/014614 WO2019144147A1 (en) | 2018-01-21 | 2019-01-22 | Methods for detecting events in sports using a convolutional neural network |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310217456.2A Division CN116370938A (zh) | 2018-01-21 | 2019-01-22 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111936212A true CN111936212A (zh) | 2020-11-13 |
CN111936212B CN111936212B (zh) | 2023-03-28 |
Family
ID=67299419
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310217456.2A Pending CN116370938A (zh) | 2018-01-21 | 2019-01-22 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
CN201980018888.2A Active CN111936212B (zh) | 2018-01-21 | 2019-01-22 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310217456.2A Pending CN116370938A (zh) | 2018-01-21 | 2019-01-22 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190228306A1 (zh) |
EP (1) | EP3740878A4 (zh) |
CN (2) | CN116370938A (zh) |
WO (1) | WO2019144147A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3740293A4 (en) | 2018-01-21 | 2022-07-06 | Stats Llc | METHOD AND SYSTEM FOR INTERACTIVE INTERPRETABLE AND IMPROVED GAME AND PLAYER PERFORMANCE PREDICTIONS IN TEAM SPORTS |
WO2019144142A1 (en) | 2018-01-21 | 2019-07-25 | Stats Llc | System and method for predicting fine-grained adversarial multi-agent motion |
US11679299B2 (en) | 2019-03-01 | 2023-06-20 | Stats Llc | Personalizing prediction of performance using data and body-pose for analysis of sporting performance |
US11554292B2 (en) | 2019-05-08 | 2023-01-17 | Stats Llc | System and method for content and style predictions in sports |
US20210170229A1 (en) * | 2019-12-06 | 2021-06-10 | Acronis International Gmbh | Systems and methods for providing strategic game recommendations in a sports contest using artificial intelligence |
WO2021158771A1 (en) * | 2020-02-05 | 2021-08-12 | Stats Llc | Generating roles in sports through unsupervised learning |
WO2021162935A1 (en) * | 2020-02-13 | 2021-08-19 | Stats Llc | Dynamically predicting shot type using a personalized deep neural network |
US11935298B2 (en) | 2020-06-05 | 2024-03-19 | Stats Llc | System and method for predicting formation in sports |
US11682209B2 (en) | 2020-10-01 | 2023-06-20 | Stats Llc | Prediction of NBA talent and quality from non-professional tracking data |
EP4222640A1 (en) | 2020-10-01 | 2023-08-09 | Stats Llc | System and method for merging asynchronous data sources |
WO2022170046A1 (en) * | 2021-02-05 | 2022-08-11 | Stats Llc | System and method for evaluating defensive performance using graph convolutional network |
CN113146624B (zh) * | 2021-03-25 | 2022-04-29 | 重庆大学 | 基于最大角聚集策略的多智能体控制方法 |
CN117222455A (zh) | 2021-04-27 | 2023-12-12 | 斯塔特斯公司 | 用于单个运动员和团队模拟的系统和方法 |
EP4359092A1 (en) * | 2021-08-16 | 2024-05-01 | Stats Llc | Active learning event models |
CN117716398A (zh) * | 2021-08-20 | 2024-03-15 | 斯塔特斯公司 | 将实况嵌入式跟踪数据用于实况体育视频流内的方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1386241A (zh) * | 2000-05-17 | 2002-12-18 | 足球数据库株式会社 | 一种利用计算机网络进行足球比赛数据分析的方法及其系统和记录分析程序的计算机可读介质 |
CN1708697A (zh) * | 2002-10-28 | 2005-12-14 | 弗兰霍菲尔运输应用研究公司 | 连续实时跟踪至少一个运动物体的位置的方法及相关发射器和接收器 |
US20100184563A1 (en) * | 2008-12-05 | 2010-07-22 | Nike, Inc. | Athletic Performance Monitoring Systems and Methods in a Team Sports Environment |
US20110013087A1 (en) * | 2009-07-20 | 2011-01-20 | Pvi Virtual Media Services, Llc | Play Sequence Visualization and Analysis |
US20120162435A1 (en) * | 2010-12-22 | 2012-06-28 | Vidya Elangovan | Video tracking of baseball players to determine the start and end of a half-inning |
CN102819749A (zh) * | 2012-07-23 | 2012-12-12 | 西安体育学院 | 一种基于视频分析的足球越位自动判别系统和方法 |
US20150248917A1 (en) * | 2014-02-28 | 2015-09-03 | Second Spectrum, Inc. | System and method for performing spatio-temporal analysis of sporting events |
US20160220878A1 (en) * | 2015-01-30 | 2016-08-04 | Srinivas S. Devathi | Systems and methods of playing an enhanced version of football sport |
CN105833502A (zh) * | 2016-06-06 | 2016-08-10 | 刘庆斌 | 一种足球阵型的进攻与防守技战术智能教学、训练和比赛的系统和方法 |
US20170165570A1 (en) * | 2015-12-14 | 2017-06-15 | Stats Llc | System for Interactive Sports Analytics Using Multi-Template Alignment and Discriminative Clustering |
US20170291093A1 (en) * | 2016-04-11 | 2017-10-12 | Brian Janssen | Full scale digital replay and practice system for use by positional players in a team-based sport |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751343B1 (en) * | 1999-09-20 | 2004-06-15 | Ut-Battelle, Llc | Method for indexing and retrieving manufacturing-specific digital imagery based on image content |
US7472110B2 (en) * | 2003-01-29 | 2008-12-30 | Microsoft Corporation | System and method for employing social networks for information discovery |
KR101993024B1 (ko) * | 2012-03-14 | 2019-06-25 | 가부시키가이샤 브리지스톤 | 폴리디엔을 생산하는 방법 |
WO2013166456A2 (en) * | 2012-05-04 | 2013-11-07 | Mocap Analytics, Inc. | Methods, systems and software programs for enhanced sports analytics and applications |
US20140236331A1 (en) * | 2013-02-21 | 2014-08-21 | Sap Portals Israel Ltd. | Real-time decision making in sports |
US9687742B2 (en) * | 2013-11-18 | 2017-06-27 | Court Intelligence Holdings, LLC | Apparatus, system, and method for in-game statistics entry and analysis |
US10521671B2 (en) * | 2014-02-28 | 2019-12-31 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
US10534812B2 (en) * | 2014-12-16 | 2020-01-14 | The Board Of Trustees Of The University Of Alabama | Systems and methods for digital asset organization |
EP3566175A4 (en) * | 2017-01-06 | 2020-07-29 | Sportlogiq Inc. | SYSTEMS AND METHODS FOR UNDERSTANDING BEHAVIOR FROM TRAJECTORIES |
-
2019
- 2019-01-22 WO PCT/US2019/014614 patent/WO2019144147A1/en unknown
- 2019-01-22 EP EP19741311.5A patent/EP3740878A4/en active Pending
- 2019-01-22 CN CN202310217456.2A patent/CN116370938A/zh active Pending
- 2019-01-22 US US16/254,128 patent/US20190228306A1/en active Pending
- 2019-01-22 CN CN201980018888.2A patent/CN111936212B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1386241A (zh) * | 2000-05-17 | 2002-12-18 | 足球数据库株式会社 | 一种利用计算机网络进行足球比赛数据分析的方法及其系统和记录分析程序的计算机可读介质 |
CN1708697A (zh) * | 2002-10-28 | 2005-12-14 | 弗兰霍菲尔运输应用研究公司 | 连续实时跟踪至少一个运动物体的位置的方法及相关发射器和接收器 |
US20100184563A1 (en) * | 2008-12-05 | 2010-07-22 | Nike, Inc. | Athletic Performance Monitoring Systems and Methods in a Team Sports Environment |
US20110013087A1 (en) * | 2009-07-20 | 2011-01-20 | Pvi Virtual Media Services, Llc | Play Sequence Visualization and Analysis |
US20120162435A1 (en) * | 2010-12-22 | 2012-06-28 | Vidya Elangovan | Video tracking of baseball players to determine the start and end of a half-inning |
CN102819749A (zh) * | 2012-07-23 | 2012-12-12 | 西安体育学院 | 一种基于视频分析的足球越位自动判别系统和方法 |
US20150248917A1 (en) * | 2014-02-28 | 2015-09-03 | Second Spectrum, Inc. | System and method for performing spatio-temporal analysis of sporting events |
US20160220878A1 (en) * | 2015-01-30 | 2016-08-04 | Srinivas S. Devathi | Systems and methods of playing an enhanced version of football sport |
US20170165570A1 (en) * | 2015-12-14 | 2017-06-15 | Stats Llc | System for Interactive Sports Analytics Using Multi-Template Alignment and Discriminative Clustering |
US20170291093A1 (en) * | 2016-04-11 | 2017-10-12 | Brian Janssen | Full scale digital replay and practice system for use by positional players in a team-based sport |
CN105833502A (zh) * | 2016-06-06 | 2016-08-10 | 刘庆斌 | 一种足球阵型的进攻与防守技战术智能教学、训练和比赛的系统和方法 |
Non-Patent Citations (4)
Title |
---|
XINYU WEI: "《Modelling and Predicting Adversarial Behaviour using Large Amounts of Spatiotemporal Data》", 13 November 2016, QUEENSLAND UNIVERSITY OF TECHNOLOGY, pages: 29 - 128 * |
王攀,张健,郭四海,陶崇园,刘星星: "《优化与控制中的软计算方法研究》", 31 January 2017, 湖北科学技术出版社, pages: 117 - 118 * |
赵真真: ""基于神经网络的阵型策略在线学习研究及应用"", 《中国优秀硕士学位论文全文数据 信息科技辑 2014年第02期》 * |
赵真真: ""基于神经网络的阵型策略在线学习研究及应用"", 《中国优秀硕士学位论文全文数据 信息科技辑 2014年第02期》, 15 February 2014 (2014-02-15), pages 38 - 40 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883865A (zh) * | 2021-02-09 | 2021-06-01 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
CN112883865B (zh) * | 2021-02-09 | 2024-01-19 | 北京深蓝长盛科技有限公司 | 带球突破事件识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111936212B (zh) | 2023-03-28 |
WO2019144147A1 (en) | 2019-07-25 |
EP3740878A1 (en) | 2020-11-25 |
EP3740878A4 (en) | 2021-10-13 |
US20190228306A1 (en) | 2019-07-25 |
CN116370938A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111936212B (zh) | 在定位进攻期间对球队队形进行识别的方法、系统、介质 | |
CN113508604B (zh) | 从广播视频生成可跟踪视频帧的系统及方法 | |
US11715303B2 (en) | Dynamically predicting shot type using a personalized deep neural network | |
CN113811898A (zh) | 用于运动中内容和风格预测的系统和方法 | |
US20230274159A1 (en) | System and Method for Predicting Fine-Grained Adversarial Multi-Agent Motion | |
US20220253679A1 (en) | System and Method for Evaluating Defensive Performance using Graph Convolutional Network | |
US20230330485A1 (en) | Personalizing Prediction of Performance using Data and Body-Pose for Analysis of Sporting Performance | |
US11900254B2 (en) | System and method for multi-task learning | |
CN115715385A (zh) | 用于预测体育运动中的队形的系统和方法 | |
CN115004200A (zh) | 通过无监督学习在体育运动中生成角色 | |
US20230334859A1 (en) | Prediction of NBA Talent And Quality From Non-Professional Tracking Data | |
CN115668095A (zh) | 根据体育运动中的跟踪数据进行半监督动作-行动者检测 | |
US20230047821A1 (en) | Active Learning Event Models | |
US20230031622A1 (en) | Live Possession Value Model | |
US20220355182A1 (en) | Live Prediction of Player Performances in Tennis | |
CN114556325A (zh) | 用于改进多主体数据的结构发现和表示学习的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |