CN113902770B - 传球优势区域确定方法及装置 - Google Patents

传球优势区域确定方法及装置 Download PDF

Info

Publication number
CN113902770B
CN113902770B CN202111504143.2A CN202111504143A CN113902770B CN 113902770 B CN113902770 B CN 113902770B CN 202111504143 A CN202111504143 A CN 202111504143A CN 113902770 B CN113902770 B CN 113902770B
Authority
CN
China
Prior art keywords
information
pass
target object
determining
success probability
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.)
Active
Application number
CN202111504143.2A
Other languages
English (en)
Other versions
CN113902770A (zh
Inventor
潘一
蒲志强
陈敏
靳许
马昊
丘腾海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202111504143.2A priority Critical patent/CN113902770B/zh
Publication of CN113902770A publication Critical patent/CN113902770A/zh
Application granted granted Critical
Publication of CN113902770B publication Critical patent/CN113902770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种传球优势区域确定方法及装置，该传球优势区域确定方法包括：获取目标对象的速度信息，以及目标对象的位置信息；基于速度信息和位置信息，确定目标对象的影响区域信息；基于速度信息和位置信息，确定目标对象的传球成功概率；基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。本发明提供的传球优势区域确定方法及装置，通过根据目标对象的速度信息和位置信息，采用知识策略确定影响区域信息，采用数据策略确定传球成功概率，结合影响区域信息和传球成功概率，能够得到目标对象的传球优势区域信息，能够直观准确地展现目标对象在球场中的优势区域，能够帮助球队进行态势分析，辅助提升竞赛技能。

Description

传球优势区域确定方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种传球优势区域确定方法及装置。
背景技术
球类运动是典型的智能群体对抗比赛，在群体对抗的比赛中，态势分析对比赛的进程起着关键作用。在球类比赛中，双方球队对于比赛态势的分析决定着球员的每一次决策，也影响着整个比赛的输赢走向，在对传球时的优势区域划分是对球类比赛态势分析的一种重要方法，在进行球类运动比赛时，参赛对象在传球时具有传球的优势区域，也就是传球时能够成功把握的占优势的区域。
目前对于传球优势区域进行分析，大多以基于规则和知识的物理模型，根据目标对象个人的运动模型划分优势区域，例如若目标对象能够比其他人更早的到达某一区域，则此区域被称为这个目标对象的优势区域。然而这种优势区域的确定方法在对实际比赛的态势分析中具有很大的局限性，优势区域的确定结果不够准确，效率较低。
发明内容
本发明提供一种传球优势区域确定方法及装置，用以解决现有技术中对实际比赛的态势分析中具有很大的局限性，优势区域的确定结果不够准确，效率较低的缺陷，实现直观准确地展现目标对象在球场中的优势区域，能够帮助球队进行态势分析，辅助提升竞赛技能。
本发明提供一种传球优势区域确定方法，该传球优势区域确定方法包括：获取目标对象的速度信息，以及所述目标对象的位置信息；基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息；基于所述速度信息和所述位置信息，确定所述目标对象的传球成功概率；基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息。
根据本发明提供的一种传球优势区域确定方法，所述获取目标对象的速度信息，以及所述目标对象的位置信息，包括：获取所述目标对象的运动状态信息；建立球场二维坐标系，并基于所述球场二维坐标系以及所述运动状态信息，确定所述速度信息和所述位置信息。
根据本发明提供的一种传球优势区域确定方法，所述基于所述速度信息和所述位置信息，确定所述目标对象的传球成功概率，包括：将所述速度信息和所述位置信息输入到传球成功概率预测模型中，输出所述传球成功概率；其中，所述传球成功概率预测模型为以所述目标对象的速度样本信息和位置样本信息为样本，以与所述速度样本信息和所述位置样本信息对应的传球成功概率样本数据为标签训练得到的。
根据本发明提供的一种传球优势区域确定方法，所述基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息，包括：将所述影响区域信息和所述传球成功概率相乘，得到所述传球优势区域信息。
根据本发明提供的一种传球优势区域确定方法，所述目标对象为多个，在所述基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息之后，还包括：基于多个所述目标对象的传球优势区域信息，确定球队全场优势区域信息。
根据本发明提供的一种传球优势区域确定方法，所述基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息，包括：
基于公式：
Figure 385878DEST_PATH_IMAGE001
；
Figure 8621DEST_PATH_IMAGE002
；
确定所述影响区域信息
Figure 422285DEST_PATH_IMAGE003
；
其中，
Figure 181293DEST_PATH_IMAGE004
服从二元高斯分布，
Figure 389421DEST_PATH_IMAGE005
表示
Figure 233880DEST_PATH_IMAGE004
服从的二元高斯分布的均 值，T表示矩阵的转置运算，
Figure 185655DEST_PATH_IMAGE006
表示目标对象
Figure 799170DEST_PATH_IMAGE007
在t时刻的速度信息，
Figure 443778DEST_PATH_IMAGE008
表示目标对象
Figure 775534DEST_PATH_IMAGE007
在t时刻的位置信息，p表示球场的任意位置。本发明还提供一种传球优势区域确定装置，该 传球优势区域确定装置包括：获取模块，用于获取目标对象的速度信息，以及所述目标对象 的位置信息；第一确定模块，用于基于所述速度信息和所述位置信息，确定所述目标对象的 影响区域信息；第二确定模块，用于基于所述速度信息和所述位置信息，确定所述目标对象 的传球成功概率；第三确定模块，用于基于所述影响区域信息以及所述传球成功概率，确定 所述目标对象的传球优势区域信息。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述传球优势区域确定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述传球优势区域确定方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述传球优势区域确定方法的步骤。
本发明提供的传球优势区域确定方法及装置，通过根据目标对象的速度信息和位置信息，采用知识策略确定影响区域信息，采用数据策略确定传球成功概率，结合影响区域信息和传球成功概率，能够得到目标对象的传球优势区域信息，能够直观准确地展现目标对象在球场中的优势区域，能够帮助球队进行态势分析，辅助提升竞赛技能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的传球优势区域确定方法的流程示意图；
图2是本发明提供的传球优势区域确定方法的程序框图；
图3是本发明提供的传球优势区域确定装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图4描述本发明的传球优势区域确定方法及装置。
该传球优势区域确定方法可以被电子设备所执行，该电子设备可以为手机、平板电脑、笔记本电脑、台式计算机、VR眼镜、智能手表或者智能手环等终端设备，也可以被智能机器人所执行，此处不限定电子设备的具体类型，本领域技术人员可以根据实际情况自行选定，只要该电子设备能够实现逻辑运算功能即可。
传球优势区域指的是，在足球、篮球或者排球等多人团体球类比赛中，传球方球员对于传球成功这一事件而言具有优势的区域，也就是说，采用本发明提供的传球优势区域确定方法，能够找到传球方球员或者球队在进行传球时的优势区域，对优势区域进行可视化地展现。
值得注意的是，该传球优势区域可以图像、框图或者表格等数据形式客观呈现在电子设备中，该传球优势区域确定方法可以应用于电子设备中运行的球类比赛仿真程序，也可以应用于真实的球类比赛视频，还可以应用于以智能机器人为对象的球类比赛过程。
如图1和图2所示，本发明提供一种传球优势区域确定方法，该传球优势区域确定方法包括如下步骤110至步骤140。
其中，步骤110、获取目标对象的速度信息，以及目标对象的位置信息。
可以理解的是，目标对象可以为球类比赛仿真程序中的球员虚拟人物，也可以为真实的球类比赛视频中的人物虚拟图像，还可以为球类比赛过程中的智能机器人，还可以人工智能领域的智能体，此处不具体限定目标对象的类型，只要是能够在计算机程序上客观存在并能够运行的虚拟对象均可以作为目标对象。
目标对象的速度信息可以表示球员在球场上某一时刻的运动速度，目标对象的位 置信息可以表示球员在球场上某一时刻的位置，比如，以球场左下角为原点建立二维坐标 系，则球场上的每一位球员可以被表示为
Figure 531000DEST_PATH_IMAGE009
，其中，
Figure 264601DEST_PATH_IMAGE010
为球员沿着
Figure 80110DEST_PATH_IMAGE011
方向的 运动速度，
Figure 624793DEST_PATH_IMAGE012
为球员沿着
Figure 183951DEST_PATH_IMAGE013
方向的运动速度，
Figure 772058DEST_PATH_IMAGE014
为球员的角色。
以足球比赛为例，目标对象可以为进攻球队的球员，也可以为防守球队的球员，标准足球比赛可以有22名球员，那么目标对象就可以为进攻球队的其余10名球员。
步骤120、基于速度信息和位置信息，确定目标对象的影响区域信息。
可以理解的是，可以根据球员的运动速度，以及球员在球场中所处的位置，来确定球员在球场中的影响区域信息，球员在球场中影响区域信息指的是，球员在传球时所能影响到的区域，也就是球员在传球时所能覆盖到的合理的区域。
此处可以数学函数的方法，相当于采用知识策略来得到影响区域信息，来计算出目标对象在球场中的影响区域信息，此处不限制具体的数学函数的类型，本领域技术人员可以根基实际需要自行选择具体的数学函数的类型。
步骤130、基于速度信息和位置信息，确定目标对象的传球成功概率。
可以理解的是，在得到了目标对象的速度信息和位置信息之后，可以判断出目标对象在球场中以该位置和速度来传球的成功率，比如可以根据该目标对象在历史比赛中的传球事件，历史比赛中的传球事件可以包括与本次比赛的速度信息以及位置信息相对应的传球事件，根据历史比赛中的传球事件来预测本次比赛中，目标对象在当前时刻所对应的速度信息和位置信息，来得到传球的成功概率。相当于采用数据策略来得到传球的成功概率。
比如可以直接将该球员在历史事件中与本次传球的速度信息相同或者与本次传球的位置信息相同的时刻对应的传球成功概率作为本次传球的成功概率，也可以利用神经网络模型来得到目标对象的传球成功概率，可以将速度信息和位置信息作为神经网络模型的输入，来输出传球成功概率，当然，本领域技术人员可以根据情况，自行选择确定目标对象的传球成功概率的方法，本实施例不具体限定。
步骤140、基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。
可以理解的是，可以将影响区域信息以及传球成功概率进行融合，或者叠加，或者相乘，或者将传球成功概率标注到影响区域信息上，从而能够得到目标对象的传球优势区域信息，此处不具体限定如何根据影响区域信息以及传球成功概率，来得到目标对象的传球优势区域信息，本领域技术人员可以根据实际需求来选择合理的算法。
目标对象的传球优势区域信息指的是，用户在本次传球的影响区域中对应位置的成功概率，也就是能够以目标对象的发球点为基点，向外覆盖一定的影响区域，在该影响区域中对应存在一定的优势区域，在优势区域中接球会使得传球成功率较大。
值得一提的是，球类比赛是需要综合考虑对抗环境和团队配合的比赛。如果仅通过基础的知识模型对球员的个人影响值进行线性运算或大小比较等方法，无法针对比赛过程中复杂的局势进行深入理解与分析。以深度神经网络为代表的数据驱动模型能对大量的比赛数据进行处理与分析，通过“黑盒”的机制自动进行赛事分析和预测。然而实际比赛的数据难以获得、数据质量不高以及不可解释等问题也限制了数据驱动模型在足球、篮球和排球等球类比赛领域的应用。
本实施例所提出的以知识和数据共同驱动的融合性预测方法，能够将基于知识策略的球员个人运动模型与基于数据策略的传球概率预测模型有效结合，应用于球类比赛复杂场景的态势分析。能够得到可视化全场的优势区域，帮助进攻球队和防守球队进行策略分析、赛后复盘以及生成传球策略，对球员个人的传球评价与分析。
这种知识与数据共同驱动的模型提供了一种知识与数据协同驱动的传球优势区域确定方法，将模型优化为更符合实际场景中的球场态势感知，考虑实际比赛的数据获取方式与数据质量限制，模型所生成的传球策略更符合对实际球类比赛的局势理解，更符合教练与球员的赛后复盘需求，具有实际的指导意义。
与此同时，该传球优势区域确定方法提供了一种基于知识与数据共同驱动的分析足球比赛传球策略与优势区域的态势分析的模型。结合了两种不同类型的模型，应用过程清晰，具有针对性的应用场景。通过该传球优势区域确定方法，可以帮助双方球队进行态势分析，进一步辅助各球队生成传球策略，并进行赛事复盘，同时能够帮助球员个人评估并提高其传球能力。各球队在训练过程中对以往的比赛进行态势分析生成更优的进攻与传球策略，也可进行对手建模分析其他球队的进攻方式，改进本方的战略战术以应对未来的比赛。
本发明提供的传球优势区域确定方法，通过根据目标对象的速度信息和位置信息，采用知识策略确定影响区域信息，采用数据策略确定传球成功概率，结合影响区域信息和传球成功概率，能够得到目标对象的传球优势区域信息，能够直观准确地展现目标对象在球场中的优势区域，能够帮助球队进行态势分析，辅助提升竞赛技能。
在一些实施例中，上述步骤110、获取目标对象的速度信息，以及目标对象的位置信息，包括：获取目标对象的运动状态信息；建立球场二维坐标系，并基于球场二维坐标系以及运动状态信息，确定速度信息和位置信息。
可以理解的是，可以先获取到目标对象的运动状态信息，比如可以包括目标对象的姿态信息、方向信息或者速度信息，并在二维的球场坐标模型中基于真实足球场的尺寸，以球场左下角为原点建立二维坐标系，再将目标对象的运动状态信息投影到该二维坐标系汇总，从而得到目标球员的速度信息和位置信息。
在一些实施例中，上述步骤130、基于速度信息和位置信息，确定目标对象的传球成功概率，包括：将速度信息和位置信息输入到传球成功概率预测模型中，输出传球成功概率；其中，传球成功概率预测模型为以目标对象的速度样本信息和位置样本信息为样本，以与速度样本信息和位置样本信息对应的传球成功概率样本数据为标签训练得到的。
可以理解的是，传球成功概率预测模型可以为深度神经网络，传球成功概率预测模型的输入可以为速度信息和位置信息，输出可以为传球成功概率。
在对传球成功概率预测模型进行训练前，可以预先获取训练样本数据集，可以获取多场球赛的事件数据，进行数据预处理，比如可以进行数据清洗、筛选、不均衡处理以及数据补全和数据增强；
可以对事件数据进行数据预处理，比如可以采取数据清晰处理，数据清洗即为对样本进行筛选，传球成功概率预测模型可以针对足球场景中传球这一复杂场景进行态势分析与建模，因此需要选出可用并且事件为传球的样本，同时由于传球又分为滚地球和高球，滚地球仅需要球的二维坐标，而高球需要球的三维坐标，对这两种不同的坐标不能使用同一个模型进行分析，并且实际的比赛数据难以获得球的三维坐标，在所获得的数据中，标签为传球成功的样本数量高于传球失败的样本，样本数据集的数据量有限的情况下，无法训练出较为准确的模型，因此需要通过调整样本的权重对原始数据进行均衡处理。由于所有传球失败的样本其接球人不是意图接球人，因此在数据预处理时需要补全理论上的意图接球人。
比如，传球成功概率预测模型通过深度神经网络架构对球员向意图接球人传球的 概率进行预测，预测结果为某一个球员向其意图接球人传球是否成功的概率，预测值在
Figure 492889DEST_PATH_IMAGE015
区间内，遍历除此球员外其余十名球员，计算十次传球概率，预测得到的传球成功概 率中最大的球员为最安全的意图接球人，也就是说，此处得到的传球成功概率可以为多个， 每一个目标球员的传球成功概率可以被融合到该球员的影响区域信息上。
在所有可用事件数据样本中，筛选出事件类型大类Type为“Pass”的事件，即为传球事件，本传球成功概率预测模型可以从实际的足球赛场景出发，对滚地球类型的传球场景进行分析，因此数据筛选需要剔除传球类型为“头球”和“长传”的样本。比如可以剔除子类Subtype中类型为“Head”和“LongPass”的样本。
传球失败的样本没有接球人，因此在处理时需要补全理论上的假想接球人，处理方法可以为：建立球的运动模型，预测球的运动轨迹，计算本方球员与球的运动轨迹之间的垂直距离，距离最近的球员作为意图接球人。
对全部的数据做数据增强处理，即对球员的位置和速度进行反转生成新的数据。
在训练该传球成功概率预测模型时，可以将训练样本数据集中全部样本数据的70%作为训练集，30%作为预测集。模型以深度神经网络为架构，可以将传球人、接球人（球的运动轨迹）与11个对手的位置信息和速度信息作为样本，将传球事件数据对应的传球成功概率作为标签。其中位置信息和速度均为二维坐标，球的位置与传球人位置相同，因此不必重复输入，隐藏层为三层全连接层，每层神经元个数依次递减，激活函数使用ReLU，优化器使用Adam，输出层为某个球员向其意图接球人传球成功的概率。
在一些实施例中，上述步骤140、基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息，包括：将影响区域信息和传球成功概率相乘，得到传球优势区域信息。
可以理解的是，可以将步骤104中计算所得的某球员向其意图接球人的传球成功 概率，作为权重赋给步骤103中得到的此球员的影响区域信息，实现两个数据的融合，即对 于球员
Figure 923871DEST_PATH_IMAGE016
，通过步骤103求得其影响区域信息为
Figure 896506DEST_PATH_IMAGE017
，通过步骤104计算得到该球员的传球成功 概率
Figure 463753DEST_PATH_IMAGE018
，因此加权后的球员
Figure 496431DEST_PATH_IMAGE007
的传球优势区域信息为
Figure 149130DEST_PATH_IMAGE019
。
如图2所示，在一些实施例中，目标对象为多个，在上述步骤140、基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息之后，还包括：基于多个目标对象的传球优势区域信息，确定球队全场优势区域信息。
可以理解的是，可以将所有球员的传球优势区域信息进行加和，再作用上逻辑函 数，
Figure 128718DEST_PATH_IMAGE020
，即进攻球队所有球员的传球优势区域信息综合考虑， 得到此球队在
Figure 691418DEST_PATH_IMAGE021
时刻的球队全场优势区域信息
Figure 19631DEST_PATH_IMAGE022
。
可以将知识策略与数据策略进行融合。知识策略得到每个球员的传球优势区域信 息
Figure 894046DEST_PATH_IMAGE023
，数据策略得到球员向其意图接球人的传球成功概率
Figure 474063DEST_PATH_IMAGE018
，将两个值相乘得到进攻 球队每位球员的加权个人影响值
Figure 750323DEST_PATH_IMAGE024
，
Figure 121874DEST_PATH_IMAGE019
。将进攻球队所有球员 的传球优势区域信息相加并用逻辑函数作用，
Figure 749165DEST_PATH_IMAGE020
，得到进攻球 队的传球优势区域信息。
在一些实施例中，上述步骤120、基于速度信息和位置信息，确定目标对象的影响区域信息，包括：
基于公式：
Figure 867294DEST_PATH_IMAGE025
；
Figure 529219DEST_PATH_IMAGE026
；
确定影响区域信息
Figure 74601DEST_PATH_IMAGE022
；
其中，
Figure 923608DEST_PATH_IMAGE027
服从二元高斯分布，
Figure 111007DEST_PATH_IMAGE028
表示
Figure 361860DEST_PATH_IMAGE029
服从的二元高斯分布的均 值，T表示矩阵的转置运算，
Figure 78143DEST_PATH_IMAGE030
表示目标对象
Figure 414447DEST_PATH_IMAGE007
在t时刻的速度信息，
Figure 874378DEST_PATH_IMAGE031
表示目标对象
Figure 245316DEST_PATH_IMAGE032
在t时刻的位置信息，p表示球场的任意位置。
可以理解的是，可以使用目标对象的速度信息和位置信息，利用球员影响区域信息所服从的二元高斯分布
Figure 132501DEST_PATH_IMAGE033
；
计算得目标对象的影响区域信息
Figure 221680DEST_PATH_IMAGE034
；
如果应用于足球赛，总共可计算出进攻球队全部11名球员在某时刻
Figure 219723DEST_PATH_IMAGE021
的11个影响 区域信息。
下面对本发明提供的传球优势区域确定装置进行描述，下文描述的传球优势区域确定装置与上文描述的传球优势区域确定方法可相互对应参照。
如图3所示，本发明还提供一种传球优势区域确定装置，该传球优势区域确定装置包括：获取模块310、第一确定模块320、第二确定模块330以及第三确定模块330。
获取模块310，用于获取目标对象的速度信息，以及目标对象的位置信息。
第一确定模块320，用于基于速度信息和位置信息，确定目标对象的影响区域信息。
第二确定模块330，用于基于速度信息和位置信息，确定目标对象的传球成功概率。
第三确定模块330，用于基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行传球优势区域确定方法，该方法包括：获取目标对象的速度信息，以及目标对象的位置信息；基于速度信息和位置信息，确定目标对象的影响区域信息；基于速度信息和位置信息，确定目标对象的传球成功概率；基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的传球优势区域确定方法，该方法包括：获取目标对象的速度信息，以及目标对象的位置信息；基于速度信息和位置信息，确定目标对象的影响区域信息；基于速度信息和位置信息，确定目标对象的传球成功概率；基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的传球优势区域确定方法，该方法包括：获取目标对象的速度信息，以及目标对象的位置信息；基于速度信息和位置信息，确定目标对象的影响区域信息；基于速度信息和位置信息，确定目标对象的传球成功概率；基于影响区域信息以及传球成功概率，确定目标对象的传球优势区域信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种传球优势区域确定方法，其特征在于，包括：
获取目标对象的速度信息，以及所述目标对象的位置信息；
基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息；
基于所述速度信息和所述位置信息，确定所述目标对象的传球成功概率；
基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息；
所述基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息，包括：
基于公式：
Figure DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE002
；
确定所述影响区域信息
Figure DEST_PATH_IMAGE003
；
其中，
Figure DEST_PATH_IMAGE004
服从二元高斯分布，
Figure DEST_PATH_IMAGE005
表示
Figure DEST_PATH_IMAGE006
服从的二元高斯分布的均值，T表示矩阵的转置运算，
Figure DEST_PATH_IMAGE007
表示目标对象
Figure DEST_PATH_IMAGE008
在t时刻的速度信息，
Figure DEST_PATH_IMAGE009
表示目标对象
Figure 866482DEST_PATH_IMAGE008
在t时刻的位置信息，p表示球场的任意位置。
2.根据权利要求1所述的传球优势区域确定方法，其特征在于，所述获取目标对象的速度信息，以及所述目标对象的位置信息，包括：
获取所述目标对象的运动状态信息；
建立球场二维坐标系，并基于所述球场二维坐标系以及所述运动状态信息，确定所述速度信息和所述位置信息。
3.根据权利要求1所述的传球优势区域确定方法，其特征在于，所述基于所述速度信息和所述位置信息，确定所述目标对象的传球成功概率，包括：
将所述速度信息和所述位置信息输入到传球成功概率预测模型中，输出所述传球成功概率；
其中，所述传球成功概率预测模型为以所述目标对象的速度样本信息和位置样本信息为样本，以与所述速度样本信息和所述位置样本信息对应的传球成功概率样本数据为标签训练得到的。
4.根据权利要求1所述的传球优势区域确定方法，其特征在于，所述基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息，包括：
将所述影响区域信息和所述传球成功概率相乘，得到所述传球优势区域信息。
5.根据权利要求1至4中任一项所述的传球优势区域确定方法，其特征在于，所述目标对象为多个，在所述基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息之后，还包括：
基于多个所述目标对象的传球优势区域信息，确定球队全场优势区域信息。
6.一种传球优势区域确定装置，其特征在于，包括：
获取模块，用于获取目标对象的速度信息，以及所述目标对象的位置信息；
第一确定模块，用于基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息；
第二确定模块，用于基于所述速度信息和所述位置信息，确定所述目标对象的传球成功概率；
第三确定模块，用于基于所述影响区域信息以及所述传球成功概率，确定所述目标对象的传球优势区域信息；
所述基于所述速度信息和所述位置信息，确定所述目标对象的影响区域信息，包括：
基于公式：
Figure 111519DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE010
；
确定所述影响区域信息
Figure 143453DEST_PATH_IMAGE003
；
其中，
Figure 460034DEST_PATH_IMAGE004
服从二元高斯分布，
Figure 57762DEST_PATH_IMAGE005
表示
Figure DEST_PATH_IMAGE011
服从的二元高斯分布的均值，T表示矩阵的转置运算，
Figure DEST_PATH_IMAGE012
表示目标对象
Figure DEST_PATH_IMAGE013
在t时刻的速度信息，
Figure 988546DEST_PATH_IMAGE009
表示目标对象
Figure 317896DEST_PATH_IMAGE008
在t时刻的位置信息，p表示球场的任意位置。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述传球优势区域确定方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述传球优势区域确定方法的步骤。
CN202111504143.2A 2021-12-10 2021-12-10 传球优势区域确定方法及装置 Active CN113902770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111504143.2A CN113902770B (zh) 2021-12-10 2021-12-10 传球优势区域确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111504143.2A CN113902770B (zh) 2021-12-10 2021-12-10 传球优势区域确定方法及装置

Publications (2)

Publication Number Publication Date
CN113902770A CN113902770A (zh) 2022-01-07
CN113902770B true CN113902770B (zh) 2022-04-08

Family

ID=79025555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111504143.2A Active CN113902770B (zh) 2021-12-10 2021-12-10 传球优势区域确定方法及装置

Country Status (1)

Country Link
CN (1) CN113902770B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090573A (zh) * 2014-06-27 2014-10-08 赵希源 一种基于蚁群算法的机器人足球动态决策装置及其方法
CN106964145A (zh) * 2017-03-28 2017-07-21 南京邮电大学 一种仿人足球机器人传球控制方法及球队控球方法
CN110826539A (zh) * 2019-12-09 2020-02-21 浙江大学 一种基于足球比赛视频的足球传球的可视化分析系统
CN111874007A (zh) * 2020-08-06 2020-11-03 中国科学院自动化研究所 基于知识与数据驱动的无人车分层决策方法、系统、装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9424615B2 (en) * 2014-04-08 2016-08-23 Championship Analytics, Inc. In-game football strategy system and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090573A (zh) * 2014-06-27 2014-10-08 赵希源 一种基于蚁群算法的机器人足球动态决策装置及其方法
CN106964145A (zh) * 2017-03-28 2017-07-21 南京邮电大学 一种仿人足球机器人传球控制方法及球队控球方法
CN110826539A (zh) * 2019-12-09 2020-02-21 浙江大学 一种基于足球比赛视频的足球传球的可视化分析系统
CN111874007A (zh) * 2020-08-06 2020-11-03 中国科学院自动化研究所 基于知识与数据驱动的无人车分层决策方法、系统、装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RoboCup中传球策略的研究与实现;王华本等;《电脑知识与技术》;20110630(第16期);第3912-3913页 *
RoboCup中截球、控球/带球、传球/跑位的策略;云健 等;《内蒙古科技大学学报》;20090630;第28卷(第2期);第136-142页 *
大数据背景下基于位置数据的足球战术分析方法及发展趋势;王泽军 等;《上海教育学院学报》;20210915;第45卷(第9期);第60-69页，第98页 *
知识和数据协同驱动的群体智能决策方法研究综述;蒲志强 等;《自动化学报》;20211201;第1-18页 *

Also Published As

Publication number Publication date
CN113902770A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Greydanus et al. Visualizing and understanding atari agents
CN108888958B (zh) 虚拟场景中的虚拟对象控制方法、装置、设备及存储介质
US7970176B2 (en) Method and system for gesture classification
Yoon et al. Deep Q networks for visual fighting game AI
Hoegen et al. Incorporating emotion perception into opponent modeling for social dilemmas
Shen et al. Posture-based and action-based graphs for boxing skill visualization
CN110325965B (zh) 虚拟场景中的对象处理方法、设备及存储介质
CN111282272B (zh) 信息处理方法、计算机可读介质及电子设备
Koulieris et al. An automated high-level saliency predictor for smart game balancing
CN116993893B (zh) 一种抵御ai自瞄作弊的对抗贴图生成方法及装置
Pu et al. Orientation and decision-making for soccer based on sports analytics and AI: A systematic review
CN113902770B (zh) 传球优势区域确定方法及装置
Fang et al. Technical and tactical command decision algorithm of football matches based on big data and neural network
CN115944921B (zh) 游戏数据处理方法、装置、设备及介质
CN112742031A (zh) 模型训练方法、游戏测试方法、ai角色训练方法及装置
CN116510302A (zh) 虚拟对象异常行为的分析方法、装置及电子设备
Feng et al. Recognizing Multiplayer Behaviors Using Synthetic Training Data
CN115346161B (zh) 足球比赛态势评估和预测方法、装置和电子设备
Dharmawansa et al. Develop a Monitoring Tool and Extract Facial Expression towards the Analyzing Student Behavior in Three Dimensional Virtual Environment
US11559746B1 (en) Feedback oriented gameplay sessions in video games
Xiaolong Application of entertainment interactive robots based on deep learning in referee assistance mode in sports competitions
CN113988317B (zh) 一种针对球场运动球员的动态策略优化方法及装置
Molnar Visual referee detection on NAO robots for RoboCup SPL 2022
Abdelfattah et al. Preference-conditioned Pixel-based AI Agent For Game Testing
Nhu et al. A Comprehensive Defense Approach Targeting The Computer Vision Based Cheating Tools in FPS Video Games

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