CN115487484A - 用于确定体育赛事中降低的运动员表现的系统和方法 - Google Patents

Abstract

提供了用于确定体育赛事期间降低的运动员表现的系统和方法。该系统可以使用一个或多个传感器来捕获关于运动员进气的诸如投篮、带球、踢球和/或传球等动作的信息，并使用至少一个处理器来分析这些信息以评估运动员的表现。该系统可以确定和存储至少一个指示运动员在进行动作时的表现的参数，并且基于至少一个存储的参数计算至少一个指示运动员是否故意将动作表现不佳的值，并提供指示评估的输出。

Description

用于确定体育赛事中降低的运动员表现的系统和方法

本申请是申请号为201980057186.5、申请日为2019年7月2日、发明名称为“用于确定体育赛事中降低的运动员表现的系统和方法”的PCT国际发明专利申请的分案申请。

相关申请的交叉引用

本申请要求于2018年7月2日提交的美国临时申请No.62/693,436的权益，其名称为“用于确定体育赛事中降低的运动员表现的系统和方法(Systems and Methods forDetermining Reduced Player Performance in Sporting Events)”，在此通过引用将该申请全部纳入本文中。本申请与2017年12月12日提交的美国专利申请No.15/839,445相关，该申请的名称为“体育环境中跟踪带球和传球的系统和方法”，该申请是2016年6月3日提交的名称为“体育环境中跟踪带球的系统和方法”的美国专利申请No.15/173,245的部分继续，在此通过引用将这两份申请的内容全部并入本文中。

技术领域

本申请涉及用于确定体育赛事中降低的运动员表现的系统和方法。

背景技术

运动员经常花费无数小时训练以提高他们的技能水平，使得他们可以在体育赛事—例如篮球比赛、足球比赛、曲棍球比赛和其它体育比赛—中变得更具竞争力。为了帮助体育员提高他们的技能水平，已经开发了系统，其在训练或参加体育赛事时跟踪运动员的表现，然后提供指示表现的反馈。然后可以评估这样的反馈以帮助体育员提高他/她的技能水平。例如，共同转让的美国专利No.7,094,164描述了一种系统，该系统在篮球投篮期间跟踪篮球的轨迹，使得投篮者可以使用来自系统的反馈，以用于提高他在投篮时的技能。

跟踪运动员—诸如篮球、足球或曲棍球运动员—的带球/传球的表现提出了各种挑战，这些挑战可能限制试图评估带球或传球表现的跟踪系统的有效性。例如，带球或传球的持续时间通常非常短，并且可能以相对高的速度发生。此外，带球可能涉及球或冰球频繁地改变方向和速度。此外，当运动员带球或传球或防守带球或传球的运动员时，被运带或传递的球或冰球被经常变得至少暂时被运动员隐藏而不可见，使得难以一致且准确地随时间推移跟踪带球或传球。此外，与一些其它活动(例如投篮—其中理想的轨迹可以通过某些参数(例如，进入角度)来表征，这些参数在投篮与投篮之间没有显著变化)不同，理想带球或传球的特性可能根据带球者或传球者的情况而急剧变化，使得很难准确评估带球者或传球者的表现和技能水平。

由于这些和其它挑战，很少作出尝试来开发试图确定运动员在体育赛事中何时假装表现出降低的表现水平。

发明内容

在一些实施例中，本申请提供了一种用于在具有至少一个球门的场地或球场的体育赛事期间评估运动员表现的系统，所述系统包括：至少一个传感器，所述至少一个传感器被配置为对于在所述体育赛事期间由运动员进行的第一多个投射，捕获与所述运动员朝向所述至少一个球门发射至少一个对象关联的传感器数据；至少一个处理器，所述至少一个处理器被配置为接收所述传感器数据，并对于所述第一多个投射中的每一个基于所述传感器数据确定限定所述至少一个对象朝向所述至少一个球门行进的轨迹的数据，所述至少一个处理器被配置为将由对于所述第一多个投射的数据限定的所述至少一个对象的第一轨迹与由历史数据指示的第二轨迹得出的参数进行比较，以确定至少一个评分，所述至少一个评分指示所述运动员在生成所述第一轨迹时的表现与在生成所述第二轨迹时的运动员表现一致的程度，其中，所述第二轨迹针对在所述体育赛事之前对于第二多个投射朝向多个球门发射的多个对象，并且其中，所述至少一个处理器被配置为基于所述至少一个评分确定所述运动员故意在所述体育赛事中表现降低的概率；和输出设备，所述输出设备被配置为提供指示所确定的概率的输出。

在一些实施例中，所述至少一个传感器包括相机。

在一些实施例中，所述对象是篮球，并且其中，所述至少一个球门包括具有用于接收所述篮球的篮筐的篮球框。

在一些实施例中，所述至少一个处理器被配置为确定所述第一多个投射中的至少一个的进入角度，并将所述进入角度与所述参数中的至少一个进行比较，并且其中，所述进入角度指示所述至少一个对象进入所述至少一个球门的角度。

在一些实施例中，所述至少一个处理器被配置为确定所述第一多个投射中的每一个的投射类型，并对于所述第一多个投射基于由所述至少一个处理器确定的投射类型将所述第一轨迹与所述第二轨迹进行比较。

在一些实施例中，所述至少一个处理器被配置为对于所述第一多个投射中的每一个，确定对于所述第一多个投射中的相应投射的所述至少一个对象的轨迹与所述第二轨迹一致的程度。

在一些实施例中，本申请提供了一种用于在具有至少一个球门的场地或球场的体育赛事期间评估运动员表现的方法，所述方法包括：使用至少一个传感器对于在所述体育赛事期间由运动员进行的第一多个投射，捕获与所述运动员朝向所述至少一个球门发射至少一个对象关联的传感器数据；使用至少一个处理器接收所述传感器数据；使用所述至少一个处理器对于所述第一多个投射中的每一个基于所述传感器数据确定对于所述第一多个投射中的相应投射限定所述至少一个对象朝向所述至少一个球门行进的轨迹的数据；使用所述至少一个处理器，将由对于所述第一多个投射的数据限定的所述至少一个对象的第一轨迹与从历史数据指示的第二轨迹得出的参数进行比较，其中，所述第二轨迹针对在所述体育赛事之前对于第二多个投射朝向多个球门发射的多个对象；使用所述至少一个处理器基于所述比较确定至少一个评分，所述至少一个评分指示所述运动员在生成所述第一轨迹时的表现与在生成所述第二轨迹时的运动员表现一致的程度；使用所述至少一个处理器，基于所述至少一个评分确定所述运动员故意在所述体育赛事中表现降低的概率；和提供指示所确定的概率的输出。

在一些实施例中，所述至少一个传感器包括相机。

在一些实施例中，所述对象是篮球，并且其中，所述至少一个球门包括具有用于接收所述篮球的篮筐的篮球框。

在一些实施例中，所述方法还包括使用所述至少一个处理器确定所述第一多个投射中的至少一个的进入角度，其中所述比较包括将所述进入角度与所述参数中的至少一个进行比较，并且其中，所述进入角度指示所述至少一个对象进入所述至少一个球门的角度。

在一些实施例中，所述方法还包括使用所述至少一个处理器确定所述第一多个投射中的每一个的投射类型，其中，所述比较基于由所述至少一个处理器对于所述第一多个投射确定的投射类型。

在一些实施例中，所述方法还包括使用所述至少一个处理器对于所述第一多个投射中的每个投射确定对于所述第一多个投射中的相应投射的所述至少一个对象的轨迹与所述第二轨迹一致的程度。

附图说明

所包括的附图出于说明性目的，并且仅用于提供用于向远程客户端提供比赛服务的所公开的发明系统和方法的可能结构和过程步骤的示例。在不脱离本发明的精神和范围的情况下，这些附图决不限制本领域技术人员可以对本发明进行的形式和细节上的任何改变。

图1是表现跟踪系统的实施例的框图。

图2是在图1的跟踪系统中使用的相机的实施例的框图。

图3是在图1的跟踪系统中使用的计算设备的实施例的框图。

图4是在训练序列或比赛序列期间评估带球和/或传球动作的实施例的信息流程图。

图5是图3的计算设备的对象跟踪器的实施例的框图。

图6是运动比赛表面上的进攻和防守篮球运动员的图示。

图7是用于跟踪系统的增强现实系统的实施例的框图。

图8是评估运动员在体育赛事期间是否正在以降低的表现水平进行比赛的实施例的信息流程图。

具体实施方式

提供了系统和方法，用于跟踪和评估与从事体育赛事的训练课或体育赛事的现场比赛的人相关联的投射、运带和/或传递动作(包括：从运带动作到传递动作的转换，这可称为运带到传递的转换；或从运带动作到投射动作的转换，这可称为运带到投射的转换)。在体育赛事中，运带动作可以与球、冰球或体育赛事中使用的其它对象的方向变化之间的重复性运动或短轨迹序列相关联。用于运带的重复性运动或短轨迹序列可以涉及上下运动(例如在篮球中)或者球或冰球的前后运动(例如在足球或曲棍球中)。投射动作可以涉及对象从人向球门的运动，以便将对象放入球门中。运带到传递的转换可以与人的运带动作结束和人的传递动作开始期间对象的运动相关联。运带到投射的转换可以与人的运带动作结束和人的投射动作开始期间对象的运动相关联。传递动作可以与体育赛事期间两人之间的对象运动相关联，以便将对象的占有从一个人转移到另一个人。在传递动作期间，对象的运动可以是向前、向后或向侧面，这取决于传递对象的人(传递者)和接收对象的人(接收者)的位置。在一个实施例中，还可以提供系统和方法，用于跟踪和评估从事体育赛事的训练课或体育赛事(如足球或橄榄球)的现场比赛的人的踢球运动。例如，可以跟踪和评估与橄榄球中尝试射门评分或附加分(例如，将球踢到门柱之间)或足球中的射门(例如，将球踢向球门)相关的踢球运动。该系统可以使用一个或多个相机来捕获人对对象的投射、运带、踢和/或传递的图像；使用一个或多个传感器来捕获对对象的投射、运带、踢和/或传递有关的数据；并且使用至少一个处理器来分析图像和/或传感器数据以确定和评估与投射、运带、踢和/或传递动作相关的一个或多个特性。这些特性可以涉及：投射、运带、踢和/或传递类型；投射、运带、踢和/或传递姿势；投射、运带、踢和/或传递属性；以及转换属性。

此外，为了维持体育赛事的完整性，可能希望知道何时运动员的表现不在通常与该运动员相关的水平上。运动员可能因为受伤或受到某种物质的影响，或者因为该运动员出于非法原因(例如，出于诸如故意改变比赛以控制投注线是否被覆盖之类的赌博目的)而试图改变体育赛事(或体育赛事的一部分)的结果，而在体育赛事中没有表现出其通常的表现水平。对体育赛事的观察者来说，运动员故意动作的结果可能与运动员自然动作所产生的结果难以区分。例如，故意失误的投射可能看起来与运动员实际上试图进行的失误投射相同。

在一些实施例中，提供了用于确定运动员在体育赛事期间进动作作时的表现是否低于该运动员在执行相同动作时的预期表现水平的系统和方法。可以基于各种不同的因素对运动员在体育赛事期间的动作(例如，投射、运带和/或传递)进行评估和分类。一些因素可以包括动作类型、体育赛事中的相应情况、防守者提供的防守水平、运动员的疲劳程度和/或与运动员的动作相关联的其它合适因素(例如，运动员正试图引诱防守者犯规)。例如，动作类型可以是投射动作的投射类型，体育赛事中对应的情况可以是体育赛事接近尾声时比分接近，防守水平可以是运动员的高防守水平，并且疲劳程度可以是运动员的高疲劳程度。

一旦对运动员的动作进行了分类，就可以基于运动员的动作确定与分类动作相关的相应特性。例如，对于投射动作，可以使用的一些特性是投射的进入角度、投射的落点(例如，投射的深度和投射相对于篮球门的篮圈的左右位置)、球的旋转速度、球的旋转轴线、投射的释放高度或投射的释放速度。然后，可以相对于针对同一(或基本相似)分类动作的运动员的预期特性来评估所确定的运动员动作特性。在一个实施例中，可以相对于相应特性的可接受的值范围来评估所确定的特性。可以基于对运动员的动作的确定特性的评估，生成运动员的动作对运动员来说是非典型(即，运动员没有以运动员预期的方式表现)的概率。

然后，可以将生成的运动员的非典型动作的概率与阈值概率进行比较，以确定是否存在运动员的表现水平与该分类动作的运动员正常表现水平相比有所降低的指示。然后，可以进一步评估和/或调查所确定的指示，以确定是否有理由怀疑该运动员实际上是以与该人预期的表现水平相比降低的表现水平进行表现。此人可能以较低的表现水平进行比赛的一些原因包括：此人受伤或受到某种物质的影响；或者此人出于非法原因(如操纵投注结果)故意试图改变体育赛事(或体育赛事的一部分)的自然结果。

在其他实施例中，可以使用机器学习来评估运动员在体育赛事期间的动作(例如，投射、运球、踢球和/或传球)。深度学习过程可以接收多个输入，例如视频数据和/或与动作相关联的所确定的参数(例如，投射的进入角度的值)，并生成指示该动作是否为运动员的非典型动作的输出。深度学习过程可以基于深度学习过程的输入来识别参数，并且可以基于对所识别的参数的评估来生成输出。

图1示出了用于跟踪投射、带球和/传球动作(包括从带球到传球动作的转换)的系统1500的实施例。出于说明性目的，将在投射、运带和/或传递篮球的背景下描述系统1500。然而，可以对于其它体育运动(例如足球、曲棍球或场地曲棍球)中的投篮、带球和/或传球使用该系统，并且该系统对于跟踪体育运动(例如美式足球、空中曲棍球、乒乓球等)中的对象特别有用，这些体育运动涉及在体育运动所使用的对象的方向变化之间的重复动作或者短轨迹序列。

系统1500可包括通信地耦接到计算设备1504的至少两个深度感测相机1502或其它类型的相机。相机1502可定位在运动比赛表面(例如篮球场或其它类型的比赛区域1516)周围和/或上方并用于捕获投射、运带和/或传递篮球(包括运带到传递的转换)的人的图像。相机1502的各种位置是可能的。作为示例，相机1502可以定位在比赛区域1516的相对侧上，使得篮球对于至少一个相机1502是可见的，而不管此人面向的方向或篮球位于此人的身体哪一侧。至少一个相机1502可以安装在天花板或与篮球框相关的结构(例如，篮球框的背板、位于背板上方的时钟或耦接到篮球框的柱)上。

相机1502可以将捕获的图像作为相机数据提供给计算设备1504。计算设备1504可以分析来自相机1502的相机数据以跟踪球的带球动作并确定和/或评估带球动作的一个或多个特性，例如，带球的类型(例如，交叉带球、背后带球、双腿间带球等)；进行带球的人的姿势(例如带球姿势、身体运动和进行带球的手)；和带球的属性(例如球速、带球高度、重复率、力量、方向和失误)。

在一个实施例中，带球的类型可以指与篮球比赛相关联的典型带球动作。交叉带球可以指在人的面前进行的球的单次带球(或弹跳)的情况下球从运动员的一只手到运动员的另一只手的运动。背后带球可以指在人的后前进行球的单次带球(或弹跳)的情况下球从运动员的一只手到运动员的另一只手的运动。双腿间带球可以指球在人体的躯干下方进行单次带球(或弹跳)的情况下球从运动员的一只手到运动员的另一只手的球的运动，使得球在人的“腿之间”行进。如下面将更详细描述的，计算设备1504可以通过分析球相对于带球的人的所识别的身体部位(例如，躯干、腿、手等)的运动来确定带球的类型。

在另一个实施例中，带球属性可以指与带球动作相关联的典型属性。球速可以指球在其行进至人手以及离开人手行进时的速度。带球高度可以指人的手与运动比赛表面之间的距离。重复率可以指在限定的时间段内球离开并返回到人手的次数。力量可以指人的手施加到球上的力的大小。失误通常可指带球的人失去对球的控制。作为示例，当球直接从带球的人转移到另一球队的运动员或界外区域时，可以检测到失误。

计算设备1504还可以分析来自相机1502的相机数据和/或来自传感器的传感器数据，以跟踪从带球动作到传球动作的转换和/或跟踪传球动作。计算设备1504可以确定和/或评估带球到传球转换的个或多个特性/或传球动作的一个或多个特性，例如：传球的类型(例如，胸前传球、弹跳传球、高空传球、背后传球、棒球传球等)；进行传球的人的姿势(例如，传球姿态、身体运动和进行传球的手)；转换的类型(例如，从两腿之间的带球到弹跳传球的转换、从交叉带球到胸前传球的转换等)；转换的属性(例如，带球后获得控球的时间、带球后释放传球的时间、人与防守者的分离以及传球前的球的位置)；以及传球的属性(例如，球速、传球高度、传球位置、传球精度、传球距离、释放时间、力量、方向和失误)。

需要注意的是，从带球到传球的转换可以包括带球动作(例如，恰在进行传球之前的带球动作)和传球动作(例如，恰在运动员最后带球之后的传球动作)。事实上，优秀的运动员经常在还在进行带球时或在带球后不久就发起传球动作，这样，运动员的带球对运动员传球的类型或质量有影响，并且当运动员从带球转换到传球时，可以基于带球参数和传球参数来衡量带球到传球转换的质量。因此，在评估运动员从带球到传球的转换中的表现时，系统可以确定指示恰在进行传球之前的带球表现的带球参数，并且还可以确定指示运动员从带球发起传球时传球表现的传球参数。然后，系统可以基于带球参数和传球参数两者来评估带球到传球的转换(例如，提供指示运动员从带球转换到传球的表现的至少一个值)。下面将更详细地描述用于评估运动员在带球、传球、从带球到传球的转换以及进行其它调转中的表现的各种技术。

在一个实施例中，传球类型可以指与篮球比赛相关的典型传球动作。胸前传球可以指球从一名运动员的前躯干到另一名运动员而不接触比赛表面的运动。背后传球可以指球从一名运动员的身后到另一名运动员(球可能接触或不接触比赛表面)的运动。弹跳传球可以指球从一名运动员的前躯干在触及比赛表面后(即从比赛表面弹跳)到另一名运动员的运动，通常只触及比赛表面一次。高空传球可以指球从一名运动员的头上方到另一名运动员的运动，而不接触比赛表面。棒球传球可以是指在不触及比赛表面的情况下，用单手在肩部或肩部以上使球从一名运动员的前面到另一运动员的动作。如下面将更详细地描述的那样，计算设备1504可以通过分析球相对于传球者、比赛表面和接球者的已识别的身体部位(例如，躯干、腿、手等)的运动来确定传球的类型。

在另一个实施例中，传球属性可以指与传球动作相关的典型属性。球速可以指的是球从人的手中行进出时的速度。传球高度可以指：当球离开传球者的手时，球与运动比赛表面之间的距离；当球到达接球者时，球与运动比赛表面之间的距离；或当球在传球者和接球者之间行进时，球与运动比赛表面之间的平均距离。传球位置可以指传球完成时(例如传球被接球者接住或传球出界)球的位置(相对于接球者)。传球精度可以指传球者在预定的传球位置向接球者提供传球的能力。传球距离可以指传球者和接球者之间的行进距离。传球时间可以指完成传球动作并使球从传球者手中离开的时间。力量可以指人的手对球所施加的力量大小。方向可以指球在行进至接球者时(相对于传球者)的方向(例如，向前、向后、横向等)。失误一般可以指传球者或接球者失去对球的控制。例如，当球从传球者直接行进至另一队的运动员或界外区域时，可以检测到失误。

在再一实施例中，转换属性可以指与从带球动作到传球动作的转换相关的典型属性。从带球动作到传球动作的转换可以指为停止带球动作、获得控球和传球而执行的步骤序列。带球后获得控球的时间属性可以指从停止带球动作到获得控球以开始传球动作的时间段。带球后释放传球的时间可以指带球动作停止时到球离开传球者的手之间的时间段。人与防守者的间隔可以指发起传球动作时传球者与防守者(如果存在)之间的距离。传球前球的位置属性可以指开始传球动作前球的位置(相对于传球者)。在一个实施例中，从带球动作到传球动作的转换除了结合有带球动作和传球动作之间的动作特性(在这种中间动作存在的范围内)，还可以结合有带球动作的一个或多个特性和/或传球动作的一个或多个特性。

此外，计算设备1504还可以分析来自相机1502的相机数据和/或来自传感器1514的传感器数据，以跟踪从带球动作到投篮动作的转换和/或跟踪投篮动作。计算设备1504可以确定和/或评估指示带球到投篮转换的特性的一个或多个参数和/或指示投篮动作的特性的一个或多个参数，例如：投篮的类型(例如，跳投、定点投篮、上篮、三分投篮、拉杆投篮、接球投篮、后撤步投篮、兜球投篮、勾手投篮、罚球等)；进行投篮者的姿势(例如：投篮姿态、进行投篮的身体运动和投篮的手)；转换类型(例如，从两腿之间的带球到跳投的转换、从交叉带球到三分投篮的转换等)；转换的属性(例如，带球后获得控球的时间、带球后释放投篮的时间、人与防守者的间隔以及投篮前球的位置)；以及投篮的属性(例如，投篮的进入角度、投篮的进入速度、投篮轨迹、投篮成功/失败(即投篮过程中球是否穿过篮圈)、投篮落点(例如，投篮的深度和投篮相对于篮圈的左右位置)、投篮位置(例如，进行投篮时在比赛面上的位置)、投篮高度、投篮的释放速度、投篮的释放高度和/或投篮时投篮者身体或身体部分的位置(例如，投篮时投篮者的脚的位置)。用于评估指示或以其它方式与投篮动作的特性相关的参数的各种示例性技术可以在2017年8月23日提交的名称为“跟踪篮球运动员表现的系统和方法”的美国专利申请NO.15/684,413以及在2016年7月12日发布的名称为“体育环境中具有表现结果预测的立体图像捕获”的美国专利No.9,390,501以及在2016年11月8日提交的名称为“用于监测沿回弹飞行路径的篮球的系统和方法”的美国专利申请NO.15/346,509，这些申请或专利中的每一项都通过引用并入本文中。

请注意，从带球到投篮的转换可以包括带球动作(例如，恰在进行传球之前的带球动作)和投篮动作(例如，恰在运动员最后带球之后的投篮动作)。事实上，优秀的运动员经常在还在进行带球时或在带球后不久就发起投篮动作，这样，运动员的带球对运动员的投篮类型或质量有影响，并且当运动员从带球转换到投篮时，可以基于带球参数和投篮参数两者来衡量带球到投篮转换的质量。因此，在评估运动员从带球到传球的转换中的表现时，系统可以确定指示恰在进行传球之前的带球表现的带球参数，并且还可以确定指示运动员从带球发起投篮时投篮表现的投篮参数。然后，系统可以基于带球参数和投篮参数两者来评估带球到投篮的转换(例如，提供指示运动员从带球转换到投篮的表现的至少一个值)。

系统1500可以具有通信地耦接到计算设备1504的输入设备1506和输出设备1508。输入设备1506可以是可以能够用于识别球或带球的人的任何设备或机构(例如标签)。作为示例，输入设备1506可以由运动员佩戴并且与计算设备1504无线地沟通识别运动员或提供关于运动员的其它信息的信息。在其它示例中，输入设备1506可以被配置为从运动员接收手动输入，并且无线地向计算设备1504发送由运动员提交的信息，诸如识别运动员或者提供关于运动员的其它信息的信息。使用输入设备1506的识别过程可以在系统1500的初始化期间自动发生，或者可能需要人的一个或多个动作，例如站在预定位置或执行预定动作。输出设备1508可以是显示屏或其它类似的输出设备，其可以向人提供与投篮动作、带球动作、传球动作以及/或者带球到传球转换(例如由待执行的传球动作跟随的要重复的带球序列)相关的训练或其它信息以及训练或测试过程的结果。

在一个实施例中，输入设备1506和输出设备1508被集成到单个装置(例如智能手机或其它移动设备)中。在进行比赛或训练之前，用户可以使用这样的装置来输入信息，然后接收来自计算设备1504的指示表现结果或其它训练信息的反馈。

计算设备1504可以通信地耦接到照明系统1510，以在人正在带球的区域中控制照明效果(例如光的亮度和方向)。在一个实施例中，照明系统1510可包括一个或多个光源1511。光源1511可包括白炽灯泡、发光二极管(LED)或组装到灯或照明灯具中的荧光灯。但在其它实施例中，其它另外的类型的光源1511是可能的，包括提供人眼不可见的光或辐射的光源(例如红外或紫外光源)。取决于所使用的光源1511的类型，可以选择和/或配置相机1502以检测来自相应光源1511的光或辐射。例如，如果光源1511提供红外辐射，则相机1502可以配备红外传感器以检测来自光源1511的红外辐射。

计算设备1504可用于控制照明系统1510的光源1511的照明状态(例如，开启状态或关闭状态)、照明输出光圈位置(例如，所有光可以退出或减少的光量可以退出)以及/或者照明输出强度(例如，高强度输出或低强度输出)。此外，光源1511可以包括可以通过计算设备1504调节的一个或多个反射器，用于改变光源1511输出的光的方向。此外，照明系统1510可以包括用于光源1511的一个或多个机构(例如轨道和机动小车)，以允许由计算设备1504调节光源1511的位置和/或取向。计算设备1504可以被配置为基于计算设备1504对从相机1502接收的图像的分析来向照明系统1510提交用于控制光源1511的状态的命令，以便实现用于分析所捕获图像的更佳的照明条件。

系统1500还可以包括校准标记1512，例如被设计成发出特定颜色的光的LED(发光二极管)灯，或者已经着色特定颜色的对象，计算设备1504可以使用该校准标记1512来校准(或者重新校准)来自相机1502的相机数据。校准标记1512可以在图像中被识别，并用作对应于已知位置的参考点。为了便于识别标记1512，可以将标记的颜色设置为预定颜色(其可以是在自然环境中很少发现的颜色)，计算设备1504在从相机1502接收的图像中搜索该颜色。一旦计算设备在接收的图像中找到标记1512，计算设备1504然后可以在校准来自不同相机1502的相机数据时使用标记1512作为参考点。通过在图像内具有已知的参考点，计算设备1504能够基于对不同图像中的已知参考点的识别，识别来自相机1502—它们从不同的视场显示相同的“项目”—的不同相机数据组中的像素。在一个实施例中，校准标记1512可以作为光源1511结合在照明系统1510中。在其它实施例中，其它类型的标记，例如球场标记可以用作已知的参考点。

在一个示例中，假设多个相机1502同时捕获由计算设备1504分析的球的图像。使用来自不同相机1502的每个图像中的标记1512，计算设备1504可以使表示来自一个相机1502的一个图像中的一个物理位置的像素与表示来自另一个相机1502的另一个图像中的相同物理位置的像素相关。也就是说，来自多个相机的像素坐标可以使用标记1512作为参考而同步到全局坐标系。因此，可以使用由任何相机1502捕获的任何图像在空间中相对于全局坐标系准确地确定球在给定瞬间的位置。因此，当球移入和移出多个相机的视场时(例如，当运动员改变带球或转动他的身体时，球可能对于一个相机1502的视场被屏蔽但对另一个相机1502可见)，只要球在至少一个相机1502的视场中，在任何给定瞬间球相对于全局坐标系的位置就可以由计算设备1504从图像中准确地确定。因此，随着时间的推移，当球进入和离开相机视场时，可以用多个相机1502准确且一致地跟踪球的位置。

诸如加速度计或其它类似类型的传感器的一个或多个传感器1514可以向计算设备1504提供位置、运动和/或加速信息，以用于确定带球动作、带球特性、传球动作、传球特性、转换动作和/或转换特性。在一个实施例中，传感器1514可以结合到球中和/或附接到或者包括在投篮、带球和/或传球的人身上，并且来自传感器1514的信息可以无线传输到计算设备1504。在另一个实施例中，传感器1514还可以包括一个或多个生物识别传感器(例如，心率监测器或脉搏血氧仪)，其可以测量投篮、带球或传球的人的身体表现。

比赛区域1516可以具有一个或多个传感器(可以包括传感器1514)以及/或者一个或多个相机1502，其可以向计算设备1 504提供关于人和投篮、带球动作和/或传球动作(包括带球到传球转换)的信息。例如，比赛区域1516可以具有一个或多个传感器，这些传感器嵌入在比赛区域1516的地板或墙壁中、围绕比赛区域1516的周边定位、定位在比赛区域1516中的器材(例如，篮球框、篮球网或背板)上或以其它方式与比赛区域1516相关联。传感器可包括光学传感器，接近传感器，红外传感器，磁传感器，触摸传感器，高度传感器，温度传感器，压力传感器或任何其它适当类型的传感器的任何组合。与比赛区域1516一起使用的传感器可以基于由传感器提供的信号提供关于比赛区域1516中的人的位置以及球在比赛区域1516中的位置和运动的信息。

在一个实施例中，比赛区域1516可以是具有位于比赛区域1516的一侧(或多)侧上的有界区域，以在系统1500跟踪带球动作时防止球离开比赛区域1516。此外，比赛区域1516的墙壁可以用于评估用户的传球表现，该传球可以包括从带球动作到传球动作的转换。比赛区域1516的墙壁可以结合一个或多个传感器(例如，压力传感器、接近传感器等)。在一个实施例中，传感器可以嵌入墙壁中和/或位于墙壁后，以检测球的接触，该接触可以指示用户已经尝试了传球。为了评估用户的传球表现，系统1500可以在其中一堵墙壁上显示一个目标，并且可以要求用户用传球“击中”该目标。在一个实施例中，可以向用户显示多个目标，并且可以要求用户选择“正确的”目标以接受传球。系统1500可以在用户的带球动作和用户的非带球动作(例如，用户持球)期间评估用户的传球表现(包括对合适目标的选择)。

系统1500可以评估带球表现、从带球动作到传球动作的转换(如果用户在带球)和/或用户的传球表现。例如，系统1500然后可以确定和评估用户完成转换和传球动作的速度(例如，目标显示在墙壁上时与球接触墙壁时之间的时间)以及用户的传球准确度(例如，球接触墙壁时目标位置和球的位置之间的距离)。

目标可以位于墙壁上的固定位置以向用户提供“固定的”目标，或者可以沿墙壁水平和/或垂直移动以向用户提供“移动的”目标。当目标在墙上显示给用户时，用户可以执行传球动作以尝试传球，使得球到达与目标相同的位置。然后，系统1500可以评估传球动作并使用传感器和/或相机1502确定球相对于目标接触墙壁的位置。在一个实施例中，显示在墙壁上的目标可以是点、圆或泡状。目标可以经由位于比赛区域1516的壁中或壁后的灯(例如，LED)或与比赛区域1516相关联的投影仪来显示。在另一个实施例中，目标可以是由投影仪或其它设备显示在墙壁上的人的图像。在又一实施例中，如下文更详细描述的那样，目标可以不显示在墙上，并且可以经由增强现实系统呈现给用户。

计算设备1504可以通信地耦接到网络1518，例如局域网(LAN)或广域网(WAN)，以允许计算设备1504与远程存储系统1520和远程设备1522通信。在一个实施例中，网络1518可以是因特网。远程存储系统1520可用于远程存储由计算设备1504生成和/或获得的相机数据、带球动作和特性信息、传球动作和特性信息、转换信息以及其它信息。远程设备1522可以用于显示由计算设备1504生成或获得的相机数据、带球动作和特性、传球动作和特性信息以及/或者转换信息。在一个实施例中，远程设备1522可以是手持设备，例如智能手机或平板计算机。在另一个实施例中，可以使用远程设备1522代替输出设备1508。

计算设备1504可以与系统1500的其它组件无线地(即，通过携带信号的电磁或声波)进行通信，但是计算设备1504可能通过导电介质(例如，导线)、光纤或以其它方式与系统1500的其它组件通信。在一个实施例中，系统组件中的一个或多个(除了计算设备1504之外)可以通过无线或有线连接彼此直接通信(无需与计算设备1504通信)。例如，每个相机1502可以彼此直接通信以同步相机1502的开始时间或以其它方式同步相机1502或由相机1502捕获的数据。在另一个示例中，相机1502可以直接与照明系统1510通信，以便当相机1502检测到达不到最优的照明条件时，改变照明条件。

在一个实施例中，相机1502和照明系统1510的光源1511可以是固定的。然而，在其它实施例中，相机1502和光源1511中的一个或多个可以是便携式的。相机1502和光源1511中的每一个可以定位在相对于运动比赛表面的特定位置。

相机1502中的一个或多个可以水平和/或竖直地自动旋转或枢转，以便在不改变相机1502的位置的情况下调整相机1502的视场。类似地，照明系统1510的一个或多个光源1511可以水平和/或竖直地自动旋转或枢转，以便在不改变光源1511的位置的情况下调节光源1511的输出方向。在一个实施例中，相机1502和/或光源1511的旋转或枢转可以预编程到相机1502和/或光源1511中，使得相机1502和/或光源1511根据预定序列旋转或枢转。在另一个实施例中，相机1502和/或光源1511的旋转或枢转可以响应于用户、计算设备1504或其它设备提供给相机1502和/或光源1511的指令。

图2示出了可以与跟踪系统1500一起使用的相机1502的实施例。图2中所示的相机1502可包括逻辑1530，在此称为“相机逻辑”，其可以用软件、固件、硬件或其任何组合来实现。图2中，相机逻辑1530以软件实现并存储在存储器1532中。然而，在其它实施例中，相机逻辑1530的其它配置是可能的。当以软件实现时，相机逻辑1530可以在任何计算机可读介质上存储和传输，以供可以获取和进行指令的指令进行装置使用或与之结合使用。

图2中所示的相机1502的实施例可包括：至少一个常规处理元件1534，其可以包含用于进行存储在存储器1532中的指令的处理硬件。作为示例，处理元件1534可以包括中央处理单元(CPU)，数字信号处理器(DSP)，图形处理单元(GPU)和/或量子处理单元(QPU)。处理元件1534可以经由本地接口1536与相机1502内的其它元件通信以及驱动这些其它元件，本地接口1536可以包括至少一个总线。相机1502可以具有时钟1538，其可以用于跟踪时间并与其它相机1502同步操作。

相机1502可以具有通信模块1540。通信模块1540可以包括射频(RF)无线电或用于与计算设备1504或系统1500的其它组件无线通信的其它设备。电源1542具有接口，该接口允许电源1542插入外部组件或以其它方式与外部组件(例如壁装电源插座或电池)连接，并从外部组件接收电能。

如图2所示，相机1502还可以包括图像传感器1550，深度传感器1546，音频传感器1548和光传感器1544。图像传感器1550可以用于记录、捕获或获得相机1502周围或附近的区域的图像或视频。在一个实施例中，图像传感器1550被配置为捕获比赛区域的二维(2-D)视频图像，包括被运带或传递的对象、进行运带的人以及运动比赛区域中的任何其他运动员的图像。深度传感器1546可用于确定相机1502的视场中的对象的相对距离(相对于深度传感器1546)。音频传感器1548或麦克风可用于记录在相机1502周围或附近的区域中出现的声音或噪声。光传感器1544可以被配置为感测相机1502周围区域中的环境光。

图像传感器1550可包括一个或多个CCD(电荷耦接器件)和/或一个或多个有源像素传感器或CMOS(互补型金属氧化物半导体)传感器。来自图像传感器1550的图像或视频可以作为图像数据1552存储在存储器1532中。在一个实施例中，图像数据1552可以限定捕获的图像的帧。图像数据1552可以以任何正确的文件格式存储，包括但不限于PNG(便携式网络图形)，JPEG(联合图像专家组)，TIFF(标记图像文件格式)，MPEG(运动图像专家组)，WMV(Windows媒体视频)，QuickTime和GIF(图形交换格式)。来自音频传感器1548的声音记录可以合并到来自图像传感器1550的视频文件中并存储在图像数据1552中。如果来自音频传感器1548的声音记录不是视频文件的一部分，则可以以任何正确的文件格式存储声音记录，包括但不限于WAV(波形音频)，MP3(MPEG层III音频)，WMA(Windows媒体音频)和MPEG，并保存在图像数据1552中或存储器1532的其它地方。

在一个实施例中，对于图像数据1552的每一帧，深度传感器1546可以提供指示图像帧的每个像素的相应深度的深度图。由深度传感器1546提供的深度图可以作为深度数据1554存储在存储器1532中。注意，深度传感器1546可以被定向成使得由深度传感器1546测量的距离在基本正交于图像传感器1550使用的2D坐标系的平面的方向上，但是在其它实施例中深度传感器1546的其它取向也是可能的。

有时，相机逻辑1530可以被配置为将图像数据1552和深度数据1554发送到计算设备1504。图像数据1552和深度数据1554可以由计算设备1504分析，以跟踪带球动作并从带球动作确定一个或多个带球特性，以跟踪传球动作并从传球动作中确定一个或多个传球特性，或跟踪带球到传球的转换并确定一个或多个转换特性。可以基于时钟1538指示的时间对图像数据1552和深度数据1554加时间戳，以便指示何时获得图像数据1552和深度数据1554。因此，在从多个相机1502接收到图像数据时，计算设备1504基于时间戳可以确定基本上同时捕获了来自多个相机1502的哪些图像帧，以促进跟踪球的运动。有时，相机1502可以彼此通信和/或与计算设备1504通信，以便使它们的时钟同步，使得来自一个相机1502的图像帧的时间戳与另一个相机1502的图像帧的时间戳的比较准确地指示捕获这两个图像帧的时间差。可以将图像数据1552和深度数据1554呈现给用户以供分析或查看。

各种类型的图像传感器1550和深度传感器1546可以用在相机1502中。在一个实施例中，相机1502可以使用微软公司出售的

相机系统来实现。在这样的相机中，图像传感器1550和深度传感器1546集成在同一壳体中。图像传感器1550被配置为捕获包括视频数据帧的视频流，其中每个帧由多个像素限定。每个像素与表示2D空间中的位置的两个坐标相(x坐标和y坐标)关联。对于每个帧，为每个像素被分配颜色值(其可以包括红色分量(R)值，蓝色分量(B)值和绿色分量(G)值)，颜色值指示由图像传感器1550从对应于像素的坐标的2D空间中的位置接收的光的颜色。此外，对于每个像素，深度传感器1546测量从深度传感器1546到处于2D空间中的像素的对应位置处的真实世界对象的距离。该距离(如上所述，其可以在与图像传感器1550使用的2D坐标系的平面基本正交的方向上)可以被称为对应像素的“深度”。使用来自图像传感器1550的图像数据1552和来自深度传感器1546的深度数据1554，可以在3D空间中确定由图像传感器1550捕获的对象的位置。也就是说，对于对象上的点，来自图像传感器1550提供的图像数据1552的其x坐标和y坐标指示其沿两个轴(例如，x轴和y轴)的位置，且来自深度传感器1546的点的深度值(其可以被称为“z坐标”)指示其沿着第三轴(例如，z轴)的位置。值得注意的是，由这三个轴限定的坐标系不一定与重力相关。也就是说，取决于相机1502的取向，重力可以在相对于坐标系的轴的任何方向上。因此，除非进行校准过程，否则重力相对于坐标系的方向可能是未知的。用于确定重力相对于坐标系的方向的校准过程的示例由名称为“Systems and Methods for MonitoringObjects in Athletic Playing Spaces(用于监测运动比赛空间中的对象的系统和方法)”并于2017年8月15日发布的美国专利申请No.9,734,405描述，其在此通过引用并入本文。

在一个实施例中，深度传感器1546具有波发射器(例如，红外激光投射器或其它类型的发射器)和波传感器，用于感测由波发射器发射的能量的反射。波发射器将各种波长的红外辐射发射到自由空间，但是在其它实施例中可以发射红外光谱之外的其它波长的辐射(例如，可见光)，并且波传感器感测反射的能量以捕获具有视频数据帧的视频流。来自传感器1546的深度数据1554的每一帧对应于来自图像传感器1550的图像数据1552的相应帧。此外，深度数据1554的帧的像素对应于(例如，具有相同的x和y坐标)并指示来自图像传感器1550的图像数据1552中的至少一个对应像素的深度。在另一实施例中，深度传感器1546可以使用立体相机捕获深度数据1554。

在这方面，对于由深度传感器1546捕获的视频数据的帧，深度传感器1546通过为每个像素分配表示像素的深度的新的颜色值(此处称为“深度值”)来将帧转换为深度图。因此，当显示深度图时，在图像内显示为相同颜色的对象应该距离深度传感器1546大致相同的距离，注意，在操作期间通常不必在实际上显示深度图。

如上所述，来自图像传感器1550的图像数据1552的给定像素与指示像素在2D空间中的位置的x坐标和y坐标相关联，并且该像素与来自由深度传感器1546提供的深度数据1554中的对应像素的深度值相关联，其指示像素的z坐标。x坐标、y坐标和z坐标的组合限定了像素在3D空间中相对于图像传感器1550的坐标系的位置。即，x坐标、y坐标和z坐标限定了像素的被测量的光从对象向图像传感器反射的点的位置。

图3示出了计算设备1504的实施例。计算设备1504可以实现为一个或多个通用或专用计算机，诸如膝上型计算机，手持计算机(例如，智能电话)，台式计算机或大型计算机。计算设备可以包括逻辑1560，在此称为“设备逻辑”，通常用于控制计算设备1504的操作，包括与系统1500的其它组件通信。计算设备1504还包括逻辑1562，在此称为“对象跟踪器”，用于确定对象、把弄对象的人以及运动比赛区域中的任何其它人的位置和运动，并且包括照明系统控制逻辑1563，用以控制照明系统1510和光源1511。计算设备1504还包括逻辑1564，在此称为“计算机视觉逻辑”，用于处理和分析来自相机1502的图像数据1552和深度数据1554。设备逻辑1560、计算机视觉逻辑1564、照明系统控制逻辑1563和对象跟踪器1562可以用软件、硬件、固件或其任何组合来实现。在图3中所示的计算设备1504中，设备逻辑1560、计算机视觉逻辑1564、照明系统控制逻辑1563和对象跟踪器1562以软件实现并存储在计算设备1504的存储器1566中。注意，设备逻辑1560、计算机视觉逻辑1564、照明系统控制逻辑1563和对象跟踪器1562，在以软件实现时，可以在任何非暂时性计算机可读介质上存储和传输，以供可以获取和进行指令的指令进行装置使用或与之结合使用。

计算设备1504可以包括至少一个常规处理元件1568，其具有用于进行存储在存储器1566中的指令的处理硬件。作为示例，处理元件1568可以包括中央处理单元(CPU)，数字信号处理器(DSP)，图形处理单元(GPU)和/或量子处理单元(QPU)。处理元件1568经由本地接口1570与计算设备1504内的其它元件通信并且驱动该其它元件，本地接口1570可以包括至少一个总线。此外，输入接口1572，例如小键盘、键盘或鼠标，可用于输入来自计算设备1504的用户的数据，并且输出接口1574，例如打印机、监视器、液晶显示器(LCD)或其它显示装置，可用于向用户输出数据。在一个实施例中，输入接口1572和输出接口1574可以分别对应于输入设备1506和输出设备1508。此外，通信接口1576可用于在系统1500的组件之间或与网络1518交换数据，如图1所示。

如图3所示，传感器数据1580、评估数据1582和相机数据1578可以存储在计算设备1504处的存储器1566中。相机数据1578可以包括来自相机1502的图像数据1552和深度数据1554。传感器数据1580可以包括来自传感器1514(例如，加速度计或其它传感器)和/或结合在比赛区域1516中的任何传感器的数据和测量值。相机数据1578、传感器数据1580和评估数据1582可以由设备逻辑1560、计算机视觉逻辑1564和/或对象跟踪器1562使用和/或分析，以跟踪对对象的运带动作并确定运带动作的一个或多个特性，以跟踪运带到传递的转换并确定与转换特性相关的一个或多个参数，以跟踪对象的投射动作并确定投射动作的一个或多个特性，以跟踪运带动作到投射动作的转换并确定与转换相关的一个或多个参数，以跟踪对对象的传递动作并确定与传递动作的特性相关的一个或多个参数。

评估数据1582可包括：与带球特性相关联的一个或多个参数相关联的信息；与投篮特性相关联的一个或多个参数相关联的信息；与转换特性相关联的一个或多个参数相关联的信息以及/或者与传球特性相关联的一个或多个参数相关联的信息，与举例来说，例如，与特定带球类型相关联的运动或与特定传球类型相关联的运动。评估数据1582还可以包括训练信息，例如可以在输出设备1508上显示以向用户提供关于“正确的”投篮方式和/或技术、“正确的”带球方式和/或技术和/或“正确的”传球方式和/或技术的训练指令。评估数据1582可以包括基于“正确的”投篮方式、带球方式和/或传球方式的一个或多个测试程序，其可以用于评估与用户相关联的投篮、带球和/或传球动作(包括从带球动作到传球动作的转换)。在一个实施例中，可以在输出设备1508上向用户显示测试程序，并且对象跟踪器1562可以基于在相机数据1578中捕获的用户的投篮动作、带球动作和/或传球动作关于评估数据1582中的测试程序来评估用户的表现。

对象跟踪器1562可以接收相机数据1578、传感器数据1580、来自计算机视觉逻辑1564的信息和/或与球以及带球的人相关的其它信息，以跟踪带球动作并确定带球动作的一个或多个特性。一旦确定了带球动作的特性，对象跟踪器1562就可以将所确定的带球特性(一个或多个)与评估数据1582中的对应的“正确的”带球特性信息进行比较，以对所确定的带球特性(一个或多个)进行评分或以其它方式进行评估。存储在评估数据1582中的“正确的”带球特性可以是与优选的带球动作相关联的预选参数或技术。在一个实施例中，每个所确定的带球特性可以具有存储在评估数据1582中的相应的“正确的”带球特性。正确的带球特性可以是预定数量(例如预定速度、每分钟带球的预定数量或失误的预定数量)。正确的带球特性也可以相对于进行带球的人的身体来限定(例如，带球高度不应超过带球的人的腰部)。此外，可以相对于带球的人的动作来限定正确的带球特性(例如，当人跑在跑动时可以存在一组正确的带球特性，并且当人走动或者静止时可以存在一组不同的正确带球特性)。然而，在其它实施例中，一些带球特性可能不具有对应的“正确的”带球特性。在另外的其它实施例中，“正确的”带球特性可以被限定为范围(例如大于预定最小值，小于预定最大值，或者在预定最小值和预定最大值之间)。

对象跟踪器1562还可以接收相机数据1578、传感器数据1580、来自计算机视觉逻辑1564的信息和/或与球和传球者相关的其它信息，以跟踪从带球动作到传球动作(如果适用)的转换和/或传球动作，并确定转换和/或传球动作的一个或多个特性。一旦确定了从带球动作到传球动作的转换和/或传球动作的特性，对象跟踪器1562可以将确定的转换特性和/或传球特性与评估数据1582中的相应“正确的”转换和/或传球特性信息进行比较，以对确定的转换和/或传球特性进行评分或以其它方式评估。

评估数据1582中存储的“正确的”转换特性可以是与从带球动作到传球动作的优选转换相关联的预选参数或技术。在一个实施例中，每个确定的转换特性可以具有存储在评估数据1582中的相应的“正确的”转换特性。正确的转换特性可以是预定的数字，例如预定的时间、预定的球位置或预定的失误次数。正确的转换特性也可以相对于进行转换的人的身体来定义(例如，球的位置不应超过传球人的胸部)。此外，正确的转换特性可以相对于完成转换的人的动作来定义(例如，当人在跑步同时带球时，可以有一组正确的转换特性，而当人在行走或静止的同时带球时，可以有一组不同的正确的转换特性)。然而，在其它实施例中，一些转换特性可能没有相应的“正确的”转换特性。在还有其它实施例中，“正确的”转换特性可以被定义为范围(例如，大于预定的最小值，小于预定的最大值，或者在预定的最小值和预定的最大值之间)。

存储在评估数据1582中的“正确的”传球特性可以是与优选的传球动作相关联的预选参数或技术。在一个实施例中，每个确定的传球特性可以具有存储在评估数据1582中的相应的“正确的”传球特性。正确的传球特性可以是预定的数字，例如预定的速度、预定的传球高度或预定的转身次数。正确的传球特性也可以是相对于进行传球的人的身体而定义的(例如，传球高度不应超过传球人的胸部)。此外，正确的传球特性可以相对于传球者的动作来定义(例如，当人在奔跑时可以有一组正确的传球特性，而当人在行走或静止时可以有一组不同的正确的传球特性)。然而，在其它实施例中，一些传球特性可能没有相应的“正确的”传球特性。在其它的实施例中，“正确的”传球特性可以被定义为一个范围(例如，大于预定的最小值，小于预定的最大值，或者在预定的最小值和预定的最大值之间)。

与存储在评估数据1582中的投篮特性相关联的“正确的”投篮参数可以是与优选投篮动作相关联的预选参数或技术。在一个实施例中，每个确定的投篮特性可以具有存储在评估数据1582中的相应的“正确的”投篮特性。正确的投篮特性可以是预定的数字，例如预定的速度、预定的角度或预定的线性尺寸。正确的投篮特性也可以是相对于进行投篮的人的身体而定义的(例如，人的脚应该指向篮圈)。此外，正确的投篮特性可以相对于投篮者的动作来定义(例如，当人在移动时可以有一组正确的投篮特性，而当人静止时可以有一组不同的正确的投篮特性)。然而，在其它实施例中，一些投篮特性可能没有相应的“正确的”投篮特性。在其它的实施例中，“正确的”投篮特性可以被定义为一个范围(例如，大于预定的最小值，小于预定的最大值，或者在预定的最小值和预定的最大值之间)。

计算机视觉逻辑1564可用于分析和处理存储在相机数据1578中的来自相机1502的图像数据1552和深度数据1554。计算机视觉逻辑1564可使用模型、理论和其它技术从相机数据1578中的图像数据1552和深度数据1554中提取信息，以识别或辨认要跟踪的对象以及参与到与该对象相关联的体育赛事中的一个或多个参与者(包括参与者的躯干，手臂，腿，手，脚等)。计算机视觉逻辑1564可以使用多种技术来识别或辨认对象和人，例如基于内容的图像检索、姿势估计、光学字符识别、2D代码读取、形状识别、面部识别、对象识别、模式识别以及任何其它正确的识别或辨认技术。用于识别和跟踪运动员的示例性技术在2017年2月21日提交的名称为“Systems and Methods for Monitoring Objects at SportingEvents(用于在体育赛事中监测对象的系统和方法)”的美国专利申请No.15/438,289中公开，其通过引用结合于此。

在一个实施例中，计算机视觉逻辑1564可以对来自相机数据1578的图像数据1552和深度数据1554进行以下技术和/或过程中的一个或多个：预处理；特性提取；检测/分割；高级处理；和决策做出。相机数据1578的预处理可以包括处理数据以确认数据处于正确的形式以用于后续动作。预处理动作的一些示例可以包括降噪和对比度增强。在对相机数据1578进行预处理之后，可以查看或分析相机数据1578，以从相机数据1578中提取各种复杂度的特性(例如线条，边缘，角落，点，纹理和/或形状)。接下来，在检测/分割步骤中，可以做出关于相关并且需要额外的处理的特性和/或区域的决策。对精简的一组相机数据1578(作为检测/分割步骤的结果)的高级处理涉及特定参数(例如，对象大小)的估计，以及将检测到的对象分成不同类别。最后，决策做出步骤进行对检测到的对象或人的身份的确定，或指示检测到的对象或人是未知的。

计算机视觉逻辑1564可以通过处理从相机1502接收的单独的图像和视频和/或基于来自多个相机1502的相机数据1578的任何组合或分组的图像和视频，来识别相机数据1578中存在的对象和人。计算机视觉逻辑1564可以使用由对象或人携带的标贴(label)、面部识别技术(如果识别人)、轮廓分析技术(使用对象或人的轮廓)或任何其它正确的识别技术来识别对象或人。

在一个实施例中，对象或人可以具有标贴，该标贴附着或贴附到该对象或人，并且可以由相机1502记录。如果此人携带标签(tag)，则标贴可以是(但不是必须)被结合到此人携带的标签中。计算机视觉逻辑1564可以识别附着到对象或人的标贴，然后基于存储器1566中存储的信息识别对象或人，该信息将每个标贴与对象或人相关。在另一个实施例中，计算机视觉逻辑1564可以使用面部识别来识别人，或者可以通过使用对象或人的可区分或可识别的轮廓或特性来识别对象或人。例如，对圆形或球形的识别可以指示帧中球的存在。类似于使用标贴识别对象或人的过程，计算机视觉逻辑1564可以识别相机数据1578中的对象或人的面部特性和/或其它轮廓或特性，然后将所识别的面部特性和/或资产的其它轮廓或特性与存储器1566中存储信息进行比较，该信息将关于特性和/或轮廓的信息与对象或人相关。

计算机视觉逻辑1564可以将相机数据1578和/或关于由分析相机数据1578而被识别的对象或人的信息发送到对象跟踪器1562。对象跟踪器1562可以使用来自计算机视觉逻辑1564的关于所识别的对象和/或人的信息来确定对于对象的带球动作和与带球动作关联的一个或多个带球参数、从带球动作到传球动作的转换以及与转换关联的一个或多个参数、对于对象的投篮动作以及与投篮动作关联的一个或多个投篮参数、从带球动作到投篮动作的转换以及与该转换关联的一个或多个参数或者对于对象的传球动作并确定与传球动作关联的一个或多个参数。在一个实施例中，对象跟踪器1562可以使用同步和校准的相机数据1578来确定带球动作和对应的带球特性、带球到传球转换以及相应的转换参数、投篮动作以及相应的投篮参数、带球到投篮的转换以及相应的转换参数或传球动作和相应的传球参数。相机数据1578的同步和校准可以由计算机视觉逻辑1564或对象跟踪器1562完成。

相机数据1578的同步涉及确保基本上同时捕获由计算机视觉逻辑1564或对象跟踪器1562处理的给定样本的相机数据1578的对应“帧”。在这方面，样本通常是指来自基本上同时取得的测量的数据。例如，在给定瞬间，球的图像可以由多个相机1502捕获。此外，可以从每个图像计算球的位置。在这样的示例中，由于来自多个相机的位置数据基于基本上同时捕获的图像数据，因此测量的位置是同一样本的一部分。为了确定基本上同时捕获了哪些帧，可以限定全局时间系统。作为示例，计算设备504可以维持全局时间系统并根据全局时间系统调整来自每个相机1502的时间戳，以使时间戳同步。也就是说，同时捕获的图像应具有相同的调整的时间戳。替代地，计算设备1504(或维持全局时间系统的其它设备)可以不时地将定时信息发送到相机1504。然后，相机1504可以使用这样的信息来调整它们各自的时钟，使得来自相机1504的具有相同的时间戳的图像基本上同时被捕获。替代地，计算设备1504可以分析来自相机1502的不同步时间戳并确定基本上同时捕获了哪些帧。在这样的实施例中，计算设备1504可以在受控的校准过程中与相机1504通信，以便评估相机1504之间的定时差异。作为示例，每个相机1504可以在握手过程中向计算设备报告当前时间戳，从而计算设备1504可以确定相机相对于由计算设备1504或以其它方式维持的全局时间系统的时间。在其它实施例中，用于同步相机数据的其它技术是可能的。

相机数据1578的校准涉及将图像帧中的像素与全局坐标系相关，使得计算设备1504知道来自不同相机1502的不同帧中的哪些像素表示空间中的相同物理位置。例如，这可以通过确保表示相同物理位置的来自不同相机1502的“帧”中的像素被分配相同的全局坐标来实现。通过校准相机数据1578，可以通过来自不同相机1502的多个图像帧来跟踪对象和运带对象的人，因为无论捕获图像帧的相机1502的视场如何，在全局坐标系中限定的对象和运带对象的人的位置都可以在每个图像帧中相同。一旦校准了相机数据1578，当对象移入和移出各个图像帧的视场时，对象跟踪器1562可以通过多个图像帧跟踪对象。如果一个或多个相机1502变得未对准，则可以重复校准过程以校准未对准的相机(一个或多个)1502。

在一个实施例中，对象跟踪器1562可以通过分析相机数据1578的连续帧，以确定所识别对象的位置和/或深度的变化和/或进行带球动作的人的位置的变化，来确定带球动作。对象跟踪器1562可以通过检测所识别的对象的向下轨迹(远离人的运动)，然后检测所识别的对象的方向的变化(例如可能由对象接触运动比赛表面引起)，以及检测所识别对象的向上轨迹(朝向人的运动)，来确定带球动作。可以由对象跟踪器1562使用的计算球的轨迹的一些示例性技术可以在名称为“True Space Tracking of Axisymmetric ObjectFlight Using Diameter Measurement(使用直径测量的轴对称对象飞行的真实空间跟踪)”的美国专利No.8,908,922和名称为“True Space Tracking of Axisymmetric ObjectFlight Using Diameter Measurement(使用直径测量的轴对称对象飞行的真实空间跟踪)”的美国专利No.8,948,457中找到，这两个专利由此通过引用结合于此。通过识别与对象或运带对象的人的向上和向下轨迹相关联的变化，对象跟踪器1562可以确定与带球动作相关联的特性。在一个实施例中，可以基于从相机数据1578提取的轨迹信息使用常规的数学和物理原理以及等式来确定一些带球特性。然后可以将所确定的带球特性存储在存储器1566中和/或基于存储在评估数据1582中的“正确的”带球特性进行评分。

作为示例，对象跟踪器1562可以分析球的轨迹并识别多次带球。对于一次或多次带球，对象跟踪器1562可以确定指示带球特性的参数，例如球速，带球高度，重复率，带球类型等，并存储这样的参数用于分析。在一些情况下，对象跟踪器1562可以将给定参数与可以用于表征带球表现的信息相关。例如，如果用左手进行给定的带球，则针对该带球确定的参数可以在存储器中与左手标识符相关。基于与这样的标识符相关的参数，对象跟踪器1562可以计算指示用他的左手的运动员的表现的一个或多个评分或其它统计数据。作为示例，可以计算运动员左手的平均重复率、球速或带球高度。如果对于特定带球识别出带球类型，则如下面将更详细描述的，针对该带球确定的参数可以在存储器中与指示带球类型的类型标识符相关。基于与这样的标识符相关的参数，对象跟踪器1562可以计算一个或多个评分或其它统计数据，其指示运动员对于所识别的带球类型的带球表现。如果特定防守者可以被识别为防守该运动员，如下面将更详细描述的那样，针对该带球所确定的参数可以在存储器中与识别防守者的标识符相关。基于与这样的标识符相关的参数，对象跟踪器1562可以计算一个或多个评分或其它统计数据，其指示运动员针对防守者的带球表现。在其它实施例中，数据可以以其它方式分组，以便提供对运动员相对于某些条件的带球表现的进一步了解。系统可以报告本文描述的任何参数、评分或其它统计数据，以指示被跟踪运动员的一个或多个带球特性。可以使用任何这样的参数、评分或其它统计数据，以便计算可以被报告的运动员的带球表现的总体或组合评估。

注意，对象跟踪器1562可以使用不是通过计算机视觉逻辑1564识别对象和/或人，或者除此之外额外的技术，来确定带球动作和与带球动作相关联的一个或多个特性。在一个实施例中，传感器数据1580可以由对象跟踪器1562分析，以确定对象和/或人的位置和运动。然后，传感器数据1580可用于确定带球动作和与带球动作相关联的一个或多个特性。

在另一个实施例中，对象跟踪器1562可以通过分析相机数据1578的连续帧来确定从带球动作到传球动作的转换和/或传球动作，以确定识别对象的位置和/或深度的变化、发起转换和/或传球动作的人的位置的变化和/或占有识别对象的人的变化。对象跟踪器1562可以通过检测被识别对象的被随后发起的传球动作跟随的向上/向下轨迹的结束来确定从带球动作到传球动作的转换。对象跟踪器1562可以通过检测所识别的对象从运动比赛表面上的第一位置的水平运动或轨迹(例如，远离人的位置的运动)(随后在与第一位置不同的位置改变占有所识别的对象的人)来确定传球动作。通过识别与对象或发起传球动作的人的轨迹相关联的变化，对象跟踪器1562可以确定与转换和/或传球动作相关联的特性。在一个实施例中，可以基于从相机数据1578提取的轨迹信息，使用常规的数学和物理学原理和方程来确定一些转换特性和/或传球特性。然后，可以将确定的转换特性和/或传球特性存储在存储器1566中和/或基于存储在评估数据1582中的“正确的”转换特性和/或传球特性进行评分。

作为示例，对象跟踪器1562可以分析球的轨迹并确定传球动作或投篮动作。对于每个传球动作，对象跟踪器1562可以确定指示传球特性的参数(例如球速、发起时的传球高度、接收时的传球高度、传球类型等)，并存储这些参数以进行分析。对于每个投篮动作，对象跟踪器1562可以确定指示投篮特性的参数(例如球速、进入角度、投篮类型等)，并存储这些参数以进行分析。在某些情况下，对象跟踪器1562可以将给定参数与可用于表征传球或投篮表现的信息相关联。例如，如果给定的传球或投篮是用左手发起的，则为该传球或投篮确定的参数可以在存储器中与左手标识符相关联。基于与该标识符相关联的参数，对象跟踪器1562可以计算指示运动员用左手表现的一个或多个评分或其它统计数据。

作为示例，可以计算运动员的左手发起时的平均传球高度、球速或接收时的传球高度。如果为特定的传球动作确定了传球类型，如下面将更详细地描述的那样，为传球确定的参数可以在存储器中与指示传球类型的类型标识符相关联。基于与该标识符相关联的参数，对象跟踪器1562可以计算指示运动员对所确定的传球类型的传球表现的一个或多个评分或其它统计数据。

如果可以识别出特定的后卫守护运动员，如下面将更详细地描述的那样，为传球或投篮确定的参数可以在存储器中与识别后卫的标识符相关联。基于与该标识符相关联的参数，对象跟踪器1562可以计算指示运动员对该防守者的传球和/或投篮表现的一个或多个评分或其它统计数字。在其它实施例中，可以以其它方式对数据进行分组，以便进一步深入了解运动员相对于某些条件的传球和/或投篮表现。这里描述的任何参数、评分或其它统计数据可以由系统报告，以指示被跟踪运动员的一个或多个传球和/或投篮表现。任何这样的参数、评分或其它统计数字可被用于计算可报告的运动员的传球和/或投篮表现的总体或综合评估。

注意，除了通过计算机视觉逻辑1564识别对象和/或人之外，对象跟踪器1562还可以使用其它技术或除此之外的技术来确定投篮动作和/或传球动作以及与投篮动作和/或传球动作相关联的一个或多个特性。在一个实施例中，传感器数据1580可由对象跟踪器1562分析以确定对象和/或人的位置和运动。然后，传感器数据1580可用于确定投篮动作和/或传球动作以及与投篮动作和/或传球动作相关联的一个或多个特性。

图4示出了在训练序列(训练模式)或比赛序列(比赛模式)期间用跟踪系统1500评估用户的投篮、带球动作和/或传球动作的过程的实施例。该过程开始于用户在跟踪系统1500处于活动状态时发起训练序列或比赛序列(步骤1602)。如果跟踪系统1500在训练模式中正被使用，则用户可以使用输入设备1506从计算设备1504选择预期的训练序列。然后可以使用输出设备1508向用户显示所选择的训练序列。计算设备1504可以将一个或多个训练序列存储在评估数据1582中。训练序列可以向用户提供关于如何执行特定投篮、带球和/或传球动作的指导。训练序列可以在输出设备1508上演示投篮、带球和/或传球动作以供用户模拟。然后，用户可以在训练序列期间尝试重复所演示的投篮、带球和/或传球动作，其中用户动作由相机1502捕获。在比赛序列期间，相机1502可以捕获用户在比赛期间的投篮、带球和/或传球动作。来自相机1502的相机数据1578可以被提供给计算设备1504并由计算机视觉逻辑1564处理，以识别被投射、运带或传递的对象(例如球)以及进行投射、运带或传递的人，并且如果是传递动作，则识别的是接收该传递的人。然后，可以将来自计算机视觉逻辑1564的信息提供给对象跟踪器1562以识别用户的投篮、带球和/或传球动作(步骤1604)。

对象跟踪器1562可以基于来自计算机视觉逻辑1564的识别信息(该识别信息识别球)以及所识别的球的轨迹(包括球的深度或位置的任何对应变化)来识别关于球的投篮、带球和/或传球动作。一旦对象跟踪器1562识别了带球动作，对象跟踪器1562就可以识别投篮、带球和/或传球动作的一个或多个特性(步骤1606)。对象跟踪器1562可以通过分析球的轨迹和与球和进行带球动作和/或发起投篮或传球动作的人相关联的相机数据1578来识别与投篮、带球和/或传球动作的特性关联的参数。

对象跟踪器1562可以通过识别人的面部(基于来自计算机视觉逻辑1564的面部识别数据)然后确定与检测到的投篮、带球和/或传球动作相关联的人的一侧来确定用于进行投篮、带球和/或传球动作的人的手(例如，右手或左手)。替代地，对象跟踪器1562可以基于捕获的图像内的人的身体轮廓来识别人的左手和右手。在一个实施例中，对象跟踪器1562还可以确定是否已经进行了双手(例如，两只手都在对象上)投篮动作或传球动作。在一个实施例中，双手可以最初在人的躯干(或中心)处而不是人的侧面。一旦对象跟踪器1562确定了进行带球动作的人的手(“带球手”)，对象跟踪器1562然后就可以确定与用人的每只手进行的带球动作的带球特性关联的带球参数。类似地，一旦对象跟踪器1562确定了进行传球动作的人的手(“传球手”)，对象跟踪器1562然后就可以确定与用人的每只手或两只手进行的传球动作的传球特性相关联的传球参数。此外，一旦对象跟踪器1562确定了进行投篮动作的人的手(“投篮手”)，对象跟踪器1562然后就可以确定与用人的每只手或两只手进行的投篮动作的投篮特性相关联的投篮参数。

对象跟踪器1562可以使用关于带球手的信息来确定几种类型的带球动作(例如，交叉带球、背后带球或两腿间带球)。对象跟踪器1562可以审度来自计算机视觉逻辑1564的信息和带球手信息，以确定是否已经进行了特定的带球动作。在一个实施例中，对象跟踪器1562可以通过检查人的带球手的变化而球保持在人的前方来确定交叉带球。对象跟踪器1562可以通过检查人的带球手的变化而球在人的躯干下方(例如在人的腿之间)从此人的前方行进到此人后方来确定双腿间带球。对象跟踪器1562可以通过检查人的带球手的变化而在球在人后面行进来确定背后带球。

在另一个实施例中，对象跟踪器1562可以基于由对象跟踪器1562确定的一组对应参数来确定一个或多个带球类型。每个带球类型(例如，“从后到前，在两腿之间带球从右到左”)，可以被限定为一序列或一组带球特性，其包括开始和/或结束带球高度，带球速度，带球方向，开始和/或结束加速度或减速度，球的旋转，或球的旋转速度。对象跟踪器1562可以确定在带球动作期间发生的特定带球特性，然后根据带球特性识别带球的类型。用于检测带球动作类型的其它技术可以用于其它实施例。

对象跟踪器1562还可以通过分析球的轨迹(即，所检测的球的位置在随后的相机数据帧上的变化以及在后续帧之间发生的对应的时间变化)来确定带球动作的其它特性，例如球速、带球高度、重复率(例如，每秒带球数)、带球力量或其它类似特性。在一个实施例中，对象跟踪器1562可以通过计数在预定时间段内球具有与用户的带球手相关联的对应的向下(例如，远离带球手)和向上(例如，朝向带球手)的轨迹的次数来确定重复率。对象跟踪器1562可以通过使用全局坐标系来测量向下轨迹或向上轨迹的开始和结束之间的距离以确定带球高度。对象跟踪器1562可以通过将带球高度除以球完成向上或向下轨迹的经过时间来确定球速。对象跟踪器1562可以通过限定相对于通过球改变方向的点的水平面的竖直轴来确定方向，且然后测量相对于限定的轴的角度，球以该角度开始或结束向上轨迹或者向下轨迹。对象跟踪器1562可以基于向下轨迹的球速和在开始向下轨迹之前带球手朝向球的运动来确定带球力量。当球的轨迹显示其落在某个区域(例如，界外区域)或者直接从带球的人的手转移到对方球队的运动员的手时，对象跟踪器1562可以确定出现失误，注意，对方球队的运动员可以通过球衣颜色或其它识别技术识别。在另一个实施例中，可以基于与重力方向有关的信息和与运动比赛表面的位置有关的信息来确定带球动作的带球特性。在另外的其它实施例中，还可以使用另外的其它技术来计算带球动作的带球特性。

对象跟踪器152可以将每个测量的带球特性与运动员的左手或右手相关。因此，可以确定基于用户的左手和右手的统计数据。作为示例，计算设备1504可以确定用户的左手或右手的带球速度、带球高度、失误率或其它特性。因此，如果需要，运动员可以看到他用他的左手带球的表现与他用他的右手带球时的表现相比较情况如何。

此外，对象跟踪器1562可以使用传球手的信息来确定若干类型的传球类型(例如，胸前传球、弹跳传球、高空传球、背后传球或棒球传球)。对象跟踪器1562可以审查来自计算机视觉逻辑1564的信息和传球手的信息以确定是否已经进行了特定的传球类型。在一个实施例中，对象跟踪器1562可以通过检查球远离人行进并且不接触比赛表面时在人的躯干处的两只传球手来确定胸前传球。对象跟踪器1562可以通过检查当球远离人行进并且接触比赛表面时在人的躯干处的两只传球手来确定弹跳传球。对象跟踪器1562可以通过检查在球远离人行进并且不接触比赛表面时从人的头部上方的两只传球手来确定高空传球。对象跟踪器1562可以通过检查当球远离人行进时，该人的在肩部或肩部以上高度的单只传球手来确定棒球传球。对象跟踪器1562可以通过检查在球从人的身后并远离人行进时人的单只传球手来确定背后传球。在另一个实施例中，对于棒球传球类型和背后传球类型，对象跟踪器1562还可以通过确定球在远离人行进的过程中是否接触比赛表面来确定传球是否是弹跳传球。

对象跟踪器1562还可以通过分析球的轨迹(即检测到的球的位置在随后的一帧相机数据上的变化以及在随后的一帧之间发生的相应的时间变化)，来确定传球动作的其它特性(例如球的速度、传球时的高度、接球时的高度、球的旋转、传球时的角度和离开方向或其它类似的特性)。在一个实施例中，对象跟踪器1562可以通过相对于经过球离开传球者的手的点的相应的平面定义一个水平轴和一个垂直轴，然后测量球开始轨迹的相对于垂直轴的角度和相对于水平轴的方向，从而确定球离开的角度和方向。在一个实施例中，可以定义水平轴和垂直轴的原点，并且该原点可以位于对应于人的前躯干的点。对象跟踪器1562可以通过使用全局坐标系统来测量传球轨迹的起点(如果是传球)和/或传球轨迹的终点(如果是接球)与比赛表面之间的距离，来确定传球或接球的传球高度。对象跟踪器1562可以通过将轨迹距离(即传球者和接球者之间的距离)除以球完成轨迹的经过时间来确定球速。当球的轨迹显示球落在某一区域(例如，界外区域)或直接从传球的人转换到对方球队的运动员时，对象跟踪器1562可以确定已经发生了失误，注意：对方队的运动员可以通过球衣颜色或其它识别技术来识别。在另一个实施例中，可以根据与重力方向有关的信息和与运动比赛表面的位置有关的信息来确定传球动作的传球特性。在其它实施例中，还可以使用其它技术来计算传球动作的传球特性。

对象跟踪器152可以将每个测量的投篮动作和/或传球特性与运动员的左手、右手或双手相关联。因此，可以确定基于用户的左手、右手和双手的统计数据。作为示例，计算设备1504可以确定用户的左手、右手和/或双手的传球速度、传球高度、周转率或其它特性。因此，如果需要，运动员可以看到他用单手传球的表现与他用双手传球的表现的比较。

一旦对象跟踪器1562已经确定了与投篮、带球和/或传球动作(包括带球到传球的转换)特性相关联的参数，对象跟踪器1562就可以将所确定的特性与存储在评估数据1582中的优选或“正确的”特性进行比较(步骤1608)以用于训练序列。基于所确定的特性与正确特性之间的比较，对象跟踪器1562然后可以为用户计算评分(步骤1610)。用户的评分可以基于用户可以多快和/或多准确地再现所显示的训练序列或者用户在比赛序列中的投篮特性、带球特性和/或传球特性与正确的投篮特性、带球特性和/或传球特性进行比较情况如何。对用户表现的评分可以基于若干准确度因素，例如用户复制正确序列的接近程度，投篮动作的正确方式、带球和/或传球动作的正确高度和/或正确的球放置或轨迹。此外，在训练模式中对用户表现的评分还可以基于用户能够多快地重复来自训练序列的运动。相比之下，在比赛模式中，附加因素、参数或统计数据(例如，失误率，持球的时间量，用户是否被防守或无人防守等)可用于对用户的表现进行评分。一旦计算了用户的评分，就可以在输出设备1508上显示评分(步骤1612)。在一个实施例中，评分可以与训练序列的显示同时显示在输出设备1508上，以通知用户用户相对于训练序列的表现如何。

在向用户显示评分之后，则由计算设备1504做出关于训练或比赛序列是否已经结束的确定(步骤1614)。如果训练序列或比赛序列已经结束，则该过程结束。然而，如果训练序列或比赛序列尚未结束，则该过程返回到步骤1604以识别来自用户的可被评估和评分的进一步的投篮、带球和/或传球动作。该过程的重复可以持续，直到训练序列或比赛序列结束。

一旦训练序列或比赛序列已经结束，计算设备1504可以基于用户在完成的训练序列或比赛序列上的表现(例如，评分)为用户推荐一个或多个附加训练序列。如果用户在完成的训练序列或比赛序列上表现良好，则可以推荐更高级的训练序列。或者，如果存在其中用户不能很好地进行的完成的训练序列或比赛序列的特定方面，则可以推荐一个或多个补救训练序列。

计算设备1504还可以向用户提供查看完成的训练序列或比赛序列的选项。计算设备1504可以在输出设备1508上回放完成的训练序列或比赛序列连同在训练序列或比赛序列期间用户的动作的视频以及基于用户的运动的并发评分计算。然后，用户能够看到用户可能在进行时遇到问题的训练序列或比赛序列的一些部分。

在一个实施例中，如果在比赛情况下使用跟踪系统1500，则对象跟踪器1562可用于获得与在比赛期间发生的投篮、带球和/或传球动作相关联的不同类型的信息。对象跟踪器1562可以提供关于在被防守者防守时(例如，防守者在持球人的预定距离内并且跟随持球人的运动)或者当没有防守时(例如，没有防守者在带球的人的预定距离内)每个运动员的投篮、带球和/或传球动作的信息。在一个实施例中，对象跟踪器1562还可以提供关于当投篮、带球和/或进行传球动作的人被多于一个防守者防守时的信息。在另一个实施例中，对象跟踪器1562还可以确定投篮、带球和/或进行传球动作的人是被严密防守还是被松散地防守。如果防守者位于投篮、带球和/或传球的人的第一预定距离范围内，则对象跟踪器1562可以确定紧密防守。如果防守者位于第一预定距离范围之外(但是在大于第一预定距离范围的第二预定距离范围内)，则对象跟踪器1562可以确定松散防守。

对象跟踪器1562可以提供关于在被特定防守者防守时每个运动员的投篮、带球和/或传球动作的信息。对象跟踪器1562可以使用来自计算机视觉逻辑1564的信息，例如面部识别数据、形状数据或模式数据，以识别防守投篮、带球和/或传球人员的防守者。在一个实施例中，对象跟踪器1562可以通过最初确定运动员是否具有与投篮、带球和/或传球的人不同的颜色或类型的制服来识别防守者(其肯定确定将把该运动员作为防守者)。一旦对象跟踪器1562确定运动员是防守者，则对象跟踪器1562可以通过识别与防守者相关联的特定特性来区分个体防守者与其它防守者，例如通过通过模式识别识别防守者的制服号码或通过面部识别来识别防守者的面部。

另外，一旦对象跟踪器1562识别出防守者，对象跟踪器1562就可以审度来自计算机视觉逻辑1564的信息，以确定防守者是否已经进行了特定的防守动作。在一个实施例中，对象跟踪器1562可以通过检查防守带球和/或传球的人的防守者相对于球本身的运动的位置变化来确定防守动作已经发生。例如，对象跟踪器1562可以通过检查在防守者的身体朝向投篮、带球和/或传球的人运动的大约同时防守者的手朝向球的位置运动来确定是否正在发生(或已经发生)断球的尝试。

在另一个实施例中，对象跟踪器1562可以基于由对象跟踪器1562确定的一组对应参数来确定一个或多个防守动作。每个防守动作(例如“低弓步向前用两只手断球”)可以被限定为一系列或一组防守特性，其可以包括各种高度、各种速度、各种方向、各种取向、各种加速度或减速度、具有各种旋转和/或各种速度的手、臂、肩和腿运动。对象跟踪器1562可以确定与特定防守动作相关联的特定的防守特性，然后从防守特性中识别防守动作的类型。在其它实施例中可以使用用于检测防守动作的其它技术。

对象跟踪器1562可以使用关于所识别的防守者的信息来将投篮、带球和/或传球的人的投篮、带球和/或传球动作统计数据与防守此人的每个防守者相关。对象跟踪器1562可以提供关于如下内容的信息：防守者防守此人的次数，防守者防守此人的累积时间量，针对防守者的投篮类型、带球类型和/或传球类型，各只手(或两只手)被此人使用来投篮、带球和/或传球的时间量或百分比，失误的数量和/或百分比(例如，在被防守者防守时投篮、带球和/或传球的人失去对球的控制的次数)，以及此人针对防守者的带球属性。关于所提供的投篮、带球和/或传球属性的信息，对象跟踪器1562可以提供关于对于每个防守者的此人的带球动作的球速、带球高度、重复率和力量的信息。所提供的关于带球属性的信息可包括平均值，从最小值扩展到最大值的值的范围和/或在出现时间段最长的值。在另一个实施例中，对象跟踪器1562可以针对带球的人无人防守时的情况提供类似的信息。此外，关于所提供的传球属性信息，对象跟踪器1562可以提供关于球速、传球时的球高度、接球时的球高度、球旋动、球离开每个防守者的球离开的角度和方向等信息。所提供的关于传球属性的信息可以包括平均值、从最小值延及到最大值的数值范围和/或出现时间最长的数值。在另一个实施例中，对象跟踪器1562可以提供针对传球者无人防守时的类似的信息。

关于所提供的投篮属性信息，对象跟踪器1562可以提供关于投篮的进入角度、投篮位置、球的旋转速度、球的旋转轴线、投篮的释放高度或每个防守人的投篮释放速度或任何其它可能指示投篮的参数的信息。所提供的关于投篮属性的信息可以包括平均值、从最小值延及到最大值的值的范围和/或出现时间最长的值。在另一个实施例中，对象跟踪器1562可以提供针对投篮者处于无防护状态时的类似信息。

可以使用各种技术来跟踪运动员相对于特定防守者的表现。作为示例，通过分析由相机1504捕获的图像，对象跟踪器1562可以使用上面更详细地描述的运动员识别技术来识别运动员和每个防守者。当运动员拥有球时，如从图像中球出现在运动员的手中或者球沿着指示运动员带球的轨迹运动(例如，在离开运动员的手，并且在弹跳离开带球区域的地板之后返回到运动员的手中)所证实的，对象跟踪器1562可以分析图像以确定运动员与每个识别的防守者的距离。最接近运动员的防守者，如果他在持球的运动员的预定距离内，则可以被识别为防守持球的运动员的防守者。如果需要，可以在做出防守确定之前要求防守者处于预定距离内至少在一定时间段，以防止在防守其他运动员的同时短暂地经过运动员的防守者被错误地识别为防守持球的运动员。在其它实施例中，用于确定特定防守者是否防守持球的运动员的其它技术是可能的。作为示例，防守者的身体取向可以是确定他或她是否正防守持球运动员的因素。在这方面，面对持球运动员长时间段的防守者可能正在防守他。对象跟踪器1562可以被配置为当防守者在运动员的预定距离内面向运动员至少预限定的时间量时，确定防守者正在防守该运动员。在另一个实施例中，用户可以手动地向计算设备1502或系统的其它设备输入指示对持球的运动员进行防守的防守者的数据(例如，防守者的球衣号码或其它标识符)。在另外的其它实施例中，另外的其它技术也是可能的。

当确定识别的防守者正在防守该运动员时，运动员的投篮、带球和/或传球特性可以与识别进行防守的防守者的标识符相关联。因此，可以从系统捕获的数据确定指示运动员在被识别的防守者防守时的投篮、带球和/或传球表现的特性，并且对象跟踪器1562可以被配置为计算指示这样的表现的各种评分和统计数据。随着在运动员被多名防守者防守时时间的推移，他对一名防守者的投篮、带球和/或传球表现可以与他对另一名防守者的投篮、带球和/或传球表现进行比较。请注意，所述信息可用于帮助训练投篮、带球和/或传球的人或其它目的，例如决定哪个防守者在防守该投篮、带球和/或传球的人时最有效。

对象跟踪器1562可以确定特定投篮、带球和/或传球特性或运动对防守投篮、带球和/或传球的人的防守运动员所具有的影响或作用。例如，对象跟踪器1562可以确定特定的投篮、带球和/或传球特性针对防守运动员是成功还是不成功，或者投篮、带球和/或传球的人是否能够针对防守运动员进行特定的投篮、带球和/或传球特性。如果投篮的人能够越过防守运动员发起投篮，如果带球的人能够越过防守运动员前进或者如果传球的人能够成功地将球提供给队友，则可以认为投篮、带球和/或传球特性是成功的。相比之下，如果投篮的人的投篮被防守运动员阻挡，如果带球的人不能越过防守运动员前进，如果传球的人不能将球成功提供给队友或者如果该人在投篮，带球和/或传球的过程中发生失误(例如，丢球越界或丢球给防守该人的防守运动员(或另一位防守运动员)，则投篮、带球和/或传球特性可被认为是不成功的。在其它实施例中，用于评估带球特性的成功的其它度量是可能的。

图5示出了可由计算设备1504使用的对象跟踪器1562的实施例。对象跟踪器1562可包括：球路径逻辑1591，用于一般地确定球以及投篮、带球和/或传球的人的路径或运动，即使在球和/或此人被相对于相机1502隐藏也是如此；识别逻辑1592，用于确定球和/或进攻和防守运动员或运动比赛表面上的人的位置；以及评分逻辑1595，用于评估人的投篮、带球和/或传球动作或防守投篮、带球和/或传球的人的防守者的表现，并提供与此人的表现相关联的“评分”。评分逻辑1595可以基于来自测量逻辑1597的信息来评估人的表现。测量逻辑1597可以用于测量投篮、带球和/或传球的人的能力和/或防守投篮、带球和/或传球的人的人(一个或多个)的能力。改进逻辑1594可以使用来自测量逻辑1597和评分逻辑1595的信息来确定人可以改善他/她的表现的方面。对象跟踪器1562还可以包括防守者动作逻辑1593，以一般地确定防守者的运动和/或动作，即使防守者相对于相机1502被隐藏也是如此；以及平衡逻辑1599，用以评估投篮、带球和/或传球的人和/或防守投篮、带球和/或传球的人的人(一个或多个)的平衡和/或流畅性。对象跟踪器1562可以进一步包括表现评估逻辑1603，以总体上确定某人的表现何时已经与该人的预期表现水平发生了变化。

由对象跟踪器1562使用的历史数据1596、疲劳数据1601和身体动作数据1598可以存储在计算设备1504处的存储器1566中。历史数据1596可以包括与在训练序列和/或现场比赛序列期间投篮、带球和/或传球的人的先前运动和动作有关的信息。历史数据1596还可以包括关于防守该投篮、带球和/或传球的人的防守者(一个或多个)的运动和动作的数据和信息。疲劳数据1601可以包括关于投篮、带球和/或传球的人的身体状态的数据和信息。人的身体状态可以基于来自自生物传感器1514的生物信息与特定时间运动员的疲劳程度相关。例如，人的疲劳水平可以基于人的心率和氧气水平。在其它实施例中，疲劳数据1601可以是基于人的比赛的测量特性的，诸如人在比赛中的时间量、人在比赛运动期间跑过的总距离、人在比赛或时间窗口(例如，最后十五分钟或某个其它时间段)期间冲刺(例如，以超过定义阈值的速度奔跑)的时间量或可能影响人的疲劳程度的其它参数。身体动作数据1598可以包括在投篮、带球和/或传球或者防守投篮、带球和/或传球的人期间与人(投篮、带球和/或传球的人和防守者(一个或多个)两者)和他/她的相关身体部位(例如头部，肩，肘，手，手指，胸部，腰部，背部，大腿，膝盖，小腿，臀部，脚踝和脚)的位置和运动有关的信息。在适用的情况下，身体动作数据1598还可以包括与运动员的身体部位相关联的左侧和右侧信息以及前侧和后侧信息。

如先前所讨论的，对象跟踪器1562可以接收相机数据1578、传感器数据1580、来自计算机视觉逻辑1564的信息和/或与球和运动比赛表面上的运动员或人有关的其它信息。球路径逻辑1591可用于确定(或近似)在投篮、带球和/或传球动作期间的球以及投篮、带球和/或传球的人的路径，即使基于相机数据1578不能通过识别逻辑1592识别球或人。例如，识别逻辑1592(或计算机视觉逻辑1564)可能无法识别球或人，因为球可能不存在于相机数据1578中。因为球由于投篮、带球和/或传球的人、防守投篮、带球和/或传球的人的人(一个或多个)和/或运动比赛表面上的一个或多个其它人而相对于相机1502的视场被隐藏，所以球可能不存在于相机数据1578中。参见例如图6。此外，即使球存在于相机数据1578中，识别逻辑1592也可能无法识别球，因为由于不良的照明条件、球的部分遮挡和/或由于球的快速运动而模糊，球在相机数据1578中被模糊。

在一个实施例中，识别逻辑1592可以通过确定是否发生哨响然后停止比赛来确定在比赛期间是否发生犯规或其它违规。识别逻辑1592还可以通过识别停止比赛然后裁判的一个或多个动作(例如，裁判朝着记分员的桌子移动并做出一个或多个手势)来确定犯规或其它违规的发生。识别逻辑1592可以基于裁判的手和臂动作确定哪个运动员犯规或违规，以及发生了哪种类型的犯规或违规行为。例如，裁判可以通过将他/她的手移动到他/她的臀部一次或多次来指示阻挡犯规。识别逻辑1592可以分析手势以识别犯规类型(例如，当裁判在哨子之后的特定时间段内将他/她的手移动到他/她的臀部上时，解释手势用于确定发生阻挡犯规)。裁判还可以使用手势来指示犯规的运动员的号码(例如，举起多个手指来指示该号码)，并且识别逻辑1592可以解释这样的手势以识别犯规的运动员。识别逻辑1592还可以能够通过处理从说出运动员和犯规或违规的类型的裁判捕获的音频信息来确定哪个运动员犯规或违规，以及发生的犯规或违规的类型。

球路径逻辑1591可以使用来自识别逻辑1592的信息来确定球的路径或轨迹。当识别逻辑1592不能从相机数据1578识别球时，球路径逻辑1591可以基于来自识别逻辑1592的球的最后已知位置和存储在存储器1566中的其它信息来确定球的预期轨迹或运动。球路径逻辑1591可以基于身体动作数据1598分析投篮、带球和/或传球的人的身体位置，并且基于投篮、带球和/或传球的人定位的方式来近似球的预期轨迹和完成轨迹的时间。一旦识别逻辑1592能够从相机数据1578识别球，球路径逻辑1591就可以确认(或拒绝)球的近似轨迹。

例如，如果一个人在比赛期间在他的背后带球或尝试在背后传球，则由于该人的身体的遮挡以及运动比赛表面上的其他运动员或人的遮挡，球可能对识别逻辑1592不可见。然而，识别逻辑1592可以能够检测该人的肩、臂和手的运动并将该信息提供给球路径逻辑1591。球路径逻辑1591然后可以使用来自识别逻辑1592的信息和身体动作数据1598，以在球对于识别逻辑1592是不可见的或不可检测的时候近似球的运动、轨迹、方向、旋转和速度，并且当球变得由识别逻辑1592从相机数据1578可见或可检测时，预测球在该人(带球的情况下)或另一人(在传球的情况下)的另一侧上的到达时间和位置。

如果球路径逻辑1591从识别逻辑1592接收到球处于球路径逻辑1591所预期的位置(可能有误差界限)的信息，则球路径逻辑1591可以确定球的实际轨迹遵循由球路径逻辑1591确定的近似轨迹。然而，如果球路径逻辑1591从识别逻辑1592接收到球处于与预期不同的位置的信息，则球路径逻辑1591可以确定球的运动未遵循近似的轨迹，并且可以基于球的开始和结束位置近似球的新轨迹。另外，球路径逻辑1591可以将关于球的开始和结束位置、修正的近似轨迹和带球的人的信息存储在存储器1566中(可以作为历史数据1596)。然后，当球在将来在类似情况下被遮挡时，球路径逻辑1591可以在制定球的近似轨迹时使用存储的关于球的开始和结束位置和修正的近似轨迹的信息。

在另一个实施例中，球路径逻辑1591可以能够确定球的轨迹或运动，即使球或投篮、带球和/或传球的人的一些(或全部)被在相机数据1578中被遮挡。作为示例，球可能会从视线中被遮挡，但可以看到该人的肘。该人的臂靠近肘的运动可以指示球何时到达或离开该人的手。在这方面，该人的臂的运动的变化可以指示球已经到达该人的手并且被向下推动以进行带球或向外推动以进行传球。此外，球路径逻辑1591可以基于该人的肘的位置和取向来计算在确定球到达或离开该人的手时的球的位置。在这方面，可以预先确定该人的臂长并由逻辑1591使用以确定球距离该人的肘的距离。此外，该人的前臂的角度可以指示球相对于他的肘的方向。通过在球被遮挡时在不同时间确定球的各种位置，球路径逻辑1591可以估计这样的点之间的球的轨迹。

如果需要，球路径逻辑1591可以使用计算机学习和/或人工智能来基于可用的任何其它当前数据(例如，从相机数据1578提取的数据，或来自传感器数据1580的数据，例如深度传感器、运动传感器/加速度计或声音信息的数据)，或者从历史数据1596—其包括人在特定情况或环境中最可能做什么的信息，来建立球将行进的最可能的路径。在这方面，通过分析该人随时间推移的运动，球路径逻辑1591可以了解该人可能如何响应某些状况(例如当该人是双人合作时、当该人朝向罚球区进发时、当防守者试图断球时等该人的疲劳程度)，并且然后在球在类似状况下被遮挡不可见时基于这种学习的趋势预测球运动和轨迹。

球路径逻辑1591可以分析当前数据并基于与投篮、带球和/或传球的人相关联的当前状况做出关于球的预期运动的确定。例如，如果投篮、带球和/或传球的人被两个防守者(两个防守者场景)困住，则球路径逻辑1591可以确定投篮、带球和/或传球的人将不太可能在防守者之一的方向上使用背后带球(或者其它带球类型)或背后传球(或者其它传球类型)，并确定球可以被投射、运带和/或传递的可用方向以近似球的可能运动。然后，球路径逻辑1591可以评估球的近似运动，如上所述。

如果球路径逻辑1591不能从当前可用数据近似球的运动，则球路径逻辑1591可以能够基于与投篮、带球和/或传球的人相关联的历史数据1596来近似球的运动。换句话说，球路径逻辑1591可以基于类似情况下的人的先前运动来确定球的近似运动。例如，在两个防守者场景中，球路径逻辑1591可以基于历史数据1596确定投篮、带球和/或传球的人通常在面对两个防守者时试图在防守者之间投篮、带球和/或传球。使用该确定，球路径逻辑1591可以近似使得球在防守者之间行进的球的轨迹或运动。然后，球路径逻辑1591可以如上所述评估球的近似运动。

在一个实施例中，球路径逻辑1591可以确定带球和/或传球的人的当前位置和情况，并确定可能从该位置和情况做出的可能的运动。然后，球路径逻辑1591可以确定投篮、带球和/或传球的人进行每个可能的运动的概率，并在确定球的近似运动时使用概率确定。例如，在两个防守者场景中，对于带球的人来说可能存在多个运动或序列，例如：拿起球；从左到右交叉带球；从右到左交叉带球；从左到右前后双腿间带球；从右到左前后双腿间带球；从右到左后前双腿间带球；从左到右后前双腿间带球；从左到右背后带球；以及从右到左背后带球。在另一个使用双防守人方案的示例中，对于传球者来说可能存在多个动作或序列(可能是在完成带球动作后)(可能是在完成带球动作后)，例如：防守者之间的弹跳传球；防守者左侧的弹跳传球；防守者右侧的弹跳传球；防守者之间的胸部传球；防守者右侧的胸部传球；防守者左侧的胸部传球；防守者上空传球；防守者上空的棒球传球；防守者左侧的背后传球；防守者右侧的背后传球。然而，基于其历史数据1596，投篮、带球和/或传球的人可能仅能够做几个可能的投篮、带球和/或传球序列并且可能没有必要的技术水平和/或可能在过去没有使用过其它可能的投篮、带球和/或传球序列。球路径逻辑1591可以为先前由此人进行的投篮、带球和/或传球序列分配更高的概率，并且为其它投篮、带球和/或传球序列分配较低的概率。相反，更熟练的运动员能够进行大部分或全部可能的投篮、带球和/或传球序列，并且球控制逻辑1591将为可能的序列分配不同的概率。然后，球路径逻辑1591可以使用所分配的概率来确定球的近似运动。然后，球路径逻辑1591可以如上所述评估球的近似运动的准确性。

在一个实施例中，球路径逻辑1591可以处理视频/音频/深度感测/运动感测序列，其包括由相机数据1578的审查者提供的标记的描述符，其以定量或定性的方式描述带球模式、带球者模式、带球能力的水平、转换模式、传球类型、传球者模式和/或传球能力的水平。球路径逻辑1591可以使用标记的描述符来构建用于机器学习和/或人工智能的知识库。视频/音频/深度感测/运动感测数据中提供的标记的程度可以在没有标记、轻微标记或完全标记之间不同。随着球路径逻辑1591的知识库增加，球路径逻辑1591的机器学习和/或人工智能可用于在从相机1502或传感器1514的视角来看球和人大多被遮挡时“跟踪”球以及投篮、带球和/或传球的人的运动更长的时间段。

在另一个实施例中，球路径逻辑1591可以能够使用来自仅单个传感器(例如，相机1502，音频检测器，深度传感器或运动传感器)的数据来完成整个运动比赛表面上的球运动确定，即使球和/或投篮、带球和/或传球的人的一些方面在很多时候都被遮挡的情况下亦是如此。球路径逻辑1591可以使用上述技术中的一种或多种来确定球的运动，仅通过识别逻辑1592偶尔检测球来在分析技术之间定位/重新定位球。

在另外的又一个实施例中，球路径逻辑1591可以使用机器学习和/或人工智能来分析历史数据1596以揭示模式和趋势信息。然后，当确定与球的位置和运动相关联的概率时，球路径逻辑1591可以使用该模式和趋势信息。

防守者动作逻辑1593可用于识别防守投篮、带球和/或传球的人的特定人，并确定或近似所识别的防守者的运动和动作。防守者动作逻辑1593可以确定防守投篮、带球和/或传球的人的一个或多个防守者(一旦被识别)的运动和动作，即使防守者(一个或多个)不能通过识别逻辑1592从相机数据1578被持续识别。例如，识别逻辑1592(或计算机视觉逻辑1564)可能无法识别防守者，因为防守者可能不存在于相机数据1578中。由于防守者被带球的人和/或在运动比赛表面上的一个或多个其它人隐蔽于相机1502的视场外，防守者可能不存在于相机数据1578的某些部分中。此外，即使防守者存在于相机数据1578中，识别逻辑1592也可能无法识别防守者，因为防守者由于较差的照明条件和/或防守者(特别是那些用于识别防守者的特性)的部分遮挡而在相机数据1578中被模糊。

在确定防守者的运动之前，防守者动作逻辑1593可以确定防守运动员是否在防守投篮、带球和/或传球的人。防守者动作逻辑1593可以基于防守运动员和投篮、带球和/或传球的人之间的距离以及防守运动员相对于该投篮、带球和/或传球的人的位置和/或取向来确定一个防守运动员或多个运动员是否在防守投篮、带球和/或传球的人。例如，投篮、带球和/或传球的人5英尺内且面对投篮、带球和/或传球的人的防守运动员可被认为是在防守投篮、带球和/或传球的人。一旦防守者动作逻辑1593确定防守运动员是投篮、带球和/或传球的人的防守者，防守者动作逻辑1593就可以使用来自识别逻辑1592的关于运动员身份的信息来识别特定防守者。防守者动作逻辑1593可以使用直接来自识别逻辑1592或计算机视觉逻辑1564的识别信息来具体地识别防守者。在另一个实施例中，防守者动作逻辑1593可以基于来自识别逻辑1592的信息进行特定防守者的识别。例如，防守者动作逻辑可以使用身体动作数据1598来识别特定防守者，因为每个运动员可能具有独特的身体运动概况。然后，防守者动作逻辑1593可以指定和存储特定防守者的响应投篮、带球和/或传球的人的动作的特定运动和动作。测量逻辑1597可以使用防守者动作逻辑存储的信息来评估防守者的表现。

在一个实施例中，防守者动作逻辑1593可以识别防守者的手指，手，肘，肩，胸部，头部，腰部，背部，大腿，膝盖，小腿，臀部，脚踝，脚和/或其它身体部位在3-D空间中的位置。此外，一旦识别了单独的身体部位，防守者动作逻辑1593就可以确定所识别的身体部位彼此的相对位置。防守者动作逻辑1593可以向身体动作数据1598提供防守者身体的信息以供对象跟踪器1562使用。例如，平衡逻辑1599可以使用身体动作数据1598来测量或推断防守者的平衡以及防守者进行相应的能力。在一个实施例中，防守者的平衡可以相对于来自所选组的正常人的平衡，或者可以使用历史数据1596相对于特定防守者的“正常”平衡。在另一个实施例中，因为运动比赛表面上的运动员在进攻和防守之间进行交替，所以防守者动作逻辑1593可以具体识别每个运动员并存储每个运动员的对应信息。

防守者动作逻辑1593可以使用来自识别逻辑1592的信息来确定防守者的运动和/或动作。另外，防守者动作逻辑1593可以将参数分配给防守者运动和/或动作，并且对特定防守运动和/或动作的结果进行分类。可以使用的一些类别的例子是：防守者犯规，其可以包括关于犯规类型和与犯规相关联的其它参数的信息；防守者从投篮、带球和/或传球的人断球(抢断)，其可以包括关于导致断球的动作以及与断球有关联的其它参数的信息；防守者对投篮、带球和/或传球的人保持防守位置(例如，防守者面对投篮、带球和/或传球的人并且位于此人和篮球框之间的位置)；防守者没有对投篮、带球和/或传球的人保持防守位置；或其它活动结果描述符。

当识别逻辑1592不能提供关于防守者的位置的具体信息时—可能是由于遮挡或照明，防守者动作逻辑1593可以基于来自识别逻辑1592的防守者的最后已知位置以及存储在存储器1566中的其它信息来确定防守者的预期运动。防守者动作逻辑1593可以使用计算机学习来基于可用的任何其它当前数据(例如，从相机数据1578提取的数据或来自传感器数据1580的数据，例如深度传感器、运动传感器/加速度计或声音信息)，或从包括关于人在特定情况或环境中最可能做什么的信息的历史数据1596，来建立防守者将进行的最可能的运动和/或动作。

防守者动作逻辑1593可以分析当前数据并基于与防守者相关联的当前状况做出关于防守者的预期运动和/或动作的确定。例如，如果防守者防守在该防守者的右边的带球的人，并且防守者先前已经向右运动，则防守者动作逻辑1593可以确定防守者可以继续向右运动并且防守者不太可能向左滑动。因此，防守者动作逻辑1593可以使用计算机学习和/或人工智能来确定防守者可能运动的可能方向，基于来自识别逻辑1592的防守者的位置查看防守序列的结果，并确定实际上使用了哪个防守动作。

如果防守者动作逻辑1593不能从当前可用数据准确地近似防守者的运动和/或动作，则防守者动作逻辑1593可以能够基于与防守者相关联的历史数据1596来近似防守者的运动和/或动作。换句话说，防守者动作逻辑1593可以基于类似情况下的此人的先前运动来确定防守者的近似运动和/或动作。例如，当带球的人运动到防守者的左侧时，防守者动作逻辑1593可以基于历史数据1596确定防守者将可能退后一步，然后向左运动。使用该确定，防守者动作逻辑1593可以将防守者的运动和/或动作近似为向后且然后向左。一旦防守者的信息变得可从识别逻辑1592获得，防守者动作逻辑1593就可以评估防守者的近似的运动。

在一个实施例中，防守者动作逻辑1593可以确定防守者相对于投篮、带球和/或传球的人的当前位置和情况，并确定可能从该位置和情况做出的可能运动和/或动作。然后，防守者动作逻辑1593可以确定防守者进行每个可能的运动和/或动作的概率，并在预测或以其它方式估计防守者的近似运动或动作时使用该概率确定。例如，如果防守者正防守从右到左进行交叉带球的人(从防守者来看)，则存在防守者可以做出多个运动和/或动作，例如：低弓步向前以便用双手断球；低弓步向前以便用右手向上够球；低弓步向前以便用右手向侧方够球；向左滑动，与带球的人保持距离；退后一步，以允许有更多空间来防止带球的人向篮筐前进；向前跳跃以阻挡人的视线并阻止传球或投篮；向左或向右或向上跳跃以防止人员通过；或者“脚踝断裂”绊倒，因为带球动作非常有效，使得防守者失去防守位置和/或平衡。然而，基于他们的历史数据1596，防守者可能仅能够做一些可能的运动或动作，并且可能没有必要的技能水平和/或可能在过去没有使用过其它可能的运动或动作。防守者动作逻辑1593可以为先前由此人进行的运动和/或动作分配较高的概率，并且为其它运动和/或动作分配较低的概率。相较之下，更熟练的运动员可以能够进行大部分或全部可能的运动和/或动作，并且防守者动作逻辑1593将为可能的序列分配不同的概率。然后，防守者动作逻辑1593可以使用所分配的概率来预测防守者的近似运动和/或动作。然后，一旦关于防守者的信息变得从识别逻辑1592可用，防守者动作逻辑1593就可以评估防守者的近似的运动，以确定预测是否准确。

在一个实施例中，防守者动作逻辑1593可以处理关于防守者的各种序列(例如视频序列，音频序列，深度传感器序列或运动传感器序列)，其包括以定量或定性的方式具有关于防守者模式和/或防守者能力的信息的标记(或标记的描述符)。标记提供关于序列的内容(例如，防守者的动作)的信息和/或描述，并且可以类似于元数据与序列(或文件)相关联。序列可以具有描述防守者的动作的单个标记或描述防守者的不同动作的多个标记。标记可以对应于由防守者动作逻辑1593识别的动作或动作类别(例如断球或阻挡)。用户可以审阅序列(其可以从相机数据1578获得)并将适当的标记(一个或多个)应用于序列中防守者的动作。当应用标记时，用户可以从预定的标记列表中进行选择和/或可以创建他们自己的标记。序列数据中提供的标记的程度可以在无标记、轻标记或重标记之间不同。防守者动作逻辑1593可以使用标记的描述符来构建用于机器学习和/或人工智能的知识库。随着防守者动作逻辑1593的知识库增长，防守者动作逻辑1593的机器学习和/或人工智能可以用于在防守者相对于相机1502或传感器1514的视场大部分被遮挡的情况下“跟踪”防守者的运动更长的时间段。

在另一个实施例中，防守者动作逻辑1593可以能够使用来自仅单个传感器(例如，相机1502，音频检测器，深度传感器或运动传感器)的数据来在整个运动比赛表面上完成防守者运动和/或动作确定，即使防守者可能在很多时候被遮挡也是如此。防守者动作逻辑1593可以使用上述技术中的一种或多种来确定防守者的运动，仅通过识别逻辑1592偶尔检测防守者，以在分析技术之间评估/重新评估防守者的位置。

测量逻辑1597可用于分析关于投篮、带球和/或传球的人和投篮、带球和/或传球的人的防守者的数据。测量逻辑可以使用来自识别逻辑1592，球路径逻辑1591，防守者动作逻辑1593，平衡逻辑1599，历史数据1596，身体动作数据1598和/或评估数据1582的信息来分析投篮、带球和/或传球的人和投篮、带球和/或传球的人的防守者(一个或多个)的表现和能力。

测量逻辑1597可以确定带球的人关于许多不同的带球特性的熟练程度。例如，可以由测量逻辑1597评估的带球的人的一些带球特性可以包括：带球的人进行非常低的带球，非常快速的带球，带球速度的快速变化(即，加速或减速)，带球方向的快速变化，带球方向的多次快速变化，在保持带球的同时非常快速地停止向前或侧向运动，从带球到出手投篮的快速转变，从带球到传球的快速转变(对于多种多样的传球类型和情况)和/或任何其它预期的带球特性。这些带球特性中的每一个都可以通过一个或多个定量参数来描述。例如，非常低的带球可以通过将带球高度(实际或平均)保持在预定值以下来表征，非常快速的带球可以通过人将每秒带球数维持在预定值以上来表征，带球速度的快速变化可以通过在预定时间段内完成每秒带球数的变化来表征，带球方向的快速变化可以通过在预定时间段内完成方向变化来表征，带球方向的多次快速变化可以通过在预定时间段内完成几次方向变化来表征，在保持带球的同时非常快速地停止向前或侧向运动可以通过在预定时间段和/或预定距离内结束主动运动(同时保持带球动作)来表征，从带球到出手投篮的快速转变可由从带球动作转变到投篮动作的时间在预定时间段内来表征，并且从带球到传球的快速转变可以通过从带球动作转变到传球动作的时间在预定时间段内来表征。每个带球特性还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现对于该带球特性的熟练程度所需的技能水平。在一个实施例中，测量逻辑1597可以提供人相对于单独的防守运动员的带球特性。

测量逻辑1597还可以确定带球的人相对于每次实现相同带球模式的能力的熟练程度。测量逻辑1597可以评估人完成训练序列的能力，该训练序列可能需要指定的带球速度、指定的带球高度、指定的速度变化、带球位置的指定变化、头部/肩/肘/手/手指/胸部/腰部/大腿/膝盖/脚踝/脚位置的指定变化和/或指定的平衡保持。测量逻辑1597还可以通过评估此人是否能够在比赛情况下以高效方式重复相同的带球动作来确定带球的人的熟练程度。可以通过定量参数或一组参数来描述这些情况中的每一种。例如，为了评估人完成训练序列的熟练程度，测量逻辑1597可以单独评估人对训练序列中的各个任务(其可以对应于一个或多个参数)中的每一个的完成。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现对于带球动作的熟练程度所需的技能水平。

测量逻辑1597可以基于响应于相同或类似情况由带球的人进行的不同动作的数量和类型来评估带球的人的表现。换句话说，测量逻辑1597可以确定人每次不重复相同的带球模式的熟练程度。带球的人改变响应特定情况的而使用的带球动作的能力可用于限制防守运动员识别和响应人的带球动作中的重复模式的有效性。可以通过一个或多个定量参数来描述人不重复相同的带球模式的能力的度量。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现该非重复能力所需的技能水平。

测量逻辑1597可以关于许多不同的传球特性确定传球者的熟练程度。例如，可由测量逻辑1597评估的传球者的一些传球特性可以包括非常快速地传球、在相对于接球者的预定位置提供球、从带球到传球的快速转换和/或任何其它所需的传球特性。这些传球特性中的每一者均可以由一个或多个定量参数来描述。例如，非常快速地传球可以通过以大于预定值的速度传球来表征，在相对于接收球的人的预定位置提供球可以通过在接收传球的人的位点(例如，胸部中心)的预定距离内提供球来表征，并且从带球到传球的快速转换可以通过从带球动作转换到传球动作的时间在预定时间段内来表征。传球特性中的每一者均可以进一步由来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示达到对传球特性的熟练程度所需的技能水平。在一个实施例中，测量逻辑1597可以提供该人相对于各个防守运动员的传球特性。

测量逻辑1597还可以确定传球者相对于该人每次实现相同模式的传球的能力的熟练程度。测量逻辑1597可以评估一个人完成训练序列的能力，该训练序列可以要求从带球类型的指定转换、指定的传球速度、指定的传球位置、指定的头、肩、肘、手、手指、胸、废、大腿、膝盖、脚踝和/或脚的位置变化和/或指定的平衡维持。测量逻辑1597还可以通过评估传球者是否能够在比赛情况下以高度有效的方式重复相同的传球动作来确定传球者的熟练程度。这些情况中的每一种情况均可以由一个定量参数或一组参数来描述。例如，为了评估该人完成训练序列的熟练程度，测量逻辑1597可以单独评估该人完成训练序列中的每个单独任务(可以对应一个或多个参数)的情况。这些参数中的每一者均可以进一步由来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示在传球动作达到熟练程度所需的技能水平。

测量逻辑1597可以基于传球者响应于相同或类似情况所做的不同运动的数量和类型来评估传球者的表现。换句话说，测量逻辑1597可以确定传球者每次不重复相同的传球模式的熟练程度。传球者能够改变响应于特定情况而使用的传球动作可以用来限制防守运动员识别和响应于该人的传球动作中的重复模式的有效性。例如，该人在完成不同的带球运动(如背后带球、交叉带球、两腿之间带球等)后执行不同类型的传球(如弹跳传球、胸前传球等)的能力可以限制防守运动员的有效性。衡量该人不重复相同的传球模式的能力可以用一个或多个定量参数来描述。这些参数中的每一者均可以进一步由来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现该不重复能力所需的技术水平。

测量逻辑1597可以确定投篮者对于与投篮特性相关的许多不同的投篮参数的熟练程度。例如，可由测量逻辑1597评估的投篮者的一些投篮参数可以包括与投篮类型、投篮的进入角度、投篮落点(例如，投篮的深度和投篮的左右位置)、投篮的旋转速度、投篮的旋转轴线、投篮的释放高度或投篮的释放速度和/或与投篮特性相关联的任何其它所需参数。这些投篮参数中的每一者均可以由一个或多个定量参数来描述。例如，投篮的进入角度可以通过进入角度是否大于或小于预定值或以其它方式在预定范围内来表征，投篮落点可以通过球在与篮圈相关联的定位点的预定距离(s)内投篮来表征，并且球的旋转速度可以通过以大于或小于预定值或以其它方式在预定范围内投篮来表征。每一个投篮特性还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现对该投篮特性的熟练程度所需的技能水平。在一个实施例中，测量逻辑1597可以提供该人相对于各个防守运动员的投篮特性。

测量逻辑1597可以确定该人相对于许多不同特性从带球转换到传球的熟练程度。例如，测量逻辑1597可以在与带球动作结束相关的时间段内评估该人的一个或多个带球特性(如上所述)，并且在传球动作开始(并且可能是完成)期间评估该人的一个或多个传球特性(如上所述)。此外，测量逻辑1597还可以评估人在从带球动作转换到传球动作时的转换特性。这些带球、传球和/或转换特性中的每一者均可以由一个或多个定量参数来描述。例如，从带球到传球的快速转换可以由从带球动作转换到传球动作的时间在预定时间段内来表征。带球、传球和/或转换特性中的每一者均可以进一步通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示在相应特性上达到熟练程度所需的技能水平。

测量逻辑1597还可以相对于一个人每次实现相同模式的转换的能力确定该人从带球转换到传球的熟练程度。测量逻辑1597可以评估一个人完成训练序列的能力，该训练序列可以要求从带球类型的指定转换、向传球类型的指定转换、头、肩、肘、手、手指、胸、废、大腿、膝盖、脚踝和/或脚的位置的指定变化和/或平衡的指定维持。测量逻辑1597还可以通过评估该人是否能够在比赛情况下以高度有效的方式重复相同的带球和传球动作来确定该人从带球转换到传球的熟练程度。每一种情况均可以用一个定量的参数或一组参数来描述。例如，为了评估该人完成训练序列的熟练程度，测量逻辑1597可以单独评估该人完成训练序列中的每个单独任务(可以对应一个或多个参数)的情况。这些参数中的每一者均可以进一步由来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示在从带球动作到传球动作的转换中达到熟练程度所需的技能水平。

测量逻辑1597可以基于人在应对相同或类似情况时结束带球动作和开始传球动作时进行的不同动作的数量和类型来评估该人从带球转换到传球的表现。换句话说，测量逻辑1597可以确定该人每次不重复从带球转换到传球的相同模式的熟练程度。从带球转换到传球以改变用于应对特定情况的带球动作和传球动作的人的能力可以用来限制防守运动员识别和应对该人的重复模式的有效性。例如，该人在完成不同的带球动作(如背后带球、交叉带球、两腿之间带球等)后执行不同类型的传球(如弹跳传球、胸前传球等)的能力可以限制防守运动员的有效性。衡量该人不重复从带球转换到传球的相同模式的能力可以用一个或多个定量参数来描述。这些参数中的每一者均可以进一步由来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现该不重复能力所需的技能水平。在一个实施例中，测量逻辑1597可以使用机器学习和/或人工智能来直接或间接地测量和/或评估运动员在投篮、带球和/或传球中的表现。

在一个实施例中，测量逻辑1597可以确定带球和/或传球的人的助攻次数。助攻可以被限定为到直接导致投篮评分的人的最后一次传球。另外，对于助攻，接传球的人必须以“评分动作”直接朝向篮筐运动，其可包括带球。测量逻辑1597可以用于确定带球和/或传球的人何时向队友进行传球以及接收传球的队友何时在篮下进行(并且投中)投篮(即，投篮评分)。测量逻辑1597可以跟踪接收传球的队友的运动和动作，并确定接收传球的队友是否已经进行了“评分动作”。测量逻辑1597可以基于参与投篮评分的队友的运动和动作和许多其它因素(例如接到传球和投篮评分之间的时间量、队友向篮筐的运动以及相对于接到传球的位置的进行投篮的位置)来确定评分动作。测量逻辑1597还可以跟踪传球者对他/她的每个队友的助攻次数。在另一个实施例中，测量逻辑1597可以确定带球的人是否已经在篮筐上进行了投篮(并且投中)。

测量逻辑1597还可以评估带球的人相对于防守此人的防守者(一个或多个)的有效性。测量逻辑1597可以使用来自平衡逻辑1599的信息来确定作为带球动作的结果防守者的身体取向和位置以及平衡的变化。例如，带球的人可能在进行特定的带球动作—例如，交叉带球—之后导致防守者绊脚和/或跌倒，这使得带球的人能够“击败”防守者并且前进到篮筐或球场上的空位。可以通过一个或多个定量参数来描述带球的人负面地影响防守者的平衡和位置以及取向以使得带球的人能够前进到篮筐的能力的量度。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示破坏防守者的身体取向和位置以及平衡的能力水平。

测量逻辑1597还可以确定投篮、带球和/或传球的人完成一个或多个相关目标(例如大量助攻和/或低失误次数)的能力。这些目标可以根据人的整体表现或相对于各个防守运动员来计算。可以通过定量参数或一组参数来描述运动员实现相关目标以及确定多少更高阶目标的实现是由于投篮、带球和/或传球专业技能的能力的度量。例如，测量逻辑1597可以在评估助运动员的传球表现和/或攻次数时针对带球的人确定带球动作在产生空位传球路线(其导致接球的人评分)方面的有效性。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现更高阶目标所需的技能水平。

测量逻辑1597可以针对许多不同的防守特性来确定防守者的熟练程度。例如，可以由测量逻辑1597评估的防守者的一些防守特性可以包括防守者具有非常快的前进速度，非常快的前进加速，非常快的弓步加速，非常低的向前弓步，非常快的侧向防守速度，非常快的侧向防守加速，非常低的侧向防守位置，侧移方向的非常快的变化，侧移的非常快的结束，非常快的转向速度，从带球防守位置到传球拦截位置的非常快速的转变，从带球防守位置到投篮防守位置的非常快速的转变，和/或任何其它所需的防守特性。这些防守特性中的每一个都可以通过一个或多个定量参数来描述。例如，非常快的前进速度可以通过将前进速度(实际或平均)保持在预定值以上来表征，非常快的向前加速可以通过具有高于预定值的加速率来表征，非常快速的向前弓步加速可以通过具有高于预定值的弓步加速率来表征，非常低的向前弓步可以通过将防守者的向前弓步位置保持在预定高度以下来表征，非常快的侧向防守速度可以通过将横向速度(例如，向一侧移动的速度)保持高于预定值来表征，非常快的侧向防守加速可通过具有高于预定值的侧向加速率来表征，非常低的侧向防守位置可以通过将侧向防守位置保持在预定高度以下来表征，侧移的方向的非常快速的变化可以通过在预定时间段内从一侧移动切换到相反侧移动来表征，侧移的非常快的结束可以通过在预定时间或预定距离内停止侧移来表征，非常快的转向速度可以通过保持转向速度(实际或者平均)高于预定值来表征，从带球防守位置到传球拦截位置的非常快速的转变可以通过从带球防守位置转变到传球防守位置的时间处在预定时间段内来表征，从带球防守位置到投篮防守位置的非常快速的转变可以通过从带球防守位置到投篮防守位置的转变的时间在预定的时间段内来表征。每个防守特性还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现对防守特性的熟练程度所需的技能水平。在一个实施例中，测量逻辑1597可以提供防守者相对于个体进攻运动员(例如，带球的特定人)的防守特性。

测量逻辑1597还可以确定关于防守者实现一种或多种防守动作模式的能力的防守者熟练程度。测量逻辑1597可以评估防守者完成训练序列的能力，该训练序列可能需要指定的前进速度，指定的防守高度，指定的速度变化，指定的防守位置变化，指定的身体位置变化和/或指定的平衡维持。测量逻辑1597还可以通过评估此人是否能够在比赛情况下以高效的方式重复相同的防守运动或动作来确定防守者的熟练程度。可以通过定量参数或一组参数来描述这些情况中的每一种。例如，为了评估防守者完成训练序列的熟练程度，测量逻辑1597可以单独评估防守者对训练序列中的每个单独任务(其可以对应于一个或多个参数)的完成。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现对防守运动和/或动作的熟练程度所需的技能水平。

测量逻辑1597可以基于防守者响应于相同或类似情况而进行的不同运动的数量和类型来评估防守者的表现。换句话说，测量逻辑1597可以确定防守者针对给定情况不重复相同的防守运动和/或动作的熟练程度。防守者改变响应特定情况而使用的防守运动和/或动作的能力可用于限制带球的人在识别和响应防守者的防守运作中的重复模式方面的有效性。可以通过一个或多个定量参数来描述人不重复相同的防守运作模式的能力的度量。这些参数中的每一个还可以通过来自评分逻辑1595的某种类型的定性或定量评分来表征，该评分指示实现该非重复能力所需的技能水平。

测量逻辑1597还可以确定防守者完成一个或多个相关目标的能力，例如诸如大量抢断，高数量的阻挡，大量传偏，大量投偏，和/或大量的围堵。目标可以基于防守者的整体表现或相对于个体进攻运动员来计算。可以通过定量参数或一组参数来描述防守者实现相关目标以及确定相关目标的实现多少是由于防守专业技能的能力的度量。例如，测量数据1597可以确定防守动作在定位防守者以使球从带球的人传偏或者从带球的人断掉传球时的有效性。这些参数中的每一个还可以通过来自评分逻辑1595的定性或定量评分来表征，该评分指示实现相关目标所需的技能水平。

在一个实施例中，测量逻辑1597可以确定带球的人对防守者使用“挡拆”和防守者对挡拆的响应。挡拆是一个已知的篮球术语，通常指的是当一名进攻运动员(以下称为“进攻挡拆者”)在没有球时建立一个固定位置以阻挡朝着正在设置挡拆的挡拆者前进的另一个进攻运动员(以下称为“进攻挡拆目标”)的防守者的路径时的比赛或情况。进攻挡拆目标可以拥有球或者可以尝试接收来自带球的人的传球。测量逻辑1597可以通过确定进攻挡拆目标的防守者附近的进攻挡拆者确立固定位置而使得防守者的路径与进攻挡拆者的固定位置相交，来检测挡拆的发生。

注意，存在可用于确定挡拆是否已经发生的各种因素。作为示例，如果防守者在确立挡拆者的固定位置之后的预定时间内接触进攻挡拆者，则可以增加挡拆的概率。另外，进攻挡拆者对进攻挡拆目标的防守者的取向可以指示是否已经发生挡拆。在这方面，进攻挡拆者在设置挡拆时经常面向防守者，以帮助增加挡拆的宽度，且从而有助于增加挡拆破坏防守者路径的有效性。另外，进攻挡拆目标相对于进攻挡拆者的接近度可以指示挡拆是否正在发生。在这方面，进攻挡拆目标通常在经过进攻挡拆者时在很近距离内经过，或者甚至在经过进攻挡拆者时与进攻挡拆者接触。因此，检测到进攻挡拆目标已经在预定距离内经过了进攻挡拆者可以指示挡拆的发生。测量逻辑1597可以将上述任何事件检测为指示挡拆，并且可以基于这些因素的任何组合来检测挡拆的发生。作为示例，在评估进攻挡拆者的固定位置是否构成挡拆时，测量逻辑1597可以计算对于在进攻挡拆者处于固定位置时每次检测到指示挡拆发生的事件而增加一定量的挡拆评分。如果挡拆评分超过预定阈值，则测量逻辑1597可以检测挡拆的发生。在其它实施例中，用于检测挡拆的发生的其它技术是可能的。

当检测到挡拆时，测量逻辑1597可以评估各个运动员在挡拆期间表现如何，并且随时间跟踪结果以确定评分，这里称为“挡拆评分”，其指示每个运动员在进行挡拆或针对挡拆进行防守时的技能水平。作为示例，测量逻辑1597可以确定防守运动员如何响应挡拆。测量逻辑1597可以确定防守运动员是否进入挡拆“上方”或“下方”，停止运动或者用另一个防守运动员切换防守任务，使得防守运动员不再防守带球的人。

在这方面，如在篮球中通常理解的那样，通常希望防守运动员通过进入挡拆“上方”来防守挡拆。在挡拆“上方”通常是指防守者在进攻挡拆目标的同一侧经过进攻挡拆者。对于防守者而言，这通常是更具挑战性的动作路线，因为通常很难“击穿”挡拆以便与进攻挡拆目标保持在进攻挡拆者的同一侧。然而，进入挡拆“上方”通常允许防守者通过挡拆保持靠近进攻挡拆目标而保持相对于进攻挡拆目标的良好防守位置。相比之下，在挡拆“下方”进入通常是指防守者在进攻挡拆者的与进攻挡拆目标相反的一侧经过进攻挡拆者时。对于防守者来说，相对于进入挡拆“上方”，这通常更容易实现，但是它会导致防守者和进攻挡拆目标之间的分离，这是不合乎需要的，因为它通常会让进攻挡拆目标有机会进行表演，比如对篮进行不设防投篮或者朝篮驱进。

测量逻辑1597可以通过确定防守运动员相对于进攻挡拆者以及进攻挡拆目标的位置来确定防守运动员是在挡拆上方还是下方。例如，基于由相机或其它方式捕获的图像，测量逻辑1597可以确定防守者和进攻挡拆目标是否在进攻挡拆者的同一侧经过。如果是，则测量逻辑1597确定防守者已经进入挡拆“上方”。如果测量逻辑1597确定防守者和进攻挡拆目标在进攻挡拆者的相反侧经过，则测量逻辑1597确定防守者已经进入挡拆“下方”。

测量逻辑1597可以跟踪防守者如何随时间响应于被挡拆，并且还可以跟踪防守运动员如何响应来自各个进攻运动员的挡拆。作为示例，测量逻辑1597可以跟踪防守者在给定时间段期间进入挡拆“上方”的次数，并且提供指示这样的数量的参数(例如，防守者进入挡拆“上方”的挡拆百分比)。测量逻辑1597可以类似地跟踪其它结果，例如防守者进入挡拆“下方”或以其它方式防守挡拆的次数。测量逻辑1597还可以确定指示防守者对挡拆的响应的有效性的各种参数。作为示例，对于每个挡拆，测量逻辑1597可以确定防守者是否能够相对于进攻挡拆目标保持防守位置(例如，保持在进攻挡拆目标的特定距离内和/或保持在进攻挡拆目标和篮之间)或进攻挡拆目标是否能够进行由挡拆来的特定动作(例如，在经过进攻挡拆者之后的预定时间段内)，例如对篮进行空位投射或在没有防守者防守的情况下朝着篮驱进。测量逻辑1597可以跟踪在给定时间段上一个或多个结果发生的次数，并提供指示这种数量的参数(例如，某个结果发生的挡拆的百分比)。由测量逻辑1597跟踪的参数可以与进攻运动员相关，使得可以确定和评估防守者对进攻运动员的表现。作为示例，由测量逻辑1597提供的数据可以用于确定防守者多少次进入特定挡拆者设置的挡拆(或进行一些其它动作)“上方”—相对于他进入这样的挡拆“下方”的次数。因此，可以评估防守者针对特定挡拆者设定的挡拆的表现。

测量逻辑1597可以类似地跟踪与挡拆有关的进攻性运动员的运动和动作。在这方面，由测量逻辑1597跟踪的用于评估防守者的比赛的相同或类似的动作和事件可用于评估进攻运动员的比赛。作为示例，测量逻辑1597可以跟踪在挡拆期间进攻挡拆目标使得他的防守者进入挡拆“下方”或进行一些其它动作的次数。测量逻辑1597还可以跟踪进攻挡拆目标能够在向筐投篮，朝篮带球，向另一个进攻运动员传球(可能导致助攻)，或进行一些由挡拆来的其它动作的次数。

测量逻辑1597可以类似地评估进攻挡拆者的表现。作为示例，测量逻辑1597可以确定进攻挡拆者与进攻挡拆目标的防守者的接近度。测量逻辑1597可以确定进攻挡拆者能够设置挡拆的速度，即挡拆者获得固定位置有多快，以及挡拆者设置挡拆的时间，即，挡拆者设置挡拆的时间与防守者到达挡拆者或接触挡拆者时的时间之间的时间。测量逻辑1597可以通过跟踪进攻挡拆目标和防守者的响应中的一个或两个来评估进攻挡拆者的一般有效性，并且还可以评估挡拆者对于个体队友和/或个体防守者的有效性。特别地，类似于上述对防守者的跟踪，测量逻辑1597可以将针对给定进攻运动员跟踪的参数与挡拆防守者相关，以便跟踪进攻运动员针对某些防守者的表现。作为示例，由测量逻辑1597提供的数据可用于确定特定进攻挡拆者，进攻挡拆目标或一对进攻挡拆者和进攻挡拆目标有多少次导致特定防守者进入挡拆“下方”(或进行一些其它动作)。

在一个实施例中，测量逻辑1597可以通过确定挡拆者何时进行非法挡拆来评估进攻挡拆者的有效性。测量逻辑1597可以基于此人是否被吹犯规来确定非法挡拆，有时被称为“移动”挡拆。测量逻辑1597还可以通过评估进攻挡拆者的运动来确定非法挡拆，而不管是否被吹犯规。测量逻辑1597可以通过确定挡拆者的臀部或躯干在挡拆期间移动的程度来确定非法挡拆。如果挡拆者当处在固定位置时移动(例如，“伸出”)臀部、膝、腿、肘等而以不允许的方式阻碍防守者的前进，则测量逻辑1597也可以检测出非法挡拆。

在一个实施例中，测量逻辑1597可以使用熵建模来确定何时带球、转换和/或传球不可预测性、挡拆不可预测性和/或防守者不可预测性对于运动员和/或球队是有益的或有害的。例如，测量逻辑1597可以确定运动员的带球、转换和/或传球不可预测性是有益的，因为运动员的不可预测性可以使防守运动员更难以“侦察”运动员的移动。然而，如果运动员没有对球的良好控制并且产生大量的失误或者低的评分或者助攻数，则测量逻辑1597可以确定运动员的带球、转换和/或传球不可预测性是有害的。

改进逻辑1594可以用于分析关于投篮、带球和/或传球的人和投篮、带球和/或传球的人的防守者的数据，并且推荐用于改善投篮、带球和/或传球能力或防守能力以及预测投篮、带球和/或传球能力或者防守能力的改进量的方法。改进逻辑1594可以使用来自识别逻辑1592，球路径逻辑1591，防守者动作逻辑1593，平衡逻辑1599，测量逻辑1597，历史数据1596，身体动作数据1598和/或评估数据1582的信息，来识别改进投篮、带球和/或传球的人以及投篮、带球和/或传球的人的防守者(一个或多个)的表现和能力的机会。

改进逻辑1594可以根据需要改进的特定表现方面来推荐特定的练习例程，比赛训练和技术修改。例如，如果测量逻辑1597指示一个人正在将球运得或传得太高而使得球经常被防守者断走，则改进逻辑1594可以推荐一个或多个要求此人以较低的带球高度带球或以较低的传球高度传球的训练或练习例程。在另一个示例中，如果测量逻辑1597指示防守者经常允许带球者在前往篮筐的路上容易地移动经过他们，则改进逻辑1594可以推荐一个或多个训练或练习例程以改善横向防守速度。

改进逻辑1594可以将特定训练或练习例程映射到表现方面。改进逻辑1594还可以将技能水平指定(例如，需要显著改进)映射到训练或练习例程。然后，当改进逻辑1594识别出需要改进的表现方面时，改进逻辑1594可以选择已经映射到需要改进的表现方面的训练或练习例程。改进逻辑1594还可以基于测量逻辑1597对表现方面的评估从映射缩窄对训练或练习例程的选择，使得所选择的训练或练习例程更好地匹配此人的实际技能水平。

在另一个实施例中，改进逻辑1594可能不能推荐特定的练习例程，比赛训练和技术修改，因为可能存在需要改进表现的多个方面和/或可能存在可用于解决需要改进的特定方面的多个练习例程，比赛训练和技术修改。例如，如果带球者在进行带球跳投时经常会让他们的投篮受阻或投篮被指尖触碰，问题可能是在进行带球前无法与防守队员充分分离，或问题可能是从带球到投篮位置转变缓慢，或问题可能是投篮出手慢，或问题可能是投篮出手低(由测量逻辑1597基于球的投篮轨迹和投篮者身体部位—例如他/她的手和/或肘—的位置确定)，或者问题可能是上述挑战的组合。在另一个例子中，如果防守者经常不能破坏带球跳投，例如阻挡或够到球，则问题可能是在跳投之前无法限制带球的人的分离，或问题可能是从带球防守位置到投篮防守位置的转变缓慢，或者问题可能是手放置偏离中心位置，或者问题可能是上述挑战的组合。

在不能够容易地识别的改进方案或多种可能的改进方案的情况下，改进逻辑1594可以基于由测量逻辑1597确定的投篮、带球和/或传球或防守特性选择其他运动员(例如其它带球者或防守者)，他们先前已经表现出类似的带球或防守表现，随后表现有所改进(例如，高于阈值量的改进)。改进逻辑1594可以在历史数据1596中存储关于每个人完成的训练或练习例程的信息。改进逻辑1594还可以存储此人在完成训练或练习例程后的表现水平的信息，并将该运动员的表现水平的变化与训练或练习例程相关。改进逻辑1594可以从历史数据1596查阅所选择的运动员的练习技术和改进进展，以确定用于正被改进逻辑1594分析的投篮、带球和/或传球的人或防守者的最佳练习技术组。

在另一个实施例中，改进逻辑1594可以使用来自评分逻辑1595的信息来确定需要最多改进的表现方面。改进逻辑1594可以查阅具有需要改进的类似表现方面的其他运动员(例如，其它带球者、传球者或防守者)的历史数据1596以及他们相应的练习技术，以确定对于需要改进的方面的最佳练习技术组和预测的改进。

在一个实施例中，历史数据1596可以包括许多运动员的大型数据库，其具有许多参数类型，这些参数类型经历了可以全部被定量地测量的许多练习和比赛带球方案。改进逻辑1594可以实现以最高效的方式最大化改进过程的方法。例如，改进逻辑1594可以识别跨多个定量维度的模式，以便描述特定问题，然后规定最佳方法进行改进。

平衡逻辑1599可用于测量和/或分类运动员的平衡对运动员表现的有效性。例如，如果带球的人具有良好的平衡，则此人可以更有效地向左，向右，向后，向前，向上，向下移动，并且以不同的速度，加速度，高度和角度使用不同的带球技术移动。在一个实施例中，平衡逻辑1599可以使用机器学习和/或人工智能来直接或间接地测量和/或分类运动员的平衡。

在一个实施例中，平衡逻辑1599可以通过确定和分析运动员相对于该运动员身体的重心来直接评估运动员的平衡。如果运动员的重心不响应于运动员的移动而快速改变位置，则平衡逻辑1599可以确定运动员具有良好的平衡。平衡逻辑1599还可以基于诸如流畅性，快速加速度，脚放置和/或迟缓的因素来做出关于平衡的间接确定。例如，如果平衡逻辑1599确定运动员具有流畅的运动，则平衡逻辑1599可以确定运动员比其运动较不流畅的运动员具有更好的平衡。类似地，如果平衡逻辑1599确定运动员在一个或多个运动中具有快速加速度，则平衡逻辑1599可以确定该运动员具有更好的平衡。平衡逻辑1599还可以基于响应于各种不同情况运动员的脚的放置来做出关于运动员的平衡的确定。

此外，平衡逻辑1599还可用于确定防守者响应特定情况的能力。防守者响应某情况的能力取决于带球的人的动作。例如，如果带球的人正在尝试用球投篮(如由球路径逻辑1591确定)，则平衡逻辑1599可以确定防守者是处于低位置还是伸展位置并因此确定防守者做出响应的能力。例如，如果防守者已经处于由平衡逻辑1599确定的伸展位置，则平衡逻辑1599可以确定防守者没有可用的预期肌肉收缩来适当地响应带球的人做出的向上运动。此外，平衡逻辑1599还可以确定防守者的响应能力是否受到其它防守者的身体位置或者投篮、带球和/或传球的人的身体位置的限制。

在一个实施例中，历史数据1596可以包括在受限训练空间(例如，有界带球区域1516)中的训练序列期间获得的数据。受限训练空间的示例由以下描述：2017年8月15日发布的名称为“Systems and Methods for Monitoring Objects in Athletic PlayingSpaces(用于监测运动比赛空间中的对象的系统和方法)”的美国专利No.9/734,405，其通过引用结合于此。当在训练序列期间获得历史数据1596时，可以更容易地获得关于球相对于人运动的运动的信息，因为(一个或多个)相机1502和传感器1514可以放置在适当的位置以减少并可能消除球或人的任何阻挡。历史数据1596中对球和人的完整跟踪可以允许球路径逻辑1591更准确地确定当球或人被遮挡时的运动概率。球路径逻辑1591可以基于历史数据1596中的类似于当球被遮挡时带球者或传球者的位置和定位的信息来确定球的预期运动。

表现评估逻辑1603可用于评估运动员的表现并确定运动员的表现水平是否低于该运动员的预期表现水平。运动员的表现水平可能低于预期表现水平的一些原因可以包括：运动员具有未报告的伤病、运动员受到物质的影响、或者运动员有意试图改变体育赛事的自然结果或体育赛事的特定部分(例如，运动员有意试图输掉体育赛事、在体育赛事期间错过投篮或者为有意改变与体育赛事相关的赌注的结果而进行另一种类型的动作，例如是否覆盖分差)。表现评估逻辑1603可以使用来自测量逻辑1597、历史数据1596、疲劳数据1601、身体动作数据1598、平衡逻辑1599、评分逻辑1595和/或识别逻辑1592的信息和/或数据来确定运动员的表现是否低于预期运动员的表现水平。

表现评估逻辑1603可以根据来自测量逻辑1597的信息对运动员采取的动作(例如，投篮、传球或带球)进行分类，并获得与该动作相关的表现特性(可以由表示参数表示)。在一个实施例中，可以基于进动作作的运动员的身份和已进行的动作类型对动作进行分类。在其它实施例中，可以进一步基于其它因素对动作进行分类，例如体育赛事情况(例如，体育赛事的特定时间和/或评分)、运动员的疲劳程度、守护运动员的防守者、应用于运动员的防守水平、用于进动作作的运动员的手等。此外，动作的表现特性可以包括与动作中的球飞行或球运动相关的特性以及与进行动作的运动员的身体定位相关的特性(例如，平衡、头部位置、手部位置、腿部位置、身体位置等)。

一旦动作被分类，表现评估逻辑1603就可以相对于存储在历史数据1596中的同一分类动作(即，具有相同因素的动作)的历史表现参数来评估与该动作的特性相关的表现参数。当运动员从事训练序列和/或参加体育赛事时，关于运动员的动作(例如，传球、射门和/或带球)的信息和/或数据被获取、分类并存储在历史数据1596中，以建立运动员的表现的档案。对于每个分类的动作，运动员的表现的档案可以包括对于该动作的表现特性的预期。对特定表现参数的预期可以包括预期值、预期值的范围或其它合适的参数。对表现参数的预期可以基于运动员之前的动作(以及相应的表现参数)。可以对先前记录的动作的表现参数进行数字和/或统计处理以生成预期。此外，在一个实施例中，动作的每个表现参数均可以具有相应的预期，并且可以相对于预期值评估每个表现参数。在其它实施例中，所有的表现参数(或其一部分)可以作为一组相对于与该组相关联的预期进行评估。例如，如果动作是跳投，则可相对于预期值评估的一些表现参数可以包括与进入角度、投篮的释放高度、投篮位置和任何其它适合于跳投的表现特性相关联的参数。

表现评估逻辑1603可以基于对该动作的表现参数与该动作的预期表现参数的评估，确定该运动员的动作是该运动员的非典型(即，非预期)动作的概率。替代地，表现评估逻辑1603可以确定运动员的动作对运动员来说是典型的(即，预期的)的概率。然后，可以将确定的概率与阈值进行比较，以根据运动员的先前表现确定运动员的动作对运动员来说是非典型的可能性。如果确定的概率在阈值内，则表现评估逻辑1603可以得出该运动员的动作对于该运动员来说是典型的。然而，如果确定的概率在阈值之外，则表现评估逻辑1603可以确定该运动员的动作对于该运动员来说是非典型的，并且采取额外的步骤来确定该运动员的表现降低是否是故意的(或者是由损伤导致的)。

在一个实施例中，表现评估逻辑1603可以采取额外的步骤，通知用户该运动员的表现是非典型的(即，低于该运动员的预期表现水平)，以便用户可以对该运动员的表现进行评估。在另一个实施例中，表现评估逻辑1603可以存储运动员的非典型动作的信息，并使用存储的运动员的非典型动作的信息来确定运动员的表现没有达到运动员的全部能力的概率。如果运动员在体育赛事(或其一部分)中仅有少量非典型动作(例如，1或2个)，则表现评估逻辑1603可以生成较低的概率，即运动员的表现降低。如果运动员在体育赛事(或其一部分)期间具有更多的非典型动作(例如，4或5)或具有预定数量的连续的非典型动作(例如，3至4个)，则表现评估逻辑1603可以产生更高的概率，即运动员的表现处于降低水平。

图8示出了用于评估运动员在体育赛事(或比赛序列)期间是否以降低的表现水平进行比赛的过程的一个实施例。该过程开始于计算设备1504识别在体育事件期间采取的动作(例如，投篮、带球或传球)(步骤102)。然后，计算设备1504可以使用任何合适的技术(例如，面部识别)来识别采取该动作的个体运动员(步骤104)。可以对动作进行分类，并且可以确定或获得与动作的特性相关联的参数(步骤106)。在一个实施例中，可以基于进动作作的人的身份和正在进行的动作的类型对动作进行分类。然而，在其它实施例中，除了人的身份和动作类型之外，其它因素(例如，体育赛事情况、运动员的疲劳程度、守护运动员的防守者、应用于运动员的防守水平、用于进动作作的运动员的手等)可以被用于对动作进行分类。例如，所识别的动作可以是被归类为跳投的投篮动作，其具有与投篮动作相关联的诸如进入角度、投篮的释放高度和投篮位置等特性相关联的测量参数。

一旦确定了识别动作的相关参数，就可以将确定的参数与识别的运动员的同一分类动作的预期参数进行比较(步骤108)。对于已识别运动员的每个分类动作的预期参数可以存储在历史数据1596中并且是基于已识别运动员的先前动作的。所确定的参数与预期特性的比较可用于确定所确定的参数与预期参数之间是否存在偏差(步骤110)。在一个实施例中，参数可以被单独比较，但在其它实施例中，参数可以被集体比较。此外，比较可以涉及将确定的参数与预期值或数值范围进行比较，以确定与预期参数的偏差。

所确定的参数与预期参数之间的偏差(如果有的话)可用于确定该运动员的已识别动作是该运动员的非典型动作的概率(步骤112)。对运动员来说，非典型动作可以是具有与运动员先前采取的类似动作的参数不对应的动作。一旦确定了非典型动作的概率，可以将确定的概率与阈值概率进行比较(步骤114)。如果确定的概率小于阈值概率，那么，对于运动员来说，所确定的动作虽然是运动员的非典型动作，但被断定为不指示运动员的表现水平降低，并且该过程结束。然而，如果确定的概率大于阈值概率，则采取附加步骤以确定所识别的运动员是否表现降低的表现水平(步骤116)，并且过程结束。在一个实施例中，附加步骤可以包括通过输出设备1508向用户提供通知，以使用户审查运动员的动作，以确定运动员是否有意以降低的表现水平进行表现。在另一个实施例中，可以基于体育赛事期间运动员的非典型动作的数量和/或频率来确定运动员正在以降低的水平进行表现。例如，在比赛进行的10分钟内发生3次非典型动作或连续3次非典型动作可以指示运动员有意以降低的表现水平进行表现。如果确定运动员以降低的表现水平进行表现，则可以通过输出设备1508向用户提供通知，即认为运动员以降低的表现水平进行表现。

在一个实施例中，图8的过程可以在体育赛事发生时实时动态地进行。用户(例如，教练)可以使用动态生成的关于运动员表现的信息来做出关于球队策略和运动员替换的决策。在另一个实施例中，图8的过程可以在体育赛事的录像上进行，以积累关于运动员的表现特性的数据和/或验证体育赛事结果的完整性(即，确认体育赛事的结果没有受到一个或多个运动员故意表现低于其预期表现水平的影响)。

在一个实施例中，表现评估逻辑1603可以使用机器学习来确定运动员是否以降低的表现水平进行表现。如技术中已知的，机器学习通常涉及通过使用人工智能来训练计算机，通过分析样本数据集来识别可能导致某些输出或结果的数据模式。这样的机器学习方法可由计算设备1504用于识别与运动员在体育赛事期间采取的动作相关联的某些特性。这些特性可以包括与动作本身或进行该动作的运动员相关联的特性。

在一个实施例中，机器学习系统可以被训练成学习与一组特性相关联的参数对应于运动员通常在体育赛事期间如何进行特定动作。然后，当运动员在体育赛事期间采取动作时，可以将与该动作相关联的参数与与运动员通常如何进行该动作相关联的参数集进行比较。如果参数之间存在显著差异，则机器学习系统可以识别该动作是该人的非典型动作，并且该运动员可能以降低的表现水平进行表现。

为了进一步说明，假设历史数据1596包括指示运动员的各种类别的投篮特性的数据，例如跳投。这样的数据可能已经通过跟踪该运动员的大量(例如，数千次，例如超过10000次、100000次或1000,000次)的跳投来定义，或在一些实施例中通过跟踪其他运动员之前的跳投来定义。这样的数据许多包括对投篮类型的测量，例如进入篮圈的角度、相对于篮圈的投篮位置、释放高度、投篮高度或影响投篮表现的任何其它可测量属性(包括上述任何投篮属性)。该数据还可以包括指示运动员身体部位的运动的信息，例如运动员在尝试跳投时的肘部、脚、手、头部、躯干等。这样的数据可能已经被分析以对于每个测量的属性确定该测量的预期范围(即，表示当测量在范围内时，运动员可能正在尝试正常的投篮(相对于运动员过去的表现)的范围)。这些预定义范围可以包括在存储在存储器1562中的历史数据1596中。

在篮球比赛期间，系统1500可以跟踪运动员，当运动员尝试投篮时，对象跟踪器1562可以跟踪和分析该投篮以对其进行分类。作为示例，运动员身体的姿势、跳跃高度、手或手臂的运动可以指示运动员正在尝试的投篮类型。为了说明的目的，假设对象跟踪器1562确定运动员正在尝试跳投。在这种情况下，对象跟踪器1562确定跳投的各种投篮特性，并将其与存储在历史数据1596中的同一运动员的相同类型的投篮(即本例中的跳投)的投篮特性进行比较。作为示例，对象跟踪器1562可以确定该投篮的进入角度，并将该进入角度与历史数据1596指示的进入角度范围进行比较，以根据运动员过去在大量跳投中的表现来确定该进入角度是否在运动员的正常范围内。这样的比较可以在进入角度在预定范围内时指示正常投篮，也可以在进入角度在预定范围外时指示非典型投篮。可以对其它属性测量进行类似的比较，以提供指示该投篮被认为是正常的还是非典型的总评分。例如，评分可以被定义成使得当更多参数指示正常投篮时，评分较高(或替代地，另一实施例中较低)。在这样的示例中，当评分高于预定义阈值时，对象跟踪器1562可以将该投篮视为正常，并且当评分低于预定义阈值时，可以将该投篮视为非典型。在一些实施例中，评分可由机器学习系统确定，该机器学习系统在与属性相关联的参数指示正常投篮更有可能时提供较高(或替代地，另一实施例中提供较低)的评分。

请注意，一些特性可以在投篮评估中相对于其它特性被赋予更多权重。作为示例，可以确定进入角度的值可能是指示投篮质量或运动员是否试图进行投篮的特别重要的特性，并且该特性可以相对于被确定为在指示投篮质量或运动员意图方面不那么重要的一个或多个其它特性被赋予更大的权重。

在篮球比赛的全部或部分过程中，对象跟踪器1562可以跟踪上述投篮评估，以确定指示运动员在该时间段的整体表现的评分。在一些实施例中，该评分可以指示运动员的表现与历史数据1596指示的他/她的过去表现的一致程度(例如，运动员在该时间段的整体表现是正常的还是非典型的)。作为示例，评分可以指示确定为正常的投篮与确定为非典型的投篮的比率。在一些实施例中，该评分可以被算法确定为指示以下概率，即运动员故意以降低的表现进行比赛、出于一个或多个感兴趣的原因(例如受伤或意图影响与比赛相关的赌注的结果)而降低表现进行比赛或者故意错过至少一些投篮。

注意，在确定指示特定投篮或整体表现是否为非典型的评分时，对象跟踪器1562可以考虑各种因素。作为示例，当确定运动员具有高度的疲劳时，评分可以被调整或以其它方式被控制，使得不良的投篮对评分的影响较小。也就是说，随着运动员的疲劳，运动员的投篮特性发生变化是合理的。当运动员被认为是高度疲劳时，运动员的评分可以被调整为使其受某一参数稍稍超出预期范围的影响较小。替代地，与投篮参数相比的范围可以根据运动员的疲劳程度进行调整，以便当他或她高度疲劳时，需要与正常情况有较大的偏差才能触发非典型评估。需要注意的是，当运动员被认为是类似的疲劳时，对范围的改变可以基于运动员过去的表现，如历史数据1596所示。

对象跟踪器1562可以类似地考虑到可能影响投篮表现的其它因素。作为示例，如上所述，对象跟踪器1562可以被配置成确定一个值，该值指示当运动员正在进行诸如带球或投篮的动作时，防守者对运动员的守护程度或严密程度。如果该值指示运动员在投篮时被严密地守护，那么可以调整或以其它方式控制运动员的投篮表现评分，以考虑到防守守护，使得不良的投篮对评分的影响较小。也就是说，根据运动员被防守的好坏或严密程度的不同，运动员的投篮特性发生变化是合理的。当运动员被认为被严密防守时，该运动员的评分可能会被调整，使其受某一参数稍稍超出预期范围的影响较小。替代地，与投篮参数相比较的范围可以基于为投篮确定的防守守护进行调整，以便当他或她被严密守护时，需要与正常情况有更大的偏差才能触发非典型评估。需要注意的是，当该运动员被认为是类似的防守时，对范围的改变可以基于该运动员过去的表现，如历史数据1596所示。

在评估运动员表现的总体评分时，有可能使一些投篮的权重大于其它投篮的权重。作为示例，基于一些比赛情况，对象跟踪器有可能识别一个或多个投篮比其它投篮更重要或以其它方式加权到大于其它投篮的程度，例如在比赛结束附近的投篮或基于比赛评分的投篮。对象跟踪器1562有可能接收指示比赛中的情况被认为是关键的或比其它情况更重要的用户输入，，但对象跟踪器1562也有可能自动识别这种情况。作为示例，对象跟踪器1562可以将一队的比赛评分与另一队的比赛评分进行比较，并确定当两个评分的差值在一定范围内时所进行的投篮要被加权。作为示例，当球队评分的差异小于5分(或其它一些阈值)时的投篮可能比差异大于5分时的投篮权重更高。在其它实施例中，球队评分的差异可以与阈值进行比较，例如与比赛相关联的赌注的分差。作为示例，如果当比赛评分的差值接近于分差时(或在其它一些比赛情况下)，运动员试图通过故意失误投篮或以其它方式表现不佳来操纵赌注的结果，则对象跟踪器1562更有可能将其表现识别为非典型，因为在这种情况下采取的投篮比在其它情况下的投篮更有权重。

在上面描述的至少一些实施例中，关于运动员的当前投篮或其它动作的信息被描述为相对于由同一运动员进行的先前投篮的历史数据进行比较或以其它方式评估。然而，应该强调的是，历史数据没有必要从同一运动员那里获得。例如，以下是可能的：相对于得自一个或多个其他运动员的动作的历史数据以相同或相似方式比较或以其它方式评估运动员的当前投篮或其它动作。无论历史数据的来源如何，使用这样的历史数据，可以包括大量的样本，用于被分析的动作类型，以提供统计的准确性和意义，允许系统基于甚至是典型行为的微小偏差来辨别意图。

在另一个实施例中，对象跟踪器1562可以实施机器学习系统，以评估来自运动员的负面动作(即具有负面结果的动作)(例如，失误的投篮、抛出坏的传球、不小心带球等)或降低的表现是否是有意的。机器学习系统可以接收相机数据1578、传感器数据1580和/或由对象跟踪器1562生成的参数作为输入，并生成指示系统认为运动员是否有可能故意采取消极动作的输出，例如故意打出降低表现的一个或多个动作(例如，投篮)。然后，机器学习系统的输出可用于就运动员出于非法原因(例如，控制特定赌博投注的结果)而故意采取消极动作作出判断。在一个实施例中，机器学习系统的输出可以是概率值，使得来自机器学习系统的值越高(或越低)，则运动员故意采取消极动作(例如，失误投篮)或以其它方式故意表现不佳的概率越大。

机器学习系统可以评估与运动员的动作相关联的多个参数以生成输出。由机器学习系统评估的多个参数可以对应于由对象跟踪器1562提供的参数(例如，指示投篮轨迹的参数)，但多个参数也可以包括来自机器学习系统的“自生成的”参数。自生成的参数可以由实施深度学习过程以改善输出的神经网络的节点确定。自生成的参数可以基于来自相机数据1578、传感器数据1580或来自对象跟踪器1562的输入参数中的一者或多者的信息或数据。

在使用机器学习评估运动员的动作之前，可以对机器学习系统进行训练。机器学习系统的训练可以涉及向机器学习系统提供许多输入(例如，数千个输入或更多输入)以训练其学习指示运动员意图的参数。作为示例，本文所述的任何类型的传感器(例如，相机)可用于捕获与运动员(和/或其他运动员)大量投篮相关联的历史数据，该数据可包括原始传感器数据和/或经过处理的传感器数据，例如从传感器数据测量的参数(例如，轨迹参数或身体运动参数)。实现机器学习系统的对象跟踪器1562可以分析这些数据以学习指示意图的参数。在神经网络背景中，学习到的参数可以由存储在神经网络的节点中以将输入转化为期望的输出的值来定义。以这种方式，机器学习系统可以学习可能指示有意的消极动作(例如失误的投篮)的表现特性，并评估指示这些特性的参数，以对运动员何时有意进行消极动作(例如失误的投篮)进行评估。

这种机器学习可用于实施上述概念或类似于上述概念的非机器学习实施例。作为示例，如上所述，某些轨迹参数当在一定范围内时有可能指示出失误投篮的意图。当对象跟踪器1562实施机器学习系统时，它可以学习必要的参数，从而当轨迹参数处于指示失误投篮的意图的范围时，机器学习系统的输出指示失误投篮可能是有意的。

在一些实施例中，由对象跟踪器1562实施的机器学习系统可以使用来自多个用户采取的大量投篮(或其它类型的动作)的投篮数据进行训练。在训练期间，机器学习系统可以被配置为学习指示可能显示出失误投篮(或其它类型的消极动作)的意图的表现特性的参数。这样的参数可以基于由运动员发射的对象的轨迹或运动员在发射对象(或进行另一种类型的动作)时的身体运动。

当运动员进行待被评估其表现是否非典型(例如，运动员是否故意失误投篮)的动作(例如进行篮球投篮)时，对象跟踪器1562可以提供来自投篮的传感器数据(如由一个或多个传感器(例如，相机)确定的)作为机器学习系统的输入。对象跟踪器1562还可以基于指示运动员表现的传感器数据计算各种参数，并将这些参数作为输入提供给机器学习系统。作为示例，对象跟踪器1562可以在传感器数据中识别由运动员向目标发射的对象，并计算指示对象轨迹的一个或多个轨迹参数。基于对进行动作的运动员的识别，对象跟踪器1562还可以提供作为输入的历史数据1596，该历史数据与被识别的运动员相关联，并且指示运动员在执行多个相同类型(例如，相同投篮类型)的先前动作中的历史表现。在一些实施例中，对象跟踪器1562可以通过算法确定当前投篮的投篮类型，并且基于该确定，搜索并向机器学习系统提供指示该投篮类型的历史数据1596，替代地，对象跟踪器1562可以提供与多个投篮类型相关联的历史数据1596，供机器学习系统在评估运动员的当前投篮时使用。

在任何情况下，如果确定当前投篮失误(即，没有通过篮筐)，则对象跟踪器1562的机器学习系统可以评估相对于所学参数的当前投篮的输入，以确定指示该投篮是否是故意失误的值。在进行这种评估时，机器学习系统可以确定至少一个参数，该参数表征了运动员在进行当前动作(例如，投篮)时相对于运动员或其他运动员在以前的体育赛事中进行相同类型的动作的表现，如历史数据1596所指示的。也就是说，如果所学参数在应用于机器学习系统的输入(其可以包括用于当前投篮的输入和基于运动员或其他运动员所进行的先前投篮的历史数据的输入)时，指示运动员在当前动作中的表现相对于历史数据1596所指示的运动员在过去动作中的表现是不典型的，则机器学习系统可以提供指示失误的投篮可能是故意的输出。在一些实施例中，输出可以包括指示失误投篮是故意的概率的值。需要注意的是，上面描述的任何因素可以被机器学习系统用于评估运动员的表现和意图。

图6示出了运动比赛表面上的进攻和防守篮球运动员。如在图6的实施例中可以看到的那样，相机1502可位于运动比赛表面1650的每一端，并且可捕获相机1502的视场1652内的整个运动比赛表面1650。相机1502还可捕获进攻运动员1654，球1656和防守运动员1658。相机1502可以能够捕获关于进攻运动员1654，球1656和防守运动员1658的大量信息或非常少的信息，这取决于他们在运动比赛表面1650上的位置以及相对于相机1502的位置。如上所述，球1656可以基于进攻运动员1654和防守运动员1658的位置而相对于相机的视场1652被遮挡，如图6所示。相机1502还可以捕获关于运动比赛表面1650上的其它运动员(未示出)的信息。由相机1502捕获的进攻运动员1654，球1656和防守运动员1658的图像可由对象跟踪器1562处理，如上所述。

在一个实施例中，计算设备1504可以使用增强现实系统来提供训练序列，该训练序列模拟投篮、带球和/或传球的人或防守者的比赛情况。如图7所示，增强现实系统1710可包括增强现实逻辑1712。增强现实逻辑1712可以用软件、硬件、固件或其任何组合来实现。增强现实逻辑1712可以是对象跟踪器1562的一部分或者是存储器1566中的独立系统。增强现实逻辑1712可以使用通信接口1576将与模拟比赛情况相关联的图像发送到用户(例如，头戴的)使用的用户接口1714。在一个实施例中，用户接口1714可以具有封闭配置(例如全尺寸头盔)，其防止用户看到任何周围的物理环境，或者在另一实施例中，用户接口1714可以具有开放配置(例如一副眼镜)，其允许用户在比赛投影正在进行时查看周围环境。在一个实施例中，用户接口1714可以是输出设备1508。系统1500可以利用相机1502和/或传感器1514捕获用户对模拟比赛情况的响应，并且如上所述利用对象跟踪器1562处理捕获的信息。对象跟踪器1562可以将关于用户的响应的信息提供给增强现实逻辑1712，其可以更新提供给用户的模拟。

增强现实逻辑1712可以将模拟防守者的技能与要在训练序列中开发的特定技能相匹配。例如，模拟防守者的技能水平可以被设置为低于训练序列中的人的技能水平，以允许投篮、带球和/或传球的人发展对于不太熟练的防守者有效的新动作。相比之下，模拟防守者的技术水平可以设定得比投篮、带球和/或传球的人更高，以允许此人增加他们的技能或学习护球序列。增强现实逻辑1712还可用于在训练序列期间模拟多个防守者。在一个实施例中，模拟防守者的技能水平可以基于由收集和存储在历史数据1596中的防守者的防守特性表示的实际防守者的技能。在另一个实施例中，模拟防守者的技能水平可以基于几个不同防守者的技能的组合，或者可以由增强现实逻辑1712生成，以在模拟防守者中提供所需的一组技能。

增强现实逻辑1712还可以将模拟带球者或传球者的技能与防守者在训练序列中要开发的特定技能相匹配。例如，模拟带球者或传球者的技术水平可以设置为低于训练序列中防守者的技术水平，以允许防守者发展对于不太熟练的带球者或传球者有效的新动作。相比之下，模拟带球者或传球者的技术水平可以设置得比防守者更高，以允许防守者提高他们的技能或学习防守序列。增强现实逻辑1712还可用于在训练序列期间模拟多个进攻运动员。在一个实施例中，模拟带球者或传球者的技术水平可以基于实际带球者或传球者的技能，如由历史数据1596中所收集并存储的带球者的带球特性或传球者的传球特性所表示的。在另一个实施例中，模拟带球者或传球者的技术水平可以基于若干不同带球者或传球者的技能的组合，或者可以由增强现实逻辑1712生成，以在模拟带球者或传球者中提供所需的一组技能。

在另一实施例中，增强现实逻辑1712还可用于训练序列期间将模拟的球场线或模拟篮球圈添加到实际上不存在球场的环境中。通过在物理上不存在这样的条件时向用户的用户接口1714提供模拟边界和/或篮球圈，增强现实逻辑1712可以提供更真实的训练环境并增加用户的训练序列的益处。

增强现实逻辑1712可以通过结合历史数据1596使用机器学习和/或人工智能来在训练序列中开发模拟防守者或投篮、带球和/或传球的人的技能水平。例如，除了运动员的运动之外，还可以使用诸如运动员的平衡、脚步、脚放置和/或加速度的因素(例如，身体部位放置和/或取向)和/或球运动可以用于建立模拟运动员(一个或多个)的技能水平。

在另外的又一个实施例中，增强现实系统1710可用于允许一个或多个运动员在具有10个或更多运动员练习呈现的环境中操作。在另一实施例中，增强现实系统1710可由不同位置的两个单独的人使用以模拟人与人之间的一对一竞赛。其中一个人可以是进攻运动员而另一个人可以是防守运动员。相机1502可以捕获关于他们各自位置处的每个运动员的信息，并将信息提供给可以处理该信息的他们的对应的对象跟踪器1562。然后，对象跟踪器1562可以将关于一个运动员的信息(例如，球场上的位置，运动员姿势，运动员运动等)提供给另一个运动员使用的增强现实逻辑1712，该增强现实逻辑1712然后可以使用来自对象跟踪器1562的关于该一个运动员的信息，在提供给另一个运动员的模拟中模拟该一个运动员的位置和运动。例如，防守者可以位于罚球线处并且处于固定位置，而带球者可以位于“三秒区弧顶”并且朝向防守者移动。防守者的系统1500中的对象跟踪器1562可以捕获防守者在球场上的位置以及防守者的防守姿势和位置。然后可以将关于防守者的信息提供给带球者的增强现实系统1710，其然后可以在防守者的位于罚球线处的位置处且关于防守者对于带球者的固定位置生成防守者的模拟。类似地，带球者的系统1500中的对象跟踪器1562可以捕获带球者在球场上的位置以及带球者的带球姿势和运动。然后可以将关于带球者的信息提供给防守者的增强现实系统1710，其然后可以在带球者的位于三秒区弧顶的位置处并且关于带球者朝向防守者的运动生成带球者的模拟。类似的技术可以与任何数量的位置中的其它数量的运动员一起使用。作为示例，可以模拟五对五比赛，其中每个运动员在不同球场或其它物理位置处并且观看其它九个运动员的模拟。

在一个实施例中，随着来自相机1502和/或传感器1514的信息的捕获率增加，需要更少的相机1502和/或传感器1514来获得相同的量的信息和/或数据以进行处理。例如，每秒捕获1000帧的相机1502将比每秒捕获30帧的相机1502向计算设备1504提供更多数据。

在另一个实施例中，音频传感器可用于确定一个或多个带球特性。例如，音频传感器可以检测与带球动作相关联的声音的变化，并且对象跟踪器1562可以使用检测到的声音变化来确定带球特性—例如带球速率或速度—的相应变化。另外，音频传感器还可以用于在球从视场中被遮挡时帮助确定球的轨迹。例如，音频传感器可以检测球撞击地板时发出的声音，并将该信息提供给识别逻辑1592和球路径逻辑1591，以帮助确定球的轨迹。撞击地板的球的声音可以与其它检测到的信息(例如球离开人的手的检测)一起使用，以基于检测到信息和当检测到撞击地板的球的声音之间的时间差来确定球的速度。此外，以重复模式撞击地板的球的检测可以指示此人正在带球，即使球从相机1502的视场中被遮挡。

可以使用多种不同的有线和无线通信协议来发送在系统中的不同组件之间传递的信息。例如，对于有线通信，可以使用USB兼容，Firewire兼容和IEEE 1394兼容的硬件通信接口和通信协议。对于无线通信，与诸如蓝牙，IEEE 802.11a，IEEE 802.11b，IEEE802.11x(例如，诸如IEEE 802.11c，IEEE 802.11d，IEEE 802.11e等的其它IEEE 802.11标准)，IrDA，WiFi和HomeRF之类的标准兼容的硬件和软件。

尽管出于清楚和理解的目的通过说明和实例详细描述了前述发明，但应认识到，上述发明可以在不脱离本发明的精神或实质特征的情况下体现在许多其它具体变化和实施方案中。可以实施某些改变和修改，并且应该理解，本发明不受前述细节的限制，而是由所附权利要求的范围限定。

Claims (12)

1.一种用于在具有至少一个球门的场地或球场的体育赛事期间评估运动员表现的系统，所述系统包括：

至少一个传感器，所述至少一个传感器被配置为对于在所述体育赛事期间由运动员进行的第一多个投射，捕获与所述运动员朝向所述至少一个球门发射至少一个对象关联的传感器数据；

至少一个处理器，所述至少一个处理器被配置为接收所述传感器数据，并对于所述第一多个投射中的每一个，基于所述传感器数据确定限定所述至少一个对象朝向所述至少一个球门行进的轨迹的数据，所述至少一个处理器被配置为将由对于所述第一多个投射的数据限定的所述至少一个对象的第一轨迹与从历史数据指示的第二轨迹得出的参数进行比较，以确定至少一个评分，所述至少一个评分指示所述运动员在生成所述第一轨迹时的表现与在生成所述第二轨迹时的运动员表现一致的程度，其中，所述第二轨迹针对在所述体育赛事之前对于第二多个投射朝向多个球门发射的多个对象，并且其中，所述至少一个处理器被配置为基于所述至少一个评分确定所述运动员故意在所述体育赛事中表现降低的概率；和

输出设备，所述输出设备被配置为提供指示所确定的概率的输出。

2.根据权利要求1所述的系统，其中，所述至少一个传感器包括相机。

3.根据权利要求1所述的系统，其中，所述对象是篮球，并且其中，所述至少一个球门包括具有用于接收所述篮球的篮筐的篮球框。

4.根据权利要求1所述的系统，其中，所述至少一个处理器被配置为确定所述第一多个投射中的至少一个的进入角度，并将所述进入角度与所述参数中的至少一个进行比较，并且其中，所述进入角度指示所述至少一个对象进入所述至少一个球门的角度。

5.根据权利要求1所述的系统，其中，所述至少一个处理器被配置为确定所述第一多个投射中的每一个的投射类型，并对于所述第一多个投射基于由所述至少一个处理器确定的投射类型将所述第一轨迹与所述第二轨迹进行比较。

6.根据权利要求1所述的系统，其中，所述至少一个处理器被配置为对于所述第一多个投射中的每一个，确定对于所述第一多个投射中的相应投射的所述至少一个对象的轨迹与所述第二轨迹一致的程度。

7.一种用于在具有至少一个球门的场地或球场的体育赛事期间评估运动员表现的方法，所述方法包括：

使用至少一个传感器对于在所述体育赛事期间由运动员进行的第一多个投射，捕获与所述运动员朝向所述至少一个球门发射至少一个对象关联的传感器数据；

使用至少一个处理器接收所述传感器数据；

使用所述至少一个处理器，对于所述第一多个投射中的每一个，基于所述传感器数据确定对于所述第一多个投射中的相应投射限定所述至少一个对象朝向所述至少一个球门行进的轨迹的数据；

使用所述至少一个处理器，将由对于所述第一多个投射的数据限定的所述至少一个对象的第一轨迹与由历史数据指示的第二轨迹得出的参数进行比较，其中，所述第二轨迹针对在所述体育赛事之前对于第二多个投射朝向多个球门发射的多个对象；

使用所述至少一个处理器，基于所述比较确定至少一个评分，所述至少一个评分指示所述运动员在生成所述第一轨迹时的表现与在生成所述第二轨迹时的运动员表现一致的程度；

使用所述至少一个处理器，基于所述至少一个评分确定所述运动员故意在所述体育赛事中表现降低的概率；和

提供指示所确定的概率的输出。

8.根据权利要求7所述的方法，其中，所述至少一个传感器包括相机。

9.根据权利要求7所述的方法，其中，所述对象是篮球，并且其中，所述至少一个球门包括具有用于接收所述篮球的篮筐的篮球框。

10.根据权利要求7所述的方法，还包括使用所述至少一个处理器确定所述第一多个投射中的至少一个的进入角度，其中所述比较包括将所述进入角度与所述参数中的至少一个进行比较，并且其中，所述进入角度指示所述至少一个对象进入所述至少一个球门的角度。

11.根据权利要求7所述的方法，还包括使用所述至少一个处理器确定所述第一多个投射中的每一个的投射类型，其中，所述比较基于由所述至少一个处理器对于所述第一多个投射确定的投射类型。

12.根据权利要求7所述的方法，其中，还包括使用所述至少一个处理器对于所述第一多个投射中的每个投射确定对于所述第一多个投射中的相应投射的所述至少一个对象的轨迹与所述第二轨迹一致的程度。

Images