JP7078667B2 - Win / Loss Prediction System - Google Patents

Win / Loss Prediction System Download PDF

Info

Publication number
JP7078667B2
JP7078667B2 JP2020082460A JP2020082460A JP7078667B2 JP 7078667 B2 JP7078667 B2 JP 7078667B2 JP 2020082460 A JP2020082460 A JP 2020082460A JP 2020082460 A JP2020082460 A JP 2020082460A JP 7078667 B2 JP7078667 B2 JP 7078667B2
Authority
JP
Japan
Prior art keywords
game
predetermined scene
analyzed
machine learning
video
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
JP2020082460A
Other languages
Japanese (ja)
Other versions
JP2021177316A (en
Inventor
卓也 武本
誠也 宮崎
佳菜 根岸
ミャホライ・バトビルグーン
初実 鈴木
パク・ジョンソン
キム・ドンヒョン
オ・ソンテク
イ・ヨンソク
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.)
DATA ARTIST INC.
TEAM TWELVE INC.
Dentsu Group Inc
Original Assignee
DATA ARTIST INC.
TEAM TWELVE INC.
Dentsu Inc
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 DATA ARTIST INC., TEAM TWELVE INC., Dentsu Inc filed Critical DATA ARTIST INC.
Priority to JP2020082460A priority Critical patent/JP7078667B2/en
Priority to KR1020207032988A priority patent/KR102443007B1/en
Priority to CN202080002630.6A priority patent/CN113939837A/en
Priority to PCT/JP2020/027422 priority patent/WO2021225007A1/en
Publication of JP2021177316A publication Critical patent/JP2021177316A/en
Application granted granted Critical
Publication of JP7078667B2 publication Critical patent/JP7078667B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Description

本発明は、試合の勝敗結果を予測することができる勝敗予測システムに関する。 The present invention relates to a win / loss prediction system that can predict the outcome of a match.

従来、サッカーチームの戦力を分析するシステムが提案されている。従来のシステムでは、例えば、サッカーチームに関する既存データベースから各サッカーチームについてホームとアウェイに分けた定性的強さを反映する参考指標としての勝敗結果コード及び各サッカーチームの他の関連データ項目とを収集して記憶し、収集した参考指標としての勝敗結果コードと他の関連データ項目とを相関分析により定性的に関連付けて、関連付けした関連付け指標を基に各サッカーチームのホームとアウェイとに分けた線形和演算による定性的な戦力格付けが行われる（例えば特許文献１参照）。 Conventionally, a system for analyzing the strength of a soccer team has been proposed. In a conventional system, for example, a win / loss result code as a reference index reflecting the qualitative strength of each soccer team divided into home and away and other related data items of each soccer team are collected from an existing database of soccer teams. The winning / losing result code as a reference index collected is qualitatively associated with other related data items by correlation analysis, and the home and away of each soccer team are divided based on the associated association index. A qualitative force rating is performed by sum calculation (see, for example, Patent Document 1).

特開２００４－１１０８２６号公報Japanese Unexamined Patent Publication No. 2004-110826

しかしながら、従来のシステムにおいては、サッカーチームの戦力を分析することができるものの、試合の勝敗結果を予測することはできなかった。 However, in the conventional system, although it is possible to analyze the strength of the soccer team, it is not possible to predict the outcome of the match.

本発明は、上記の課題に鑑みてなされたもので、試合の勝敗結果を予測することのできる勝敗予測システムを提供することを目的とする。 The present invention has been made in view of the above problems, and an object of the present invention is to provide a winning / losing prediction system capable of predicting the winning / losing result of a match.

本発明の勝敗予測システムは、分析対象の試合中の映像を取得する映像取得部と、前記試合中におけるボールポゼッションを推定する第１システムと、前記試合中に発生するイベントを推定する第２システムと、前記第１システムの検出結果と前記第２システムの検出結果から前記試合の勝敗結果を予測する第３システムと、を備え、前記第１システムは、過去の試合の所定シーンの映像と、当該過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係を、機械学習により分析する第１機械学習部と、前記第１機械学習部で分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合の所定シーンにおける選手とボールの位置を推定して出力する第１推定部と、前記第１推定部から出力された前記選手とボールの位置に基づいて、前記分析対象の試合の所定シーンにおけるボールポゼッションを判定して出力する第１判定部と、を備え、前記第２システムは、過去の試合の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する第２機械学習部と、前記第２機械学習部で分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する第２推定部と、を備え、前記第３システムは、過去の試合の所定シーンにおけるボールポゼッション、前記所定シーンで発生したイベント、試合開始から前記所定シーンまでの経過時間、前記所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する第３機械学習部と、前記第３機械学習部で分析した関係に基づいて、前記第１判定部から出力された前記分析対象の試合の所定シーンにおけるボールポゼッション、前記第２推定部から出力された前記分析対象の試合の所定シーンで発生したイベント、前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合の所定シーンの時点において予想される試合の勝敗結果を推定して出力する第３推定部と、を備えている。 The win / loss prediction system of the present invention has a video acquisition unit that acquires images during a match to be analyzed, a first system that estimates ball possession during the match, and a second system that estimates events that occur during the match. The first system includes a third system that predicts the winning / losing result of the game from the detection result of the first system and the detection result of the second system, and the first system includes images of predetermined scenes of past games. The video acquisition unit is based on the relationship between the first machine learning unit that analyzes the relationship between the player and the position of the ball in the predetermined scene of the past game by machine learning and the relationship analyzed by the first machine learning unit. From the first estimation unit and the first estimation unit, which estimates and outputs the positions of the player and the ball in the predetermined scene of the analysis target game by inputting the video of the predetermined scene during the analysis target game acquired in The second system includes a first determination unit that determines and outputs a ball possession in a predetermined scene of the game to be analyzed based on the output positions of the player and the ball, and the second system is a predetermined game in the past. Based on the relationship between the second machine learning unit that analyzes the relationship between the video of the scene and the information about the event that occurred in the predetermined scene during the past game by machine learning and the second machine learning unit. It is provided with a second estimation unit that estimates and outputs an event that occurred in a predetermined scene during the game to be analyzed by inputting an image of a predetermined scene during the game to be analyzed acquired by the video acquisition unit. The third system includes information on a ball possession in a predetermined scene of a past game, an event that occurred in the predetermined scene, an elapsed time from the start of the game to the predetermined scene, points and goals scored at the time of the predetermined scene, and the past. Based on the relationship analyzed by the third machine learning unit, which analyzes the relationship with the winning / losing result of the game by machine learning, and the game to be analyzed, which is output from the first determination unit, based on the relationship analyzed by the third machine learning unit. The ball possession in the predetermined scene, the event generated in the predetermined scene of the game to be analyzed output from the second estimation unit, the elapsed time from the start of the game to be analyzed to the predetermined scene, and the predetermined game to be analyzed. It is provided with a third estimation unit that estimates and outputs the expected win / loss result of the game expected at the time of a predetermined scene of the game to be analyzed by inputting information on the goal score at the time of the scene.

この構成によれば、まず、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係）を用いて、その所定シーンにおける選手とボールの位置が推定される。そして、推定された選手とボールの位置に基づいて、その所定シーンにおけるボールポゼッションが判定される。また、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合中の所定シーンで発生したイベントに関する情報との関係）を用いて、その所定シーンで発生したイベント（例えば、ゴール前まで攻めあがってシュートを打ったなど）が推定される。そして、分析対象の試合の所定シーンにおけるボールポゼッション（判定されたボールポゼッション）、その所定シーンで発生したイベント（推定されたイベント）、その所定シーンまでの経過時間、その所定シーンにおける得失点に関する情報が入力されると、機械学習で分析した関係（過去の試合の所定シーンにおけるボールポゼッション、その所定シーンで発生したイベント、その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係）を用いて、その所定シーンの時点においてリアルタイムで予想される試合の勝敗結果が推定される。このようにして、分析対象の試合中の映像から、その試合の勝敗結果をリアルタイムで予測することができる。 According to this configuration, first, when the image of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the image of the predetermined scene of the past game and the player in the predetermined scene of the past game). And the relationship with the information about the position of the ball), the positions of the player and the ball in the predetermined scene are estimated. Then, based on the estimated player and ball position, the ball possession in the predetermined scene is determined. In addition, when the video of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the video of the predetermined scene of the past game and the information about the event that occurred in the predetermined scene during the past game). (Relationship) is used to estimate the event that occurred in the predetermined scene (for example, attacking to the front of the goal and hitting a shot). Then, information on the ball possession (determined ball possession) in the predetermined scene of the game to be analyzed, the event that occurred in the predetermined scene (estimated event), the elapsed time until the predetermined scene, and the goal score in the predetermined scene. When is input, the relationship analyzed by machine learning (ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time to the predetermined scene, the information about the goal score at the time of the predetermined scene and the information , Relationship with the winning / losing result of the past game), the winning / losing result of the game expected in real time at the time of the predetermined scene is estimated. In this way, the outcome of the match can be predicted in real time from the video of the match being analyzed.

また、本発明の勝敗予測システムでは、前記第３システムは、前記分析対象の試合中の所定シーンの映像を画像分析して、当該所定シーンの前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合の所定シーンの時点における得失点に関する情報を取得する画像分析部を備えてもよい。 Further, in the win / loss prediction system of the present invention, the third system analyzes the video of the predetermined scene during the game to be analyzed by image analysis, and the process from the start of the game to the analysis target of the predetermined scene to the predetermined scene. An image analysis unit may be provided for acquiring information on time and points scored at a predetermined scene of the game to be analyzed.

この構成によれば、分析対象の試合中の所定シーンの映像を画像分析することにより、その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報を取得することができる。画像分析により取得された情報（その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報）は、第３推定部に入力して、その試合の勝敗結果の推定に用いることができる。 According to this configuration, by performing image analysis of the video of a predetermined scene during the game to be analyzed, it is possible to acquire information on the elapsed time until the predetermined scene and the score and goal at the time of the predetermined scene. The information acquired by the image analysis (elapsed time to the predetermined scene, information on the score at the time of the predetermined scene) can be input to the third estimation unit and used for estimating the winning / losing result of the match. ..

また、本発明の勝敗予測システムでは、前記第３推定部は、前記分析対象の試合の所定シーンの時点においてリアルタイムで予想される勝敗結果として、勝ちの確率、負けの確率、引き分けの確率を、それぞれ推定して出力してもよい。 Further, in the win / loss prediction system of the present invention, the third estimation unit determines the probability of winning, the probability of losing, and the probability of drawing as the winning / losing result predicted in real time at the time of a predetermined scene of the game to be analyzed. Each may be estimated and output.

この構成によれば、予想される勝敗結果として、勝ちの確率、負けの確率、引き分けの確率が出力されるので、勝敗結果を一目で簡単に理解することができる。 According to this configuration, the probability of winning, the probability of losing, and the probability of drawing are output as the expected winning / losing result, so that the winning / losing result can be easily understood at a glance.

本発明の勝敗予測方法は、分析対象の試合中の映像を取得する映像取得部と、前記試合中におけるボールポゼッションを推定する第１システムと、前記試合中に発生するイベントを推定する第２システムと、前記第１システムの検出結果と前記第２システムの検出結果から前記試合の勝敗結果を予測する第３システムと、を備える勝敗予測システムで実行される勝敗予測方法であって、前記第１システムにおいて、過去の試合の所定シーンの映像と、当該過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係を、機械学習により分析する第１機械学習ステップと、前記第１機械学習ステップで分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合の所定シーンにおける選手とボールの位置を推定して出力する第１推定ステップと、前記第１推定ステップから出力された前記選手とボールの位置に基づいて、前記分析対象の試合の所定シーンにおけるボールポゼッションを判定して出力する第１判定ステップと、を実行することと、前記第２システムにおいて、過去の試合の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する第２機械学習ステップと、前記第２機械学習ステップで分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する第２推定ステップと、を実行することと、前記第３システムにおいて、過去の試合の所定シーンにおけるボールポゼッション、前記所定シーンで発生したイベント、試合開始から前記所定シーンまでの経過時間、前記所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する第３機械学習ステップと、前記第３機械学習ステップで分析した関係に基づいて、前記第１判定ステップから出力された前記分析対象の試合の所定シーンにおけるボールポゼッション、前記第２推定ステップから出力された前記分析対象の試合の所定シーンで発生したイベント、前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合の所定シーンの時点において予想される試合の勝敗結果を推定して出力する第３推定ステップと、を実行する。 The winning / losing prediction method of the present invention includes a video acquisition unit that acquires video during a match to be analyzed, a first system that estimates ball possession during the match, and a second system that estimates events that occur during the match. The first is a winning / losing prediction method executed by a winning / losing prediction system including a third system that predicts the winning / losing result of the game from the detection result of the first system and the detection result of the second system. In the system, the first machine learning step for analyzing the relationship between the image of the predetermined scene of the past game and the information regarding the positions of the player and the ball in the predetermined scene of the past game by machine learning, and the first machine learning. Based on the relationship analyzed in the step, the position of the player and the ball in the predetermined scene of the game to be analyzed is estimated and output by inputting the image of the predetermined scene in the game to be analyzed acquired by the video acquisition unit. The first estimation step to be performed, and the first determination step to determine and output the ball possession in a predetermined scene of the game to be analyzed based on the positions of the player and the ball output from the first estimation step. The second machine learning step of analyzing the relationship between the execution and the information about the event that occurred in the predetermined scene in the past game and the image of the predetermined scene in the past game in the second system by machine learning. And, based on the relationship analyzed in the second machine learning step, the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit is input, and it occurs in the predetermined scene in the game to be analyzed. The second estimation step of estimating and outputting the event, and in the third system, the ball possession in the predetermined scene of the past game, the event generated in the predetermined scene, from the start of the game to the predetermined scene. The relationship between the elapsed time of the system, the information about the goal scored at the time of the predetermined scene, and the winning / losing result of the past game is analyzed by the third machine learning step and the third machine learning step. Based on, the ball possession in the predetermined scene of the game to be analyzed output from the first determination step, the event generated in the predetermined scene of the game to be analyzed output from the second estimation step, the analysis target. By inputting information on the elapsed time from the start of the game to the predetermined scene and the points scored at the time of the predetermined scene of the game to be analyzed, the predetermined system of the game to be analyzed is input. The third estimation step, which estimates and outputs the expected result of the match at the time of the game, is executed.

この方法によっても、上記のシステムと同様、まず、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係）を用いて、その所定シーンにおける選手とボールの位置が推定される。そして、推定された選手とボールの位置に基づいて、その所定シーンにおけるボールポゼッションが判定される。また、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合中の所定シーンで発生したイベントに関する情報との関係）を用いて、その所定シーンで発生したイベント（例えば、ゴール前まで攻めあがってシュートを打ったなど）が推定される。そして、分析対象の試合の所定シーンにおけるボールポゼッション（判定されたボールポゼッション）、その所定シーンで発生したイベント（推定されたイベント）、その所定シーンまでの経過時間、その所定シーンにおける得失点に関する情報が入力されると、機械学習で分析した関係（過去の試合の所定シーンにおけるボールポゼッション、その所定シーンで発生したイベント、その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係）を用いて、その所定シーンの時点においてリアルタイムで予想される試合の勝敗結果が推定される。このようにして、分析対象の試合中の映像から、その試合の勝敗結果をリアルタイムで予測することができる。 Also by this method, as in the above system, first, when the video of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the video of the predetermined scene of the past game and the past game). The relationship between the position of the player and the ball in the predetermined scene) is estimated to be the position of the player and the ball in the predetermined scene. Then, based on the estimated player and ball position, the ball possession in the predetermined scene is determined. In addition, when the video of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the video of the predetermined scene of the past game and the information about the event that occurred in the predetermined scene during the past game). (Relationship) is used to estimate the event that occurred in the predetermined scene (for example, attacking to the front of the goal and hitting a shot). Then, information on the ball possession (determined ball possession) in the predetermined scene of the game to be analyzed, the event that occurred in the predetermined scene (estimated event), the elapsed time until the predetermined scene, and the goal score in the predetermined scene. When is input, the relationship analyzed by machine learning (ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time to the predetermined scene, the information about the goal score at the time of the predetermined scene and the information , Relationship with the winning / losing result of the past game), the winning / losing result of the game expected in real time at the time of the predetermined scene is estimated. In this way, the outcome of the match can be predicted in real time from the video of the match being analyzed.

本発明によれば、分析対象の試合中の映像から、その試合の勝敗結果を予測することができる。 According to the present invention, it is possible to predict the outcome of a match from the video of the match being analyzed.

本発明の実施の形態における勝敗予測システムの構成を示す図である。It is a figure which shows the structure of the win / loss prediction system in embodiment of this invention. 本発明の実施の形態における第１システムのブロック図である。It is a block diagram of the 1st system in embodiment of this invention. 本発明の実施の形態におけるボールポゼッションの判定の例を示す図である。It is a figure which shows the example of the determination of the ball possession in embodiment of this invention. 本発明の実施の形態における第２システムのブロック図である。It is a block diagram of the 2nd system in embodiment of this invention. 本発明の実施の形態におけるイベントの例を示す図である。It is a figure which shows the example of the event in embodiment of this invention. 本発明の実施の形態における第３システムのブロック図である。It is a block diagram of the 3rd system in embodiment of this invention. 本発明の実施の形態における勝敗予測の例を示す図である。It is a figure which shows the example of the victory or defeat prediction in embodiment of this invention. 本発明の実施の形態における勝敗予測システムの動作（処理の流れ）を示す図である。It is a figure which shows the operation (process flow) of the win / loss prediction system in embodiment of this invention.

以下、本発明の実施の形態の勝敗予測システムについて、図面を用いて説明する。本実施の形態では、サッカー等の試合の勝敗予測に用いられる勝敗予測システムの場合を例示する。 Hereinafter, the winning / losing prediction system according to the embodiment of the present invention will be described with reference to the drawings. In this embodiment, the case of a win / loss prediction system used for winning / losing prediction of a game such as soccer is illustrated.

本発明の実施の形態の勝敗予測システムの構成を、図面を参照して説明する。図１は、本実施の形態の勝敗予測システムの構成を示す図である。図１に示すように、勝敗予測システム１は、ネットワークＮを介して試合撮影システム１０と接続されている。試合撮影システム１０は、サッカーなどの試合中の映像を撮影する撮影部１１と、撮影した映像をネットワークＮを介して配信する映像配信部１２を備えている。 The configuration of the win / loss prediction system according to the embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a diagram showing a configuration of a win / loss prediction system according to the present embodiment. As shown in FIG. 1, the win / loss prediction system 1 is connected to the game shooting system 10 via the network N. The game shooting system 10 includes a shooting unit 11 that shoots images during a game such as soccer, and a video distribution unit 12 that distributes the shot images via the network N.

図１に示すように、勝敗予測システム１は、試合撮影システム１０から配信された試合中の映像（分析対象の試合中の映像）を取得する映像取得部２と、試合中におけるボールポゼッションを推定する第１システム４と、試合中に発生するイベントを推定する第２システム５と、第１システム４の検出結果と第２システム５の検出結果から試合の勝敗結果を予測する第３システム６を備えている。また、勝敗予測システム１は、過去の試合の映像データが記憶される映像記憶部３を備えている。なお、映像記憶部３には、試合撮影システム１０から配信された試合中の映像（分析対象の試合中の映像）が記憶されてもよい。 As shown in FIG. 1, the win / loss prediction system 1 estimates the ball possession during the match and the video acquisition unit 2 that acquires the video during the match (the video during the match to be analyzed) distributed from the match shooting system 10. The first system 4 to be used, the second system 5 to estimate the events occurring during the match, and the third system 6 to predict the outcome of the match from the detection results of the first system 4 and the detection results of the second system 5. I have. Further, the win / loss prediction system 1 includes a video storage unit 3 that stores video data of past games. The video storage unit 3 may store the video during the game (the video during the game to be analyzed) delivered from the game shooting system 10.

図２は、第１システム４のブロック図である。図２に示すように、第１システム４は、第１入出力部４０と、第１機械学習部４１と、第１推定部４２と、第１判定部４３を備えている。 FIG. 2 is a block diagram of the first system 4. As shown in FIG. 2, the first system 4 includes a first input / output unit 40, a first machine learning unit 41, a first estimation unit 42, and a first determination unit 43.

第１入出力部４０には、映像記憶部３に記憶された過去の試合の映像や、映像取得部２で取得した分析対象の試合中の映像が、入力される。第１入出力部４０からは、第１判定部４３での判定結果の情報（分析対象の試合の所定シーンにおけるボールポゼッションの情報）が、出力される。 The video of the past game stored in the video storage unit 3 and the video of the game to be analyzed acquired by the video acquisition unit 2 are input to the first input / output unit 40. The first input / output unit 40 outputs information on the determination result of the first determination unit 43 (information on the ball possession in a predetermined scene of the game to be analyzed).

第１機械学習部４１は、映像記憶部３に記憶された過去の試合の所定シーンの映像と、当該過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係を、機械学習により分析する。この機械学習には、ニューラルネットワークによるディープラーニング等の任意の手法が用いられる。例えば、ニューラルネットワークであれば、過去の試合の所定シーンの映像を入力層に入力し、その過去の試合の所定シーンにおける選手とボールの位置に関する情報を出力層から出力するように構成する。そして、入力層に入力するデータと出力層から出力されるデータとが紐付けられた分析用データを用いた教師あり学習によって、ニューラルネットワークのニューロン間の重み付け係数が最適化される。 The first machine learning unit 41 analyzes the relationship between the video of a predetermined scene of a past game stored in the video storage unit 3 and the information regarding the positions of the player and the ball in the predetermined scene of the past game by machine learning. do. For this machine learning, an arbitrary method such as deep learning by a neural network is used. For example, in the case of a neural network, the video of a predetermined scene of a past game is input to the input layer, and information on the positions of the player and the ball in the predetermined scene of the past game is output from the output layer. Then, the weighting coefficient between the neurons of the neural network is optimized by supervised learning using the analysis data in which the data input to the input layer and the data output from the output layer are linked.

第１推定部４２は、第１機械学習部４１で分析した関係に基づいて、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力として、その分析対象の試合の所定シーンにおける選手とボールの位置を推定して出力する。例えば、上記のニューラルネットワークであれば、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力層に入力し、その分析対象の試合の所定シーンにおける選手とボールの位置に関する情報を出力層から出力することにより、推定が行われる。 Based on the relationship analyzed by the first machine learning unit 41, the first estimation unit 42 inputs the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit 2, and the predetermined scene of the game to be analyzed is input. Estimates and outputs the positions of the player and the ball in. For example, in the case of the above neural network, the video of the predetermined scene during the analysis target game acquired by the video acquisition unit 2 is input to the input layer, and the information regarding the positions of the player and the ball in the predetermined scene of the analysis target game is input. Is output from the output layer to make an estimation.

第１判定部４３は、第１推定部４２から出力された選手とボールの位置に基づいて、分析対象の試合の所定シーンにおけるボールポゼッション（どちらのチームがボールを所持しているか）を判定して出力する。例えば、第１判定部４３は、ボールと選手との距離に基づいて、ボールとの距離が最も近い選手側のチームが、ボールを所持しているチームであると判定する。 The first determination unit 43 determines the ball possession (which team possesses the ball) in a predetermined scene of the game to be analyzed based on the positions of the player and the ball output from the first estimation unit 42. And output. For example, the first determination unit 43 determines that the team on the player side closest to the ball is the team in possession of the ball, based on the distance between the ball and the player.

図３は、ボールポゼッションの判定の例を示す図である。図３では、左から右に攻めるチーム（Ａチーム）の選手が「斜線付き三角形」で図示されており、右から左に攻めるチーム（Ｂチーム）の選手が「白三角形」で図示されている。また、ボールは「黒丸」で図示されている。この図３の例では、ボールとの距離が最も近い選手は、Ａチームの選手であるため、Ａチームがボールを所持しているチームであると判定される。 FIG. 3 is a diagram showing an example of determination of ball possession. In FIG. 3, the players of the team (Team A) attacking from left to right are shown by "slashed triangles", and the players of the team (Team B) attacking from right to left are shown by "white triangles". .. In addition, the ball is illustrated by a "black circle". In the example of FIG. 3, the player closest to the ball is the player of team A, so it is determined that team A is the team in possession of the ball.

図４は、第２システム５のブロック図である。図４に示すように、第２システム５は、第２入出力部５０と、第２機械学習部５１と、第２推定部５２を備えている。 FIG. 4 is a block diagram of the second system 5. As shown in FIG. 4, the second system 5 includes a second input / output unit 50, a second machine learning unit 51, and a second estimation unit 52.

第２入出力部５０には、映像記憶部３に記憶された過去の試合の映像が、入力される。第２入出力部５０からは、第２推定部５２での推定結果の情報（分析対象の試合の所定シーンで発生したイベントの情報）が、出力される。 The video of the past game stored in the video storage unit 3 is input to the second input / output unit 50. The second input / output unit 50 outputs information on the estimation result of the second estimation unit 52 (information on an event that occurred in a predetermined scene of the game to be analyzed).

第２機械学習部５１は、過去の試合の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する。この機械学習には、ニューラルネットワークによるディープラーニング等の任意の手法が用いられる。例えば、ニューラルネットワークであれば、過去の試合の所定シーンの映像を入力層に入力し、その過去の試合中の所定シーンで発生したイベントに関する情報を出力層から出力するように構成する。そして、入力層に入力するデータと出力層から出力されるデータとが紐付けられた分析用データを用いた教師あり学習によって、ニューラルネットワークのニューロン間の重み付け係数が最適化される。 The second machine learning unit 51 analyzes the relationship between the video of the predetermined scene of the past game and the information about the event occurring in the predetermined scene during the past game by machine learning. For this machine learning, an arbitrary method such as deep learning by a neural network is used. For example, in the case of a neural network, the video of a predetermined scene of a past game is input to the input layer, and information about an event occurring in the predetermined scene of the past game is output from the output layer. Then, the weighting coefficient between the neurons of the neural network is optimized by supervised learning using the analysis data in which the data input to the input layer and the data output from the output layer are linked.

第２推定部５２は、第２機械学習部５１で分析した関係に基づいて、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する。例えば、上記のニューラルネットワークであれば、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力層に入力し、その分析対象の試合中の所定シーンで発生したイベントに関する情報を出力層から出力することにより、推定が行われる。 Based on the relationship analyzed by the second machine learning unit 51, the second estimation unit 52 receives the video of the predetermined scene during the analysis target game acquired by the video acquisition unit 2 as input, and determines the predetermined scene during the analysis target game. Estimates and outputs the events that occurred in the scene. For example, in the case of the above neural network, the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit 2 is input to the input layer, and the information about the event generated in the predetermined scene in the game to be analyzed is input. The estimation is performed by outputting from the output layer.

図５は、試合中の所定シーンで発生するイベントの例を示す図である。図５では、ボールを所持しているチームについて発生するイベントの例が示されている。例えば、攻撃が成功した場合のイベントの例としては「ドリブル突破成功」「パス成功」「シュート成功」などが挙げられる。また、攻撃が失敗した場合のイベントの例としては「ドリブル突破失敗」「パス失敗」「シュート失敗」などが挙げられる。 FIG. 5 is a diagram showing an example of an event that occurs in a predetermined scene during a match. FIG. 5 shows an example of an event that occurs for a team in possession of the ball. For example, examples of events when an attack is successful include "successful dribble breakthrough", "successful pass", and "successful shoot". In addition, examples of events when an attack fails include "dribble breakthrough failure", "pass failure", and "shoot failure".

図６は、第３システム６のブロック図である。図６に示すように、第３システム６は、第３入出力部６０と、第３機械学習部６１と、第３推定部６２を備えている。 FIG. 6 is a block diagram of the third system 6. As shown in FIG. 6, the third system 6 includes a third input / output unit 60, a third machine learning unit 61, and a third estimation unit 62.

第３入出力部６０には、過去の試合の所定シーンにおけるボールポゼッション、その所定シーンで発生したイベント、試合開始から所定シーンまでの経過時間、所定シーンの時点における得失点に関する情報や、第１判定部４３から出力された分析対象の試合の所定シーンにおけるボールポゼッション、第２推定部５２から出力された分析対象の試合の所定シーンで発生したイベント、分析対象の試合開始から所定シーンまでの経過時間、分析対象の試合の所定シーンの時点における得失点に関する情報が、入力される。第３入出力部６０からは、第３推定部６２での推定結果の情報（分析対象の試合の所定シーンの時点において予想される試合の勝敗結果の情報）が、出力される。 The third input / output unit 60 includes information on the ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, the goal score at the time of the predetermined scene, and the first. The ball possession in the predetermined scene of the game to be analyzed output from the determination unit 43, the event occurring in the predetermined scene of the game to be analyzed output from the second estimation unit 52, the progress from the start of the game to be analyzed to the predetermined scene. Information about the time and the goal score at the time of the predetermined scene of the game to be analyzed is input. The third input / output unit 60 outputs information on the estimation result of the third estimation unit 62 (information on the winning / losing result of the game expected at the time of a predetermined scene of the game to be analyzed).

第３機械学習部６１は、過去の試合の所定シーンにおけるボールポゼッション、所定シーンで発生したイベント、試合開始から所定シーンまでの経過時間、所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する。この機械学習には、ニューラルネットワークによるディープラーニング等の任意の手法が用いられる。例えば、ニューラルネットワークであれば、過去の試合の所定シーンにおけるボールポゼッション、所定シーンで発生したイベント、試合開始から所定シーンまでの経過時間、所定シーンの時点における得失点に関する情報を入力層に入力し、その過去の試合の勝敗結果に関する情報を出力層から出力するように構成する。そして、入力層に入力するデータと出力層から出力されるデータとが紐付けられた分析用データを用いた教師あり学習によって、ニューラルネットワークのニューロン間の重み付け係数が最適化される。 The third machine learning unit 61 includes information on the ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, the goal score at the time of the predetermined scene, and the past game. The relationship with the winning and losing results is analyzed by machine learning. For this machine learning, an arbitrary method such as deep learning by a neural network is used. For example, in the case of a neural network, information on the ball possession in a predetermined scene of a past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, and the goal score at the time of the predetermined scene is input to the input layer. , It is configured to output the information about the winning / losing result of the past game from the output layer. Then, the weighting coefficient between the neurons of the neural network is optimized by supervised learning using the analysis data in which the data input to the input layer and the data output from the output layer are linked.

第３推定部６２は、第３機械学習部６１で分析した関係に基づいて、第１判定部４３から出力された分析対象の試合の所定シーンにおけるボールポゼッション、第２推定部５２から出力された分析対象の試合の所定シーンで発生したイベント、分析対象の試合開始から所定シーンまでの経過時間、分析対象の試合の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合の所定シーンの時点において予想される試合の勝敗結果を推定して出力する。例えば、上記のニューラルネットワークであれば、第１判定部４３から出力された分析対象の試合の所定シーンにおけるボールポゼッション、第２推定部５２から出力された分析対象の試合の所定シーンで発生したイベント、分析対象の試合開始から所定シーンまでの経過時間、分析対象の試合の所定シーンの時点における得失点に関する情報を入力層に入力し、その分析対象の試合の所定シーンの時点において予想される試合の勝敗結果に関する情報を出力層から出力することにより、推定が行われる。 The third estimation unit 62 was output from the second estimation unit 52, which is the ball possession in the predetermined scene of the game to be analyzed, which was output from the first determination unit 43 based on the relationship analyzed by the third machine learning unit 61. Predetermined of the game to be analyzed by inputting information about the event that occurred in the predetermined scene of the game to be analyzed, the elapsed time from the start of the game to be analyzed to the predetermined scene, and the goal score at the time of the predetermined scene of the game to be analyzed. Estimates and outputs the expected outcome of the match at the time of the scene. For example, in the case of the above neural network, the ball possession in the predetermined scene of the analysis target game output from the first determination unit 43, and the event generated in the predetermined scene of the analysis target game output from the second estimation unit 52. , Elapsed time from the start of the game to be analyzed to the predetermined scene, and information on the points scored at the time of the predetermined scene of the game to be analyzed is input to the input layer, and the game expected at the time of the predetermined scene of the game to be analyzed is entered. The estimation is performed by outputting the information regarding the winning / losing result of the above from the output layer.

なお、第３システム６は、分析対象の試合中の所定シーンの映像を画像分析して、当該所定シーンの分析対象の試合開始から所定シーンまでの経過時間、分析対象の試合の所定シーンの時点における得失点に関する情報を取得する画像分析部（図示せず）を備えてもよい。この画像分析には、公知の技術を利用することができる。また、第３推定部６２は、分析対象の試合の所定シーンの時点において予想される勝敗結果として、勝ちの確率、負けの確率、引き分けの確率を、それぞれ推定して出力してもよい。 The third system 6 performs image analysis of the video of the predetermined scene during the analysis target match, and the elapsed time from the start of the analysis target match to the predetermined scene of the predetermined scene, and the time point of the predetermined scene of the analysis target match. An image analysis unit (not shown) may be provided to acquire information on the points scored in. A known technique can be used for this image analysis. Further, the third estimation unit 62 may estimate and output the probability of winning, the probability of losing, and the probability of drawing as the expected winning / losing result at the time of a predetermined scene of the game to be analyzed.

また、第３推定部６２には、各チームの出場メンバー（先発出場、途中出場）の過去成績、各チームの攻撃スタッツ（ドリブル距離、パス成功率、シュート成功率など）、各チームの守備スタッツ（ボールクリア、ボール奪取数など）各チームのフィジカルスタッツ（デュエル回数など）、各チームの反則回数（ファール回数、イエロー/レッドカード枚数など）、自チームと相手チームとの過去対戦成績、自チームと相手チームの直近の成績（勝敗・得点・失点）、試合実施時点における自チームと相手チームの順位、試合実施時点における自チームと相手チームの順位差、リーグ・地域・大会情報、天候（晴れ、曇り、雨など）、気温・湿度、スタジアム観客数、キックオフ時刻、キックオフ時期（年・月）などの情報が、入力されてもよい。 In addition, in the third estimation unit 62, the past results of the participating members (starting participation, mid-game participation) of each team, the attack stats of each team (dribble distance, pass success rate, shooting success rate, etc.), and the defensive stats of each team. (Clearing the ball, number of balls captured, etc.) Physical stats of each team (number of duels, etc.), number of fouls of each team (number of fouls, number of yellow / red cards, etc.), past match results between your team and the opponent team, your team And the latest results of the opponent team (win / loss / score / goal), the ranking of the own team and the opponent team at the time of the match, the difference in the ranking of the own team and the opponent team at the time of the match, league / region / tournament information, weather (sunny) , Cloudy, rain, etc.), temperature / humidity, number of stadium spectators, kickoff time, kickoff time (year / month), etc. may be entered.

また、第３推定部６２からは、試合の最終スコア、試合の途中スコア、次に得点するチーム/選手、次に得点するまでの経過時間、次にプレイアクションする（シュート、ドリブル、スルーパス、スローイングなどのアクションをする）チーム／選手、次にプレイアクションするまでの経過時間、次に交代する選手などの情報が、出力されるようにしてもよい。 In addition, from the third estimation unit 62, the final score of the match, the score in the middle of the match, the team / player to score next, the elapsed time until the next score, and the next play action (shoot, dribble, through pass, throwing). Information such as the team / player (which takes an action such as), the elapsed time until the next play action, and the next player to be replaced may be output.

以上のように構成された勝敗予測システム１について、図８のフロー図を参照してその動作を説明する。 The operation of the win / loss prediction system 1 configured as described above will be described with reference to the flow chart of FIG.

本実施の形態の勝敗予測システム１では、まず事前の準備として、第１システム４において、過去の試合の所定シーンの映像と、当該過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係を、機械学習により分析する（第１機械学習ステップ）。また、第２システム５において、過去の試合の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する（第２機械学習ステップ）。さらに、第３システム６において、過去の試合の所定シーンにおけるボールポゼッション、所定シーンで発生したイベント、試合開始から所定シーンまでの経過時間、所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する（第３機械学習ステップ）。 In the win / loss prediction system 1 of the present embodiment, first, as a preliminary preparation, in the first system 4, the video of the predetermined scene of the past game and the information on the positions of the player and the ball in the predetermined scene of the past game are The relationship is analyzed by machine learning (first machine learning step). Further, in the second system 5, the relationship between the image of the predetermined scene of the past game and the information about the event generated in the predetermined scene during the past game is analyzed by machine learning (second machine learning step). Further, in the third system 6, information on the ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, the goal score at the time of the predetermined scene, and the past game. The relationship with the winning and losing results is analyzed by machine learning (third machine learning step).

そして、図８に示すように、分析対象の試合の勝敗結果を予測する場合には、試合撮影システム１０で撮影した映像（分析対象の試合中の映像）を取得し（Ｓ１）、第１機械学習ステップで分析した関係に基づいて、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合の所定シーンにおける選手とボールの位置を推定して出力し（Ｓ２）、出力された選手とボールの位置に基づいて、分析対象の試合の所定シーンにおけるボールポゼッションを判定して出力する（Ｓ３）。 Then, as shown in FIG. 8, when predicting the winning / losing result of the game to be analyzed, the image taken by the game shooting system 10 (the image during the game to be analyzed) is acquired (S1), and the first machine Based on the relationship analyzed in the learning step, the video of the predetermined scene during the analysis target game acquired by the video acquisition unit 2 is input, and the positions of the player and the ball in the predetermined scene of the analysis target game are estimated and output. Then, based on the output player and ball positions, the ball possession in a predetermined scene of the game to be analyzed is determined and output (S3).

つぎに、第２システム５において、第２機械学習ステップで分析した関係に基づいて、映像取得部２で取得した分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する（Ｓ４）。そして、第３システム６において、第１判定ステップから出力された分析対象の試合の所定シーンにおけるボールポゼッション、第２推定ステップから出力された分析対象の試合の所定シーンで発生したイベント、分析対象の試合開始から所定シーンまでの経過時間、分析対象の試合の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合の所定シーンの時点において予想される試合の勝敗結果を推定して出力する（Ｓ５）。 Next, in the second system 5, based on the relationship analyzed in the second machine learning step, the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit 2 is input, and the video of the predetermined scene in the game to be analyzed is input. An event that occurs in a predetermined scene is estimated and output (S4). Then, in the third system 6, the ball possession in the predetermined scene of the analysis target game output from the first determination step, the event generated in the predetermined scene of the analysis target game output from the second estimation step, and the analysis target By inputting the elapsed time from the start of the game to the predetermined scene and the information on the points scored at the time of the predetermined scene of the game to be analyzed, the expected victory or defeat result of the game at the time of the predetermined scene of the game to be analyzed is estimated. Output (S5).

このような本実施の形態の勝敗予測システム１によれば、サッカーの試合の勝敗結果を予測することができる。 According to the winning / losing prediction system 1 of the present embodiment as described above, the winning / losing result of the soccer game can be predicted.

すなわち、本実施の形態では、まず、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合の所定シーンにおける選手とボールの位置に関する情報との関係）を用いて、その所定シーンにおける選手とボールの位置が推定される。そして、推定された選手とボールの位置に基づいて、その所定シーンにおけるボールポゼッションが判定される。 That is, in the present embodiment, first, when the image of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the image of the predetermined scene of the past game and the predetermined scene of the past game). The relationship between the position of the player and the ball in the above (relationship with the information regarding the position of the player and the ball) is estimated to be the position of the player and the ball in the predetermined scene. Then, based on the estimated player and ball position, the ball possession in the predetermined scene is determined.

また、分析対象の試合中の所定シーンの映像が入力されると、機械学習で分析した関係（過去の試合の所定シーンの映像と、その過去の試合中の所定シーンで発生したイベントに関する情報との関係）を用いて、その所定シーンで発生したイベント（例えば、ゴール前まで攻めあがってシュートを打ったなど）が推定される。 In addition, when the video of the predetermined scene during the game to be analyzed is input, the relationship analyzed by machine learning (the video of the predetermined scene of the past game and the information about the event that occurred in the predetermined scene during the past game). (Relationship) is used to estimate the event that occurred in the predetermined scene (for example, attacking to the front of the goal and hitting a shot).

そして、分析対象の試合の所定シーンにおけるボールポゼッション（判定されたボールポゼッション）、その所定シーンで発生したイベント（推定されたイベント）、その所定シーンまでの経過時間、その所定シーンにおける得失点に関する情報が入力されると、機械学習で分析した関係（過去の試合の所定シーンにおけるボールポゼッション、その所定シーンで発生したイベント、その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係）を用いて、その所定シーンの時点においてリアルタイムで予想される試合の勝敗結果が推定される。このようにして、分析対象の試合中の映像から、その試合の勝敗結果をリアルタイムで予測することができる。 Then, information on the ball possession (determined ball possession) in the predetermined scene of the game to be analyzed, the event that occurred in the predetermined scene (estimated event), the elapsed time until the predetermined scene, and the goal score in the predetermined scene. When is input, the relationship analyzed by machine learning (ball possession in the predetermined scene of the past game, the event that occurred in the predetermined scene, the elapsed time to the predetermined scene, the information about the goal score at the time of the predetermined scene and the information , Relationship with the winning / losing result of the past game), the winning / losing result of the game expected in real time at the time of the predetermined scene is estimated. In this way, the outcome of the match can be predicted in real time from the video of the match being analyzed.

また、本実施の形態では、分析対象の試合中の所定シーンの映像を画像分析することにより、その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報を取得することができる。画像分析により取得された情報（その所定シーンまでの経過時間、その所定シーンの時点における得失点に関する情報）は、第３推定部６２に入力して、その試合の勝敗結果の推定に用いることができる。 Further, in the present embodiment, by performing image analysis of the video of a predetermined scene during the game to be analyzed, it is possible to acquire information on the elapsed time until the predetermined scene and the score and goal at the time of the predetermined scene. The information acquired by the image analysis (elapsed time to the predetermined scene, information on the score at the time of the predetermined scene) can be input to the third estimation unit 62 and used for estimating the winning / losing result of the match. can.

また、本実施の形態では、予想される勝敗結果として、勝ちの確率、負けの確率、引き分けの確率が出力されるので、勝敗結果を一目で簡単に理解することができる。 Further, in the present embodiment, the probability of winning, the probability of losing, and the probability of drawing are output as the expected winning / losing result, so that the winning / losing result can be easily understood at a glance.

以上、本発明の実施の形態を例示により説明したが、本発明の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。 Although the embodiments of the present invention have been described above by way of examples, the scope of the present invention is not limited to these, and can be changed or modified according to an object within the scope described in the claims. be.

例えば、以上の説明では、サッカーの試合の勝敗結果を予測する例について説明したが、本発明はサッカー以外の試合（例えば、ラグビー、アメリカンフットボール、バスケットボール、アイスホッケーなど）の勝敗予測についても、同様に実施可能である。 For example, in the above description, an example of predicting the outcome of a soccer match has been described, but the present invention also applies to predicting the outcome of a match other than soccer (for example, rugby, American football, basketball, ice hockey, etc.). It is possible to carry out.

以上のように、本発明にかかる勝敗予測システムは、分析対象の試合中の映像から、その試合の勝敗結果を予測することができるという効果を有し、サッカー等の試合の勝敗予測システムとして有用である。 As described above, the win / loss prediction system according to the present invention has the effect of being able to predict the win / loss result of the match from the video during the match to be analyzed, and is useful as a win / loss prediction system for a match such as soccer. Is.

１ 勝敗予測システム
２ 映像取得部
３ 映像記憶部
４ 第１システム
５ 第２システム
６ 第３システム
１０ 試合撮影システム
１１ 撮影部
１２ 映像配信部
４０ 第１入出力部
４１ 第１機械学習部
４２ 第１推定部
４３ 第１判定部
５０ 第２入出力部
５１ 第２機械学習部
５２ 第２推定部
６０ 第３入出力部
６１ 第３機械学習部
６２ 第３推定部
Ｎ ネットワーク 1 Win / Loss prediction system 2 Video acquisition unit 3 Video storage unit 4 1st system 5 2nd system 6 3rd system 10 Match shooting system 11 Shooting unit 12 Video distribution unit 40 1st input / output unit 41 1st machine learning unit 42 1st Estimating unit 43 1st judgment unit 50 2nd input / output unit 51 2nd machine learning unit 52 2nd estimation unit 60 3rd input / output unit 61 3rd machine learning unit 62 3rd estimation unit N network

Claims (4)

分析対象の試合中の映像を取得する映像取得部と、前記試合中におけるボールポゼッションを推定する第１システムと、前記試合中に発生するイベントを推定する第２システムと、前記第１システムの検出結果と前記第２システムの検出結果から前記試合の勝敗結果を予測する第３システムと、を備え、
前記第１システムは、
過去の試合中の所定シーンの映像と、当該過去の試合中の所定シーンにおける対戦している両チームの選手の位置とボールの位置に関する情報との関係を、機械学習により分析する第１機械学習部と、
前記第１機械学習部で分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンにおける対戦している両チームの選手の位置とボールの位置を推定して出力する第１推定部と、
前記第１推定部から出力された前記対戦している両チームの選手の位置とボールの位置に基づいて、前記分析対象の試合中の所定シーンにおけるボールポゼッションを判定して出力する第１判定部と、
を備え、
前記第２システムは、
過去の試合中の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する第２機械学習部と、
前記第２機械学習部で分析した関係に基づいて、前記第１推定部から出力された前記対戦している両チームの選手の位置とボールの位置を入力とすることなく、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する第２推定部と、
を備え、
前記第３システムは、
過去の試合中の所定シーンにおけるボールポゼッション、前記所定シーンで発生したイベント、試合開始から前記所定シーンまでの経過時間、前記所定シーンの時点における得失
点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する第３機械学習部と、
前記第３機械学習部で分析した関係に基づいて、前記第１判定部から出力された前記分析対象の試合中の所定シーンにおけるボールポゼッション、前記第２推定部から出力された前記分析対象の試合中の所定シーンで発生したイベント、前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合中の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合中の所定シーンの時点において予想される試合の勝敗結果を推定して出力する第３推定部と、
を備えることを特徴とする勝敗予測システム。 Detection of the video acquisition unit that acquires the video of the game to be analyzed, the first system that estimates the ball possession during the game, the second system that estimates the event that occurs during the game, and the first system. It is equipped with a third system that predicts the outcome of the match from the result and the detection result of the second system.
The first system is
First machine learning that analyzes the relationship between the video of a predetermined scene during a past match and the information regarding the position of the players of both teams and the position of the ball in the predetermined scene during the past match by machine learning. Department and
Based on the relationship analyzed by the first machine learning unit, the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit is input, and the match is performed in the predetermined scene during the game to be analyzed. The first estimation unit that estimates and outputs the positions of the players of both teams and the position of the ball,
The first determination unit that determines and outputs the ball possession in a predetermined scene during the game to be analyzed based on the positions of the players of both opposing teams and the position of the ball output from the first estimation unit. When,
Equipped with
The second system is
The second machine learning department that analyzes the relationship between the video of the predetermined scene during the past game and the information about the event that occurred in the predetermined scene during the past game by machine learning.
Based on the relationship analyzed by the second machine learning unit, the video acquisition unit does not input the positions of the players of the two opposing teams and the positions of the balls output from the first estimation unit. A second estimation unit that estimates and outputs an event that occurred in the predetermined scene during the game to be analyzed by inputting the acquired video of the predetermined scene during the game to be analyzed.
Equipped with
The third system is
Information on the ball possession in the predetermined scene during the past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, the goal score at the time of the predetermined scene, and the winning / losing result of the past game. The third machine learning department that analyzes the relationship between
Based on the relationship analyzed by the third machine learning unit, the ball possession in a predetermined scene during the game to be analyzed output from the first determination unit, and the game to be analyzed output from the second estimation unit. During the game to be analyzed by inputting information on the event that occurred in the predetermined scene, the elapsed time from the start of the game to be analyzed to the predetermined scene, and the goal score at the time of the predetermined scene in the game to be analyzed. The third estimation unit that estimates and outputs the expected win / loss result of the match at the time of the predetermined scene of
A winning / losing prediction system characterized by being equipped with. 前記第３システムは、
前記分析対象の試合中の所定シーンの映像を画像分析して、当該所定シーンの前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合中の所定シーンの時点における得失点に関する情報を取得する画像分析部を備える、請求項１に記載の勝敗予測システム。 The third system is
The video of the predetermined scene during the game to be analyzed is image-analyzed, the elapsed time from the start of the game to be analyzed to the predetermined scene, and the score at the time of the predetermined scene during the game to be analyzed. The win / loss prediction system according to claim 1, further comprising an image analysis unit for acquiring information about the above. 前記第３推定部は、前記分析対象の試合中の所定シーンの時点において予想される勝敗結果として、勝ちの確率、負けの確率、引き分けの確率を、それぞれ推定して出力する、請求項１または請求項２に記載の勝敗予測システム。 The third estimation unit estimates and outputs the probability of winning, the probability of losing, and the probability of drawing as the expected winning / losing result at the time of a predetermined scene during the game to be analyzed, according to claim 1 or The win / loss prediction system according to claim 2. 分析対象の試合中の映像を取得する映像取得部と、前記試合中におけるボールポゼッションを推定する第１システムと、前記試合中に発生するイベントを推定する第２システムと、前記第１システムの検出結果と前記第２システムの検出結果から前記試合の勝敗結果を予測する第３システムと、を備える勝敗予測システムで実行される勝敗予測方法であって、
前記第１システムにおいて、
過去の試合中の所定シーンの映像と、当該過去の試合中の所定シーンにおける対戦している両チームの選手の位置とボールの位置に関する情報との関係を、機械学習により分析する第１機械学習ステップと、
前記第１機械学習ステップで分析した関係に基づいて、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンにおける対戦している両チームの選手の位置とボールの位置を推定して出力する第１推定ステップと、
前記第１推定ステップから出力された前記対戦している両チームの選手の位置とボールの位置に基づいて、前記分析対象の試合中の所定シーンにおけるボールポゼッションを判定して出力する第１判定ステップと、
を実行することと、
前記第２システムにおいて、
過去の試合中の所定シーンの映像と、当該過去の試合中の所定シーンで発生したイベントに関する情報との関係を、機械学習により分析する第２機械学習ステップと、
前記第２機械学習ステップで分析した関係に基づいて、前記第１推定ステップから出力された前記対戦している両チームの選手の位置とボールの位置を入力とすることなく、前記映像取得部で取得した前記分析対象の試合中の所定シーンの映像を入力として、当該分析対象の試合中の所定シーンで発生したイベントを推定して出力する第２推定ステップと、
を実行することと、
前記第３システムにおいて、
過去の試合中の所定シーンにおけるボールポゼッション、前記所定シーンで発生したイベント、試合開始から前記所定シーンまでの経過時間、前記所定シーンの時点における得失点に関する情報と、当該過去の試合の勝敗結果との関係を、機械学習により分析する第３機械学習ステップと、
前記第３機械学習ステップで分析した関係に基づいて、前記第１判定ステップから出力された前記分析対象の試合中の所定シーンにおけるボールポゼッション、前記第２推定ステップから出力された前記分析対象の試合中の所定シーンで発生したイベント、前記分析対象の試合開始から前記所定シーンまでの経過時間、前記分析対象の試合中の所定シーンの時点における得失点に関する情報を入力として、当該分析対象の試合中の所定シーンの時点において予想される試合の勝敗結果を推定して出力する第３推定ステップと、
を実行することを含むことを特徴とする勝敗予測方法。 Detection of the video acquisition unit that acquires the video of the game to be analyzed, the first system that estimates the ball possession during the game, the second system that estimates the event that occurs during the game, and the first system. It is a winning / losing prediction method executed by a winning / losing prediction system including a third system that predicts the winning / losing result of the game from the result and the detection result of the second system.
In the first system,
First machine learning that analyzes the relationship between the video of a predetermined scene during a past match and the information regarding the position of the players of both teams and the position of the ball in the predetermined scene during the past match by machine learning. Steps and
Based on the relationship analyzed in the first machine learning step, the video of the predetermined scene in the game to be analyzed acquired by the video acquisition unit is input, and the match is performed in the predetermined scene in the game to be analyzed. The first estimation step that estimates and outputs the positions of the players of both teams and the position of the ball,
The first determination step of determining and outputting the ball possession in a predetermined scene during the game to be analyzed based on the positions of the players of both opposing teams and the positions of the balls output from the first estimation step. When,
And to do
In the second system,
A second machine learning step that analyzes the relationship between the video of a predetermined scene during a past game and information about an event that occurred in the predetermined scene during the past game by machine learning.
Based on the relationship analyzed in the second machine learning step, the video acquisition unit does not input the positions of the players of the two opposing teams and the positions of the balls output from the first estimation step . A second estimation step that estimates and outputs an event that occurred in the predetermined scene during the game to be analyzed by inputting the acquired video of the predetermined scene during the game to be analyzed.
And to do
In the third system,
Information on the ball possession in the predetermined scene during the past game, the event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, the goal score at the time of the predetermined scene, and the winning / losing result of the past game. The third machine learning step to analyze the relationship between
Based on the relationship analyzed in the third machine learning step, the ball possession in the predetermined scene during the game to be analyzed output from the first determination step, and the game to be analyzed output from the second estimation step. During the game to be analyzed by inputting information on the event that occurred in the predetermined scene, the elapsed time from the start of the game to be analyzed to the predetermined scene, and the goal score at the time of the predetermined scene in the game to be analyzed. The third estimation step that estimates and outputs the expected win / loss result of the match at the time of the predetermined scene of
A winning / losing prediction method characterized by including the execution of.
JP2020082460A 2020-05-08 2020-05-08 Win / Loss Prediction System Active JP7078667B2 (en)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020082460A JP7078667B2 (en) 2020-05-08 2020-05-08 Win / Loss Prediction System
KR1020207032988A KR102443007B1 (en) 2020-05-08 2020-07-15 win-loss prediction system
CN202080002630.6A CN113939837A (en) 2020-05-08 2020-07-15 Win-loss prediction system
PCT/JP2020/027422 WO2021225007A1 (en) 2020-05-08 2020-07-15 Outcome prediction system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020082460A JP7078667B2 (en) 2020-05-08 2020-05-08 Win / Loss Prediction System

Publications (2)

Publication Number Publication Date
JP2021177316A JP2021177316A (en) 2021-11-11
JP7078667B2 true JP7078667B2 (en) 2022-05-31

Family

ID=78409511

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020082460A Active JP7078667B2 (en) 2020-05-08 2020-05-08 Win / Loss Prediction System

Country Status (4)

Country Link
JP (1) JP7078667B2 (en)
KR (1) KR102443007B1 (en)
CN (1) CN113939837A (en)
WO (1) WO2021225007A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018122956A1 (en) 2016-12-27 2018-07-05 日本電気株式会社 Sport motion analysis support system, method and program
US20190228290A1 (en) 2018-01-21 2019-07-25 Stats Llc Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports
JP2019136383A (en) 2018-02-14 2019-08-22 田中　成典 Tactics analysis device

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110826A (en) 2002-09-16 2004-04-08 Asobous:Kk Soccer team analysis system, and soccer team analysis/using method
KR101612628B1 (en) * 2014-08-21 2016-04-14 전욱 Participative sports game system and mehtod by real-time analyzing and predicting
KR101938364B1 (en) * 2016-12-02 2019-04-10 (주) 지티씨솔루션 Soccer information analysis apparatus and the method thereof
KR101844874B1 (en) * 2017-03-15 2018-04-04 (주)에이피케이어플킹 System for predicting decision using big data based on data mining techniques and method therefor
CN109165253A (en) * 2018-08-15 2019-01-08 宁夏大学 A kind of method and apparatus of Basketball Tactical auxiliary
CN110147524A (en) * 2019-05-10 2019-08-20 深圳市腾讯计算机系统有限公司 A kind of result of the match prediction technique, device and equipment based on machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018122956A1 (en) 2016-12-27 2018-07-05 日本電気株式会社 Sport motion analysis support system, method and program
US20190228290A1 (en) 2018-01-21 2019-07-25 Stats Llc Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports
JP2019136383A (en) 2018-02-14 2019-08-22 田中　成典 Tactics analysis device

Also Published As

Publication number Publication date
KR102443007B1 (en) 2022-09-15
CN113939837A (en) 2022-01-14
JP2021177316A (en) 2021-11-11
KR20210136828A (en) 2021-11-17
WO2021225007A1 (en) 2021-11-11

Similar Documents

Publication Publication Date Title
Sarmento et al. Development and validation of a notational system to study the offensive process in football
CN101909705B (en) Athletic training system and method
KR101585399B1 (en) Game result predicting method using sports data information
KR100986647B1 (en) Method, apparatus and system for estimating of football performance
Van Roy et al. Valuing on-the-ball actions in soccer: a critical comparison of XT and VAEP
US8944921B2 (en) Performance based sports scoring system
KR101499570B1 (en) Mobile Apparatus for Curling Analysis and Curling Game Analysis System Using Thereof
Robberechts et al. A bayesian approach to in-game win probability in soccer
US9199177B2 (en) Performance based golf scoring system
Robberechts et al. Who will win it? An in-game win probability model for football
KR20220057079A (en) Method and apparatus for recommending soccer player
KR20210139021A (en) Sports Game Management System for Matches among Members
US9196115B1 (en) Performance based basketball scoring system
JP7078667B2 (en) Win / Loss Prediction System
Umemoto et al. Evaluation of team defense positioning by computing counterfactuals using statsbomb 360 data
Xenopoulos et al. Optimal team economic decisions in counter-strike
US20070265048A1 (en) Sports trading card game system and method
US20160199736A1 (en) Performance based golf scoring system
Wu et al. Evaluation of off-the-ball actions in soccer
US9192864B1 (en) Performance based baseball scoring system
KR20210013463A (en) Virtual golf device predicting shot result and method for operating the same
Hipp et al. Mining ice hockey: Continuous data flow analysis
CN115280385B (en) Method and system for providing game program implemented on computer
US20230267737A1 (en) Method, apparatus and computer program for generating sports game highlight video based on excitement of gameplay
US20230267736A1 (en) Method, apparatus and computer program for generating sports game highlight video based on winning probability

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200508

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200508

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200728

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20200824

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200825

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200826

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201013

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210406

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210625

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20210625

C11 Written invitation by the commissioner to file amendments

Free format text: JAPANESE INTERMEDIATE CODE: C11

Effective date: 20210713

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210812

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20210917

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20210921

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220208

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220426

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220519

R150 Certificate of patent or registration of utility model

Ref document number: 7078667

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350