KR20220068554A - 스포츠 이벤트를 검출하는 방법 및 이를 수행하는 시스템 - Google Patents

Abstract

본 발명은 스포츠 이벤트 검출 방법 및 이를 수행하는 시스템에 관한 것으로, 특정 스포츠 경기 영상이 촬영된 이미지 데이터를 획득하는 단계; 상기 특정 스포츠 경기 영상에 관련된 복수의 온라인 텍스트 데이터 - 상기 온라인 텍스트 데이터는 상기 온라인 텍스트 데이터가 생성된 시간 정보인 작성 시간 및 상기 온라인 텍스트 데이터의 내용정보에 관련된 작성 내용을 포함함 - 를 획득하는 단계; 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터에 상기 온라인 텍스트 데이터에 포함된 상기 작성 시간 및 작성 내용의 분석 결과가 라벨링 된 러닝셋을 이용하여 학습된 인공신경망을 이용하여, 상기 이미지 데이터로부터 상기 복수의 텍스트 데이터가 반영하는 적어도 하나 이상의 스포츠 이벤트와 관련된 스포츠 이벤트 데이터를 추출하는 단계;를 포함하는, 스포츠 하이라이트 영상의 생성 방법에 관한 것이다.

Description

스포츠 이벤트를 검출하는 방법 및 이를 수행하는 시스템{A METHOD FOR DETECTING SPORTS EVENTS AND SYSTEM PERFORMING THE SAME}

본 발명은 스포츠 이벤트 검출 방법 및 이를 수행하는 시스템에 관한 것으로, 보다 상세하게는 스포츠 현장에서 획득된 데이터와 스포츠 현장 외부에서 간접적으로 획득된 데이터를 이용하여 스포츠 하이라이트 데이터를 생성하는 방법 및 이를 수행하는 시스템에 관한 것이다.

기존의 스포츠 산업 상에서, 스포츠 하이라이트 영상은 방송사에서 인간에 의해 직접 생성됨으로써 인력의 낭비가 심각했을 뿐 아니라, 하이라이트 생성자의 주관적인 기준에 의해 하이라이트 장면이 선정되어 시청자의 다양한 요구를 만족시키지 못한 문제점이 존재하였다.

따라서, 현대 스포츠 산업에서는, 자동화된 하이라이트 생성 방법을 이용하여 해당 경기 내에서 발생한 주요 스포츠 장면만이 포함된 스포츠 하이라이트 영상을 생성하는 기술에 대한 수요가 증대되고 있을 뿐 아니라 시청자 개인의 취향에 대응되는 하이라이트 영상을 생성하기 위한 수요 역시 증대되고 있다.

본 발명이 해결하고자 하는 일 과제는, 스포츠 경기에서 발생한 주요 장면만이 포함된 하이라이트 영상을 생성하기 위한 스포츠 이벤트를 검출하는 시스템을 제공하는 것이다,

본 발명이 해결하고자 하는 일 과제는, 간편하게 획득할 수 있는 인터넷 게시물에 관한 정보를 이용하여 스포츠 하이라이트를 생성함으로써, 스포츠 하이라이트 생성의 효율을 증가시키는 데에 있다.

본 발명의 일 양상에 따르면 스포츠 하이라이트 영상을 생성하는 방법에 있어서, 특정 스포츠 경기 영상이 촬영된 이미지 데이터를 획득하는 단계; 상기 특정 스포츠 경기 영상에 관련된 복수의 온라인 텍스트 데이터 - 상기 온라인 텍스트 데이터는 상기 온라인 텍스트 데이터가 생성된 시간 정보인 작성 시간 및 상기 온라인 텍스트 데이터의 내용정보에 관련된 작성 내용을 포함함 - 를 획득하는 단계; 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터에 상기 온라인 텍스트 데이터에 포함된 상기 작성 시간 및 작성 내용의 분석 결과가 라벨링 된 러닝셋을 이용하여 학습된 인공신경망을 이용하여, 상기 이미지 데이터로부터 상기 복수의 텍스트 데이터가 반영하는 적어도 하나 이상의 스포츠 이벤트와 관련된 스포츠 이벤트 데이터를 추출하는 단계;를 포함하는, 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 복수의 온라인 텍스트 데이터에 포함된 작성 내용을 분석하여 상기 복수의 온라인 텍스트에 대한 감성 지수를 산출하는 단계;를 더 포함하고, 상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 감성지수의 상관관계를 이용하여 학습되는 것인 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 작성 시간에 기초하여 미리 정해진 시간동안 작성된 상기 온라인 텍스트 데이터의 양을 판단하는 단계;를 더 포함하고, 상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 온라인 텍스트 데이터의 양의 상관관계에 기초하여 학습되는 것인 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 작성 시간에 기초하여, 상기 스포츠 이벤트의 발생 시간과 상기 온라인 텍스트의 작성 시간의 시간차이를 계산하는 단계;를 더 포함하며, 상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 시간차이 정보의 상관관계에 기초하여 학습되는 것인 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 스포츠 이벤트 데이터는, 상기 스포츠 이벤트의 상기 스포츠 경기에 대한 중요도를 반영하는 특징 지표가 태깅되고, 상기 특징 지표에 기초하여, 상기 복수의 스포츠 이벤트 데이터로부터 하이라이트 영상의 생성을 위한 적어도 하나 이상의 스포츠 이벤트 데이터를 추출하는 단계;를 더 포함하는 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 이미지 데이터는 제1 각도에서 촬영된 제1 이미지 및 제1 각도와 다른 제2 각도에서 촬영된 제2 이미지를 포함하며, 상기 스포츠 이벤트 데이터는 상기 스포츠 이벤트의 유형을 반영하고, 상기 스포츠 이벤트의 유형을 고려하여, 상기 스포츠 이벤트에 관한 정보가 반영되도록 상기 제1 이미지 및 제2 이미지 중 적어도 어느 하나를 선택하는 단계;를 더 포함하는 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

본 발명의 다른 양상에 의하면, 스포츠 하이라이트 영상을 생성하는 방법에 있어서, 타겟 스포츠 경기의 영상이 촬영된 적어도 하나 이상의 이미지 데이터를 포함하는 베이스 스포츠 데이터를 획득하는 단계; 상기 타겟 스포츠 경기와 관련된 적어도 하나 이상의 참조 스포츠 데이터 - 상기 참조 스포츠 데이터는 타겟 스포츠 경기와 관련된 음향 데이터를 포함함 - 를 획득하는 단계; 상기 타겟 스포츠 경기의 특성을 반영하는 타겟 특성을 고려하여, 상기 음향 데이터에 포함된 음향 신호의 강도를 정규화 하는 단계; 상기 정규화 된 음향 데이터를 포함하는 상기 참조 스포츠 데이터를 분석하여 스포츠 이벤트를 검출하는 단계; 및 상기 베이스 스포츠 데이터로부터 상기 스포츠 이벤트에 대응되는 영상을 추출하여 하이라이트 데이터를 생성하는 단계;를 포함하는 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 타겟 특성은 상기 타겟 스포츠 경기를 플레이하는 스포츠 팀의 홈팀 또는 원정팀 여부인 것인 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 타겟 특성은, 상기 타겟 스포츠 경기의 경기 진행 시간에 따른 음향 신호 강도의 변화인 것인 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 참조 스포츠 데이터는 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나를 포함하는 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

또한, 상기 베이스 스포츠 데이터는 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나를 더 포함하며, 상기 하이라이트 데이터는 상기 스포츠 이벤트에 대응되도록 추출된 상기 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나의 일부를 더 포함하는 스포츠 하이라이트 영상의 생성 방법이 제공될 수 있다.

본 발명에 의하면, 스포츠 경기에서 발생한 스포츠 이벤트에 대한 특징 스코어에 기초하여 하이라이트 영상을 생성함으로써, 스포츠 경기에서 발생한 주요 장면들 만이 포함된 하이라이트 영상을 생성할 수 있다.

본 발명에 의하면, 인터넷 게시물의 텍스트를 인공 신경망의 입력 데이터로 이용하여 스포츠 이벤트를 검출함으로써, 간편하게 획득할 수 있는 인터넷 게시물로부터 스포츠 이벤트를 검출할 수 있다.

도 1은 일 실시예에 따른 데이터 분석 시스템의 일 구현예를 개략적으로 나타낸 것이다.
도 2는 일 실시예에 따른 데이터 획득 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 3은 일 실시예에 따른 데이터 분석 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 4는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작을 개략적으로 나타내는 블록도이다.
도 5는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작을 나타내는 순서도이다.
도 6은 이미지 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.
도 7은 음향 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.
도 8은 히트맵 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.
도 9는 동적 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.
도 10은 온라인 웹서버에서 획득한 스포츠 데이터의 일 예를 나타낸 것이다.
도 11은 일 실시예에 따른 데이터 분석 시스템이 직접 스포츠 데이터를 분석하는 동작에 대해 개괄적으로 나타낸 순서도이다.
도 12는 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 일 예를 나타낸 것이다.
도 13은 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 다른 예를 나타낸 것이다.
도 14는 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 또 다른 예를 나타낸 것이다.
도 15는 일 실시예에 따른 음향의 종류와 관련된 음향 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.
도 16은 일 실시예에 따른 이미지 데이터에 포함된 영상 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.
도 17은 일 실시예에 따른 히트맵 데이터에 포함된 히트맵 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.
도 18은 일 실시예에 따른 동적 데이터에 포함된 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.
도 19는 일 실시예에 따라 데이터 분석 시스템이 직접 스포츠 데이터를 이용하여 스포츠 이벤트에 특징 스코어를 산출하는 예시에 대하여 나타낸 것이다.
도 20은 일 실시예에 따른 간접 스포츠 데이터 분석 동작의 개략적인 순서도이다.
도 21은 데이터 분석 시스템이 간접 스포츠 데이터에 포함된 텍스트를 필터링하는 동작에 대한 개략적인 순서도이다.
도 22는 텍스트 필터링 및 감성 지수 산출과 관련된 간접 스포츠 데이터 처리의 일 예를 나타낸 것이다.
도 23은 데이터 분석 시스템이 간접 스포츠 데이터에 포함된 텍스트의 증가 순간을 감지하는 동작에 대한 개략적인 순서도이다.
도 24는 텍스트 증가 지수 산출과 관련된 간접 스포츠 데이터 처리의 일 예를 나타낸 것이다.
도 25 데이터 분석 시스템이 텍스트 클러스터링(clustering)을 통해 간접 스포츠 데이터를 처리하는 동작에 대한 순서도이다.
도 26은 일 실시예에 따른 텍스트 클러스터링(Clusterring)의 일 예를 나타낸 것이다.
도 27은 일 실시예에 따른 인공 신경망의 예시도이다.
도 28은 일 실시예에 따른 인공신경망을 이용한 스포츠 이벤트 검출 출력 결과의 일 예이다.
도 29는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작에 대한 개략적인 순서도를 나타낸 것이다.
도 30은 일 실시예에 따른 하이라이트 데이터의 예시를 나타낸 것이다.
도 31은 일 실시예에 따른 하이라이트 데이터의 다른 예시를 나타낸 것이다.

본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.

본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 명세서는 적어도 하나 이상의 스포츠 데이터를 분석하여 스포츠 이벤트를 검출하는 방법 및 이를 수행하는 시스템에 관한 것이다.

여기서, 스포츠는 데이터를 획득할 수 있는 객체와, 획득된 데이터를 분석하여 검출할 수 있는 이벤트가 존재하는 모든 스포츠로 다양하게 해석될 수 있을 것이다. 즉, 본 명세서에서의 스포츠란 예를 들어 개인스포츠 및 팀 스포츠를 모두 포함하며, 구기스포츠 및 비 구기스포츠, 스포츠 인스트루먼트를 사용하는 스포츠 및 비사용하는 스포츠, 프로스포츠 및 아마추어 스포츠를 모두 포함하는 포괄적인 개념의 스포츠를 의미하는 것이다. 다만, 본 명세서에서는 설명의 편의를 위하여 축구 위주로 설명할 것이나, 이로 인해 본 명세서의 사상이 축구에만 한정되는 것은 아니다.

이하의 도면에서, 일 실시예에 따른 데이터 분석 시스템을 개략적으로 설명하고, 도면을 참조하여 본 명세서의 이하의 설명에서 사용될 용어에 대하여 정리하도록 한다. 다만, 본 명세서에서 사용되는 용어는 설명의 편의를 위한 것일 뿐이고 본 명세서의 사상이 이러한 용어들에 의해 한정되는 것은 아니다.

도 1은 일 실시예에 따른 데이터 분석 시스템의 일 구현예를 개략적으로 나타낸 것이다.

도 1을 참조하면, 일 실시예에 따른 데이터 분석 시스템은 스포츠와 관련된 스포츠 데이터를 획득하고, 획득된 데이터를 분석하여 스포츠 이벤트를 검출할 수 있다.

본 명세서에서, 스포츠 데이터는 스포츠와 관련된 다양한 형식의 데이터를 모두 포함하는 포괄적인 의미로 해석되어야 한다. 즉, 스포츠 데이터는 스포츠 경기를 촬영한 이미지 데이터, 스포츠 경기의 음향을 녹음한 음향 데이터, 스포츠 참가자의 위치 데이터, 스포츠 참가자의 동적 데이터 등의 스포츠와 직접 관련한 데이터 뿐만 아니라 인터넷 스포츠 중계 방송의 게임 로그, 텍스트, 스포츠와 관련된 SNS 텍스트 등 온라인 상에서 간접적으로 획득될 수 있는 데이터 역시도 포함될 수 있는 것이다. 언급한 스포츠 데이터의 구체적인 예시와 관련하여는 후술하여 상세히 설명하도록 하겠다.

다시 도 1을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은, 데이터 획득 시스템(1000) 및 온라인 서버(3000) 중 적어도 하나로부터 스포츠 데이터를 획득하고, 이를 분석하여 스포츠 이벤트를 검출할 수 있다.

본 명세서에서, 데이터 획득 시스템(1000) 및/또는 온라인 웹서버(3000)는 데이터 분석 시스템(2000)과 단일한 시스템을 형성할 수도 있다. 또는 데이터 획득 시스템(1000) 및/또는 온라인 웹서버(3000)는 데이터 분석 시스템(2000)과 분리된 시스템으로 구현될 수도 있다. 본 명세서의 이하의 설명에서는, 데이터 획득 시스템(1000), 데이터 분석 시스템(2000) 및 온라인 웹서버(3000)가 각각 분리된 시스템으로 구현되는 예시들 위주로 설명할 것이나, 이는 설명의 편의를 위한 것으로서, 본 명세서의 사상이 이에 국한되는 것이 아니다.

여기서, 데이터 획득 시스템(1000)은 스포츠가 수행되는 현장에서 스포츠 데이터를 직접 획득할 수 있다. 여기서, 스포츠가 수행되는 현장은 프로스포츠 경기, 아마추어 스포츠 경기, 프로 스포츠 훈련, 아마추어 스포츠 훈련 등 모든 스포츠 현장을 포함하는 개념이나, 본 명세서의 이하의 설명에서는 설명의 편의를 위하여 프로 스포츠 경기를 중심으로 설명한다. 그러나, 본 명세서의 설명이 프로 스포츠 경기에 대한 것으로 국한되는 것이 아님이 이해될 것이다.

일 예로, 데이터 획득 시스템(1000)은 EPTS(Electrical Performance Tracking System)를 통해 구현될 수 있다. 구체적으로, 데이터 획득 시스템(1000)은 스포츠가 수행되는 현장에 설치된 센서를 통해 스포츠 데이터를 획득할 수 있다. 보다 더 구체적으로는, 데이터 획득 시스템(1000)은 스포츠가 수행되는 현장에 설치된 적어도 하나 이상의 이미지 센서(1030)를 통해 스포츠의 이미지를 포함하는 스포츠 데이터를 획득할 수 있다. 또한, 데이터 획득 시스템(1000)은 스포츠가 수행되는 현장에 설치된 적어도 하나 이상의 음향 센서(1040)를 통해 스포츠의 음향을 포함하는 스포츠 데이터를 획득할 수 있다.

또한, 데이터 획득 시스템(1000)은 스포츠 참가자와 직접 관련된 스포츠 데이터를 획득할 수 있다. 구체적으로, 데이터 획득 시스템(1000)은 스포츠 참가자에 부착된 센서를 통하여 스포츠 데이터를 획득할 수도 있고, 스포츠 참가자에 부착된 센서 및 스포츠가 플레이 되는 현장에 설치된 장비의 상호작용을 통해 스포츠 참가자와 관련된 스포츠 데이터를 획득할 수도 있다. 예시적으로, 데이터 획득 시스템(1000)은 GPS(10)를 이용하여 스포츠 참가자의 위치 데이터를 획득할 수 있다. 구체적으로, 스포츠 참가자에게 부착된 GPS 센서 (1010)를 통해 스포츠 참가자의 위치 데이터를 획득할 수 있다. 또한, 데이터 획득 시스템(1000)은 근거리 무선 통신(UWB) 시스템을(12) 통해 스포츠 참가자의 위치 데이터를 획득할 수 있다. 또한, 데이터 획득 시스템(1000)은 스포츠 참가자에 부착된 동적 센서(1050)를 통해 스포츠 참가자의 동적 데이터를 획득할 수 있다. 여기서, 동적 센서는 가속도계, 자이로미터 등의 IMU 센서에 기반하여 구현될 수 있으며, 동적 데이터는 속도, 가속도, 각속도, 각가속도 등이 포함될 수 있을 것이다.

즉, 데이터 획득 시스템(1000)은 스포츠가 플레이되는 현장에서 다양한 방식으로 스포츠 데이터를 획득할 수 있으며, 획득된 스포츠 데이터를 데이터 분석 시스템(2000)으로 전송할 수 있다.

다시 도 1을 참조하면, 온라인 웹서버(3000)는 스포츠가 플레이되는 현장 외부에서 스포츠 데이터를 획득할 수 있다. 온라인 웹서버(3000)는 복수의 사용자가 이용하는 온라인 상에서, 복수의 사용자가 작성한 스포츠와 관련된 컨텐츠를 획득할 수 있다. 일 예로, 온라인 웹서버(3000)는 데이터 획득 시스템(1000)을 통해 전송받은 스포츠 데이터가 방송되는 인터넷 스포츠 중계를 시청하는 시청자들이 작성한 텍스트나 게시물을 획득할 수 있다. 다른 예로, 온라인 웹서버(3000)는 소셜 네트워크 서비스(SNS) 상에서 스포츠와 관련된 게시물이나 텍스트를 획득할 수 있다.

즉, 온라인 웹서버(3000)는 온라인 상에서 다양한 방식으로 복수의 사용자들에게 스포츠 데이터를 획득하고, 획득된 스포츠 데이터를 데이터 분석 시스템(2000)으로 전송할 수 있다.

데이터 분석 시스템(2000)은 데이터 획득 시스템(1000) 및/또는 온라인 웹서버(3000)를 통해 획득한 스포츠 데이터를 분석하고, 스포츠 데이터에서 스포츠 이벤트를 검출할 수 있다.

이하에서는, 본 명세서의 일 실시예에 따른 데이터 획득 시스템(1000)과 데이터 분석 시스템(2000)의 개략적인 구성에 대해 도면을 참조하여 설명하도록 한다.

도 2는 일 실시예에 따른 데이터 획득 시스템의 구성을 개략적으로 나타낸 블록도이다.

도 2를 참조하면, 일 실시예에 따른 데이터 획득 시스템(1000)은 위치 센서(1010), 이미지 센서(1030), 음향 센서(1040), 동적 센서(1050), 제1 통신모듈(1400), 제1 메모리(1200) 및 제1 콘트롤러(1002)를 포함할 수 있다.

일 실시예에 따르면, 데이터 획득 시스템(1000)은 적어도 하나 이상의 센서를 통해 스포츠 데이터를 획득하고, 획득된 스포츠 데이터를 데이터 분석 시스템(2000)으로 전송할 수 있다. 구체적으로, 제1 콘트롤러(1002)는 위치 센서(1010), 이미지 센서(1030), 음향 센서(1040) 및/또는 동적 센서(1050)를 통해 획득된 스포츠 데이터를 제1 통신모듈(1400)을 통해 데이터 분석 시스템(2000)으로 전송할 수 있다.

이하에서는, 일 실시예에 따른 데이터 획득 시스템(1000)의 각 구성에 대해 설명하기로 한다.

일 실시예에 따르면, 이미지 센서(1030)는 스포츠 경기와 관련된 이미지 데이터를 획득할 수 있다. 여기서, 이미지 센서(1030)는 스포츠 경기가 플레이되는 경기장에 적어도 하나 이상 설치될 수 있고, 이를 통해 동일한 장면에 대해 여러 각도에서 촬영한 이미지 데이터를 획득할 수 있다. 이미지 센서(1030)는 스포츠 경기와 관련된 이미지 데이터를 획득하여, 획득된 이미지 데이터를 제1 콘트롤러(1002)에 전송할 수 있다.

일 실시예에 따르면, 위치 센서(1010)는 스포츠 참가자의 위치 데이터를 측정할 수 있다. 구체적으로, 위치 센서(1010)는 스포츠 참가자의 위치 데이터를 측정하여 측정된 위치 데이터를 제1 콘트롤러(1002)에 전송할 수 있다. 여기서, 위치 센서(1010)는 다양한 형태로 구현될 수 있다. 일 예로, 위치 센서(1010)는 GNSS 안테나로 구현되어, 플레이어의 GNSS 신호를 감지할 수 있다. 다른 예로, 위치 센서(1010)는 UWB 수신 모듈로 구현되어, 스포츠 참가자의 UWB 신호를 감지할 수 있다.

일 실시예에 따르면, 동적 센서(1050)는 스포츠 참가자의 동적 데이터를 측정할 수 있다. 구체적으로, 동적 센서(1050)는 스포츠 참가자의 동적 데이터를 측정하여 측정된 동적 데이터를 제1 콘트롤러(1002)에 전송할 수 있다. 여기서, 동적 데이터는 스포츠 참가자의 속도, 가속도, 저크(jerk)등의 스포츠 참가자의 운동과 관련된 데이터일 수 있다. 일 예로, 동적 센서(1050)는 가속도계로 구현되어, 스포츠 참가자의 가속도를 측정할 수 있다. 다른 예로, 동적 센서(1050)는 자이로미터로 구현될 수 있다. 또 다른 예로, 동적 센서(1050)는 마그네토미터로 구현될 수 있다.

일 실시예에 따른 제1 통신모듈(1400)은 외부 시스템, 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 데이터 획득 시스템(1000)는 제1 통신모듈(1400)을 데이터 분석 시스템(2000)과 데이터 통신을 수행할 수 있다. 예를 들어, 데이터 획득 시스템(1000)은 제1 통신모듈(1400)를 이용하여, 복수의 센서 모듈에서 획득된 스포츠 데이터를 데이터 분석 시스템(2000) 또는 외부 기기 에 전송할 수 있다. 여기서, 데이터 획득 시스템(1000)은, 실시간으로 스포츠 데이터를 전송할 수도 있고, 미리 설정된 시간 경과 후에 스포츠 데이터를 전송할 수도 있다. 또한, 데이터 획득 시스템(1000)는 적어도 하나의 스포츠 데이터를 개별적으로, 또는 일괄적으로 전송할 수도 있다.

또한, 제1 콘트롤러(1002)는 동적 센서(1050)에서 측정된 스포츠 플레이어의 동적 데이터를 획득하여 제1 통신모듈(1400)을 통해 획득된 동적 데이터를 데이터 분석 시스템(2000)에 전송할 수 있다.

또한, 제1 콘트롤러(1002)는 위치 센서(1220)를 통해 측정된 스포츠 플레이어의 위치 데이터를 획득하여, 획득된 위치 데이터를 처리하여 동적 데이터를 생성할 수 있다.

제1 콘트롤러(1002)는 데이터 획득 시스템(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제1 콘트롤러(1002)는 위치 센서(1220)로부터 위치 데이터를 수신하여 제1 통신모듈(1400)을 통해 데이터 분석 시스템(2000)에 전송하도록 제어 신호를 생성할 수 있다. 다른 예로 제1 콘트롤러(1002)는 동적 센서(1050)로부터 동적 데이터를 수신하여 제1 통신모듈(1400)을 통해 데이터 분석 시스템(2000)에 전송하도록 제어 신호를 생성할 수 있다.

데이터 획득 시스템(1000)는 별도의 전원부를 가지거나 유선 혹은 무선으로 외부로부터 전원을 공급받을 수 있으며 전원부를 제어하는 스위치를 가질수도 있다.

도 3은 일 실시예에 따른 데이터 분석 시스템의 구성을 개략적으로 나타낸 블록도이다.

도 3을 참조하면, 데이터 분석 시스템(2000)은 제2 콘트롤러(2002), 제2 메모리(2200) 및 제2 통신모듈(2400)을 포함할 수 있다.

일 실시예에 따르면, 제2 콘트롤러(2002)는 제2 통신모듈(2400)을 통해 데이터 획득 시스템(1000)으로부터 스포츠 데이터를 획득하고, 메모리(2200)에 저장된 분석 알고리즘을 이용하여 상기 스포츠 데이터를 분석하여 스포츠 이벤트를 검출할 수 있다. 여기서, 데이터 분석 시스템(2000)은, 데이터 획득 시스템(1000)로부터 실시간으로 스포츠 데이터를 획득하여, 실시간으로 스포츠 이벤트를 검출할 수도 있다.

이하에서는 일 실시예에 따른 데이터 분석 시스템(2000)의 각 구성에 대해 설명한다.

제2 메모리(2200)는 데이터 분석 시스템(2000)의 각종 정보를 저장할 수 있다.

제2 메모리(2200)에는 데이터 분석 시스템(2000)를 구동하기 위한 운용 프로그램이나 데이터 분석 시스템(2000)의 각 구성을 동작시키기 위한 프로그램을 비롯해, 데이터 분석 시스템(2000)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 메모리(2200)에는 후술할 바와 같이 스포츠 데이터에서 스포츠 이벤트를 검출하기 위한 머신러닝 알고리즘이 저장될 수 있다.

제2 통신모듈(2400)은 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 데이터 획득 장치(2000)는 제2 통신 모듈(2800)을 이용하여 데이터 획득 시스템(1000) 또는 외부 서버와 데이터 통신을 수행할 수 있다. 예를 들어, 데이터 분석 시스템(2000)는 제2 통신모듈(2400)을 이용하여 데이터 획득 시스템(1000)로부터 스포츠 플레이어를 평가하는 데에 필요한 데이터를 획득할 수 있다.

제2 콘트롤러(2002)는 데이터 분석 시스템(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 메모리(2200)로부터 스포츠 데이터 분석을 위한 프로그램을 로딩하여 데이터 획득 시스템(1000)로부터 획득한 데이터를 처리 및 분석하고, 그 결과를 제2 통신모듈(2400)을 통해 외부 기기 또는 외부 서버에 제공하도록 제어 신호를 생성할 수 있다. 데이터 분석 시스템(2000)에서 수행되는 구체적인 스포츠 이벤트 검출 동작에 대해서는 후술하여 자세히 설명하도록 한다.

또한, 데이터 분석 시스템(2000)은 스포츠 이벤트 검출 결과를 출력하기 위한 별도의 출력부를 더 포함할 수도 있다. 여기서, 데이터 제2 콘트롤러(2002)는 데이터 획득 시스템(1000)로부터 획득한 스포츠 데이터를 가공 및 분석하고, 그 결과를 출력부를 통해 제공하기 위한 제어 신호를 생성할 수도 있다.

또한, 데이터 분석 시스템(2000)은 서버로서 구현될 수도 있다. 다만 설명의 편의를 위하여, 본 명세서의 이하의 설명에서는 데이터 분석 시스템(2000) 위주로 설명할 것이나, 데이터 분석 서버로서 구현될 수도 있음은 자명할 것이다.

이상에서는, 일 실시예에 따른 데이터 분석 시스템(2000)의 구성에 대하여 설명하였다. 이하에서는 일 실시예에 따른 데이터 분석 시스템(2000)에서 구현되는 스포츠 이벤트 검출 동작에 대하여 도면을 참조하여 설명하도록 하겠다.

도 4는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작을 개략적으로 나타내는 블록도이다.

도 4를 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 적어도 하나 이상의 스포츠 데이터를 획득하여 스포츠 이벤트를 검출하고, 검출된 결과에 기초하여 하이라이트 데이터를 출력할 수 있다. 여기서, 데이터 분석 시스템(2000)에 의해서 검출된 복수의 스포츠 이벤트 중에 적어도 하나 이상의 특정 스포츠 이벤트에 관한 정보를 포함하는 스포츠 데이터를 하이라이트 데이터라고 지칭할 수 있으며, 본 명세서의 이하의 설명에서는 설명의 편의를 위해 '하이라이트 데이터'라는 용어를 사용하도록 한다. 즉, 하이라이트 데이터는 본 명세서의 일 실시예에 따른 데이터 분석 시스템(2000)의 출력 결과물일 수 있다.

또한 여기서 일 실시예에 따라 데이터 분석 시스템(2000)으로 전송되는 적어도 하나 이상의 스포츠 데이터는, 데이터 분석 시스템(2000)에서 이용되는 목적에 따라 구분될 수 있다. 구체적으로, 데이터 분석 시스템(2000)에서 출력될 하이라이트 데이터를 추출하기 위한 베이스가 되는 스포츠 데이터와, 스포츠 이벤트 검출을 위한 분석의 대상이 되는 스포츠 데이터로 구분될 수 있다. 예시적으로, 데이터 분석 시스템(2000)이 데이터 획득 시스템(1000)으로부터 획득한 이미지 데이터가 하이라이트 데이터의 베이스가 되는 데이터로 이용되고 데이터 분석 시스템(2000)이 온라인 웹서버(3000)로부터 획득한 SNS 텍스트가 스포츠 이벤트의 검출을 위한 분석의 대상이 되는 스포츠 데이터로 이용되는 경우, 데이터 분석 시스템(2000)은 SNS 텍스트의 분석 결과에 기초하여 이미지 데이터로부터 스포츠 이벤트를 추출한 스포츠 하이라이트 영상을 생성할 수 있는 것이다. 본 명세서의 이하의 설명에서는 편의를 위해 하이라이트 데이터의 베이스로 이용되는 스포츠 데이터를 '베이스 스포츠 데이터'라고 지칭하기로 하며, 스포츠 이벤트의 검출을 위한 분석의 대상이 되는 스포츠 데이터를 '참조 스포츠 데이터'라고 지칭하기로 한다.

또한, 도면에는 데이터 획득 시스템(1000)에서 획득된 데이터가 베이스 스포츠 데이터로, 온라인 웹서버(3000)에서 획득된 데이터가 참조 스포츠 데이터로 이용되는 것으로 도시되었으나 이는 예시일 뿐인 것에 주의하여야 한다. 즉, 베이스 스포츠 데이터와 참조 스포츠 데이터는 데이터 분석 시스템(2000) 내에서 이용되는 목적에 따라 구분되는 것이며 스포츠 데이터를 획득하는 주체에 따라 달라지는 것이 아니다. 예를 들어 데이터 획득 시스템(1000)에서 획득된 이미지 데이터가 베이스 스포츠 데이터로 이용되고, 마찬가지로 데이터 획득 시스템(1000)에서 획득된 음향 데이터가 참조 스포츠 데이터로 이용될 수도 있다.

또한, 데이터 분석 시스템(2000)은 동일한 스포츠 데이터를 베이스 스포츠 데이터와 참조 스포츠 데이터로 모두 이용할 수 있다. 예를 들어, 데이터 분석 시스템(2000)은 이미지 데이터를 베이스 스포츠 데이터와 참조 스포츠 데이터 모두로 이용할 수도 있다.

일 실시예에 따르면, 하나의 스포츠 데이터만을 이용하여 스포츠 이벤트를 검출하는 것 보다, 추출하고자 하는 스포츠 이벤트에 관한 특정 내용이 잘 표현된 적어도 하나 이상의 참조 스포츠 데이터를 분석함으로써, 베이스 스포츠 데이터로부터 보다 정확하고, 시청자에게 요구되는 스포츠 이벤트가 잘 반영된 하이라이트 데이터를 생성할 수 있게 되는 것이다.

도 5는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작을 나타내는 순서도이다.

도 5를 참조하면, 일 실시예에 따른 스포츠 이벤트 검출 동작은 적어도 하나 이상의 스포츠 데이터를 획득하는 단계(S1000), 획득된 스포츠 데이터를 분석하는 단계(S1200) 및 분석 결과에 기초하여 하이라이트 데이터를 생성하는 단계(S1400)를 포함할 수 있다.

먼저, 스포츠 데이터 획득 단계(S1000)에서, 데이터 분석 시스템(2000)은 스포츠 데이터를 획득할 수 있다. 구체적으로, 데이터 분석 시스템(2000)은 데이터 획득 시스템(1000) 및/또는 온라인 웹서버(3000)로부터 적어도 하나 이상의 스포츠 데이터를 획득할 수 있다. 적어도 하나 이상의 스포츠 데이터에 관한 구체적인 예시에 관해서는 후술하여 상세히 설명하도록 한다.

스포츠 데이터 획득 단계(S1000)이후, 데이터 분석 시스템(2000)은 획득된 스포츠 데이터를 분석하여, 스포츠 데이터로부터 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2200)에 저장된 데이터 분석을 위한 알고리즘을 이용하여 적어도 하나 이상의 스포츠 데이터를 분석하고, 스포츠 데이터로부터 적어도 하나 이상의 스포츠 이벤트를 검출할 수 있다. 보다 더 구체적으로, 제2 콘트롤러(2002)는 참조 스포츠 데이터를 분석하여 참조 스포츠 데이터로부터 적어도 하나 이상의 스포츠 이벤트를 검출할 수 있다. 스포츠 데이터 분석 단계(S1200)에 관한 보다 상세한 내용은 후술하여 자세히 설명하도록 한다.

스포츠 데이터 분석 단계(S1200) 이후, 데이터 분석 시스템(2000)은 분석 결과에 기초하여, 스포츠 데이터로부터 하이라이트 데이터를 획득할 수 있다.(S1400) 구체적으로, 제2 콘트롤러(2002)는, 베이스 스포츠 데이터로부터 스포츠 데이터 분석 단계(S1200)에서 검출된 적어도 하나 이상의 스포츠 이벤트에 관한 데이터를 추출하여, 하이라이트 데이터를 획득할 수 있다. 하이라이트 스포츠 데이터 획득 단계의 상세한 내용에 대해서는 후술하여 자세히 설명하도록 하겠다.

이상에서는, 데이터 분석 시스템(2000)에서 수행되는 개략적인 스포츠 이벤트 검출 동작에 대하여 알아보았다.

이하에서는, 먼저 본 명세서에서 스포츠 이벤트 검출을 위해 이용되는 스포츠 데이터에 관한 예시를 도 6 내지 도 10을 통해 살펴보고, 이후 데이터 분석 시스템(2000)이 스포츠 데이터로부터 스포츠 이벤트를 검출하는 동작에 대해 상세히 살펴보기로 한다.

도 6 내지 도 10은 일 실시예에 따른 스포츠 데이터의 다양한 예시를 나타낸 것이다.

구체적으로 도 6은 이미지 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이며, 도 7은 음향 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이고, 도 8은 히트맵 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이며, 도 9는 동적 센서 데이터 형식의 스포츠 데이터의 일 예이다. 또한 도 10은 인터넷 스포츠 중계 화면으로 구현된 스포츠 데이터의 일 예를 나타낸 것이다.

일 실시예에 따른 스포츠 데이터는, 획득 주체에 따라서도 구별될 수 있다. 구체적으로, 스포츠 데이터는 스포츠 경기로부터 직접 획득된 직접 스포츠 데이터와, 직접적으로 스포츠 데이터와 관련된 데이터는 아니지만 간접적으로 스포츠 경기와 관련된 내용을 포함하고 있는 간접 스포츠 데이터로 구별될 수 있다.

즉, 도 6 내지 도 9에 도시된 스포츠 데이터의 예시들은 직접 스포츠 데이터의 예시들을 나타낸 것이며, 도 10은 간접 스포츠 데이터의 일 예를 나타낸 것이라고 표현할 수도 있을 것이다.

도 6은 이미지 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.

도 6을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 이미지 데이터를 이용하여 하이라이트 데이터를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 이미지 데이터를 베이스 스포츠 데이터로 하여 하이라이트 데이터를 획득할 수 있다. 또한, 제2 콘트롤러(2002)는 이미지 데이터를 참조 스포츠 데이터로 이용하여 하이라이트 데이터를 획득할 수도 있다.

또한, 데이터 분석 시스템(2000)은 데이터 획득 시스템(1000)을 통해 이미지 데이터를 획득할 수 있다. 또한, 데이터 분석 시스템(2000)은 온라인 웹서버(3000)를 통해 이미지 데이터를 획득할 수도 있다. 구체적으로, 데이터 획득 시스템(1000)를 통해 획득된 이미지 데이터가 온라인 웹서버(3000)로 먼저 전송되고, 온라인 웹서버(3000)에 전송된 이미지 데이터가 데이터 분석 시스템(2000)으로 전송될 수 있다.

또한, 이미지 데이터는 다양한 각도에서 촬영된 스포츠 경기에 관한 내용을 포함할 수 있다. 구체적으로, 이미지 데이터를 획득한 데이터 획득 시스템(1000)에 포함된 카메라의 개수나 카메라의 설치 구도에 따라, 이미지 데이터 내에는 다양한 각도에서 촬영된 스포츠 경기에 관한 이미지가 포함될 수 있다.

도 7은 음향 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.

도 7을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 음향 데이터를 이용하여 하이라이트 데이터를 획득할 수 있다. 데이터 분석 시스템(2000)이 음향 데이터를 이용하여 하이라이트 데이터를 획득하는 동작은, 데이터 분석 시스템(2000)이 이미지 데이터를 이용하여 하이라이트 데이터를 획득하는 동작과 유사하게 수행될 수 있으므로, 자세한 설명은 생략하도록 한다.

또한, 음향 데이터도 이미지 데이터와 마찬가지로 경기장 내에 설치된 음향 센서의 개수나 설치 구도에 따라 경기장 내에 다양한 장소에서 녹음된 스포츠 경기에 관한 음향 데이터가 포함될 수 있다. 또한, 음향 데이터는 이미지 데이터 내에 포함될 수도 있으며, 비디오 데이터에서 추출될 수도 있다.

도 8은 히트맵 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.

도 8을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 히트맵 데이터를 이용하여 하이라이트 데이터를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 히트맵 데이터를 베이스 스포츠 데이터로 하여 하이라이트 데이터를 획득할 수 있다. 또한, 제2 콘트롤러(2002)는 히트맵 데이터를 참조 스포츠 데이터로 이용하여 하이라이트 데이터를 획득할 수도 있다.

또한, 데이터 분석 시스템(2000)은 데이터 획득 시스템(1000)을 통해 획득된 스포츠 참가자의 스포츠 데이터(특히, 위치 데이터)를 가공하여 히트맵 데이터를 획득할 수 있다. 또한, 데이터 분석 시스템(2000)은 온라인 웹서버(3000)를 통해 히트맵 데이터를 획득할 수도 있다. 예를 들어, 온라인 웹서버(3000)를 통해 중계되는 인터넷 스포츠 방송을 통해 데이터 분석 시스템(2000)은 히트맵 데이터를 획득할 수 있다. 또한, 히트맵 데이터는 스포츠 경기를 수행한 복수의 참가자들에 대한 히트맵 데이터를 포함할 수 있다.

도 9는 동적 데이터 형식의 스포츠 데이터의 일 예를 나타낸 것이다.

도 9를 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 동적 데이터를 이용하여 하이라이트 데이터를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 동적 데이터를 베이스 스포츠 데이터로 하여 하이라이트 데이터를 획득할 수 있다. 또한, 제2 콘트롤러(2002)는 동적 데이터를 참조 스포츠 데이터로 이용하여 하이라이트 데이터를 획득할 수도 있다.

또한, 데이터 분석 시스템(2000)은 데이터 획득 시스템(1000)로부터 동적 데이터를 획득할 수 있다. 구체적으로, 데이터 분석 시스템(2000)은 스포츠 참가자에 부착된 동적 센서에서 획득한 동적 데이터를 통해, 동적 데이터를 획득할 수 있다. 또한, 데이터 분석 시스템(2000)은 데이터 획득 시스템(1000)을 통해 획득된 스포츠 참가자의 스포츠 데이터(특히, 위치 데이터)를 가공하여 동적 데이터를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 위치 데이터를 미분하여 속도 데이터와 같은 동적 데이터를 획득할 수 있다. 또한, 동적 데이터는 스포츠 경기를 수행한 복수의 참가자들에 대한 동적 데이터를 포함할 수 있다.

도 10은 온라인 웹서버에서 획득한 스포츠 데이터의 일 예를 나타낸 것이다.

도 10을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 온라인 웹서버(3000)를 통해 간접 스포츠 데이터를 획득할 수 있다.

일 실시예에 따른 데이터 분석 시스템(2000)은 간접 스포츠 데이터를 이용하여 하이라이트 데이터를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 간접 스포츠 데이터를 베이스 스포츠 데이터로 하여 하이라이트 데이터를 획득할 수 있다. 또한, 제2 콘트롤러(2002)는 간접 스포츠 데이터를 참조 스포츠 데이터로 이용하여 하이라이트 데이터를 획득할 수도 있다.

여기서, 간접 스포츠 데이터는 경기 진행 시간 별 스포츠 이벤트가 어노테이션(annotation)된 게임 로그를 포함할 수 있다.

또한, 간접 스포츠 데이터는 인터넷 스포츠 중계를 시청하는 시청자들이 작성한 인터넷 텍스트나 게시물을 포함할 수 있다. 여기서, 인터넷 텍스트나 게시물에는 시청자가 응원하는 특정 팀이나 선수에 관한 정보가 포함될 수 있다. 또한, 간접 스포츠 데이터는 스포츠 경기의 내용을 반영한 시청자들의 의견이 포함될 수 있다.

또한 간접 스포츠 데이터는, 스포츠 데이터가 작성된 절대 시간이 포함될 수 있다.

이상에서 예시로서 직접 스포츠 데이터와 간접 스포츠 데이터들에 대하여 살펴보았다. 간접 스포츠 데이터는 직접 스포츠 데이터에 비해 상대적으로 획득하기 용이하다는 이점이 있으며, 직접 스포츠 데이터는 간접 스포츠 데이터에 비해 스포츠 경기와 관련된 보다 정확한 정보를 포함할 수 있는 이점이 있다.

또한, 직접 스포츠 데이터와 간접 스포츠 데이터는 각각의 데이터에서 포함하고 있는 정보가 다름에 따라, 스포츠 이벤트 검출을 위한 분석 방법이 달라질 수 있다.

이하에서는, 데이터 분석 시스템(2000)이 수행하는 직접 스포츠 데이터와 간접 스포츠 데이터의 분석 동작에 대해서 도면을 참조하여 상세히 설명하도록 한다.

먼저, 데이터 분석 시스템(2000)이 직접 스포츠 데이터를 분석하는 동작에 대하여 도 11 내지 도 19를 통해 상세히 설명하도록 한다. 먼저 도 11을 참조하여, 데이터 분석 시스템(2000)이 직접 스포츠 데이터를 분석하는 동작에 대해 개괄적으로 설명하도록 한다.

도 11은 일 실시예에 따른 데이터 분석 시스템이 직접 스포츠 데이터를 분석하는 동작에 대해 개괄적으로 나타낸 순서도이다.

도 11을 참조하면, 일 실시예에 따른 직접 스포츠 데이터 분석 동작은 직접 스포츠 데이터를 획득하는 단계(S2000), 획득된 직접 스포츠 데이터에 포함된 인자들을 분석하여 스포츠 이벤트를 추출하는 단계(S2200) 및 추출된 이벤트 별 특징 스코어를 산출하는 단계(S2400)를 포함할 수 있다.

먼저, 일 실시예에 따른 데이터 분석 시스템(2000)은 직접 스포츠 데이터를 획득할 수 있다(S2000). 스포츠 데이터를 획득하는 동작에 대해서는 전술한 바와 같으므로 자세한 설명은 생략하도록 하겠다.

이후, 데이터 분석 시스템(2000)은 획득된 직접 스포츠 데이터에 포함된 인자들을 고려하여 스포츠 이벤트를 추출할 수 있다(S2200). 구체적으로, 제2 콘트롤러(2002)는 직접 스포츠 데이터에 포함된 다양한 인자들을 분석하고, 분석된 인자들에 대응되는 스포츠 이벤트를 결정할 수 있다.

본 명세서에서, 직접 스포츠 데이터에 포함된 인자들의 의미는, 스포츠 데이터에 포함되어, 스포츠 이벤트 그 자체나 스포츠 이벤트의 특징을 반영할 수 있는 모든 정보를 의미하는 개념으로 해석되어야 한다.

예시적으로, 음향 데이터에서의 인자는 음향의 크기, 음향의 종류, 음향의 발생위치 등으로 구별될 수 있고, 이미지 데이터에서는 영상 내 이미지의 형태 등이 스포츠 이벤트를 판단하기 위한 인자가 될 수 있다. 스포츠 이벤트의 특징을 반영하는 스포츠 데이터 내의 인자들의 구체적인 예시에 대해서는 후술하여 상세히 설명하도록 한다.

스포츠 이벤트 추출 단계(S2200) 이후, 데이터 분석 시스템(2000)은 추출된 스포츠 이벤트에 대해서 특징 스코어를 산출할 수 있다(S2400). 구체적으로, 제2 콘트롤러(2002)는 추출된 스포츠 이벤트 각각에 대해서, 획득하고자 하는 하이라이트 데이터에 대응되는 특징 스코어를 산출할 수 있다. 직접 스포츠 데이터의 특징 스코어 산출에 대해서도 후술하여 설명하도록 한다.

여기서, 특징 스코어는 하이라이트 데이터를 생성하기 위한 기준으로 이용될 수 있다. 특징 스코어에 관련된 내용은 후술하여 자세히 설명하도록 하겠다.

이상에서, 데이터 분석 시스템(2000)에서 수행되는 직접 스포츠 데이터의 분석 동작에 대해 개괄적으로 살펴보았다. 이하에서는, 먼저 데이터 분석 시스템(2000)이 직접 스포츠 데이터에 포함된 인자들을 분석하는 동작의 예시들에 관하여 도면을 참조하여 설명하도록 한다.

일 실시예에 따른 데이터 분석 시스템(2000)은, 직접 스포츠 데이터에 포함되어 있는 다양한 요인들을 고려하여 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 직접 스포츠 데이터에 포함되어 있는 다양한 요인들을 검출하고, 검출된 요인들에 대응되는 스포츠 이벤트를 결정할 수 있다.

도 12 내지 도 15는 데이터 분석 시스템(2000)이 음향 데이터에 포함된 음향 인자를 분석하는 경우에, 고려하는 음향 인자와 스포츠 이벤트의 대응 관계에 관한 예시를 나타낸 것이다.

구체적으로, 도 12 내지 도 14는 음향 크기와 관련된 음향 인자와 스포츠 이벤트와의 관계를 나타내는 예시들에 관한 것이고, 도 15는 음향의 종류와 관련된 음향 인자와 스포츠 이벤트와의 관계를 나타내는 예시들에 관한 것이다.

도 12는 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 일 예를 나타낸 것이다.

일 실시예에 따르면, 데이터 분석 시스템(2000)은, 음향 데이터에 포함되어 있는 음향 인자들을 고려하여 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 음향 크기와 관련된 음향 인자들을 고려하여, 음향 인자들에 대응되는 스포츠 이벤트를 결정할 수 있다.

여기서, 음향 크기와 관련된 음향 인자는 스포츠 경기를 플레이하는 일반적인 팀 또는 선수에 대한 관중들의 특성을 반영할 수 있다.

또한, 스포츠 경기를 플레이하는 팀 또는 선수의 일반적인 특성은 다양할 수 있다. 일 예로, 일반적인 특성은 홈팀/원정팀 여부일 수 있다.

도면을 참조하여 구체적인 예시를 설명하도록 한다.

도 12를 참조하면, 동일하거나 유사한 스포츠 이벤트를 홈팀 또는 원정팀이 수행한 경우의 음향 데이터가 도시되어 있다. 동일한 스포츠 이벤트임에도 불구하고, 홈팀이 수행한 경우에 음향 데이터의 강도가 원정팀이 수행한 경우보다 높게 측정된 것이 도시되어 있다. 예시적으로, 축구 경기에서 홈팀이 득점하였을 때의 음향 세기가 원정팀이 득점하였을 때 보다 높은 것이 일반적이다. 일 실시예에 따른, 제2 콘트롤러(2002)는 이러한 음향 인자들을 고려하여 음향 스포츠 데이터로부터 스포츠 이벤트를 검출할 수 있다.

또한, 데이터 분석 시스템(2000)은 스포츠 경기를 플레이하는 일반적인 팀 또는 선수에 대한 관중들의 특성을 고려하여 직접 스포츠 데이터를 정규화 할 수도 있다 즉, 제2 콘트롤러(2002)는 관중들의 성향을 반영한 음향 인자들을 이용하여, 음향 데이터를 정규화 할 수 있다..

즉, 데이터 분석 시스템(2000)은 홈팀/원정팀 여부를 고려하여 직접 스포츠 데이터를 정규화 할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 직접 스포츠 데이터에 포함된 정보 중에서, 스포츠 이벤트로 판단될 수 있는 데이터를 정규화 할 때 홈팀/원정팀 여부를 고려할 수 있다. 즉 다시 말하면, 제2 콘트롤러(2002)는 스포츠 경기(정확하게는 특정 스포츠 이벤트)를 플레이하는 팀이나 선수에 대한 관중들의 반응도를 고려하여 직접 스포츠 데이터를 정규화 할 수 있다고 표현할 수 있을 것이다.

동일한 스포츠 이벤트에서 발생된 음향 데이터 임에도, 홈팀과 원정팀 여부와 같은 팀 특성에 따라 음향 데이터에 포함된 정보가 달라질 수 있고, 이는 데이터 분석 시스템(2000)이 스포츠 데이터에 포함된 인자들을 분석하여 스포츠 이벤트를 검출할 때에 혼란을 야기할 수 있다. 따라서, 데이터 분석 시스템(2000)은 이러한 환경 요인들을 제거함으로써 보다 정확하게 스포츠 이벤트를 검출할 수 있다.

도 13은 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 다른 예를 나타낸 것이다.

일 실시예에 따르면, 음향 크기와 관련된 음향 인자는 특정 팀 또는 특정 선수가 가지는 고유의 특성을 반영할 수 있다.

여기서, 특정 팀 또는 특정 선수들이 가지는 고유의 성향은 다양할 수 있다. 예시적으로, 고유의 성향은 프로팀/프로 선수를 응원하는 팬의 응원 성향일 수 있고, 인기가 많은 선수/인기가 적은 선수를 응원하는 팬의 응원 성향일 수도 있다. 구체적으로, 시끄러운 응원 문화를 가지는 연고지에 속한 팀이 스포츠 이벤트를 플레이 했을 때에는, 그렇지 않은 연고지에 속한 팀이 동일한 스포츠 이벤트를 수행했을 때에 비해 음향 데이터의 신호가 강하게 측정될 것이다. 다른 예로, 조용한 응원 문화를 가지는 팀이 스포츠 이벤트를 플레이 했을 때에는, 그렇지 않은 응원 문화를 가지는 팀이 스포츠 이벤트를 플레이 했을 때에 비해 음향 데이터의 신호가 약하게 측정될 것이다.

데이터 분석 시스템(2000)은 특정 팀 또는 선수들이 가지는 고유의 성향을 고려하여 직접 스포츠 데이터를 정규화 할 수 있다. 여기서, 특정 팀 또는 선수들이 가지는 고유의 성향은 프로팀/프로 선수를 응원하는 팬의 응원성향 일 수 있다.

도면을 참조하여 구체적인 예시를 설명하도록 한다.

도 13을 참조하면, 각기 다른 성향을 가지는 특정 팀 또는 선수가 동일하거나 유사한 스포츠 이벤트를 수행했을 때의 음향 데이터가 도시되어 있다. 동일한 스포츠 이벤트임에도 불구하고, 제1 성향을 가진 팀이 수행한 경우에 음향 데이터의 강도가 높게 측정되었고, 제2 성향을 가진 팀이 수행한 경우에 낮게 측정된 것이 도시되어 있다. 이처럼, 제2 콘트롤러(2002)는 스포츠 경기를 플레이하는 특정 팀이나 특정 선수의 성향을 고려하여 스포츠 이벤트를 검출할 수 있다.

또한, 도 12에서 전술한 바와 마찬가지로, 데이터 분석 시스템(2000)는 특정 팀 또는 특정 선수의 고유의 특징을 고려하여 직접 스포츠 데이터를 전처리 할 수 있다. 즉, 제2 콘트롤러(2002)는 특정 팀 또는 특정 선수의 고유의 특징을 반영한 음향 인자들을 이용하여, 음향 데이터를 정규화 할 수 있다.

도 14는 일 실시예에 따른 스포츠 데이터에 포함된 음향 크기와 스포츠 이벤트와의 대응관계의 또 다른 예를 나타낸 것이다.

일 실시예에 따르면, 음향 크기와 관련된 음향 인자는 스포츠 경기의 진행 시간에 따른 특성을 반영 할 수 있다. 여기서, 스포츠 경기의 진행 시간에 따른 특성은 다양할 수 있다. 일 예로, 스포츠 경기의 진행 시간이 경과될수록 관중들의 함성이 커질 수 있다.

도면을 참조하여 구체적인 예시를 설명하도록 한다.

도 14를 참조하면, 동일한 스포츠 이벤트가 스포츠 경기의 초반과 후반에 각각 발생했을 때의 음향 데이터가 도시되어 있다. 동일한 스포츠 이벤트임에도 불구하고, 경기 초반에 발생한 스포츠 이벤트에 대한 음향 데이터의 강도가 낮게 측정되었고, 경기 후반에 발생한 스포츠 이벤트에 대한 음향 데이터의 강도가 높게 측정된 것이 도시되어 있다.

또한, 테니스, 격투기 등과 같이 특정 세션이 구별되어 있는 스포츠나 특정 스포츠 이벤트(예를 들어, 격투기에서 펀치 적중이나 다운 등)가 발생했을 때 음향 신호의 강도가 커지는 스포츠의 경우, 시간에 따른 음향 데이터의 변화에 따라 스포츠 이벤트를 검출하는 것이 중요하게 작용할 수 있다.

이처럼, 제2 콘트롤러(2002)는 스포츠 경기의 진행 시간에 따른 특성을 반영한 음향 인자를 고려하여 음향 스포츠 데이터로부터 스포츠 이벤트를 검출할 수 있다.

또한, 도 12에서 전술한 바와 마찬가지로, 데이터 분석 시스템(2000)는 스포츠 경기의 진행 시간을 고려하여 직접 스포츠 데이터를 전처리 할 수 있다. 즉, 제2 콘트롤러(2002)는 스포츠 경기의 진행 시간에 따른 특징을 반영한 음향 인자들을 이용하여, 음향 데이터를 정규화 할 수 있다.

이상에서, 데이터 분석 시스템(2000)이 음향 스포츠 데이터를 이용하여 스포츠 이벤트를 검출할 때 고려할 수 있는 음향 크기와 관련된 음향 인자들의 예시들에 대하여 설명하였다.

이하에서는, 일 실시예에 따른 데이터 분석 시스템(2000)이 음향 스포츠 데이터에서 스포츠 이벤트를 추출하는 경우에 고려할 수 있는 음향 종류와 관련된 음향 인자들의 예시에 대하여 도면을 참조하여 설명하도록 한다.

도 15는 일 실시예에 따른 음향의 종류와 관련된 음향 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다..

도 15를 참조하면, 데이터 분석 시스템(2000)은 음향 데이터에 포함되어 있는 다양한 인자들을 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 음향 데이터에 포함되어 있는 복수의 음향 인자들을 구별하고, 구별된 각 음향 인자들을 검출할 수 있다.

특히, 제2 콘트롤러(2002)는 음향의 종류와 관련된 음향 인자들을 분석하여, 해당 음향 인자에 대응되는 스포츠 이벤트를 검출할 수 있다.

여기서, 음향 종류와 관련된 음향 인자는 다양한 스포츠 이벤트의 특징을 반영할 수 있다. 일 예로, 음향의 종류와 관련된 음향 인자는 스포츠를 플레이 함에 있어서 특정 스포츠의 규칙에 따라 발생할 수 있는 상황을 반영할 수 있다.

구체적으로 예를 들자면, 음향 데이터가 획득된 대상 스포츠가 축구일 때, 음향 인자는 득점상황, 슈팅상황, 태클상황, 반칙상황, 드리블 돌파, 득점에 가까운 찬스 등 축구를 플레이할 경우 축구 규칙에 따라 발생할 수 있는 모든 상황을 반영할 수 있다.

예시적으로, 득점 상황에서 음향 데이터는 "와아아!!", "우와!!" 등의 함성 소리와 같은 음향 인자들을 포함할 수 있을 것이고, 드리블 돌파 등의 스포츠 이벤트에서 음향 데이터는 "오!", "와~" 등의 감탄사와 같은 음향 인자들을 포함할 수 있을 것이다.

또한, 테니스와 같은 스포츠에서는, 음향인자는 브레이크 포인트, 서브 에이스, 위닝샷, 에러 등의 스포츠 이벤트들에 대한 특징을 반영할 수 있음은 물론이다.

다른 예로, 음향 인자가 반영하는 스포츠 이벤트의 특징은, 스포츠를 플레이하는 스포츠 참가자의 행동특성일 수 있다. 구체적으로, 스포츠 참가자의 매너 플레이 또는 페어 플레이와 같은 긍정적인 스포츠 이벤트가 발생한 경우, 음향 데이터는 해당 스포츠 이벤트의 특징이 반영된 음향 인자들을 포함할 수 있다. 예시적으로, 스포츠 참가자의 매너플레이 상황에서, 음향 데이터는 잔잔한 크기의 박수소리와 같은 음향 인자를 포함할 수 있다. 이와 달리, 스포츠 참가자의 더티 플레이와 같은 부정적 이벤트에서는 다른 음향 인자가 검출될 수도 있음은 물론이다.

이상에서는, 음향 데이터에 포함된 음향 인자와 스포츠 이벤트와의 대응 관계의 예시에 대하여 살펴보았다. 이하에서는, 이미지 데이터에 포함된 영상 인자와 스포츠 이벤트와의 대응관계의 예시에 대해 도면을 참조하여 설명하도록 한다.

도 16은 일 실시예에 따른 이미지 데이터에 포함된 영상 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.

도 16을 참조하면, 데이터 분석 시스템(2000)은 이미지 데이터를 이용하여 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 이미지 데이터에 포함된 영상 인자들을 검출하고, 검출된 영상 인자들을 분석하여 스포츠 이벤트를 추출할 수 있다.

영상 인자는 다양한 스포츠 이벤트에 관한 특징을 반영할 수 있다.

일 예로, 영상 인자는 스포츠 참가자가 플레이하는 동작에 관한 스포츠 이벤트를 반영할 수 있다. 여기서, 스포츠 참가자가 플레이하는 동작은, 해당 스포츠에서 플레이 될 수 있는 모든 동작을 의미할 수 있다.

일 예로, 스포츠 참가자의 동작은 슈팅동작, 패스동작, 드리블 동작, 달리기 동작, 태클동작, 스윙동작, 스매시 동작 등을 의미할 수 있다. 제2 콘트롤러(2002)는 스포츠 참가자의 동작이 반영된 영상 인자를 분석하여 해당 동작에 관한 스포츠 이벤트를 검출할 수 있다. 구체적인 예시로, 제2 콘트롤러(2002)는 축구나 농구 등과 관련된 이미지 데이터 내에 포함된 슈팅 동작이 반영된 영상 인자를 분석하여 슈팅 이벤트를 검출할 수 있고, 테니스와 관련된 이미지 데이터 내에 포함된 스매시 동작이 반영된 영상 인자를 분석하여 스매시 이벤트를 검출할 수 있다.

다른 예로, 스포츠 참가자의 동작은 제스쳐(gesture)를 의미할 수 있다. 예시적으로, 스포츠 경기가 종료된 이후 스포츠 참가자들의 포옹, 악수, 박수 등의 동작을 의미할 수 있다. 제2 콘트롤러(2002)는 스포츠 참가자의 제스쳐가 반영된 영상 인자를 분석하여, 해당 제스쳐에 관한 스포츠 이벤트를 검출할 수 있다.

또한, 영상 인자는, 스포츠 참가자의 동작 이외에 발생할 수 있는 스포츠 상황에 관한 스포츠 이벤트를 반영할 수 있다. 여기서, 스포츠 상황은 반칙상황, 득점상황 등, 스포츠의 규칙에 따라 발생한 이벤트 일 수 도 있고 관중난입이나 시합 중단과 같은 돌발 이벤트와 관련된 이벤트일 수도 있다.

즉 영상 인자는, 스포츠 경기에서 이미지 데이터로 촬영 가능한 모든 이벤트에 대한 정보를 반영할 수 있다. 다시 말하면, 제2 콘트롤러(2002)는 스포츠 경기에서 이미지 데이터로 촬영 가능한 다양한 이벤트를 반영할 수 있는 영상 인자를 분석하여, 스포츠 이벤트를 검출할 수 있다.

이상에서는, 이미지 데이터에 포함된 영상 인자와 스포츠 이벤트와의 대응 관계의 예시에 대하여 살펴보았다. 이하에서는, 히트맵 데이터에 포함된 히트맵 인자와 스포츠 이벤트와의 대응관계의 예시에 대해 도면을 참조하여 설명하도록 한다.

도 17은 일 실시예에 따른 히트맵 데이터에 포함된 히트맵 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.

도 17을 참조하면, 데이터 분석 시스템(2000)은 위치 데이터를 이용하여 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 위치 데이터와 관련된 히트맵 데이터에 포함된 히트맵 인자들을 검출하고, 검출된 히트맵 인자들을 분석하여 스포츠 이벤트를 추출할 수 있다.

여기서, 히트맵 데이터는 전술한 바와 같이 위치 데이터를 가공함으로써 획득될 수 있다. 달리 표현하자면, 히트맵 데이터는 미리 정해진 시간 동안의 스포츠 참가자의 위치 데이터의 집합이라고 표현할 수도 있다. 따라서, 본 명세서의 이하의 설명에서는 설명의 편의를 위해 히트맵 데이터라는 용어를 사용하지만, 이는 당연히 위치 데이터를 포함하고 있는 개념임이 이해될 것이고, 위치 데이터와 히트맵 데이터의 용어는 혼용되어 사용될 수 있다.

히트맵 데이터 역시도 스포츠 참가자가 수행한 스포츠 이벤트를 반영할 수 있다. 일 예로, 히트맵 데이터는 스포츠 참가자가 수행한 전술적인 플레이와 관련된 스포츠 이벤트를 반영할 수 있다.

다른 예로, 히트맵 데이터는 스포츠 경기 내의 다양한 플레이 상황에 관련한 스포츠 이벤트를 반영할 수 있다.

구체적으로, 히트맵 데이터는 코너킥 상황을 반영할 수 있다. 도면에 도시된 바와 같이, 히트맵 데이터는 코너킥 상황에서 코너킥 키커가 경기장 코너 플래그에 위치한 정보를 포함할 수 있고, 이는 코너킥과 관련된 스포츠 이벤트가 반영되었음을 의미한다.

다른 구체적인 예로, 히트맵 데이터는 프리킥 상황을 반영할 수 있다. 도면에 도시된 바와 같이, 히트맵 데이터는 프리킥 상황에서 벽을 세운 선수들이나, 프리킥 상황에 대비하는 나머지 선수들의 위치 정보를 포함할 수 있고, 이는 프리킥과 관련된 스포츠 이벤트가 히트맵 데이터에 반영되었음을 의미한다 .

또한, 히트맵 데이터는, 특정 스포츠 이벤트 발생 상황에서, 스포츠 참가자의 위치 정보를 반영할 수 있다. 즉, 후술하여 자세히 설명할 바와 같이, 데이터 분석 시스템(2000)가 히트맵 데이터를 베이스 스포츠 데이터로 이용하는 경우, 데이터 분석 시스템(2000)은 히트맵 데이터로부터 참조 스포츠 데이터에서 검출된 스포츠 이벤트 상황에서 스포츠 참가자의 위치 정보를 추출할 수 있다.

구체적인 예시로, 도면에 도시된 바와 같이 참조 스포츠 데이터의 분석 결과로 득점 상황의 스포츠 이벤트가 검출된 경우, 해당 득점 상황에서의 특정 선수의 위치 정보가 히트맵 데이터로부터 추출될 수 있다.

이상에서는, 히트맵 데이터에 포함된 히트맵 인자와 스포츠 이벤트와의 대응 관계의 예시에 대하여 살펴보았다. 이하에서는, 동적 데이터에 포함된 동적 인자와 스포츠 이벤트와의 대응관계의 예시에 대해 도면을 참조하여 설명하도록 한다.

도 18은 일 실시예에 따른 동적 데이터에 포함된 인자와 스포츠 이벤트의 대응관계의 일 예를 나타낸 것이다.

도 18을 참조하면, 데이터 분석 시스템(2000)은 동적 데이터를 이용하여 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 동적 데이터에 포함된 동적 인자들을 검출하고, 검출된 동적 인자들을 분석하여 스포츠 이벤트를 추출할 수 있다.

여기서, 동적 데이터는 전술한 바와 같이 위치 데이터를 가공함으로써 획득될 수도 있고, 스포츠 참가자에게 부착된 동적 센서를 통해 획득될 수도 있다. 또한, 동적 데이터는 속도, 가속도, 방향, 저크(jerk), 각속도, 각가속도 등 의 물체의 운동에 관한 모든 데이터를 의미하는 것으로 해석되어야 할 것이다. 따라서, 본 명세서의 이하의 설명에서는 설명의 편의를 위해 동적 데이터라는 용어를 주로 사용할 것이지만, 이는 당연히 하위 개념인 속도, 가속도, 각가속도, 저크(jerk) 등의 다양한 동적 데이터를 포함하고 있는 개념임이 이해될 것이고, 이러한 동적 데이터의 하위 개념들의 용어와 동적 데이터의 용어는 혼용되어 사용될 수 있다.

동적 데이터 역시도 스포츠 참가자가 수행한 스포츠 이벤트를 반영할 수 있다. 일 예로, 동적 데이터는 스포츠 참가자가 수행한 전술적인 플레이와 관련된 스포츠 이벤트를 반영할 수 있다. 주로는, 동적 데이터는 스포츠 참가자가 수행한 개인적인 전술 플레이와 관련된 스포츠 이벤트에 관한 정보를 반영할 것이다.

또한, 동적 데이터는 스포츠 경기에서 사용되는 다양한 오브젝트의 스포츠 이벤트를 반영할 수도 있다. 예시적으로, 동적 데이터는 스포츠 경기에서 사용되는 공이나, 라켓에 관련된 스포츠 이벤트에 관한 정보를 반영할 수 있다.

또한, 전술한 히트맵 데이터와 유사하게, 동적 데이터는 특정 스포츠 이벤트 발생 상황에서, 스포츠 참가자의 동적 정보를 반영할 수 있다. 즉, 후술하여 자세히 설명할 바와 같이, 데이터 분석 시스템(2000)이 동적 데이터를 베이스 스포츠 데이터로 이용하는 경우, 데이터 분석 시스템(2000)은 동적 데이터로부터 참조 스포츠 데이터에서 검출된 스포츠 이벤트 상황에서 스포츠 참가자의 동적 정보를 추출할 수 있다.

구체적인 예시로, 도면에 도시된 바와 같이 참조 스포츠 데이터의 분석 결과로 득점 상황의 스포츠 이벤트가 검출된 경우, 해당 득점 상황에서의 특정 선수의 동적 정보가 동적 데이터로부터 추출될 수 있다.

또 다른 예시로, 참조 스포츠 데이터의 분석 결과로 테니스에서의 서브 에이스가 검출된 경우, 해당 서브 에이스 상황에서의 스포츠 오브젝트의 속도 정보가 동적 데이터로부터 추출될 수 있다.

또 다른 예시로, 도면에 도시된 바와 같이, 데이터 분석 시스템(2000)은 미리 정해진 동적 데이터값 이상의 동적 데이터가 검출된 경우, 스포츠 이벤트가 발생했다고 판단할 수도 있다.

이상에서는, 데이터 분석 시스템(2000)이 스포츠 이벤트를 검출하는 데에 있어서, 고려되는 다양한 스포츠 데이터에 포함된 스포츠 인자들의 예시들에 대해서 살펴보았다.

이하에서는, 검출된 이벤트에 대한 특징 스코어를 산출하는 예시에 대해 도면을 참조하여 설명하도록한다.

도 19는 일 실시예에 따라 데이터 분석 시스템이 직접 스포츠 데이터를 이용하여 스포츠 이벤트에 특징 스코어를 산출하는 예시에 대하여 나타낸 것이다.

도 19를 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 검출된 스포츠 이벤트에 대한 특징 스코어를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 칙접 스포츠 데이터를 이용하여, 검출된 스포츠 이벤트에 대한 특징 스코어를 산출할 수 있다.

여기서, 특징 스코어는 특정 스포츠 이벤트의 해당 스포츠 내에서의 중요 정도를 의미할 수 있다. 예를 들어 설명하자면, 참조 스포츠 데이터로부터 슈팅과 관련된 복수의 스포츠 이벤트가 검출된 경우, 상기 슈팅과 관련된 복수의 스포츠 이벤트 중에서 하이라이트 데이터로 추출될 주요 스포츠 이벤트를 선정할 필요가 있으며, 이러한 주요 이벤트를 선정하기 위한 기준이 되는 지표가 특징 스코어라고 표현할 수도 있을 것이다.

또한 여기서, 특징 스코어는 전술한 직접 스포츠 데이터에 포함된 다양한 인자들을 고려하여 산출될 수 있다.

예시적으로, 검출된 스포츠 이벤트가 슈팅인 경우, 관중의 함성이나 감탄사가 크게 반영된 음향 인자를 포함하는 스포츠 이벤트 일수록 특징 스코어가 높게 산출될 수 있다. 다른 예로, 검출된 스포츠 이벤트가 반칙인 경우, 관중의 야유나 탄식이 크게 반영된 음향 인자를 포함하는 스포츠 이벤트 일수록 특징 스코어가 높게 산출될 수 있을 것이다.

특징 스코어를 이용한 하이라이트 데이터의 생성과 관련된 내용은 후술하여 자세히 설명하도록 하겠다.

또한, 다시 도 19를 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 검출된 스포츠 이벤트에 대한 적합도 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 직접 스포츠 데이터를 이용하여, 검출된 스포츠 이벤트가 하이라이트 데이터에 적합한지 여부에 대한 지표를 나타내는 적합도 지수를 산출할 수 있다.

적합도 지수에 대해 달리 설명하자면, 참조 스포츠 데이터로부터 복수의 이벤트가 검출된 경우, 상기 복수의 이벤트 중에서 특정 유형의 스포츠 이벤트만이 하이라이트 데이터에 포함될 필요성이 있고, 이처럼 하이라이트 데이터에 적합한 특정 유형의 스포츠 이벤트를 선정하기 위한 기준이 되는 지표가 적합도 지수라고 표현할 수 있을 것이다.

여기서, 데이터 분석 시스템(2000)은 하이라이트 데이터에 대응하여 적합도 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 생성하고자 하는 하이라이트 데이터에 따라, 검출된 스포츠 이벤트가 하이라이트 데이터에 적합한 지 여부를 판단하고, 판단 결과에 기초하여 적합도 지수를 산출할 수 있다.

예시적으로, 하이라이트 데이터가 스포츠 경기의 골장면에 관련된 영상이라면, 득점 상황에 관련된 스포츠 이벤트는 적합도 지수가 높게 산출될 것이고 반칙 상황에 관련된 스포츠 이벤트는 적합도 지수가 낮게 산출될 것이다.

하이라이트 데이터의 목적에 관한 예시와 적합도 지수를 이용한 하이라이트 데이터의 생성에 관한 내용은 후술하여 자세히 설명하도록 한다.

다만, 본 명세서에서는 특징 스코어와 적합도 지수가 구별되어 출력되는 것으로 설명하였으나, 이는 예시적인 것일 뿐이고, 적합도 지수와 특징 스코어를 종합적으로 고려한 다른 지표를 이용하여 스포츠 하이라이트 데이터를 생성하는 것도 가능함은 물론이다.

이상에서는, 도면을 참조하여 직접 스포츠 데이터의 분석에 관한 예시에 대해 설명하였다.

이하에서는, 도 20 내지 도 28을 참조하여 간접 스포츠 데이터의 분석에 관한 예시에 대해 설명한다.

일 실시예에 따르면, 데이터 분석 시스템(2000)은 데이터 분석 알고리즘을 이용하여 간접 스포츠 데이터로부터 스포츠 이벤트를 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(1400)에 저장된 인공 신경망을 이용하여

먼저 도 20을 참조하여, 데이터 분석 시스템(2000)이 간접 스포츠 데이터를 분석하는 개괄적인 동작에 대하여 설명하기로 한다.

도 20은 일 실시예에 따른 간접 스포츠 데이터 분석 동작의 개략적인 순서도이다.

도 20을 참조하면, 일 실시예에 따른 간접 스포츠 데이터 분석 동작은 간접 스포츠 데이터 획득단계(S3000), 간접 스포츠 데이터 전처리 단계(S3200), 전처리된 간접 스포츠 데이터에서 스포츠 이벤트를 추출하는 단게(S3400) 및 추출된 이벤트 별 특징 스코어를 산출하는 단계(S3600)를 포함할 수 있다.

먼저, 데이터 분석 시스템(2000)은 데이터 획득 시스템(2000) 및/또는 온라인 웹서버(3000)으로부터 간접 스포츠 데이터를 획득할 수 있다(S3000). 간접 스포츠 데이터를 획득하는 동작에 대해서는 전술한 바와 같으므로, 구체적인 설명은 생략하도록 하겠다.

이후, 데이터 분석 시스템(2000)은 획득된 간접 스포츠 데이터를 전처리할 수 있다(S3200). 구체적으로, 제2 콘트롤러(2002)는 획득한 간접 스포츠 데이터를 분석 알고리즘의 입력 데이터로 전처리 할 수 있다. 여기서, 간접 스포츠 데이터의 전처리는 간접 스포츠에 포함된 텍스트를 필터링 하는 것을 의미할 수 있다. 또한, 간접 스포츠 데이터의 전처리는 감성 지수를 산출하는 것일 수 있다. 또한, 간접 스포츠 데이터의 전처리는 텍스트 증가 시점을 검출하는 것일 수 있다. 또한, 간접 스포츠 데이터의 전처리는 게임로그에 대응되는 텍스트 집단을 추출하는 동작일 수 있다. 간접 스포츠 데이터를 전처리 하는 단계(S3200)에 대해서는 후술하여 상세히 설명하도록 한다.

간접 스포츠 데이터의 전처리 단계(S3400) 이후, 데이터 분석 시스템(2000)은 전처리된 간접 스포츠 데이터에서 스포츠 이벤트를 추출할 수 있다.(S3400) 구체적으로, 제2 콘트롤러(2002)는 전처리된 간접 스포츠 데이터를 분석 알고리즘에 입력하고, 분석 알고리즘의 출력 결과에 기초하여 스포츠 이벤트를 검출할 수 있다.

이후, 데이터 분석 시스템(2000)은 검출된 스포츠 이벤트 별 특징 스코어를 산출할 수 있다(S3600). 구체적으로, 제2 콘트롤러(2002)는 추출된 스포츠 이벤트 각각에 대해서, 획득하고자 하는 하이라이트 데이터에 대응되는 특징 스코어를 산출할 수 있다. 간접 스포츠 데이터의 특징 스코어 산출에 대해서도 후술하여 설명하도록 한다.

비록 도면에는 간접 스포츠 데이터에서 스포츠 이벤트를 추출하는 단계(S3400)와 스포츠 이벤트 별 특징 스코어를 산출하는 단계(S3600)가 분리된 동작처럼 도시되었으나, 반드시 이에 국한되는 것은 아니다. 후술할 바와 같이, 일 실시예에 따른 데이터 분석 시스템(2000)은 인공 신경망을 이용하여, 간접 스포츠 데이터로부터 스포츠 이벤트의 검출과, 특징 스코어 산출 결과를 함께 획득할 수도 있다. 이에 관해서도 후술하여 상세히 설명하도록 하겠다.

이상에서, 일 실시예에 따른 데이터 분석 시스템(2000)이 간접 스포츠 데이터를 분석하는 동작에 대해서 개괄적으로 설명되었다.

이하에서는, 먼저 데이터 분석 시스템(2000)이 간접 스포츠 데이터를 전처리하는 동작에 대하여 도 21 내지 도 26을 참조하여 상세히 설명하도록 한다.

먼저, 도 21 내지 도 22를 참조하여 텍스트 필터링 및 감성지수 산출과 관련된 전처리 동작에 대해 설명한다.

도 21은 데이터 분석 시스템이 간접 스포츠 데이터에 포함된 텍스트를 필터링하는 동작에 대한 개략적인 순서도이다.

도 21을 참조하면, 일 실시예에 따른 전처리 동작은 텍스트 필터링 단계(S3220) 및 필터링 된 텍스트에 기반하여 감성지수를 산출하는 단계(S3240)를 포함할 수 있다.

먼저, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에 포함된 텍스트를 필터링 할 수 있다.(S3220) 구체적으로, 제2 콘트롤러(2002)는 인터넷 게시물 또는 SNS 게시물에 포함된 스포츠 관련 텍스트 중, 스포츠 이벤트와 관련된 내용을 포함하고 있는 텍스트를 필터링할 수 있다. 또한, 제2 콘트롤러(2002)는 텍스트의 품사에 기반하여 필터링을 수행할 수 있다.

이후, 데이터 분석 시스템(2000)은 필터링 된 텍스트의 감성 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 필터링 된 텍스트를 분석하여, 해당 텍스트가 포함하고 있는 내용에 대한 감성 지수를 산출할 수 있다. 여기서, 감성 지수는 해당 텍스트에 포함된 게시물 작성자의 감성과 관련된 지표를 의미할 수 있다. 또한, 감성지수가 산출된 간접 스포츠 데이터는 후술할 인공 신경망의 입력 데이터로 이용될 수 있다.

이하에서는, 텍스트 필터링 및 감성 지수 산출과 관련된 간접 스포츠 데이터의 전처리 동작의 구체적인 예시에 대하여 도 22를 참조하여 설명한다.

도 22는 텍스트 필터링 및 감성 지수 산출과 관련된 간접 스포츠 데이터 처리의 일 예를 나타낸 것이다.

도 22를 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 스포츠와 관련 있는 데이터만을 추출하도록, 간접 스포츠 데이터를 필터링할 수 있다. 예시적으로 도시된 바와 같이, 간접 스포츠 데이터에는 스포츠와 무관한 데이터들이 포함될 수 있다. 이러한 노이즈들이 포함된 채로 간접 스포츠 데이터가 분석 알고리즘의 입력 알고리즘으로서 이용된다면, 스포츠 이벤트 검출의 정확도가 하락할 수 있다. 따라서, 데이터 분석 시스템(2000)이 수행하는 간접 스포츠 데이터 필터링 동작을 통해 스포츠 이벤트 검출의 정확도가 향상될 수 있다.

또한, 일 실시예에 따른 데이터 분석 시스템(2000)은 품사에 기반하여 텍스트를 필터링 할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 텍스트에 포함된 품사들을 분석하고, 해당 품사에 포함된 스포츠 이벤트 관련 내용 또는 감성 지수를 산출할 수 있다.

구체적인 예시로, 명사나 동사의 경우 스포츠에 관련된 오브젝트 또는 스포츠에서 수행된 동작에 대한 정보를 포함하는 것이 일반적이다. 예시적으로 도시된 바와 같이, 일련번호 t1 텍스트의 경우 '이특허' 라는 스포츠 선수에 대한 내용과, '슈팅'과 같은 스포츠 동작에 관한 내용을 포함하고 있으며, 이는 스포츠 이벤트와 관련된 내용에 해당할 수 있다.

또한, 부사나 형용사와 같은 수식어의 경우 스포츠에서 수행된 동작에 대한 정보 또는 텍스트 작성자의 감성에 대한 정보를 포함하는 것이 일반적이다. 예시적으로 도시된 바와 같이 일련번호 t1 텍스트의 경우, '좋다' 라는 부사가 '슈팅'이라는 스포츠 동작을 수식하고 있으며, 게시물 작성자가 느낀 감성을 나타내고 있다.

도면에 도시된 바와 같이, 일 실시예에 따른 데이터 분석 시스템(2000)은 전처리 동작을 통해 간접 스포츠 데이터에 포함된 텍스트(t1-t5)에 대한 감성 지수(s1-s5)를 산출할 수 있다. 감성 지수를 산출하는 기준은 다양할 수 있다. 일 예로, 긍정적인 스포츠 이벤트를 반영하는 텍스트의 경우 감성 지수가 높게 산출될 수 있다. 다른 예로, 부정적인 스포츠 이벤트를 반영하는 텍스트의 경우 감성 지수가 낮게 산출될 수 있다. 또한, 감성 지수는 생성하고자 하는 하이라이트 데이터에 대응되어 기준이 변경될 수도 있을 것이다. 이는, 감성지수가 스포츠 이벤트의 중요도를 판단하는 지표로 이용될 수 있음을 의미하기도 한다.

이상에서는, 도면을 참조하여 텍스트 필터링 및 감성지수 산출과 관련된 전처리 동작에 대해 설명하였으며, 이하에서는, 텍스트 증가 순간 탐지와 관련된 전처리 동작에 대하여 도면을 참조하여 설명하도록 하겠다.

도 23은 데이터 분석 시스템이 간접 스포츠 데이터에 포함된 텍스트의 증가 순간을 감지하는 동작에 대한 개략적인 순서도이다.

도 23을 참조하면, 일 실시예에 따른 전처리 동작은 텍스트 증가 순간을 탐지하는 단계(S3222) 및 필터링 된 텍스트에 기반하여 감성지수를 산출하는 단계(S3242)를 포함할 수 있다.

먼저, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에 포함된 텍스트가 증가하는 순간을 감지 할 수 있다.(S3222) 구체적으로, 제2 콘트롤러(2002)는 인터넷 게시물 또는 SNS 게시물에 포함된 스포츠 관련 텍스트 중, 시간에 따른 텍스트 증가량을 계산하고, 텍스트가 급격히 증가되는 구간을 감지할 수 있다.

이후, 데이터 분석 시스템(2000)은 감지된 텍스트 증가량에 기초하여 텍스트 증가 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 텍스트가 증가되는 구간에 증가된 텍스트의 증가량을 이용하여 텍스트 증가 지수를 산출할 수 있다. 여기서, 텍스트 증가 지수는 텍스트 증가 구간에 대응되는 텍스트 증가량과 관련된 지표를 의미할 수 있다. 또한, 텍스트 증가 지수가 산출된 간접 스포츠 데이터는 후술할 인공 신경망의 입력 데이터로 이용될 수 있다.

이하에서는, 텍스트 증가 지수 산출과 관련된 간접 스포츠 데이터의 전처리 동작의 구체적인 예시에 대하여 도 24를 참조하여 설명한다.

도 24는 텍스트 증가 지수 산출과 관련된 간접 스포츠 데이터 처리의 일 예를 나타낸 것이다.

도 24를 참조하면, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에서 텍스트가 증가하는 구간을 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 간접 스포츠 데이터에 포함된 시간 정보를 이용하여, 시간에 따라 텍스트가 증가하는 구간을 탐지할 수 있다.

도면을 참조하면, 예시적으로 간접 스포츠 데이터 내에서 텍스트 증가 구간이 제1 구간 내지 제3 구간으로 구별되었다. 여기서, 제1 구간은 찬스 상황에 관련된 것으로 19:02 ~19:03 까지, 제2 구간은 반칙 상황에 관련된 것으로 19:15 ~ 19:16 까지, 제3 구간은 득점 상황에 관련된 것으로 19:30~19:31 까지의 시간 구간을 각각 나타낸 것이다. 도면에 나타난 시간 간격은 예시적일 뿐인 것으로써, 텍스트 증가 구간은 다양하게 설정될 수 있음이 이해될 것이다.

또한, 데이터 분석 시스템(2000)은 텍스트 증가 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 각각의 텍스트 증가 구간 동안 증가한 텍스트 증가량을 산출할 수 있다.

도면을 참조하면, 예시적으로 제1 구간 내지 제3 구간에서의 텍스트 증가 지수(I1 ~ I3)가 도시되어 있다. 도면을 참조하면, 찬스 상황이나 반칙 상황을 반영하는 제1 구간 및 제2 구간보다, 득점 상황을 반영하는 제3 구간에서 급격한 텍스트 증가량이 나타나 있는 것이 도시되어 있다. 이러한 경우, 제3 구간에서의 텍스트 증가 지수(I3)가 나머지 구간에서의 텍스트 증가 지수(I1,I2)보다 높게 산출될 수 있다. 즉, 일 실시예에 따른 데이터 분석 시스템(2000)은 텍스트 증가 지수를 통해, 해당 텍스트 구간에서 발생한 스포츠 이벤트의 중요도를 판단할 수 있다. 즉, 텍스트 증가 지수는, 해당 구간에서의 스포츠 이벤트의 중요도를 판단하는 지표로 이용될 수 있다.

이상에서는, 도면을 참조하여 텍스트 증가 순간 지수 산출과 관련된 전처리 동작에 대해 설명하였으며, 이하에서는, 텍스트 클러스터링(clustering)과 관련된 동작에 대하여 도면을 참조하여 설명하도록 하겠다.

도 25 데이터 분석 시스템이 텍스트 클러스터링(clustering)을 통해 간접 스포츠 데이터를 처리하는 동작에 대한 순서도이다.

도 25를 참조하면, 일 실시예에 따른 텍스트 클러스터링 동작은 게임 로그와 텍스트를 비교하여 텍스트를 클러스터링 하는 단계(S3226) 및 클러스터링 결과에 기초하여 하이라이트 추출 시간을 설정하는 단계(S3246)을 포함할 수 있다.

먼저, 데이터 분석 시스템(2000)은 게임 로그와 텍스트를 비교하여 복수의 텍스트를 군집화 할 수 있다.(S3226) 구체적으로, 제2 콘트롤러(2002)는 동일한 경기와 관련된 게임 로그 및 텍스트 데이터를 비교하고, 각각의 게임 로그의 내용과 매칭되는 적어도 하나 이상의 텍스트를 포함하는 복수의 텍스트 집단을 획득할 수 있다. 이와 관련하여는 도 27을 참조하여 상세히 설명하도록 한다.

이후, 데이터 분석 시스템(2000)은 추출된 텍스트 집단에 기초하여 스포츠 이벤트와 관련된 시간 정보를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 각 스포츠 이벤트에 대응되는 텍스트 집단내에 포함된 텍스트의 작성 시간에 기초하여, 하이라이트 데이터에 추출될 스포츠 이벤트의 지속 시간을 결정할 수 있다. 이와 관련하여도 도 27을 참조하여 상세히 설명하도록 하겟다.

도 26은 일 실시예에 따른 텍스트 클러스터링(Clusterring)의 일 예를 나타낸 것이다.

또한, 데이터 분석 시스템(2000)은 게임 로그내에 포함된 내용에 대응되는 텍스트 집단을 구획할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 게임 로그내에 포함된 적어도 하나 이상의 스포츠 이벤트에 대응되는 시간 정보와 복수의 텍스트가 작성된 시간을 비교하여, 각각의 스포츠 이벤트와 관련된 적어도 하나 이상의 텍스트를 추출함으로써 각각의 스포츠 이벤트에 대응되는 복수의 텍스트 집단을 획득할 수 있다.

도면을 참조하여 예시적으로 설명하자면, 도 28에는 축구 경기의 게임 로그의 각 내용에 대한 텍스트 집단(제1 - 제4 집단)이 분류되어 있는 것이 도시되어 있다. 제1 집단의 경우 슈팅과 관련된 스포츠 이벤트에 대하여 19:02~19:03까지 총 3개의 텍스트가 포함되어 있으며, 제2 집단의 경우는 반칙과 관련된 스포츠 이벤트에 대해 19:15-19:16까지 총 2개의 텍스트가 포함되어 있고, 제3 집단의 경우는 득점 상황과 관련하여 19:30-19:32까지 다량의 텍스트가 포함되어 있는 것이 도시되어 있다.

또한, 데이터 분석 시스템(2000)은 각각의 텍스트 집단에 포함된 시간 정보를 이용하여 스포츠 이벤트의 지속 시간을 결정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 텍스트 집단에 포함된 복수의 텍스트들의 작성 시간에 기초하여 하이라이트 데이터에 반영될 스포츠 이벤트의 지속 시간을 결정할 수 있다.

도면을 참조하여 예시적으로 설명하자면, 도 28의 슈팅과 관련된 스포츠 이벤트에 대응되는 제1 집단에 대해서는 19:02부터 19:03까지의 지속 시간이 도시되어 있다. 즉, 제2 콘트롤러(2002)는 해당 스포츠 경기에서 획득한 스포츠 데이터 중 19:02 부터 19:03까지의 시간에 대응되는 스포츠 데이터를 추출하여 하이라이트 데이터로 이용할 수 있다.

다른 예로, 득점 상황과 관련된 스포츠 이벤트에 대응되는 제3 집단에 대해서는 19:30 부터 19:32 까지의 지속시간이 도시되어 있다. 이 경우에는, 제2 콘트롤러(2002)는 해당 스포츠 경기에서 획득한 스포츠 데이터 중 19:30 부터 19:32까지의 시간에 대응되는 스포츠 데이터를 추출하여 하이라이트 데이터로 이용할 수 있다.

또한, 데이터 분석 시스템(2000)은 텍스트 집단에 포함된 텍스트에 기초하여 스포츠 이벤트의 중요도를 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 스포츠 이벤트 별로 구획된 텍스트 집단 내에 포함된 게시물의 총량 또는 지속 시간을 고려하여, 텍스트 집단과 대응되는 스포츠 이벤트의 특징 스코어 내지는 적합도 지수를 산출할 수 있다.

스포츠 경기의 중계 영상은 스포츠 이벤트가 실제 수행된 시간과 다른 시간동안 해당 스포츠 이벤트와 관련된 영상이 송출될 수 있다. 예를 들어, 축구의 득점 상황과 관련된 스포츠 이벤트의 경우 반복적인 리플레이를 통해 실제 득점에 걸렸던 시간보다 상당히 많은 시간동안 스포츠 영상이 송출될 수 있으며, 리플레이 영상이 송출되는 시간 동안에도 시청자들은 해당 스포츠 이벤트와 관련된 게시물을 작성하는 것이 일반적이다.

반면에, 농구와 같이 득점 상황이 빈번하게 발생하는 스포츠 이벤트의 경우, 동일한 스포츠 이벤트(득점)의 경우라도 시청자의 반응이 구분될 수 있다. 즉 예를 들어, 덩크슛 등과 같이 멋진 동작을 통해 득점을 성공한 경우 텍스트 집단의 지속시간이 길어질 뿐만 아니라 텍스트 집단에 포함된 텍스트의 총량이 증가할 수 있고, 평범한 동작을 통해 득점에 성공한 경우 텍스트 집단의 지속시간은 길지 않을 것이며 텍스트 집단에 포함된 텍스트의 총량 역시 많지 않을 것이다.

즉, 텍스트 집단에 포함된 텍스트의 총량이나 지속 시간은 스포츠 이벤트의 다양한 특징을 반영할 수 있는 것이고, 일 실시예에 따른 데이터 검출 시스템(1000)은 텍스트 집단내에 포함된 텍스트의 총량이나 지속시간을 고려하여 보다 정확하고 효율적이게 스포츠 이벤트를 추출할 수 있는 것이다.

본 명세서의 일 실시예에 대한 설명에서는, 전처리 동작을 스포츠 데이터를 인공신경망의 입력 데이터로 가공하기 위한 동작인 것으로 설명하였으나, 본 발명의 사상은 이에 국한되지 않는다. 즉, 본 명세서의 일 실시예에 의하면, 전처리 동작을 수행한 결과에 기초하여 스포츠 하이라이트 데이터를 생성하는 것도 가능하며, 스포츠 이벤트만을 검출하는 것 역시도 가능하다.

결국, 본 명세서의 이상에서 설명되거나 이하에서 설명될 데이터 분석 시스템(2000)이 수행하는 모든 동작들은, 그 일부가 생략되어 실시될 수도 있는 것이며, 다수의 동작이 조합되어 실시될 수도 있는 것이 이해될 것이다.

이상에서, 데이터 분석 시스템(2000)이 간접 스포츠 데이터를 전처리하는 동작과, 텍스트 클러스터링 동작을 수행하는 예시에 대하여 살펴보았다.

이하에서는, 일 실시예에 따라 데이터 분석 시스템(2000)이 분석 알고리즘을 이용하여 간접 스포츠 데이터를 분석하는 동작에 대하여 도면을 참조하여 설명하도록 한다.

일 실시예에 따른 데이터 분석 시스템(2000)은 분석 알고리즘을 이용하여 간접 스포츠 데이터를 분석할 수 있다. 구체적으로, 제2 콘트롤러(2002)는, 간접 스포츠 데이터를 제2 메모리(1200)에 저장된 분석 알고리즘에 입력하고, 분석 알고리즘에 출력 결과에 기초하여 스포츠 이벤트를 검출할 수 있다.

여기서, 일 실시예에 따른 데이터 분석 시스템(2000)은 다양한 분석 알고리즘을 이용할 수 있다.

일 예로, 데이터 분석 알고리즘은 기계학습 모델로 제공될 수 있다. 일 실시예에 따른 기계학습 모델은 인공신경망의 형태로 제공될 수 있다. 인공신경망의 대표적인 예로는 입력 레이어, 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공신경망이 있으나, 이에 국한되는 것은 아니며 다양한 형태의 인공신경망 역시 이용될 수 있다.

또한, 데이터 분석 시스템(2000)은 인공신경망 이외 형태의 머신러닝 기법을 이용할 수도 있다. 즉, 데이터 분석 시스템(2000)은 PCA와 같은 차원 축소 기법이나 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(Random Forest)등의 다양한 머신러닝 기법을 이용할 수 있으며, 앞서 언급한 기법들이 앙상블 된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 일 실시예에 따른 분석 방법 알고리즘으로써 이용될 수 있다.

나아가, 본 명세서에서의 분석 알고리즘이 반드시 기계학습 모델로 한정되는 것도 아니다. 즉, 분석 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다.

따라서, 본 명세서에서 분석 알고리즘은 스포츠 데이터를 이용하여 데이터 분석 및 스포츠 이벤트를 검출할 수 있는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 해석되어야 함을 미리 밝혀둔다.

다만 설명의 편의를 위하여, 본 명세서에서의 이하의 설명에서는 인공신경망과 관련된 기계학습 모델을 이용한 분석 알고리즘에 대하여 주로 설명하도록 한다. 그러나 이로 인해 본 명세서에서의 분석 알고리즘이 인공신경망 계열의 기계학습 모델로 한정되는 것이 아님은 분명할 것이다.

본 명세서에서 인공신경망은 간접 스포츠 데이터를 입력 받고, 스포츠 이벤트 검출 결과를 출력할 수 있다.

도 27은 일 실시예에 따른 인공 신경망의 예시도이다.

도 27을 참조하면, 인공신경망은 간접 스포츠 데이터를 입력받는 입력 레이어, 스포츠 이벤트 검출 결과를 출력 레이어 및 입력 레이어와 출력 레이어 사이에 배치되는 적어도 하나의 히든 레이어를 포함할 수 있다.

입력 레이어에는 간접 스포츠 데이터가 입력될 수 있다. 입력 레이어는 복수의 입력 노드를 포함할 수 있다. 입력 노드 각각에는, 전처리된 간접 스포츠 데이터가 입력될 수 있다. 예를 들어, 입력 노드 각각에는 전술한 감성지수, 텍스트 내용, 텍스트 증가 지수, 텍스트 클러스터링 결과 등이 입력될 수 있다. 또는, 전처리 되지 않은 간접 스포츠 데이터가 그대로 입력될 수도 있다.본 명세서 이하의 설명에서는 설명의 편의를 위해 인공신경망에 입력되는 데이터를 '입력 데이터'라고 지칭하기로 한다.

출력 레이어는 스포츠 이벤트 검출 결과를 출력할 수 있다.

예를 들어, 인공 신경망이 바이너리 클래시피케이션 형태로 스포츠 이벤트 검출 결과를 출력하는 경우에는 출력 레이어에 하나 또는 두 개의 출력 노드가 포함될 수 있다. 바이너리 클래시피케이션 형태로 결과값을 출력하는 인공 신경망은 주로 스포츠 이벤트 여부나 단일한 내용을 포함하는 하이라이트 이벤트 등에 대한 검출을 수행할 수 있다.

다른 예를 들어, 인공 신경망이 멀티 클래시피케이션 형태로 스포츠 이벤트 검출 결과를 출력하는 경우에는 출력 레이어는 복수 개의 출력 노드를 포함할 수 있다. 멀티 클래시피케이션 형태로 결과값을 출력하는 인공 신경망은 주로 하이라이트 여부, 이벤트의 종류, 특징 지표 등에 대한 복합적인 검출 결과를 출력할 수 있다.

히든 레이어는 복수의 레이어를 포함할 수 있으며, 각각의 레이어는 적어도 하나의 은닉 노드를 포함할 수 있다.

인공 신경망은 스포츠 데이터로부터 미리 획득된 스포츠 이벤트 검출값과 간접 스포츠 데이터에 기초한 데이터가 서로 태그된 라벨링 데이터를 러닝 셋으로 이용하여 학습될 수 있다. 이에 따라, 충분히 학습된 인공 신경망은 간접 스포츠 데이터가 입력되면 스포츠 이벤트 검출 결과를 출력할 수 있다. 여기서, 미리 확인된 스포츠 이벤트를 획득하기 위한 스포츠 데이터는 전술한 직접 스포츠 데이터, 간접 스포츠 데이터가 모두 포함될 수 있다.

구체적으로 간접 스포츠 데이터로부터 스포츠 이벤트에 대하여 판단하는 인공 신경망은, 텍스트 증가 지수 별 대응되는 텍스트의 내용과 대응하는 스포츠 이벤트와의 관련성을 학습할 수 있다. 또한, 인공신경망은 스포츠 이벤트가 발생한 시간과 텍스트가 발생한 시간의 차이(이하, '지연 시간' 이라 칭함)에 대하여 학습할 수 있다. 또한, 인공신경망은 적절한 하이라이트 영상을 추출하기 위한 스포츠 이벤트의 지속 시간을 학습할 수 있다. 여기서, 충분히 학습된 인공신경망은, 간접 스포츠 데이터와 관련된 데이터를 입력받고, 스포츠 이벤트 검출 결과를 출력할 수 있다.

다시 도 27을 참조한다.

도 27을 참조하면, 데이터 분석 시스템(2000)은 인공 신경망을 이용하여 간접 스포츠 데이터로부터 스포츠 이벤트를 검출할 수 있다.

구체적으로, 제2 콘트롤러(2002)는 제2 메모리(1200)에 저장된 인공신경망을 이용하여, 간접 스포츠 데이터로부터 획득한 복수의 입력 데이터를 인공신경망의 입력 레이어에 입력하고, 간접 스포츠 데이터를 기초로 인공신경망이 수행한 연산처리 결과에 따라 스포츠 이벤트에 대한 검출 결과를 획득할 수 있다.

일 실시예에 따른 인공신경망은, 간접 스포츠 데이터로부터 획득될 수 있는 다양한 데이터를 입력 데이터로 이용할 수 있다. 일 예로, 입력 데이터는 미리 정해진 시간 동안의 텍스트의 양일 수 있다. 다른 예로, 입력 데이터는 전술한 텍스트의 감성 지수일 수 있다. 또 다른 예로, 입력 데이터는 텍스트 내에 포함된 내용일 수 있다. 구체적으로, 텍스트 내에 포함된 내용은 단어나 문장일 수 있다. 또 다른 예로, 입력 데이터는 클러스터링 결과일 수 있다.

여기서, 인공신경망은 여러 종류의 입력 데이터를 모두 입력 노드에 입력 받을 수도 있고, 한 종류의 입력 데이터만을 입력 받을수도 있으며, 단일한 종류의 입력 데이터를 복수개 입력 받을 수도 있음은 전술한 바와 같다.

인공신경망은, 히든 레이어에서의 연산 과정을 거쳐, 스포츠 이벤트 검출 결과를 출력할 수 있다.

일 예로, 스포츠 이벤트 검출 결과는, 간접 스포츠 데이터에 포함된 이벤트의 종류일 수 있다. 여기서, 이벤트의 종류는 멀티 클래시피케이션의 형태로, 간접 스포츠 데이터 내에 포함된 복수의 스포츠 이벤트에 대한 정보를 포함할 수 있다.

다른 예로, 스포츠 이벤트 검출 결과는, 간접 스포츠 데이터에 포함된 스포츠 이벤트가 하이라이트 데이터에 포함될 수 있는지에 대한 여부를 나타내는 지표일 수 있다. 이때, 상기 지표는 확률값이나 스코어로 출력될 수 있다. 또한, 상기 지표는 전술한 적합도 지수에 대응될 수 있다.

또 다른 예로, 스포츠 이벤트 검출 결과는, 스포츠 이벤트에 대한 시청자의 반응을 반영한 지표일 수 있다. 이때, 시청자의 반응이 반영된 지표는 전술한 특징 스코어에 대응될 수 있다.

또 다른 예로, 스포츠 이벤트 검출 결과는, 스포츠 이벤트에 대한 시간 정보일 수 있다. 구체적으로, 스포츠 이벤트 검출 결과는 스포츠 이벤트의 발생시간, 종료시간, 지속시간 등의 정보를 포함할 수 있다.

이하에서는, 일 실시예에 따른 인공신경망의 출력 결과에 대하여 도면을 참조하여 설명하도록 한다.

도 28은 일 실시예에 따른 인공신경망을 이용한 스포츠 이벤트 검출 출력 결과의 일 예이다.

도 28을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 인공신경망을 이용하여 스포츠 이벤트 검출 결과를 획득할 수 있다.

구체적으로, 데이터 분석 시스템(2000)은 간접 스포츠 데이터로부터 스포츠 이벤트에 관련된 시간 정보를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 인공신경망을 이용하여 스포츠 이벤트의 발생시간, 종료시간, 지속시간 등의 스포츠 이벤트와 관련된 모든 시간 정보를 포함하는 시간 정보를 획득할 수 있다.

다만 여기서, 시간 정보가 반드시 실제 스포츠 이벤트의 발생 시간이나 종료 시간과 매칭될 필요는 없다. 예를 들어, 시청자의 수요를 반영한 하이라이트 데이터를 생성함에 있어서, 스포츠 이벤트의 전후 상황 역시도 주요 고려 요소일 수 있다. 즉, 데이터 검출 시스템(1000)은, 스포츠 이벤트의 전후 상황을 고려하여 버퍼가 부가된 스포츠 이벤트 지속시간을 결정할 수 있다. 반대로, 실제 스포츠 이벤트가 수행된 시간보다 짧도록 스포츠 이벤트 지속시간을 획득하는 것 역시 가능하다.

또한, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에 포함된 스포츠 이벤트의 유형을 판단할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 인공신경망을 이용하여 간접 스포츠 데이터로부터 스포츠 이벤트를 추출하고, 추출된 스포츠 이벤트가 어떤 유형의 이벤트인지 판단할 수 있다. 또한 여기서, 추출된 스포츠 이벤트에 시간 정보 및 해당 시간에 대한 이벤트 유형이 함께 태깅될 수 있다. 뿐만 아니라, 후술할 바와 같이 추출된 스포츠 이벤트에는 시간정보, 이벤트 유형, 특징 스코어, 적합도 지수등이 각각 별개로, 혹은 복합적으로 태깅될 수 있다.

또한, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에 포함된 스포츠 이벤트 별 특징 스코어를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 인공신경망을 이용하여 간접 스포츠 데이터로부터 스포츠 이벤트를 추출하고, 추출된 스포츠 이벤트의 특징 스코어를 계산할 수 있다. 간접 스포츠 데이터의 특징 스코어와 관련된 내용은, 전술한 직접 스포츠 데이터의 특징 스코어와 유사하므로, 자세한 설명은 생략하도록 한다.

또한, 데이터 분석 시스템(2000)은 간접 스포츠 데이터에 포함된 스포츠 이벤트 별 적합도 지수를 산출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 인공신경망을 이용하여 간접 스포츠 데이터로부터 스포츠 이벤트를 추출하고, 추출된 스포츠 이벤트의 적합도 지수를 계산할 수 있다. 간접 스포츠 데이터의 적합도 지수와 관련된 내용은, 전술한 직접 스포츠 데이터의 적합도 지수와 유사하므로, 자세한 설명은 생략하도록 한다.

도면을 참조하여 구체적인 예시를 들자면, 일 실시예에 따른 인공신경망은 간접 스포츠 데이터로부터 1-n 까지 n개의 스포츠 이벤트를 검출하였다. 또한, 일 실시예에 따른 인공신경망은 n개의 스포츠 이벤트 각각에 대하여 시간 정보를 획득하였다. 또한, 일 실시예에 따른 인공신경망은 n개의 스포츠 이벤트 각각에 대한 이벤트의 유형을 판단하였다. 또한, 일 실시예에 따른 인공신경망은, 추출된 n개의 스포츠 이벤트 각각에 대한 특징 스코어와 적합도 지수를 산출하였다.

이상에서 설명한 내용을 정리하자면, 일 실시예에 따른 데이터 분석 시스템(2000)은 인공신경망을 이용하여 간접 스포츠 데이터로부터 적어도 하나 이상의 스포츠 이벤트를 검출할 수 있고, 검출된 스포츠 이벤트에 대하여 복수의 지표를 태깅할 수 있다. 이때, 일 실시예에 따른 데이터 분석 시스템(2000)은 간접 스포츠 데이터로부터 검출된 복수의 지표가 태깅된 스포츠 이벤트 검출 결과를 이용하여 하이라이트 데이터를 생성할 수 있는 것이다.

이하에서는, 데이터 분석 시스템(2000)이 전술한 다양한 스포츠 이벤트 검출 결과를 이용하여 하이라이트 데이터를 생성하는 동작에 대하여 설명하도록 한다.

일 실시예에 따르면, 데이터 분석 시스템(2000)은 스포츠 이벤트 검출 결과를 이용하여 하이라이트 데이터를 생성할 수 있다.

구체적으로, 제2 콘트롤러(2002)는 참조 스포츠 데이터로부터 획득한 스포츠 이벤트 검출 결과를 이용하여, 베이스 스포츠 데이터로부터 하이라이트 데이터를 추출할 수 있다.

먼저, 도면을 참조하여, 데이터 분석 시스템(2000)에서 수행되는 하이라이트 생성 동작에 대한 플로우를 설명하고, 하이라이트를 생성할 때 고려될 수 있는 요소들에 관련하여 도면을 참조하여 설명하도록 한다.

도 29는 일 실시예에 따른 데이터 분석 시스템의 하이라이트 데이터 생성 동작에 대한 개략적인 순서도를 나타낸 것이다.

도 29를 참조하면, 일 실시예에 따른 하이라이트 데이터 생성 동작은 참조 스포츠 데이터 분석 결과에 기초하여 하이라이트 대상 이벤트를 선정하는 단계(S4000) 및 베이스 스포츠 데이터에서 하이라이트 대상 이벤트를 추출하는 단게(S4200)를 포함할 수 있다.

일 실시예에 따르면, 데이터 분석 시스템(2000)은 참조 스포츠 데이터 분석 결과에 기초하여 하이라이트 대상 이벤트를 선정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 참조 스포츠 데이터 분석 결과에 따른 스포츠 이벤트와 관련된 지표들을 고려하여, 하이라이트 데이터에 포함될 스포츠 이벤트를 선정할 수 있다.

여기서, 하이라이트 데이터는 다양한 목적으로 생성될 수 있다. 예를 들어, 하이라이트 데이터는 스포츠 경기의 주요 스포츠 이벤트를 출력하기 위한 목적으로 생성될 수 있다. 구체적인 예시로, 하이라이트 데이터는 스포츠 경기의 득점 상황, 슈팅 상황, 찬스 상황 등이 모두 포함되거나, 득점 상황만이 포함될 수 있다.

다른 예로, 하이라이트 데이터는 특정 선수와 관련된 스포츠 이벤트를 출력하기 위한 목적으로 생성될 수도 있다. 구체적인 예시로, 하이라이트 데이터는 특정 선수의 드리블 돌파 상황, 슈팅 상황, 찬스 상황, 득점 상황이 모두 포함하거나, 일부 상황 만이 포함할 수도 있고, 특정 선수의 볼터치 상황만을 포함할 수도 있다.

프로 스포츠 팀이나 유소년 스포츠팀의 시청각 훈련 상황에서, 훈련이 요구되는 플레이어의 플레이 영상만을 추출하여 시청하는 것은 훈련 효율을 크게 향상시킬 수 있다. 일 실시예에 따른 하이라이트 생성 방법은, 정확하고 효율적으로 시청자가 요구하는 스포츠 이벤트만을 포함하도록 하이라이트 데이터를 생성하여 제공함으로써, 훈련 효율을 향상시킬 수 있다.

예시로 언급한 목적 외에도 하이라이트 데이터는 산업 필드에서 요구되는 목적에 대응되는 모든 스포츠 이벤트를 포함할 수 있다. 즉, 일 실시예에 따른 데이터 분석 시스템(2000)은 시청자가 요구하는 목적에 대응하는 스포츠 이벤트만을 포함한 하이라이트 데이터를 생성할 수 있다.

하이라이트 대상 스포츠 이벤트 추출 단계(S4000)이후, 데이터 분석 시스템(2000)은 베이스 스포츠 데이터로부터 관련된 하이라이트 데이터를 추출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 참조 스포츠 데이터로부터 획득한 하이라이트 대상 스포츠 이벤트에 기초하여, 베이스 스포츠 데이터로부터 하이라이트 데이터를 추출할 수 있다.

여기서, 전술한 바와 같이 참조 스포츠 데이터와 베이스 스포츠 데이터는 각각 단일하거나 복수일 수 있으며, 참조 스포츠 데이터와 베이스 스포츠 데이터는 동일한 형식일 수도 있다. 예시적으로, 복수의 참조 스포츠 데이터의 스포츠 이벤트 검출 결과를 종합하여 베이스 스포츠 데이터로부터 하이라이트 데이터를 추출하는 것 또한 가능하며, 복수의 참조 스포츠 데이터로부터 획득한 스포츠 이벤트 검출결과에 기초하여 복수의 베이스 데이터로부터 하이라이트 데이터를 추출하는 것 역시 가능함은 물론이다.

이하에서는, 일 실시예에 따른 데이터 분석 시스템(2000)이 참조 스포츠 데이터의 분석 결과에 기초하여 베이스 스포츠 데이터로부터 추출한 하이라이트 데이터의 예시들에 관해 도면을 참조하여 설명하도록 한다.

도 30은 일 실시예에 따른 하이라이트 데이터의 예시를 나타낸 것이다.

도 30을 참조하면, 일 실시예에 따른 데이터 분석 시스템(2000)은 복수의 베이스 스포츠 데이터로부터 하이라이트 데이터에 적합한 스포츠 이벤트를 추출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 복수의 베이스 스포츠 데이터 중, 하이라이트 데이터의 목적에 적합한 베이스 스포츠 데이터를 선택하고, 해당 베이스 스포츠 데이터로부터 스포츠 이벤트를 추출하여 하이라이트 데이터를 생성할 수 있다.

일 예로, 제2 콘트롤러(2002)는 복수의 이미지 데이터 중, 하이라이트 데이터의 목적에 부합하는 스포츠 이벤트를 반영하는 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있다.

도면을 참조한 구체적인 예로, 하이라이트 데이터의 목적이 득점 상황에 대한 스포츠 이벤트가 포함된 영상을 생성하는 것이거나, 또는 홈런 상황에 대한 스포츠 이벤트가 포함된 영상을 생성하는 것이라면 하이라이트 데이터에는 득점 상황이나 홈런상황이 가장 잘 반영된 스포츠 데이터가 포함되는 것이 바람직할 것이다. 이때, 제2 콘트롤러(2002)는 하이라이트 데이터의 목적에 부합하도록, 경기장에 설치된 복수의 카메라에서 획득된 이미지 데이터 중 득점 상황이나 홈런 상황이 가장 잘 반영된 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있다.

도면을 참조한 구체적인 다른 예로, 하이라이트 데이터의 목적이 팀의 전술적인 수행능력을 반영하기 위한 영상을 생성하기 위한 것이라면, 하이라이트 데이터에는 팀이 수행하는 전술적인 움직임에 관한 정보가 잘 반영된 스포츠 데이터가 포함되는 것이 바람직하다. 이때, 제2 콘트롤러(2002)는 하이라이트 데이터에 목적에 부합하도록, 복수의 이미지 중 팀의 전술적인 움직임이 가장 잘 반영된 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있다. 이때, 전술적인 움직임이 가장 잘 반영된 이미지 데이터는, 와이드 앵글로 촬영된 카메라에서 획득된 이미지 데이터일 것이다. 여기서, 복수의 이미지는, 경기장의 각각 다른 위치에 설치된 복수의 카메라에서 획득될 수 있음은 전술한 바와 같다.

다른 예로, 제2 콘트롤러(2002)는 복수의 이미지 데이터 중, 스포츠 이벤트의 특징을 반영하는 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있다.

도면을 참조한 구체적인 예시로, 검출된 스포츠 이벤트의 유형이 득점 상황이나 팀의 전술적인 움직임일 경우에도, 하이라이트 데이터에는 팀의 전술적인 움직임이나 득점 상황에 대한 정보가 잘 반영된 스포츠 데이터가 포함되는 것이 바람직할 것이다. 이때, 제2 콘트롤러(2002)는 검출된 스포츠 이벤트의 특징이 반영되도록, 복수의 이미지 중 팀의 전술적인 움직임이나 득점 상황이 가장 잘 반영된 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있다. 여기서, 복수의 이미지는, 경기장의 각각 다른 위치에 설치된 복수의 카메라에서 획득될 수 있음은 전술한 바와 같다.

도면을 참조한 구체적인 다른 예시로, 검출된 스포츠 이벤트의 유형이 홈런이나 덩크슛인 상황에도, 하이라이트 데이터에는 해당 스포츠 이벤트의 정보가 잘 반영된 스포츠 데이터가 포함되는 것이 바람직 할 것이고, 이때 제2 콘트롤러(2002)는 해당 스포츠 이벤트의 특징이 잘 반영되도록 이미지 데이터를 선택하여 하이라이트 데이터를 생성할 수 있음은 물론이다.

도 31은 일 실시예에 따른 하이라이트 데이터의 다른 예시를 나타낸 것이다.

도 31을 참조하면, 데이터 검출 시스템(1000)은 복수의 스포츠 데이터가 반영된 하이라이트 데이터를 생성할 수 있다.

구체적으로, 제2 콘트롤러(2002)는 스포츠 이벤트와 관련된 복수의 스포츠 데이터가 종합적으로 반영된 하이라이트 데이터를 생성할 수 있다.

즉, 제2 콘트롤러(2002)는 복수의 베이스 스포츠 데이터로부터 스포츠 이벤트와 관련된 정보를 추출하고, 추출된 정보가 종합적으로 반영되도록 하이라이트 데이터를 생성할 수 있다.

예시적으로, 하이라이트 데이터에는 스포츠 이벤트에 관련된 이미지 데이터, 동적 데이터, 히트맵 데이터, 텍스트 데이터 등이 반영될 수 있다. 도면을 참조하여 구체적으로 설명하자면, 드리블 돌파 상황과 관련된 스포츠 이벤트가 포함된 하이라이트 영상을 생성하는 경우, 제2 콘트롤러(2002)는 해당 스포츠 이벤트의 이미지 데이터에 스포츠 플레이어의 속도 데이터, 해당 스포츠 플레이어의 위치 히트맵 데이터, 해당 스포츠 이벤트에 대한 텍스트 데이터 등을 병합하여 출력할 수 있다.

또한 여기서, 제2 콘트롤러(2002)는 하이라이트 영상을 생성하는 경우, 하이라이트 데이터에 여러 그래픽 요소를 오그멘테이션 할 수도 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (11)

1. 스포츠 하이라이트 영상을 생성하는 방법에 있어서,
   특정 스포츠 경기 영상이 촬영된 이미지 데이터를 획득하는 단계;
   상기 특정 스포츠 경기 영상에 관련된 복수의 온라인 텍스트 데이터 - 상기 온라인 텍스트 데이터는 상기 온라인 텍스트 데이터가 생성된 시간 정보인 작성 시간 및 상기 온라인 텍스트 데이터의 내용정보에 관련된 작성 내용을 포함함 - 를 획득하는 단계;
   미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터에 상기 온라인 텍스트 데이터에 포함된 상기 작성 시간 및 작성 내용의 분석 결과가 라벨링 된 러닝셋을 이용하여 학습된 인공신경망을 이용하여, 상기 이미지 데이터로부터 상기 복수의 텍스트 데이터가 반영하는 적어도 하나 이상의 스포츠 이벤트와 관련된 스포츠 이벤트 데이터를 추출하는 단계;를 포함하는,
   스포츠 하이라이트 영상의 생성 방법.
   
2. 제1 항에 있어서,
   상기 복수의 온라인 텍스트 데이터에 포함된 작성 내용을 분석하여 상기 복수의 온라인 텍스트에 대한 감성 지수를 산출하는 단계;를 더 포함하고,
   상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 감성지수의 상관관계를 이용하여 학습되는 것인
   스포츠 하이라이트 영상의 생성 방법.
   
3. 제1 항에 있어서,
   상기 작성 시간에 기초하여 미리 정해진 시간동안 작성된 상기 온라인 텍스트 데이터의 양을 판단하는 단계;를 더 포함하고,
   상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 온라인 텍스트 데이터의 양의 상관관계에 기초하여 학습되는 것인
   스포츠 하이라이트 영상의 생성 방법.
   
4. 제1 항에 있어서,
   상기 작성 시간에 기초하여, 상기 스포츠 이벤트의 발생 시간과 상기 온라인 텍스트의 작성 시간의 시간차이를 계산하는 단계;를 더 포함하며,
   상기 인공신경망은 상기 미리 획득된 복수의 스포츠 이벤트와 관련된 이미지 데이터와 상기 시간차이 정보의 상관관계에 기초하여 학습되는 것인
   스포츠 하이라이트 영상의 생성 방법.
   
5. 제1 항에 있어서,
   상기 스포츠 이벤트 데이터는, 상기 스포츠 이벤트의 상기 스포츠 경기에 대한 중요도를 반영하는 특징 지표가 태깅되고,
   상기 특징 지표에 기초하여, 상기 복수의 스포츠 이벤트 데이터로부터 하이라이트 영상의 생성을 위한 적어도 하나 이상의 스포츠 이벤트 데이터를 추출하는 단계;를 더 포함하는
   스포츠 하이라이트 영상의 생성 방법.
   
6. 제1 항에 있어서,
   상기 이미지 데이터는 제1 각도에서 촬영된 제1 이미지 및 제1 각도와 다른 제2 각도에서 촬영된 제2 이미지를 포함하며,
   상기 스포츠 이벤트 데이터는 상기 스포츠 이벤트의 유형을 반영하고,
   상기 스포츠 이벤트의 유형을 고려하여, 상기 스포츠 이벤트에 관한 정보가 반영되도록 상기 제1 이미지 및 제2 이미지 중 적어도 어느 하나를 선택하는 단계;를 더 포함하는
   스포츠 하이라이트 영상의 생성 방법
   
   
7. 스포츠 하이라이트 영상을 생성하는 방법에 있어서,
   타겟 스포츠 경기의 영상이 촬영된 적어도 하나 이상의 이미지 데이터를 포함하는 베이스 스포츠 데이터를 획득하는 단계;
   상기 타겟 스포츠 경기와 관련된 적어도 하나 이상의 참조 스포츠 데이터 - 상기 참조 스포츠 데이터는 타겟 스포츠 경기와 관련된 음향 데이터를 포함함 - 를 획득하는 단계;
   상기 타겟 스포츠 경기의 특성을 반영하는 타겟 특성을 고려하여, 상기 음향 데이터에 포함된 음향 신호의 강도를 정규화 하는 단계;
   상기 정규화 된 음향 데이터를 포함하는 상기 참조 스포츠 데이터를 분석하여 스포츠 이벤트를 검출하는 단계; 및
   상기 베이스 스포츠 데이터로부터 상기 스포츠 이벤트에 대응되는 영상을 추출하여 하이라이트 데이터를 생성하는 단계;를 포함하는
   스포츠 하이라이트 영상의 생성 방법.
   
8. 제1 항에 있어서,
   상기 타겟 특성은 상기 타겟 스포츠 경기를 플레이하는 스포츠 팀의 홈팀 또는 원정팀 여부인 것인
   스포츠 하이라이트 영상의 생성 방법.
   
9. 제1 항에 있어서,
   상기 타겟 특성은, 상기 타겟 스포츠 경기의 경기 진행 시간에 따른 음향 신호 강도의 변화인 것인
   스포츠 하이라이트 영상의 생성 방법.
   
10. 제1 항에 있어서,
    참조 스포츠 데이터는 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나를 포함하는,
    스포츠 하이라이트 영상의 생성 방법.
    
11. 제1 항에 있어서,
    상기 베이스 스포츠 데이터는 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나를 더 포함하며,
    상기 하이라이트 데이터는 상기 스포츠 이벤트에 대응되도록 추출된 상기 위치 데이터, 동적 데이터 및 온라인 텍스트 데이터 중 적어도 어느 하나의 일부를 더 포함하는
    스포츠 하이라이트 영상의 생성 방법.
    

Images