KR20230115643A - 팀 스포츠에 대한 전술 정보를 제공하는 방법 - Google Patents

Abstract

본 기재는 일반적으로는 스포츠 분석 분야에 관한 것으로, 비한정적이고 보다 상세하게는 팀 스포츠에서 팀 포메이션 및 역할의 전술적 변화를 분석하는 것이다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계; 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 단계; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하는 단계; 및 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신하는 단계; 를 포함할 수 있다.

Description

팀 스포츠에 대한 전술 정보를 제공하는 방법{A METHOD FOR PROVIDING TACTICAL INFORMATION RELATED TO TEAM SPORTS}

본 기재는 일반적으로는 스포츠 분석 분야에 관한 것으로, 비한정적이고 보다 상세하게는 팀 스포츠에서 팀 포메이션 및 역할의 전술적 변화를 분석하여 전술 정보를 제공하는 기술에 관한 것이다.

현대 팀 스포츠에서 훈련은 크게 피지컬 훈련과 전술 훈련으로 나뉜다. 피지컬 훈련이 근력이나 지구력, 순발력 등과 같은 선수의 기본적인 신체 능력을 향상시키는 것을 목적으로 하는 반면, 전술 훈련은 경기 중 전체적 또는 국지적 이득을 얻기 위한 전술에 대한 수행 능력을 향상시키는 것을 목적으로 한다.

전술 훈련에서는 소규모 그룹에 의해 수행되는 국지적 전술, 세트-피스와 같은 특정 상황에서의 대응, 팀 포메이션에 대한 전반적인 전략 등을 숙달하기 위한 실제적 연습도 중요하지만, 이에 대한 팀 차원의 이해도를 향상시키기 위한 전술 분석과 검토 역시 중요한 요소이다.

팀 포메이션과 선수 포지션은 전술 분석에 있어서 가장 기초적인 요소로, 이는 보다 고차원적 전술 분석을 위해 필수적이다. 그러나, 스포츠 분석 관점에서 팀 스포츠, 특히 축구나 농구와 같이 선수들이 실시간으로 상호 작용하는 유동적 스포츠에서 이들은 매우 유동적으로 변화하는 고차원적 특징을 가지므로 대부분의 현대 스포츠 팀들에서는 아직까지 포메이션이나 포지션에 대한 분석을 비디오 분석관과 같은 사람의 직관에 전적으로 의존하고 있는 실정이다.

본 기재의 일 과제는 선수 추적 데이터로부터 팀 스포츠에 대한 전술 분석을 수행하는 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 포메이션 및/또는 선수 포지션에 대한 정보를 제공하는 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 포메이션 및/또는 선수 포지션에 대한 정보를 이용해 보다 고차원적 전술 분석을 수행하는 방법을 제공하는 것이다.

본 기재의 일 과제는 선수 추적 데이터로부터 팀 스포츠의 복수의 역할들의 위치 데이터들의 시퀀스를 포함하는 공간 정보를 획득하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 스포츠에 참여하는 팀의 포메이션이 변경되는 시점을 기준으로 팀 스포츠의 경기에 대한 타겟 세션을 복수의 포메이션 기간들로 분할하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 스포츠에 참여하는 팀의 포메이션, 또는 해당 팀의 포메이션을 구성하는 역할들을 식별하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 스포츠에 참여하는 선수에 무작위로 할당된 위치 정보 획득 디바이스를 선수 식별자와 자동으로 매칭하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 팀 스포츠에 참여하는 팀의 선수들 중 적어도 일부의 의도된 역할이 변경되는 시점을 기준으로 타겟 기간을 복수의 역할 기간들로 분할하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 선수 추적 데이터로부터 생성된 복수의 역할들에 대한 할당 정보를 이용하여 비정규 상황을 검출하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 선수 추적 데이터로부터 생성된 복수의 역할들에 대한 할당 정보를 이용하여 팀 스포츠에 참여하는 팀 또는 선수의 플레이 스타일에 대한 정보를 결정하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법을 제공하는 것이다.

본 기재의 일 과제는 비정규 상황이나 스위치 플레이에 대한 정보를 이용하여 팀 스포츠의 경기 영상으로부터 자동으로 하이라이트 영상을 추출하기 위한 방법을 제공하는 것이다.

다만, 본 기재의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 기재의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.

본 기재의 일 양상에 따르면, 복수의 선수들 각각에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 내의 복수의 시점들에서의 대응하는 선수의 위치들을 포함함 - 을 획득하는 단계; 상기 복수의 선수들 각각에 관한 복수의 위치 분포들 - 각 위치 분포는 대응하는 선수 추적 데이터 셋에 기초하여 생성됨 - 을 획득하는 단계; 상기 복수의 위치 분포들 각각에 복수의 역할 식별자들를 할당하는 단계; 상기 복수의 시점들 각각에 관한 복수의 선수-역할 할당들 - 각 할당은, 제1 대응하는 시점에서 상기 복수의 선수들과 상기 복수의 역할 식별자 간의 관계를 반영하고, 상기 복수의 위치 분포들 및 상기 복수의 선수 추적 데이터 셋들 중 상기 제1 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 상기 복수의 역할 식별자들 각각을 상기 복수의 선수들에 할당하여 생성됨 - 을 획득하는 단계; 상기 복수의 시점들 각각에 관한 복수의 역할 배치들 - 각 역할 배치는, 제2 대응하는 시점에서 상기 복수의 역할 식별자들 간의 위치적 관계를 반영하고, 상기 제2 대응하는 시점에서의 선수-역할 할당 및 상기 제2 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 생성됨 - 을 획득하는 단계; 및 변화점 검출 알고리즘을 이용해 상기 복수의 역할 배치들의 시퀀스를 적어도 두 개의 역할 배치 그룹들로 분할하는 단계;를 포함하는 팀 스포츠의 전술 분석을 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들 각각에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 내의 복수의 시점들에서의 대응하는 선수의 위치들을 포함함 - 을 획득하는 단계; 상기 복수의 선수들 각각에 관한 복수의 위치 분포들 - 각 위치 분포는 대응하는 선수 추적 데이터 셋에 기초하여 생성됨 - 을 획득하는 단계; 상기 복수의 위치 분포들 각각에 복수의 역할 식별자들를 할당하는 단계; 상기 복수의 시점들 각각에 관한 복수의 선수-역할 할당들 - 각 할당은, 제1 대응하는 시점에서 상기 복수의 선수들과 상기 복수의 역할 식별자 간의 관계를 반영하고, 상기 복수의 위치 분포들 및 상기 복수의 선수 추적 데이터 셋들 중 상기 제1 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 상기 복수의 역할 식별자들 각각을 상기 복수의 선수들에 할당하여 생성됨 - 을 획득하는 단계; 및 상기 복수의 선수-역할 할당들로부터 주 선수-역할 할당을 획득하는 단계;를 포함하는 팀 스포츠의 전술 분석을 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계;

상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 단계; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하는 단계; 및 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하는 단계; 및 상기 변화점에 기초하여 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 상기 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함함 - 로 분할하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 및 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 상기 타겟 세션에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 세션 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 기반으로 상기 팀의 포메이션을 식별하는 단계를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 에 기초하여 복수의 역할들 각각에 관한 상기 타겟 기간과 관련된 복수의 공간 정보 셋들 - 각 공간 정보 셋은, 상기 타겟 기간 동안의 대응하는 역할의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 역할 공간 배치 정보 - 상기 역할 공간 배치 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 관한 복수의 역할 공간 배치들을 포함하고, 각 역할 공간 배치는, 제 1 대응하는 시점에서 상기 복수의 역할들 간의 위치적 관계를 반영함 - 를 획득하는 단계; 상기 복수의 역할 공간 배치들을 기반으로 상기 타겟 기간에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 기간 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 획득하는 단계; 및 상기 포메이션 구조에 기초하여 상기 팀의 포메이션을 결정하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 기간 내에서 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 반영하는 변화점을 검출하는 단계; 및 상기 변화점에 기초하여 상기 타겟 기간을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 변화점 이전의 제 1 역할 시간 기간 및 상기 변화점 이후의 제 2 역할 시간 기간을 포함함 - 로 분할하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 및 상기 복수의 역할 할당들을 기반으로 상기 타겟 기간 내의 비정규 상황 - 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상임 - 을 검출하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 및 상기 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성하는 단계; 를 포함하는, 팀 스포츠에 대한 전술 정보를 제공하는 방법이 제공될 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 팀 스포츠에 대한 전술 분석을 수행할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 팀 스포츠의 복수의 역할들의 위치 데이터들의 시퀀스를 포함하는 공간 정보를 획득할 수 있다.

본 기재의 실시예에 따르면, 팀 스포츠에 참여하는 팀의 포메이션이 변경되는 시점을 기준으로 팀 스포츠의 경기에 대한 타겟 세션을 복수의 포메이션 기간들로 분할할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 팀 포메이션의 변화점을 검출하고, 경기 중 팀 포메이션이 변화하는 지점을 검색하고, 각 기간 별 팀 포메이션을 식별할 수 있다.

본 기재의 실시예에 따르면, 팀 스포츠에 참여하는 팀의 포메이션, 또는 해당 팀의 포메이션을 구성하는 역할들을 식별할 수 있다.

본 기재의 실시예에 따르면, 팀 스포츠에 참여하는 선수에 무작위로 할당된 위치 정보 획득 디바이스를 선수 식별자와 자동으로 매칭할 수 있다.

본 기재의 실시예에 따르면, 팀 스포츠에 참여하는 팀의 선수들 중 적어도 일부의 지시된 역할이 변경되는 시점을 기준으로 타겟 기간을 복수의 역할 기간들로 분할할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 선수 포지션의 변화를 파악하고, 팀의 플레이 스타일을 추출할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 역할 스위치를 파악하고, 세트-피스 상황을 검색할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 생성된 복수의 역할들에 대한 할당 정보를 이용하여 비정규 상황을 검출할 수 있다.

본 기재의 실시예에 따르면, 선수 추적 데이터로부터 생성된 복수의 역할들에 대한 할당 정보를 이용하여 팀 스포츠에 참여하는 팀 또는 선수의 플레이 스타일에 대한 정보를 결정할 수 있다.

본 기재의 실시예에 따르면, 비정규 상황이나 스위치 플레이에 대한 정보를 이용하여 팀 스포츠의 경기 영상으로부터 자동으로 하이라이트 영상을 추출할 수 있다.

본 발명이 해결하고자 하는 과제, 해결수단 및 효과가 상술한 사항들로 제한되는 것은 아니며, 언급되지 아니한 사항들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 기재의 실시예에 따른 SportsCPD의 결과에 따른 포메이션 및 역할 변화의 타임라인의 예시이다.
도 2 및 도 3은 본 기재의 실시예에 따른 역할 인접성에 관한 그래프이다.
도 4는 본 기재의 실시예에 따른 포메이션 그룹의 예시에 관한 것이다.
도 5는 본 기재의 실시예에 따른 포메이션 예측에 관한 도면이다.
도 6은 본 기재의 실시예에 따른 포메이션 기간 별 역할 치환열에 관한 그래프이다.
도 7은 본 기재의 실시예에 따른 역할 치환열을 이용한 전술 분석의 예시에 관한 도면이다.
도 8은 본 기재의 실시예에 따른 스위치율과 세트-피스 발생 간의 관계를 도시한 도면이다.
도 9는 본 기재의 실시예에 따른 팀 스포츠의 전술 분석을 제공하는 시스템의 구성을 나타내는 블록도이다.
도 10 내지 도 17은 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 예들의 흐름도이다.
도 18 은 본 기재의 실시예에 의해 사용될 수 있는 선수 추적 데이터의 획득을 위한 예시적 프로세스를 나타낸다.
도 19 는 본 기재의 일 실시예에 따른 역할 할당 정보 획득 프로세스에 대한 개략적인 흐름도이다.
도 20 은 도 19 의 비정규 역할 할당 프로세스에 대한 상세 흐름도이다.
도 21 은 선수 추적 데이터 기반의 초기 역할 할당 테이블의 예시이다.
도 22 는 예시적인 초기 역할 할당 결과를 도시한다.
도 23 은 선수 위치와 역할 위치 간의 거리를 고려한 역할 할당을 도시한다.
도 24a 내지 도 24c 는 복수의 시점들 각각의 역할 할당 변화를 나타낸다.
도 25 는 역할 할당 변경 시점의 변경된 역할의 예시를 도시한다.
도 26 은 역할 할당 변경 구간을 포함하는 전체 역할 할당의 예시이다.
도 27 은 역할 할당을 통한 각 역할들에 대한 공간 정보 셋의 갱신을 나타낸다.
도 28 은 도 27 의 공간 정보 셋의 갱신을 나타내는 역할 할당 테이블의 예시이다.
도 29 는 비정규 역할 할당을 결정하기 위한 역할 할당 테이블의 예시이다.
도 30 은 도 29 의 역할 할당 테이블에 따른 스위치율 결정의 예시이다.
도 31 은 비정규 프레임 제거에 따른 각 역할들에 대한 공간 정보 셋의 갱신을 나타낸다.
도 32 는 도 31 의 공간 정보 셋의 갱신에 따라 동일한 시점에서 역할 할당이 변경되는 것을 예시적으로 도시한다.
도 33 은 본 기재의 일 실시예에 따른 포메이션 구조 획득 프로세스에 대한 개략적인 흐름도이다.
도 34 는 본 기재의 일 실시예에 따른 포메이션 시간 기간 분할 프로세스에 대한 개략적인 흐름도이다.
도 35 는 도 34의 변화점 검출 프로세스에 대한 공간 배열 정보 획득의 상세 흐름도이다.
도 36 은 도 34 의 변화점 검출 프로세스에 대한 거리 정보 획득의 상세 흐름도이다.
도 37 은 본 기재의 일 실시예에 따른 포메이션 식별, 포지션 식별 및 선수 식별자에 대한 매칭 프로세스에 대한 개략적인 흐름도이다.
도 38 은 역할 인접성 결정을 위한 들로네 삼각 분할을 예시한다.
도 39 는 역할 간의 위치적 관계를 나타내는 역할 인접성 행렬의 예시이다.
도 40 은 본 기재의 일 실시예에 따른 복수의 프레임들 각각의 상호 간의 거리들을 기반으로 포메이션 시간 기간을 분할하는 프로세스의 예시도이다.
도 41 은 본 기재의 일 실시예에 따른 인접 프레임들 각각의 역할 인접성 행렬들 사이의 거리들의 시퀀스를 기반으로 포메이션 시간 기간을 분할하는 프로세스의 예시도이다.
도 42 는 본 기재의 일 실시예에 따른 인공 신경망 기반의 포메이션 식별을 위한 훈련 데이터의 예시적인 레이블을 나타낸다.
도 43 은 서로 상이한 포메이션 기간 사이의 클러스터링 또는 훈련 데이터 생성을 위한 역할 정렬 프로세스의 개념도이다.
도 44 는 본 기재의 일 실시예에 따른 역할 시간 기간 분할 프로세스에 대한 개략적인 흐름도이다.
도 45 는 도 44 의 변화점 검출 프로세스에 대한 거리 정보 획득의 상세 흐름도이다.
도 46 은 역할 기간 분할을 위한 인접 프레임 간의 역할 할당 간의 거리들의 시퀀스 획득에 대한 예시도이다.
도 47 은 변화점 검출 알고리즘을 이용한 역할 구간 분할의 예시도이다.
도 48 은 본 기재의 일 실시예에 따른 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스의 개략적인 흐름도이다.
도 49 는 본 기재의 일 실시예에 따른 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스의 개략적인 흐름도이다.
도 50 은 도 49 의 플레이 스타일 정보 생성 프로세스의 상세 흐름도이다.
도 51 은 플레이 스타일 정보 생성을 위한 역할 할당의 빈도 분석의 예시이다.

본 기재에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 기재에 기재된 실시예에 의해 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.

본 기재에서 사용되는 용어는 본 발명이 속하는 기술 분야에서 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택한 것이지만, 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 그 의미가 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서, 본 기재에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 기재의 전반에 걸친 내용을 토대로 해석되어야 한다.

본 기재에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되거나 축약되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.

본 기재에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명은 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.

본 기재의 일 양상에 따르면, 복수의 선수들 각각에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 내의 복수의 시점들에서의 대응하는 선수의 위치들을 포함함 - 을 획득하는 단계; 상기 복수의 선수들 각각에 관한 복수의 위치 분포들 - 각 위치 분포는 대응하는 선수 추적 데이터 셋에 기초하여 생성됨 - 을 획득하는 단계; 상기 복수의 위치 분포들 각각에 복수의 역할 식별자들를 할당하는 단계; 상기 복수의 시점들 각각에 관한 복수의 선수-역할 할당들 - 각 할당은, 제1 대응하는 시점에서 상기 복수의 선수들과 상기 복수의 역할 식별자 간의 관계를 반영하고, 상기 복수의 위치 분포들 및 상기 복수의 선수 추적 데이터 셋들 중 상기 제1 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 상기 복수의 역할 식별자들 각각을 상기 복수의 선수들에 할당하여 생성됨 - 을 획득하는 단계; 상기 복수의 시점들 각각에 관한 복수의 역할 배치들 - 각 역할 배치는, 제2 대응하는 시점에서 상기 복수의 역할 식별자들 간의 위치적 관계를 반영하고, 상기 제2 대응하는 시점에서의 선수-역할 할당 및 상기 제2 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 생성됨 - 을 획득하는 단계; 및 변화점 검출 알고리즘을 이용해 상기 복수의 역할 배치들의 시퀀스를 적어도 두 개의 역할 배치 그룹들로 분할하는 단계;를 포함하는 팀 스포츠의 전술 분석을 제공하는 방법이 제공될 수 있다.

여기서, 상기 방법은, 상기 복수의 선수-역할 할당들로부터 주 선수-역할 할당을 획득하는 단계; 및 상기 주 선수-역할 할당에 기초하여 상기 복수의 선수-역할 할당들 중 적어도 하나의 비정규 선수-역할 할당을 판단하는 단계;를 더 포함하고, 상기 복수의 역할 배치들의 시퀀스는, 상기 복수의 역할 배치들 중 상기 적어도 하나의 비정규 선수-역할 할당을 제외한 나머지만을 포함할 수 있다.

여기서, 상기 방법은, 상기 타겟 세션을 상기 적어도 두 개의 역할 배치 그룹들 각각에 대응하는 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 주 포메이션이 제1 팀 포메이션인 제1 시간 기간 및 상기 팀의 주 포메이션이 제2 팀 포메이션인 제2 시간 기간을 포함함 - 로 나누는 단계;를 더 포함할 수 있다.

여기서, 상기 방법은, 상기 제1 시간 기간에 관한 적어도 하나의 제1 역할 배치로부터 상기 제1 팀 포메이션 및 상기 제2 시간 기간에 관한 적어도 하나의 제2 역할 배치로부터 상기 제2 팀 포메이션을 판단하는 단계;를 더 포함할 수 있다.

본 기재의 다른 양상에 따르면, 복수의 선수들 각각에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 내의 복수의 시점들에서의 대응하는 선수의 위치들을 포함함 - 을 획득하는 단계; 상기 복수의 선수들 각각에 관한 복수의 위치 분포들 - 각 위치 분포는 대응하는 선수 추적 데이터 셋에 기초하여 생성됨 - 을 획득하는 단계; 상기 복수의 위치 분포들 각각에 복수의 역할 식별자들를 할당하는 단계; 상기 복수의 시점들 각각에 관한 복수의 선수-역할 할당들 - 각 할당은, 제1 대응하는 시점에서 상기 복수의 선수들과 상기 복수의 역할 식별자 간의 관계를 반영하고, 상기 복수의 위치 분포들 및 상기 복수의 선수 추적 데이터 셋들 중 상기 제1 대응하는 시점에서의 상기 복수의 선수들의 위치들에 기초하여 상기 복수의 역할 식별자들 각각을 상기 복수의 선수들에 할당하여 생성됨 - 을 획득하는 단계; 및 상기 복수의 선수-역할 할당들로부터 주 선수-역할 할당을 획득하는 단계;를 포함하는 팀 스포츠의 전술 분석을 제공하는 방법이 제공될 수 있다.

여기서, 상기 주 선수-역할 할당은, 상기 복수의 선수-역할 할당들 중 최빈 선수-역할 할당일 수 있다.

여기서, 상기 방법은, 상기 주 선수-역할 할당에 기초하여 상기 복수의 선수들 각각에 관한 복수의 포지션을 판단하는 단계;를 더 포함할 수 있다.

여기서, 상기 방법은, 상기 복수의 선수-역할 할당들로부터 부 선수-역할 할당을 선택하는 단계;를 더 포함할 수 있다.

여기서, 상기 부 선수-역할 할당은, 상기 복수의 선수-역할 할당들 중 두번째 최빈 선수-역할 할당일 수 있다.

여기서, 상기 방법은, 상기 주 선수-역할 할당과 상기 부 선수-역할 할당을 비교하여 포지션 전환에 관한 정보를 획득하는 단계;를 더 포함할 수 있다.

여기서, 상기 방법은, 상기 주 선수-역할 할당에 기초해 상기 복수의 선수-역할 할당에 관한 스위치율 정보를 획득하는 단계;를 더 포함할 수 있다.

여기서, 상기 방법은, 상기 스위치율 정보에 기초하여 상기 타겟 세션 중 비정규 상황을 검출하는 단계;을 더 포함할 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계; 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 단계; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하는 단계; 및 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신하는 단계; 를 포함할 수 있다.

여기서, 상기 주 역할 할당은, 상기 복수의 역할 할당들 중 최빈 역할 할당일 수 있다.

여기서, 상기 비정규 역할 할당을 결정하는 단계는, 상기 복수의 역할 할당들 각각에 관한 상기 주 역할 할당으로부터의 거리들에 관한 정보 - 상기 거리는, 상기 복수의 역할 할당들 각각과 상기 주 역할 할당 사이의 서로 상이한 정도를 반영함 - 를 획득하는 단계; 및 상기 거리들에 관한 정보에 기초하여 상기 비정규 역할 할당을 결정하는 단계를 포함할 수 있다.

여기서, 상기 거리는, 상기 복수의 역할 할당들 각각에 관한 상기 주 역할 할당으로부터의 스위치율을 반영할 수 있다.

여기서, 상기 방법은, 상기 복수의 공간 정보 셋들 또는 상기 역할 할당 정보에 대한 추가 갱신이 요구되는지 여부를 결정하는 단계; 를 더 포함할 수 있다.

여기서, 상기 추가 갱신이 요구되는지 여부를 결정하는 단계는, 상기 역할 할당 정보를 갱신하는 단계에 의해 상기 역할 할당 정보의 적어도 일부가 변경되었는지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정할 수 있다.

여기서, 상기 추가 갱신이 요구되는지 여부를 결정하는 단계는, 상기 역할 할당 정보를 갱신하는 단계에 의해 각 시점의 역할 할당이 변경된 시점들이 미리 결정된 임계값 이하인지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정할 수 있다.

여기서, 상기 추가 갱신이 요구되는지 여부를 결정하는 단계는, 미리 결정된 갱신 횟수가 달성되었는지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정할 수 있다.

여기서, 상기 방법은, 팀 스포츠의 한 경기에 대한 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 경기에 참여하는 팀의 포메이션 변경 또는 상기 복수의 선수들 중 적어도 일부의 역할 변경을 기준으로 분할된 제 1 시간 기간 및 제 2 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고, 상기 타겟 기간은 상기 제 1 시간 기간 또는 제 2 시간 기간 중 어느 하나일 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고; 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하고; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하고; 그리고 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신; 하도록 구성될 수 있다.

본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고; 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하고; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하고; 그리고 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신; 하게 하도록 구성될 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하는 단계; 및 상기 변화점에 기초하여 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 상기 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함함 - 로 분할하는 단계; 를 포함할 수 있다.

여기서, 상기 복수의 시점들 각각에 대한 각 특징값은, 각 시점의 상기 복수의 선수들의 위치들; 각 시점의 상기 복수의 선수들 간의 위치적 관계를 반영하는, 선수 공간 배치; 각 시점의 복수의 역할들의 위치들; 또는 각 시점의 상기 복수의 역할들 간의 위치적 관계를 반영하는, 역할 공간 배치; 중 적어도 하나에 기초하여 생성될 수 있다.

여기서, 상기 변화점을 검출하는 단계는,상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 세션 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 제 1 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 상기 역할 할당 정보 및 상기 선수 추적 데이터 셋들에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 세션과 연관된 복수의 공간 정보 셋들을 획득하는 단계; 및 상기 복수의 시점들 각각에 관한 복수의 역할 공간 배치들 - 각 역할 공간 배치는, 제 2 대응하는 시점에서 상기 복수의 역할 인덱스들 간의 위치적 관계를 반영함 - 을 포함하는 역할 공간 배치 정보를 획득하는 단계; 를 포함할 수 있다.

여기서, 상기 각 시점의 선수 공간 배치는, 상기 각 시점에서 상기 복수의 선수들 중 제 1 선수가 상기 복수의 선수들 중 제 2 선수와 상호 인접하고 있는지 여부를 반영하는 선수 인접성 정보를 포함하고, 상기 각 시점의 역할 공간 배치는, 상기 각 시점에서 상기 복수의 역할들 중 제 1 역할이 상기 복수의 역할들 중 제 2 역할과 상호 인접하고 있는지 여부를 반영하는 역할 인접성 정보를 포함할 수 있다.

여기서, 상기 선수 인접성 정보는, 상기 복수의 선수들 각각이 상기 복수의 선수들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 선수 인접성 행렬을 포함하고, 상기 역할 인접성 정보는, 상기 복수의 역할들 각각이 상기 복수의 역할들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 역할 인접성 행렬을 포함할 수 있다.

여기서, 상기 선수 인접성 행렬은, 상기 복수의 선수들에 대해 들로네 삼각 분할 (Delaunay triangulation) 을 수행하는 것을 기반으로 획득되고, 상기 역할 인접성 행렬은, 상기 복수의 역할들에 대해 들로네 삼각 분할을 수행하는 것을 기반으로 획득될 수 있다.

여기서, 상기 변화점을 검출하는 단계는, 상기 복수의 시점들 각각에 대한 특징값들 중 제 1 시점의 특징값과 제 2 시점의 특징값 사이의 거리에 관한 정보 - 상기 거리는, 특징값들 사이의 서로 상이한 정도를 반영함 - 를 획득하는 단계; 및 상기 거리에 관한 정보에 상기 변화점 검출 알고리즘을 적용하는 단계를 포함할 수 있다.

여기서, 상기 거리에 관한 정보는, 상기 복수의 시점들에 대한 특징값들 각각으로부터의 상기 복수의 시점들에 대한 특징값들 각각에 대한 거리를 반영하는 프레임-간 거리 행렬을 포함할 수 있다.

여기서, 상기 거리에 관한 정보는, 참조 시점에 대한 참조 특징값으로부터의 상기 복수의 시점들에 대한 특징값들 각각에 대한 거리들을 포함할 수 있다.

여기서, 상기 거리에 관한 정보는, 타겟 시점에 대한 특징값과 상기 타겟 시점의 이전 시점에 대한 특징값 사이의 거리를 반영하는 시계열 거리들 - 상기 시계열 거리는 복수의 시점들 각각에 대해 산출됨 - 의 시퀀스를 포함할 수 있다.

여기서, 상기 변화점 검출 알고리즘은, 이산 g-분할 (Discrete g-Segmentation) 알고리즘을 포함할 수 있다.

여기서, 상기 방법은, 적어도 하나의 분할된 기간의 특징들을 기반으로 상기 변화점이 유효한지 여부를 결정하는 단계; 를 더 포함할 수 있다.

여기서, 상기 변화점이 유효한지 여부를 결정하는 단계는, 상기 변화점에 따른 스캔 통계량의 유의도 값 (Scan Statics p) 이 미리 결정한 제 1 임계값 이하라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다.

여기서, 상기 변화점이 유효한지 여부를 결정하는 단계는, 상기 제 1 시간 기간 및 상기 제 2 시간 기간 양쪽 모두의 시간 길이가 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다.

여기서, 상기 변화점이 유효한지 여부를 결정하는 단계는, 상기 제 1 시간 기간에 포함되는 복수의 시점들에 대한 특징값들의 평균값과 상기 제 2 시간 기간에 포함되는 복수의 시점들에 대한 특징값들의 평균값의 차이가 미리 결정한 제 3 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 상기 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함함 - 로 분할; 하도록 구성될 수 있다.

본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 상기 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함함 - 로 분할; 하게 하도록 구성될 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 및 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 상기 타겟 세션에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 세션 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 기반으로 상기 팀의 포메이션을 식별하는 단계를 포함할 수 있다.

여기서, 상기 방법은, 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 경기에 참여하는 팀의 포메이션 변경을 기준으로 분할된 제 1 시간 기간 및 제 2 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고, 상기 포메이션을 식별하는 단계는: 상기 제 1 시간 기간에 대한 제 1 포메이션 구조를 기반으로 상기 제 1 시간 기간에 대한 상기 팀의 제 1 포메이션을 식별하는 단계; 및 상기 제 2 시간 기간에 대한 제 2 포메이션 구조를 기반으로 상기 제 2 시간 기간에 대한 상기 팀의 제 2 포메이션을 식별하는 단계; 를 포함할 수 있다.

여기서, 상기 타겟 세션을 나누는 단계는, 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하는 단계; 상기 변화점에 기초하여 상기 타겟 세션을 상기 적어도 두 개의 시간 기간들로 분할하는 단계;를 포함할 수 있다.

여기서, 상기 타겟 세션에 대한 포메이션 구조는, 상기 복수의 선수들 각각에 대한 상기 타겟 세션 동안의 위치들의 시퀀스들; 상기 복수의 선수들 각각에 대한 상기 타겟 세션 동안의 평균 위치들; 상기 타겟 세션 동안의 각 시점에 대한 선수 공간 배치들 - 각 선수 공간 배치는 각 시점의 상기 복수의 선수들 간의 위치적 관계를 반영함 - 의 시퀀스; 또는 상기 타겟 세션 동안의 각 시점에 대한 선수 공간 배치들의 평균값; 중 적어도 하나에 기초하여 생성될 수 있다.

여기서, 상기 타겟 세션에 대한 포메이션 구조는, 복수의 역할들 각각에 대한 상기 타겟 세션 동안의 위치들의 시퀀스들; 상기 복수의 역할들 각각에 대한 상기 타겟 세션 동안의 평균 위치들; 상기 타겟 세션 동안의 각 시점에 대한 역할 공간 배치들 - 각 역할 공간 배치는 각 시점의 상기 복수의 역할들 간의 위치적 관계를 반영함 - 의 시퀀스; 또는 상기 타겟 세션 동안의 각 시점에 대한 역할 공간 배치들의 평균값; 중 적어도 하나에 기초하여 생성될 수 있다.

여기서, 상기 포메이션을 식별하는 단계는, 인공 신경망 기반의 포메이션 식별 모델을 이용하여 상기 포메이션 구조에 대응하는 포메이션 식별자를 결정하는 단계를 포함하고, 상기 포메이션 식별 모델은, 복수의 트레이닝 데이터 셋 - 각 트레이닝 데이터 셋은, 포메이션 구조 샘플 및 상기 포메이션 구조 샘플에 대응하는 레이블링된 포메이션 식별자를 포함함 - 을 기반으로 인공 신경망을 학습시키는 것에 의해 생성된 것일 수 있다.

여기서, 상기 포메이션 구조 샘플은, 상기 포메이션 구조 샘플에 포함된 복수의 데이터 엘리먼트들 각각을 참조 포메이션 구조에 포함된 복수의 참조 데이터 엘리먼트들 각각에 할당하는 것에 의해 정렬된 복수의 정규화 데이터 엘리먼트들을 포함할 수 있다.

여기서, 상기 포메이션을 식별하는 단계는: 상기 포메이션 구조를 복수의 포메이션 구조 그룹들 중 제 1 포메이션 구조 그룹에 매칭하는 것에 의해 상기 제 1 포메이션 구조 그룹에 대응하는 포메이션 식별자를 획득하는 단계를 포함하고, 상기 복수의 포메이션 구조 그룹들은 복수의 포메이션 구조 샘플들을 군집화하고 각각의 클러스터에 포메이션 구조 식별자를 레이블링하는 것에 의해 생성된 것일 수 있다.

여기서, 각 포메이션 구조 샘플은, 상기 포메이션 구조 샘플에 포함된 복수의 데이터 엘리먼트들 각각을 참조 포메이션 구조에 포함된 복수의 참조 데이터 엘리먼트들 각각에 할당하는 것에 의해 정렬된 복수의 정규화 데이터 엘리먼트들을 포함할 수 있다.

여기서, 상기 방법은, 상기 식별된 포메이션에 대응하는 포메이션 데이터 - 상기 포메이션 데이터는 상기 포메이션에 대한 복수의 포지션들에 대한 정보 및 상기 복수의 포지션들 각각에 대한 위치 특성값들을 포함함 - 를 획득하는 단계; 및 복수의 선수들 각각에 대한 선수-포지션 할당들 - 각 할당은, 상기 복수의 선수들 각각에 대한 위치 특성값들 및 상기 복수의 포지션들 각각에 대한 위치 특성값들을 기반으로, 상기 복수의 선수들 각각을 상기 복수의 포지션들 각각에 할당하여 생성됨 - 를 획득하는 단계; 를 더 포함할 수 있다.

여기서, 각 위치 특성값은, 각 선수 또는 각 포지션에 대한 대표 위치; 또는 각 선수 또는 각 포지션에 대한 위치 분포; 중 적어도 하나에 기초하여 생성되는 것일 수 있다.

여기서, 상기 방법은, 상기 타겟 세션에 참여하는 팀의 출전 선수 정보 - 상기 출전 선수 정보는, 상기 팀의 포메이션에 대한 복수의 포지션들, 및 상기 복수의 포지션들 각각에 대응하는 선수 식별자들을 포함함 - 를 획득하는 단계; 및 상기 선수-포지션 할당들을 기반으로 상기 복수의 선수들 각각을 상기 복수의 선수 식별자들 각각에 매칭하는 단계를 포함할 수 있다.

여기서, 각 선수 식별자는, 선수 이름 또는 유니폼 넘버 중 적어도 하나를 포함할 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 에 기초하여 복수의 역할들 각각에 관한 상기 타겟 기간과 관련된 복수의 공간 정보 셋들 - 각 공간 정보 셋은, 상기 타겟 기간 동안의 대응하는 역할의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 역할 공간 배치 정보 - 상기 역할 공간 배치 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 관한 복수의 역할 공간 배치들을 포함하고, 각 역할 공간 배치는, 제 1 대응하는 시점에서 상기 복수의 역할들 간의 위치적 관계를 반영함 - 를 획득하는 단계; 상기 복수의 역할 공간 배치들을 기반으로 상기 타겟 기간에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 기간 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 획득하는 단계; 및 상기 포메이션 구조에 기초하여 상기 팀의 포메이션을 결정하는 단계; 를 포함할 수 있다.

여기서, 상기 역할 공간 배치들 각각은, 상기 제 1 대응하는 시점에서 상기 복수의 역할들 중 제 1 역할이 상기 복수의 역할들 중 제 2 역할과 상호 인접하고 있는지 여부를 반영하는 역할 인접성 정보를 포함할 수 있다.

여기서, 상기 역할 인접성 정보는, 상기 복수의 역할들 각각이 상기 복수의 역할들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 역할 인접성 행렬을 포함할 수 있다.

여기서, 상기 역할 인접성 행렬은, 상기 복수의 역할들에 대해 들로네 삼각 분할 (Delaunay triangulation) 을 수행하는 것을 기반으로 획득될 수 있다.

여기서, 상기 포메이션 구조는, 상기 복수의 시점들 각각에 관한 상기 복수의 역할 인접성 행렬들의 시퀀스일 수 있다.

여기서, 상기 포메이션 구조는, 상기 복수의 시점들 각각에 관한 상기 복수의 역할 인접성 행렬들의 평균을 반영하는 평균 역할 인접성 행렬일 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 기간 내에서 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 반영하는 변화점을 검출하는 단계; 및 상기 변화점에 기초하여 상기 타겟 기간을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 변화점 이전의 제 1 역할 시간 기간 및 상기 변화점 이후의 제 2 역할 시간 기간을 포함함 - 로 분할하는 단계; 를 포함할 수 있다.

여기서, 상기 복수의 시점들 각각에 대한 각 특징값은, 각 시점의 역할 할당 - 상기 역할 할당은, 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 을 포함할 수 있다.

여기서, 상기 변화점을 검출하는 단계는, 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함함 - 를 획득하는 단계를 더 포함할 수 있다.

여기서, 상기 변화점을 검출하는 단계는, 상기 복수의 시점들 각각에 대한 특징값들 중 제 1 시점의 특징값과 제 2 시점의 특징값 사이의 거리에 관한 정보 - 상기 거리는, 특징값들 사이의 서로 상이한 정도를 반영함 - 를 획득하는 단계; 및 상기 거리에 관한 정보에 상기 변화점 검출 알고리즘을 적용하는 단계를 포함할 수 있다.

여기서, 제 1 역할 할당과 제 2 역할 할당 사이의 거리는, 제 1 역할 할당과 제 2 역할 할당 간의 서로 상이한 역할의 개수를 반영하는 것일 수 있다.

여기서, 상기 거리에 관한 정보는, 상기 복수의 시점들에 대한 특징값들 각각으로부터의 상기 복수의 시점들에 대한 특징값들 각각에 대한 거리를 반영하는 프레임-간 거리 행렬을 포함할 수 있다.

여기서, 상기 거리에 관한 정보는, 타겟 시점에 대한 특징값과 상기 타겟 시점의 이전 시점에 대한 특징값 사이의 거리를 반영하는 시계열 거리들 - 상기 시계열 거리는 복수의 시점들 각각에 대해 산출됨 - 의 시퀀스를 포함할 수 있다.

여기서, 상기 변화점 검출 알고리즘은, 이산 g-분할 (Discrete g-Segmentation) 알고리즘을 포함할 수 있다.

여기서, 상기 변화점을 검출하는 단계는, 상기 복수의 시점들 각각에 대한 복수의 역할 할당들 중 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당들을 기반으로 상기 변화점을 검출할 수 있다.

여기서, 상기 비정규 역할 할당은, 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계; 및 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 단계;를 기반으로 결정되는 것일 수 있다.

여기서, 상기 주 역할 할당은, 상기 복수의 역할 할당들 중 최빈 역할 할당일 수 있다.

여기서, 상기 비정규 역할 할당을 결정하는 단계는, 상기 복수의 역할 할당들 각각에 관한 상기 주 역할 할당으로부터의 거리들에 관한 정보 - 상기 거리는, 상기 복수의 역할 할당들 각각과 상기 주 역할 할당 사이의 서로 상이한 정도를 반영함 - 를 획득하는 단계; 및 상기 거리들에 관한 정보에 기초하여 상기 비정규 역할 할당을 판단하는 단계를 포함할 수 있다.

여기서, 상기 방법은, 적어도 하나의 분할된 기간의 특징들을 기반으로 상기 변화점이 유효한지 여부를 결정하는 단계; 를 더 포함할 수 있다.

여기서, 상기 변화점이 유효한지 여부를 결정하는 단계는, 상기 변화점에 따른 스캔 통계량의 유의도 값 (Scan Statics p) 이 미리 결정한 제 1 임계값 이하라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다.

여기서, 상기 변화점이 유효한지 여부를 결정하는 단계는, 상기 제 1 역할 시간 기간 및 상기 제 2 역할 시간 기간 양쪽 모두의 시간 길이가 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다.

여기서, 상기 방법은, 팀 스포츠의 경기에 대한 타겟 세션을 적어도 두 개의 포메이션 시간 기간들 - 상기 적어도 두 개의 포메이션 시간 기간들은 상기 경기에 참여하는 팀의 포메이션 변경을 기준으로 분할된 제 1 포메이션 시간 기간 및 제 2 포메이션 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고, 상기 타겟 기간은, 제 1 포메이션 시간 기간 또는 제 2 포메이션 시간 기간 중 어느 하나일 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 기간 내에서 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 기간을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 변화점 이전의 제 1 역할 시간 기간 및 상기 변화점 이후의 제 2 역할 시간 기간을 포함함 - 로 분할; 하도록 구성될 수 있다.

본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 기간 내에서 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 기간을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 변화점 이전의 제 1 역할 시간 기간 및 상기 변화점 이후의 제 2 역할 시간 기간을 포함함 - 로 분할; 하게 하도록 구성될 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 및 상기 복수의 역할 할당들을 기반으로 상기 타겟 기간 내의 비정규 상황 - 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상임 - 을 검출하는 단계; 를 포함할 수 있다.

여기서, 상기 주 역할 할당은, 상기 복수의 역할 할당들 중 최빈 역할 할당일 수 있다.

여기서, 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은, 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 스위치율을 반영하는 것일 수 있다.

여기서, 상기 방법은, 상기 타겟 기간에 대한 풀 타임 영상 데이터를 획득하는 단계; 및 상기 풀 타임 영상 데이터로부터 상기 비정규 상황에 대응하는 시점에 대한 영상 데이터를 포함하는 하이라이트 영상 데이터를 추출하는 단계; 를 더 포함할 수 있다.

여기서, 상기 방법은, 팀 스포츠의 경기에 대한 타겟 세션을 적어도 두 개의 역할 시간 기간들 - 상기 적어도 두 개의 역할 시간 기간들은 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 기준으로 분할된 제 1 역할 시간 기간 및 제 2 역할 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고, 상기 타겟 기간은, 상기 제 1 역할 시간 기간 또는 제 2 역할 시간 기간 중 어느 하나일 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 상기 타겟 기간 내의 비정규 상황 - 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상임 - 을 검출;하도록 구성될 수 있다.

본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 상기 타겟 기간 내의 비정규 상황 - 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상임 - 을 검출; 하게 하도록 구성될 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법은, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계; 및 상기 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성하는 단계; 를 포함할 수 있다.

여기서, 상기 플레이 스타일에 대한 정보는, 상기 복수의 선수들 중 적어도 일부에 의한 일시적 역할 교대를 반영하는 스위치 플레이의 시간 길이에 관한 정보; 상기 스위치 플레이의 횟수에 관한 정보; 또는 상기 스위치 플레이가 발생한 역할들에 관한 정보 중 적어도 하나를 포함할 수 있다.

여기서, 상기 플레이 스타일에 대한 정보를 생성하는 단계는, 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계; 상기 복수의 역할 할당들에 기초하여 부 역할 할당을 결정하는 단계; 및 상기 주 역할 할당과 상기 부 역할 할당을 비교하여 상기 스위치 플레이에 관한 정보를 획득하는 단계;를 더 포함할 수 있다.

여기서, 상기 주 역할 할당은, 상기 복수의 역할 할당들 중 최빈 역할 할당일 수 있다.

여기서, 상기 부 역할 할당은, 상기 복수의 역할 할당들 중 두번째 최빈 역할 할당일 수 있다.

여기서, 상기 스위치 플레이는, 제 1 역할 그룹에 대응하는 역할들 간의 역할 교대를 반영하는 제 1 스위치 플레이와 제 2 역할 그룹에 대응하는 역할들 간의 역할 교대를 반영하는 제 2 스위치 플레이를 포함하고, 상기 복수의 시점들 중 적어도 하나의 시점은, 상기 제 1 스위치 플레이 및 제 2 스위치 플레이 양쪽 모두에 반영될 수 있다.

여기서, 상기 타겟 기간에 대한 풀 타임 영상 데이터를 획득하는 단계; 및 상기 풀 타임 영상 데이터로부터 상기 스위치 플레이에 대응하는 시점에 대한 영상 데이터를 포함하는 하이라이트 영상 데이터를 추출하는 단계; 를 더 포함할 수 있다.

여기서, 상기 방법은, 팀 스포츠의 경기에 대한 타겟 세션을 적어도 두 개의 역할 시간 기간들 - 상기 적어도 두 개의 역할 시간 기간들은 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 기준으로 분할된 제 1 역할 시간 기간 및 제 2 역할 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고, 상기 타겟 기간은, 상기 제 1 역할 시간 기간 또는 제 2 역할 시간 기간 중 어느 하나일 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성; 하도록 구성될 수 있다.

본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성; 하게 하도록 구성될 수 있다.

1. 서설

축구와 농구와 같은 유동적인 팀 스포츠에서, 팀 포메이션을 분석하는 것은 해당 분야 종사자들의 관점에서 전술을 이해하는 가장 직관적인 방법 중 하나이다. 그런데, 기존 접근법들은 팀 포메이션이 경기 전반에 걸쳐 일관된다고 가정하거나, 또는 장면 별로 포메이션을 할당하더라도 실제 경기 상황을 충분히 반영하지 못하는 한계를 가지고 있었다. 이러한 문제점에 착안하여 본 기재에서는 시공간 추적 데이터를 이용해 팀 스포츠의 경기 동안 전술적으로 의도된 포메이션과 선수 포지션의 변화를 임시적인 변화와 구별하는 변화점 검출 프레임워크인 SportsCPD(Sports Change-Point Detection)을 제안한다.

여기서, "선수 포지션"이란 용어는 팀 스포츠에서 선수에게 할당된 역할(예를 들어, 축구의 경우 센터 포워드나 중앙 수비수 등)을 지칭하는 것으로 해석될 수 있으며, "팀 포메이션"이란 용어는 팀 소속 선수 전원 또는 대부분(예를 들어, 축구의 경우 골키퍼를 제외한 필드 플레이어들)에 할당된 역할의 조합 형태(예를 들어, 축구의 경우 "4-4-2" 또는 "3-4-3" 등)를 지칭하는 것으로 해석될 수 있다.

또 여기서, "의도된 변화"의 예시로는 축구 경기에서 전반에 "4-4-2" 포메이션을 적용하던 팀이 코치진의 전술적 판단 하에 후반에 "3-4-3" 포메이션을 적용하는 것과 같이 코치의 지시 등에 따라 광범위하고 지속적으로 팀 포메이션이나 선수 포지션의 변화가 이루어지는 것을 들 수 있으며, "임시적 변화"의 예시로는 축구 경기에서 수비수가 오버래핑하여 공격수의 역할을 짧은 시간 동안 수행하는 것과 같이 임시적, 임의적, 또는 일시적으로 그러한 변화가 발생하는 것을 들 수 있다.

본 기재의 실시예에 따른 SportsCPD는 팀 포메이션이 변화하는 지점(이하 "포메이션 변화점"이라고 함)을 검출할 수 있다. 이하에서는 이를 포메이션 변화점 검출(FormCPD: Formation Change-Point Detection)로 지칭한다. 예시적으로, FormCPD는, 먼저 장면 별로 선수들에게 할당된 역할을 반영하는 정보를 획득하고, 이로부터 역할들 간의 위치적 관계를 반영하는 정보를 획득한 다음 역할들 간의 위치적 관계에 관한 정보의 시퀀스로부터 포메이션 변화점을 검출함으로써 수행될 수 있다.

또 본 기재의 실시예에 따른 SportsCPD는 선수 포지션, 즉 선수에 대해 할당된 역할이 변화하는 지점(이하 "역할 변화점"이라고 함)을 검출할 수 있다. 이하에서는 이를 역할 변화점 검출(RoleCPD: Role Change-Point Detection)로 지칭한다. 예시적으로, RoleCPD는, 선수들에게 할당된 역할을 반영하는 정보의 시퀀스로부터 역할 변화점을 검출함으로써 수행될 수 있다.

여기서, 선수들에게 할당된 역할을 반영하는 정보는 "선수-역할 할당(player-role assignement)"로 지칭될 수 있다. 예를 들어, 선수-역할 할당은 역할 치환열(role permutation)으로 표현될 수 있는데, 이에 대한 보다 자세한 설명은 후술될 것이다.

또 여기서, 역할들 간의 위치적 관계를 반영하는 정보는 "역할 배치(role arrangement)"로 지칭될 수 있다. 예를 들어, 역할 배치는 역할 인접성(role-adjacency) 행렬로 표현될 수 있는데, 이에 대한 보다 자세한 설명은 후술될 것이다.

일 예에 따르면, 변화점의 검출은 비모수적(nonparametric) 변화점 검출 기법을 이용해 수행될 수 있다. 그러나, 변화점 검출 기법이 이로 한정되는 것은 아니다.

해당 분야 종사자가 기록한 실측 데이터를 이용해 본 기재의 실시예에 따른 방법을 평가한 결과에 따르면, 본 기재의 실시예에 따른 방법이 전술적 변화점을 정확하게 검출하고, 각 세그먼트의 포메이션을 예측할 수 있는 것이 확인되었다. 또 본 기재의 실시예에서는 해당 분야 종사자에게 해석과 활용이 가능한 실용적 사용예들에 대해 언급할 것이다.

2. 개요

축구나 농구와 같은 유동적인 팀 스포츠에서, 선수들은 특정한 포메이션 내에서 역할을 유지하면서 서로 상호작용을 한다. 따라서, 팀 포메이션을 분석하는 것은 해당 분야 종사자 입장에서 전술을 이해하는 가장 직관적인 방법 중 하나이다. 팀 포메이션은 경기 동안 선수 위치에 유의미한 영향을 주는 것은 자명하므로, 스포츠 과학 분야에서는 시공간 추적 데이터를 이용해 경기 중 팀 포메이션을 추정하려는 앞선 연구들이 있어왔다.

그러나, 이전 접근법들에 따른 결과는 실제 경기에서의 포메이션 변화와 차이가 있었다. 많은 접근법은 팀 포메이션이 경기나 세션 내내 일관적이라고 가정하고 있는데, 이는 코치들이 경기 중 다양한 인-게임 상황에 대응하여 종종 팀 포메이션을 변경하는 실제 상황을 제대로 반영하지 못하는 한계를 갖는다. 다른 접근법들에서는 포메이션 변화를 고려하고는 있으나, 매 장면 별로 포메이션을 할당하거나 공격/수비 기간 별로 포메이션을 할당했었다. 이러한 할당 방식을 이용하면, 일반적으로 코치가 경기 중에 몇몇 가지 정도의 변화만 지시한다는 점을 감안할 때, 코치의 의도와 달리 팀 포메이션의 변화가 너무 잦은 것으로 도출되는 문제점을 갖는다.

이러한 차이를 메우기 위해, 본 기재의 실시예에서는 팀 스포츠 경기에서 전술적으로 의도된 포메이션 및 역할의 변화를 임시적인 변화와 구별하는 SportsCPD라는 변화점 검출 프레임워크를 제안한다.

SportsCPD는 예시적으로 다음과 같이 수행될 수 있다.

먼저, 장면 별로 선수들에게 역할을 할당한다. 예시적으로, 장면 별 선수에 대한 역할 할당은 다음과 같이 수행될 수 있다. 후술되는 선수에 대한 역할의 할당에는 발코우스키의 논문 "Large-scale analysis of soccer matches using spatiotemporal tracking data(2014)"에서 제시된 역할 표현(role representation)의 개념이 일부 차용되었다.

선수 추적 데이터 셋들을 획득할 수 있다. 각 선수 추적 데이터 셋은 선수 개인의 위치에 관한 것으로, 분석하고자 하는 세션(이하 "타겟 세션"이라고 함) 내에서 해당 선수의 위치들에 관한 정보를 포함할 수 있다.

여기서, 선수 추적 데이터 셋은 예를 들어, 선수에게 착용 및/또는 부착된 측위 센서(예를 들어, GPS 센서나 LPS 센서)를 통해 또는 스포츠 비디오에 대한 영상 분석을 통해 획득된 것일 수 있으며, 경기장 좌표계(field coordinate system)에 따라 표현된 것일 수 있다. 경기장 좌표계란 스포츠 경기가 이루어지는 운동장의 일 지점(예를 들어, 경기장의 중앙이나 코너 지점)을 원점으로 경기장의 길이 방향과 폭 방향을 축으로 하는 좌표계를 의미할 수 있다. 또 선수 추적 데이터 셋에는 위치들이 시계열적(time-series) 형태로 포함될 수 있는데, 이때 시간 간격은 주로 센서나 영상 분석의 샘플링 간격과 동일할 수 있지만, 반드시 그러한 것은 아니다.

선수 추적 데이터 셋에 기초하여 선수 별로 역할을 할당할 수 있다. 여기서, 역할의 할당은 선수에게 역할 식별자를 부여하는 것으로 수행될 수 있다. 먼저 선수들이 전체 세션에 걸쳐 일정한 역할을 가진다는 가정 하에, 선수 추적 데이터 셋들으로부터 얻어지는 세션 동안의 선수들의 위치 분포들 각각을 전체 세션에 걸쳐 역할들의 초기 위치 분포들로 결정할 수 있다. 이제, 역할들의 초기 위치 분포를 고려해 선수들의 위치들에 따라 선수들에게 역할을 할당할 수 있다. 간단한 예를 들면, 선수들에 대해 개별 선수에게 할당된 역할의 초기 위치 분포의 평균 위치와 해당 장면에서의 그 개별 선수의 위치 간의 거리의 합이 최소가 되도록 장면 별로 선수들에게 역할을 할당할 수 있다. 다만, 단순히 거리의 합이 최소가 되도록 하는 대신 다양한 기법을 이용할 수 있는데, 예를 들어 로그 확률 밀도 기반의 비용 행렬 등의 헝가리안 알고리즘(Hungarian algorithm)을 이용할 수 있다. 다음으로, 각 장면 별로 선수에게 할당된 역할을 고려해 역할들의 위치 분포를 새로 작성할 수 있다. 초기 위치 분포는 선수가 세션 전체에 걸쳐 하나의 역할만을 가지는 것으로 가정했으므로 전체 세션에 걸쳐 한 선수에 관한 위치들로부터만 작성된 것인 반면, 새롭게 작성된 위치 분포는 하나의 역할을 수행하는 선수가 장면 별로 다를 수 있기 때문에 장면 별로 다른 선수의 위치로부터 작성될 수 있다. 새롭게 역할들의 위치 분포들이 작성되면 다시 이를 고려해 장면 별로 선수들의 위치들을 고려해 선수들에게 역할을 할당할 수 있다. 이제 위의 작업을 충분한 회수로 반복 수행하거나 또는 역할 할당이나 위치 분포가 충분히 수렴될 때까지 위의 작업을 반복하면, 최종적인 선수-역할 할당을 획득할 수 있다.

한편, 이상의 선수-역할 할당을 획득하는 과정은 선수들 각각이 팀 포메이션 상에 특정 포지션을 수행하고 있는 상황에서 유효한 것으로 이해될 수 있다. 따라서, 세트-피스 상황과 같이 팀 포메이션이 파괴된 비정규(irregular) 상황은 역할을 할당하는데 있어서 오염된 데이터로 취급될 수 있다. 따라서, 장면들 중 비정규 상황을 제거하는 전처리를 수행하여 선수-역할 할당의 정확도를 개선할 수 있다. 구체적으로 비정규 상황이 검출되면, 이를 제외하고 선수-역할 할당을 수행할 수 있다. 구체적으로, 비정규 상황에 해당하는 장면을 제외한 나머지 장면들의 선수 추적 데이터 셋만을 이용하여 역할들의 위치 분포를 산출할 수 있다.

비정규 상황의 검출은 다양한 방식으로 될 수 있다.

일 예로, 비정규 상황은 포메이션이 파괴된 상황으로서, 상당수의 비정규 상황은 세트-피스 시 발생할 수 있으므로, 세트-피스에서 발생하는 특징을 이용해 비정규 상황의 검출을 수행할 수 있다. 축구를 예로 들면, 프리킥, 코너킥이나 페널티킥과 같은 세트-피스 상황에서는 일시적으로 공의 위치가 고정(나아가 코너킥이나 페널티킥 상황에서는 고정 위치가 특정됨)되고, 선수들이 비교적 밀집된 위치 관계를 가지며 움직임이 없거나 매우 작다. 따라서, 공의 위치가 일정 시간 이상 고정되거나 임계값 이하인 경우(코너킥이나 페널티킥의 경우에는 특정 위치를 기준으로 하는 조건을 추가할 수 있음), 선수들이 일정 시간 동안 고정적으로 위치하거나 임계값 이하의 움직임을 가지는 경우(코너킥이나 페널티킥의 경우에는 특정 위치를 기준으로 하는 조건을 추가할 수 있음), 및/또는 선수들이 일정 시간 동안 밀집된(이는 예시적으로, 미리 정해진 수 이상의 선수들이 미리 정해진 반경 내에 존재하거나 선수들 간의 거리의 합이 미리 정해진 거리 이하인 경우 등으로 판단할 수 있음) 경우에 그 장면이 비정규 상황에 해당하는 것으로 판단할 수 있다.

다른 예로, 선수들이 지정된 역할로부터 벗어난 정도에 기초하여 비정규 상황을 검출할 수 있다. 구체적으로 장면 별로 선수들에게 역할을 할당하면, 주 선수-역할 할당(dominant player-role assignement)을 판단할 수 있다. 여기서, 주 선수-역할 할당은 타겟 세션 내에서 팀이 주로 사용하는 역할-할당으로, 다시 말해 지시된 팀 포메이션에 따른 역할-할당을 의미할 수 있다. 주 선수-역할 할당은 타겟 세션의 장면 별 선수-역할 할당으로부터 빈도에 기초해 판단될 수 있다. 예를 들어, 일반적으로 팀 스포츠에서 지시되는 팀 포메이션이 타겟 세션에 걸쳐 하나 또는 몇몇 가지 이하인 점을 감안해 최빈 선수-역할 할당을 주 선수-역할 할당으로 결정하거나, 빈도가 높은 순으로 미리 정해진 개수의 선수-역할 할당을 주 선수-역할 할당으로 결정할 수 있다. 여기서, 후술되는 포메이션 기간이 결정된 경우에는 포메이션 기간 별로 주 선수-역할 할당이 하나인 것으로 가정하는 것이 바람직할 수 있으나, 타겟 세션 전체에 대해서는 주 선수-역할 할당이 반드시 하나여야만 하는 것은 아님에 유의해야 한다. 주 선수-역할 할당이 결정되면, 주 선수-역할 할당과 장면 별 선수-역할 할당을 비교하여 비정규 상황을 검출할 수 있다. 예를 들어, 선수-역할 할당을 후술하는 바와 같이 치환열로 표현할 때, 주 선수-역할 할당의 치환열과 장면 별 선수-역할 할당의 치환열의 거리가 임계값 이상인 경우에 그 장면을 비정규 상황에 해당하는 것으로 판단할 수 있다. 또, 주 선수-역할 할당이 복수인 경우라면 주 선수-역할 할당과 장면 별 선수-역할 할당 간의 최소 거리가 임계값 이상인 경우에 그 장면을 비정규 상황에 해당하는 것으로 판단할 수 있다.

또 다른 예로, 비정규 상황에서 돌발적으로 팀 포메이션이 파괴되는 것을 감안하여, 장면 별 선수-역할 할당의 시퀀스의 변화가 일정 이상인 경우를 비정규 상황으로 검출할 수도 있다. 구체적으로, 인접한 선수-역할 할당의 치환열의 거리가 임계값 이상인 경우를 비정규 상황으로 판단할 수 있다.

장면 별 선수들에 대한 역할이 할당되면, 다음으로는 다음 두 단계에 걸쳐 변화점 검출을 수행한다. (1) 각 세션 별로 포메이션 변화점을 검출하고, (2) 그 결과로부터 얻어진 각 세그먼트에 대해 역할 변화점을 검출한다. 이하에서는 각 단계에 관하여 보다 상세하게 설명한다.

FormCPD 단계에서는 선수-역할 할당을 이용해 포메이션 변화점을 검출해 타겟 세션에서 포메이션 기간을 판단할 수 있다. 여기서, 포메이션 기간은 지시된 포메이션이 일정한 기간을 의미할 수 있다. 또 포메이션 기간 별 포메이션을 식별할 수 있다.

예시적으로, FormCPD에서는 역할 배치로부터 포메이션 변화점을 검출할 수 있다.

여기서, 역할 배치는 역할 식별자 간의 위치적 관계에 관한 것으로, 선수-역할 할당 및 선수 추적 데이터 셋로부터 생성될 수 있다. 또 역할 배치는 장면 별 선수-역할 할당과 선수 추적 데이터 셋으로부터 추출된 해당 장면에서의 선수들의 위치로부터 장면 별로 생성될 수 있으므로, 타겟 세션에 대해서는 역할 배치의 시퀀스가 획득될 수 있다.

일 예로, 특정 장면에의 역할 배치를 경기장 좌표계 상에서의 역할들 간의 좌표들로 표현할 수 있으며, 이는 해당 장면에서의 선수-역할 할당을 통해 선수 추적 데이터 셋으로부터 추출된 해당 장면에서의 선수들의 위치 좌표들을 역할들에 할당함으로써 생성될 수 있다.

다른 예로, 역할 배치는 역할들 간의 인접성 관계를 산출할 수 있다. 여기서, 인접성 관계는 역할들 간의 위치적 인접성에 관한 것으로 "역할 위상 위치 관계(role topology)"로 지칭될 수 있다. 역할 위상 위치 관계에서는 경기장에서의 위치나 그에 따른 거리와 같은 실제적 값들 대신 맥락적 인접성에 기반해 역할들 사이의 인접성에 기반해 역할들 사이의 위치적 관계를 결정할 수 있다. 예를 들어, 역할 위상 위치 관계는 나리즈카와 야마자키의 논문 "Characterization of the formation structure in team sports(2017)"에서 제시된 바를 참고해 들로네 삼각 분할(Delaunay triangulation)로부터 계산된 역할 인접성(role-adjacency) 행렬로 표현될 수 있다. 이를 이용한 역할 인접성 행렬은 다음과 같이 획득될 수 있다. 먼저, 장면 별로 역할들의 위치를 획득할 수 있다. 이때 위치는 기준 좌표계에 따른 것일 수 있다. 다음으로, 각 역할을 꼭지점으로 하는 다격형에 대해 들로네 삼각 분할, 즉 모든 각들의 최소각이 최대가 되도록 하는 삼각 분할을 수행하고, 각 역할들에 대해 다른 역할들의 관계를 삼각형을 공유하는 역할들은 인접 역할로 정의하고, 그렇지 않은 역할들은 비인접 역할로 정의하는 행렬인 역할 인접성 행렬을 획득할 수 있다.

다음으로, 역할 배치가 장면 별 시퀀스 형태로 제공되는 시계열 정보인 점을 고려해, 산출된 역할 배치로부터 변화점을 검출할 수 있다. 이때 다양한 변화점 검출 알고리즘이 이용될 수 있음은 물론이다. 변화점 검출 알고리즘에는 실시간으로 입력되는 시퀀스로부터 변화점을 검출하는 온라인 변화점 검출 알고리즘 및 완결된 시퀀스로부터 변화점을 검출하는 오프라인 변화점 검출 알고리즘이 포함될 수 있다. 온라인 알고리즘의 예로는, 오알람율(false alarm rate), 오검출율(misdetection rate), 검출 지연(detection delay) 등과 같은 사항들을 고려하여 변화점을 검출하는 순차 가설 검증법(sequential hypothesis testing)이나 스트리밍 알고리즘 등을 들 수 있으며, 오프라인 알고리즘의 예로는, 가설 검증법에 따른 평균 변화 검출(change-in-mean detection), 시간에 따른 변화에 따른 최대우도 추정법(maximum likelihood estimation)이나 이상 회귀법(two-phase regeression) 등을 들 수 있다. 따라서, 본 기재에서 변화점 검출은 어떠한 시퀀스 분할(sequency segementation)이나 통계량 분석을 모두 포함하는 포괄적 개념으로 이해되어야 한다.

일 예에 따르면, 역할 인접성 행렬의 시퀀스로부터 변화점을 검출할 수 있다. 이때에는 비제한적으로 역할 인접성 행렬이 반복적 관측치를 갖는 고차원 데이터라는 점을 고려해 변화점 검출을 위해 비모수적(nonparametric) 변화점 검출 알고리즘을 적용할 수 있다. 비모수적 알고리즘으로는 예를 들어, 이산 g-분할(g-segmentation)을 이용할 수 있다. 이산 g-분할은 송과 첸의 논문 "Asymptotic distribution-free change-point detection for data with repeated observations(2020)"이 제시한 바를 참고해 수행될 수 있다.

검출된 변화점은 경기를 하나의 포메이션 기간 내에서는 팀 포메이션이 유지되는 것으로 가정되는 몇몇 개의 포메이션 기간들로 분할할 수 있다.

또, FormCPD에서는 팀 포메이션 기간들, 즉 타겟 세션의 세그먼트들 각각에 대해 포메이션 구조를 획득하고, 이로부터 해당 세그먼트에서의 포메이션을 식별할 수 있다. 예를 들어, 각 세그먼트에서의 포메이션 구조는 해당 세그먼트 동안의 평균 역할 인접성 행렬로 표현될 수 있다. 다른 예를 들어, 각 세그먼트에서의 포메이션 구조는 해당 세그먼트 동안의 주 선수-역할 할당에 해당하는 장면의 역할 별 위치 정보(예를 들어, 평균 위치나 위치 분포)로 표현될 수도 있다. 또 표현된 포메이션 구조는 해당 분야 종사자들의 언어(예를 들어, "4-4-2" 또는 "3-4-3")로 해석될 수 있다. 예를 들어, 평균 역할 인접성 행렬을 군집화하고, 군집 별로 포메이션 식별자를 레이블링하거나, 위치 정보에 포메이션 식별자를 레이블링한 데이터로 학습된 인공 신경망을 통해 각 세그먼트에 대해 표현된 포메이션 구조를 포메이션 식별자로 해석할 수 있을 것이다.

RoleCPD 단계에서는, 포메이션 기간 내에서의 변화점을 검출할 수 있다. 이때 변화점은 포메이션 기간 내에서의 역할 치환열(role permutation)의 시퀀스로부터 검출될 수 있으며, 상술한 다양한 변화점 검출 알고리즘을 이용할 수 있음은 물론이다. 예를 들어, FormCPD 단계에서와 유사하게, 쌍별 해밍 거리(pairwise Hamming distance)로 치환열의 시퀀스에 이산 g-분할을 적용해 역할 변화점을 획득할 수 있다. 역할 변화점들은 각 포메이션 기간을 몇몇 개의 역할 기간으로 분할할 수 있다. 여기서, 역할 기간은 그 기간 내에서 선수에 할당된 역할이 유지되는 기간을 의미할 수 있다.

또 RoleCPD 단계에서는, 각 역할 기간에 대해 선수들의 실제 포지션(예를 들어, "센터 포워드”나 “오른쪽 미드필더”)을 찾기 위해 역할 기간마다 각 선수에게 하나의 주 역할(dominant role)을 할당할 수 있다.

또 RoleCPD 단계에서는, 선수들의 포지션 전환(transposition)을 산출할 수 있다. 여기서, 포지션 전환은 각 포메이션 기간에서의 역할 치환열로부터 도출될 수 있다.

한편, SportsCPD를 이용해 몇몇 고차원적 전술 분석을 수행할 수 있다.

본 기재의 실시예에 따르면, SportsCPD를 이용해 스위치 패턴에 대한 분석을 수행할 수 있다. 여기서, 스위치는 선수와 선수 간의 역할을 교환하는 것을 의미할 수 있다. 스위치 패턴에 대한 분석은 선수-역할 할당을 고려하여 수행될 수 있다. 보다 상세하고 비한정적으로는, 선수와 선수 간의 역할 교환, 즉 포지션 전환은 팀 포메이션이 변화될 때에 발생하는 포지션 전환을 제외하고 동일 포메이션이 유지되는 동안 발생하는 임시적인 선수 간의 역할 교환만을 포함할 수 있다. 이 경우, 스위치 패턴에 대한 분석은 포메이션 기간 내에서의 선수-역할 할당을 고려하여 수행될 수 있다.

구체적으로 스위치 패턴에 대한 분석은 다음과 같이 수행될 수 있다.

일 예로, 먼저 포메이션 기간 내에서 주 선수-역할 할당 및 부 선수-역할 할당을 획득할 수 있다. 하나의 포메이션 기간 내에서는 포메이션이 고정되어 있으므로, 하나의 주 선수-역할 할당만을 결정할 수 있다. 예를 들어, 포메이션 기간에 해당하는 선수-역할 할당 중 최빈인 것을 주 선수-역할 할당으로 판단할 수 있다. 다음으로, 부 선수-역할 할당을 결정할 수 있다. 예를 들어, 포메이션 기간에 해당하는 선수-역할 할당 중 주 선수-역할 할당을 제외한 것들 중 높은 빈도 순으로 미리 정해진 개수 내인지 여부, 미리 정해진 빈도 수 이상인지 여부, 포메이션 기간 중 발생 빈도의 비율이 일정 이상인지 여부 및 이들이 조합된 조건에 따라 부 선수-역할 할당을 결정할 수 있다. 주 선수-역할 할당과 부 선수-역할 할당이 결정되면, 이에 기초해 스위치 패턴을 분석할 수 있다. 예를 들어, 주 선수-역할 할당과 부 선수-역할 할당 간의 차이점, 즉 두 할당 사이에 변화된 선수 별 역할에 기초해 스위치에 참여한 선수 또는 스위치에 참여한 역할을 판단할 수 있다. 다른 예로, 부 선수-역할 할당의 발생 빈도에 기초에 해당 스위치의 시도 회수 내지는 시도 경향을 판단할 수 있다. 한편, 포메이션 기간이 복수인 타겟 세션의 경우에는 각 포메이션 기간에 대해 상술한 과정을 수행하여 타겟 세션 전체에 대한 스위치 패턴을 분석할 수 있다.

다른 예로, 포메이션 기간 내에서 분할된 역할 기간에 기초해 스위치 패턴을 분석할 수 있다. 먼저, 역할 기간 별로 대표 선수-역할 할당을 추출할 수 있다. 역할 기간 별 대표 선수-역할 할당은 역할 기간 내의 최빈 선수-역할 할당일 수 있다. 대표 선수-역할 할당이 추출되면, 포메이션 기간의 주 선수-역할 할당 및 역할 기간 별 대표 선수-역할 할당에 기초해 스위치에 참여한 선수 및/또는 역할을 판단하거나, 그 시도 회수나 시도 경향을 판단할 수 있다. 또는 대표 선수-역할 할당 중 최빈 할당을 선택한 뒤, 이것과 다른 대표 선수-역할 할당에 기초해 상술한 정보를 획득할 수 있다. 또는 서로 인접한 대표 선수-역할 할당들 간에 기초해 상술한 정보를 획득할 수 있다. 한편, 포메이션 기간이 복수인 타겟 세션의 경우에는 각 포메이션 기간에 대해 상술한 과정을 수행하여 타겟 세션 전체에 대한 스위치 패턴을 분석할 수 있다.

또 본 기재의 실시예에 따르면, SportsCPD를 이용해 세트-피스와 같은 비정규 상황의 검출을 수행할 수 있다. 예를 들어, 포메이션 기간 동안 주 선수-역할 할당을 기준으로 장면 별 주 선수-역할 할당에 기초해 해당 장면이 비정규 상황인지 여부를 판단할 수 있다.

본 기재의 실시예에 따른 SportsCPD는 다음 몇몇 장점들을 가질 수 있다. 첫째, 스포츠 추적 데이터에 고도의 변화점 검출 방법을 적용해 비감독(unsupervised) 방식으로 팀의 기본 전술 및 그 변화를 탐지할 수 있다. 둘째, 임의의 시간 간격에 대한 포메이션 구조와 역할 교체(role switch)를 각각 평균 역할 인접성 행렬과 치환열의 시퀀스로 효과적으로 표현할 수 있다. 셋째, 예를 들어 스위치 패턴 검색과 자동화된 세트-피스 검출과 같은 해당 분야 종사자들이 쉽게 이해하고 쓸 수 있는 실질적인 어플리케이션으로 활용될 수 있다.

3. 관련 기술

3.1 비모수적 변화점 검출

변화점 검출(CPD: Change-Point Detection)은 일련의 과정에서의 지배 매개변수들이 변하는 지점을 찾는 기법이다. CPD는 매개 변수를 세부적으로 추정하는지 또는 변화점을 직접 찾는지에 따라 모수적인(parametric) 방식과 비모수적인(nonparametric) 방식으로 분류될 수 있다.

특히, 그래프 기반의 비모수적 방법은 유사성 정보만 사용하므로 고차원 데이터나 심지어 비유클리드(non-Euclidean) 데이터에도 적용될 수 있기 때문에 실질적 활용성이 더 유연한 것으로 여겨닌다. CPD의 예로는 그래프 기반 스캔 통계량(graph-based scan statistic)을 정의하는 g-세그멘테이션을 들 수 있다. 이를 이용하면, 관측치에 대해 최소 신장 트리(minimum spanning tree)와 같은 유사성 그래프를 그리고 각 시간 t 이전과 이후의 관측치와 연결된 선분의 개수를 확인할 수 있다. 이때, 선분의 개수가 유의미하게 작은 경우에 t는 잠재적 변화점으로 간주될 수 있다. 이외에도 평균과 편차 양쪽에서의 변화가 있는 경우나 변화점이 시퀀스의 중앙에 있지 않은 경우 등에 발생하는 g-세그멘테이션의 오류를 바로 잡는 기법들도 고려할 수 있다.

그런데, 상술한 방법들은 연속적 데이터에만 적용이 가능하다는 한계를 가진다. 예를 들어, 반복적 관측치를 갖는 데이터에 대한 유사성 그래프는 상술한 그래프 기반 방법으로는 고유하게 결정되지 않을 수도 있다. 이를 해결하고 고유한 스캔 통계량을 얻기 위해, 다중 최적 유사성 그래프(multiple optimal similarity graph)의 조합이나 결과 통계량의 평균을 사용하는 이산 g-분할을 적용할 수 있다. 이산 g-분할이 네트워크 데이터와 같은 이산 데이터에 대해 잘 적용된다는 점은 실험적으로 입증되어 있다.

3.2 팀 스포츠에서 포메이션과 역할의 추정

다음 몇몇 연구들은 스포츠 경기에서 팀 포메이션을 추정하고 포지션 즉, 선수들의 역할을 찾기 위해 시공간 추적 데이터를 다룬 것들이다. 발코우스키의 논문 "Large-scale analysis of soccer matches using spatiotemporal tracking data(2014)"는 장면 별로 각 선수들마다 고유한 역할을 동적으로 할당하는 역할 표현 알고리즘을 제안한다. 이 알고리즘은 두 선수가 동시에 동일한 역할을 하지 않는다는 제약 조건을 만족시키기 위해 E-단계에서 헝가리안 알고리즘(Hungarian algorithm)을 사용하는 것을 제외하고는 K-평균(K-means) 알고리즘과 유사하다. 나리즈카와 야마자키의 논문 "Characterization of the formation structure in team sports(2017)"은 임시적 포메이션을 들로네 삼각 분할을 이용한 무방향 그래프로 표현하고 포메이션 구조를 특성화하기 위해 단일 경기에 대한 그래프를 군집화하는 것을 제시한다. 나리즈카와 야마자키의 후속 논문 "Clustering algorithm for formations in football games(2019)"은 여러 경기에 결쳐 포메이션을 군집화하기 위해 역할 표현 기법을 결합하고 있다.

상술한 접근법들은 전술적 지시에 의한 고정적 역할 변화와 대부분 거시적인 관점에서 의도된 것은 아닌 임시적 역할 교환(role swap)을 구분할 수 없다. 실제 팀 스포츠 경기 환경에서 코치의 지시에 따른 변화는 경기 전체에 걸쳐 많아야 수차례이거나 없는 것이 일반적이며 짧은 시간 간격(예를 들어, 매초)마다 역할 변화를 지시하지는 않는다. 추적 데이터에 본 기재의 실시예에 따른 변화점 탐지 알고리즘을 적용하면 선수들 간의 "실제적" 역할 변화를 검출할 수 있다.

4. 문제 정의

팀 스포츠에서 코치는 경기 중에 몇 번 정도의 팀 포메이션 변화를 주거나, 또는 포메이션을 바꾸지 않고 선수 간의 역할 교체 정도만 지시하고는 한다. 따라서, 다음의 두 단계에 따라 이들의 의사결정 과정을 추적할 수 있다. 첫째로 포메이션 변화점을 찾고, 다음으로 다음 역할 변화점을 찾는 것이다. 본 항목에서는 도 1을 참조해 각 단계를 별도의 변화점 검출 문제로 다루도록 하겠다.

도 1은 본 기재의 실시예에 따른 SportsCPD의 결과에 따른 포메이션 및 역할 변화의 타임라인의 예시이다. 도 1에서 상부 그림은 포메이션 기간 별 팀 포메이션을 나타낸 것이다. 각 색상의 점들은 팀의 평균 위치에 의해 정규화된 특정 역할의 장면 별 좌표를 나타낸다. 흰 원들은 개별 역할들의 평균 위치이며, 원을 연결하는 선의 두께는 평균 역할 인접성 행렬의 대응되는 요소에 대응된다. 하부의 타임라인은 역할 기간 당 선수에 할당된 역할을 나타낸다.

4.1 포메이션 변화점 검출

역할 위상 위치 관계의 확률 분포를 이용해 팀 포메이션을 고려해 볼 수 있다. FormCPD의 목표는 선수 궤적들의 형태를 갖는 일련의 관측치에 대한 분포의 변화점을 찾는 것이다. 따라서 먼저 원시 관측치로부터 역할 위상 위치 관계를 나타내는 효과적인 표현법을 찾고, 이에 따른 특징 요인의 시퀀스를 이용해 CPD를 수행할 수 있다. 특징 요인을 찾고, 그 다음으로 특징 요인의 시퀀스를 이용해 변화점 검출을 수행할 수 있다.

이를 수식으로 표현하면, 역할 위상 위치 관계를 나타내는 특징 요인 {A(t)}_t∈T의 시퀀스를 알고 있을 때, 서로 간에 구분되는 몇몇 분포들인 F₁, … , F_m에 대해 A(t)~Fi인 t∈T_i를 만족하는 T의 구획(partition)인 T₁< … <T_m을 구할 수 있다. 여기서, 각각의 간격 T_i는 그 기간 내에서 팀이 분포 F_i로 표현되는 고유한 포메이션을 갖는 포메이션 기간으로 지칭될 수 있다.

4.2 역할 변화점 검출

상술한 발코우스키의 논문은 축구 경기에 대해 골키퍼를 제외한 필드 선수들에게 장면 별로 역할을 할당하는 역할 표현을 제안하고 있으나, 장기적인 전술적 변화와 일시적인 역할 교환을 구분할 수 없다. 일반적으로 선수가 일정 기간에 걸쳐 코치가 지시하는 고정된 역할을 수행한다는 점을 감안할 때, RoleCPD의 목표는 이전과 이후 사이에 장기적인 전술적 변화가 일어나는 변화점을 찾는 것이다. 즉, 포메이션 기간 T_i는 선수들이 선수들이 고정된 역할을 갖는 몇몇 개의 시간 간격 T_i,1< … <T_i,ni로 추가 분할될 수 있으며, 이를 역할 기간으로 지칭할 수 있다. 그런 다음 역할 기간 내에서 역할 표현의 결과에 따른 장면 별 역할 간의 상호 변화를 임시 교환(temporary swap)으로 간주할 수 있다.

이를 수식으로 표현하면, 경기 시간 T에서 선수들의 집합 P에 대해, 역할 표현에 따라 다음 수식을 만족하는 역할 집합 χ={X₁, … , X_N}과 선수의 임시 역할 맵(P-TR map: Player-to-Temporary-Role map) {β_t:P→χ}_t∈T를 찾을 수 있다.

β_t(p)≠β_t(q) ∀p≠q∈P, t∈T

여기서 임시 역할 맵 {β_t}_t∈T를 선수의 지정 역할 맵(P-IR map: Player-to-Instructed-Role map) {α_t:χ→χ}_t∈T와 χ에 대한 대칭 그룹(symmetric group) S(χ)에 대해 σ_t∈S(χ)인 임시 역할 치환열(RolePerm: Role Permutation} {σ_t:χ→χ}_t∈T의 조합으로 표현할 수 있다. 구체적으로 β_t=σ_{t o}α_t일 수 있다. 다시 말해서, 포메이션 기간 T_i에 대해 P-TR 맵 {β_t}_t∈T 에 대해 다음 조건을 만족하는 T_i의 구획인 T_i,1< … <T_i,ni 및 P-IR 맵 {α_t}_t∈T를 찾을 수 있다.

첫째는 기간적 일관성(periodwise consistency)으로, 모든 선수에 대한 지시된 역할이 각 역할 기간 T_i,j에서 고정적이다. 예를 들어, 몇몇 X_p ^(i,j)∈χ에 대해 다음 수식을 만족할 수 있다.

α_t(p)=X_p ^(i,j) ∀t∈T_i,j

둘째는 고유성(uniqueness)로, 하나의 역할 기간 내에서 어떠한 두 선수도 동일한 역할을 지시받지 않는다. 예를 들어, 다음 수식을 만족할 수 있다.

X_p ^(i,j)≠X_q ^(i,j) ∀p≠q∈P

셋째는 역할 변화의 존재로, 역할 기간의 변화는 지시의 변화를 의미할 수 있다. 예를 들어, 다음 수식을 만족할 수 있다.

X_p ^(i,j)≠X_p ^(i,j+1)

마지막 조건은 단일 포메이션 기간 내의 변화에만 유효할 수 있다. 즉, 구별되는 포메이션 기간의 인접 역할 기간에서 동일한 선수-역할 할당이 있을 수 있다. 이에 대한 예는 도 1에서 처음 두 역할 기간에 보여지고 있다.

5. 방법론

본 항목에서는 경기 세션을 여러 포메이션 기간(FormCPD)으로 나누고 각 포메이션 기간을 여러 역할 기간(RoleCPD)으로 나누는 세부 프로세스에 대해 차례로 설명한다. 이하에서 설명되는 방법론은 비제한적인 예시임을 미리 밝혀둔다.

5.1 역할 인접성 행렬에 기반한 포메이션 변화점 검출

먼저, 각 장면에 대해 역할 위상 위치 관계를 들로네 삼각 분할에서 계산된 역할 인접성 행렬로 표현할 수 있다. 그런 다음, 비모수 변화점 탐지 알고리즘인 이산 g-분할로 역할 인접성 행렬들 간의 쌍별 거리를 이용해 포메이션 변화점을 찾을 수 있다. 각 세그먼트의 포메이션은 평균 역할 인접성 행렬로 표현될 수 있으며, 이를 "3-4-3" 또는 "4-4-2"와 같은 해당 분야에서 사용되는 레이블이 개별 포메이션 기간에 할당된 전체 데이터 셋에 따라 군집화할 수 있다.

5.1.1 역할 인접성 행렬의 시퀀스 생성

먼저, 역할 표현 방식에 따라 장면 별로 선수들에게 역할을 할당할 수 있다. 여기서, 역할 표현은 예시적으로 상술한 발코우스키 논문에 제시된 개념을 참조하여 수행될 수 있다. 그 다음 역할 표현으로부터 인접성 행렬을 획득할 수 있다. 여기서, 예시적으로, 인접성 행렬은 들로네 삼각 분할에 따라 역할 레이블들 사이에서 획득되는 {A(t)}_t∈T⊂Ｒ ^N×N일 수 있다. 이때, 성분 a_kl(t)는 역할 그룹 χ={X₁, … ,X_N}에 대해 X_k와 X_l이 t에서 인접한 경우에는 1이고, 그렇지 않은 경우에는 0일 수 있다. 도 2는 역할 위치에 대한 들로네 그래프의 예시를 도시한 것이다.

도 2 및 도 3은 본 기재의 실시예에 따른 역할 인접성에 관한 그래프이다. 도 2는 임의의 장면에서 선수 궤적에 대한 임시 들로네 그래프이고, 도 3은 포메이션 기간에 대한 평균 역할 위치들과 평균 역할 인접성 행렬로부터 그려진 가중 그래프이다. 각 원 안의 수치들은 역할 레이블 1부터 10까지를 지시하고, 도 2에 있는 원 아래의 숫자들은 대응하는 선수의 등 번호이다.

선수 추적 데이터에 들로네 삼각 분할을 적용하는 것은 나리즈카와 야마자키에 의해 처음 제안된 바 있다. 그러나 이들은 등 번호를 인접성 행렬의 색인으로 이용하였으며, 여러 경기들에 걸친 등 번호들이 단일 색인 세트와 일치하는 경우에 대해서만 역할 표현을 적용하였다. 이에 따르면, 포지션 교환 패턴들을 잘 탐색할 수 있지만, 그 결과로 선수 인접성 행렬들(player adjacency matrices)이 임시적 스위치나 원래의 팀 포메이션이 무너지는 세트-피스와 같은 비정규적 상황에 의해 크게 영향을 받을 수 있다. 따라서, 이러한 선수 레이블 대신 역할 레이블을 인접성 행렬의 색인으로 이용해 포메이션 구조에 대해 보다 강건한 표현을 할 수 있다.

5.1.2 행렬 시퀀스에 대한 이산 g-분할의 적용

포메이션 변화점을 찾기 위해, 경기의 각 세션(예를 들어, 전반 또는 후반)에서 얻은 역할 인접성 행렬의 시퀀스에 CPD를 각기 적용할 수 있다. 다양한 CPD 방법 중에서, 이산 g-분할은 반복 관측치를 갖는 고차원 또는 비유클리드 데이터에 적용될 수 있다는 차별성을 가지고 있다. 본 기재의 실시예의 시퀀스가 자주 반복되는 고차원 관측치(예를 들어, 축구의 경우 필드 선수 10명으로부터 계산한 10×10 이진 매트릭스)인 것을 고려할 때, 이산 g-분할을 적용하는 것에 대해 높은 신뢰성을 기대할 수 있다.

먼저 g-분할은 예시적으로 다음과 같이 수행될 수 있다. 먼저 주어진 관측치에 대해 최소 신장 트리와 같은 유사성 그래프 G를 구축할 수 있다. 그 다음 각 시간점(time stamp)에 대해 선분들은 t 이전과 이후의 관측치를 연결하는 제0 종 선분(type-0 edge), t 이전의 관측치들을 연결하는 제1 종 선분(type-1 edge), 및 t 이후의 관측치를 연결하는 제2 종 선분(type-2 edge)의 3가지 유형으로 분류될 수 있다. 이에 따라 대응되는 유형의 선분에 대한 개수인 R₀(t), R₁(t), R₂(t)를 구할 수 있다. 이로부터 일반화된 선분-개수 스캔 통계량은 Σ(t)가 시간 지표를 섞어 얻어지는 귀무 분포 하에서의 (R₁(t), R₂(t))^T의 공분산 행렬이라 할 때 다음과 같이 정의될 수 있다.

S(t)=(R₁(t)-Ε[R₁(t)], R₂(t)-Ε[R₂(t)])^TΣ^-1(t)(R₁(t)-Ε[R₁(t)], R₂(t)-Ε[R₂(t)]

유사한 관측치는 구별되는 관측치보다 선분에 의해 연결될 가능성이 높으므로, 큰 S(t)는 그룹 내 거리가 작고 그룹 간 거리가 크다는 것을 의미할 수 있다(여기서 "그룹"은 t로 분리된 시간 간격을 나타냄). 이와 같이 알고리즘에 따라 S(τ)가 사전 정의된 임계값을 초과할 경우 τ=arg max_t S(t)가 변경점이라고 결정할 수 있다.

그러나 g-분할에서는 유사성 그래프가 고유하게 정의되지 않을 수 있으며, 이에 따라 반복된 관측치를 갖는 데이터 처리에는 g-분할이 적합하지 않을 수 있다. 이에 이산 g-분할에서는 (R₁(t), R₂(t)) 대신 평균화 통계량(averaging statics) (R_1,(a)(t), R_2,(a)(t) 또는 조합 통계량(union statics) (R_1,(u)(t), R_2,(u)(t))를 이용해 g-분할을 단점을 극복할 수 있다. 이러한 통계량은 관측치의 뚜렷한(distinct) 값들과 t 이전 및 이후의 각 관측치의 개수에 의해 작성되는 유사성 그래프 G₀를 이용해 획득될 수 있다.

이산 g-분할을 적용해 행렬의 시퀀스를 구할 때, 다음 L1,1 행렬 노름(matrix norm, 이하 '맨하탄 거리(Manhattan distance)'로 지칭함)을 역할 인접성 행렬 사이의 거리 측정에 이용할 수 있다.

d_M(A(t), A(t'))=||A(t)-A(t')||_1,1=Σ_k=1toN Σ_l=1toN |A_kl(t)-A_kl(t')|

또, 각 장면 t에서 선수에게 할당된 임시 역할이 세션 전체에 걸쳐 그들의 가장 빈번한 역할과 다를 경우 각 장면 t에서 선수가 역할을 스위치하고 있는 것으로 판단할 수 있다. t에서의 스위치율(switch rate)은 스위치하는 선수들의 개수로부터 산출될 수 있고, 높은 스위치율(예를 들어, 0.7이상)을 갖는 장면들은 선수들이 포메이션을 전혀 유지하지 않는 세트-피스와 같은 비유효 상황으로 제외될 수 있다. 요약하면, 이산 g-분할은 쌍별 맨하탄 거리를 이용해 남는 유효한 인접성 행렬들의 시퀀스 중에서 예측 변화점을 반환할 수 있다.

주어진 기간 동안에 대해 변화점을 찾으면, 알고리즘은 세 가지 조건의 개별 또는 조합에 따라 그 중요성을 결정할 수 있다. 구체적인 예시로, (1) 스캔 통계량의 p값(p-value)이 0.01 미만이고 (2) 두 세그먼트가 최소 시간(예를 들어서, 5분) 이상 지속되고, 그리고 (3) 각 세그먼트에서 계산된 평균 역할 인접성 행렬이 서로 충분히 멀리(즉, 맨해튼 거리가 큰) 경우에만 추정된 변경점 τ가 유의한 것으로 인정할 수 있다. (3)에 대한 임계 거리는 경험적으로 7.0으로 설정될 수 있다.

세션 중에 둘 이상의 포메이션 변화점이 있을 수 있으므로, 여러 변화점을 찾기 위해 재귀 프레임워크를 구축할 수 있다. 첫째, 주어진 기간 내에 유의미한 변화점이 있는 경우, 변화점 이전과 이후의 시퀀스에 CPD 알고리즘을 각각 적용할 수 있다. 각 분기CPD(branchCPD: branch Change-Point Detection)는 관심 세그먼트에서의 유의한 변화점이 없을 때 종료될 수 있다. 결과적으로, 주어진 세션 T는 여러 포메이션 기간 T₁< … <T_m으로 분할될 수 있다.

5.1.3 평균 역할 인접성 행렬에 기초한 포메이션 군집화

상술한 내용을 바탕으로 포메이션 기간 T_i에서 포메이션은, 정점(vertices)으로써 평균 역할 위치 V(T_i)=|T'_i|^-1Σ_t∈T'i V(t)라고 하고 선분 행렬(edge matrix)로써 평균 역할 인접성 행렬 A(T_i)=|T'_i|^-1Σ_t∈T'iA(t)라고 할 때, 가중치 그래프 F(T_i)=(V(T_i), A(T_i))로 산출될 수 있다. 여기서, T'_i는 T_i 중에서 스위치율이 낮은 유효한 시간점의 집합이고, V(t)=(v₁(t), … , v_N(t))^T∈Ｒ^N×2는 각 장면 t에서 평균이 '0'(예를 들어, Σ_k=1toN v_k(t)=(0,0))이 되도록 평준화된(nomalized) N 역할들의 2차원 위치이다. 도 3은 포메이션 그래프의 예시이다.

여기서, 임의적 포메이션 쌍 간의 거리는 역할을 정렬하고, 상술한 역할 인접성 행렬 간의 맨하탄 거리를 산출하는 것에 의해 정의될 수 있다. 구체적으로, 포메이션 기간에서 임의의 포메이션 쌍을 F=(V, A) 및 F'=(V', A')으로 가정해 보자. 여기서, F와 F'은 반드시 동일한 경기 내에 속해야 하는 것은 아니며 이들은 다른 경기에서 산출된 것일 수도 있다. 다음으로, A의 행과 열을 A'의 행과 열로 재정렬할 수 있으며, 예시적으로 재정렬에는 헝가리안(Hungarian) 알고리즘을 이용할 수 있으며, 이때에는 V와 V'간의 쌍별 유클리드 거리(pairwise Euclidean distance)를 이용할 수 있다. 다시 말해, 할당 비용(assignment cost) c(V, V'; Q)=Σ_k=1toN ||(QV)_k-v'_k||₂을 최소화하는 최적 치환열 행렬(optimal permutation matrix) Q를 산출할 수 있으며, 예를 들어, 포메이션 F와 F' 사이의 거리가 d(F, F')=d_M(QAQ^T _, A')과 같이 산출되는 경우와 같이 QAQ^T와 A'을 이용할 수 있다.

이러한 거리에 따라 전체 데이터 셋을 이용해 포메이션들이 동일한지 상이한지에 관해 결정하기 위한 포메이션의 군집화를 수행할 수 있다. 쌍별 포메이션 거리에 응집성 군집화(agglomerative clustering)를 적용하면, 포메이션 그래프를 다수의 군집들로 그룹핑할 수 있는데, 본 기재의 실시예에서는 예시적으로 축구 분야에 대해 이들을 7개의 그룹으로 분류해 보았으며 이를 해당 분야 종사자에게 익숙한 용어로 레이블링하였다.

도 4는 본 기재의 실시예에 따른 포메이션 그룹의 예시에 관한 것이다. 도 4는 각 포메이션 그룹의 평균 역할 위치를 도시하고 있으며, 이에 대해 축구 분야에서 사용되는 용어를 레이블링하였으며, 괄호의 수치는 전체 플레이 시간에서 차지하는 비중이다. 도 4의 결과는 원시 데이터, 즉 선수 추적 데이터로서 GPS 데이터로부터 얻어지는 위치 데이터를 이용하여 산출된 것이다. 구체적으로는 도 4의 결과는, 2.33 백만초에 대한 809개의 세션에 대해, SportsCPD를 적용해 이를 866개의 포메이션 기간과 2,158개의 역할 기간으로 분할하고, 다시 866개의 포메이션 기간을 32개로 군집화 하고, 이를 다시 7개의 포메이션 그룹으로 병합한 것이다.

발코우스키가 제시한 기법에서 역할 위치 간의 지구 이동 거리(EMD: Earth Mover's Distance)를 사용하는 반면, 상술한 본 기재의 실시예에 따른 군집화는 평균 역할 인접성 행렬 간의 거리를 이용할 수 있다. 또 종래 기술에서는 거의 일정한 시간 길이를 갖는 경기의 절반들에 대한 포메이션만 다루었으나, 본 기재의 실시예에서는 이보다 짧거나 그 길이가 다양하게 변하는 것으로 인해 포메이션 그래프의 왜곡을 초래하기 쉬운 포메이션 기간에 대한 포메이션을 처리할 수 있다. 이는 절대 위치가 아닌 인접성 관계에 기반한 평균 역할 인접성 행렬이 이러한 왜곡에 대해 보다 강건하기 때문이다.

5.2 역할 치환열에 기반한 역할 변화점 검출

RoleCPD는 역할 인접성 행렬 대신 역할 치환열을 사용하는 점을 제외하고는 FormCPD와 유사한 방식으로 수행될 수 있다. 각 포메이션 기간에 대해 이산 g-분할을 재귀적으로 적용해 역할 변화점을 찾을 수 있다. 그 다음, 역할 기간 별로 각 선수에게 지시된 본래의 역할을 찾고, 각 장면 별 선수-역할 할당을 지정 역할의 치환열로 표현할 수 있다.

5.2.1 역할 치환열 생성

상술한 역할 표현에서, 각 선수 p에게 예를 들어 등 번호와 같은 표준 번호에 따라 초기 역할(initial role) X_p를 할당할 수 있다. 이를 이용해 시간 t에서의 선수들 p₁, … , p_N에 대한 임시 역할 할당을 초기 역할 할당 (X_P1, … , X_PN)에 대한 치환열 치환열 π_t=(π_t(X_P1), … , π_t(X_PN))∈S(χ)으로 표현할 수 있다. 이를 다시 수식으로 표현하면 다음과 같을 수 있다.

β_t(p)=π_t(X_P)

5.2.2 치환열의 시퀀스에 대한 이산 g-분할의 적용

역할 인접성 행렬에 적용한 것과 유사하게, 각 포메이션 기간 T_i에 대한 역할 치환열 {π_t}_t∈Ti의 시퀀스에 대해 g-분할을 적용할 수 있다. 이에 따르면, 역할 치환열 간의 거리로 해밍 거리(Hamming distance) d_H(π_t, π_t')=|{X:π_t(X)≠π_t'(X), X∈χ}|를 이용해 유효 치환열의 시퀀스(예를 들어, 스위치율이 0.7 이하인 경우의 치환열) 중 예측 변화점을 결정할 수 있다.

FormCPD 에서와 유사하게 변화점의 유의성에 대한 검사가 수행될 수 있는데, 이때 FormCPD에 적용된 마지막 조건은 제외될 수 있다. RoleCPD의 목표는 주 역할 할당이 바뀐 때를 찾는 것이기 때문에, 변화점 τ에 대해 τ 이전과 이후의 가장 빈번한 치환열이 다를 때에만 변화점 τ가 유의한 것으로 판단할 수 있다.

마지막으로, 각 포메이션 기간 T_i에서의 시퀀스에 재귀적 CPD를 적용하여, T_i의 구획 T_i,1< … <T_i,ni를 획득할 수 있다.

5.2.3 역할 기간 별 선수의 지정 역할 도출

각 역할 기간 T_i,j에 대해 가장 빈번한 치환열로 선수에 대한 지정 역할을 설정할 수 있으며, 역할 표현으로부터 얻어지는 모든 임시 역할들을 지정 역할의 치환열로 표현할 수 있다. 수식으로 표현하면, P-IR 맵 {α_t:P→χ}_t∈Ti,j은 예시적으로, π_(i,j)∈S(χ)를 {π_t}_t∈Ti,j 중 가장 빈번한 치환열이라고 할 때, t∈T_i,j에서 고정값인 α_t(p)=π_i,j(X_p)로 표현될 수 있다. t∈T_i,j에서 역할 치환열 σ_t(X_p)=β_{t o}α^-1는 다음과 같이 획득될 수 있다.

σ_t(X_p)=β_t(α_t ^-1(X_p))=π_t(π_(i,j) ^-1(X_p))

이에 따른 P-IR 맵은 상술했던 세 조건을 만족할 수 있다. 구체적으로, t∈T_i,j에서 α_t(p)가 일정하고 이는 구별되는 초기 역할의 치환열이기 때문에 p∈P에 걸쳐 구별되므로 기간적 일관성과 고유성을 갖는다. 또한, 유의성 검사로 인해 인접하는 역할 기간들 사이에서 역할 변화의 존재가 확보될 수 있다.

6. 실험

SportsCPD의 정확성은 본 기재의 실시예에 따른 결과와 해당 분야의 전문가에 의해 기록된 실측값의 비교를 통해 평가될 수 있다. 또한, 본 기재의 실시예에 따르면, 역할 스위치의 관점에서 팀의 플레이 패턴들을 식별하는 해석 기법이 제공될 수 있다. 또한, 본 기재의 실시예에 따른 스위치율은 세트-피스 검출에 대해 간단하면서도 신뢰성 높은 지표로 이용될 수 있다.

6.1 모델 평가

SportsCPD의 성능은 두 가지 측면에서 측정될 수 있다. 하나는 FormCPD에 의한 예측 포메이션의 정확도이고, 다른 하나는 RoleCPD에 따른 역할 변화점 검출의 강건성이다. 전자에 대해서는, 세그먼트 전체의 개수(예를 들어, 전체 플레이 분)에 대한 정확히 검출된 분 단위 세그먼트의 비율을 산출해 볼 수 있다. 후자에 대해서는, 변화점 검출이 변화점과 비변화점(non-change-point) 사이의 각 시간점들에 대한 분류(classification)에 관한 것임을 감안해 RoleCPD가 얼마나 정확하게 변화점을 검출할 수 있는지로 측정해 볼 수 있다.

두 가지 평가에 있어서, 비디오 분석관이나 프로 또는 준프로 스포츠 팀의 코치진으로 일하고 있는 해당 분야 전문가에 의해 기록된 실측 레이블을 이용할 수 있다. 포메이션과 역할에 대해 분 단위로 기록하는 것은 매우 소모적이기 때문에, 본 기재의 실시예에 따른 평가에는 전문가에 의한 한 경기의 기록을 이용했다.

포메이션 예측에 대해서, 각 포메이션 기간 대신 각 분 단위 세그먼트에 대한 레이블로 비교하였는데, 이는 본 기재의 실시예에 따른 방법과 사람인 전문가에 의해 검출되는 변화점이 다소 상이하기 때문이다. 총 2,680분의 플레이 시간 중, 2,047분에 대한 기록과 FormCPD의 결과가 일치하였으며 76.4%의 일치도를 보였다. 도 5에는 상세한 결과를 혼돈 행렬로 도시하였다.

도 5는 본 기재의 실시예에 따른 포메이션 예측에 관한 도면이다. 도 5는 포메이션 예측의 정확도를 혼돈 행렬로 표현하고 있는데, 이는 분 단위의 예측 포메이션과 실측 기록된 포메이션을 비교한 것이다.

한편, RoleCPD는 28 경기에서 96 개의 변화점을 검출하였으며, 86 개의 변화점들은 기록된 변화점에 대해 5분 이내에 위치하였으며, 누락된 변화점들(위음성)은 총 7개였다. 따라서, RoleCPD의 정확도에 관한 회수점과 F1 점수는 각각 0.8958(86/96), 0.9247(83/93), 그리고 0.9101(2·(presicion×recall)/(prescision+recall))이다.

6.2 스위치 패턴 검색

상술한 바와 같이 얻어진 역할 치환열은 선수들 간의 임시 역할 스위치를 지시할 수 있다. 모든 선수들이 시간 t에서 지시받은 본래 역할을 유지하는 경우에는, 역할 치환열 σ_t를 항등 치환열(identity permutation)로 할 수 있다. 다시 말해, 비항등 역할 치환열은 해당 시간에서 스위치 플레이가 발생한 것을 의미할 수 있다. 그러므로, 비항등 역할 치환열을 분석하면, 팀의 플레이 패턴을 식별할 수 있다.

도 6은 본 기재의 실시예에 따른 역할 기간 별 역할 치환열에 관한 그래프이다. 도 6에는 역할 기간 별로 가장 빈도가 높은 상위 5 개의 역할 치환열의 기간을 초로 표현하였다. 도 7은 본 기재의 실시예에 따른 역할 치환열을 이용한 전술 분석의 예시에 관한 도면이다.

도 1에 도시된 경기에 대한 도 6 및 도 7의 결과를 참고하면, 특정 경기에 대한 역할 치환열로부터 팀의 전술 패턴을 파악할 수 있음이 명백하다. 도 6은 역할 기간 별 최빈순의 5 개의 역할 치환열을 도시하고 있으며, 이들로부터 다음과 같은 분석을 수행하였다. 이하의 분석에서는 포메이션 기간과 역할 기간에 대해 각각 FP(Formation Period)와 RP(Role Period)라고 지칭하며, 특정 역할 k를 부여받은 선수에 대해서는 Rk로 표기하기로 한다.

하나, 선수들은 RP1(이 구간에서는 빈도수가 높은 상위 3개의 역할 치환열의 시간 합계가 전체 18 분 중 140 초임)에서는 적극적으로 역할 스위치를 수행하는 반면, RP3(이 구간에서는 빈도수가 높은 상위 3개의 역할 치환열의 합계 시간이 전체 13분 중 35초에 불과함)에서는 거의 스위치를 하지 않았다.

둘, 역할 치환열 (3 5)는 RP1에서 자주 발생하였는데, 이는 동료 선수들에게 공간을 제공하기 위해 도 7에 도시된 센터 포워드가 미드 필더의 후위로 빠지는 "폴스 나인 플레이(false-9 play)"를 의미한다. 다만, 해당 선수는 RP2에서는 팀 포메이션이 4-3-3으로 변화하면서 해당 플레이를 줄였다.

셋, 다른 RP들과는 달리, RP1에서는 풀백 (R1, R8)이 측면을 따른 공격 역할을 맡아 윙어 (R9, R10)과 적극적으로 오버랩 플레이를 수행하였다. 여기서, 양쪽 측면에서 오버랩이 각각 다른 점이 드러나고 있는데, 왼쪽 측면에서는 R6가 R8의 위치를 커버하여 (6 8 9)의 3인 사이클이 발생하는 반면, 오른 측면에서는 R4가 R1의 자리를 커버하지 않는 (1 10)의 2인 사이클이 발생하였다.

넷, RP2에서는, 왼쪽 윙어 R9이 (6 9) 스위치를 통해 페널티 박스를 향한 컷인 플레이를 지속적으로 시도하였다.

다섯, RP4에서는 센터 포워드 R5를 추가한 뒤 팀이 센터 포워드 간의 스위치 (R3 R5)나 중앙 미드필더 간의 스위치(R4 R6)와 같은 일반적인 스위치(예를 들어, 동일 포지션 내에서의 스위치)를 제외하고는 포메이션을 일정하게 유지하였다.

6.3 세트-피스 검출

스포츠 경기에서 세트-피스는 게임이 정지되었다가 다시 재개되는 상황을 의미할 수 있다. 특히, 축구의 경우 세트-피스 상황에서는 득점 가능 지역으로 공을 보낼 수 있고, 프리킥이나 코너킥과 같은 세트-피스는 점수를 얻기 위한 좋은 기회로 여겨진다, 따라서, 많은 팀들은 지난 경기에서 있었던 세트 피스 상황에 대한 리뷰를 세심하게 하고, 세트 플레이를 위한 특별한 전술적 훈련을 실시하기도 한다.

SportsCPD의 결과물을 이용하면 자동적으로 통계적 스위치율을 이용해 세트-피스 상황을 검출함으로서, 스포츠 팀들이 세트 플레이 데이터를 쉽게 추출하고 다룰 수 있도록 할 수 있다. 스위치율이라는 용어는 이상에서는 스위치하고 있는 선수의 비율로 정의한 바 있으나, 항등 치환열에 대한 거리(예를 들어, 해밍 거리)를 역할의 개수로 나눈 값으로 정의될 수도 있다. 선수들은 세트-피스 상황에서는 완전히 섞여 위치하기 때문에, 이러한 상황에서의 스위치율은 거의 1.0에 가까울 수 있다. 따라서, 스위치율을 이용하면 간단하고 완전하게 비감독적이면서도 상당히 정확한 세트-피스 검출 모델을 제공할 수 있다. 예를 들어, 스위치율이 임계값(예를 들어, 0.9) 이상인 상황을 선택하여 세트-피스를 검출할 수 있을 것이다. 도 8은 스위치율과 세트-피스 간의 강한 상호 상관성을 보여준다.

도 8은 본 기재의 실시예에 따른 스위치율과 세트-피스 발생 간의 관계를 도시한 그래프이다. 도 8은 도 1에 도시된 경기의 전반전 동안 스위치율과 세트-피스 발생을 시계열적으로 도시한 것이다. 도 8에서 "C"와 "F"는 각각 코너킥과 상대 진영의 페널티 박스 내로 킥이 가능한 프리킥을 지시한다. 백색 사각형은 해당 상황에서 스위치율을 산출한 팀이 공격 팀인 경우이고, 흑색 사각형은 수비 팀인 경우를 의미한다.

7. 구현

이하에서는 이상에서 설명한 본 기재의 실시예에 따른 SportsCPD를 구현하기 위한 기기, 시스템 및 방법에 관하여 설명한다.

도 9는 본 기재의 실시예에 따른 팀 스포츠의 전술 분석을 제공하는 시스템의 블록도이다.

도 9를 참조하면, 시스템(1000)은 센서 기기(1200), 분석 기기(1400) 및 사용자 기기(1600)를 포함할 수 있다. 이하에서는 본 시스템의 구성 요소에 관하여 보다 상세하게 설명한다.

센서 기기(1200)는 어태처블 디바이스(attachable device)의 형태로 제공될 수 있다. 여기서, "어태처블 디바이스"라는 용어는 선수에 직접적으로 또는 간접적으로 부착되는 기기를 지칭할 수 있다. 예를 들어, 어태처블 디바이스는 선수의 의복에 삽입되는 포켓 디바이스 형태나 손목이나 발목 같은 스포츠 플레이어의 신체 부위에 감기는 밴드 형태의 웨어러블 디바이스일 수 있다. 어태처블 디바이스 형태의 센서 기기(1200)는 선수 각각에 대해 부착되므로, 팀 스포츠에서는 복수 개일 수 있다.

일 예로, 센서 기기(1200)는 선수에 관한 전역 측위를 수행할 수 있다. 이때, 선수 추적 모듈(1220)은 전지구 측위 시스템(GPS: Global Positioning System) 모듈을 비롯한 전지구 항법 위성 시스템(GNSS: Global Navigation Satellite System) 모듈일 수 있다. 예를 들어, GPS 모듈은 GPS 안테나를 통해 항법 위성으로부터 수신되는 GPS 신호를 이용해 GPS 프로세서가 삼각 측량 기법을 통해 GPS 전역 위치(예를 들어, 위도, 경도)를 산출함으로써 선수에 관한 전역 측위를 수행할 수 있다. 이처럼 산출된 전역 위치는 통신 모듈(1240)을 통해 분석 기기(1400)로 전달될 수 있다. 이에 따라 분석 기기(1400)는 선수 추적 데이터 셋을 획득할 수 있을 것이다. 또 이 과정에서 분석 기기(1400)는 센서 기기(1200)로부터 전달받은 전역 위치를 경기장 좌표계로 변환할 수 있다.

다른 예로, 센서 기기(1200)는 선수에 관해 지역 측위를 수행할 수 있다. 이때, 센서 기기(1200)는 지역 측위 네트워크(LPS: Local Positioning Network)의 태그 노드로 동작해, 측위 지역에 고정 설치되는 앵커 노드와 LPS 신호를 송수신할 수 있다. 전역 측위를 수행하는 경우에는 센서 기기(1200)가 독립적으로 측위를 수행할 수 있는 반면, 지역 측위를 수행하는 경우에는 센서 기기(1200)는 단순히 지역 측위 네트워크의 LPS 신호에 대한 송/수신기로만 기능하고 측위 결과는 외부 기기에서 산출될 수도 있다.

예를 들어, 센서 기기(1200)은 앵커 노드로 LPS 신호를 송신하거나 수신할 수 있으며, 선수에 대한 측위는 외부 기기에서 네트워크 내의 노드들 간의 LPS 신호의 송수신 결과를 이용해 수행될 수 있다. 이때, 분석 기기(1400)는 LPS 신호의 송수신 결과를 전달받아 직접 측위를 수행해 선수 추적 데이터를 생성하거나 혹은 LPS 신호의 송수신 결과를 이용해 측위를 수행하는 별도의 외부 기기로부터 측위 결과를 전달받을 수도 있다.

한편, 도 9에 도시된 바와 달리 전술 분석 시스템(1000)에서 센서 기기(1200)는 영상 분석 플랫폼으로 대체될 수도 있다. 영상 분석 플랫폼은 영상을 촬영하는 카메라와 탑 뷰 변환 및 딥 러닝 알고리즘 등을 이용하는 영상 분석을 통해 영상 내의 오브젝트(예를 들어, 선수나 공)에 대한 위치를 산출하는 영상 분석 기기로 구성될 수 있다. 이때, 분석 기기(1400)는 직접 카메라로부터 영상을 전달받아 영상 분석을 수행해 선수 추적 데이터 셋을 생성하거나 혹은 영상 분석을 수행하는 별도의 외부 기기로부터 측위 결과를 전달받을 수 있다.

분석 기기(1400)는 본 기재의 실시예에 따른 SportsCPD와 관련하여 상술한 각종 동작들을 수행할 수 있다. 기본적으로 별도의 언급이 없는 한 SportsCPD와 관련해 상술한 각종 동작들은 분석 기기(1400)에 의해 수행되는 것으로 해석될 수 있으며, 그 중에서도 특히 콘트롤러(1440)에 의해 수행되는 것으로 해석될 수 있음을 밝혀둔다. 예를 들어, 분석 기기(1400)는 센서 기기(1200)로부터 선수 위치를 직접적으로 또는 간접적으로 반영하는 정보를 수신하고, 이로부터 선수 추적 데이터 셋을 생성하고, 이를 이용해 상술한 SportsCPD 및 그와 관련된 각종 어플리케이션(비정규 상황 검출 등)을 수행할 수 있다. 이러한 분석 기기(1400)는 개인용 컴퓨터나 로컬 또는 원격 서버 형태로 제공될 수 있으며, 반드시 물리적으로 단일 주체로 제공되는 것은 아닐 수도 있다.

분석 기기(1400)는 통신 모듈(1420), 콘트롤러(1440), 및 메모리(1460)을 포함할 수 있다.

통신 모듈(1420)은 분석 기기(1400)와 외부 기기(예를 들어, 센서 기기(1200)나 사용자 기기(1600))와 데이터 송수신을 수행할 수 있다. 예를 들어, 분석 기기(1400)는 통신 모듈(1420)을 통해 어태처블 디바이스로부터 데이터를 수집하거나, 카메라로부터 영상을 수신하거나, 또는 웹을 통해 사용자 기기(1600)에 각종 정보를 전달할 수 있다.

콘트롤러(1440)는 분석 기기(1400)의 전반적인 동작을 제어할 수 있다. 콘트롤러(1440)는 하드웨어적 구성, 소프트웨어적 구성 또는 이들의 조합으로 구현될 수 있다. 하드웨어적 관점에서 콘트롤러(1440)는 전자 회로, 직접 회로(IC: Integrated Circuit), 마이크로칩, 프로세서를 비롯한 연산이나 데이터 처리를 수행할 수 있는 다양한 형태로 제공될 수 있다. 또한 콘트롤러(1440)의 물리적 구성(physical configuration)이 반드시 단일한 물리적 주체(entity)로 한정되는 것은 아니므로, 콘트롤러(1440)는 분석 기기(1400)의 모든 처리를 종합하여 처리하는 하나의 프로세서 또는 각자 서로 다른 기능을 수행하는 복수의 프로세서로 제공되거나 또는 분석 기기(1400)의 다른 구성 요소의 일부와 결합된 형태로 제공될 수 있다.

메모리(1460)는 분서 기기(1400)의 동작과 관련된 각종 데이터를 저장할 수 있다. 메모리(1460)는 다양한 휘발성, 비휘발성 메모리를 제공될 수 있다.

사용자 기기(1600)는 시스템(1000)이 수집하거나 산출한 각종 데이터나 정보를 사용자에게 제공하거나 또는 사용자로부터 사용자 입력을 받는 사용자 인터페이스로서 기능할 수 있다. 예를 들어, 사용자 기기(1600)는 콘트롤러(1640)의 제어하에 통신 모듈(1620)을 통해 분석 기기(1400)로부터 전술 분석 결과를 전달받고, 디스플레이(1660)을 통해 이를 사용자에게 시각 정보로 제공할 수 있다. 사용자 기기(1600)는 스마트 폰이나 태블릿과 같은 스마트 디바이스, 노트북이나 데스크 톱과 같은 개인용 컴퓨터, 또는 그와 유사한 전자 기기일 수 있다.

이하에서는 본 기재의 실시예에 전술 분석 방법의 다양한 예들에 관하여 도 10 내지 도 18을 참조하여 설명한다. 도 10 내지 도 18은 본 기재의 실시예에 따른 팀 스포츠의 전술 분석을 제공하는 방법의 예들의 순서도이다.

후술되는 방법들은 단독으로 또는 서로 조합되어 이용될 수 있으며, 방법들의 단계들이 모두 필수적인 것은 아니므로 방법들은 단계의 전부는 물론 일부만을 포함하여 수행될 수도 있다. 또한, 방법에서 각 단계들이 언급된 순서는 설명의 편의를 위한 것에 불과하므로, 각 단계들이 반드시 설명된 순서대로만 진행되어야 하는 것은 아니다. 또한, 이하에서는 각 방법에 관해서 상술한 시스템 및 기기에 의해 수행되는 것을 기준으로 설명할 것이나, 이 역시 설명의 편의를 위한 것에 불과하므로 각 방법들이 전술 분석 시스템(1000) 및 전술 분석 기기(1400)에 의해서만 수행될 수 있는 것도 아니다.

도 10을 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 선수 추적 데이터 셋을 획득하는 단계(S1100), 선수-역할 할당을 획득하는 단계(S1200), 역할 배치를 획득하는 단계(S1300), 역할 배치의 시퀀스로부터 변화점을 검출하는 단계(S1400), 및 타겟 세션을 포메이션 기간으로 분할하는 단계(S1500)를 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

분석 기기(1400)는 선수 추적 데이터 셋을 획득할 수 있다(S1100).

구체적으로, 콘트롤러(1440)는 통신 모듈(1420)을 통해 센서 기기(1200)로부터 선수 추적 데이터 셋을 수신할 수 있다. 센서 기기(1200)가 전역 측위를 수행할 경우, 분석 기기(1400)는 전역 위치로 표현된 선수 위치 정보를 타겟 세션 동안 수신해, 이를 경기장 좌표계로 변환할 수 있다. 센서 기기(1200)가 지역 측위를 수행할 경우, 분석 기기(1400)는 지역 측위 네트워크로부터 LPS 신호의 송수신 결과를 수신하고, 이를 이용해 선수 위치를 산출해, 추적 데이터 셋을 획득할 수 있다. 또는 분석 기기(1400)는 카메라가 촬상한 영상을 수신해 이로부터 선수 위치를 산출하거나 또는 외부 기기가 카메라 영상으로부터 산출한 선수 위치를 수신함으로써 선수 추적 데이터 셋을 획득할 수 있다.

한편, 선수 위치는 해당 장면에서 타겟 세션에 참여하고 있는 선수의 전부 또는 일부(예를 들어, 동일 팀, 골키퍼 등을 제외한 필드 선수들, 또는 이들의 조합)의 위치들을 이용해 각 선수의 위치를 보정할 수 있다. 예를 들어, 각 선수의 보정 위치는 동일 팀 필드 선수들의 해당 장면에서의 평균 위치로 보정될 수 있다.

다음으로, 분석 기기(1400)는 선수 추적 데이터 셋을 이용해 선수-역할 할당을 획득할 수 있다(S1200), 예를 들어, 콘트롤러(1440)는 최초에는 세션 전체에 걸쳐 선수들에게 단일한 임의의 역할들을 할당하고, 이를 바탕으로 역할들의 위치 분포를 획득하고, 역할들의 위치 분포를 고려해 장면 별로 선수-역할 할당을 수행하고, 다시 장면 별 선수-역할 할당을 고려해 역할들의 위치 분포를 재산출하고, 재산출된 위치 분포를 기준으로 장면 별 선수-역할 할당을 재수행하는 과정을 통해 선수-역할 할당을 획득할 수 있다. 이 과정에서 콘트롤러(1440)는 역할의 위치 분포 산출 시, 비정규 상황에 해당하는 장면들은 제외할 수 있는데, 장면이 비정규 상황에 해당하는지는 후술되는 실시예에서 자세히 언급할 것이다.

다음으로, 분석 기기(1400)는 선수-역할 할당을 이용해 역할 배치를 획득할 수 있다(S1300). 예를 들어, 콘트롤러(1440)는 역할들의 위치 분포를 이용해 역할 배치를 획득할 수 있으며, 이에 대한 자세한 설명은 상술한 바 있다.

역할 배치가 획득되면, 분석 기기(1400)는 역할 배치의 시퀀스로부터 변화점을 검출하고(S1400), 이를 이용해 타겟 세션을 포메이션 기간으로 분할할 수 있다(S1500). 구체적으로, 콘트롤러(1440)는 역할 배치의 시퀀스에 대해 변화점 검출 알고리즘을 적용해 하나의 변화점을 검출할 수 있으며, 이를 기준으로 타겟 세션을 전후 기간으로 나눌 수 있으며, 나눠진 기간들에 대해 다시 변화점 검출 알고리즘을 적용해 재분할을 수행하여 포메이션 기간을 획득할 수 있다. 나아가, 콘트롤러(1440)는 변화점 검출 알고리즘에서 검출된 변화점이 유효한지 여부를 몇몇 조건을 기준으로 판단할 수 있는데, 이에 대한 자세한 설명은 상술한 바 있다.

도 11을 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 선수 추적 데이터 셋을 획득하는 단계(S2100), 선수-역할 할당을 획득하는 단계(S2200), 선수-역할 할당의 시퀀스로부터 변화점을 검출하는 단계(S2300), 및 타겟 세션을 역할 기간으로 분할하는 단계(S2400)를 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

먼저 분석 기기(1400)는 선수 추적 데이터 셋을 획득할 수 있다(S2100). 선수 추적 데이터를 획득하는 과정은 단계 S1100과 유사하게 수행될 수 있다. 다만, 이때 선수 추적 데이터 셋은 타겟 세션 전체와 관한 것일 수도 있으나, 이와 달리 하나의 포메이션 기간일 수도 있다. 만약 전체 세션이 복수의 포메이션 기간으로 분할된 경우에는 각 포메이션 기간에 대해 본 예의 방법을 반복하여 수행할 수 있다.

다음으로, 분석 기기(1400)는 선수-역할 할당을 획득하고(S2200), 그 시퀀스로부터 변화점을 검출해(S2300), 타겟 세션을 역할 기간으로 분할할 수 있다(S2400). 구체적으로, 콘트롤러(1440)는 단계 S1200에서 설명한 것과 유사하게 장면 별로 선수-역할 할당을 획득할 수 있으며, 그 시퀀스에 대해서 변화점 검출 알고리즘을 적용해 변화점을 판단할 수 있다. 이때에도, 콘트롤러(1440)는 변화점의 유효성에 대해 몇몇 조건(이에 대한 자세한 설명은 상술한 바 있음)을 통해 판단할 수 있으며, 유효한 변화점을 기준으로 역할 기간을 분할할 수 있다.

도 12를 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 도 11에 따른 방법에, 역할 기간에 대한 주 선수-역할 할당을 결정하는 단계(S3500), 선수-역할 할당이 비정규 선수-역할 할당인지 판단하는 단계(S3600), 비정규 선수-역할 할당에 대한 스위치율을 산출하는 단계(S3700) 및 스위치율에 기초하여 타겟 세션 중 비정규 상황을 검출하는 단계(S3800)을 포함하는 단계를 더 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

본 예에서는, 분석 기기(1400)가 역할 기간으로 분할된 세션에 대해 각각 주 선수-역할 할당을 결정할 수 있다(S3500). 구체적으로 콘트롤러(1440)는 역할 기간 동안 최빈 선수-역할 할당을 주 선수-역할 할당으로 결정할 수 있다.

주 선수-역할 할당이 결정되면, 분석 기기(1400)는 이를 기반으로 장면 별 선수-역할 할당이 비정규 선수-역할 할당인지 판단하고(S3600), 비정규 선수-역할 할당에 대한 스위치율을 산출할 수 있다.(S3700), 구체적으로, 콘트롤러(1440)는 주 선수-역할 할당에 대한 장면 별 선수-역할 할당의 차이에 기반해 해당 장면이 비정규 상황에 해당하는지 여부를 판단할 수 있다. 예를 들어, 선수-역할 할당이 역할 치환열로 표현될 때, 그 둘 간의 거리(예를 들어, 해밍 거리 등)가 임계값 이상인 경우 또는 그 둘이 상이한 경우 해당 선수-역할 할당을 비정규 선수-역할 할당으로 판단할 수 있을 것이다. 콘트롤러(1440)는 비정규 선수-역할 할당에 대해서 스위치율을 산출할 수 있으며, 스위치율은 주 선수-역할 할당에 대해 비정규 선수-역할 할당의 차이를 반영하는 값으로, 이에 대한 자세한 설명은 상술한 바 있다.

장면 별 스위치율이 산출되면, 분석 기기(1400)는 이에 기초하여 타겟 세션 중 비정규 상황을 검출할 수 있다(S3800). 예를 들어, 콘트롤러(1440)는 스위치율이 임계값 이상인 장면을 비정규 상황으로 판단할 수 있다.

도 13을 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 도 10에 따른 방법에, 포메이션 기간에 관한 역할 별 위치 정보를 획득하는 단계(S4600), 및 역할 별 위치 정보에 기초하여 포메이션을 식별하는 단계(S4700)를 더 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

본 예에서는, 분석 기기(1400)가 타겟 세션을 분할한 포메이션 기간이 획득되면, 이에 관한 역할 별 위치 정보를 획득할 수 있다(S4600). 여기서, 포메이션 기간의 획득은 예를 들어, 도 10을 참조하여 설명한 방법에 따라 분석 기기(1400)에 의해 수행될 수 있으며, 분석 기기(1400)는 이를 기초로 전체 세션에 걸친 역할 별 위치 정보를 획득할 수 있다. 예를 들어, 콘트롤러(1440)는 선수 추적 데이터 셋과 장면 별 선수-역할 할당을 참조하여, 장면 별 역할의 위치를 판단하고, 장면 별 역할을 이용해 세션 전체에 걸친 역할 별 위치 정보를 획득할 수 있다. 여기서, 역할 별 위치 정보는 전체 세션에 걸친 역할의 위치 분포나 평균 위치 등일 수 있다.

이제 분석 기기(1400)는 역할 별 위치 정보에 기초하여 포메이션을 식별할 수 있다(S4700). 예를 들어, 콘트롤러(1440)는 역할의 위치 정보에 해당 분야 종사자가 인식할 수 있는 포메이션 식별자가 레이블링된 학습 데이터를 이용해 훈련된 딥 러닝 알고리즘에 역할의 위치 정보를 입력해 해당 세션의 포메이션을 결정할 수 있다. 다른 예로, 다른 다수의 세션들에서 얻어진 역할의 위치 정보들을 군집화하고, 본 세션의 위치 정보가 포함되는 그룹을 결정하고, 그 그룹에 할당된 포메이션 식별자를 본 세션에 대한 포메이션 식별자로 결정할 수도 있다. 이에 대한 자세한 설명은 이미 상술한 바 있다.

도 14를 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 도 10에 따른 방법에, 포메이션 기간에 관한 역할 별 위치 정보를 획득하는 단계(S5600), 포메이션 기간에 관한 역할 배치를 이용해 역할 별 위치 정보를 정규화하는 단계(S5700) 및 정규화된 역할 별 위치 정보에 기초하여 포메이션을 식별하는 단계(S5800)를 더 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

본 예에서는, 분석 기기(1400)가 타겟 세션을 분할한 포메이션 기간이 획득되면, 이에 관한 역할 별 위치 정보를 획득하고(S5600), 포메이션 기간에 관한 역할 배치를 이용해 역할 별 위치 정보를 정규화할 수 있다(S5700). 여기서, 정규화는 다른 포메이션 기간들에서 얻어진 역할 별 위치 정보에 따라 역할을 재할당함으로써 수행될 수 있다. 본 기재에서 선수-역할 할당에서 초기 역할 할당이 임의로 수행되는 것을 감안할 때, 본 세션에서 정의되는 선수-역할 할당은 다른 세션에서 정의되는 선수-역할 할당과 상이할 수 있다. 즉, 예를 들어, 선수-역할 할당을 역할 치환열로 표시할 때, 서로 다른 세션 간에 벡터의 순서가 일치하지 않을 수 있으므로, 유사한 역할 간의 벡터 내에서의 순서를 정규화할 필요가 있다. 역할 별 위치 정보와 역할 배치를 이용하면, 서로 다른 세션(예를 들어, 서로 다른 경기) 간의 선수-역할 할당 간의 호환성을 확보할 수 있다. 이러한 작업은 콘트롤러(1440)에 의해 수행될 수 있으며, 이를 위해서 분석 기기(1400)는 사전에 다양한 세션에서 얻어진 선수-역할 할당들과 역할 배치, 역할 별 위치 분포에 대한 데이터에 대한 군집화나 분류를 통해 선수-역할 할당에서 선수의 순번을 일치시킬 수 있는 알고리즘을 이용할 수 있다.

이제, 분석 기기(1400)는 역할 별 위치 정보에 기초하여 포메이션을 식별할 수 있다(S5800). 예를 들어, 분석 기기(1400)는 역할 별 위치 정보로부터 딥 러닝 알고리즘을 이용하거나 군집화 과정에서 획득된 분류 알고리즘 등을 이용해 해당 세션에 대한 포메이션을 식별할 수 있다. 이에 대한 자세한 설명은 상술한 바 있으므로 여기서는 생략하기로 한다.

도 15를 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 선수 추적 데이터 셋을 획득하는 단계(S6100), 선수-역할 할당을 획득하는 단계(S6200), 주 선수-역할 할당을 획득하는 단계(S6300), 주 선수-역할 할당에 기초하여 선수 별 역할을 식별하는 단계(S6400)를 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

본 예에서는, 분석 기기(1400)가 선수 추적 데이터 셋을 획득하고(S6100), 선수-역할 할당을 획득하고(S6200), 주 선수-역할 할당을 획득할 수 있다(S6300). 여기서, 선수 추적 데이터 셋은 전체 세션 또는 이를 포메이션 기간에 관한 것으로, 후자의 경우에는 포메이션 기간에서 일정하게 유지되는 선수 별 역할을 획득하게 된다.

다음으로 분석 기기(1400)는 주 선수-역할 할당에 기초하여 선수 별 역할을 식별할 수 있다(S6400). 이에 따라 선수 별 역할은 최종적으로 해당 분야 종사자가 식별할 수 있는 포지션명으로 해석될 수 있을 것이다. 구체적으로, 콘트롤러(1440)는 주 선수-역할 할당에 따라 선수의 주 역할을 판단하고, 역할의 위치 정보를 선수의 위치 정보로 판단하고, 이로부터 선수의 포지션을 식별할 수 있다. 이때에는, 선수 개인 또는 다른 선수들의 위치 정보를 입력받아 포지션 레이블을 출력하는 딥 러닝 알고리즘을 이용하거나, 그 밖의 다른 분류 알고리즘을 이용할 수 있을 것이다. 또, 보다 복잡성이 높은 포메이션을 갖는 팀 스포츠에서는 상술한 예시에 따른 포메이션 식별자를 추가로 이용할 수도 있을 것이다.

도 16을 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 도 15에 따른 방법에 부 선수 역할 할당을 획득하는 단계(S7400), 및 주 선수-역할 할당 및 부 선수 역할 할당을 고려하여 역할 전환 정보를 획득하는 단계(S7500)를 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

본 예에서는, 상술한 몇몇 예시에 따라 주 선수 역할 할당이 완료되면, 분석 기기(1400)가 부 선수 역할 할당을 획득하고(S7400), 주 선수-역할 할당 및 부 선수 역할 할당을 고려하여 역할 전환 정보를 획득할 수 있다(S7500). 여기서, 부 선수 역할은 주 선수 역할을 제외하고 빈도수가 높은 선수-역할 할당일 수 있다. 콘트롤러(1440)는 상술한 부 선수 역할 결정 조건을 적용해 세션에 대한 부 선수-역할 할당을 검출할 수 있다.

다음으로, 분석 기기(1400)는 주 선수-역할 할당과 부 선수-역할 할당을 고려해 역할 전환 정보를 획득할 수 있다. 예를 들어, 콘트롤러(1440)는 주 선수-역할 할당과 부 선수-역할 할당의 빈도수에 기초해 두 선수-역할 할당이 발생하는 빈도를 판단하거나, 주 선수-역할 할당과 부 선수-역할 할당에서 변경된 선수 별 역할을 고려해 서로 역할을 전환하는 역할들 또는 선수들을 판단할 수 있다. 이외에도 역할 전환 정보에 대한 상세한 설명은 상술한 바 있다.

도 17을 참고하면, 본 기재의 실시예에 따른 팀 스포츠에 대한 전술 정보를 제공하는 방법의 일 예는, 타겟 세션에 대한 영상을 획득하는 단계(S9100), 타겟 세션에 대한 선수 추적 데이터 셋을 획득하는 단계(S9200), 선수 추적 데이터 셋으로부터 전술 분석 정보를 획득하는 단계(S9300), 및 전술 분석 정보를 이용해 영상의 타임 라인에 북마킹을 수행하는 단계(S9400)을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

먼저 분석 기기(1400)는 타겟 세션에 대한 영상(S9100)과 선수 추적 데이터 셋(S9200)을 획득할 수 있다. 여기서, 영상은 외부 카메라에서 촬상된 영상으로 스포츠 경기나 훈련에 대한 영상일 수 있으며, 선수 추적 데이터 셋은 동일한 세션에 대한 선수 위치 정보일 수 있다.

다음으로, 분석 기기(1400)는 선수 추적 데이터 셋으로부터 전술 분석 정보를 획득할 수 있다(S9300). 여기서, 전술 분석 정보는 상술한 역할 전환 정보, 비정규 상황인지 여부, 포메이션 기간이나 역할 기간에 관한 정보를 포함할 수 있다. 예를 들어, 콘트롤러(1400)는 상술한 몇몇 예시들로부터 획득되는 정보(예를 들어, 주 선수-역할 할당과 부 선수-할당의 비교 결과)를 이용해 선수 간 포지션 스위치가 일어난 시점이나 포지션 스위치가 수행되는 기간을 특정할 수 있다. 다른 예를 들어, 콘트롤러(1400)는 스위치율에 기반해 비정규 상황의 검출을 통해 비정규 상황의 발생 시점이나 발생 기간을 특정할 수 있다. 또 다른 예를 들어, 콘트롤러(1400)는 포메이션 변화점이나 역할 변화점을 검출해 포메이션 기간이나 역할 기간을 특정할 수 있다.

이처럼 전술 분석 정보가 획득되면, 분석 기기(1400)는 전술 분석 정보를 이용해 영상의 타임 라인에 북마킹을 수행할 수 있다. 예를 들어, 콘트롤러(1440)는 포지션 스위치와 관련된 시간 정보, 역할 기간에 관련된 시간 정보, 포메이션 기간에 관련된 시간 정보 등을 영상의 타임 라인에 북마킹할 수 있다. 이를 위해, 분석 기기(1400)는 영상과 선수 추적 데이터 셋 간의 시간 동기화를 사전에 수행할 수 있을 것이다. 한편, 여기서, 북마킹 시에는 단순히 타임 스탬프만 마킹하는 것이 아니라 발생한 이벤트의 종류(예를 들어, "풀백의 오버랩", "포워드-미드필더 포지션 스왑", "코너킥" 등)을 식별하는 정보를 함께 표시할 수도 있다.

한편, 이상에서 설명한 본 기재의 실시예에 따른 방법들이 본 기재의 다른 실시예에 따른 방법을 일부 선행적으로 이용하는 것으로 설명/도시한 것은 단지 설명의 편의를 위한 것임에 불과함을 미리 밝혀둔다.

이상에서 설명한 본 기재의 실시예는 상술한 방법이나 동작의 전부나 일부를 구현하는 컴퓨터 소프트웨어 프로그램으로 제공될 수 있다. 예를 들어, 컴퓨터 소프트웨어 프로그램은 기계 판독 가능 매체에 유형적으로 기록된 형태로 제공되는 프로그램 코드를 포함할 수 있으며, 프로그램 코드는 본 개시의 실시예에 따른 방법의 단계들이나 동작을 실행하기 위한 명령어들을 포함할 수 있다. 이러한 컴퓨터 프로그램은 통신 부분을 통해 네트워크로부터 다운로드 및 설치될 수 있으며, 및/또는 제거 가능한 매체로부터 설치될 수 있으며, 프로그램의 코드를 판독할 수 있는 프로세서에 의해 실행됨됨에 따라 본 기재의 실시예에 따른 단계들이나 동작들을 실행할 수 있다.

또한 이상에서 설명한 본 기재의 실시예는 상술한 소프트웨어 프로그램의 전부 또는 일부를 기록한 컴퓨터로 판독 가능한 기록매체의 형태로 제공될 수 있다. 이러한 기록 매체의 종류로는 플로피 디스크(Floppy Disk), 하드 디스크(Hard Disk), 시디롬(CD-ROM), 메모리 카드 등의 통상적인 메모리 장치가 될 수 있으며, 또는 인터넷이나 컴퓨터 통신망 등을 통하여 다운로드 받아서 사용할 수도 있다.

8. 결론

본 기재에 따른 실시예는 변화점 검출 프레임워크인 SportsCPD를 제공한다. SportsCPD는 팀 스포츠에서 전술적으로 의도된 포메이션 및 역할의 변화를 임시 변화와 구분할 수 있다. 첫째로, 임시 역할 위치 위상 관계와 포지션 전환을 각각 이진 행렬과 치환열의 시퀀스로 표현할 수 있다. 이를 이용해 잦은 반복치를 갖는 고차원 또는 비유클리드 데이터에 대해, 비모수적 변화점 검출 알고리즘(예를 들어, 이산 g-분할)을 적용해 포메이션과 역할 할당 변화점을 찾을 수 있다. 포메이션과 역할의 개념은 가장 기본적이고 직관적인 스포츠 팀의 전술을 표현하기 위한 가장 기본적이고 직관적인 방식이므로, 팀의 포메이션과 역할 변화를 추적하고 요약하는 것은 해당 분야 종사자에게 그 자체로 가치있다. 나아가, 임시 치환열과 같은 추가 정보를 이용해 스위치 패턴의 검색 또는 세트-피스의 검출을 할 수 있다. 따라서, 본 기재의 실시예들은 팀 스포츠 분야에서 널리 이용될 수 있을 것이다.

이하에서는, 본 기재의 SportsCPD 가 팀 스포츠 분야에서 이용되는 실시예들에 대해서 보다 구체적으로 설명한다. 다만, 본 기재의 기술적 사상의 범위가 하기의 실시예들에 의해 제한 해석되는 것은 아니며 하기의 실시예들은 단지 본 기재의 기술적 사상의 적어도 부분을 예시적으로 설명하기 위한 것임에 유의한다.

선수 추적 데이터 획득

도 18 은 본 기재의 실시예에 의해 사용될 수 있는 선수 추적 데이터의 획득을 위한 예시적 프로세스를 나타낸다. 이하, 도 18 을 참조하여 본 기재의 실시예들에 의해 사용될 수 있는 선수 추적 데이터의 획득 프로세스에 대해서 구체적으로 설명한다.

본 기재에서 "선수 추적 데이터"는 분석 대상인 타겟 시간 기간 동안의 대응하는 선수의 위치 데이터들의 시퀀스를 포함하는 개념으로 사용될 수 있다. 타겟 시간 기간에는 복수의 시점들이 포함되며 복수의 시점들 각각에서 선수의 위치에 대한 정보를 포함하는 위치 데이터가 획득될 수 있고, 선수 추적 데이터는 이와 같은 복수 시점들 각각에서의 위치 데이터들을 포함할 수 있다.

도 18 은 예를 들어 축구 경기에 참여하는 한 팀의 선수들 각각에 대한 위치 데이터의 시퀀스에 대한 획득 절차를 도시한다. 축구 경기는 하나의 팀에 총 11 명의 선수들 (1810) 이 포함되어 경기를 수행하며, 10 명의 필드 플레이어 (1811) 와 1 명의 골키퍼 (1813) 로 구분될 수 있다.

선수들 (1810) 각각에 대한 위치 데이터의 획득을 위해, 선수들 (1810) 마다 위치 정보 획득 디바이스 (1820) 들이 매칭될 수 있다. 위치 정보 획득 디바이스 (1820) 는 예를 들어 본 기재의 도 9 를 참조하여 설명된 바와 같은 센서 기기 (1200) 일 수도 있다. 도 18 의 위치 정보 획득 디바이스 (1820) 로서 예를 들어 GPS 디바이스가 도시되었으나, 본 기재의 선수들 (1810) 각각에 대한 위치 정보를 획득하기 위한 장치 (1820) 는 GPS 디바이스로 한정되지 아니하며, 예를 들어 센서 기기 (1200) 와 관련하여 전술된 바와 같이 GPS, LPS (예를 들어 UWB 또는 Bluetooth 기반 등) 또는 OTS (이미지 분석) 중 어느 하나와 같이 선수들 (1810) 각각의 위치 정보를 획득하기 위한 임의의 기술이 적용될 수 있다. 이하, 설명의 편의를 위해 GPS 기술 기반의 위치 추적 절차를 예시하여 기술한다.

선수들 (1810) 은 각각 대응하는 GPS 디바이스 (1820) 를 착용하고 경기에 참여하도록 지시될 수 있다. GPS 디바이스 (1820) 는 위성으로부터 GPS 신호를 수신하며 이에 따라 GPS 디바이스 (1820) 각각은 대응하는 선수에 대한 전역 위치 (1830) 를 출력할 수 있다. 예를 들어, GPS 디바이스 (1820) 는 GPS 데이터 (위도, 경도, 고도) 를 10 Hz 의 샘플링 레이트, 즉 0.1초 간격으로 출력하도록 구성될 수 있다. GPS 디바이스 (1820) 가 출력한 정보가 서버로 전달될 수 있다. 예를 들어, 서버는 도 9 를 참조하여 설명한 바와 같은 분석 기기 (1400) 일 수 있다.

따라서, 중간 휴식 시간 등을 포함하여 축구 경기의 시작에서부터 끝까지 통상적으로 소요되는 시간을 120 분이라고 가정하면, 각각의 선수 별로 72,000개 (120 분 X 60초/분 X 10 Hz) 의 위치 데이터가 확보될 수 있다. 실시 형태에 따라 위와 같은 GPS 위치 데이터로부터 획득되는 지역 위치 (1840) 또는 상대 위치 (1850) 의 개수는 전역 위치 (1830) 의 개수와 동일할 수도 있고 동일하지 아니할 수도 있다.

분석 기기 (1400) 는 GPS 디바이스로부터 전역 위치 (1830) 를 전달받아 이를 경기장 좌표계에 따른 지역 위치 (1840) 로 변환할 수 있다. 경기장 좌표계는 경기장의 모서리 중 어느 하나를 원점으로 하고, 예를 들어 x 축이 경기장의 길이이고, y 축이 경기장의 폭인 2 차원 좌표계를 의미할 수 있다.

분석 기기 (1400) 는 지역 위치 (1830) 를 기반으로 결정된 기준점을 참조하여 각 선수들의 기준점에 대한 상대 위치 (1850) 를 산출하도록 구성될 수 있다. 축구 경기와 같은 역동적인 팀 스포츠에서 선수들 각각의 위치는 매우 가변적이며 상대 위치로 변환 전의 실제 위치를 기반으로 유의미한 전술적 변화가 도출되기 어려울 수 있다. 그러나, 각 시점에서의 기준점에 대한 상대 위치는 비교적 적은 변화량을 가질 수 있고 상대 위치의 분석을 통해 보다 효율적인 전술 분석이 수행될 수 있다.

여기서, 기준점은 예를 들어 필드 플레이어 (1811) 들의 위치의 평균 위치일 수 있으나 이에 한정되지 아니한다. 골키퍼 (1813) 의 위치는 경기 전반에 걸쳐 비교적 적은 변화를 보이므로 나머지 필드 플레이어 (1811) 들의 위치들을 기준으로 기준점을 결정하는 것이 유리할 수 있다. 기준점은 선수들 (1810) 위치의 평균 뿐만 아니라 중앙점과 같은 다양한 대표값이 사용될 수 있다.

기준점은 타겟 기간에 포함되는 각 프레임 마다 산출되므로, 예를 들어 120분에 대해 72,000 프레임 별로 각각 기준점이 산출될 수 있으며, 이에 따라 각 프레임 별 선수들 (1810) 각각의 상대 위치 (1850) 를 산출할 수 있다. 본 기재의 실시예들에서 사용되는 선수들 각각에 대한 위치 데이터는 예를 들어 상대 위치 (1850) 에 대한 데이터일 수 있으나, 이에 한정되지 아니한다.

상술한 바와 같이 분석 대상이 되는 타겟 기간 내의 각각의 시점들에 대해 선수들 마다의 위치 데이터를 확보함으로써, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함하는 선수 추적 데이터 셋이 획득될 수 있다.

역할 할당 정보 획득

도 19 는 본 기재의 일 실시예에 따른 역할 할당 정보 획득 프로세스에 대한 개략적인 흐름도이고, 도 20 은 도 19 의 비정규 역할 할당 프로세스에 대한 상세 흐름도이다. 이하, 도 19 내지 도 20 을 참조하여 본 기재의 일 실시예에 따른 역할 할당 정보 획득 프로세스에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재에서 "역할 할당 정보"는 분석 대상인 타겟 기간 내의 복수의 시점들마다 각각 결정되는 역할 할당들을 포함하는 정보를 의미할 수 있다. "역할 할당"은 각 시점에서 복수의 선수들에게 각각 할당되는 복수의 역할 인덱스들을 지시할 수 있다. 예를 들어, 제 1 선수에게 역할 A 가, 제 2 선수에게 역할 B 가 할당되는 것과 같이, 각 선수마다 해당 시점에서 어느 역할을 수행하고 있는지 여부를 구분하기 위해 역할 인덱스가 할당될 수 있으며, 역할 할당은 각 시점의 이와 같은 선수들 각각에 대해 어떤 역할 인덱스가 할당되었는지 여부에 대한 정보를 의미할 수 있다.

도 18 을 참조하면, 본 기재의 일 실시예에 따른 역할 할당 정보 획득 프로세스는, 타겟 세션을 적어도 두 개의 시간 구간으로 분할하는 단계 (S1910), 선수 추적 데이터 셋을 획득하는 단계 (S1920), 역할 할당 정보를 획득하는 단계 (S1930), 주 역할 할당을 결정하는 단계 (S1940), 비정규 역할 할당을 결정하는 단계 (S1950), 공간 정보 셋을 획득하는 단계 (S1960), 역할 할당 정보를 업데이트하는 단계 (S1970), 또는 추가 갱신 필요 여부를 결정하는 단계 (S1980) 중 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

도 18 에 도시된 바와 같이, 컴퓨팅 디바이스는 타겟 세션을 적어도 두 개의 시간 구간으로 분할 (S1910) 할 수 있다. 타겟 세션의 분할은, 예를 들어 본 기재에서 설명되는 바와 같은 포메이션 구간 및/또는 역할 구간의 분할일 수 있으나 이에 한정되지 아니한다.

보다 구체적으로, 컴퓨팅 디바이스는 예를 들어 팀 스포츠의 한 경기에 대한 타겟 세션을 적어도 두 개의 시간 기간들로 나눌 수 있다. 여기서, 적어도 두 개의 시간 기간들은 팀 스포츠 경기에 참여하는 팀의 포메이션 변경 또는 복수의 선수들 중 적어도 일부의 역할 변경을 기준으로 분할된 제 1 시간 기간 및 제 2 시간 기간을 포함할 수 있다. 시간 기간의 분할은 예를 들어 본 기재에서 예시되는 바와 같은 변화점 검출 프로세스에 의해서 수행될 수 있으나, 임의의 분할 기준에 의해 구분된 기간 분할을 포함할 수 있다. 이하에서, 일 측면에 따르면, 역할 할당의 타겟이 되는 타겟 기간은 예를 들어 상기와 같이 분할된 제 1 시간 기간 또는 제 2 시간 기간 중 어느 하나일 수 있다.

다시 도 18 을 참조하면, 다음으로, 컴퓨팅 디바이스는 선수 추적 데이터 셋을 획득 (S1920) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 즉, 복수의 선수들 각각에 대해 타겟 기간에 포함되는 복수의 시점들 마다의 위치들에 대한 정보를 획득할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다. 또한, 일 측면에 따라 컴퓨팅 디바이스가 타겟 세션을 적어도 두 개의 시간 구간으로 분할한 경우, 제 1 시간 기간에 포함되는 복수의 시점들 또는 제 2 시간 기간에 포함되는 복수의 시점들에 대한 선수 추적 데이터가 획득될 수 있다.

다음으로, 컴퓨팅 디바이스는 역할 할당 정보를 획득 (S1930) 할 수 있다. 즉, 컴퓨팅 디바이스는 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보를 획득할 수 있다. 역할 할당 정보는, 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시할 수 있다.

보다 구체적으로 설명하면, 선수 추적 데이터 셋들을 획득하여 선수들 각각의 위치가 파악되면, 이를 이용해 선수 별 역할을 할당할 수 있다.

본 기재에서, "역할"은, 포메이션을 구성하는 플레이어 포지션을 매칭할 수 있는 복수의 참여자 구분들 중 어느 하나를 의미할 수 있다. 즉, "MF" 또는 "CF" 와 같이 복수의 포지션들 중 어느 포지션에 해당하는지 여부를 결정하기에 앞서, 복수의 포지션 중 어느 하나에 매칭될 수 있는 경기 참여자의 역할에 따른 구분일 수 있다. 이러한 역할에 대해서는 예를 들어 "역할 A"와 같은 역할 인덱스가 부여될 수 있으며, 본 기재에서 후술되는 바와 같이 각각의 역할 인덱스가 어느 포지션에 해당하는지 여부는 예를 들어 인공 신경망 기반의 딥 러닝 기법 또는 클러스터링 기법과 같은 컴퓨터 기반 기술에 의해 자동으로 식별될 수 있다.

반면에 본 기재에서 "선수"는 선수 추적 데이터의 획득 프로세스에 의해 위치가 추적되는 개체를 의미할 수 있다. 예를 들어 팀 스포츠의 한 경기 전체에 걸쳐 선수 교체가 존재하지 않고, 선수들 간의 역할 변경 역시 존재하지 않는다면, "선수"와 "역할"이 일대일로 매칭될 수도 있다. 그러나, 통상적으로 팀 스포츠에서는 한 경기에서 적어도 한 번 이상의 선수 교체가 발생하며, 필드 플레이어들 간의 포지션 변경 역시 발생 가능하다. 따라서, 하나의 "역할"에 대한 위치 데이터의 시퀀스는 2 이상의 "선수"에 대한 선수 추적 데이터의 적어도 일부가 혼합된 것일 수 있다.

역할 할당은 각 시점에서 복수의 선수들 각각에 대해 어느 역할 식별자가 할당되었는지 여부를 나타내는 정보이다. 선수들 각각에 대한 역할의 할당은 복수의 역할들 각각에 대한 위치 분포와 각 시점에서의 선수 위치를 기반으로 최적 할당을 수행하도록 할 수 있으며, 예를 들어 본 기재에서 앞서 설명한 바와 같은 로그 확률 밀도 기반의 비용 행렬 등의 헝가리안 알고리즘 (Hungarian algorithm) 을 이용할 수 있다.

이와 같은 역할 할당을 위해서는, 먼저 역할 별 위치 분포를 획득하는 것이 요구된다. 역할 별 위치 분포는 전체 세션 (예를 들어, 120분 기간) 또는 타겟 기간에 내에서의 각 역할들의 위치 분포를 나타내는 것일 수 있다. 역할 별 위치 분포는 본 기재에서 이하 "공간 정보 셋"에 포함되는 것으로 이해될 수 있으며, 공간 정보 셋은 각각의 역할에 대한 분석 대상이 되는 시간 기간에 포함하는 복수의 시점들 각각에서의 각 역할의 위치 데이터의 시퀀스를 포함할 수 있다. 예를 들어, 타겟 세션이 120 분이고 10 Hz 의 샘플링 레이트로 위치 데이터가 획득되는 경우, 각각의 역할에 대한 공간 정보 셋은 대응하는 역할의 72K개의 위치들의 시퀀스일 수 있다.

다만, 선수 추적 데이터 셋이 획득 (S1920) 된 이후의 첫 번째 역할 할당 정보의 획득 (S1930) 단계는, 선수의 위치에 대한 정보는 획득되었지만 역할의 위치에 대한 정보는 확보되지 못한 상황에서 수행된다. 따라서, 역할 할당 정보의 획득 (S1930) 단계에 있어서는 선수 별 위치 분포에 임시로 하나의 역할을 할당하여 획득되는 초기 역할 별 위치 분포가 사용될 수 있다.

관련하여, 도 21 은 선수 추적 데이터 기반의 초기 역할 할당 테이블의 예시이고, 도 22 는 예시적인 초기 역할 할당 결과를 도시한다. 이하, 도 21 내지 도 22 를 참조하여 초기 역할 할당에 대해서 설명한다.

선수 추적 데이터 셋이 획득 (S1920) 된 이후의 첫 번째 역할 할당 정보의 획득 (S1930) 단계에서는, 선수 별 위치 분포에 대한 선수 추적 데이터 셋은 확보되었으나, 역할 별 위치 분포에 대한 공간 정보 셋은 확보되지 않은 상태이다. 즉, 예를 들어 제 1 선수 (Player 1) 의 각 시점에서의 위치들은 알고 있지만, 역할 A 의 각 시점에서의 위치에 대해서는 전혀 알지 못하는 상황일 수 있다.

예를 들어, 역할 A 가 CF 인 경우에, 전반전에는 Player 1 이 CF 역할을 수행하였다가, 후반전에는 Player 2 가 CF 를 수행한 경우, CF 의 위치 분포는 Player 1 의 전반전의 위치 데이터들 (예를 들어, 1 내지 36,000 번째 시점까지의 Player 1의 위치들) 과 Player 2의 후반전의 위치 데이터들 (36,001 내지 72,000 번째 시점까지의 Player 2의 위치들) 의 집합일 수 있다.

그런데, 선수 추적 데이터 셋이 획득 (S1920) 된 이후의 첫 번째 역할 할당 정보의 획득 (S1930) 단계에서는, 어떤 시점에 어떤 선수가 CF 포지션을 수행하고 있는지 알지 못하는 상황이므로, 가정적으로 선수 별로 고정된 역할을 임시 할당할 수 있다. 예를 들어, Player 1 과 Player 2가 각각 타겟 세션 전체에 걸쳐 역할 A와 역할 B 를 수행한다고 가정할 수 있다.

도 22 에 도시된 바와 같이, 제 1 선수의 궤적 (2110) 에는 복수의 시점들 각각에서의 제 1 선수의 측정된 위치 (2111) 들이 포함될 수 있고, 제 2 선수의 궤적 (2120) 에는 복수의 시점들 각각에서의 제 2 선수의 측정된 위치 (2121) 들이 포함될 수 있다. 여기서, 제 1 선수에게 예를 들어 역할 A 를 임시로 할당하고, 제 2 선수에게 예를 들어 역할 B 를 임시로 할당하면, 제 1 선수에 대한 위치 분포 (2115) 는 역할 A 의 위치 분포 (2115) 와 동일하게 되고, 제 2 선수에 대한 위치 분포 (2125) 는 역할 B 의 위치 분포 (2125) 와 동일하게 된다.

도 21 에 도시된 바와 같이, 예를 들어 제 1 선수 내지 제 10 선수 각각에 대해 역할 A 내지 역할 J 가 임시로 할당되면, 모든 시점들에서 임시 할당과 동일한 역할 할당이 수행된 상태가 된다.

따라서, 22 에 도시된 바와 같이, 역할 A 내지 역할 J 각각에 대해, 초기 역할 별 위치 분포 (2105) 가 획득될 수 있다.

선수 추적 데이터 셋에 대한 임시 역할 할당에 따라 초기 역할 별 위치 분포가 획득되면, 앞서 살핀 바와 같이 선수 추적 데이터 셋과 초기 역할 별 위치 분포를 기반으로 예를 들어 헝가리안 알고리즘을 수행하는 것에 의해 프레임 별로 각 선수에 대한 역할 할당을 수행함으로써 역할 할당 정보를 획득할 수 있다. 다만, 선수에 대한 역할 할당을 위한 알고리즘은 헝가리안 알고리즘으로 한정되지 아니하며, 예를 들어 복수의 선수들 각각에 대한 비용을 최소화하는 방식으로 선수들 각각에 대한 역할 할당을 수행할 수 있다.

설명의 편의를 위해 간소화된 할당 절차를 예시하면, 예를 들어 10 명의 선수들 각각에 대해 중첩되지 않도록 10 개의 역할을 할당함에 있어서, 각 선수 별 비용을 최소화하도록 역할 할당을 수행할 수 있다. 여기서, 비용은 예를 들어, 특정 역할에 대한 대표 위치와 해당 프레임에서의 선수의 위치 간의 거리의 합이 최소가 되도록 선수에게 역할을 할당하는 것일 수 있다. 특정 역할에 대한 대표 위치는 예를 들어 특정 역할의 타겟 기간 전체에 걸친 평균 위치일 수 있다. 즉, 예를 들어 10 명의 선수에게 10 개의 역할을 각각 할당함에 있어서, 10 명의 선수와 그 선수들 각각에게 할당된 10 개의 역할의 평균 위치 간의 거리의 합이 최소가 되는 경우에 최적 할당이 이루어진 것으로 판단할 수 있다.

관련하여, 도 23 은 선수 위치와 역할 위치 간의 거리를 고려한 역할 할당을 도시한다. 도 23 에 도시된 바와 같이, 제 1 프레임, 예를 들어 0.1 sec 의 타임 스탬프에 대한 시점에서, 제 1 할당 예시 (2310-1) 과 제 2 할당 예시 (2310-2) 가 검토될 수 있다.

제 1 할당 예시 (2310-1) 에서는 제 1 선수에 대해 역할 A 가 할당되고 제 2 선수에 대해 역할 B 가 할당되는 경우를 가정하고, 제 2 할당 예시 (2310-2) 에서는 제 1 선수에 대해 역할 B 가 할당되고 제 2 선수에 대해 역할 A 가 할당되는 경우를 가정한다.

제 1 할당 예시 (2310-1) 에서, 역할 A 의 대표 위치 (2130) 와 제 1 프레임에서의 제 1 선수의 위치 (2311) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 1 프레임에서의 제 2 선수의 위치 (2312) 간의 거리의 합을 산출하여 제 1 할당 예시 (2310-1) 에 대한 비용을 결정하고, 제 2 할당 예시 (2310-2) 에서, 역할 A 의 대표 위치 (2130) 와 제 1 프레임에서의 제 2 선수의 위치 (2312) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 1 프레임에서의 제 1 선수의 위치 (2311) 간의 거리의 합을 산출하여 제 2 할당 예시 (2310-2) 에 대한 비용을 결정할 수 있다.

제 1 할당 예시 (2310-1) 에서의 비용이 제 2 할당 예시 (2310-2) 에서의 비용보다 더 작기 때문에, 제 1 프레임에서는 제 1 할당 예시 (2310-1) 에 따라 제 1 선수에 대해 역할 A 가 할당되고, 제 2 선수에 대해 역할 B 가 할당될 수 있다.

도 23 에서는 설명의 편의를 위해 제 1 선수 및 제 2 선수에 대한 할당의 예시가 도시되었으나, 팀 스포츠에 참여하는 복수의 선수들 각각에 대해 해당 시점에서의 역할 할당이 수행된다는 점이 앞서 설명된 바 있다.

또한, 분석 대상이 되는 타겟 기간에 포함되는 복수의 시점들, 즉 각각의 프레임 마다 역할 할당을 수행할 수 있다. 도 24a 내지 도 24c 는 복수의 시점들 각각의 역할 할당 변화를 나타낸다.

도 24a 는 제 2 프레임에서의 제 1 선수 및 제 2 선수에 대한 역할 할당 (2320) 을 나타낸다. 제 2 프레임에서는, 역할 A 의 대표 위치 (2130) 와 제 2 프레임에서의 제 1 선수의 위치 (2321) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 2 프레임에서의 제 2 선수의 위치 (2322) 간의 거리의 합에 따른 비용이 가장 작게 되어, 제 1 선수와 제2 선수에게 각각 역할 A 및 역할 B 가 할당될 수 있다.

그러나, 도 24b 에 도시된 제 1,234 프레임에서의 제 1 선수 및 제 2 선수에 대한 역할 할당 (2330) 을 살펴보면, 제 1,234 프레임에서는 역할 A 의 대표 위치 (2130) 와 제 1,234 프레임에서의 제 2 선수의 위치 (2332) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 1,234 프레임에서의 제 1 선수의 위치 (2331) 간의 거리의 합에 따른 비용이 가장 작게 되어, 제 1 선수에게 역할 B 가 할당되고 제 2 선수에게 역할 A 가 할당될 수 있다.

다시 도 24c 를 참조하면, 제 72,000 프레임에서의 제 1 선수 및 제 2 선수에 대한 역할 할당 (2340) 이 도시된다. 제 72,000 프레임에서는 역할 A 의 대표 위치 (2130) 와 제 72,000 프레임에서의 제 1 선수의 위치 (2341) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 72,000 프레임에서의 제 2 선수의 위치 (2342) 간의 거리의 합에 따른 비용이 가장 작게 되어, 다시 제 1 선수와 제2 선수에게 각각 역할 A 및 역할 B 가 할당될 수 있다.

도 25 는 역할 할당 변경 시점의 변경된 역할의 예시를 도시한다. 도 24a 내지 도 24c 를 참조하여 설명된 바와 같이, 제 1 선수 및 제 2 선수에 대한 역할 할당 결과를 살펴보면, 0.1 타임 스탬프의 시점에 제 1 선수에 대해 역할 A 가, 제 2 선수에 대해 역할 B 가 할당되었던 것과 달리, 123.4 타임 스탬프의 시점의 역할 할당 (2510) 을 살펴보면 제 1 선수에게 역할 B 가 할당되고, 제 2 선수에게 역할 A 가 할당되었다가, 다시 7,200.0 타임 스탬프의 시점에서의 역할 할당 (2520) 을 살펴보면, 제 1 선수 및 제 2 선수에게 각각 역할 A 와 역할 B 가 할당되는 것으로 복귀될 수 있다.

도 26 은 역할 할당 변경 구간을 포함하는 전체 역할 할당의 예시이다. 도 26 에 도시된 바와 같이, 제 1 기간 (2610) 동안에는 제 1 선수와 제 2 선수에게 각각 역할 A 와 역할 B 가 할당되는 정규 상황일 수 있다. 그러나 제 1 시점 (2621) 에, 제 1 선수와 제 2 선수 간의 포지션 스위치가 발생할 수 있다. 포지션 스위치는 예를 들어 제 2 선수의 오버래핑에 의해 제 1 선수가 제 2 선수의 빈 공간을 지키게 되는 상황을 포함할 수 있다. 따라서, 제 1 시점 (2621) 으로부터 제 2 시점 (2623) 에 이르는 제 2 기간 (2620) 동안에는 제 1 선수와 제 2 선수가 서로의 역할을 맞바꿀 수 있고, 제 1 선수에게 역할 B 가 할당되고 제 2 선수에게 역할 A 가 할당 (2625 참조) 될 수 있다. 제 2 시점 (2623) 에는 포지션 스위치가 종료되고, 제 3 기간 (2630) 동안은 다시 제 1 선수와 제 2 선수에게 각각 역할 A 와 역할 B 가 할당되는 정규 상황에 해당할 수 있다.

이상 제 1 선수 및 제 2 선수를 예시하여 설명한 바와 유사한 취지로 분석 대상이 되는 타겟 기간에 포함되는 복수의 시점 각각에 대해 복수의 선수들마다의 역할 할당을 수행함으로써, 도 19 에 도시된 바와 같은 역할 할당 정보를 획득하는 단계 (1930) 가 달성될 수 있다. 즉, 타겟 기간 내의 복수의 시점들 각각에서, 어떤 선수 (예를 들어, 제 1 선수) 에 대해 어떤 역할 인덱스 (예를 들어, 역할 A) 가 할당되었는 지 여부에 대한 정보를 획득할 수 있다.

다시 도 19 를 참조하면, 컴퓨팅 디바이스는 공간 정보 셋을 획득 (S1960) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 앞서 획득된 역할 할당 정보 및 선수 추적 데이터 셋들에 기초하여 복수의 역할 인덱스들 각각에 대한 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득할 수 있다.

예를 들어, 역할 A 의 역할 인덱스에 대한 공간 정보 셋은 타겟 기간 내에 복수의 시점들 각각에서의 역할 A 의 위치 데이터에 대한 정보를 포함할 수 있다. 도 19 의 역할 할당 정보의 획득 (S1930) 을 위해 사용된 초기 역할 별 위치 분포는 선수 별 위치 분포에 임의의 역할 인덱스를 할당한 것이므로 하나의 역할 식별자에 대한 초기 역할 별 위치 분포는 한 명의 선수에 대한 위치 데이터만을 포함하였다. 그러나, 도 19 의 역할 할당 정보의 획득 (S1940) 단계에서 예를 들어 제 1 선수에 대해 역할 A 가 아니라 역할 B 가 할당되는 것과 같이, 초기 역할 별 위치 분포를 기반으로 역할 할당이 수행된 이후에는 하나의 역할 식별자에 대한 공간 정보 셋에 복수 선수의 위치가 포함될 수 있다.

관련하여, 도 27 은 역할 할당을 통한 각 역할들에 대한 공간 정보 셋의 갱신을 나타내고, 도 28 은 도 27 의 공간 정보 셋의 갱신을 나타내는 역할 할당 테이블의 예시이다.

도 27 에 도시된 바와 같이, 복수의 선수들 각각에 역할 식별자가 임시로 할당된 상태 (2750) 에서는, 역할 A 의 위치는 모두 검정 원 (2711) 들로 표시되는 제 1 선수의 위치들로 구성되고, 역할 B 의 위치는 모두 검정 삼각형 (2721) 들로 표시되는 제 2 선수의 위치들로 구성된다. 따라서, 초기 역할 별 위치 분포 (2770) 를 살펴보면, 역할 A 의 초기 역할 별 위치 분포 (2115) 는 제 1 선수의 위치 분포를 기반으로 결정되고, 역할 B 의 초기 역할 별 위치 분포 (2125) 는 제 2 선수의 위치 분포를 기반으로 결정된다.

반면에, 도 19 의 역할 할당 정보 획득 단계 (S1930) 에 의해 각 시점 별로 선수들에게 역할을 할당한 이후 (2760) 를 살펴보면, 역할 A 의 위치들은 검정 원 (2711) 들로 표시되는 제 1 선수에게 역할 A 가 할당된 위치와, 흰 삼각형 (2713) 들로 표시되는 제 2 선수에게 역할 A 가 할당된 위치들을 함께 포함할 수 있다. 또한 역할 B 의 위치들은 검정 삼각형 (2721) 들로 표시되는 제 2 선수에게 역할 B 가 할당된 위치와, 흰 원 (2723) 들로 표시되는 제 1 선수에게 역할 B 가 할당된 위치들을 함께 포함할 수 있다. 따라서, 업데이트된 역할 별 위치 분포 (2780) 를 살펴보면, 역할 A 의 역할 별 위치 분포 (2715) 는 역할 A 의 초기 역할 별 위치 분포 (2115) 에 비해 보다 집중되는 형태를 보이며, 역할 B 의 역할 별 위치 분포 (2725) 는 역할 B 의 초기 역할 별 위치 분포 (2125) 에 비해 보다 집중되는 형태를 보인다.

다시 설명하면, 초기 역할 별 위치 분포에 근거하여 각 프레임 별로 선수들 각각에 대한 역할 할당이 일차적으로 완료되면, 역할 할당을 기반으로 다시 역할의 위치 분포들을 업데이트할 수 있다. 초기 역할 별 위치 분포에서는 제 1 선수와 제 2 선수가 각각 역할 A 와 역할 B 를 타겟 기간 전체에 걸쳐 고정하여 수행한 것으로 가정하여 위치 분포를 구하였으나, 프레임 별로 선수들 각각에 대한 역할 할당이 완료된 이후에는, 획득된 역할 할당과 선수 추적 데이터를 이용하여 역할 별 위치 분포를 다시 산출할 수 있다.

예를 들어, 도 28 에 나타난 역할 할당을 참조하면, 선수별 정렬에서 제 1 시간 구간 (2810) 에는 제 1 선수에게 역할 B 가 할당되고 제 2 선수에게 역할 A 가 할당된 것을 알수 있다. 따라서, 역할별 정렬에서 제 1 시간 구간 (2820) 에서의 역할 A 의 위치는 제 1 선수의 위치이고, 역할 B 의 위치는 제 2 선수의 위치일 수 있다.

보다 구체적으로, 역할 A 를 기준으로 살펴볼 때, 1 내지 1,233 그리고 8,736 내지 72,000 프레임에서는 제 1 선수가 역할 A 를 수행하고, 1,234 내지 8,735 프레임에서는 제 2 선수가 역할 A 를 수행하므로, 역할 A 에 대한 역할 별 위치 분포는 제 1 선수의 1 내지 1,233 및 8,736 내지 72,000 번째 프레임에서의 위치와 제 2 선수의 1,234 내지 8,735 프레임에서의 위치로 구성될 수 있다.

도 19 의 공간 정보 셋을 획득하는 단계 (S1960) 에서 획득되는 역할별 공간 정보 셋들은, 전술한 바와 같이 역할 할당 정보 획득 단계 (S1930) 에 따른 역할 할당이 반영된 역할 별 위치 분포를 각각 포함할 수 있다. 역할 할당 결과를 기반으로 획득된 역할 인덱스들 각각에 대한 공간 정보 셋들은 임시 역할 할당에 따른 초기 역할 별 위치 분포에 비해 보다 집중되고 대응하는 역할의 위치를 더 잘 표현하는 갱신된 역할 별 위치 분포를 포함할 수 있게 된다.

한편, 본 기재의 일 측면에 따르면, 복수의 시점들 각각에 대한 역할 할당들 중에서, 노이즈에 해당하는 역할 할당을 제거하고 나머지 유효한 역할 할당들만을 이용하여 각각의 역할에 대한 공간 정보 셋을 획득할 수 있다. 환언하면, 공간 정보 셋을 획득 (S1960) 하는 단계에서 역할 별 위치 분포를 업데이트 함에 있어 노이즈 요소를 제거하는 것이 수반될 수 있다.

역할 별 위치 분포는 해당 역할의 위치적인 특성을 나타내기 위해 획득되는 것인데, 예를 들어 축구나 농구와 같은 팀 스포츠에서는 선수들의 움직임이 매우 유동적이며, 팀 스포츠에 참여하는 팀의 포메이션이나 선수의 포지션이 붕괴되어 그 구분이 무의미한 상황이 발생할 수 있다. 포메이션이나 포지션이 붕괴된 상황은 대표적으로 코너킥이나 프리킥과 같은 세트 피스 상황을 예로 들 수 있다. 이와 같이 포메이션이나 포지션이 붕괴된 상황을 노이즈로서 제외하고 역할 별 위치 분포를 업데이트하면, 해당 역할의 위치적 특성이 보다 정확하게 역할 별 위치 분포에 반영될 수 있고, 이를 통한 다양한 팀 스포츠에 관한 전술 분석의 정확성이 제고될 수 있다.

특히, 본 기재의 일 측면에 따라 타겟 세션을 적어도 두 개의 시간 구간으로 분할 (S1910) 하고, 분할된 기간에 대한 공간 정보 셋을 획득 (S1960) 하는 경우에는 노이즈 제거의 필요성 및 정확성 제고의 효과가 더욱 크게 나타날 수 있다. 앞서 예시한 바와 같이 팀 스포츠에 대한 전체 세션을 120분으로 가정하면, 별도의 시간 기간 분할 없이 전체 세션에 대해 분석을 수행하는 경우 예를 들어 대략 10분 가량의 세트피스 상황을 포함하여 분석을 수행하여도 소정 역할에 대한 분석의 정확성에 큰 영향을 미치지 않을 수 있다. 그러나, 예를 들어 포메이션의 변화점이나 역할의 변화점과 같이 소정 기준으로 타겟 세션을 분할하는 경우, 하나의 시간 구간은 20분 가량의 짧은 시간 길이를 가질 수도 있다. 20분의 짧은 시간 구간에 반복적인 세트피스 상황이 연속하여 발생한다면, 10분 이상의 세트피스 상황이 노이즈 상황으로서 포함되어, 20분의 전체 구간에 대한 역할 별 위치 분포를 기반으로 하는 전술 분석의 정확성은 매우 낮아질 수 있다. 따라서, 본 기재의 일 측면에 따라 타겟 세션을 적어도 두 개의 시간 구간으로 분할 (S1910) 하고, 분할된 기간에 대한 공간 정보 셋을 획득 (S1960) 하는 경우에는 역할 별 위치 분포의 업데이트 있어 노이즈 상황을 제거하는 것이 요구된다.

제거 대상이 되는 노이즈는 본 기재에서 "비정규 상황"으로 지칭될 수 있다. 관련하여, 도 29 는 비정규 역할 할당을 결정하기 위한 역할 할당 테이블의 예시이고, 도 30 은 도 29 의 역할 할당 테이블에 따른 스위치율 결정의 예시이다. 이하, 도 29 및 도 30 을 참조하여 본 기재의 일 실시예에 따른 비정규 역할 할당의 결정에 대해서 설명한다.

도 19 에 도시된 바와 같이, 컴퓨팅 디바이스는 공간 정보 셋을 획득 (S1960) 함에 앞서, 주 역할 할당을 결정 (S1940) 하고, 비정규 역할 할당을 결정 (S1950) 하여, 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 나머지 역할 할당 정보에 대응하는 선수 추적 데이터 셋들의 일부에 기초하여 복수의 역할 인덱스들 각각에 대한 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득 (S1960) 하도록 구성될 수 있다.

즉, 역할 할당 정보 획득 단계 (S1930) 를 통해 복수의 시점들 각각에 대한 복수의 역할 할당이 획득되면, 컴퓨팅 디바이스는 복수의 역할 할당들에 기초하여 주 역할 할당을 결정 (S1940) 할 수 있다. 일 측면에 따르면, 주 역할 할당은, 복수의 역할 할당들 중 최빈 역할 할당일 수 있다. 도 29 에 예시적으로 도시된 바에 따르면, 제 1 시점 (2910) 에서와 같이, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 분석 대상인 전체 시간 구간 내에서 가장 높은 빈도로 발생하므로, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 주 역할 할당으로 결정될 수 있다. 다만, 주 역할 할당의 결정은 최빈 역할 할당으로 한정되지 아니하며, 다양한 주 역할 할당의 선정 기준이 적용될 수 있다고 이해되어야 할 것이다.

이어서, 도 19 에 도시된 바와 같이 컴퓨팅 디바이스는 주 역할 할당을 고려하여 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정 (S1950) 할 수 있다.

도 20 에 더욱 구체적으로 도시된 바와 같이, 비정규 역할 할당을 결정하는 단계 (S1950) 는, 주 역할 할당과 각 역할 할당 사이의 거리 정보 획득 (S1951) 단계와 거리 정보에 기초하여 비정규 역할 할당을 결정 (S1953) 하는 단계를 포함할 수 있다.

컴퓨팅 디바이스는, 복수의 역할 할당들 각각에 관한 주 역할 할당으로부터의 거리들에 관한 정보를 획득할 수 있다 (S1951). 여기서, 거리는, 복수의 역할 할당들 각각과 주 역할 할당 사이의 서로 상이한 정도를 반영하는 것일 수 있다. 또한 일 측면에 따르면 거리는, 복수의 역할 할당들 각각에 관한 주 역할 할당으로부터의 스위치율일 수 있다.

보다 구체적으로, 컴퓨팅 디바이스는 타겟 기간에 포함되는 복수의 시점들 각각에 대한 각 역할 할당에 대해서 주 역할 할당과 서로 상이한 정도를 결정할 수 있다. 도 29 의 제 2 기간 (2920) 에 포함되는 시점들의 역할 할당들은 제 1 선수와 제 2 선수의 역할이 주 역할 할당과 달리 각각 역할 B 및 역할 A 인 것으로, 비교적 주 역할 할당과의 차이가 크지 않을 수 있다. 반면에 도 29 의 제 3 기간 (2930) 에 포함되는 시점들의 역할 할당들은 선수들 각각에 대해 할당된 역할들이 주 역할 할당과 상당 부분 차이가 나는 것으로 확인할 수 있다.

이와 같은 주 역할 할당과 각 역할 할당 간의 서로 상이한 정도는 서로 다른 역할의 개수를 기반으로 산출되는 스위치율로서 표현될 수 있다. 도 30 을 참조하면, 제 2 기간 (2920) 에 포함되는 시점들은 전부 제 1 선수와 제 2 선수에 대한 역할이 주 역할 할당과 상이하여, 20% 의 스위치율을 가질 수 있다. 반면에, 제 3 기간 (2930) 에 포함되는 시점을 참조하면, 주 역할 할당과 상이한 역할을 가지는 선수가 7 명 이상이어서, 70 % 이상의 스위치율을 각각 가지는 것을 확인할 수 있다.

도 20 을 참조하면, 컴퓨팅 디바이스는, 이와 같은 주 역할 할당에 대한 각 역할 할당의 거리들에 관한 정보에 기초하여 비정규 역할 할당을 결정 (S1953) 할 수 있다. 예를 들어, 스위치율이 70% 이상인 경우에는 해당 프레임은 비정규 상황으로 간주될 수 있고, 이는 역할 별 위치 분포의 업데이트를 수행함에 있어서 제외될 수 있다. 도 30 의 예시를 살펴보면, 제 2 기간 (2920) 에 포함되는 시점들에 대응하는 역할 할당은 20% 의 스위치율을 가지므로 비정규 상황에 포함되지 않으나, 제 3 기간 (2930) 에 포함되는 시점들에 대응하는 역할 할당은 전부 70% 이상의 스위치율을 가지므로, 해당 역할 할당들은 비정규 상황으로 간주되고 해당 시점에 따른 역할의 위치는 역할 별 위치 분포를 업데이트함에 있어서 고려되지 않을 수 있다.

즉, 다시 도 19 를 참조하면, 컴퓨팅 디바이스는 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 나머지 역할 할당 정보에 대응하는 선수 추적 데이터 셋들의 일부에 기초하여 복수의 역할 인덱스들 각각에 대한 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득 (S1960) 할 수 있다. 비정규 역할 할당을 제외한 나머지 역할 할당 정보에 따르면, 정규 상황에 해당하는 각 시점들마다 어떤 선수에게 어떤 역할 인덱스가 할당되었는지 여부를 알 수 있으며, 선수 추적 데이터 셋을 통해 해당하는 선수의 대응하는 시점에서의 위치를 알 수 있으므로, 정규 상황에 해당하는 각 시점들마다 역할들 각각의 위치를 알 수 있다. 따라서, 컴퓨팅 디바이스는 각 역할의 타겟 기간 내의 각 시점들에서의 위치 데이터의 시퀀스를 포함하는 각각의 역할에 대한 복수의 공간 정보 셋을 획득할 수 있다.

도 31 은 비정규 프레임 제거에 따른 각 역할들에 대한 공간 정보 셋의 갱신을 나타내고, 도 32 는 도 31 의 공간 정보 셋의 갱신에 따라 동일한 시점에서 역할 할당이 변경되는 것을 예시적으로 도시한다. 이하, 도 31 내지 도 32 를 참조하여 비정규 상황의 제거에 따른 효과에 대해서 설명한다.

도 31 에 도시된 바와 같이, 비정규 프레임의 결정 전의 역할 별 위치 분포 (3150) 를 살펴보면, 도 27 을 참조하여 설명된 바와 같이 역할 A 의 위치들은 검정 원 (2711) 들로 표시되는 제 1 선수에게 역할 A 가 할당된 위치와, 흰 삼각형 (2713) 들로 표시되는 제 2 선수에게 역할 A 가 할당된 위치들을 함께 포함할 수 있다. 또한 역할 B 의 위치들은 검정 삼각형 (2721) 들로 표시되는 제 2 선수에게 역할 B 가 할당된 위치와, 흰 원 (2723) 들로 표시되는 제 1 선수에게 역할 B 가 할당된 위치들을 함께 포함할 수 있다.

이후, 비정규 프레임의 결정 이후 (3160) 를 살펴보면, 검정 하트 (3111) 들로 표시되는 것과 같이 역할 A 에 대한 위치 중 노이즈에 해당하는 위치가 제거될 수 있고, 검정 십자 (3121) 들로 표시되는 것과 같이 역할 B 에 대한 위치 중 노이즈에 해당하는 위치가 제거될 수 있다. 도 31 에서는 설명의 편의를 위해 선수 1 이 역할 A 내지 역할 B 를 수행하는 시점에서 노이즈가 발생하는 것으로 도시되었지만, 실제로는 노이즈에 해당하는 포메이션 붕괴의 시점에서는 역할 A 내지 역할 B 뿐만아니라 다른 어떤 역할을 수행하는 것으로도 결정될 수 있을 것이다.

결과적으로, 노이즈가 제거된 역할 별 위치 분포 (3170) 를 살펴보면, 역할 A 의 역할 별 위치 분포 (3115) 는 역할 A 의 초기 역할 별 위치 분포 (2115) 는 물론 도 27 의 갱신된 역할 별 위치 분포 (2715) 에 비해서도 보다 집중되는 형태를 보이며, 역할 B 의 역할 별 위치 분포 (3125) 는 역할 B 의 초기 역할 별 위치 분포 (2125) 는 물론 도 27 의 갱신된 역할 별 위치 분포 (2725) 에 비해서도 보다 집중되는 형태를 보인다. 따라서, 각 역할에 대한 역할 별 위치 분포는 대응하는 역할의 위치적 특성을 더욱 잘 표현할 수 있게 된다.

도 32 를 참조하면, 동일한 시점의 동일한 선수 위치에 대해서도, 초기 역할 별 위치 분포에 따른 역할 할당과 노이즈가 제거된 역할 별 위치 분포에 기반한 역할 할당이 서로 상이할 수 있음을 확인할 수 있다.

보다 구체적으로, 초기 역할 별 위치 분포에 따른 역할 할당 (3280) 을 살펴보면, 역할 A 의 초기 역할 별 위치 분포 (2115) 와 역할 B 의 초기 역할 별 위치 분포 (2125) 를 기반으로 역할 할당이 수행될 수 있다. 역할 A 의 대표 위치 (2130) 와 제 24,562 프레임에서의 제 1 선수의 위치 (3211) 간의 거리와, 역할 B 의 대표 위치 (2140) 와 제 24,562 프레임에서의 제 2 선수의 위치 (3212) 간의 거리의 합을 산출하여 결정된 비용이 가장 낮으므로, 초기 역할 별 위치 분포에 따른 역할 할당 (3280) 에서는 제 24,562 프레임에서 제 1 선수에 대해 역할 A 가 할당되고, 제 2 선수에 대해 역할 B 가 할당될 수 있다.

반면에, 노이즈가 제거된 역할 별 위치 분포에 따른 역할 할당 (3290) 을 살펴보면, 역할 A 의 노이즈를 반영하여 갱신된 역할 별 위치 분포 (3115) 와 역할 B 의 노이즈를 반영하여 갱신된 역할 별 위치 분포 (3125) 를 기반으로 역할 할당이 수행될 수 있다. 역할 A 의 대표 위치 (3230) 와 제 24,562 프레임에서의 제 2 선수의 위치 (3212) 간의 거리와, 역할 B 의 대표 위치 (3240) 와 제 24,562 프레임에서의 제 1 선수의 위치 (3211) 간의 거리의 합을 산출하여 결정된 비용이 가장 낮으므로, 노이즈가 제거된 역할 별 위치 분포에 따른 역할 할당 (3290) 에서는 제 24,562 프레임에서 제 1 선수에 대해 역할 B 가 할당되고, 제 2 선수에 대해 역할 A 가 할당될 수 있다.

즉, 동일 프레임의 동일 선수에 대해서 노이즈 제거를 통한 갱신된 역할 별 위치 분포를 이용하는 것에 따라 상이한 역할 할당이 발생될 수 있고, 이는 해당 역할의 위치적 분포를 더 잘 반영하여 전술 분석의 정확성을 제고하는데 도움이 될 수 있다.

다시 도 19 를 참조하면, 컴퓨팅 디바이스는 복수의 공간 정보 셋들을 이용하여 역할 할당 정보를 갱신 (S1970) 할 수 있다. 즉, 컴퓨팅 디바이스는 초기 역할 별 위치 분포를 기반으로 획득된 역할 할당 정보와 일 측면에 따라서는 노이즈가 제거된 역할들 각각에 대한 공간 정보 셋들을 이용하여, 복수의 선수들 각각에 대해 역할을 재 할당함으로써 역할 할당 정보를 업데이트할 수 있다. 본 기재의 일 측면에 따라, 주 역할 할당 결정 (S1940), 비정규 역할 할당의 결정 (S1950), 비정규 역할 할당을 제외한 나머지 역할 할당 정보에 기반한 공간 정보 셋의 획득 (S1960) 및 역할 할당 정보의 업데이트 (S1970) 는 미리 결정된 조건이 만족될 때까지 반복적으로 수행될 수 있다.

즉, 보다 향상된 정확도를 가지는 각각의 역할에 대한 역할 별 위치 분포를 기반으로 선수들에 대한 역할 할당 및 노이즈 제거, 그리고 다시 더 향상된 정확도를 가지는 역할 별 위치 분포의 획득 및 선수 역할 할당 및 노이즈 제거, 더 업데이트된 역할 별 위치 분포의 획득 및 그에 따른 선수들 각각에 대한 역할 재할당의 프로세스가 반복될 수 있다.

이러한 반복 과정에서, 변경된 역할 별 위치 분포를 기반으로 수행되는 역할 할당은 동일 프레임에 대한 동일 선수에 대해 상이한 역할이 할당될 수 있음은 도 32 를 참조하여 설명한 바와 같다. 다만, 이와 같은 역할 할당의 변경은 모든 프레임의 모든 선수에 대해서 발생하지 아니하며, 역할 할당의 갱신 및 공간 정보 셋의 갱신을 반복할 수록 역할 할당이 변경되는 프레임 또는 선수의 수가 감소할 수 있고, 더 이상 재할당을 하더라도 선수에 대해 할당되는 역할이 바뀌지 않는 지점에 도달하게 될 수도 있다.

관련하여, 도 19 에 도시된 바와 같이, 컴퓨팅 디바이스는, 복수의 공간 정보 셋들 또는 역할 할당 정보에 대한 추가 갱신이 요구되는지 여부를 결정 (S1980) 할 수 있다. 소정의 기준에 따라 공간 정보 셋들 또는 역할 할당 정보에 대해 추가 갱신이 요구된다고 결정되는 경우에는, 종전 업데이트된 역할 할당 정보를 기반으로 공간 정보 셋을 획득하고 재차 선수들 각각에 대한 역할 할당을 수행하여 역할 할당 정보에 대한 추가 갱신을 수행할 수 있다. 소정의 기준에 따라 공간 정보 셋들 또는 역할 할당 정보에 대해 추가 갱신이 요구되지 않는다고 결정된 경우에는, 마지막 역할 할당 정보의 업데이트에 따른 역할 할당 정보를 기반으로 역할 별 위치 분포를 산출하여, 최종적으로 역할들 각각에 대한 공간 정보 셋을 획득할 수 있다.

본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는, 직전의 역할 할당 정보를 갱신하는 단계에 의해 역할 할당 정보의 적어도 일부가 변경되었는지 여부에 기초하여 추가 갱신이 요구되는지 여부를 결정할 수 있다. 예를 들어, 직전의 역할 할당 정보를 갱신하는 단계에 의해 역할 할당 정보가 조금도 변경되지 않았다면 역할 할당 정보에 대한 갱신 절차는 수렴한 것으로 판단하고 더 이상 추가 갱신이 필요하지 않다고 결정하며, 종전의 공간 정보 셋이 최종 공간 정보 셋으로 확정될 수 있다.

다만, 반복적인 역할 할당에도 불구하고 수렴이 발생하지 않는 경우도 존재할 수 있다. 관련하여, 본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는, 직전의 역할 할당 정보를 갱신하는 단계에 의해 각 시점의 역할 할당이 변경된 시점들이 미리 결정된 임계값 이하인지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정할 수 있다. 예를 들어, 타겟 기간에 포함되는 복수의 시점들 중, 직전의 역할 할당 정보를 갱신하는 단계에 의해 갱신 전의 역할 할당에서 변경이 발생한 시점이 미리 결정한 개수 이상이면, 아직 추가적인 갱신이 필요하다고 판단될 수 있다. 예를 들어, 예를 들면 타겟 세션에 대한 전체 시퀀스가 72,000 개의 시점을 포함하는 경우에, 전체의 1 % 이하 시점들에서반 역할 할당이 변경될 때까지 추가 갱신을 수행하도록 결정할 수 있다.

본 기재의 다른 측면에 따르면, 컴퓨팅 디바이스는, 미리 결정된 갱신 횟수가 달성되었는지 여부에 기초하여 추가 갱신이 요구되는지 여부를 결정할 수 있다. 예를 들어, 10 번의 역할 할당에 대한 갱신이 완료된 경우 더 이상 추가적인 업데이트를 수행하지 않고 역할 할당 프로세스를 종료하도록 할 수 있다.

이외에도, 컴퓨팅 디바이스는 다양한 반복 횟수의 조건이나 회수를 정의하여 해당 조건이나 횟수가 만족될 때까지 갱신을 반복할 수 있다.

추가 갱신이 더 이상 필요하지 않다고 결정되면, 최종적으로 모든 시점에 대한 선수들 각각의 역할 할당 정보가 획득되고, 또한 모든 역할들 각각에 대한 복수의 시점들 각각에서의 위치 데이터의 시퀀스를 포함하는 공간 정보 셋들이 획득될 수 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고; 상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하고; 상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하고; 그리고 상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신; 하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 역할 할당 정보 획득 프로세스에 따를 수 있다.

포메이션 기간 분할

도 34 는 본 기재의 일 실시예에 따른 포메이션 시간 기간 분할 프로세스에 대한 개략적인 흐름도이고, 도 35 는 도 34의 변화점 검출 프로세스에 대한 공간 배열 정보 획득의 상세 흐름도이며, 도 36 은 도 34 의 변화점 검출 프로세스에 대한 거리 정보 획득의 상세 흐름도이다. 이하, 도 34 내지 도 36 을 참조하여 본 기재의 일 실시예에 따른 포메이션 구간 분할에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재의 일 실시예에 따르면, 예를 들어 팀 스포츠의 한 경기에 대한 타겟 세션을 팀 스포츠의 경기에 참여하는 팀의 팀 포메이션이 변경되는 시점을 기준으로 적어도 2 이상의 포메이션 시간 구간들로 분할할 수 있다. 팀 스포츠에 대한 전술 분석에 있어서 팀 스포츠에 참여하는 팀의 포메이션에 대한 분석은 매우 중요하다. 또한, 팀 포메이션에 대한 분석 뿐만 아니라, 포메이션 내에서의 적어도 일부의 선수의 역할 변경에 대한 분석과 같은 보다 구체적이고 고차원적인 분석을 수행함에 있어서도, 팀 스포츠에 참여하는 팀의 팀 포메이션이 변경되는 시점을 파악하여 포메이션 구간을 분할하고, 분할된 포메이션 시간 구간에 대해서 각각 고차원적 전술 분석을 수행하는 것이 보다 정확하고 의미있는 전술 정보를 확보하는데 도움이 될 수 있다.

도 34 를 참조하면, 본 기재의 일 실시예에 따른 포메이션 기간 분할 프로세스는, 선수 추적 데이터 셋을 획득 (S3410) 하는 단계, 포메이션 변경에 대한 변화점을 검출 (S3420) 하는 단계, 검출된 변화점이 유효한지 여부를 결정 (S3430) 하는 단계, 또는 타겟 세션을 시간 구간들로 분할 (S3440) 하는 단계 중 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

도 34 에 도시된 바와 같이, 컴퓨팅 디바이스는 먼저 선수 추적 데이터 셋을 획득 (S3410) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 포메이션 시간 기간의 분할 대상은 팀 스포츠의 한 경기의 운영 시간에 대응되는 타겟 세션일 수 있다. 타겟 세션 동안의 복수의 시점들 각각에 대해 복수의 선수들 각각의 위치들에 대한 정보를 획득할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다음으로, 도 34 에 도시된 바와 같이 컴퓨팅 디바이스는 포메이션 변경에 대한 변화점을 검출 (S3420) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 앞서 획득된 복수의 선수 추적 데이터 셋들에 기초하여 타겟 세션 이내의 복수의 시점들 각각에 대응하는 특징값들을 생성하고, 이러한 특징값들에 대해 변화점 검출 (Change Point Detection, CPD) 알고리즘을 적용할 수 있다. 그 결과, 컴퓨팅 디바이스는, 타겟 세션 내의 복수의 시점들 중에서, 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 나타내는 변화점을 검출할 수 있다.

타겟 세션을 적어도 2 이상의 포메이션 시간 기간으로 분할 하는 것은, 분석 대상이 되는 타겟 세션에 포함되는 복수의 시점들 중에서, 포메이션의 변화가 수행되는 특정한 시점인 변화점을 검출하는 것에 의해 수행될 수 있다. 따라서, 변화점을 검출하기 위해서는 타겟 세션에 포함되는 복수의 시점들 각각에 대해서, 각 시점마다 상이할 수 있는 특징을 반영할 수 있는 특징값을 생성하는 것이 요구될 수 있다. 복수의 시점들 각각에 대해서 각 시점의 특징값들이 생성되면, 특징값들의 시퀀스들에 대해 소정의 변화점 검출 알고리즘을 적용함으로써, 특징값들 기반의 변화점 검출이 달성될 수 있다.

여기서, 변화점 검출 알고리즘은 예를 들어 본 기재의 "3. 관련 기술"에서 상술된 바와 같이, 비모수적 변화적 검출 기법이 적용될 수 있고, 보다 구체적으로는 변화점 검출 알고리즘이 이산 g-분할 (Discrete g-Segmentation) 알고리즘을 포함할 수 있다. 그러나, "3. 관련 기술"에서도 언급된 바와 같이 이와 같은 특정 알고리즘으로 본 기재의 변화점 검출 기법이 한정되는 것은 아니며, 판단 대상 값들의 시퀀스를 기반으로 특성의 변화점을 검출할 수 있는 임의의 CPD 알고리즘이 사용될 수 있다고 이해되어야 할 것이다.

본 기재의 일 측면에 따르면, 변화점 검출 알고리즘을 적용하기 위한 각 시점들 마다의 특징값들은, 예를 들어 그 시점에서의 선수 또는 역할의 위치 그 자체에 대한 정보나, 선수 또는 역할들 간의 위치적 관계에 대한 정보를 기반으로 생성될 수 있다.

보다 구체적으로, 복수의 시점들 각각에 대한 각 특징값은, 각 시점의 복수의 선수들의 위치들, 각 시점의 선수 공간 배치, 각 시점의 복수의 역할들의 위치들, 또는 각 시점의 역할 공간 배치 중 적어도 하나에 기초하여 생성될 수 있다.

앞서 선수 추적 데이터 셋을 획득 (S3410) 하였으므로, 각 시점에 복수의 선수들 각각의 위치들에 대한 정보가 획득될 수 있다. 각 시점에 위치한 복수의 선수들의 위치를 기반으로 해당 시점의 특징을 나타내는 특징값을 산출할 수 있다. 예를 들어, 해당 시점에서 전체 선수의 평균 위치를 그 시점의 특징값으로 결정할 수도 있다. 복수의 시점들의 시퀀스에 대해서 변화점 검출 알고리즘을 적용하여, 전체 선수의 평균 위치가 유의미하게 변화하는 시점을 포메이션 변화를 나타내는 변화점으로 검출하도록 할 수도 있다.

한편, 각 시점에서의 선수 공간 배치를 기반으로 해당 시점의 특징을 나타내는 특징값이 생성될 수 있다. 선수 공간 배치는 각 시점의 복수의 선수들 간의 위치적 관계를 반영하는 것일 수 있다. 선수 공간 배치 기반의 특징값은 본 기재에서 이후 상술되는 바와 같이 예를 들어 선수들 간의 인접성을 기반으로 산출되는 선수 인접성 정보가 포함될 수 있다.

다른 측면에서는, 각 시점의 복수의 역할들의 위치들을 기반으로 해당 시점의 특징을 나타내는 특징값을 산출할 수 있고, 예를 들어 해당 시점에서 전체 역할의 평균 위치를 그 시점의 특징값으로 결정할 수도 있다.

또한, 각 시점에서의 역할 공간 배치를 기반으로 해당 시점의 특징을 나타내는 특징값이 생성될 수도 있다. 역할 공간 배치는 각 시점의 복수의 역할들 간의 위치적 관계를 반영하는 것일 수 있다. 역할 공간 배치 기반의 특징값은 본 기재에서 이후 상술되는 바와 같이 예를 들어 역할들 간의 인접성을 기반으로 산출되는 역할 인접성 정보가 포함될 수 있다.

본 기재의 실시예들에서 각 시점의 특징값을 생성하기 위해 사용되는 정보는 "선수" 또는 "역할"의 관점에서 어느 하나로 한정되지 아니하며, "복수의 위치들" 또는 "공간 배치"의 관점에서도 어느 하나로 한정되지 아니한다.

다만, "선수" 또는 "역할"의 관점에서, 전술한 바와 같이 "선수"와 "역할"은 서로 상이할 수 있으며 특히 타겟 세션 내에서 선수 교체나 선수들 간의 지시된 포지션 변경이 발생하는 경우, "역할"이 포메이션을 구성하는 포지션들에 대한 변화를 좀 더 반영할 수 있다.

또한, "복수의 위치들"과 "공간 배치"의 관점에서도, 예를 들어 축구나 농구와 같은 역동적인 팀 스포츠에서는 선수들이 위치가 타겟 세션에 걸쳐 매우 활발하게 변화하므로, 포메이션의 변경과 무관하게 선수 또는 역할들의 위치가 변화하는 상황이 다양하게 발생할 수 있다. 반면, 선수들 사이의 위치적 관계나 역할들 사이의 위치적 관계를 반영하는 "공간 배치"는 포메이션이 동일하게 유지되는 경우 선수나 역할의 위치 그 자체보다는 훨씬 적은 변화를 가지게 될 수 있다. 따라서, "공간 배치"가 위치 그 자체에 비해서 포메이션의 변화를 감지하기에 좀 더 유리할 수 있다.

이하에서는, 비록 본 기재의 실시예에 따른 특징값들이 소정 근거 데이터를 기반으로 획득되는 것으로 한정되는 것은 아니지만, 복수의 시점들 각각에서의 역할 공간 배치를 기반으로 각 시점의 특징값을 생성하는 프로세스에 대해서 보다 구체적으로 설명한다.

도 34 의 역할 공간 배치를 기반으로 포메이션 변경에 대한 변화점을 검출 (S3420) 하는 단계는, 도 35 에 도시된 바와 같이 역할 할당 정보를 획득 (S3421) 하는 단계, 공간 정보 셋을 획득 (S3423) 하는 단계 및 공간 배열 정보를 획득 (S3425) 하는 단계를 포함할 수 있다.

먼저, 컴퓨팅 디바이스는 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보를 획득할 수 있다 (S4321). 역할 할당 정보는 타겟 세션 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 제 1 대응하는 시점에서 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시할 수 있다. 즉, 역할 할당 정보는 복수의 시점들 각각에 대한 복수의 역할 할당을 포함하고, 각 시점의 역할 할당은 해당 시점의 복수의 선수들 각각에게 어떤 역할 인덱스가 할당되는지 여부에 대한 정보를 포함할 수 있다. 선수 추적 데이터 셋들을 기반으로 역할 할당 정보를 생성하는 절차는 예를 들어 본 기재에서 도 19 내지 도 20 과 관련하여 전술한 바와 같은 "역할 할당 정보 획득" 프로세스의 적어도 일부가 적용될 수 있다.

이후, 컴퓨팅 디바이스는, 역할 할당 정보 및 선수 추적 데이터 셋들에 기초하여 복수의 역할 인덱스들 각각에 대한 타겟 세션과 연관된 복수의 공간 정보 셋들을 획득할 수 있다 (S4323). 복수의 역할들 각각에 대한 공간 정보 셋은 해당 역할의 타겟 기간에 걸친 역할 위치 데이터들의 시퀀스를 포함할 수 있다. 공간 정보 셋의 획득 절차 역시 예를 들어 본 기재에서 도 19 내지 도 20 과 관련하여 전술한 바와 같은 "역할 할당 정보 획득" 프로세스에서의 공간 정보 셋 획득 절차의 적어도 일부가 적용될 수 있다.

공간 정보 셋들이 확보되면, 컴퓨팅 디바이스는, 복수의 시점들 각각에 관한 복수의 역할 공간 배치들을 포함하는 역할 공간 배치 정보를 획득할 수 있다 (단계 S3425). 각 역할 공간 배치는, 제 2 대응하는 시점에서 복수의 역할 인덱스들 간의 위치적 관계를 반영할 수 있다. 즉, 타겟 기간에 포함되는 복수의 시점들 마다, 각 시점에서 복수의 역할 인덱스들이 어떠한 위치적 관계를 가지고 있는지 여부를 나타낼 수 있는 역할 공간 배치들을 각각 획득할 수 있다. 역할 공간 배치 정보는 복수의 시점들에 대한 역할 공간 배치들을 포함하는 정보로 이해될 수 있다.

하기에서는, 역할 공간 배치의 예시에 대해서 보다 구체적으로 설명한다.

선수 추적 데이터 셋의 획득 (S3410), 역할 할당 정보의 획득 (S3421), 공간 정보 셋들의 획득 (S3423) 에 의해 타겟 세션에 포함되는 복수의 시점들 각각에 대해 선수들 마다의 역할 할당을 알 수 있고, 각 시점에서 선수의 위치를 알 수 있으므로, 각각의 시점에서 모든 역할들에 대한 위치에 대한 정보를 획득할 수 있다.

포메이션이 변경되는 시점을 나타내는 변화점을 검출하기 위한 각 시점 마다의 특징값으로서 역할 공간 배치가 고려될 수 있다. 팀 스포츠에서 포메이션은 역할과 역할 간의 위치 관계로 표현될 수 있으므로, 각 시점에서의 역할들 간의 위치적 관계가 포메이션 변경 시점을 결정하기 위한 각 시점의 특징값으로 보다 유리하게 활용될 수 있다.

예를 들어, 최전방, 중앙, 후위에 각 2 명, 5 명, 3 명이 배치되는 경우 이는 3-5-2 포메이션이라고 결정될 수 있다. 전술한 바와 같이, 역동적인 팀 스포츠의 역할들의 위치 변화를 고려할 때 역할의 순수한 위치 그 자체보다는 역할들 간의 위치적인 관계가 포메이션 변화의 검출에 적합할 수 있다.

경기장 내의 위치에 있어서는 역할들의 위치가 매우 동적으로 변하더라도 포메이션이 유지되는 한 특정 역할과 그 역할에 인접한 다른 역할들의 관계가 크게 변동되지는 않을 수 있다. 구체적으로, 3-5-2 포메이션에서 센터 포워드를 기준으로 살펴보면, 양쪽의 측면 포워드들과 센터 포워드 간의 거리는 매우 유동적으로 변화할 수도 있지만, 센터 포워드와 인접한 포지션이 어느 포지션인지 여부를 검토하면 비록 그 위치가 변한다하더라도 대부분의 경우에 양쪽 측면 포워드임이 확인될 수 있다.

따라서, 본 기재의 일 실시예에 따르면, 복수의 역할들 마다, 역할 별 인접 역할이 무엇인지에 관한 정보를 역할 간의 위치 정보로 활용할 수 있다. 즉, 복수의 역할들 간의 위치적 관계를 반영하는 역할 공간 배치를 기반으로 각각의 시점들 마다의 특징값을 생성할 수 있다.

다만, 본 기재의 일 실시예에 따라 역할 별 인접 역할 정보를 기준으로 역할 간의 위치 정보를 추출할 수 있으나, 본 기재의 기술적 사상이 그에 한정되는 것은 아니며, 예를 들어 10 개 포지션의 위치를 통해 딥러닝 기반으로 특징값을 생성하는 것과 같이, 경기장 기반의 (x,y) 좌표계를 이용하는 것도 가능하다.

역할 공간 배치 기반의 특징값 생성에 대해서 좀 더 설명하면, 각 시점의 역할 공간 배치는, 각 시점에서 복수의 역할들 중 제 1 역할이 복수의 역할들 중 제 2 역할과 상호 인접하고 있는지 여부를 반영하는 역할 인접성 정보를 포함할 수 있다. 즉, 역할 인접성 정보는 복수의 역할들 중 적어도 하나의 역할이, 복수의 역할들 중 다른 하나의 역할과 인접하다고 있는지 여부를 표시하는 정보일 수 있다.

보다 구체적으로는, 역할 인접성 정보는, 복수의 역할들 각각이 복수의 역할들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 역할 인접성 행렬을 포함할 수 있다. 즉, 복수의 역할들 전부에 대해, 상호 교차적으로 다른 모든 역할들 간의 관계에서 상호 인접하고 있는지 여부를 모든 역할에 대한 행과 모든 역할에 대한 열을 구비하는 행렬로서 표시할 수 있다.

여기서, 역할 인접성 행렬은, 복수의 역할들에 대해 들로네 삼각 분할 (Delaunay triangulation) 을 수행하는 것을 기반으로 획득될 수 있다. 즉, 들로네 삼각 분할을 이용하여 어느 역할이 어느 역할과 인접하고 있는지 여부를 결정할 수 있다.

관련하여, 도 38 은 역할 인접성 결정을 위한 들로네 삼각 분할을 예시한다. 들로네 삼각 분할은, 복수의 역할들 각각의 위치들을 연결하여 생성된 다각형을 최소각들의 총 합이 가장 커질 수 있도록 삼각형들로 분할하는 것일 수 있다. 예를 들어 도 38 에 나타난 바와 같이, 복수의 역할들의 위치 (38a, 38b, 38c, 38d, 38e, 38f) 를 연결하여 예를 들어 6 각형의 폴리곤을 생성하고, 해당 폴리곤을 삼각형들로 분할할 수 있다. 제 1 분할 형태 (3810), 제 2 분할 형태 (3820) 및 제 3 분할 형태 (3830) 를 비교하면, 제 1 분할 형태 (3810) 에서 삼각형들의 최소각들의 합은 a1 + b1 + c1 + d1 이고, 제 2 분할 형태 (3820) 에서 삼각형들의 최소각들의 합은 a2 + b2 + b2 + d2 이며, 제 3 분할 형태 (3830) 에서 삼각형들의 최소각들의 합은 a3 + b3 + c3 + d3 이다. 제 1 분할 형태 (3810) 에서의 삼각형들의 최소각들의 합인 a1 + b1 + c1 + d1 이 가장 크고, 제 1 분할 형태 (3810) 가 들로네 삼각 분할에 따른 삼각형의 분할로 결정될 수 있다. 직관적으로는, 삼각형들을 가능한 정삼각형에 가까운 형태로 분할하는 것이 들로네 삼각 분할의 형태가 될 수 있고, 이에 따르면 예각이 가장 적은 형태로 분할되며, 꼭지점이 멀수록 각도가 작아지는 삼각형의 특성 상 가능한한 가까운 지점들끼리 서로 연결하는 결과가 도출될 수 있다. 따라서, 이는 복수의 점들 각각에 대해 인접한 다른 점들을 결정함에 있어서 지나치게 큰 이격 거리를 가지는 점과 서로 인접한 것으로 판단될 가능성을 감소시킬 수 있다.

구체적으로, 들로네 삼각 분할에 다르면, 삼각형을 공유하는 점들은 서로 인접한 것으로 결정될 수 있다. 예를 들어 제 1 분할 형태 (3810) 에서 점 38a, 38b, 38f 는 서로 인접한 점들로 결정될 수 있고, 나머지 삼각형에 따라 인접한 것으로 결정되는 점들 간에 과도하게 큰 이격 거리를 가지는 점들이 발견되지 않는다. 그러나, 예를 들어 제 3 분할 형태 (3830) 에서, 점 38a, 38c, 및 38e 를 포함하는 삼각형이 존재하게 되고, 점 38a 와 점 38c 의 사이, 또한 점 38a 와 점 38e 의 사이는 비교적 큰 이격 거리를 가짐에도 서로 인접한 점으로 판단되는 문제가 발생할 수 있다. 따라서, 들로네 삼각 분할에 따른 제 1 분할 형태 (3810) 는 지나치게 큰 이격거리를 가지는 문제 없이, 복수의 점들 간의 상호 인접 여부를 결정하기 위해 효과적으로 사용될 수 있다.

본 기재의 일 실시예에 따른 방법에서, 복수의 역할들 간의 위치 관계에 대해 역할들이 서로 인접하고 있는지 여부를 결정함에 있어서 들로네 삼각 분할이 이용될 수 있다. 따라서 예를 들어 역할 A 내지 역할 J 가 존재하는 경우에 복수의 역할들 마다 상호 인접하는지 여부가 결정될 수 있다. 예를 들어, 역할 B 는 역할 A, 역할 C, 역할 D 와 인접하는 것으로 결정되는 것과 같이, 개별적인 역할마다 인접하는 역할들이 결정될 수 있다.

앞서 살핀 바와 같이, 본 기재의 일 실시예에서 각 시점의 역할 공간 배치는, 각 시점에서 복수의 역할들 중 제 1 역할이 복수의 역할들 중 제 2 역할과 상호 인접하고 있는지 여부를 반영하는 역할 인접성 정보를 포함할 수 있다. 즉, 역할 인접성 정보는 복수의 역할들 중 적어도 하나의 역할이, 복수의 역할들 중 다른 하나의 역할과 인접하다고 있는지 여부를 표시하는, 예를 들어 들로네 삼각 분할 결과를 포함하는 정보일 수 있다.

한편, 도 39 는 역할 간의 위치적 관계를 나타내는 역할 인접성 행렬의 예시이다. 앞서 살핀 바와 같이, 보다 구체적으로는, 본 기재의 일 실시예에 따른 역할 인접성 정보는, 복수의 역할들 각각이 복수의 역할들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 역할 인접성 행렬을 포함할 수 있다. 즉, 복수의 역할들 전부에 대해, 상호 교차적으로 다른 모든 역할들 간의 관계에서 상호 인접하고 있는지 여부를 모든 역할에 대한 행과 모든 역할에 대한 열을 구비하는 행렬로서 표시할 수 있다. 도 39 에 예시적으로 도시된 바와 같이 행과 열에 각각 모든 역할들을 포함하고, 행과 열의 교차점에 각 행과 열에 대응하는 역할들 간의 인접성 여부에 따라 다른 값을 가지는 역할 인접성 행렬이 획득될 수 있다. 예를 들어, 역할들이 서로 인접하면 1 의 값을 가지고, 역할들이 서로 인접하지 않으면 0 의 값을 가지도록 설정될 수 있으나 이에 한정되지 아니하며, 임의의 값이 역할 인접성 여부에 따라 서로 상이하게 할당되면 족하다.

복수의 시점들 각각에 대한 특징값은 시점들 마다 각각 생성되므로, 도 39 에 예시된 바와 같은 역할 인접성 행렬은 매 시점마다 각각 생성될 수 있다.

한편, 상기에서는 역할 공간 배치에 기초하여 복수의 시점들 각각에 대한 특징값이 생성되는 절차를 설명하였으나, 본 기재의 기술적 사상이 이에 한정되는 것은 아니다. 예를 들어, 특징값들의 생성을 위해 선수 공간 배치가 사용될 수 있으며, 각 시점의 선수 공간 배치는, 각 시점에서 복수의 선수들 중 제 1 선수가 복수의 선수들 중 제 2 선수와 상호 인접하고 있는지 여부를 반영하는 선수 인접성 정보를 포함할 수 있다. 또한, 선수 인접성 정보는, 복수의 선수들 각각이 상기 복수의 선수들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 선수 인접성 행렬을 포함할 수 있으며, 예를 들어 도 39 에 도시한 것과 유사한 형태로 예를 들어 제 1 선수 내지 제 10 선수들 각각의 상호 인접성 여부가 특정 값으로 표시된 선수 인접성 행렬이 생성될 수 있다. 역할 인접성의 경우와 유사하게, 선수 인접성 행렬 역시 복수의 선수들의 위치에 대해 들로네 삼각 분할을 수행하는 것을 기반으로 획득될 수도 있다.

다시 도 34 를 참조하면, 포메이션 변경에 대한 변화점을 검출 (S3420) 하는 단계에서, 컴퓨팅 디바이스는 각 시점에 대한 특징값들이 산출되면 이를 기반으로 변화점 검출 알고리즘을 적용하여 변화점을 검출할 수 있다.

여기서, 본 기재의 일 실시예에 따르면, 변화점 검출 알고리즘은 각 시점들 간의 거리에 관한 정보에 대해 적용되는 것일 수 있다. 보다 구체적으로, 포메이션 변경에 대한 변화점을 검출 (S3420) 하는 단계는 시점들의 특성값 사이의 거리에 관한 정보를 획득 (S3427) 하는 단계와 거리에 관한 정보에 변화점 검출 알고리즘 적용 (S3429) 하는 단계를 더 포함할 수 있다.

관련하여, 도 36 은 도 34 의 변화점 검출 프로세스에 대한 거리 정보 획득의 상세 흐름도이다. 도 36 을 참조하면, 컴퓨팅 디바이스는 복수의 시점들 각각에 대한 특징값들 중 제 1 시점의 특징값과 제 2 시점의 특징값 사이의 거리에 관한 정보를 획득할 수 있다 (S3427).

여기서, 특징값들 간의 거리는 특징값들 사이의 서로 상이한 정도를 반영하는 값일 수 있다. 본 기재의 일 실시예에 따라, 각 시점의 특징값이 역할 인접성 행렬인 경우를 예시하면, 특징값들 간의 거리는 예를 들어 제 1 시점에 대한 역할 인접성 행렬과 제 2 시점에 대한 역할 인접성 행렬이 서로 상이한 정도를 나타낼 수 있다. 일 측면에 따르면, 각 시점의 역할 인접성 행렬 간의 거리값은 두 행렬에 대해 서로 대응하는 행과 열의 값들이 같으면 0, 다르면 1 을 산출해 모든 행과 열에 대해 그 값을 합산한 맨하튼 (Manhattan) 거리로 정의될 수도 있다.

관련하여, 도 40 은 본 기재의 일 실시예에 따른 복수의 프레임들 각각의 상호 간의 거리들을 기반으로 포메이션 시간 기간을 분할하는 프로세스의 예시도이다. 도 40 의 1 프레임에서의 역할 인접성 행렬의 예시 (4001) 와 3 프레임에서의 역할 인접성 행렬의 예시 (4002) 를 비교하여, 대응하는 행과 열의 값이 같으면 0, 다르면 1 을 산출하여, 모든 행과 열에 대해 그 값을 합산하면 결과값 (4003) 은 2 가 산출될 수 있다. 즉, 도 40 에서 1 프레임과 3 프레임 간의 맨하튼 거리는 2 이며, 본 기재의 일 측면에 따라 1 프레임의 특징값과 3 프레임의 특징값 간의 거리는 2 로 결정될 수 있다.

이상, 맨하튼 거리를 예를 들어 설명하였지만, 각 행렬들 사이의 거리는 맨해튼 거리에 한정되지 아니하며, 예를 들어 해밍 (Hamming) 거리나, L2 거리와 같이 임의의 유형에 따른 거리가 특징값들 간의 거리로서 활용될 수 있다고 이해되어야 할 것이다.

한편, 본 기재의 일 측면에 따르면, 복수의 특징값들 간의 거리에 관한 정보는, 복수의 시점들에 대한 특징값들 각각으로부터의 상기 복수의 시점들에 대한 특징값들 각각에 대한 거리를 반영하는 프레임-간 거리 행렬을 포함할 수 있다.

예를 들어, 타겟 세션에 포함되는 복수의 시점들 각각에 대해, 다른 각 시점과의 거리를 전부 산출하여 이를 바탕으로 복수의 시점들 간의 모든 거리값을 포함하는 행렬을 산출할 수 있다. 즉, 모든 프레임의 모든 프레임에 대한 거리를 구해 이를 바탕으로 행렬을 생성할 수 있으며, 이와 같은 프레임-간 거리 행렬이 복수의 특징값들 간의 거리에 관한 정보로서 사용될 수 있다.

도 40 을 참조하면, 예를 들어 프레임 1 과 프레임 3 간의 거리값 (4003) 은 2 로 산출될 때, 프레임-간 행렬 (4004) 의 1 행 3 열과 3 행 1 열은 2 의 값을 가지게 된다. 이와 같이 모든 프레임과 모든 프레임들 간의 거리를 전부 산출하여, 프레임-간 거리 행렬 (4004) 을 완성할 수 있다.

다시 도 36을 참조하면, 컴퓨팅 디바이스는, 특징값들 간의 거리에 관한 정보에 변화점 검출 알고리즘을 적용 (S3429) 하여, 변화점을 검출할 수 있다. 도 40 을 통해 예시된 바와 같이, 본 기재의 일 실시예에 따른 특징값들 간의 거리에 관한 정보가 프레임-간 거리 행렬일 때, 변화점 검출 알고리즘은 이와 같은 프레임-간 거리 행렬에 대해 적용될 수 있다.

도 40 에 도시된 바와 같이, 예를 들어 72,000 개의 프레임을 가지는 타겟 세션에서, 예시적인 포메이션 기간의 분할 (4005) 을 살펴보면, 변화점 검출 알고리즘의 적용 결과 변화점은 31,000 프레임 시점으로 결정될 수 있고, 타겟 세션은 프레임 1 내지 프레임 31,000 의 제 1 포메이션 시간 구간과 31,001 내지 72,000 프레임의 제 2 포메이션 시간 구간으로 분할될 수 있다.

상기에서는, 특징값들 간의 거리에 관한 정보로서 복수의 시점들에 대한 특징값들 각각으로부터의 복수의 시점들에 대한 특징값들 각각에 대한 거리를 반영하는 프레임-간 거리 행렬 예시하였으나, 본 기재의 실시예에 따른 특징값들 간의 거리에 관한 정보는 이에 한정되지 아니한다.

예를 들어, 본 기재의 일 실시예에 따른 특징값들 간의 거리에 관한 정보는, 타겟 시점에 대한 특징값과 타겟 시점의 이전 시점에 대한 특징값 사이의 거리를 반영하는 시계열 거리들 - 시계열 거리는 복수의 시점들 각각에 대해 산출됨 - 의 시퀀스를 포함할 수 있다.

관련하여, 도 41 은 본 기재의 일 실시예에 따른 인접 프레임들 각각의 역할 인접성 행렬들 사이의 거리들의 시퀀스를 기반으로 포메이션 시간 기간을 분할하는 프로세스의 예시도이다.

도 41 에 도시된 바와 같이, 프레임 별 행렬의 거리값의 시퀀스 (시계열 프레임) 으로부터 거리값의 시퀀스를 산출할 수 있다. 보다 구체적으로, n 번째 프레임의 역할 인접성 행렬의 예시 (4101) 과 n+1 번째 프레임의 역할 인접성 행렬의 예시 (4102) 간의 맨하튼 거리는 2 로 산출될 수 있고, 따라서 n 번째 프레임에 대한 특징값과 n+1 번째 프레임에 대한 특징값 사이의 거리에 대한 정보 (4103) 은 2 로서 결정될 수 있다. 이와 같이 타겟 시점에 대한 특징값과 타겟 시점 이전 시점에 대한 특징값 사이의 거리, 즉 인접한 두 시점 간의 특징값 사이의 거리를 복수의 타겟 세션에 포함되는 복수의 시점들에 대해 각각 산출하여, 인접 시점 간의 특징값 거리에 대한 시퀀스를 획득할 수 있다. 본 기재에서, 인접 시점 간의 특징값들 간의 거리에 대한 시퀀스는 시계열 거리들의 시퀀스로 지칭될 수 있다.

시계열 거리들의 시퀀스는 도 41 의 그래프 (4104) 에서와 같이 표현될 수 있다. 인접 시점들 간의 특징값 간의 거리는 각 시점들마다 상이할 수 있고, 변동되는 거리가 그래프를 통해 표시되고 있음을 확인할 수 있다.

본 기재의 일 측면에 따르면, 위와 같이 획득된 시계열 거리들의 시퀀스에 대해 변화점 검출 알고리즘을 적용하여, 포메이션이 변경되는 시점에 대한 변화점을 검출하도록 구성될 수도 있다.

검토컨대, 본 기재의 실시예들에 따르면, 역할 간의 위치 관계를 각 프레임에 대해 산출하고, 각 프레임들 간의 위치 관계의 차이 (거리) 를 산출한 뒤, 이와 같이 산출된 거리에 대한 정보에 변화점 검출 기법을 적용함으로써 분석 대상이 되는 타겟 세션에 속하는 시점들의 시퀀스를 둘로 분할하도록 할 수 있다.

즉, 특징값들 간의 거리에 대한 정보는 전술한 예시들에 한정되지 아니하고, 본 기재의 일 측면에 따르면, 변화점 검출 알고리즘의 적용 대상이 되는 특징값들 간의 거리에 관한 정보는, 참조 시점에 대한 참조 특징값으로부터의 타겟 세션 내의 복수의 시점들에 대응하는 특징값들 각각에 대한 거리들을 포함할 수도 있다.

한편, 도 41 의 시계열 거리들의 시퀀스 (4104) 를 기반으로 하는 변화점 검출 및 타겟 세션의 포메이션 시간 기간들로의 분할을 좀더 살펴보면, 먼저 도 41 에는 시계열 거리들의 시퀀스가 1 차원으로 도시된다. 이러한 시계열 거리들의 시퀀스에 변화점 검출 알고리즘을 적용하여 전체 구간을 제 1 포메이션 기간 (4110) 과 제 2 포메이션 기간 (4120) 의 두 개의 기간들로 분할할 수 있다. 또한, 분할된 구간에 대해 동일한 작업을 반복하여 다시 둘로 분할하는 것도 가능하다. 예를 들어, 제 2 포메이션 기간 (4120) 에 포함되는 시점들의 특징값들에 대한 변화점 검출 알고리즘의 적용과 기간 분할을 수행함으로써 제 2 포메이션 기간 (4120) 은 제 2-1 포메이션 기간 (4121) 과 제 2-2 포메이션 기간 (4122) 로 재차 분할되는 것도 가능하다.

다시 도 34 를 참조하면, 컴퓨팅 디바이스는 검출된 변화점이 유효한지 여부를 결정 (S3430) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 적어도 하나의 검출된 변화점을 기준으로 분할된 기간의 특징들을 기반으로 변화점이 유효한지 여부를 결정할 수 있다. 컴퓨팅 디바이스는, 검출된 변화점을 기준으로 분할된 구간에 대해 소정의 분할 조건을 확인하고, 분할 조건이 만족되면 분할을 확정하고, 만족되지 않으면 분할하지 않도록 할 수 있다.

본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 검출된 변화점에 따른 스캔 통계량의 유의도 값 (Scan Statics p) 이 미리 결정한 제 1 임계값 이하라는 결정에 응답하여 검출된 변화점이 유효하다고 판단할 수 있다. 예를 들어, 변화점에 따른 분할 기반의 스캔 통계량의 유의도 값이 0.01 이하일 것이 요구될 수 있다. 여기서, 유의도는 분할 기간 내의 값들이 해당 분할에 속하는 것이 틀릴 가능성을 의미하는 값으로 이해될 수 있으며, 그 값이 낮을수록 적절히 분할된 것으로 이해될 수 있다.

또한, 본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 분할된 제 1 시간 기간 및 제 2 시간 기간 양쪽 모두의 시간 길이가 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다. 예를 들어, 나누어진 분할 구간인 제 1 시간 기간 및 제 2 시간 기간 양 쪽 모두의 길이가 5 분 이상일 것을 요구할 수 있다. 포메이션 변화가 지나치게 짧은 시간 안에 반복 수행될 가능성이 미미하므로, 예를 들어 5 분 이상의 구간으로의 분할을 유효한 분할로 결정할 수 있다.

본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 분할된 제 1 시간 기간에 포함되는 복수의 시점들에 대한 특징값들의 평균값과 제 2 시간 기간에 포함되는 복수의 시점들에 대한 특징값들의 평균값의 차이가 미리 결정한 제 3 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다. 예를 들어, 나누어진 두 분할 구간의 평균적 위치 관계 (인접성 행렬) 간의 거리가 7.0 이상일 것을 요구할 수 있다. 즉, 분할된 두 구간의 포메이션과 관한 평가값을 산출하여, 미리 결정한 차이보다 더 클 경우에만 양 구간의 포메이션이 서로 상이하다고 결정할 수 있다.

한편, 본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 전술한 바와 같이 스캔 통계량의 유의도 값에 대한 조건, 최소 시간 길이에 대한 조건, 및 각 구간의 특징값들 간의 차이값에 대한 조건이 모두 만족되는 경우에만 유효한 변화점의 검출 또는 유효한 기간 분할이 수행된 것으로 결정할 수 있다.

다시 도 34 를 참조하면, 컴퓨팅 디바이스는 검출된 변화점이 유효하다는 결정에 응답하여, 타겟 세션을 시간 구간들로 분할 (S3440) 하는 것을 확정할 수 있다. 즉, 컴퓨팅 디바이스는 변화점에 기초하여 타겟 세션을 적어도 두 개의 시간 기간들로 분할할 수 있고, 적어도 두 개의 시간 기간들은 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함할 수 있다.

한편, 분석 대상이 되는 기간에 대한 포메이션 기간들로의 분할은, 더 이상 분할 조건 (예를 들어, 검출된 변화점의 유효성 충족 조건) 이 만족되지 않을 때까지 지속적으로 수행될 수 있다. 예를 들어, 전체 세션에 대해 분할을 1 회 진행 후 조건이 만족되지 않으면 구간을 분할하지 않게 되므로, 전체 세션에 걸쳐 포메이션이 일정하다고 결정될 수도 있다. 반면에 도 41 을 참조하여 설명한 바와 같이 전체 구간을 제 1 포메이션 기간 (4110) 과 제 2 포메이션 기간 (4120) 의 두 개의 기간들로 분할하고, 제 2 포메이션 기간 (4120) 에 포함되는 시점들의 특징값들에 대한 변화점 검출 알고리즘의 적용과 기간 분할을 수행함으로써 제 2 포메이션 기간 (4120) 을 제 2-1 포메이션 기간 (4121) 과 제 2-2 포메이션 기간 (4122) 로 재차 분할하는 것과 같이 다수의 구간들로 타겟 세션을 분할하는 경우도 발생할 수 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 세션 내에서 상기 타겟 세션에 참여하는 팀의 포메이션이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 타겟 세션에 참여하는 팀의 포메이션이 제 1 팀 포메이션인 제 1 시간 기간 및 상기 팀의 포메이션이 제 2 팀 포메이션인 제 2 시간 기간을 포함함 - 로 분할; 하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 포메이션 기간 분할 프로세스에 따를 수 있다.

포메이션 식별, 포지션 식별 및 선수 식별자 매칭

도 37 은 본 기재의 일 실시예에 따른 포메이션 식별, 포지션 식별 및 선수 식별자에 대한 매칭 프로세스에 대한 개략적인 흐름도이다. 이하, 도 37 을 참조하여 본 기재의 일 실시예에 따른 포메이션 식별, 포지션 식별 및 선수 식별자에 대한 매칭 프로세스에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

일반적으로 "포메이션"은 팀 스포츠 경기에 참여하는 선수들의 전술적인 배치를 나타낸다. 본 기재의 실시예에 따르면, 팀 스포츠 경기의 복수의 선수들 및/또는 역할들의 위치에 대한 정보들을 획득함으로써 이를 기반으로 해당 경기에 참여하는 팀의 포메이션을 식별할 수 있다.

앞서 살핀 바와 같이, 본 기재에서, "역할"은, 포메이션을 구성하는 플레이어 포지션을 매칭할 수 있는 복수의 참여자 구분들 중 어느 하나를 의미할 수 있다. 즉, "MF" 또는 "CF" 와 같이 복수의 포지션들 중 어느 포지션에 해당하는지 여부를 결정하기에 앞서, 복수의 포지션 중 어느 하나에 매칭될 수 있도록 경기 참여자의 역할에 따라 역할 식별자에 의해 구분된 것일 수 있다. 본 기재의 일 실시예에 따르면, 각 역할이 어느 포지션에 해당하는지 여부가 컴퓨터 기반 기술에 의해 자동으로 식별될 수 있다.

반면에 본 기재에서 "선수"는 선수 추적 데이터의 획득 프로세스에 의해 위치가 추적되는 개체를 의미할 수 있다. 하나의 "역할"에 대한 위치 데이터의 시퀀스는 2 이상의 "선수"에 대한 선수 추적 데이터의 적어도 일부가 혼합된 것일 수 있다.

한편, 본 기재에서 "선수"는 경기에 참여하는 개체로서 추적되지만, 실질적으로 각 선수는 복수의 선수들 중 구분되는 한 개체의 위치를 추적하기 위해 제 1 선수 또는 제 2 선수와 같이 구분될 뿐 그 선수의 이름이나 등번호와 같은 실제적인 정보를 포함하는 선수 식별자와 바로 매칭되지 않는다. 특히, 예를 들어 선수의 위치를 추적하기 위한 방법으로서 선수에게 착용가능한 위치 정보 획득 디바이스를 사용하는 경우를 예로 들면, 획득된 선수 추적 데이터는 엄밀히는 각각의 위치 정보 획득 디바이스에 대한 추적 정보일 수 있다. 개인별로 지정된 위치 추적 디바이스를 사용하는 케이스에서는, 각 위치 추적 디바이스에 대한 식별 정보와 해당 디바이스 사용자의 인적 정보에 대한 데이터를 미리 확보하여 각 선수 추적 데이터가 어떤 인적 정보를 가지는 선수에 대한 데이터인지 여부를 식별할 수도 있겠으나, 현실적으로 위치 추적 디바이스는 개인별로 고정되어 사용되기 힘들며, 매 경기마다 경기 참여자들은 임의의 위치 추적 디바이스 중 어느 하나를 선택하여 착용하는 경우가 많다. 본 기재의 실시예에 따르면, 각 선수 추적 데이터 셋에 대응하는 선수 추적 디바이스의 역할을 결정하고 해당하는 포지션을 식별한 뒤, 이를 해당 경기의 출전 선수 정보와 비교하는 것에 의해 자동으로 선수 추적 데이터 셋에 대응하는 선수 식별자를 매칭하는 것이 가능하다.

도 37 을 참조하면, 본 기재의 일 실시예에 따른 포메이션 식별, 포지션 식별 및 선수 식별자에 대한 매칭 프로세스는, 타겟 세션을 적어도 두 개의 시간 구간으로 분할하는 단계 (S3705), 선수 추적 데이터 셋을 획득 (S3710) 하는 단계, 포메이션을 식별 (S3720) 하는 단계, 포메이션 데이터를 획득 (S3730) 하는 단계, 선수-포지션 할당을 획득 (S3740) 하는 단계, 출전 선수 정보를 획득 (S3750) 하는 단계 및 각 선수를 선수 식별자와 매칭 (S3760) 하는 단계 중 적어도 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

먼저, 도 37 에 도시된 바와 같이, 컴퓨팅 디바이스는 타겟 세션을 적어도 두 개의 시간 구간으로 분할 (S3705) 할 수 있다. 타겟 세션의 분할은, 예를 들어 본 기재에서 설명되는 바와 같은 포메이션 기간의 분할 프로세스에 따른 것일 수 있으나 이에 한정되지 아니한다. 또한 타겟 세션의 분할은 선택적인 것이며 분할되지 않은 타겟 세션 전체에 대해 본 기재의 일 실시예에 따른 포메이션 식별, 포지션 식별 및 선수 식별자에 대한 매칭 프로세스가 수행될 수도 있다.

보다 구체적으로, 컴퓨팅 디바이스는 예를 들어 팀 스포츠의 한 경기에 대한 타겟 세션을 적어도 두 개의 시간 기간들로 나눌 수 있다. 여기서, 적어도 두 개의 시간 기간들은 팀 스포츠 경기에 참여하는 팀의 포메이션 변경을 기준으로 분할된 제 1 시간 기간 및 제 2 시간 기간을 포함할 수 있다.

시간 기간의 분할은 예를 들어 본 기재에서 예시되는 바와 같은 변화점 검출 프로세스에 의해서 수행될 수 있으나, 임의의 분할 기준에 의해 구분된 기간 분할을 포함할 수도 있다.

다시 도 37 을 참조하면, 컴퓨팅 디바이스는 선수 추적 데이터 셋을 획득 (S3710) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 즉, 복수의 선수들 각각에 대해 타겟 세션에 포함되는 복수의 시점들 마다의 위치들에 대한 정보를 획득할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다음으로, 컴퓨팅 디바이스는 선수 추적 데이터 셋을 기반으로 포메이션을 식별 (S3720) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 복수의 선수 추적 데이터 셋들에 기초하여 생성된 타겟 세션에 대한 포메이션 구조를 기반으로 팀 스포츠의 경기에 참여하는 팀의 포메이션을 식별할 수 있다. 본 기재에서, "포메이션 구조"는, 팀 스포츠 경기에 참여하는 팀의 분석 대상인 타겟 기간 동안의 포메이션을 결정하기 위한 정보를 의미할 수 있다.

여기서, 본 기재의 일 측면에 따라 타겟 세션이 예를 들어 제 1 시간 기간 및 제 2 시간 기간으로 분할된 경우, 포메이션을 식별하는 단계 (S3720) 는 제 1 시간 기간에 대한 제 1 포메이션 구조를 기반으로 제 1 시간 기간에 대한 상기 팀의 제 1 포메이션을 식별하는 단계와, 제 2 시간 기간에 대한 제 2 포메이션 구조를 기반으로 제 2 시간 기간에 대한 상기 팀의 제 2 포메이션을 식별하는 단계를 포함할 수 있다.

환언하면, 본 기재의 일 측면에 따르면 타겟 세션은 예를 들어 제 1 시간 기간 및 제 2 시간 기간과 같이 적어도 두 개의 시간 구간으로 분할될 수 있고, 분할된 시간 구간들 각각에 대해서 팀 스포츠에 참여하는 팀의 포메이션이 식별될 수 있다.

팀 스포츠 경기에서는 전술적 지시 또는 상황의 변동에 따라 한 경기 내에서도 팀 포메이션을 한 차례 이상 변경하는 경우가 빈번히 발생한다. 따라서, 팀 포메이션이 변경되는 시점을 검출하여 팀 스포츠의 한 경기에 대한 타겟 세션을 복수의 포메이션 기간으로 분할하고 분할된 기간 각각에 대응하는 데이터들을 기반으로 각 분할된 기간의 포메이션을 식별하는 경우, 더욱 향상된 정확도로 팀 포메이션을 식별하고 전술 분석에 활용할 수 있다.

이하에서는, 팀 스포츠 경기에 참여하는 팀의 분석 대상인 타겟 기간 동안의 포메이션을 결정하기 위한 정보 또는 데이터인 "포메이션 구조"에 대해서 보다 구체적으로 설명한다.

본 기재의 일 측면에 따르면, 포메이션 구조는 선수의 위치 또는 선수들 간의 위치적 관계를 기반으로 생성될 수 있다. 보다 구체적으로, 일 측면에 따른 포메이션 구조는 복수의 선수들 각각에 대한 타겟 세션 동안의 위치들의 시퀀스들, 복수의 선수들 각각에 대한 타겟 세션 동안의 평균 위치들, 타겟 세션 동안의 각 시점에 대한 선수 공간 배치들의 시퀀스, 또는 타겟 세션 동안의 각 시점에 대한 선수 공간 배치들의 평균값 중 적어도 하나에 기초하여 생성될 수 있다. 여기서, 각 선수 공간 배치는 각 시점의 복수의 선수들 간의 위치적 관계를 반영하는 것일 수 있다.

본 기재의 다른 일 측면에 따르면, 포메이션 구조는 역할의 위치 또는 역할들 간의 위치적 관계를 기반으로 생성될 수 있다. 보다 구체적으로, 일 측면에 따른 포메이션 구조는 복수의 역할들 각각에 대한 타겟 세션 동안의 위치들의 시퀀스들, 복수의 역할들 각각에 대한 타겟 세션 동안의 평균 위치들, 타겟 세션 동안의 각 시점에 대한 역할 공간 배치들의 시퀀스, 또는 타겟 세션 동안의 각 시점에 대한 역할 공간 배치들의 평균값 중 적어도 하나에 기초하여 생성될 수 있다. 여기서, 각 역할 공간 배치는 각 시점의 복수의 역할들 간의 위치적 관계를 반영하는 것일 수 있다.

환언하면, 본 기재의 실시예에 따른 포메이션 식별 프로세스는, 포메이션을 식별하고자 하는 대상 기간 동안의 선수 및/또는 역할의 위치와 관련된 데이터들을 확보하여 이를 기반으로 해당 기간의 포메이션을 식별할 수 있다. 또한, 본 기재의 실시예들에 의해 획득될 수 있는 위치와 관련된 데이터는, 복수의 엔티티들 각각에 대한 복수 시점들 마다의 위치 데이터를 포함한다. 따라서, 포메이션 식별을 위해서는 복수 시점의 복수 엔티티에 대한 복수의 위치들에 대한 데이터들의 다양한 조합 또는 변형 형태가 활용될 수 있다.

이하에서는, 포메이션 구조를 기반으로 분석 대상 기간에 대한 팀 포메이션을 식별하기 위한 예시적인 방법론들에 대해서 구체적으로 살펴본다.

먼저, 본 기재의 일 측면에 따르면, 인공 신경망 기반의 딥러닝을 이용하여 포메이션 식별이 수행될 수 있다. 컴퓨팅 디바이스는 포메이션 식별 (S3720) 을 수행함에 있어서, 인공 신경망 기반의 포메이션 식별 모델을 이용하여 앞서 획득된 포메이션 구조에 대응하는 포메이션 식별자를 결정할 수 있다. 여기서, 포메이션 식별 모델은, 복수의 트레이닝 데이터 셋 - 각 트레이닝 데이터 셋은, 포메이션 구조 샘플 및 포메이션 구조 샘플에 대응하는 레이블링된 포메이션 식별자를 포함함 - 을 기반으로 인공 신경망을 학습시키는 것에 의해 생성된 것일 수 있다.

예를 들어, 컴퓨팅 디바이스는 포메이션 식별 모델에 포메이션을 식별하고자 하는 타겟 기간에 대응하는 포메이션 구조를 입력하면, 이에 대응하는 포메이션 식별자를 출력받을 수 있다.

관련하여, 도 42 는 본 기재의 일 실시예에 따른 인공 신경망 기반의 포메이션 식별을 위한 훈련 데이터의 예시적인 레이블을 나타낸다. 도 42 에 예시적으로 도시된 바와 같이, 예를 들어 축구 경기에서 팀 포메이션 정보 (4230) 는 "3-5-2", "4-4-2" 와 같은 선수 숫자에 대응하는 숫자의 배열로 표현된다. 각각의 포메이션 정보에 대해 포메이션 식별자 (4220) 가 지정될 수 있다. 예를 들어 도 42 에 도시된 바와 같이 "3-5-2" 포메이션에 대해 "1" 의 포메이션 식별자가 지정되고, "4-4-2" 포메이션에 대해 "2" 의 포메이션 식별자가 지정될 수 있다. 따라서, 타겟 기간에 대한 포메이션 구조를 포메이션 식별 모델에 입력하여 "1"의 포메이션 식별자를 출력받은 경우, 해당 타겟 기간의 팀 포메이션이 "3-5-2" 포메이션에 해당함을 알 수 있다.

도 42 를 참조하여, 본 기재의 일 측면에 따른 포메이션 식별 모델을 위한 예시적인 트레이닝 데이터 셋에 대해서 설명한다. 도 42 에 도시된 바와 같이, 트레이닝 데이터 셋은 포메이션 구조 샘플 (4210) 및 포메이션 구조 샘플에 대응하는 레이블링된 포메이션 식별자 (4220) 를 포함할 수 있다. 본 기재의 일 측면에 따른 인공 신경망 기반의 포메이션 식별자 모델의 입력 (ANN Input Feature) 은 포메이션 구조일 수 있고, 출력 (ANN Result label) 은 해당하는 포메이션 구조에 대한 포메이션 식별자일 수 있다. 트레이닝 데이터 셋은, 복수의 샘플 포메이션 구조들을 확보하여, 각각의 샘플 포메이션 구조가 어느 포메이션에 해당하는지 여부를 결정하여 해당 포메이션에 대응하는 포메이션 식별자를 라벨링하는 것에 의해 준비될 수 있다.

도 42 에는, 특정 프레임에 대한 복수의 역할에 대한 각각의 대표 위치들의 셋들에 포메이션 식별자가 라벨링되는 것으로 예시적으로 도시되어 있다. 일 측면에 따르면, 도 42 에 도시된 바와 같이 하나의 프레임에 대한 복수의 역할들의 대표 위치들의 셋이 포메이션 구조로서 사용될 수 있다. 여기서, 하나의 프레임은 예를 들어 타겟 기간의 대표 시점 (예를 들어, 타겟 기간의 중간 시점, 시작 시점 또는 종료 시점 중 어느 하나) 일 수도 있다. 또는, 타겟 기간 내의 복수의 시점들에서의 각각의 역할들의 평균 위치들의 셋이 타겟 기간에 대한 포메이션 구조로 사용될 수도 있고, 타겟 기간 내의 복수의 시점들에서의 각각의 역할들의 평균 위치들의 셋에 하나의 포메이션 식별자가 라벨링되돌고 할 수 있다. 뿐만 아니라, 복수의 역할들의 위치 셋을 포함하는 각 시점들의 시퀀스가 포메이션 구조로 사용될 수도 있다. 예를 들어, 10 개의 프레임 동안의 역할 A 내지 역할 J 의 위치값들 전체가 하나의 포메이션 구조로서 사용되고, 이에 대해 하나의 포메이션 식별자가 라벨링될 수 있다. 10 개의 프레임은 타겟 기간동안 소정 간격으로 샘플링된 것일 수 있다.

환언하면, 포메이션 구조를 입력으로서, 포메이션 식별자를 출력으로서 인공 신경망을 훈련시키는 것에 의해 포메이션 결정 모델을 생성하는 경우에 다양한 형태의 데이터가 포메이션 구조로서 사용될 수 있다.

예를 들어, 딥 러닝 (DL) 을 이용하여 포메이션 식별을 수행하는 경우, 예시적으로 역할의 위치 분포를 기반으로 포메이션 식별을 수행하도록 할 수 있다. 특정 포메이션 기간 내에서 노이즈 등을 제거하고, 예를 들어 10 개의 역할들 각각에 대한 위치들의 시퀀스들을 그대로 인공 신경망의 입력으로 사용할 수도 있고, 또는 각 역할의 포메이션 기간 내에서의 평균 위치들, 즉 역할 A 의 평균 위치 (x1, y1) 내지 역할 J 의 평균 위치 (x10, y10) 을 인공 신경망의 입력으로 사용할 수도 있다.

본 기재의 다른 측면에 따르면, 선수 또는 역할들 간의 위치적 관계를 반영하는 인접성 행렬을 인공 신경망의 입력으로 사용하는 것에 의해 포메이션 식별을 수행할 수도 있다.

또한, 포메이션 식별을 위해 인공 신경망을 이용할 경우, 인접성 행렬의 시퀀스 또는 평균 인접성 행렬을 인공 신경망의 입력으로서 사용할 수도 있다. 여기서, 평균 인접성 행렬은 포메이션 식별의 대상이 되는 포메이션 기간 내에서 노이즈 프레임을 제거한 모든 프레임의 인접성 행렬의 평균값 행렬을 나타낼 수도 있다. 역할들의 위치 관계 또는 인접성 행렬의 획득은 본 기재에서 상술한 실시예들에 의해 수행될 수 있으나, 이에 한정되는 것은 아님에 유의한다.

한편, 본 기재의 일 실시예에 따라 복수의 역할들에 대한 값을 포함하는 데이터를 포메이션 구조로서 사용하는 경우, 각 포메이션 기간의 포메이션 구간에 포함되는 역할들에 대한 값들 간의 정렬이 요구될 수 있다. 예를 들어, 역할 인접성 행렬이 포메이션 구조로서 사용되는 경우, 역할 인접성 행렬 내의 행 및/또는 열을 다른 역할 인접성 행렬 내의 행 및/또는 열과 대응될 수 있도록 조정할 수 있다. 즉, 정렬은 임의의 기준 인접성 행렬에 대해 다른 인접성 행렬의 열과 행을 조정하는 것을 의미할 수 있고, 이는 예를 들어 위치 분포를 기준으로 헝가리안 알고리즘으로 역할의 순서를 재할당함으로써 처리될 수 있다.

관련하여, 도 43 은 서로 상이한 포메이션 기간 사이의 클러스터링 또는 훈련 데이터 생성을 위한 역할 정렬 프로세스의 개념도이다.

본 기재에서 전술한 바와 같이, "역할"은 "포지션"과 서로 동일하지 않을 수도 있으며, 복수의 역할들 각각에 대한 역할 인덱스는 우선 임의로 할당된다. 예를 들어, 특정 타겟 세션에서의 역할 A 와, 다른 타겟 세션에서의 역할 A 는 서로 상이한 포지션에 대한 역할 인덱스일 수 있다. 예를 들어, 특정 타겟 세션 또는 포메이션 기간에서 역할 A 는 CF 의 포지션에 대응하는 역할에 지정될 수 있고, 다른 타겟 세션 또는 포메이션 기간에서 역할 A 는 DF 의 포지션에 대응하는 역할에 지정될 수도 있다.

도 43 에 예시적으로 도시된 바와 같이, 예를 들어 기준 포메이션 기간 (4301) 에 대해서, 역할 A 의 인덱스는 3-4-3 포메이션의 우측 측면 미드필더 (RMF) 포지션 (4310) 에 대응하는 역할에 할당될 수 있다. 반면에, 타겟 포메이션 기간 (4302) 에 대해서, 역할 A 의 인덱스가 3-4-3 포메이션의 우측 센터백 (CB) 포지션 (4320) 에 대응하는 역할에 할당되고, 우측 측면 미드필더 (RMF) 포지션 (4310) 에 대응하는 역할에는 역할 B 의 인덱스가 할당될 수 있다.

따라서, 복수의 역할 식별자들에 대한 정보를 포함하는 포메이션 구조에 대해서는, 예를 들어 타겟 포메이션 기간 (4302) 의 우측 측면 미드필더 (RMF) 포지션 (4310) 에 대응하는 역할의 역할 식별자를 역할 A 로 변경하는 것과 같이, 복수의 포메이션 구조 간에 동일한 포지션에 대해 동일한 역할 인덱스가 할당될 수 있도록 정렬하는 절차가 요구될 수 있다.

본 기재의 일 실시예에 따르면, 인공 신경망의 학습을 위해 사용되는 포메이션 구조 샘플들 각각은, 포메이션 구조 샘플에 포함된 복수의 데이터 엘리먼트들 각각을 참조 포메이션 구조에 포함된 복수의 참조 데이터 엘리먼트들 각각에 할당하는 것에 의해 정렬된 복수의 정규화 데이터 엘리먼트들을 포함할 수 있다. 보다 구체적으로, 포메이션 구조 샘플에 포함된 데이터 엘리먼트들인 역할 인덱스 A 내지 역할 인덱스 J 를, 참조 포메이션 구조에 포함된 참조 데이터 엘리먼트들인 역할 인덱스 A 내지 역할 인덱스 J 에 각각 할당함으로써, 포메이션 구조 샘플에 포함되는 역할 인덱스들가 복수의 포메이션 구조 샘플들 마다 서로 동일한 포지션에 대응하도록 할 수 있다.

여기서, 할당은 예를 들어 전술한 바와 같은 헝가리안 알고리즘이 활용될 수 있으나, 이에 한정되지는 아니한다. 예를 들어, 참조 포메이션 기간 (4301) 에 포함된 복수의 역할들 각각에 대해 대표 위치를 결정 (참조 위치) 하고, 타겟 포메이션 기간 (4302) 에 포함된 복수의 역할들 각각에 대해서도 대표 위치를 결정 (타겟 위치) 한 뒤, 참조 위치 - 타겟 위치 매칭들의 비용을 최소화하도록 타겟 포메이션 기간의 역할들에 대한 역할 인덱스의 할당을 재조정할 수 있다.

한편, 본 기재의 다른 일 측면에 따르면, 군집화 (Clustering) 기법을 이용하여 포메이션 식별이 수행될 수 있다. 예를 들어, 컴퓨팅 디바이스는 포메이션 식별 (S3720) 을 수행함에 있어서, 포메이션 구조를 복수의 포메이션 구조 그룹들 중 어느 하나인 제 1 포메이션 구조 그룹에 매칭하고, 제 1 포메이션 구조 그룹에 대응하는 포메이션 식별자를 획득할 수 있다.

예를 들어, 제 1 포메이션 구조 그룹에 대응하는 포메이션 식별자가 "1"이고, 포메이션 식별자 "1" 에 대응하는 포메이션 정보가 "3-4-3" 포메이션이라면, 타겟 기간에 대한 팀 포메이션은 "3-4-3" 포메이션이라는 것을 알 수 있다.

여기서, 복수의 포메이션 구조 그룹들은 복수의 포메이션 구조 샘플들을 군집화하고 각각의 클러스터에 포메이션 구조 식별자를 레이블링하는 것에 의해 생성된 것일 수 있다.

관련하여, 도 4 는 본 기재의 실시예에 따른 포메이션 그룹의 예시에 관한 것이다. 도 4 에 예시적으로 도시된 바와 같이, 복수의 포메이션에 각각 대응하는 복수의 포메이션 구조들은 예를 들어 제 1 포메이션 구조 그룹 (410), 제 2 포메이션 구조 그룹 (420), 제 3 포메이션 구조 그룹 (430), 제 4 포메이션 구조 그룹 (440), 제 5 포메이션 구조 그룹 (450), 제 6 포메이션 구조 그룹 (460) 을 포함할 수 있다. 각 포메이션 구조 그룹에는, 예를 들어 "1" 내지 "6" 의 포메이션 구조 식별자가 레이블링될 수 있다.

관련하여, 본 기재의 실시예들은 포메이션 식별을 위해 인공 신경망을 이용할 수 있을 뿐만 아니라, 클러스터링 알고리즘과 같은 다른 다양한 컴퓨터 기반 기술이 사용될 수 있다.

본 기재의 일 측면에 따라 포메이션 식별을 위해 클러스터링 알고리즘을 이용할 때에는 다수의 포메이션 기간들에 대한 각각의 평균 인접성 행렬들을 이용할 수도 있다. 구체적으로, 다수의 포메이션 기간들 각각에 대한 평균 인접성 행렬들 간의 거리를 이용하여 다수의 포메이션 기간들의 클러스터링을 수행할 수 있다. 여기서, 평균 인접성 행렬들 간의 거리는 예를 들어 두 행렬 간 다른 값의 개수를 나타내는 맨하탄 거리가 사용될 수 있으나 이에 한정되지 아니한다.

복수의 타겟 세션들 각각에 대한 샘플 포메이션 구조들, 또는 복수의 포메이션 기간들 각각에 대한 샘플 포메이션 구조들을 확보하고, 확보된 다수의 샘플 포메이션 구조들을 예를 들어 제 1 포메이션 구조 그룹 (410) 내지 제 6 포메이션 구조 그룹 (460) 으로 군집화할 수 있다. 예를 들어 샘플 포메이션 구조가 해당 기간 내의 인접성 행렬들의 평균값을 가지는 평균 인접성 행렬일 때, 각 기간들에 대한 평균 인접성 행렬들 간의 거리를 기반으로 군집화를 수행할 수 있다. 군집화된 결과물들, 즉 예를 들어 제 1 포메이션 구조 그룹 (410) 내지 제 6 포메이션 구조 그룹 (460) 들 마다 각각 어느 포메이션에 해당하는지 여부를 결정하여 포지션 식별자의 라벨링을 수행할 수 있다.

이후, 포메이션을 식별하고자 하는 타겟 기간의 포메이션 구조가 어느 포메이션 구조 그룹에 해당하는지 여부를 결정하면, 해당 포메이션 구조 그룹에 대응하는 포지션 식별자를 기반으로 타겟 기간의 포메이션을 식별할 수 있다.

한편, 클러스터링을 수행함에 있어서도, 포메이션 구조가 역할들에 관한 값을 포함하고 있는 경우에는 역할들에 대한 정렬이 요구될 수 있다. 본 기재의 일 측면에 따르면, 각각의 포메이션 구조 샘플은, 포메이션 구조 샘플에 포함된 복수의 데이터 엘리먼트들 각각을 참조 포메이션 구조에 포함된 복수의 참조 데이터 엘리먼트들 각각에 할당하는 것에 의해 정렬된 복수의 정규화 데이터 엘리먼트들을 포함할 수 있다. 구체적인 역할 정렬에 대한 절차는 인공 신경망의 트레이닝 셋과 관련하여 설명한 절차가 차용될 수 있다.

다시 도 37 을 참조하면, 컴퓨팅 디바이스는 포메이션 데이터를 획득 (S3730) 할 수 있다. 구체적으로, 포메이션 식별 (S3720) 단계에 의해 타겟 세션 또는 기간에 대한 포메이션이 식별되면, 컴퓨팅 디바이스는 식별된 포메이션에 대응하는 포메이션 데이터를 획득할 수 있다.

여기서, 포메이션 데이터는 포메이션에 대한 복수의 포지션들에 대한 정보 및 복수의 포지션들 각각에 대한 위치 특성값들을 포함할 수 있다. 즉, 포메이션 데이터는 특정 포메이션에 어떤 포지션들이 포함되는지 여부에 대한 정보와, 각각의 포지션들이 어떤 위치적 특징 또는 위치 분포를 가지는지 여부에 대한 정보가 포함될 수 있다.

예를 들어, "3-4-3" 포메이션에 대한 포메이션 정보는, 복수의 포지션들에 대한 정보로서 레프트 윙 (LW), 센터포워드 (CF), 라이트 윙 (RW), 좌측 측면 미드필더 (LMF), 제 1 중앙 미드필더 (CMD 1), 제 2 중앙 미드필더 (CMD 2), 우측 측면 미드필더 (RMF), 제 1 센터백 (CB 1), 제 2 센터백 (CB 2), 제 3 센터백 (CB 3) 이 포함된다는 데이터를 포함할 수 있다. 또한, "3-4-3" 포메이션에 대한 포메이션 정보는, 상기와 같은 각각의 포지션들에 대한 위치 특성값들을 포함할 수 있다.

본 기재의 일 측면에 따르면, 각각의 포지션에 대한 위치 특성값은, 각 포지션에 대한 대표 위치 또는 각 포지션에 대한 위치 분포 중 적어도 하나에 기초하여 생성되는 것일 수 있다. 즉, 각 포지션이 위치적으로 어떤 특성을 가지는지 여부를 반영하는 값으로서 이해될 수 있다.

다시 도 37 을 참조하면, 컴퓨팅 디바이스는 선수-포지션 할당을 획득 (S3740) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 복수의 선수들 각각에 대한 선수-포지션 할당들을 획득하되, 여기서 각각의 선수-포지션 할당은, 복수의 선수들 각각에 대한 위치 특성값들 및 복수의 포지션들 각각에 대한 위치 특성값들을 기반으로, 복수의 선수들 각각을 복수의 포지션들 각각에 할당하여 생성될 수 있다. 즉, 팀 스포츠에 참여하는 팀의 복수의 선수들 중 어떤 선수가 어떤 포지션에 해당하는지 여부를 결정할 수 있다.

여기서, 전술한 바와 같이 각각의 포지션에 대한 위치 특성값은, 각 포지션에 대한 대표 위치 또는 각 포지션에 대한 위치 분포 중 적어도 하나에 기초하여 생성되는 것일 수 있다. 즉, 각 포지션이 위치적으로 어떤 특성을 가지는지 여부를 반영하는 값으로서 이해될 수 있다. 또한, 각각의 선수에 대한 위치 특성값은, 각 선수에 대한 대표 위치 또는 각 선수에 대한 위치 분포 중 적어도 하나에 기초하여 생성되는 것일 수 있다. 즉, 각 선수가 위치적으로 어떤 특성을 가지는지 여부를 반영하는 값으로서 이해될 수 있다.

관련하여, 선수의 위치에 대한 정보는 본 기재의 일 측면에 따른 선수 추적 데이터 셋들로부터 획득될 수 있고, 포지션의 위치에 대한 정보는 본 기재의 일 측면에 따른 포메이션 데이터로부터 획득될 수 있다. 선수 및 포지션들 각각에 대한 위치에 관한 정보가 확보되었으므로, 이들을 비교하는 것에 의해 어떤 선수가 어떤 포지션에 해당하는지 여부를 결정하는 선수-포지션 할당을 획득할 수 있다.

따라서, 본 기재의 실시예에 따르면, 선수의 위치 데이터에 대한 시퀀스를 포함하는 선수 추적 데이터 셋들을 확보하면, 이와 같은 선수 추적 데이터 셋들을 처리하는 것에 의해 팀 스포츠의 경기에 참여하는 팀의 포메이션을 식별할 수 있고, 선수 추적 데이터 셋에 대응하는 각각의 선수가 어떤 포지션에 해당하는지 여부에 대해서도 결정할 수 있다.

한편, 팀 스포츠의 경기 중에는 적어도 한 번 이상의 선수 교체가 발생할 수 있다. 선수 교체가 발생하는 경우를 고려하여, 상기와 같은 선수-포지션 할당은 팀 스포츠 경기의 초반 기간의 데이터를 기반으로 획득되도록 할 수도 있다. 예를 들어, 초반 기간은 타겟 세션이 복수의 기간들로 분할되는 경우 첫 번째 기간을 의미할 수도 있다. 또는 초반 기간은 팀 스포츠 경기의 개시 시점부터 미리 결정한 시간 길이 (예를 들어 30분) 를 가지는 기간을 의미할 수도 있다.

다시 도 37 을 참조하면, 컴퓨팅 디바이스는 출전 선수 정보를 획득 (S3750) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 타겟 세션에 참여하는 팀의 출전 선수 정보를 획득할 수 있고, 여기서 출전 선수 정보는, 타겟 세션에 참여하는 팀의 포메이션에 대한 복수의 포지션들, 및 상기 복수의 포지션들 각각에 대응하는 선수 식별자들을 포함할 수 있다.

근래의 팀 스포츠 경기와 관련하여, 각각의 팀 스포츠 경기에 대한 각 팀의 선수 출전 선수 정보가 사전에 제출되는 경우가 대부분이다. 여기서, 출전 선수 정보는 예를 들어 로스터 (roster), 멤버 리스트, 또는 라인-업 (line-up) 을 포함하는 다양한 용어로서 지칭될 수 있다.

출전 선수 정보에는, 타겟 세션에 참여하는 팀이 어떤 포메이션인지 여부에 대한 정보가 포함될 수 있다. 또한, 출전 선수 정보에는, 해당하는 포메이션에 어떤 포지션들이 포함되는지 여부에 대한 정보가 포함될 수 있다. 또, 각 포지션을 어떤 선수가 맡아서 출전하는지 여부에 대한 정보가 포함되며, 이는 선수 식별자로서 포함될 수 있다. 즉, 각 포지션을 담당하여 출전하는 선수의 이름 및/또는 유니폼 넘버 (등번호) 에 대한 정보가 선수 식별자로서 선수 출전 정보에 포함될 수 있다. 팀 스포츠 경기들 중 축구 경기를 예시하면, 축구 경기의 방송 중계 시에, 경기 시작 전 출전 팀의 포메이션이 도식화되어 화면에 송출되며, 해당 포메이션에 포함되는 각각의 포지션들이 표시되며, 해당 포지션을 담당하는 선수의 등번호나 이름 또는 사진 등의 선수 식별자가 함께 표시되는 것을 확인할 수 있다. 이러한 중계 방송의 표시 정보는 경기 전에 사전 제출된 선수 식별 정보에 의해 제작된 것일 수 있다.

이어서, 도 37 에 도시된 바와 같이 컴퓨팅 디바이스는 각 선수를 선수 식별자와 매칭 (S3760) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 선수-포지션 할당들을 기반으로 타겟 세션에 대한 복수의 선수들 각각을 복수의 선수 식별자들 각각에 매칭할 수 있다. 본 기재의 실시예에 따라, 선수 추적 데이터 셋이 획득될 수 있으며, 선수 추적 데이터 셋은 복수의 선수들 각각에 대해 확보될 수 있다. 또한 본 기재의 실시예에 따라, 각 선수 추적 데이터 셋에 대응하는 복수의 선수들 각각이 어떤 포지션에 해당하는지 여부를 지시하는 선수-포지션 할당들이 확보될 수 있다. 이러한 선수-포지션 할당들과, 선수 출전 정보에 포함된 복수의 포지션들 및 선수 식별자에 대한 정보들을 이용하면, 복수의 선수 추적 데이터 셋에 대응하는 복수의 선수들 각각을 선수 식별자 각각과 매칭할 수 있다.

따라서, 본 기재의 실시예에 따르면, 예를 들어 도 9 센서 기기 (1200) 와 같은 선수 위치 결정 디바이스를 특정 참여자가 고정적으로 사용하지 않고 임의의 참여자에 대해 구분없이 사용하는 경우에도, 복수의 경기 참여자를 구분하여 선수 추적 데이터 셋을 확보한다면, 이와 같은 선수 추적 데이터 셋이 어떤 이름 또는 등 번호의 선수에 대한 것인지 여부를 자동으로 식별할 수 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 세션 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 그리고 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 상기 타겟 세션에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 세션 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 기반으로 상기 팀의 포메이션을 식별; 하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 포메이션 식별, 포지션 식별 및 선수 식별자 매칭 프로세스에 따를 수 있다.

역할 공간 배치 기반의 포메이션 구조

도 33 은 본 기재의 일 실시예에 따른 포메이션 구조 획득 프로세스에 대한 개략적인 흐름도이다. 도 33 을 참조하여, 본 기재의 일 실시예에 따른 역할 공간 배치 기반의 포메이션 구조 획득 및 그에 따른 포메이션 결정 프로세스에 대해서 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재에서 "포메이션 식별, 포지션 식별 및 선수 식별자 매칭 프로세스"와 관련하여 전술한 바와 같이, "포메이션 구조"는, 팀 스포츠 경기에 참여하는 팀의 분석 대상인 타겟 기간 동안의 포메이션을 결정하기 위한 정보를 의미할 수 있다. 본 기재의 실시예에 따른 포메이션 식별 프로세스는, 포메이션을 식별하고자 하는 대상 기간 동안의 선수 및/또는 역할의 위치 및/또는 위치적 관계와 관련된 데이터들을 확보하여 이를 기반으로 해당 기간의 포메이션을 식별할 수 있다.

다만, "선수" 또는 "역할"의 관점에서, 전술한 바와 같이 "선수"와 "역할"은 서로 상이할 수 있으며 특히 타겟 세션 내에서 선수 교체나 선수들 간의 지시된 포지션 변경이 발생하는 경우, "역할"이 포메이션의 식별에 좀 더 유리할 수 있으며, "위치"와 "위치적 관계"의 관점에서도, 팀 스포츠의 역동적 위치 변화를 고려하면 "위치적 관계"가 포메이션의 식별에 더 유리할 수 있다. 하기에서는, "포메이션 구조"가 역할들 간의 위치적 관계를 반영하는 역할 공간 배치를 기반으로 획득되는 예시에 대해서 살펴본다.

도 33 에 도시된 바와 같이, 컴퓨팅 디바이스는 역할의 공간 정보 셋을 획득 (S3310) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들에 기초하여 복수의 역할들 각각에 관한 타겟 기간과 관련된 복수의 공간 정보 셋들을 획득할 수 있다.

여기서, 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 복수의 선수 추적 데이터 셋들은, 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스에 의해 획득될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

또한, 각 공간 정보 셋은, 분석 대상이 되는 타겟 기간 동안의 대응하는 역할의 위치 데이터의 시퀀스를 포함할 수 있다. 공간 정보 셋들의 획득 역시 본 기재에서 전술한 실시예들에 의해 달성될 수 있으나, 이에 한정되지 아니한다.

다시 도 33 을 참조하면, 컴퓨팅 디바이스는 역할 공간 배치 정보를 획득 (S3320) 를 획득할 수 있다. 역할 공간 배치 정보는 분석 대상이 되는 타겟 기간 내의 복수의 시점들 각각에 관한 복수의 역할 공간 배치들을 포함하고, 각 역할 공간 배치는, 제 1 대응하는 시점에서 복수의 역할들 간의 위치적 관계를 반영할 수 있다. 역할 공간 배치는 예를 들어 본 기재의 "포메이션 기간 분할 프로세스"와 관련하여 전술한 바와 같은 실시예에 따라 획득될 수 있으나 이에 한정되지 아니한다.

이어서, 컴퓨팅 디바이스는 복수의 역할 공간 배치들을 기반으로 분석 대상이 되는 타겟 기간에 대한 포메이션 구조를 획득 (S3330) 하고, 또한 컴퓨팅 디바이스는 포메이션 구조에 기초하여 팀의 포메이션을 결정 (S3340) 할 수 있다.

예를 들어 본 기재의 "포메이션 기간 분할 프로세스"와 관련하여 전술한 바와 같이, 역할 공간 배치들 각각은, 제 1 대응하는 시점에서 복수의 역할들 중 제 1 역할이 복수의 역할들 중 제 2 역할과 상호 인접하고 있는지 여부를 반영하는 역할 인접성 정보를 포함할 수 있다. 또한, 역할 인접성 정보는, 복수의 역할들 각각이 상기 복수의 역할들 각각에 대해 상호 인접하고 있는지 여부를 반영하는 역할 인접성 행렬을 포함할 수 있다.

전술한 바와 같이, 역할 인접성 행렬은 분석 대상이 되는 타겟 기간의 복수의 시점들 각각에 대해서 획득될 수 있다. 본 기재의 "포메이션 식별 프로세스"와 관련하여 전술한 바와 같이, 컴퓨터 기반 기술을 이용한 포메이션의 식별에 있어서 예를 들어 인공 신경망 훈련을 위한 훈련 데이터 셋의 입력 데이터의 형태는 다양하게 변형될 수 있다. 구체적으로, 포메이션 구조는, 복수의 시점들 각각에 관한 복수의 역할 인접성 행렬들의 시퀀스일 수도 있고, 복수의 시점들 각각에 관한 복수의 역할 인접성 행렬들의 평균을 반영하는 평균 역할 인접성 행렬일 수도 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 에 기초하여 복수의 역할들 각각에 관한 상기 타겟 기간과 관련된 복수의 공간 정보 셋들 - 각 공간 정보 셋은, 상기 타겟 기간 동안의 대응하는 역할의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 역할 공간 배치 정보 - 상기 역할 공간 배치 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 관한 복수의 역할 공간 배치들을 포함하고, 각 역할 공간 배치는, 제 1 대응하는 시점에서 상기 복수의 역할들 간의 위치적 관계를 반영함 - 를 획득하고; 상기 복수의 역할 공간 배치들을 기반으로 상기 타겟 기간에 대한 포메이션 구조 - 상기 포메이션 구조는, 상기 타겟 기간 동안 팀 스포츠 경기에 참여하는 팀의 포메이션을 결정하기 위한 정보를 반영함 - 를 획득하고; 그리고 상기 포메이션 구조에 기초하여 상기 팀의 포메이션을 결정; 하도록 구성될 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 역할 공간 배치 기반의 포메이션 구조 획득 프로세스에 따를 수 있다.

역할 기간 분할

도 44 는 본 기재의 일 실시예에 따른 역할 시간 기간 분할 프로세스에 대한 개략적인 흐름도이고, 도 45 는 도 44 의 변화점 검출 프로세스에 대한 거리 정보 획득의 상세 흐름도이다. 이하, 도 44 내지 도 45 를 참조하여 본 기재의 일 실시예에 따른 역할 기간 분할에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재의 일 실시예에 따르면, 예를 들어, 분석 대상이 되는 타겟 기간을 팀 스포츠 경기에 참여하는 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 기준으로 적어도 2 이상의 역할 시간 기간들로 분할할 수 있다. 팀 스포츠에 있어서 팀의 포메이션이 유지되는 경우에도, 포메이션에 속하는 포지션을 담당하는 선수가 서로 변경되는 경우가 발생할 수 있다. 예를 들어, "3-4-3" 포메이션이 지속적으로 유지되는 한편, 전술적인 지시에 의해 "RMF" 의 역할을 담당하던 선수와 "CMF 1"의 역할을 담당하던 선수가 서로의 역할을 담당하도록 역할이 상호 변경되는 경우가 존재할 수 있다. 본 기재의 일 실시예에 따르면 이와 같이 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 검출하여, 검출된 변화점을 기준으로 역할 시간 기간들로 타겟 기간을 분할할 수 있다.

한편, 여기서 역할의 변경은 전술적인 필요 등에 의해 "지시된 역할 변경"을 의미하는 것으로서, 예를 들어 윙백의 오버래핑 및 이에 대한 커버 플레이와 같은 "일시적인 역할 교환"과는 구분되는 것임은 본 기재에서 이미 설명된 바 있다.

지시된 역할 변경에 따른 역할 시간 기간을 분할하는 것에 의해, 각각의 역할 시간 기간 내에서의 역할 할당에 따른 고차원적 전술 분석이 보다 정확하게 수행될 수 있다. 또한, 역할 할당의 비정규 여부에 따른 노이즈 프레임의 결정 역시 더욱 정확하게 수행될 수 있다.

도 44 를 참조하면, 본 기재의 일 실시예에 따른 역할 기간 분할 프로세스는, 선수 추적 데이터 셋을 획득 (S4410) 하는 단계, 역할 변경에 대한 변화점을 검출 (S4420) 하는 단계, 검출된 변화점이 유효한지 여부를 결정 (S4430) 하는 단계, 또는 타겟 구간을 역할 시간 구간들로 분할 (S4440) 하는 단계 중 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

먼저, 도 44 에 도시된 바와 같이, 컴퓨팅 디바이스는 타겟 세션을 적어도 두 개의 시간 구간으로 분할 (S4405) 할 수 있다. 타겟 세션의 분할은, 예를 들어 본 기재에서 설명되는 바와 같은 포메이션 기간의 분할 프로세스에 따른 것일 수 있으나 이에 한정되지 아니한다. 또한 타겟 세션의 분할은 선택적인 것이며 분할되지 않은 타겟 세션 전체에 대해 본 기재의 일 실시예에 따른 역할 기간 분할 프로세스가 수행될 수도 있다.

보다 구체적으로, 컴퓨팅 디바이스는 예를 들어 팀 스포츠의 한 경기에 대한 타겟 세션을 적어도 두 개의 포메이션 시간 기간들로 나눌 수 있다. 여기서, 적어도 두 개의 시간 기간들은 팀 스포츠 경기에 참여하는 팀의 포메이션 변경을 기준으로 분할된 제 1 포메이션 시간 기간 및 제 2 포메이션 시간 기간을 포함할 수 있다.

시간 기간의 분할은 예를 들어 본 기재에서 예시되는 바와 같은 변화점 검출 프로세스에 의해서 수행될 수 있으나, 임의의 분할 기준에 의해 구분된 기간 분할을 포함할 수도 있다.

본 기재의 일 측면에 따라 타겟 세션이 적어도 2 이상의 포메이션 시간 기간으로 분할되는 경우, 하기에서 설명하는 본 기재의 일 실시예에 따른 역할 시간 기간 분할 프로세스의 대상이 되는 타겟 기간은 예를 들어 제 1 포메이션 시간 기간 또는 제 2 포메이션 시간 기간 중 어느 하나일 수 있다.

도 44 에 도시된 바와 같이, 컴퓨팅 디바이스는 먼저 선수 추적 데이터 셋을 획득 (S4410) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 역할 기간 분할의 대상이 되는 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다음으로, 도 44 에 도시된 바와 같이, 컴퓨팅 디바이스는 역할 변경에 대한 변화점을 검출 (S4420) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 앞서 획득된 복수의 선수 추적 데이터 셋들에 기초하여 타겟 기간 이내의 복수의 시점들 각각에 대응하는 특징값들을 생성하고, 이러한 특징값들에 대해 변화점 검출 (Change Point Detection, CPD) 알고리즘을 적용할 수 있다. 그 결과, 컴퓨팅 디바이스는, 타겟 기간 내의 복수의 시점들 중에서, 타겟 기간동안 팀 스포츠 경기에 참여하는 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 나타내는 변화점을 검출할 수 있다.

타겟 기간을 적어도 2 이상의 역할 시간 기간으로 분할 하는 것은, 분석 대상이 되는 타겟 기간에 포함되는 복수의 시점들 중에서, 복수의 선수들 중 적어도 일부의 역할이 변경되는 특정한 시점인 변화점을 검출하는 것에 의해 수행될 수 있다. 따라서, 변화점을 검출하기 위해서는 타겟 기간에 포함되는 복수의 시점들 각각에 대해서, 각 시점마다 상이할 수 있는 특징을 반영할 수 있는 특징값을 생성하는 것이 요구될 수 있다. 복수의 시점들 각각에 대해서 각 시점의 특징값들이 생성되면, 특징값들의 시퀀스들에 대해 소정의 변화점 검출 알고리즘을 적용함으로써, 특징값들 기반의 변화점 검출이 달성될 수 있다.

여기서, 변화점 검출 알고리즘은 예를 들어 본 기재의 "3. 관련 기술"에서 상술된 바와 같이, 비모수적 변화적 검출 기법이 적용될 수 있고, 보다 구체적으로는 변화점 검출 알고리즘이 이산 g-분할 (Discrete g-Segmentation) 알고리즘을 포함할 수 있다. 그러나, "3. 관련 기술"에서도 언급된 바와 같이 이와 같은 특정 알고리즘으로 본 기재의 변화점 검출 기법이 한정되는 것은 아니며, 판단 대상 값들의 시퀀스를 기반으로 특성의 변화점을 검출할 수 있는 임의의 CPD 알고리즘이 사용될 수 있다고 이해되어야 할 것이다.

본 기재의 일 실시예에 따른 역할 기간 분할 프로세스는, 예를 들어 포메이션 시간 기간들 각각을 적어도 2 이상의 역할 기간들로 분할하는 것일 수 있다.

관련하여, 도 46 은 역할 기간 분할을 위한 인접 프레임 간의 역할 할당 간의 거리들의 시퀀스 획득에 대한 예시도이고 도 47 은 변화점 검출 알고리즘을 이용한 역할 구간 분할의 예시도이다. 일 측면에 따르면, 역할 시간 기간들로의 분할은, 도 46 에 예시적으로 도시된 바와 같이 단일한 포메이션 기간에 대한 복수의 시점들 각각에 대한 역할 할당들의 시퀀스로부터 차이값 시퀀스를 산출하고, 이와 같은 차이값 시퀀스에 이산 g-분할 알고리즘을 적용하여 도 47 에 예시적으로 도시된 바와 같이 역할 시간 기간들로의 분할을 수행하는 것일 수 있다. 이산 g-분할이 아닌 다른 변화점 검출 알고리즘을 적용할 수 있음은 본 기재에서 전술한 바와 같다.

좀 더 구체적으로 살펴보면, 본 기재의 일 측면에 따른 복수의 시점들 각각에 대한 각 특징값은, 각 시점의 역할 할당을 포함할 수 있다. 본 기재에서 앞서 상세하게 설명된 바와 같이, 역할 할당은, 대응하는 시점에서 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시할 수 있다. 즉, 복수의 선수 추적 데이터 셋들에 각각 대응하는 각 선수들 마다 역할 인덱스가 할당될 수 있으며, 특정 시점에 대한 역할 할당은 그 시점에서의 복수의 선수들에게 각각 어떠한 역할 인덱스가 할당되었는지에 대한 정보를 포함할 수 있다.

본 기재의 일 측면에 따라, 각 시점에 대한 특징값이 역할 할당을 포함하는 경우, 역할 변경에 대한 변화점을 검출 (S4420) 하는 단계는 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보를 획득하는 단계를 더 포함할 수 있다. 역할 할당 정보는 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함할 수 있다. 본 기재에서 전술한 바와 같은 역할 할당 정보 획득 프로세스에 의해 위와 같은 역할 할당 정보가 획득될 수 있으나 반드시 이에 한정되는 것은 아님에 유의한다.

여기서, 역할 변경에 대한 변화점을 검출하는 단계 (S4420) 는, 복수의 시점들 간의 특징값들 사이의 거리를 기반으로 변화점을 검출할 수 있다. 도 45 에 도시된 바와 같이, 변화점을 검출하는 단계 (S4420) 는 시점들의 특성값 사이의 거리에 관한 정보를 획득 (S4421) 하는 단계 및 거리에 관한 정보에 변화점 검출 알고리즘 적용 (S4423) 하는 단계를 포함할 수 있다.

보다 구체적으로, 컴퓨팅 디바이스는 복수의 시점들 각각에 대한 특징값들 중 제 1 시점의 특징값과 제 2 시점의 특징값 사이의 거리에 관한 정보를 획득할 수 있다 (S4421). 여기서, 특징값들 사이의 거리는, 특징값들 사이의 서로 상이한 정도를 나타낼 수 있다. 예를 들어, 제 1 역할 할당과 제 2 역할 할당 사이의 거리는, 제 1 역할 할당과 제 2 역할 할당 간의 서로 상이한 역할의 개수를 반영하는 것일 수 있다.

일 측면에 따르면, 특징값들 사이의 거리에 관한 정보는, 타겟 기간에 포함되는 복수의 시점들에 대한 특징값들 각각으로부터의 복수의 시점들에 대한 특징값들 각각에 대한 거리를 반영하는 프레임-간 거리 행렬을 포함할 수 있다. 본 기재의 실시예에 따른 포메이션 구간 분할 프로세스에서 모든 프레임들 간의 역할 인접성 행렬들 간의 거리를 산출하여 프레임-간 거리 행렬을 구하는 것과 유사하게, 역할 기간 분할을 위한 복수 시점들 간의 특징값들 간의 거리 역시 모든 시점들의 모든 시점들에 대한 거리 정보를 포함하는 행렬을 포함하도록 할 수 있다.

또는, 본 발명의 다른 일 측면에 따르면, 특징값들 사이의 거리에 관한 정보는, 타겟 시점에 대한 특징값과 상기 타겟 시점의 이전 시점에 대한 특징값 사이의 거리를 반영하는 시계열 거리들의 시퀀스를 포함할 수 있다. 여기서, 시계열 거리는 복수의 시점들 각각에 대해 산출될 수 있다.

예를 들어 도 46 에 도시된 바와 같이, 본 기재의 일 실시예에 따른 역할 시간 기간들로의 분할을 위해 참조될 수 있는 복수의 시점들 각각에 대한 특징값은 해당 시점에서의 역할 할당일 수 있다. 도 46 은 예를 들어 포메이션 기간 분할을 통해 2,100.0 타임 스탬프 (프레임 21,000) 으로부터 4,800.0 타임 스탬프 (프레임 48,000) 에 이르는 포메이션 시간 기간을 복수의 역할 시간들로 구분하기 위한 역할 할당을 도시하고 있다.

본 기재의 일 측면에 따라, 특징값들 사이의 거리에 관한 정보는 타겟 시점에 대한 특징값과 타겟 시점의 이전 시점에 대한 특징값 사이의 거리를 반영하는 시계열 거리들의 시퀀스 일 수 있다. 즉, 인접하는 시점들 간의 특징값들 사이의 거리들의 시퀀스가 변화검 검출 알고리즘의 적용 대상일 수 있다.

도 46 에 도시된 바와 같이 2,100.0 시점에서의 역할 할당과 2,100.1 시점에서의 역할 할당은 차이가 없으므로 두 시점 간의 특징값들 사이의 거리 (4610) 는 0 이된다. 반면, 예를 들어 3,044.2 시점에서의 역할 할당이 3,044.1 시점의 역할 할당과 상이한 개수는 2 이므로, 두 시점 간의 특징값들 사이의 거리 (4610) 는 2 가 된다. 이와 같이, 각 시점의 이전 시점과의 특징값들 간의 거리를 산출하고, 타겟 기간에 포함되는 모든 시점에 대해 이와 같은 시계열 거리값을 나열한 시퀀스가 변화점 검출 알고리즘의 적용 대상일 수 있다.

한편, 본 기재의 일 측면에 따르면, 도 44 의 역할 변경에 대한 변화점을 검출하는 단계 (S4420) 에서, 컴퓨팅 디바이스는 복수의 시점들 각각에 대한 복수의 역할 할당들 중 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당들을 기반으로 변화점을 검출할 수 있다.

일 측면에 따르면, 비정규 역할 할당은, 컴퓨팅 디바이스가 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고, 주 역할 할당을 고려하여 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 것을 기반으로 결정될 수 있다. 또한, 주 역할 할당은, 복수의 역할 할당들 중 최빈 역할 할당일 수 있다. 보다 구체적으로, 비정규 역할 할당을 결정함에 있어서는, 복수의 역할 할당들 각각에 관한 주 역할 할당으로부터의 거리들에 관한 정보를 획득하고 이와 같은 거리들에 관한 정보에 기초하여 비정규 역할 할당을 판단할 수 있다. 역할 할당 간의 거리는, 복수의 역할 할당들 각각과 주 역할 할당 사이의 서로 상이한 정도를 나타낼 수 있다.

비정규 역할 할당의 결정은, 본 기재에서 앞서 역할 할당 정보 획득 프로세스와 관련하여 설명한 절차의 적어도 일부를 이용하여 결정될 수 있다. 역할 시간 기간 분할을 위해 사용되는 각 시점의 특징값이 역할 할당인 경우, 해당 시점이 포메이션이 붕괴되는 비정규 상황이라면 해당 시점의 역할 할당을 제외하고 변화점 검출 알고리즘을 적용하는 것이 역할 시간 기간 분할의 정확성을 향상시킬 수 있다.

이어서, 다시 도 45 를 참조하면, 컴퓨팅 디바이스는 특징값들 사이의 거리에 관한 정보에 변화점 검출 알고리즘을 적용 (S4423) 함으로서 팀 스포츠에 참여하는 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점에 대한 변화점을 검출할 수 있다.

한편, 다시 도 44 를 참조하면, 컴퓨팅 디바이스는 검출된 변화점이 유효한지 여부를 결정 (S4430) 할 수 있다. 구체적으로, 컴퓨팅 디바이스는 적어도 하나의 검출된 변화점을 기준으로 분할된 기간의 특징들을 기반으로 변화점이 유효한지 여부를 결정할 수 있다. 컴퓨팅 디바이스는, 검출된 변화점을 기준으로 분할된 구간에 대해 소정의 분할 조건을 확인하고, 분할 조건이 만족되면 분할을 확정하고, 만족되지 않으면 분할하지 않도록 할 수 있다.

본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 검출된 변화점에 따른 스캔 통계량의 유의도 값 (Scan Statics p) 이 미리 결정한 제 1 임계값 이하라는 결정에 응답하여 검출된 변화점이 유효하다고 판단할 수 있다. 예를 들어, 변화점에 따른 분할 기반의 스캔 통계량의 유의도 값이 0.01 이하일 것이 요구될 수 있다. 여기서, 유의도는 분할 기간 내의 값들이 해당 분할에 속하는 것이 틀릴 가능성을 의미하는 값으로 이해될 수 있으며, 그 값이 낮을수록 적절히 분할된 것으로 이해될 수 있다.

또한, 본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 분할된 제 1 역할 시간 기간 및 제 2 역할 시간 기간 양쪽 모두의 시간 길이가 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 상기 변화점이 유효하다고 판단할 수 있다. 예를 들어, 나누어진 분할 구간인 제 1 역할 시간 기간 및 제 2 역할 시간 기간 양 쪽 모두의 길이가 5 분 이상일 것을 요구할 수 있다. 역할 변경이 지나치게 짧은 시간 안에 반복 수행될 가능성이 미미하므로, 예를 들어 5 분 이상의 구간으로의 분할을 유효한 분할로 결정할 수 있다.

한편, 본 기재의 일 측면에 따르면, 컴퓨팅 디바이스는 전술한 바와 같이 스캔 통계량의 유의도 값에 대한 조건 및 최소 시간 길이에 대한 조건이 모두 만족되는 경우에만 유효한 변화점의 검출 또는 유효한 기간 분할이 수행된 것으로 결정할 수 있다.

다시 도 44 를 참조하면, 컴퓨팅 디바이스는 검출된 변화점이 유효하다는 결정에 응답하여, 타겟 기간을 역할 시간 구간들로 분할 (S4440) 하는 것을 확정할 수 있다. 즉, 컴퓨팅 디바이스는 변화점에 기초하여 타겟 기간을 적어도 두 개의 역할 시간 기간들로 분할할 수 있고, 적어도 두 개의 시간 기간들은 타겟 기간동안 팀 스포츠에 참여하는 복수의 선수들 중 적어도 일부의 역할이 변경되는 변화점을 기준으로, 변화점 이전의 제 1 역할 시간 기간 및 변화점 이후의 제 2 역할 시간 기간을 포함할 수 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들에 기초하여 생성된 복수의 시점들 각각에 대한 특징값들에 변화점 검출 알고리즘을 적용함으로써 상기 타겟 기간 내에서 상기 복수의 선수들 중 적어도 일부의 역할이 변경되는 시점을 반영하는 변화점을 검출하고; 그리고 상기 변화점에 기초하여 상기 타겟 기간을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 변화점 이전의 제 1 역할 시간 기간 및 상기 변화점 이후의 제 2 역할 시간 기간을 포함함 - 로 분할; 하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 역할 기간 분할 프로세스에 따를 수 있다.

비정규 상황 검출 및 하이라이트 영상 데이터 추출

도 48 은 본 기재의 일 실시예에 따른 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스의 개략적인 흐름도이고, 도 8 은 본 기재의 실시예에 따른 스위치율과 세트-피스 발생 간의 관계를 도시한 도면이다. 이하, 도 8 및 도 48 을 참조하여 본 기재의 일 실시예에 따른 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재에서 "비정규 상황"은 예를 들어 코너킥이나 프리킥을 포함하는 세트 피스 상황과 같이, 팀 스포츠 경기에 참여하는 팀의 포메이션이나 포지션이 붕괴된 상황을 의미할 수 있다. 예를 들어 본 기재의 실시예에 따른 역할 할당 정보 획득 프로세스나 역할 기간 분할 프로세스와 같이 복수의 선수들 각각에 대한 역할 할당 기반의 전술 분석의 관점에서 비정규 상황에 대응하는 데이터는 노이즈로서 제거될 수 있다. 그러나, 팀 스포츠 경기에 대한 전술 분석에서 세트 피스와 같은 비정규 상황에 대한 분석은 그 자체로서 중요한 의미를 가질 수 있다. 경기 내에서의 비정규 상황의 검출은, 해당 경기에서의 비정규 상황의 발생 빈도나 발생 시점, 지속 시간과 같은 비정규 상황에 대한 통계적 분석을 위해 활용될 수 있다. 또는, 팀 스포츠에 참여하는 팀의 세트 피스와 같은 비정규 상황에서의 전략 또는 전술 역시 중요한 분석 대상이 될 수 있다. 또한 세트 피스 상황과 같은 비정규 상황은 팀 스포츠에 대한 경기 영상 중에서, 하이라이트에 해당할 가능성이 높으므로, 비정규 상황에 대응하는 시점을 검출하면, 풀 타임 경기 영상에서 하이라이트 영상을 자동으로 추출하기 위한 근거 자료로서 활용될 수도 있다.

본 기재의 일 측면에 따르면, 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스는, 팀 스포츠의 경기에 대한 타겟 세션을 적어도 두 개의 역할 시간 기간들로 분할하고, 분할된 역할 시간 기간 중 어느 하나에 대해 비정규 상황 검출 및 하이라이트 영상 데이터 추출을 수행할 수 있다. 또한, 팀 스포츠 경기 전체에 대해 비정규 상황 검출 및 하이라이트 영상 데이터 추출을 수행하는 경우에도, 역할 시간 기간 별로 상이한 역할 위치 분포를 기반으로 수행되도록 할 수 있다. 본 기재의 일 측면에 따른 비정규 상황 검출은 역할 할당을 기반으로 수행될 수 있으므로, 역할 시간 기간 별로 역할 위치 분포를 달리 적용하는 것에 의해 검출 정확도를 향상시킬 수 있다.

도 48 을 참조하면, 본 기재의 일 실시예에 따른 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스는, 선수 추적 데이터 셋을 획득 (S4810) 하는 단계, 역할 할당 정보를 획득 (S4820) 하는 단계, 역할 할당을 기반으로 비정규 상황 검출 (S4830) 하는 단계, 타겟 구간에 대한 풀 타임 영상 데이터 획득 (S4840) 하는 단계, 비정규 상황에 대응하는 하이라이트 영상 데이터 추출 (S4850) 하는 단계 중 적어도 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각 단계에 관하여 설명한다.

도 48 에 도시된 바와 같이, 컴퓨팅 디바이스는 선수 추적 데이터 셋을 획득 (S4810) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 즉, 복수의 선수들 각각에 대해 타겟 기간에 포함되는 복수의 시점들 마다의 위치들에 대한 정보를 획득할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다음으로, 컴퓨팅 디바이스는 역할 할당 정보를 획득 (S4820) 할 수 있다. 즉, 컴퓨팅 디바이스는 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보를 획득할 수 있다. 여기서, 역할 할당 정보는, 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시할 수 있다. 본 기재의 일 실시예에 따른 "역할 할당 정보 획득 프로세스"와 관련하여 전술한 절차들 중 적어도 일부에 따라 위와 같은 역할 할당 정보가 획득될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다시 도 48 을 참조하면, 컴퓨팅 디바이스는 역할 할당들을 기반으로 비정규 상황을 검출 (S4830) 할 수 있다. 즉, 컴퓨팅 디바이스는 앞서 획득된 복수의 역할 할당들을 기반으로 타겟 기간 내의 비정규 상황을 검출할 수 있다. 여기서, 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상일 수 있다. 환언하면, 컴퓨팅 디바이스는 복수의 시점들 각각에 대한 역할 할당들이 획득되면 이들 중 주 역할 할당을 결정하고, 각각의 시점들에 대응하는 역할 할당들이 주 역할 할당과 차이나는 정도를 계산하여 그 차이값이 미리 결정한 임계값 이상인 시점을 비정규 상황으로서 검출할 수 있다.

비정규 상황의 검출과 관련하여, 도 29 는 비정규 역할 할당을 결정하기 위한 역할 할당 테이블의 예시이고, 도 30 은 도 29 의 역할 할당 테이블에 따른 스위치율 결정의 예시이다.

보다 구체적으로, 역할 할당 정보 획득 단계 (S4820) 를 통해 복수의 시점들 각각에 대한 복수의 역할 할당이 획득되면, 컴퓨팅 디바이스는 복수의 역할 할당들에 기초하여 주 역할 할당을 결정할 수 있다. 일 측면에 따르면, 주 역할 할당은, 복수의 역할 할당들 중 최빈 역할 할당일 수 있다. 도 29 에 예시적으로 도시된 바에 따르면, 제 1 시점 (2910) 에서와 같이, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 분석 대상인 전체 시간 구간 내에서 가장 높은 빈도로 발생하므로, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 주 역할 할당으로 결정될 수 있다. 다만, 주 역할 할당의 결정은 최빈 역할 할당으로 한정되지 아니하며, 다양한 주 역할 할당의 선정 기준이 적용될 수 있다고 이해되어야 할 것이다.

이어서, 컴퓨팅 디바이스는 주 역할 할당을 고려하여 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정할 수 있다. 보다 상세하게는, 비정규 역할 할당을 결정하는 것은, 주 역할 할당과 각 역할 할당 사이의 거리 정보 획득 단계와 거리 정보에 기초하여 비정규 역할 할당을 결정하는 단계를 포함할 수 있다.

컴퓨팅 디바이스는, 복수의 역할 할당들 각각에 관한 주 역할 할당으로부터의 거리들에 관한 정보를 획득할 수 있다. 여기서, 거리는, 복수의 역할 할당들 각각과 주 역할 할당 사이의 서로 상이한 정도를 반영하는 것일 수 있다. 또한 일 측면에 따르면 거리는, 복수의 역할 할당들 각각에 관한 주 역할 할당으로부터의 스위치율일 수 있다.

보다 구체적으로, 컴퓨팅 디바이스는 타겟 기간에 포함되는 복수의 시점들 각각에 대한 각 역할 할당에 대해서 주 역할 할당과 서로 상이한 정도를 결정할 수 있다. 도 29 의 제 2 기간 (2920) 에 포함되는 시점들의 역할 할당들은 제 1 선수와 제 2 선수의 역할이 주 역할 할당과 달리 각각 역할 B 및 역할 A 인 것으로, 비교적 주 역할 할당과의 차이가 크지 않을 수 있다. 반면에 도 29 의 제 3 기간 (2930) 에 포함되는 시점들의 역할 할당들은 선수들 각각에 대해 할당된 역할들이 주 역할 할당과 상당 부분 차이가 나는 것으로 확인할 수 있다.

이와 같은 주 역할 할당과 각 역할 할당 간의 서로 상이한 정도는 서로 다른 역할의 개수를 기반으로 산출되는 스위치율로서 표현될 수 있다. 도 30 을 참조하면, 제 2 기간 (2920) 에 포함되는 시점들은 전부 제 1 선수와 제 2 선수에 대한 역할이 주 역할 할당과 상이하여, 20% 의 스위치율을 가질 수 있다. 반면에, 제 3 기간 (2930) 에 포함되는 시점을 참조하면, 주 역할 할당과 상이한 역할을 가지는 선수가 7 명 이상이어서, 70 % 이상의 스위치율을 각각 가지는 것을 확인할 수 있다.

컴퓨팅 디바이스는, 이와 같은 주 역할 할당에 대한 각 역할 할당의 거리들에 관한 정보에 기초하여 비정규 역할 할당을 결정 (S1953) 할 수 있다. 예를 들어, 스위치율이 70% 이상인 경우에는 해당 프레임은 비정규 상황으로 간주될 수 있다. 도 30 의 예시를 살펴보면, 제 2 기간 (2920) 에 포함되는 시점들에 대응하는 역할 할당은 20% 의 스위치율을 가지므로 비정규 상황에 포함되지 않으나, 제 3 기간 (2930) 에 포함되는 시점들에 대응하는 역할 할당은 전부 70% 이상의 스위치율을 가지므로, 해당 역할 할당들은 비정규 상황으로 간주될 수 있다.

도 8 에 예시적으로 도시된 바와 같이, 검출되는 비정규 상황은 팀 스포츠 경기에 참여하는 제 1 팀의 공격 상황에 관한 비정규 상황 (흰 배경의 박스로 표시) 와, 제 2 팀의 공격 상황에 관한 비정규 상황 (검정 배경의 박스로 표시) 을 포함할 수 있다.

또한, 예를 들어 코너킥 상황은 "C" 문자로 표시될 수 있고, 프리킥 상황은 "F" 문자로 표시될 수 있다. 구체적으로, 검출되는 비정규 상황은 제 1 팀의 프리킥 상황 (811, 812, 813, 814), 제 1 팀의 코너킥 상황 (821, 822, 823, 824, 825), 제 2 팀의 프리킥 상황 (851), 또는 제 2 팀의 코너킥 상황 (861, 862) 중 적어도 하나 이상을 포함할 수 있다.

본 기재의 일 실시예에 따라 검출된 비정규 상황들 중에서, 각 비정규 상황이 어느 팀에 관한 것인지, 또는 코너킥이나 프리킥 중 어느 상황에 관한 것인지 여부와 같은 비정규 상황의 분류 정보는 다양한 기준에 의해 결정될 수 있다. 예를 들어, 컴퓨팅 디바이스는 팀 스포츠 경기 중의 공의 위치를 트래킹하도록 구성될 수 있으며, 비정규 상황에서 제 1 팀의 공격 위치의 코너 부근에 공이 위치하고 있을 경우 제 1 팀의 코너킥 상황이라고 결정할 수 있다.

다시 도 48 을 참조하면, 컴퓨팅 디바이스는 타겟 기간에 대한 풀 타임 영상 데이터 획득 (S4840) 하고, 비정규 상황에 대응하는 하이라이트 영상 데이터 추출 (S4850) 을 수행할 수 있다. 즉, 컴퓨팅 디바이스는 타겟 기간에 대한 풀 타임 영상 데이터를 획득하여, 풀 타임 영상 데이터로부터 비정규 상황에 대응하는 시점에 대한 영상 데이터를 포함하는 하이라이트 영상 데이터를 추출할 수 있다.

예를 들어 코너킥이나 프리킥과 같은 세트 피스 상황은 비정규 상황으로서 검출될 수 있고, 이러한 세트 피스 상황은 전체 경기에서 주요 시점인 하이라이트에 해당할 수 있다. 따라서, 비정규 상황을 검출하여 비정규 상황에 대응하는 시점들에 대한 정보를 확보하면, 팀 스포츠 경기의 타겟 세션 전체에 대한 경기 영상 중에서 하이라이트에 해당하는 시점이 어느 시점인지 여부를 알 수 있다. 따라서, 보다 용이하게 전체 경기 영상에서 하이라이트 영상에 해당하는 부분을 추출할 수 있다. 일 측면에 따라 편집자의 메뉴얼 조작을 수반하지 않고 컴퓨팅 디바이스에 의해 자동으로 하이라이트 영상의 추출이 수행되도록 할 수 있다. 또한 다른 측면에 따라 전체 경기 영상과 함께 표시되는 타임 바에, 하이라이트 영상 시점이 북마킹으로서 표시되어 제공될 수 있다. 예를 들어 도 8 에 도시된 바와 같이 특정 팀의 어떤 세트 피스 상황인지 여부에 대한 정보가 타임 바에 함께 표시될 수 있으며, 경기 영상을 시청하는 시청자는 해당 북마킹을 선택하는 것에 의해 간편하게 특정 팀의 특정 세트피스 상황에 대한 영상 부분을 선택하여 시청하도록 할 수 있다.

한편, 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 상기 타겟 기간 내의 비정규 상황 - 상기 비정규 상황에 대응하는 시점의 역할 할당과 주 역할 할당 간의 차이값은 미리 결정한 임계값 이상임 - 을 검출;하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 비정규 상황 검출 및 하이라이트 영상 데이터 추출 프로세스에 따를 수 있다.

플레이 스타일 분석 및 하이라이트 영상 데이터 추출

도 49 는 본 기재의 일 실시예에 따른 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스의 개략적인 흐름도이고, 도 50 은 도 49 의 플레이 스타일 정보 생성 프로세스의 상세 흐름도이다. 이하, 도 49 내지 도 50 을 참조하여 본 기재의 일 실시예에 따른 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스에 대해서 보다 구체적으로 설명한다.

본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 9 를 참조하여 설명된 바와 같은 분석 기기 (1400) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있다.

본 기재에서 "플레이 스타일"은 팀 스포츠 경기에 참여하는 팀이나 선수의 팀 스포츠의 플레이에 대한 경향성 또는 주요 구사 전략이나 전술을 나타내는 것으로 이해될 수 있다. 예를 들어, 팀 스포츠에 대한 플레이 스타일은 주로 사용하는 팀 포메이션에 대한 정보를 포함할 수도 있고, 사용되는 부분 전술의 종류나 빈도에 대한 정보를 포함할 수도 있다. 부분 전술에 대한 정보는, 예를 들어 오버래핑과 같이, 일관된 포메이션 및 역할이 유지되는 상태에서 일시적으로 선수 간의 역할을 교환하는 스위치 플레이의 활용 경향성을 의미하는 것일 수도 있다. 이와 같은 플레이 스타일에 대한 분석은 팀 스포츠의 상대방 팀에 대한 전술 분석을 수행함에 있어서 매우 중요한 부분을 차지할 수 있다. 상대방 팀의 주요 전술 또는 전략을 추출해냄으로써 이러한 전술 또는 전략에 대비하기 위한 대응 전술 또는 전략을 미리 수립하고, 선수들이 실제 훈련을 통해 해당 전술 또는 전략에 익숙해지도록 할 수 있다. 한편, 예를 들어 스위치 플레이와 같은 부분 전술 구사 시점은 팀 스포츠에 대한 경기 영상 중에서 하이라이트에 해당할 가능성이 높으므로, 스위치 플레이와 같은 부분 전술 구사 시점을 검출하면 풀 타임 경기 영상에서 하이라이트 영상을 자동으로 추출하기 위한 근거 자료로서 활용될 수도 있다.

본 기재의 일 측면에 따르면, 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스는, 팀 스포츠의 경기에 대한 타겟 세션을 적어도 두 개의 역할 시간 기간들로 분할하고, 분할된 역할 시간 기간 중 어느 하나에 대해 플레이 스타일 분석 및 하이라이트 영상 데이터 추출을 수행할 수 있다. 또한, 팀 스포츠 경기전체에 대해 플레이 스타일 분석 및 하이라이트 영상 데이터 추출을 수행하는 경우에도, 역할 시간 기간 별로 상이한 역할 위치 분포를 기반으로 수행되도록 할 수 있다. 본 기재의 일 측면에 따른 플레이 스타일 분석은 역할 할당을 기반으로 수행될 수 있으므로, 역할 시간 기간 별로 역할 위치 분포를 달리 적용하는 것에 의해 분석 정확도를 향상시킬 수 있다.

도 49 를 참조하면, 본 기재의 일 실시예에 따른 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스는, 선수 추적 데이터 셋을 획득 (S4910) 하는 단계, 역할 할당 정보를 획득 (S4920) 하는 단계, 역할 할당을 기반으로 플레이 스타일 정보 생성 (S4930) 하는 단계, 타겟 구간에 대한 풀 타임 영상 데이터 획득 (S4940) 하는 단계, 스위치 플레이에 대응하는 하이라이트 영상 데이터 추출 (S4950) 하는 단계 중 적어도 하나 이상을 포함할 수 있다. 이하에서는 본 예의 각단계에 관하여 설명한다.

도 49 에 도시된 바와 같이, 컴퓨팅 디바이스는 선수 추적 데이터 셋을 획득 (S4910) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들을 획득할 수 있고, 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함할 수 있다. 즉, 복수의 선수들 각각에 대해 타겟 기간에 포함되는 복수의 시점들 마다의 위치들에 대한 정보를 획득할 수 있다. 도 18 을 참조하여 전술한 본 기재의 일 실시예에 따른 선수 추적 데이터의 획득을 위한 프로세스가 적용될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다음으로, 컴퓨팅 디바이스는 역할 할당 정보를 획득 (S4920) 할 수 있다. 즉, 컴퓨팅 디바이스는 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보를 획득할 수 있다. 여기서, 역할 할당 정보는, 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시할 수 있다. 본 기재의 일 실시예에 따른 "역할 할당 정보 획득 프로세스"와 관련하여 전술한 절차들 중 적어도 일부에 따라 위와 같은 역할 할당 정보가 획득될 수 있으나, 반드시 이에 한정되는 것은 아님에 유의한다.

다시 도 49 를 참조하면, 컴퓨팅 디바이스는 역할 할당을 기반으로 플레이 스타일 정보를 생성 (S4930) 할 수 있다. 즉, 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성할 수 있다.

본 기재의 일 측면에 따르면, 플레이 스타일에 대한 정보는, 복수의 선수들 중 적어도 일부에 의한 일시적 역할 교대를 반영하는 스위치 플레이의 시간 길이에 관한 정보, 스위치 플레이의 횟수에 관한 정보, 또는 스위치 플레이가 발생한 역할들에 관한 정보 중 적어도 하나를 포함할 수 있다.

전술한 바와 같이 본 기재의 실시예에 따른 플레이 스타일은, 팀 스포츠에 참여하는 팀 또는 선수의 부분 전략에 대한 정보를 포함할 수 있다. 예를 들어 윙 백의 오버래핑 및 윙어의 커버 플레이와 같이, 지시된 역할 변경이 아닌 일시적인 역할 교환을 나타내는 스위치 플레이에 대한 분석 정보가 플레이 스타일에 대한 정보에 포함될 수 있다. 스위치 플레이가 타겟 기간 동안에 얼마나 자주 발생했는지, 또한 스위치 플레이가 얼마나 오랜 시간 동안 발생했는지, 또한 어떤 역할을 담당하는 선수들 사이에 스위치가 발생했는지 여부와 같이, 스위치 플레이에 대한 다각도의 분석이 수행될 수 있다.

도 50 을 참조하면, 보다 구체적으로, 플레이 스타일에 대한 정보를 생성하는 단계 (S4930) 는, 주 역할 할당 결정 (S4931), 부 역할 할당 결정 (S4933), 주 - 부 역할 할당을 비교하여 스위치 플레이 정보 획득 (S4935) 의 단계를 포함할 수 있다.

즉, 컴퓨팅 디바이스는 앞서 획득된 복수의 역할 할당들에 기초하여 먼저 주 역할 할당을 결정 (S4931) 할 수 있다. 여기서, 주 역할 할당은, 복수의 역할 할당들 중 최빈 역할 할당일 수 있다. 이어서, 컴퓨팅 디바이스는 복수의 역할 할당들에 기초하여 부 역할 할당을 결정 (S4933) 할 수 있다. 여기서, 부 역할 할당은, 복수의 역할 할당들 중 두번째 최빈 역할 할당일 수 있다. 주 역할 할당과 부 역할 할당이 결정되면, 컴퓨팅 디바이스는 주 역할 할당과 부 역할 할당을 비교하여 스위치 플레이에 관한 정보를 획득할 수 있다 (S4935).

관련하여, 도 29 의 역할 할당 테이블을 예시적으로 참조하면, 제 1 시점 (2910) 에서와 같이, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 분석 대상인 전체 시간 구간 내에서 가장 높은 빈도로 발생하므로, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 주 역할 할당으로 결정될 수 있다.

이어서, 부 역할 할당으로서 복수의 역할 할당들 중 두번째 최빈 역할 할당, 또한 세번째 최빈 역할 할당과 같이 역할 할당의 빈도수에 따라 역할 할당을 정렬할 수 있다. 다만, 주 역할 할당의 결정 또는 부 역할 할당의 결정은 역할 할당의 빈도에 따른 것으로 한정되지 아니하며, 다양한 주 역할 할당 및 부 역할 할당의 선정 기준이 적용될 수 있다고 이해되어야 할 것이다.

관련하여, 도 51 은 플레이 스타일 정보 생성을 위한 역할 할당의 빈도 분석의 예시이다. 도 51 에 도시된 바와 같이, 제 1 선수 내지 제 10 선수에게 각각 역할 A 내지 역할 J 가 할당되는 역할 할당이 전체 역할 할당들 중 67 % 를 차지하여 주 역할 할당 (5110) 으로 결정될 수 있다. 이어서, 주 역할 할당에서 제 1 선수 및 제 2 선수 간의 역할 교환이 발생한 역할 할당들이 15 % 를 차지하여 두 번째 최빈 역할 할당 (5120) 으로 결정될 수 있고, 주 역할 할당에서 제 8 선수, 제 9 선수, 제 10 선수의 역할에 대한 일시적 역할 교환이 발생한 역할 할당들이 13 % 를 차지하여 세 번째 최빈 역할 할당 (5130) 으로 결정될 수 있다.

이와 같이 역할 할당들의 빈도수 분석이 완료되면, 예를 들어 두 번째 최빈 역할 할당 (5120) 을 참조할 때, 역할 A 를 담당하는 선수와 역할 B 를 담당하는 선수 간의 스위치 플레이는 전체 타겟 기간에서 15 % 에 해당하는 시간동안 발생한다는 사실을 분석할 수 있다. 또한, 예를 들어, 두 번째 최빈 역할 할당들 중 서로 연속하는 시점에 대한 역할 할당들을 그룹화하여 하나의 그룹을 1 회의 스위치 플레이 발생으로 카운팅할 수 있으며, 따라서 타겟 기간 동안 역할 A 를 담당하는 선수와 역할 B 를 담당하는 선수 간의 스위치 플레이가 몇 번 발생하였는지 여부를 분석할 수 있다. 이와 같이 선수들 간의 다양한 스위치 플레이에 대한 다각도의 분석이 수행될 수 있다.

관련하여, 도 6 은 본 기재의 실시예에 따른 포메이션 기간 별 역할 치환열에 관한 그래프이고, 도 7 은 본 기재의 실시예에 따른 역할 치환열을 이용한 전술 분석의 예시에 관한 도면이다.

도 6 에는 예를 들어 제 1 역할 구간 (610), 제 2 역할 구간 (620), 제 3 역할 구간 (630) 및 제 4 내지 5 역할 구간 (640) 의 각 역할 구간별로, 스위치가 발생한 시점들의 역할 할당을 빈도에 따라 정렬하여, 각 역할 할당에 대응하는 기간을 초로 표시하고 있다. 예를 들어, 제 1 역할 구간 (610) 에서는 예를 들어 도 7 에 도시된 바와 같이 역할들을 1 내지 10 의 번호로 표현하였을 때, 4 번 역할의 선수와 6 번 역할의 선수가 스위치 플레이를 수행한 기간이 60초 이상으로 가장 길었고, 3 번과 5 번의 스위치 플레이, 6 번과 8 번과 9 번의 스위치 플레이, 1 번과 10 번의 스위치 플레이, 5 번과 6 번의 스위치 플레이가 그 뒤를 이어 발생한 것을 확인할 수 있다. 이와 같이 특정 역할 구간에서 어떤 선수들 간의 스위치 플레이가 얼마나 지속되었는지 여부에 대한 분석이 가능하다.

도 6 및 도 7 을 참조하여 예시적인 플레이 스타일에 대한 분석을 검토한다.

예를 들어, 제 1 역할 기간 (610) 에는 빈도수가 높은 상위 3 개의 스위치 플레이에 대한 역할 할당에 대응하는 시간들의 합계가 역할 구간 전체 18 분 중 140 초에 해당하는 반면, 제 3 역할 기간 (630) 에서는 빈도수가 높은 상위 3 개의 스위치 플레이에 대한 역할 할당에 대응하는 시간들의 합계가 역할 구간 전체 13 분 중 35 초에 불과하다. 따라서, 선수들은 제 1 역할 기간 (610) 에서는 적극적으로 역할 스위치를 수행하는 반면, 제 3 역할 기간에서는 거의 스위치 플레이를 수행하지 않았다는 분석이 가능하다.

한편, 3 번과 5 번의 스위치 플레이는 제 1 역할 기간 (610) 에서 빈번하게 발생하였는데, 이는 도 7 의 제 1 스위치 플레이 예시 (710) 에 도시된 바와 같이, 동료 선수들에게 공간을 제공하기 위해 센터 포워드가 미드 필더의 후위로 빠지는 "폴스 나인 플레이 (false-9 play)"를 의미한다. 다만, 해당 선수들은 제 2 역할 기간 (620) 에는 팀 포메이션이 4-3-3으로 변화하면서 위와 같은 스위치 플레이를 줄였다는 분석이 가능하다. 이처럼 각 역할 기간 및/또는 포메이션 기간을 함께 고려하고, 식별된 포메이션과 식별된 역할, 또한 식별된 스위치 플레이에 대한 정보들 중 적어도 하나 이상을 고려함으로써 보다 고차원적인 팀 스포츠에 대한 전술 분석이 수행될 수 있다.

또한, 다른 역할 기간들에서와는 달리, 제 1 역할 기간에서는 풀백 (R1, R8) 이 측면을 따른 공격 역할을 맡아 윙어 (R10, R9) 와 적극적으로 오버랩 플레이를 수행하였음을 알 수 있다. 도 6 에 도시된 바와 같이, 제 1 역할 기간 (610) 에는 (6 8 9) 의 스위치 플레이와 (1 10) 의 스위치 플레이가 상위권에 랭크되어 있는 것을 확인할 수 있다. 이러한 스위치 플레이는 도 7 의 제 2 스위치 플레이 예시 (720) 에 도식화되어 표현되어 있다. 다만, 여기서 양쪽 측면에서 오버랩이 서로 상이한 점이 드러나고 있는데, 왼쪽 측면에서는 R6 가 R8 의 위치를 커버하여 (6 8 9) 의 3인 사이클이 발생하는 반면, 오른 측면에서는 R4 가 R1 의 자리를 커버하지 않는 (1 10) 의 2인 사이클이 발생하였다.

한편, 도 7 의 제 2 스위치 플레이 예시 (720) 에 표현된 바와 같이, 하나의 시점에 2 이상의 스위치가 함께 포함될 수도 있다. 이러한 상황을 고려하여, 본 기재의 일 측면에 따르면, 스위치 플레이는, 제 1 역할 그룹에 대응하는 역할들 간의 역할 교대를 반영하는 제 1 스위치 플레이와 제 2 역할 그룹에 대응하는 역할들 간의 역할 교대를 반영하는 제 2 스위치 플레이를 포함하고, 복수의 시점들 중 적어도 하나의 시점은, 상기 제 1 스위치 플레이 및 제 2 스위치 플레이 양쪽 모두에 반영될 수 있다. 즉, 예를 들어 제 1 스위치 플레이가 (6 8 9)의 스위치 플레이이고, 제 2 스위치 플레이가 (1 10) 의 스위치 플레이인 경우에, 제 2 스위치 플레이 예시 (720) 의 시점과 같이 하나의 시점에 제 1 스위치 플레이 및 제 2 스위치 플레이가 전부 포함되는 경우가 발생할 수 있다. 본 기재의 일 측면에 따라 스위치 플레이에 연관된 역할 할당들의 빈도를 분석함에 있어서, 제 2 스위치 플레이 예시 (720) 에 대응하는 시점의 역할 할당은 제 1 스위치 플레이의 발생에 대한 카운팅과 제 2 스위치 플레이의 발생에 대한 카운팅 양쪽 모두에 포함되도록 할 수 있다.

한편, 다시 도 6 을 참조하면, 제 2 역할 기간 (620) 에서는, 역할 (6 9) 의 스위치 플레이가 다수 발생한 것으로 검토될 수 있고, 이는 도 7 의 제 3 스위치 플레이 예시 (730) 을 통해 도식화된 바와 같이, 왼쪽 윙어 R9 가 (6 9) 스위치를 통해 페널티 박스를 향한 컷인 플레이를 지속적으로 시도하였다고 분석될 수 있다.

또한, 제 4 역할 기간 (640) 에서는 센터 포워드 R5 를 추가한 뒤 팀이 센터 포워드 간의 스위치 (3 5) 나 중앙 미드필더 간의 스위치 (4 6) 와 같은 일반적인 스위치 (예를 들어, 동일 포지션 내에서의 스위치) 를 제외하고는 포메이션을 일정하게 유지하였다고 분석하는 것이 가능하다.

다시 도 49 를 참조하면, 컴퓨팅 디바이스는 타겟 기간에 대한 풀 타임 영상 데이터 획득 (S4940) 하고, 스위치 플레이에 대응하는 하이라이트 영상 데이터 추출 (S4950) 을 수행할 수 있다. 즉, 컴퓨팅 디바이스는 타겟 기간에 대한 풀 타임 영상 데이터를 획득하여, 풀 타임 영상 데이터로부터 스위치 플레이에 대응하는 시점에 대한 영상 데이터를 포함하는 하이라이트 영상 데이터를 추출할 수 있다.

예를 들어 오버래핑과 같이, 팀 스포츠에 참여하는 복수의 선수들 중 적어도 일부가 일시적으로 서로의 역할을 교환하는 스위치 플레이 상황은 전체 경기에서 주요 시점인 하이라이트에 해당할 수 있다. 따라서, 스위치 플레이 상황을 검출하여 스위치 플레이에 대응하는 시점들에 대한 정보를 확보하면, 팀 스포츠 경기의 타겟 세션 전체에 대한 경기 영상 중에서 하이라이트에 해당하는 시점이 어느 시점인지 여부를 알 수 있다. 따라서, 보다 용이하게 전체 경기 영상에서 하이라이트 영상에 해당하는 부분을 추출할 수 있다. 일 측면에 따라 편집자의 메뉴얼 조작을 수반하지 않고 컴퓨팅 디바이스에 의해 자동으로 하이라이트 영상의 추출이 수행되도록 할 수 있다. 또한 다른 측면에 따라 전체 경기 영상과 함께 표시되는 타임 바에, 하이라이트 영상 시점이 북마킹으로서 표시되어 제공될 수 있다. 예를 들어 도 8 에 비정규 상황에 대한 북마킹이 타임 바에 표시되는 것과 유사하게, 스위치 플레이 상황 역시 타임 바에 북마킹 (예를 들어, "S"문자로 표시) 으로 표시될 수 있으며, 경기 영상을 시청하는 시청자는 해당 북마킹을 선택하는 것에 의해 간편하게 특정 팀의 스위치 플레이 상황에 대한 영상 부분을 선택하여 시청하도록 할 수 있다.

본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고; 상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고; 그리고 상기 복수의 역할 할당들을 기반으로 팀 스포츠의 경기에 참여하는 적어도 하나의 팀 또는 적어도 하나의 선수의 플레이 스타일에 대한 정보를 생성; 하도록 구성될 수 있다. 본 기재의 일 양상에 따른 팀 스포츠에 대한 전술 정보를 제공하는 장치의 구체적인 동작은 상술한 바와 같은 플레이 스타일 분석 및 하이라이트 영상 데이터 추출 프로세스에 따를 수 있다.

본 기재에 개시된 실시예들은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과하므로, 이러한 실시예들로 본 발명의 기술적 사상의 범위가 한정되는 것은 아니다. 따라서, 이상에서 설명한 본 기재의 실시예들이 개별적 구현 및 조합은 물론, 이들로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 가능한 다양한 수정 및 변형도 본 발명의 기술적 사상에 속한다고 이해될 수 있을 것이다. 따라서, 본 발명의 보호 범위는 아래의 청구범위에 의해 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 한다.

1000: 전술 분석 시스템
1200: 센서 기기
1400: 분석 기기
1600: 사용자 기기

Claims (11)

1. 복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하는 단계;
   상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하는 단계;
   상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하는 단계;
   상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하는 단계;
   상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하는 단계; 및
   상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신하는 단계; 를 포함하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
2. 제 1 항에 있어서,
   상기 주 역할 할당은,
   상기 복수의 역할 할당들 중 최빈 역할 할당인,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
3. 제 1 항에 있어서,
   상기 비정규 역할 할당을 결정하는 단계는,
   상기 복수의 역할 할당들 각각에 관한 상기 주 역할 할당으로부터의 거리들에 관한 정보 - 상기 거리는, 상기 복수의 역할 할당들 각각과 상기 주 역할 할당 사이의 서로 상이한 정도를 반영함 - 를 획득하는 단계; 및
   상기 거리들에 관한 정보에 기초하여 상기 비정규 역할 할당을 결정하는 단계를 포함하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
4. 제 3 항에 있어서,
   상기 거리는,
   상기 복수의 역할 할당들 각각에 관한 상기 주 역할 할당으로부터의 스위치율을 반영하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
5. 제 1 항에 있어서,
   상기 복수의 공간 정보 셋들 또는 상기 역할 할당 정보에 대한 추가 갱신이 요구되는지 여부를 결정하는 단계; 를 더 포함하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
6. 제 5 항에 있어서,
   상기 추가 갱신이 요구되는지 여부를 결정하는 단계는,
   상기 역할 할당 정보를 갱신하는 단계에 의해 상기 역할 할당 정보의 적어도 일부가 변경되었는지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
7. 제 5 항에 있어서,
   상기 추가 갱신이 요구되는지 여부를 결정하는 단계는,
   상기 역할 할당 정보를 갱신하는 단계에 의해 각 시점의 역할 할당이 변경된 시점들이 미리 결정된 임계값 이하인지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
8. 제 5 항에 있어서,
   상기 추가 갱신이 요구되는지 여부를 결정하는 단계는,
   미리 결정된 갱신 횟수가 달성되었는지 여부에 기초하여 상기 추가 갱신이 요구되는지 여부를 결정하는,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
9. 제 1 항에 있어서,
   팀 스포츠의 한 경기에 대한 타겟 세션을 적어도 두 개의 시간 기간들 - 상기 적어도 두 개의 시간 기간들은 상기 경기에 참여하는 팀의 포메이션 변경 또는 상기 복수의 선수들 중 적어도 일부의 역할 변경을 기준으로 분할된 제 1 시간 기간 및 제 2 시간 기간을 포함함 - 로 나누는 단계를 더 포함하고,
   상기 타겟 기간은 상기 제 1 시간 기간 또는 제 2 시간 기간 중 어느 하나인,
   팀 스포츠에 대한 전술 정보를 제공하는 방법.
   
10. 팀 스포츠에 대한 전술 정보를 제공하는 장치로서, 상기 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는,
    복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고;
    상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고;
    상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고;
    상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하고;
    상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하고; 그리고
    상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신; 하도록 구성되는,
    팀 스포츠에 대한 전술 정보를 제공하는 장치.
    
11. 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체로서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금,
    복수의 선수들에 관한 복수의 선수 추적 데이터 셋들 - 각 선수 추적 데이터 셋은, 타겟 기간 동안의 대응하는 선수의 위치 데이터의 시퀀스를 포함함 - 을 획득하고;
    상기 복수의 선수 추적 데이터 셋들을 이용하여 역할 할당 정보 - 상기 역할 할당 정보는 상기 타겟 기간 내의 복수의 시점들 각각에 대한 복수의 역할 할당들을 포함하고, 각 역할 할당은 대응하는 시점에서 상기 복수의 선수들에게 할당된 복수의 역할 인덱스들을 지시함 - 를 획득하고;
    상기 복수의 역할 할당들에 기초하여 주 역할 할당을 결정하고;
    상기 주 역할 할당을 고려하여 상기 복수의 역할 할당들로부터 적어도 하나의 비정규 역할 할당을 결정하고;
    상기 적어도 하나의 비정규 역할 할당을 제외한 나머지 역할 할당 정보 및 상기 나머지 역할 할당 정보에 대응하는 상기 선수 추적 데이터 셋들의 일부에 기초하여 상기 복수의 역할 인덱스들 각각에 대한 상기 타겟 기간과 연관된 복수의 공간 정보 셋들을 획득하고; 그리고
    상기 복수의 공간 정보 셋들을 이용하여 상기 역할 할당 정보를 갱신; 하게 하도록 구성되는,
    컴퓨터 판독 가능한 저장 매체.
    
    

Images