Page 42 - 《上海体育大学学报》2024年第4期

所向, 唐伟棣, 李旭辉, 等. 现代足球智能监控技术前沿与应用

[4]
赛数据。 及实时位置等信息 。除此之外，姿态估计和动作识别
大数据分析可以对海量数据进行处理和挖掘，提 技术可以帮助监测球员的动作和姿势，从而提供更加
取有价值的信息，对球员的身体素质、训练负荷、技战 准确的技术指标 [5- 6] 。一些侧重场景回放等功能的系
术表现等进行全面评估和分析，为球队的战术和阵容 统（如裁判辅助系统或球迷观赛等系统）则会有选择地
调整提供决策依据。同时，还可以结合机器学习、深度 使用三维重建技术生成相关场景，再使用虚拟现实
学习等方法对比赛数据进行自动分析和模拟预测，为 （VR）或全息等技术将其展现出来，使得裁判员或球迷
球队提供更为精准的训练和比赛指导。根据不同的应 能够获得更加全面的观察视角和更沉浸的观赛体验。
用场景，将多种技术结合在一起，共同组成足球智能监 图 1 所示为一种可能的足球智能监控系统框架。

控系统，实现数据化、科学化和高效化的统计和分析功 （1）目标检测。目标检测是一项重要的计算机视
能。除此之外，这种非接触式监控方法可以更大程度 觉任务，主要用于从图像或视频中自动检测和识别出
[7]
[8]
地减少足球运动员的身体负担，其使用场景的灵活性 感兴趣的目标 ，并获得其类别和位置信息 。其原理
对于需要进行高速、高强度活动的足球运动员而言，具 是通过一系列的算法，从图像中提取特征，并将其与预
有更优越的适用性。 定义的目标物体进行匹配，最终实现对目标的定位和
本文对近年来应用较为广泛的智能足球监控技术 识别。基于深度学习的目标检测算法主要是通过训练
进行了整理和综述，旨在为未来的足球监控技术研究 深度学习模型，将图像中的目标与背景分离出来，并定
和应用提供参考。首先介绍足球智能监控技术所包含 位目标的位置和边界框。其中，深度学习模型的训练

的主流人工智能方法，然后综述其在比赛行为与事件 数据通常由大量标注好的图像组成，训练出的模型可
[9]
识别、球队技战术分析、球员定量评估以及裁判辅助 以根据图像中的特征进行目标分类和定位 。因此，在
等 4 个场景中的应用，最后分析影响智能监控技术在 足球视频分析中，目标检测技术可以用于球员、裁判员
足球领域应用的因素并进行总结。 和足球的定位和分类 [10] ，使得训练好的模型可以替代
人工标注球员位置，实现高效率、大批量的自动检测工
1 足球智能监控系统架构
作。同时，目标检测任务是许多其他计算机视觉任务
足球监控技术是对足球训练或比赛中球员的表现 的基础，例如目标跟踪等。因此，基本上所有足球视频
和运动量进行监测的过程 。这些监控技术可以通过 分析系统的功能都是在目标检测的基础上进行的，该
[1]
视频分析、GPS、惯性测量装置（IMU）、心率传感器等 方法在足球视频分析中具有非常重要的作用。
手段对运动员进行全面的数据采集 ，从而提供比赛中 （2）目标跟踪。目标跟踪技术是一种通过连续视
[2]
的各种技术指标，包括控球、射门、传球、跑动距离、 频帧追踪并记录目标位置的计算机视觉技术 [11] 。它使
速度、加速度等的数据。这些数据可以帮助教练员和 用深度学习模型对目标检测框中的目标进行特征提取

分析师更好地了解球队和球员的表现，帮助球队制定 或运动预测，然后通过相似度计算对前后两帧的目标
更好的战术和训练计划，提高球队的表现和竞争力。 进行匹配并分配 ID，最终实现目标的跟踪。在目标跟
随着现代技术的不断发展，用人工智能的方法对足球 踪过程中，深度学习模型通过不断学习和更新，可以逐
比赛数据进行自动统计和分析成为足球和计算机视觉 渐提高跟踪的准确性和鲁棒性 [12–15] 。它可以对视频中
领域的研究热点。 的足球、运动员和裁判员等目标进行跟踪，并通过球员
人工智能视频分析技术是足球智能监控得以实用 的跑动轨迹和采样频率等相关信息得到其位置、速
化的技术基础。它通过使用高清摄像机和计算机软件 度、距离等数据，从而进行阵型分析、运动量评估、损
对比赛画面进行分析，识别和记录关键的比赛事件和 伤风险预测、球员表现评估等 [16–17] 。在足球智能监控

技术指标，如球员位置、跑动轨迹、传球线路、射门轨 系统中，目标跟踪是核心技术之一，其精度和速度对系
[3]
迹等 。在这类系统中，目标检测技术和目标跟踪技术 统的运行有极大的影响 。
[18]
是基础。目标检测技术可以自动识别视频中目标的种 （3）姿态估计。姿态估计是指从图像或视频中提
类（球员、裁判员和足球等）和位置，并通过目标跟踪技 取人体姿态信息的计算机视觉任务，通常包括检测人
术对目标进行轨迹跟踪，从而得到其跑动距离、速度以 体的关键点（如头、手、肘、膝等），以及估计它们之间

38