Page 43 - 《上海体育大学学报》2024年第4期

2024 年 4 月 第 48 卷 第 4 期 专题探索

视频输入（a）

数据处理 （b）

可视化交互 （c）

图 1 足球智能监控系统框架
Figure 1 AI-powered football monitoring system framework diagram
注：系统主要由（a）视频输入、（b）数据处理和（c）可视化交互 3 部分组成。其中：目标检测 [（b）左 ] 是识别视频中的足球和球员，为后续的分析提
供基础数据；目标跟踪 [（b）中 ] 是跟踪视频中的足球和球员的运动轨迹，为运动分析和战术分析提供输入；姿态估计 [（b）右 ] 是估计球员的身体姿态
和关键点位置，为动作识别和三维重建提供依据。可视化交互可将处理的数据以合适的形式进行展现，如将数据以图表形式展现以辅助教练员进行
分析 [（c）左 ]，或将比赛进行三维动画重建，为三维视觉和虚拟现实提供支持 [（c）右 ]。
的关系和姿势。这些姿态信息对于人体行为分析、运 员的技术特点和状态，指导球队的训练和比赛 [30–31] 。
动员训练、医学诊断和虚拟现实等领域具有重要的应 此外，动作识别技术还可以用于判断球员是否存在疲

用价值 [19] 。在足球视频分析中，姿态估计技术可以用 劳、受伤等问题，以便及时调整阵容和策略 [32–34] 。
于对球员的姿态（包括身体的朝向、动作的角度和幅度 （5）三维重建。三维重建技术是一种通过单个（或
等）进行监测和分析，从而为教练员和分析师提供更为 多个）二维图像或视频数据还原出三维模型的方法。
准确和详细的数据和信息 [20–23] 。目前较为常用的方法 近年来，随着三维重建技术的进步和完善，对球场、球
为多摄像机同步采集视频，然后通过多角度人体三维 员、球等进行三维模型重建的研究和应用也日渐增多，
姿态估计方法估算出球员在空间中的位置以及身体关 从而实现足球比赛整体或局部的全角度重现 [35] ，为比

键点的三维数据。但该方法对场地、硬件等要求较 赛分析、球迷观赛、裁判辅助判罚等方面提供更为生
高 [24–25] 。与之相比，单目人体三维姿态估计方法虽然 动、直观的视觉效果。
精度普遍略低，但其易用性和易推广性使得它在足球 综上，目标检测和目标跟踪技术是足球智能监控
[26]
智能监控中有着更广阔的应用前景 。 系统的基础，姿态估计、动作识别和三维重建等技术则
（4）动作识别。动作识别是指利用计算机视觉和 是人工智能在足球运动中的高阶应用。这些技术的进
机器学习等技术对视频数据中的人体动作进行识别和 步推动了足球运动向着智能化、科学化和客观化发
分类的过程。它将视频中的人体动作序列转化为一系 展。虽然这些技术目前还存在一些挑战和不足，但随
列特征向量，然后将这些特征向量输入机器学习算法 着科技的进步，这些方法也将变得更加准确和高效。

进行训练，最终实现动作的分类和识别 [27–29] 。在足球 在实际的应用场景中，以上方法并不是单一存在的，而
视频分析中，由于动作的相似度较高，使用基于骨架的 是根据不同的使用需求，将多种方法进行结合，根据不
动作识别技术更为普遍，其作用主要是用于分析球员 同算法的特点选出最合适的算法并将其优化，从而得
的动作，如射门、传球、盘带、抢断等，从而能够了解球 到满足需要的数据。

39