Page 45 - 《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

率。Khan 等 [41] 略过对足球速度和方向变换的考虑，将 相较于仅使用单一基于深度学习的计算机视觉的

事件直接定义为与球和球员距离相关，当球员与球之 方法从视频中自动识别传球事件，将多种方法进行结
间的距离在一定阈值内时，则认为该球员获得控球权， 合的方式更加灵活。一些学者 [46] 还通过在鞋中增加
且在识别控球事件时将事件细分为个人控球事件和团 惯性传感器（IMU）的方式获取数据（图 4）以分析传球
队控球事件。Sarkar 等 [42] 根据有效传球次数进行控球 事件。由于触球时所产生的数据很容易与非触球时的
检测，该方法在其他球类运动中也具有一定的适用性。 数据区分开，因此，该方法也适用于对监测目标速度改
比赛中采取的控球策略不同会导致不同的比赛结 变较为剧烈的运动（如网球、羽毛球等）进行识别。
果，如当比赛状态、比赛地点以及对手质量变化时，控
y x
球策略也应发生变化。Lago [43] 使用 Amisco 对西班牙
足球联赛 2005—2006 赛季期间进行的 27 场比赛进行
了监控，并通过线性回归模型研究比赛变量对球队控 z
球的影响。结果表明，对控球策略的有效评估应考虑
IMU
比赛变量之间的相互作用，随着比分的不断变化，控球
insole
策略也应发生改变。除此之外，一些研究人员还根据
球员与球之间的位置关系、运动方向、速度以及球的 图 4 惯性传感器（IMU）在鞋垫中的位置及
加速度等信息，用机器学习的方法进行控球分析 [44] ，发 坐标示意 [46]
现根据球员在场上所踢位置的不同，控球时间均有所 Figure 4 The location and coordinates of the
IMU in the insole
不同。该结果对于分析球员的比赛表现以及球队的战
术具有实用价值。 相较于其他球类运动（如篮球、羽毛球等），足球比
2.1.2 传球检测 赛得分更困难，仅使用助攻或进球数并不能客观、准确
对于传球事件而言，由于事件发生的频率较高，且 地衡量所有球员或整个球队的表现。同时，传球作为
传球成功率是分析球员表现的一项重要指标，但手动 整场比赛中的高频次事件，使用简单的传球数据来分
收集这些数据的时间和经济成本较高，因此，传球事件 析传球事件并不能很好地挖掘数据与球员表现或比赛
的自动检测和分析成为很多研究的重点。 结果之间的深层次关系。因此，研究者开发了不同的
Sorano 等 [45] 提出了一种可以从视频中提取传球 理论分析模型对传球事件进行进一步分析。其中，用
事件的模型 PassNet。该模型结合人工神经网络对视 [47–48]
网络的形式表示传球事件成为一种主要方法 。该
频进行特征提取，检测出球员和足球的位置信息后，通
网络以球员为节点，用带箭头的直线表示传球方向，传
过分类方法识别出该场景下是否在传球。PassNet 除
球成功次数越多，球员间的连接线越明显。图 5 为
了可以自动检测，还可以根据实际情况对传球的开始
2010 年足球世界杯赛决赛前荷兰队和西班牙队的传
和结束时间进行手动调整，以得到更精确的结果（图 3）。
球数据和战术阵型（使用的数据为半决赛数据），西班

牙更高的传球成功率和更积极的传球参与度为其获得
当届冠军奠定了良好的基础。除了基于网络的分析方

9 7 9
7 10 11 14 8 6

14 6
5 12 11 16 15

4 3 5 3
图 3 PassNet 用户界面 [45]
1 1
Figure 3 The user interface of PassNet
注：（a）为比赛选择菜单；（b）为生成的传球信息表格；（c）为视频播 图 5 传球网络分析方法 [47]
放以及传球开始和结束时间调整功能。 Figure 5 Passing network analysis method

41