Page 47 - 《上海体育大学学报》2024年第4期
P. 47

2024 年 4 月 第 48 卷 第 4 期                                                                     专题探索

               2.3 在球员表现定量评估中的应用                                  星名单重合度较高。相比于其他模型，该模型在数据

                  通过足球智能监控技术对球员在场上的技战术数                           选择和球员角色分类方面更加全面。

              据进行统计后，除了用可视化的方式将其合理地展现                                 1.0
                                                                                                         最佳-10%
              出来，还需要对数据进行再次处理和分析，以定量评估                                0.9                              中位数-10%
                                                                                                         最佳-25%
              球员表现，从而为制定有针对性的训练和球员选材计                                F 1  分数  0.8                      中位数-25%
                                                                                                         最佳-50%
              划提供数据支持。对球员表现进行定量评估的主要挑                                 0.7                              中位数-50%
                                                                      0.6
              战有以下      3 点。①研究变量的选择            [54] 。很多研究            0.5
                                                                         GDMF GDMF GDMF GDMF GDMF
              者 [47– 48, 55]  认为比赛的胜负与进球、传球以及助攻密切                        英国     法国    德国   意大利 西班牙
              相关，因此只对这些相关的较为单一的数据进行研究，                                 图 8    评估结果与     WhoScored 排名对比    [57]
              从而对球员表现做出评价。然而，用这些较单一的数                              Figure 8    The evaluation results are plotted against the
              据（如传球的次数和成功率等）并不能很好地评价球员                                           WhoScored rankings
              的表现，还需要结合其他数据或方法进行合理分析                       [56] 。     注：图中  G  为守门员，D  为后卫，M  为中场，F  为前锋。
              ②有些方法在进行表现评分时没有考虑每个球员在场                                 计算机视觉、传感器等智能监控技术的不断进步
              上角色的特殊性，而是将所有球员放在同一评估模型                             以及大数据、机器学习等现代分析方法的引入，推动了
              中进行比较，这样的建模方法是不严谨的。例如，用同                            球员比赛表现评估模型的研究并丰富了其内容。这些

              样的模型对后卫与前锋进行评分，模型中进球数的权                             新方法和思路提供了更全面、准确的评估手段，有助于
              重如果较高，则结果会对前锋更加友好，但会降低对后                            深入理解运动员的表现和潜力，为其训练和发展提供
              卫评分的说服力。③由于缺少能被广泛认同的对球员                             支持。
              进行评估的金标准，无法对模型进行验证成为评估球                              2.4 裁判辅助和其他应用场景
              员表现的一个重要瓶颈。
                                                                      足球智能监控系统除了在球队训练和比赛分析方
                  随着相关研究的不断推进，计算机视觉和传感器
                                                                  面大量应用，还可以通过三维重现、VR、全息等方法
              等智能监控技术的持续演进为收集大量、系统的比赛
                                                                  将系统所处理的数据进行场景重建并回放，为裁判员
              数据提供了更智能和高效的手段。这些技术的应用使
                                                                  提供技术支持的同时也为球迷提供更真实的观赛体
              得运动员的动作、位置、速度等信息得以准确获取，从
                                                                  验。其中，足球世界杯赛中出现的视频裁判辅助
              而为球员评估建模提供了更具普适性的数据，有助于
                                                                  （Video Assistant Referee，VAR）系统广为人知。
              全面了解运动员的表现。同时，引入大数据和机器学
                                                                      足球世界杯赛是世界瞩目的全球足球赛事，为了
              习等现代分析方法进一步提升了对这些数据的处理和
                                                                  给球员提供一个相对公平的比赛环境，越来越多的研
              分析能力。通过对大规模数据集的学习和模式识别，
                                                                  究人员将焦点放在足球裁判辅助技术上。VAR                     系统旨
              可以建立更精确、可靠的评估模型，更准确地评估运动
                                                                  在用视频回放技术为有争议的决策提供技术支持，于
              员的技能水平和潜力。Nsolo 等           [57]  提出了一种基于机
                                                                  2016 年足球世俱杯赛上被首次应用于国际足联认定的
              器学习的评估方法。该方法首先提取不同位置球员的
                                                                  比赛。2018 年，国际足联理事会批准在足球世界杯赛
              重要表现特征，然后使用支持向量机等多种方法对不
                                                                  中使用    VAR，这也使得该技术被更多的人所熟知。虽
              同位置的球员分别生成评估模型，并将结果与著名数
              据统计网站（WhoScored）上的排名进行对比（前                 10%、     然这项新技术刚被引入时引发了相关人员的一系列争

              25%  或  50%  时）。根据图     8 结果，该方法对球员的排               议—一些人认为它是无效的，且使得裁判员更难以判
              名与   WhoScored 列出的排名榜单重叠度较高，且对精                     断场上的真实情况         [58] ，但是  VAR  技术的应用经过两届
              英球员的评估准确率能达到             90%  以上。2019 年，针对          足球世界杯赛的实践和不断完善，其接受度不断提
              球员评分和排名的专用系统              PlayeRank [54]  可以通过聚     高。2022 年卡塔尔足球世界杯赛中多次出现的半自动
              类算法检测出球员角色，再通过队伍的表现数据与比                             越位识别技术（图        9），也为   VAR  系统带来了更亮眼的
              赛结果的映射关系，建立球员的评估模型。该模型对                             表现。12 台专用摄像机以           50 次/s 的频率追踪场上的
              19 619 场重要比赛数据进行分析，其结果与高价值球                         足球和球员全身的         29 个点位，以实时检测球员和足球

                                                                                                                43
   42   43   44   45   46   47   48   49   50   51   52