基于射门者身体朝向的足球期望进球（xG）度量方法研究

《Computer Vision and Image Understanding》：Once Upon a Goal: Towards orientation-based shot metrics in football

　　

体育数据分析（Sports Analytics）虽因先进追踪技术而发生革命性变化，但将人体姿态估计（Human Pose Estimation）整合入足球表现度量仍较少被探索。估算射门得分概率是足球分析的核心任务，通常通过期望进球（expected Goals, xG）模型实现，但该领域进展常受限于缺乏含细粒度生物力学信息的公开数据集。研究人员提出 xGHub——一个从广播视频中提取、经人体姿态估计（pose estimation）、射手身体朝向（body orientation）及上下文特征增强的足球射门开源数据集。该数据集采用自动化球员检测与追踪流水线生成，并经外部校验以确保标注可靠性。作为用例，研究人员分析了姿态与朝向相关特征如何融入标准 xG 建模框架。结果表明，3D 朝向信息对特定子集射门具判别力，而对其他子集贡献有限，反映了角度表示固有的非线性特性。此分析阐释了所发布标注的潜力与局限。通过公开此数据集，研究人员旨在支持未来关于球员生物力学在射门分析及相关足球分析任务中作用的研究。

论文解读：《Once Upon a Goal: Towards orientation-based shot metrics in football》发表于《Computer Vision and Image Understanding》

一、研究背景与动机

现代足球（Soccer/Football）运动分析日益依赖球员与球的高精度追踪数据，其中期望进球（expected Goals, xG）是评估射门质量与球队表现的核心指标。传统 xG 模型主要基于二维（2D）场上位置、射门距离、角度及类别特征（如射门部位、比赛情境）建立，多采用逻辑回归或梯度提升树（如 XGBoost）。然而，此类模型忽略了射门球员的生物力学信息——特别是身体三维（3D）朝向（body orientation）与姿态（pose），导致对倒钩、凌空抽射、侧身扫射等情形赋予与正向推射相同的 xG 值，且无法量化守门员封堵视野的真实遮挡情况。尽管人体骨架（skeleton）数据在其他运动中被广泛应用，足球领域受限于数据采集成本与闭源现状，融合人体姿态估计（Human Pose Estimation, HPE）的 xG 研究极少且未公开数据与代码。为此，Gutiérrez-Pérez 等人开展了首项将广播视频中射手 3D 朝向特征引入 xG 建模的开放性研究，构建了含姿态标注的射门数据集 xGHub 并系统评估其贡献。

二、主要关键技术方法

研究人员从欧洲五大联赛 704 场比赛中提取射门片段（样本队列：训练集 7394 例，测试集 3169 例，进球率约 11.52%）。关键技术流程包括：(1) 时序对齐与手动帧级标注确定触球时刻；(2) 使用 RF-DETR（微调于 SoccerNet-GSR）进行场上人员检测；(3) BoT-SORT 多目标追踪并人工标记射手/队友/守门员/裁判，剔除严重遮挡样本；(4) PnLCalib 进行基于球场模型的摄像机标定获取内外参；(5) NAFNet 图像复原后，ViTPose 提取 2D 关键点，HMR2.0 + PHALP 恢复 3D 人体网格并投影至世界坐标；(6) 定义两类射手朝向（Shooter Orientation, SO）：SO_2D由肩部连线法向量与射门-球门中点连线的夹角计算，SO_3D由肩-髋三角面法向量相对于射门方向定义；(7) 特征工程含射门距离、球门角（angle to goal / angle between posts）、Goal Face Occlusion（GFO，基于防守方高斯分布积分）、Shooter Pressure（SP，射门者周围 1m 半径内核密度）、类别变量（body part / shot technique / play pattern）；(8) 对比逻辑回归与 XGBoost，评估指标含 AUROC、Brier Score（BS）、Logarithmic Loss（LL）、Expected Calibration Error（ECE），并以 SHAP 做全局可解释性分析。

三、研究结果

5.1. Experimental details

研究人员将特征分为基线几何组 α_base（射门距离、球门角）、类别组 α_cat（射门部位、技巧、进攻模式）、上下文组 α_ctx（GFO 分防守/门将/联合、SP）及朝向组 SO_2D、SO_3D，采用分层 7:3 划分与 10 折交叉验证，以 BS 为网格搜索优化目标。

5.2. Results and comparisons

XGBoost 模型中加入 SO_3D后 AUROC 自 0.7868 微升至 0.7881，BS 自 0.0839 降至 0.0836，LL 与 ECE 均有改善，方向一致但幅度有限。加入 SO_2D未带来提升甚至轻微劣化。逻辑回归加入任一朝向特征无获益甚至略降性能，归因于角度变量的非线性几何结构与线性加性假设不兼容。表明 3D 朝向的价值在于识别特定几何构型下被位姿无关模型误判的射门，而非全局大幅提升准确率。

5.3. Ablation study on feature groups

逐步添加特征组显示：α_cat与 α_ctx（尤其 GFO 与 SP）带来显著性能提升；SO_2D无增益；SO_3D在完整特征集上取得最优综合指标。双角度特征（shot distance + angle to goal + angle between posts）共现略优于单用，且 XGBoost 对多重共线性具鲁棒性。校准曲线显示基础模型低估低概率段，上下文特征缓解此偏差，SO_3D进一步微调高概率区间校准。

5.4. Global explainability

SHAP 全局重要性显示 SO_3D进入前十大贡献特征。SO_3D接近 0°（身体正对球门）对应较小正负 SHAP 值；当 SO_3D超出 ±90°（背对球门或极度侧身），SHAP 值显著负向且幅值可达正向情况的 4 倍，说明朝向特征主要在极端取向下修正被基础模型高估的 xG，具判别异常姿态情景的作用。

5.5. Limitations

流水线对严重遮挡（如角球密集区）与低分辨率（<800px）视频敏感；虽 PHALP 时序推断可部分补偿短暂遮挡，但姿态估计仍较追踪模块脆弱。当前射手边界框需人工选定，限制全自动化扩展，xGHub 标注可作为后续自动射手检测的训练数据。

5.6. Applications and impact

实例显示：背身射门基础 xG=0.030，朝向感知模型给出 xG=0.028，若将骨架旋转至正向则 xG=0.037，证明模型能区分相同位置不同姿态。守门员评价中，基于朝向感知 xG 生成的 xG-suppression map（xG 抑制图）比基础模型抑制带更窄，反映身体朝向约束了实际有效射门扇区，对守门员站位优劣评估更具参考价值。

四、讨论与结论总结

研究人员得出结论：xGHub 是首个结合广播视频、球员追踪、人体骨架估计与精细标注的足球射门开源数据集，配套半自动流水线（检测→BoT-SORT 追踪→PnLCalib 标定→ViTPose+HMR2.0/PHALP 三维姿态→世界坐标投影）可从赛事转播中提取生物力学特征。实验表明，将基于三维人体姿态估计的射手朝向（Shooter Orientation, SO_3D）纳入梯度提升树 xG 模型可获得一致但温和的性能提升（AUROC ↑、BS ↓、LL ↓、ECE ↓），而二维朝向（SO_2D）与线性模型无法捕获射门情形的非线性几何结构且无实质助益。3D 朝向的主要价值不在于全局预测精度的大幅跃升，而在于能区分位姿无关模型视为等价的不同几何射门情境——尤指极端身体取向下降低被高估的 xG——这一点通过 SHAP 可解释性分析与反事实案例得以印证。当前局限含遮挡与画质敏感性及射手需人工标定，未来工作可拓展至全自动射手识别及其他比赛情境的姿态基度量。通过发布 xGHub 与方法框架，本研究推动基于骨架（skeleton-based）的足球分析及生物力学知情表现度量（biomechanically informed performance metrics）的开放研究。