利用人工智能实现体育球探工作的自动化
《Engineering Applications of Artificial Intelligence》:Towards the automation of sports scouting using artificial intelligence
【字体:
大
中
小
】
时间:2026年04月17日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
萨尔瓦多·卡纳斯·莫雷诺 | 埃莱娜·塞雷苏埃拉·埃斯库德罗 | 安东尼奥·里奥斯·纳瓦罗
加利西亚建筑与计算机技术系,埃斯基谢拉理工大学信息技术学院,SCORE实验室,塞维利亚大学,塞维利亚,41012,西班牙
**摘要**
在各大职业和半职业体育联盟中,球探的角
萨尔瓦多·卡纳斯·莫雷诺 | 埃莱娜·塞雷苏埃拉·埃斯库德罗 | 安东尼奥·里奥斯·纳瓦罗
加利西亚建筑与计算机技术系,埃斯基谢拉理工大学信息技术学院,SCORE实验室,塞维利亚大学,塞维利亚,41012,西班牙
**摘要**
在各大职业和半职业体育联盟中,球探的角色至关重要。球探会观看比赛,分析并收集比赛过程中的综合数据。传统上,球探依赖专门的球探软件来输入比赛数据,这些软件会生成详尽的统计数据、结论和建议。体育俱乐部随后利用这些信息进行球员招募和针对特定对手制定策略。本研究提出了一种新的研究方向,利用人工智能/机器学习(AI/ML)技术,尤其是卷积神经网络,来自动化体育赛事数据的收集。这包括追踪球的位置、球员的站位以及击球所用的手臂等。目标是将目前主要依赖人工数据收集的体育球探系统升级为更加自动化、准确和高效的方法。通过分析YouTube上的九段网球比赛视频(涵盖硬地、草地和红土三种场地),研究在识别球员(99.3%)、球员身体部位(100%)、网球(94.13%)、球场区域(约100%)以及击球类型(正手或反手,100%)方面取得了高效率。此外,该系统还能提取详细统计数据,如得分次数、击球效果和效率,并按场地分类,最终生成热图。这一进展不仅简化了球探工作流程,还为球员表现和比赛动态提供了更丰富的数据驱动的洞察。
**1. 引言**
体育领域的人才球探是一项精细的工作,需要敏锐的观察力和批判性分析,尤其关注对球员、球队和比赛的评估。这一工作在职业和半职业体育的多个方面都起着关键作用。首先,它涉及球员招募过程;球探寻找有潜力的新秀和已成熟的球员,评估他们的技术能力、战术素养、身体素质和个人特质。另一个重要方面是为迎战对手做准备,这包括分析对手球队的战术、阵容和比赛风格,为制定具体战术策略提供重要信息。
人才球探在球员发展和青训体系中也非常重要,它能帮助识别和监测足球青训营中的年轻人才,确保他们获得适当的训练和发展机会。在技术和战术分析中,球探通过详细分析比赛提供反馈,促进战术和技术的改进。长期规划也是球探的专业领域,它帮助球队确定未来需要加强的方面,为球员发展和转会策略制定提供依据。此外,球探还能识别趋势和机会,帮助球队适应体育发展的变化,保持竞争力。
在现代,技术与数据分析的结合极大地改变了体育人才球探的方式。这一演变包括跟踪和分析技术、统计分析和绩效指标、大数据以及人工智能、个性化的训练和球员发展方法,还有健康风险和伤病评估。总之,技术和数据分析为体育人才球探提供了新的工具,提高了评估和发展的准确性、细节性和效率。
负责这种细致的体育赛事追踪和分析的人员被称为球探。球探通常会携带装有专用球探软件的笔记本电脑或平板电脑(如Tennis Scout PRO、TennisViz、PlaySight等)观看比赛,并记录所有相关数据,以便后续进行详细分析。本文聚焦网球运动,探讨了如何利用最新技术(尤其是人工智能)自动化信息收集工作,并希望开启新的研究方向。主要贡献包括:
1. 对不同追踪算法和卷积神经网络(CNN)进行了比较研究。
2. 探索了多种网球场地分割方法。
3. 提出了一种高精度识别击球身体部位的方法。
4. 从输入的视频中自动生成统计数据。
5. 最后,提出了一个包含上述所有功能的系统(软件),该系统能全自动处理网球比赛视频,生成对球探有价值的热图。
**2. 相关工作**
近年来,通过人工智能实现体育数据分析自动化取得了显著进展,解决方案范围从商业软件平台到学术研究原型。本节回顾了现有的基于AI的体育分析系统,分析了相关学术研究,并指出了本研究的解决思路。
- **体育分析软件**:市场出现了多种商业平台,采用不同级别的人工智能和自动化技术。了解这些系统的能力和局限性的背景对本研究很有帮助。
- **Tennis Scout PRO(Foxcom,2024)**:这是一种传统的网球分析方法,完全依赖经过培训的球探在比赛期间手动输入数据,软件再利用基于规则的算法生成统计和可视化结果。
- **TennisViz(2024)**:侧重于数据可视化,而非数据收集,提供交互式可视化效果,但缺乏自动化视频分析和球员追踪功能。
- **PlaySight(2025)**:是最先进的商业网球分析平台,需要在学校场地安装多个固定摄像头捕捉多角度视频,采用计算机视觉技术进行球员和球追踪,但未公开具体AI模型。
- **Hawk-Eye(2025)**:是专业网球比赛中用于判罚和轨迹可视化的行业标准系统,精度高但成本高昂,依赖专用硬件且只能处理新录制视频。
- **SwingVision(2025)**:是一款基于智能手机的应用程序,利用AI进行判罚和基本数据统计,但在光线变化时表现欠佳。
**3. 本研究的结构**
第2节回顾了应用于体育球探的机器学习和深度学习方法的相关文献,为研究提供了基础。第3节介绍了数据收集的方法和技术细节。第4节展示了实验结果,评估了这些方法在体育球探中的有效性和效率。第5节深入讨论了研究发现,解释了其在体育球探和技术领域的意义。第6节总结了研究结论、贡献及未来研究方向。
**4. 总结**
本研究利用最新技术(尤其是人工智能)自动化了网球球探中的信息收集任务,展示了该领域的未来发展潜力。主要贡献包括:
1. 比较了多种追踪算法和卷积神经网络。
2. 提出了精准识别击球身体部位的方法。
3. 自动生成了比赛统计数据。
4. 集成了所有这些功能的系统。
**5. 结论**
本研究提升了体育人才球探的准确性、细节性和效率,为球员评估、策略制定和决策提供了新工具。尽管现有技术存在局限性(如高昂成本、依赖特定硬件、可视化能力有限等),但人工智能为体育领域带来了重大进步。这一根本性限制限制了它们在回顾性分析、历史比赛研究或通过公开视频筛选对手方面的实用性。学术研究经常展示出有前景的技术,但很少提供能够在多样化现实世界条件下得到验证的完整、可部署的系统。
**不完整的特征集:**现有解决方案在特定领域表现优异,但缺乏全面的能力。Hawk-Eye在球跟踪方面表现出色,但在比赛分析方面功能有限。TennisViz提供了先进的可视化工具,但需要预先收集的数据。很少有系统能够整合所有必要的组件:检测、跟踪、球场分割、动作分类和统计数据生成。
**缺乏现代深度学习的整合:**许多系统,尤其是2020年之前开发的系统,依赖于经典的计算机视觉技术(基于直方图的检测、霍夫变换、光流),这些技术容易受到遮挡、光线变化和阴影的影响。尽管最近的学术研究展示了基于CNN的方法(如YOLO、Faster R-CNN)和高级跟踪器(如ByteTrack、DeepSORT)的优越性,但这些技术尚未系统地整合到完整的、易于使用的网球分析系统中。
**可重复性危机:**商业系统不提供实现细节或源代码。学术论文往往缺乏公共实现,许多论文报告的结果基于专有的或无法访问的数据集。这种不可重复性阻碍了研究社区的独立验证、比较基准测试和渐进式改进。
**研究差距总结:**尽管在商业开发和学术研究方面都取得了显著进展,但现有的解决方案没有一个能够同时具备以下特点:(1)从视频到统计数据的完全端到端自动化;(2)检测和跟踪管道中采用最先进的深度学习技术;(3)无需特殊硬件即可处理任意视频源;(4)生成与专业人工分析相当的综合评估统计信息;(5)在多种类型的球场和条件下都具有鲁棒性;(6)采用开放的方法论,便于科学验证和扩展。
这些差距促使人们开发新的方法,利用计算机视觉和深度学习的最新进展来普及专业级别的网球分析。通过结合YOLOv8进行检测、ByteTrack进行跟踪、MoveNet进行姿态估计以及基于CNN的球场分割,可以创建一个既解决上述局限又保持高精确度和可用性的系统。
**2.3. 关于体育视频分析的学术研究**
学术研究探讨了自动化体育分析的各个方面,为当前的商业系统奠定了基础,并提供了对技术挑战的见解。然而,大多数学术研究都是孤立地讨论各个组件,而不是完整的集成系统。
**经典计算机视觉方法:**Stein等人(2017年)提出了一种用于足球的视觉分析系统,该系统利用基于直方图的球员检测和之前帧的位置跟踪。尽管在当时(2017年)具有创新性,但该系统依赖于易受遮挡、光线变化和尺度变化影响的经典计算机视觉技术。Liu(2022年)探索了使用遗传算法优化跟踪器以改进运动员跟踪的决策树性能。然而,这两种方法仍然主要基于手工制作的特征,与现代深度学习方法相比缺乏鲁棒性。
**用于场景理解的深度学习:**最近的研究开始将深度学习应用于体育分析。Lee等人(2020年)提供了一个全面调查,探讨了使用深度学习进行球员跟踪的方法,回顾了从经典方法到基于CNN的检测(Faster R-CNN、YOLO)和基于深度学习的跟踪(DeepSORT)的转变。Rafiq等人(2020年)提出了一种使用迁移学习进行板球场景分类的方法,通过微调预训练的CNN(VGG16、ResNet)将场景分类为五种类型,实现了92%的分类准确率。不过,他们的研究重点是视频摘要,而不是提取可用于教练或 scouting 的可操作统计信息。我们系统中使用的ByteTrack(Zhang等人,2022年)在多目标跟踪方面表现出色,它通过关联每个检测框而不是过滤低置信度的检测结果,在部分遮挡的体育场景中特别有效。
**网球特定系统:**Polk等人(2014年)推出了TenniVis,这是一个用于网球比赛的可视化系统,可以从容易收集的数据中生成新颖的可视化效果。然而,TenniVis依赖于手动收集的数据——教练或scouts必须在比赛期间记录信息,然后TenniVis使用基于规则的算法进行可视化。虽然作为一种可视化工具很有价值,但它没有使用AI/ML或自动化从视频中提取数据。
**姿态估计及相关体育:**人类姿态估计对于体育分析变得至关重要。Cao等人(2017年)引入了Part Affinity Fields(PAFs)用于实时多人物2D姿态估计,在具有挑战性的数据集上实现了75%的mAP。更现代的模型如MoveNet(Google,2023年)(我们在系统中使用)提供了更高的速度和准确性,在现代GPU上以超过50 FPS的速度实现了90%以上的COCO关键点检测精度。在羽毛球领域,Ye等人(2020年)开发了ShuttleSpace,这是一个沉浸式VR分析系统,可以合并球员和羽毛球的2D和3D轨迹。然而,该系统假设轨迹数据已经预处理,并侧重于通过VR进行新颖的展示,而不是自动提取数据。
**研究差距:**尽管在商业开发和学术研究方面取得了显著进展,但仍存在几个差距:(1)大多数学术论文只讨论单个组件,而没有将它们整合成生成可操作Scouting报告的完整系统;(2)使用经典计算机视觉的系统缺乏对现实世界变化的鲁棒性;(3)许多系统在特定数据集上训练,而没有展示对多样化视频来源的泛化能力;(4)学术原型通常缺乏公共实现;(5)很少有系统能够生成专业Scouts所需的全部统计信息,同时还能自动化从原始视频到可操作洞察的整个流程。
这些差距激发了开发新方法的动力,该方法利用计算机视觉和深度学习的最新进展来普及专业级别的网球分析。通过结合YOLOv8进行检测、ByteTrack进行跟踪、MoveNet进行姿态估计以及基于CNN的球场分割,可以创建一个既解决上述限制又保持高精度和可用性的系统。
**2.3. 关于体育视频分析的学术研究**
学术研究探索了自动化体育分析的各个方面,为当前的商业系统奠定了基础,并提供了对技术挑战的见解。然而,大多数学术工作都是孤立地讨论各个组件,而不是完整的集成系统。
**经典计算机视觉方法:**Stein等人(2017年)提出了一种使用基于直方图的球员检测和位置跟踪的足球视觉分析系统。尽管在2017年具有创新性,但该系统依赖于易受遮挡、光线变化和尺度变化影响的经典计算机视觉技术。Liu(2022年)研究了使用遗传算法优化跟踪器以改进运动员跟踪的决策树性能。然而,这两种方法仍然主要基于手工制作的特征,与现代深度学习方法相比缺乏鲁棒性。
**用于场景理解的深度学习:**最近的研究开始将深度学习应用于体育分析。Lee等人(2020年)提供了一项关于使用深度学习进行球员跟踪的全面调查,回顾了从经典方法到基于CNN的检测(Faster R-CNN、YOLO)和基于深度学习的跟踪(DeepSORT)的转变。Rafiq等人(2020年)提出了一种使用迁移学习进行板球场景分类的方法,通过微调预训练的CNN(VGG16、ResNet)将场景分类为五种类型,实现了92%的分类准确率。然而,他们的工作重点是视频摘要,而不是提取可用于教练或scouting的可操作统计信息。我们系统中使用的ByteTrack(Zhang等人,2022年)在多目标跟踪方面表现出色,它通过关联每个检测框而不是过滤低置信度的检测结果,在部分遮挡的体育场景中特别有效。
**网球特定系统:**Polk等人(2014年)推出了TenniVis,这是一个用于网球比赛的可视化系统,可以从容易收集的数据中生成新颖的可视化效果。然而,TenniVis依赖于手动收集的数据——教练或scouts必须在比赛中记录信息,然后TenniVis使用基于规则的算法进行可视化。虽然作为一种可视化工具很有价值,但它没有使用AI/ML或自动化从视频中提取数据。
**姿态估计及相关体育:**人类姿态估计对于体育分析变得至关重要。Cao等人(2017年)引入了Part Affinity Fields(PAFs)用于实时多人物2D姿态估计,在具有挑战性的数据集上实现了75%的mAP。更现代的模型如MoveNet(Google,2023年)(我们在系统中使用)提供了更快的速度和更高的准确性,在现代GPU上以超过50 FPS的速度实现了90%以上的COCO关键点检测精度。在羽毛球领域,Ye等人(2020年)开发了ShuttleSpace,这是一个沉浸式VR分析系统,可以合并球员和羽毛球的2D和3D轨迹。然而,该系统假设轨迹数据已经预处理,并侧重于通过VR进行新颖的展示,而不是自动提取数据。
**研究差距:**尽管在学术上取得了显著进展,但仍存在几个差距:(1)大多数学术论文只讨论单个组件,而没有将它们整合成生成可操作Scouting报告的完整系统;(2)使用经典计算机视觉的系统缺乏对现实世界变化的鲁棒性;(3)许多系统在特定数据集上训练,而没有展示对多样化视频来源的泛化能力;(4)学术原型通常缺乏公共实现;(5)很少有系统能够生成专业Scouts所需的全部统计信息,同时还能自动化从原始视频到可操作洞察的整个流程。
**3. 方法**
为了实现体育赛事中数据的自动提取,第一步是选择特定的运动项目。选择网球作为重点运动项目是基于其令人印象深刻的数字数据,这些数据突显了其全球重要性。首先,网球在全球拥有大约6000万玩家,这一数字反映了其广泛的爱好者和专业人士基础。这种全球流行度确保了大量的数据可供分析和研究。
关于官方比赛,网球每年有超过1500场锦标赛,包括四大满贯赛事:澳大利亚网球公开赛、法国网球公开赛、温布尔登网球公开赛和美国网球公开赛。这些赛事不仅吸引了全球的关注,还产生了大量高价值的数据。网球的经济维度也很显著,关键赛事的奖金总额相当可观。例如,2023年美国网球公开赛的总奖金超过了5700万美元,每位冠军无论性别都能获得超过300万美元的奖金。此外,顶尖网球运动员的收入也很可观,每年通常通过奖金和代言达到数百万美元。赞助商在网球界的参与至关重要,因为它不仅增强了运动员的财务回报,还对运动的整体发展和普及做出了重要贡献。
这些数字数据不仅展示了etsball的流行度和经济影响,也证明了将其作为应用和发展先进体育分析技术的理想运动项目的合理性。数据的大量、高知名度比赛的频繁举办以及对这项运动的资金投入为创新和技术发展提供了肥沃的土壤。
鉴于这项工作的目的是展示人工智能技术可以自动化从体育赛事中收集数据(如球的运动、击球用的手等),第二步是决定哪些数据将被自动提取。为此,我们对提供网球分析服务的多家公司进行了彻底研究。在这些公司中,Tennis Analytics(2025年)脱颖而出,它提供了一个免费的PDF样本,让用户了解他们提供的不同网球比赛的信息。通过比较这些PDF和其他类似公司的资料,我们得出结论,所有公司报告中都出现的最重要数据就是表2中显示的数据。这种方法强调了理解行业标准和使用者特定需求在开发体育分析系统中的重要性。通过将自动化数据提取与行业中已经重视和使用的关键指标对齐,系统确保了其在专业环境中的相关性和适用性。
此外,对这些指标(或KPI,关键绩效指标)的深入分析表明,一些指标可以从其他指标推导或推断出来。这一洞察允许采用更集中的方法,将人工智能的努力集中在仅提取那些必不可少的指标上,即原始分析数据。随后,可以建立数学公式来从这些基本指标中推导出其余的指标,称为处理后的分析数据。这一简化过程高效且有效,最大化了人工智能(AI)在体育数据分析中的效用。这种方法及其结果总结在表3中。
**表2. 要提取的分析数据及其重要性:**
- 总得分:球员赢得的总分数。
- 击球成功/失误:球员击中的成功次数和未受强迫的失误次数。
- 击球容忍度:球员在犯错或对手得分之前的击球次数。
- 击球接近网前的得分百分比:球员在接近网前时赢得的分数百分比。
- 首发成功率:首次发球落在对手服务区内的百分比。
- 节点挽救:球员挽救的节点次数。
- 首发得分:首次发球赢得的分数。
- 第二发得分:第二次发球赢得的分数。
- 第一回击得分:对手第一次发球时赢得的分数。
- 第二回击得分:对手第二次发球时赢得的分数。
- 夺分:击出的ACE球数量。
- 双误:产生的双误次数。
- 节点转换:转换的节点次数。
这种方法不仅简化了数据提取过程,还确保提取的数据立即适用于体育背景下的深入分析和决策制定。通过区分原始分析和处理后的分析数据,系统可以在优化计算资源和处理时间的同时提供全面的洞察。
在这项工作中,分析并测试了几种实现体育赛事数据自动提取的方法。为了解释这些方法,将整个问题划分为四个子问题:
**表3. 原始数据和分析数据。**
| KPI | 原始数据 | 处理后的数据 |
|---------------|--------------|-----------------|
| 总得分 | X | X |
| 击球成功/失误 | X | X |
| 击球容忍度 | X | X |
| 击球接近网前的得分百分比 | X | X |
| 首发成功率 | X | X |
| 节点挽救 | X | X |
| 首发得分 | X | X |
| 第二发得分 | X | X |
| 第一回击得分 | X | X |
| 第二回击得分 | X | X |
| 夺分 | X | X |
| ACE球 | X | X |
| 双误 | X | X |
| 节点转换 | X | X |
**1. 仅限于球员的检测和跟踪:**在任何电视转播的网球比赛中,尽管摄像机聚焦在球场上,但也可以看到其他人员,如球童、裁判(主裁判和边线裁判)以及部分观众。区分并排除非球员人员至关重要,以确保检测严格限于两名球员。
**2. 球的检测和跟踪:**这是这项工作中最大的挑战。网球是一个快速移动的物体,速度可超过200公里/小时,目前的记录是263公里/小时(The-Sydney-Morning-Herald,2012年)。此外,球的大小相对较小,根据国际网球联合会(ITF)的规定,直径在6.54到6.86厘米之间(International-Tennis-Federation,2022年)。当球在草地球场上进行或在颜色相似的背景(如广告牌)下进行时,球的识别尤其具有挑战性。
**3. 确定球员用于击球的手:**如先前提到的公司收集的统计数据显示,许多统计信息利用了用于击球的手的数据。这一信息对于判断球员是正手击球还是反手击球至关重要。
**4. 网球场不同区域的识别:**理解和分类网球场的不同区域是必不可少的。这包括识别边界、服务区和其他相关场地部分。解决这些子问题是开发有效自动数据提取系统的关键。每个子问题都带来了独特的挑战,需要复杂的算法和技术,特别是在图像识别、对象跟踪和机器学习领域。
**3.1. 子问题1:球的跟踪和球员的跟踪**
最简单的角度来看,跟踪可以定义为在图像序列中估计物体轨迹的问题。换句话说,跟踪器为图像序列中的每个框架中的跟踪对象分配一致的标签。此外,根据跟踪领域,跟踪器还可以提供关于对象的信息,如中心、大小、形状等。
为了选择最合适的跟踪器,最初使用了一组视频(human-walking-ground-truth)(Haggui等人,2021年),这些视频展示了可能导致跟踪效果不佳的不同挑战:
- 遮挡(walk1.mp4):当感兴趣的物体被另一个物体部分或完全遮挡时发生。这可能导致跟踪器失去目标,因为所需的视觉信息不可用。遮挡可能是暂时的,也可能是长期的,并且可能来自场景中的静态或动态物体。
- 重叠(walk2.mp4):当视野中的两个物体从摄像机的角度相互交叉时发生。这可能会使跟踪器感到困惑,难以区分被重叠的物体并保持对正确物体的跟踪。
- 平面运动(walk3.mp4):指的是跟踪物体在相机镜头平行平面内向任何方向移动时,与相机之间的相对运动。如果背景包含分散跟踪算法注意力的图案或运动,这会特别具有挑战性。
- 平面内旋转(walk4.mp4):跟踪物体围绕垂直于相机视线轴的轴旋转。跟踪器必须能够处理这些物体方向的变化,以保持准确的跟踪。平面内旋转会改变物体的外观,要求跟踪算法对这些变化具有鲁棒性。
- 缩放变化(walk5.mp4):当跟踪物体相对于相机的比例发生变化时发生。缩放变化可能是由于物体向相机靠近或远离,或者是由于视角的变化。一个有效的跟踪器应该能够调整其跟踪“窗口”以适应这些尺寸变化。
- 低分辨率(walk5.mp4):当图像或视频质量较低,且感兴趣的物体没有足够的视觉细节进行准确跟踪时发生。这可能是由于物体距离较远、相机质量差或照明条件不佳造成的。
- 上述多个问题的组合(walk6.mp4):这探讨了一个能够单独抵抗多个问题的跟踪器在所有这些问题同时出现时可能无法有效应对的情况。
解决这些挑战对于运动分析中的有效跟踪至关重要,因为它直接影响数据提取的准确性和可靠性。跟踪系统处理各种情况的能力对于提供稳健和一致的分析结果尤为重要,尤其是在像网球这样的动态和不可预测的运动环境中。
从前面提到的视频集中,那些标签缺失或不准确的视频已被重新标记。对于其余标签准确的视频,创建了一个脚本将它们的标签转换为Pascal VOC XML格式(Pascal VOC,2025)。因此,获得了一个新数据集,其中100%的视频都被准确标记,并且所有视频都按照Pascal VOC XML格式进行了标准化。这个数据集以及本工作中使用的所有脚本和其他资源都可以在我们的GitHub仓库中找到。
创建这个标签准确的数据集是开发和验证跟踪算法的重要一步。拥有全面且精确的数据集对于训练和测试这些算法的有效性至关重要。使用像Pascal VOC XML这样的标准化格式进一步确保了与各种机器学习和计算机视觉工具的一致性和互操作性。
在本文中,研究了文献中可用的几种跟踪算法,并进行了比较,以找出哪种算法对本文提出的系统效果最好。
1. Boosting:使用AdaBoost算法的在线版本进行实时物体跟踪,利用周围背景作为负例来避免漂移(Grabner等人,2006年)。
2. MIL(多实例学习):一种基于在线学习方法的物体跟踪技术,以适应目标物体外观的变化(Babenko等人,2010年)。
3. KCF(核相关滤波器):专注于使用核相关滤波器进行高速跟踪(Henriques等人,2014年)。
4. TLD(跟踪学习检测):一种在统一框架中结合跟踪、学习和检测的物体跟踪方法,以提高鲁棒性和准确性(Kalal等人,2011年)。
5. MedianFlow:一种基于光流估计的物体跟踪方法,在快速运动和突然变化的情况下特别有效(Kalal等人,2010年)。
6. GOTURN(使用回归网络的通用物体跟踪):基于深度学习的回归神经网络,无需在线调整即可跟踪通用物体(Held等人,2016年)。
7. MOSSE(最小平方误差和):基于相关滤波器,在光照和尺度变化的情况下表现出高效率和速度(Bolme等人,2010年)。
8. CSRT(具有通道和空间可靠性的判别相关滤波器):一种使用判别相关滤波器以及空间和通道可靠性的高级跟踪器,以提高物体跟踪的准确性和鲁棒性(Lukezic等人,2016年)。
9. ByteTrack:通过关联每个检测框进行多物体跟踪,该方法侧重于关联每个检测框以提高准确性并减少复杂场景中跟踪物体的碎片化(Zhang等人,2022年)。
所有这些跟踪器都在视频上进行了测试,每个跟踪器都配有相应的真值文件。用于比较跟踪器的指标是交并比(IoU)。IoU是计算机视觉中的一个指标,用于测量物体检测模型的准确性,计算跟踪器预测的边界框与真值边界框之间的交集面积与并集面积的比率。
这些测试的结果总结在表4中。该表显示了每个视频中每个跟踪器的IoU以及平均IoU。ByteTrack算法取得了最佳性能,明显优于其他跟踪器,因此被选为所提出系统的跟踪器。
表4. 使用IoU指标比较不同跟踪器。
| 跟踪器 | Walk1 | Walk2 | Walk3 | Walk4 | Walk5 | Walk6 | 平均值 |
|-------|------|------|------|------|------|------|
| Boosting | 0.45 | 0.46 | 0.12 | 0.33 | 0.19 | 0.03 |
| MIL | 0.41 | 0.41 | 0.14 | 0.34 | 0.20 | 0.03 |
| KCF | 0.43 | 0.22 | 0.07 | 0.34 | 0.00 | 0.18 |
| TLD | 0.37 | 0.18 | 0.08 | 0.23 | 0.09 | 0.10 |
| MedianFlow | 0.22 | 0.05 | 0.08 | 0.21 | 0.00 | 0.09 |
| GOTURN | 0.00 | 0.02 | 0.13 | 0.00 | 0.01 | 0.03 |
| MOSSE | 0.44 | 0.33 | 0.08 | 0.73 | 0.21 | 0.43 |
| CSRT | 0.74 | 0.44 | 0.07 | 0.66 | 0.19 | 0.02 |
| ByteTrack | 0.78 | 0.71 | 0.79 | 0.87 | 0.60 | 0.73 |
3. 第二个子问题:球和球员的检测
可以使用不同的方法和技术来解决检测球和球员的问题。在这项工作中,实验集中在使用卷积神经网络(CNNs)来探索它们提供的可能性。这种方法旨在确定CNNs是否是一个可行的起点,或者是否有必要探索其他方法。
对于卷积神经网络,使用了名为YolactEdge的网络(YolactEdge:实时实例分割在边缘设备上)(Liu等人,2021年)。这个网络特别有趣,因为它被设计为在小型边缘设备上实时运行,代表了比流行的YOLACT网络(Bolya等人,2019年)的进步。YolactEdge包含两项重要改进:
1. 使用TensorRT的优化(Vanholder,2016年):这种优化在速度和准确性之间保持了谨慎的平衡。
2. 一种新颖的特征扭曲模块:该模块利用视频中的时间冗余。特征扭曲的想法是利用前一帧的信息来增强对当前帧的理解,从而减少重新计算的需要,从而加快处理速度。
这些改进使YolactEdge成为运动分析中实时实例分割任务的合适选择,在这些任务中速度和准确性至关重要。能够在边缘设备上高效运行也使其成为实时体育事件的实用解决方案,因为处理能力可能有限。通过利用这些改进,YolactEdge可以提供准确的球员和球检测,这对于自动提取运动分析数据至关重要。
在NVIDIA Jetson AGX Xavier设备上测试了YolactEdge之后,重点转移到了YoloX(Ge等人,2021年)的实验上,YoloX以其简单性和高性能而闻名。YoloX被用来检测人(在这种情况下是网球运动员)和网球。
此外,CNN是使用PaddlePaddle框架(Ma等人,2019年)进行推断的。通过利用PaddlePaddle和Google Colab的功能,这项研究可以利用先进的计算资源和各种预训练模型。这种方法特别适用于处理像实时运动分析这样的复杂任务,其中检测和跟踪的速度和准确性至关重要。YoloX的性能与基于云和深度学习平台的计算能力和灵活性相结合,为运动分析中的检测挑战提供了强大的解决方案。
还测试了另一种CNN,即Yolov8(Jocher等人,2023年;Solawetz和Francesco,2023年)。这是Yolo模型的最新版本,该领域处于领先地位,支持多种视觉任务,包括物体检测、分割、姿态估计、跟踪和分类。
为了比较这三种网络(YolactEdge、YoloX和Yolov8),选择了九个视频,每种网球场地类型三个:蓝色硬地、棕色红土和绿色草地。这种按场地类型划分的多视频方法确保了评估不会受到特定比赛条件、摄像机角度或可能仅限于单个视频的照明变化的影响。
**硬地场地视频**
1. 第一个视频:包含244帧,持续9秒,分辨率为1920 × 1080像素,帧率为25 fps。
2. 第二个视频:包含690帧,持续11.5秒,分辨率为1920 × 1080像素,帧率为60 fps。
3. 第三个视频:包含768帧,持续12.8秒,分辨率为1920 × 1080像素,帧率为60 fps。
**草地场地视频**
1. 第一个视频:包含334帧,持续11秒,分辨率为1920 × 1080像素,帧率为25 fps。
2. 第二个视频:包含257帧,持续约8.57秒,分辨率为1920 × 1080像素,帧率为30 fps。
3. 第三个视频:包含145帧,持续5.8秒,分辨率为1920 × 1080像素,帧率为25 fps。
**红土场地视频**
1. 第一个视频:包含2104帧,持续35秒,分辨率为1920 × 1080像素,帧率为60 fps。
2. 第二个视频:包含350帧,持续14秒,分辨率为1920 × 1080像素,帧率为25 fps。
3. 第三个视频:包含175帧,持续7秒,分辨率为1920 × 1080像素,帧率为25 fps。
这些数据集的多样性包括了摄像机角度、照明条件、球员位置和比赛动态的变化,提供了对系统泛化能力的全面评估。
从这些视频中获得的结果总结在表5中。该表显示了在每个视频中检测到指定类别(球员或球)的帧百分比。从结果可以看出,Yolov8在检测球员和球方面优于其他两种网络。在球员检测方面,Yolov8在3个视频中的2个中达到了100%的效率,在第三个视频中接近100%(具体为97.8%)。在球检测方面,Yolov8也达到了非常高的效率,最低为93.71%。
这些结果展示了Yolov8在处理真实世界运动环境复杂性方面的优越性能,显示出其在不同场地和条件下准确检测快速移动的物体(如网球运动员和球)的能力。这种有效性使Yolov8成为高级运动分析和各种体育赛事实时应用中的理想选择。图1展示了一张仅显示球员和球的检测图像。这代表了所提系统的视觉输出,展示了其在体育赛事(如网球比赛)中区分和跟踪球员和球的能力。图像通常会突出显示系统如何隔离和识别这些关键元素,可能使用边界框或其他视觉指示器来标记检测到的球员和球。
表5. 跨场地和视频的CNN性能综合比较。
| CNN模型 | 硬地(蓝色) | 草地(绿色) | 红土场地(棕色) |
|---------|---------|---------|---------|
| V1 | 17.6 | 15.2 | 20.0 |
| V2 | 17.6 | 25.0 | 22.1 |
| V3 | 22.1 | 25.0 | 27.9 |
| 平均值 | 17.6 | 15.2 | 22.1 |
| V1 | 25.0 | 22.1 | 12.5 |
| V2 | 22.1 | 24.3 | 26.5 |
| V3 | 22.1 | 24.3 | 26.5 |
| YOLOX | 100.0 | 100.0 | 100.0 |
| YOLO | 100.0 | 99.8 | 99.9 |
| YOLOv8 | 94.7 | 99.4 | 99.9 |
| 平均值 | 99.8 | 99.9 | 99.4 |
3. 第三个子问题:球员使用的击球类型
解决这个问题可以采取多种方法。最初的想法是根据球相对于球员的位置进行估计。然而,这种方法在确定击球类型(正手或反手)时遇到了许多错误。为了解决这些不准确性,引入了一个姿态估计网络,显著减少了这些错误。具体来说,使用了Movenet多姿态闪电模型(Google,2023年)。
表6显示了使用上一节中提到的相同九个视频(每种场地类型三个)时两种实现技术的有效性结果。结果是对每种场地类型的三个视频的平均值。如表所示,姿态估计方法在所有九个视频中均实现了100%的准确率,消除了任何错误。相比之下,基于位置的方法表现明显较差,在硬地球场上平均准确率为58.7%,在草地球场上为64.7%,在红土球场上为52.7%。标准差(1.2-2.1%)反映了在不同比赛条件和球员位置情况下的适度变异性,其中草地球场的表现最为稳定,而硬地球场的变异性略高。姿态估计的优越和一致的性能证明了整合身体关节检测对于准确识别击球方式的重要性。图2显示了一个截图,该截图展示了系统指出了击球的手。表6列出了所有测试视频中带有/不带有姿态估计的击球手识别结果的对比情况。结果显示为正确识别的击球方式的百分比。
这种方法强调了整合互补技术以提高体育分析精度的重要性。虽然最初基于球相对于球员位置的方法提供了一个起点,但添加姿态估计网络显著提高了准确性。这一进步突显了结合不同人工智能和机器学习技术来解决体育分析中复杂问题的潜力,为球员表现分析提供了更可靠和精确的数据。
3.4. 子问题4:识别网球场的不同区域
为了分割网球场的区域,最初采用了霍夫变换(Duda和Hart,1972年)。这种技术是数字图像中检测线条和曲线的行业标准方法,已在流行的计算机视觉库OpenCV中实现。然而,霍夫变换有一个众所周知的缺点:它容易受到阴影的影响(Vozikisa和Jansab,2008年)。观察到球场上的阴影会导致场地区域分割的不准确,因此需要寻找替代方法。选择的替代方案是使用卷积神经网络(CNN),特别是YOLOv8来检测这些区域。通过使用YOLOv8,成功缓解了由阴影引起的问题。使用CNN来完成这项任务体现了向更先进的、由AI驱动的技术的转变,特别是在传统方法(如霍夫变换)无法胜任的任务中。这种方法提高了识别场地区域的准确性,并展示了像YOLOv8这样的深度学习模型在处理体育场合中遇到的复杂视觉环境时的适应性和有效性。
3.5. 提出的系统
图4展示了系统组件和结果,包括处理后的视频以及每个组件获得的新数值结果。所提出系统的处理过程可以分为四个主要阶段或模块。
在第一个阶段,加载了本研究中使用的神经网络:姿态估计网络模型(MoveNet MultiPose)以及两个用于检测球场线条和分别检测球和球员的YOLOv8实例。除了加载姿态估计网络模型外,还建立了处理功能以可视化视频帧中关键点之间的连接。接下来的步骤是对输入视频的帧执行姿态估计预测,以估算人体姿态。输入视频的分辨率为1920 × 1080,帧率为30 fps,并且是RGB格式。此外,姿态估计网络生成的两份球员姿态点列表(CMAP和PAF张量(Cao等人,2017年)有助于确定关节点及其正确的连接。这些数据被保存下来以供进一步处理和统计分析。
接下来,加载了一个用于检测球场线条的YOLOv8模型,并定义了基于角坐标计算关键球场点的功能。这个过程生成了一个数组(Ultralytics,2025年),其中包含了各种信息,包括球场点的坐标,这些数据也被保存下来以供后续处理和统计分析。
在第二个阶段,安装了ByteTrack跟踪器,利用前面提到的网络检测结果来追踪球和球员。它生成了一个包含球和球员预测坐标的数组。
在第三个阶段,使用来自早期检测模型和姿态估计的数据进行计算,以确定击球方式是反手还是正手。
在最后一个阶段,进行数据预处理、统计计算和热图生成。此外,所有信息和动作都被编译成一个最终视频。可视化技术用于显示关键统计数据和球员动作。生成的视频被保存下来以供进一步分析或展示。
在图5中,默认出了该系统运行时的截图。具体来说,这张截图是在一名球员将球击入网中的瞬间拍摄的,从而失去了分数。它显示了球和球员的检测结果、球场的分割情况,以及左上角显示的得分。这种可视化展示了系统将网球比赛的各个方面整合到统一分析中的能力。球和球员的检测表明了系统的跟踪能力,而球场的分割显示了其对比赛区域的理解。实时显示的分数增加了上下文信息,使得该系统在网球比赛的实时分析和决策中非常有价值。
此外,还生成了如图6所示的图像。该图展示了从系统处理比赛中得出的各种统计和分析数据。
该系统结合了热图和项目中收集的点信息。它生成了一个全面的可视化结果,包括热图统计和点分布。它提供了球员表现的详细总结和击球方式的分析。
4. 结果
如第3节所述,本研究解决的问题被分为4个子问题。以下部分描述了每个子问题的测试和结果。最后,本节总结了整个系统提出的测试和结果。
在子问题1中,目标是确定本工作中提出的系统的最佳跟踪器。为此,使用了一个包含6个视频的数据集,用9种不同的跟踪器对这些视频进行了测试:Boosting、MIL、KCF、TLD、MedianFlow、GOTURN、MOSSE和ByteTrack。这些跟踪器彼此之间差异很大,涵盖了跟踪技术的广泛范围。经过这一系列测试后(结果见表4),定量确定了ByteTrack是在所有场景中最好的跟踪器。效率是通过交并比(IoU)指标来衡量的。ByteTrack的IoU为0.75,被认为是良好的准确率。MOSSE是第二好的跟踪器,其IoU为0.37。
子问题2专注于寻找检测球和球员的最佳方法。为此使用了卷积神经网络(CNN),特别是三种专门用于检测球和球员的CNN:YOLOxEdge、YOLOX和YOLOv8。为了进行详细分析,这三种CNN在三种不同表面类型的九个网球比赛中进行了测试:硬地球场、红土球场和草地球场,每种表面类型有三个独立视频。这些测试的结果总结在表5中。从这些结果可以得出结论,YOLOv8在所有视频和表面类型中表现出最佳性能。YOLOv8不仅在准确率上表现优异,而且在同一表面类型的多个视频中表现出显著的一致性。在球员检测方面,YOLOv8在硬地球场的平均有效率为99.9%(范围从99.8%到100%),在草地球场为98.1%(范围从97.1%到99.4%),在红土球场为99.8%(范围从99.4%到100%)。在球检测方面,YOLOv8在硬地球场的平均有效率为94.5%(范围从94.2%到94.7%),在草地球场为93.9%(范围从93.6%到94.4%),在红土球场为94.2%(范围从94.0%到94.4%)。图1显示了球和球员检测的截图。
在子问题3中,目标是确定球员用哪只手击球,即它是正手还是反手击球。测试了两种方法:第一种是基于球相对于球员的位置来确定,第二种是使用CNN。由于第一种方法产生的错误太多,因此立即被舍弃。因此,使用了一个姿态估计网络,具体来说是Movenet MultiPose。这两种方法都使用了与子问题2相同的视频进行测试。这些测试的结果总结在表6中,可以看出使用姿态估计网络消除了所有错误,实现了100%的有效率。图2不仅显示了球员、球和球场区域的检测结果,还指出了击球的手。
子问题4涉及识别组成网球场的不同区域。最初测试了一种经典的计算机视觉方法:霍夫变换。这种方法有一些已知的缺点,例如受阴影影响的问题。这促使人们寻找替代方法:使用CNN。具体来说,使用了YOLOv8,它解决了与霍夫变换相关的问题。这个神经网络被训练来检测图中提到的网球场上的19个特定点。通过检测所有这些点,我们可以将球场分割成不同的区域,从而创建热图,确定球是否在球场内等。
一旦解决了上述所有问题,就组装了第3.5节中详细介绍的最初提出的系统。使用前面子问题中提到的九个视频对该系统进行了测试,通过分析系统的输出视频(如图5所示)以及如图6所示的热图和统计信息,重新确认了在解决子问题期间获得的结果。系统在九个视频中的准确性已进行分析并在表7中总结。结果显示为每种表面类型三个独立视频的平均值±标准差。低的标准差值表明系统在不同的视频条件下(包括不同的摄像机角度、照明和比赛动态)具有稳健的性能。系统在不同颜色的球场(蓝色、绿色、棕色)上表现出稳定的球员和球检测准确率,在所有情况下都能以100%的准确率识别击球手。虽然球员检测几乎完美无瑕,仅在草地球场上观察到轻微下降,但球检测在所有球场上都显示出一致的高准确率。重要的是,通过均方根误差(RMSE)以像素为单位测量的球场点检测精度,展示了系统的高空间精度。RMSE值表明误差极低(红土球场的误差最低为1.19像素,硬地球场的误差最高为6.91像素),这意味着以厘米为单位测量的误差几乎可以忽略不计。如此低的RMSE值凸显了该系统在球场点检测方面的卓越准确性,测量出的球场点位置差异非常小,这进一步证明了该系统在不同球场条件下进行详细空间分析时的有效性。使用单因素方差分析(ANOVA)进行的统计比较显示,不同球场类型的球员检测精度存在显著差异(F(2,6)=9.476, p=0.014)。后续的独立t检验显示,草地球场的表现(98.1±0.97%)明显低于硬地球场(99.9±0.08%, p=0.015)和红土球场(99.8±0.28%, p=0.028)。硬地球场和红土球场之间没有观察到显著差异(p=0.368)。草地球场表现下降的原因是球员的典型着装与绿色球场表面之间的颜色对比度较低,这有时会影响YOLOv8的特征提取。尽管存在这种统计学上的差异,但该系统在所有场地的绝对表现仍然非常出色,所有情况下都超过了98%。表7总结了多个视频中提出的系统结果。
**表7. 不同球场类型的系统检测结果**
| 球场类型 | 球员检测率 (%) | 球检测率 (%) | 击球手势检测率 (%) | 球场点检测率 (%) | RMSE (像素) |
|---------|-----------|-----------|--------------|-------------|
| 硬地球场 | 99.9 ± 0.08 | 94.5 ± 0.21 | 100 | 6.91 ± 0.82 |
| 草地球场 | 98.1 ± 0.97 | 93.9 ± 0.35 | 100 | 3.79 ± 0.52 |
| 红土球场 | 99.8 ± 0.28 | 94.2 ± 0.16 | 100 | 1.19 ± 0.15 |
| 总体 | 99.3 ± 0.92 | 94.2 ± 0.35 | 100 | 3.96 ± 2.41 |
对于球检测,单因素方差分析未显示出不同球场类型之间的统计学显著差异(F(2,6)=3.721, p=0.089),这表明基于YOLOv8的球检测模块对不同的背景颜色和纹理具有很强的鲁棒性。所有指标的变异系数都低于1%(球员检测:0.93%;球检测:0.37%),这表明尽管相机角度、光照条件和比赛动态不同,重复测量时的一致性很高。球员检测的95%置信区间为[98.32%, 100.22%],球检测的95%置信区间为[93.84%, 94.56%],区间宽度的狭窄反映了系统的一致性和足够的样本量进行初步验证。
**5. 讨论**
这项研究对相对较少探索的体育侦察领域,特别是在网球领域,做出了重要贡献。专注于体育侦察与网球交叉点的学术作品很少,这突显了本研究的新颖性和潜在影响。体育侦察作为一个研究领域,在学术文献中传统上被忽视,常常被更广泛的体育分析和表现评估主题所掩盖。本研究对网球的独特关注为现有知识体系增添了新的维度,解决了该运动中的具体挑战和机遇。结合了卷积神经网络(CNN)等先进技术以及复杂的跟踪算法,突显了体育分析领域的不断发展。这些技术在网球侦察中的成功应用表明了它们在改变体育表现分析和理解方式方面的潜力。采用YOLOv8和其他尖端工具进行球员和球追踪、球场分割及动作分析,相比传统的依赖人工观察和基础统计分析的方法,代表了重大进步。与现有的商业解决方案相比,提出的系统在体育分析领域占据了独特的位置。与Tennis Scout PRO和TennisViz不同,后者需要手动数据输入或预先收集的数据,我们的系统从原始视频到可操作的统计数据提供了完整的端到端自动化。虽然像Hawk-Eye和PlaySight这样的高端解决方案实现了极高的精度,但它们需要昂贵的基础设施投资(每块球场1万到10万美元以上),并且无法处理任意视频来源。我们的系统通过在多种球场表面上实现可比的检测性能(99.3%的球员检测率,94.2%的球检测率),无需专门的硬件安装,从而填补了这一关键空白。此外,像SwingVision这样的移动解决方案虽然在消费设备上展示了AI的可行性,但其分析深度有限;而我们的系统则提供了包括球场分割(亚7像素RMSE)、100%的击球手势分类精度以及自动热图生成在内的全面侦察统计信息,且无需任何安装成本。与Stats Perform专注于广播的视频分析方法不同,我们的系统也可应用于YouTube视频和业余录像,使专业级分析变得人人可及。然而,系统仍存在一些局限性:目前它是离线处理的而非实时处理(与PlaySight或Hawk-Eye不同),球检测精度(94.2%)略低于Hawk-Eye的亚毫米级精度,并且在草地球场的表现略有下降(98.1%的球员检测率,由于颜色对比度降低)。尽管如此,其可访问性、全面的特征集成、可复现的方法论以及接近商业系统的性能,使这项工作成为向普及专业体育分析迈出的重要一步。此外,本研究还解决了网球特有的挑战,如比赛的快速动态、球员动作的复杂性以及多样的球场表面。该系统在准确检测和跟踪快速移动的物体、分割球场以及分析球员动作方面表现出色,即使在有阴影和遮挡的情况下也能保持有效性,展示了所开发解决方案的稳健性。
这项研究的意义不仅限于网球侦察领域。所采用的方法和技术可以适应并应用于其他体育项目,促进跨学科的体育分析方法。它为未来的体育侦察研究铺平了道路,鼓励在其他体育领域探索AI和机器学习的应用。与最近的体育视频分析学术研究相比,我们的系统在解决经典计算机视觉方法的根本局限性方面显示出几个关键优势。Stein等人(2017)使用基于直方图的足球球员检测方法,这种方法容易受到遮挡、重叠、平面运动、平面内旋转、尺度变化和低分辨率等问题的影响——这些正是第3.1节中提到的挑战。我们基于YOLOv8的方法通过学习到的表示方式克服了这些局限,实现了在多种条件下的99.3%球员检测率。Liu(2022)探索了决策树的遗传算法优化用于跟踪,但我们的集成ByteTrack——一种最先进的深度学习跟踪器——实现了0.75的IoU,而传统方法如MOSSE仅为0.37,证明了端到端学习的优越性。Rafiq等人(2020)使用CNN在板球场景分类中实现了92%的准确性,但他们专注于通过场景分类的视频总结,并未分析比赛本身或提取可操作的侦察指标。相比之下,我们的系统生成了教练和侦察员可直接使用的全面统计信息(如球的有效性、按球场区域划分的效率、热图)。与Cao等人(2017)的姿态估计研究相比,我们集成了MoveNet,实现了100%的击球手势分类精度,形成了一个完整的分析流程,超越了单独的姿态检测。Ye等人(2020)提出了创新的羽毛球轨迹VR可视化方法,但他们的系统依赖于预处理的跟踪数据,并且仅关注轨迹分析,忽略了球员位置、击球类型、热图和比赛统计等关键方面。我们从原始视频到全面统计信息的端到端自动化解决了这些基本挑战。最重要的是,虽然学术原型通常单独展示各个组件,但我们的工作将检测(YOLOv8)、跟踪(ByteTrack)、姿态估计(MoveNet)和球场分割整合成了一个经过验证且可复现的系统,其性能可与商业系统媲美,且无需特殊硬件。在第二节中引用的相关工作中,虽然没有与本研究完全相同的研究,但也有类似的工作,例如“TenniVis:用于网球比赛分析的可视化”(Polk等人,2014)。TenniVis主要用于通过分数、击球时长和比赛视频来辅助赛后分析,而本研究则利用了CNN等先进技术、高级跟踪算法和姿态估计模型进行实时数据提取和分析,这种方法的高创新性尤为突出。TenniVis不关注实时数据处理或AI和机器学习的集成,而本研究专门为实时分析设计,不仅在赛后回顾中重要,对实时比赛跟踪和教练策略也至关重要。通过整合AI和机器学习,本研究提供了更全面的分析,并深入洞察了球员表现和比赛动态。这标志着从以可视化为中心的方法向更全面的体育分析方法的重大进步。
总之,这项研究在体育分析领域填补了一个关键空白,提供了一个技术先进的全面解决方案,为未来体育侦察研究树立了先例,提供了理论和实践见解的结合,可以指导其他体育学科类似系统的开发。该项目的成功证明了将技术和分析结合在体育领域的潜力,朝着更加数据驱动、精确和深入的理解体育表现的方向发展。
**6. 结论**
本研究成功开发了一种从体育赛事中自动收集数据的系统,特别是针对网球,使用了人工智能技术。它展示了改进现有体育侦察软件的潜力,开辟了新的、有前景的研究方向。研究涉及对三种不同卷积神经网络的考察、测试和比较,还研究了八种不同的跟踪器。几乎没有其他研究能与本研究进行公平比较。尽管如此,我们还是将其与一些类似的网球软件进行了比较,实施系统的表现令人满意,人员检测的效率接近100%,球检测的平均效率达到了94.13%。我们以高精度准确检测了球场的不同部分,解决了与阴影相关的问题。虽然检测精度不是100%,但已经非常接近这一数字。这种微小的差异是由于某些交点(如第3.4节所述)的检测位置略有偏差。在识别球拍类型(反手或正手)方面,由于加入了姿态估计网络,我们实现了100%的准确性。该系统不仅能够在网球比赛中检测场内活动,还能从收集的信息中自动生成统计信息。除了这些技术成就之外,这项工作还引入了应对当前体育分析系统关键缺点的关键创新。与需要昂贵专用硬件安装(5万到10万美元以上)的商业解决方案(如PlaySight和Hawk-Eye)不同,我们的系统可以处理任何视频来源——无论是广播录像、YouTube视频还是业余录像——且无需任何安装成本,使专业级分析变得普及。我们的混合深度学习架构结合了YOLOv8、ByteTrack和MoveNet,实现了与成本高数倍的系统相当的性能。基于CNN的球场分割消除了传统Hough变换方法中因阴影引起的误差,而姿态估计的集成实现了完美的击球手势分类(100%的准确性),而基于位置的方法仅为53%到65%。与专有系统不同,我们的完全开源实现(可复制)促进了科学验证和社区扩展。这些创新带来了实际好处:教练无需昂贵安装即可分析历史对手录像,研究人员可以获得可复现的方法论,学院能够以低成本获得专业级分析,自动化将手动编码任务从数小时缩短到几分钟,并消除了人为错误。对于未来的工作,鉴于最重要的挑战与球有关,我们计划将神经形态学方法引入系统。我们将利用神经形态工程,特别是动态视觉传感器(DVS)。DVS摄像机的运作方式与传统模型完全不同,每个像素在检测到运动时立即生成高精度的“事件”,从而创建了一个仅从移动部分流出的连续信息流,消除了对传统视频帧的需求。这种连续的信息流消除了运动模糊,并确保快速事件(如球反弹)不会在固定帧间隔之间被遗漏。此外,处理这种有限的事件流在计算上高效,因为只有不到5%的场景数据被处理。最后,DVS传感器具有高动态范围,能够准确处理极端光照条件,如室外球场上的阴影和强阳光。
**作者贡献声明**
Salvador Canas Moreno:撰写——审稿与编辑、原始草稿撰写、软件开发、资源管理、方法论设计、研究实施、资金筹集、正式分析、概念化。埃莱娜·塞雷苏埃拉·埃斯库德罗(Elena Cerezuela Escudero)的职责包括:写作内容的审阅与编辑、初稿撰写、内容验证、项目监督、项目管理、研究方法论的制定、数据调查以及形式化分析等。安东尼奥·里奥斯·纳瓦罗(Antonio Ríos Navarro)的职责则涵盖内容验证、项目监督、项目管理、研究方法论的制定、资金筹集以及概念框架的构建等。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号