本发明提供了一种对足球比赛阵型变化及人员流动的可视分析方法，包括以下步骤：(1)获取数据，数据包括球员位置数据、足球位置数据、球场发生事件数据和控球信息；(2)建立二维球场模型，将步骤(1)中的球员位置数据投射到球场中，并对位置数据进行平滑处理；(3)对步骤(1)中的球员位置数据进行聚类，得到总体的阵型信息；(4)将步骤(1)、(2)、(3)中得到的数据进行可视化，可视化图像包括阵型可视化、比赛实时数据可视化以及比赛事件可视化；本发明提供了针对足球数据的采集方式以及预处理方法，给足球分析相关专家提供分析的数据支撑，同时对阵型数据进行了可视化，便于发现阵型变化的特征。
1.一种对足球比赛阵型变化及人员流动的可视分析方法，其特征在于，包括以下步骤：(1)获取数据，数据包括球员位置数据、足球位置数据、球场发生事件数据和控球信息；
(2)建立二维球场模型，将步骤(1)中的球员位置数据投射到球场中，并对位置数据进行平滑处理；
(3)对步骤(1)中的球员位置数据进行聚类，得到总体的阵型信息；
(4)将步骤(1)、(2)、(3)中得到的数据进行可视化，可视化图像包括阵型可视化、比赛实时数据可视化以及比赛事件可视化；
步骤(1)中，使用了人机交互的方式对足球场上双方球员位置数据进行采集：使用粒子滤波结合颜色直方图的方法，选定场上球员，对所选定的球员进行自动追踪；在多名球员位置发生重叠、交错时，产生追踪错误，此时结合人工矫正的方法，重新对场上的球员的位置进行采集；
步骤(2)中，二维球场数据是基于真实球场的尺寸，以球场一角为原点建立坐标系，建立全景视频中球场与二维球场模型之间的映射关系，定义球场上的一系列关键点p1,…,pk以及目标点d1,…,dk,其x和y坐标为X＝(x1,x2,…,xk)和Y＝(y1,y2,…,yk)，建立单应矩阵映射如下：步骤(3)中，得到总体的阵型信息的具体过程如下：
定义某一队每一帧的球员位置信息为p0,1,p0,2,…,p0,11，对其进行中心化处理，每一个位置信息减去该帧所有球员的平均位置，得到中心化后某一队每一帧的球员信息为p1,p2,…,p11；
阵型中一个位置的球员活动范围符合高斯分布，具体算法如下：
3-1、初始化高斯分布，以第一帧的球员位置作为初始分布的均值，分布的方差采用随机数生成方法；
3-2、遍历下一帧，计算第i位球员的分配到第j个位置的代价为ci,j＝-log(pi,j)，其中，pi,j为这位球员属于第j个位置的情况下，第i位球员概率密度函数的大小；
3-3、更新分布信息，计算属于某一个分布中的球员的位置的均值和方差，用以表示分布的期望和方差，作为下一帧迭代的基础；
3-4、遍历每一帧，将每一帧的球员分别归类，得到第一轮迭代的分布结果，其中每一个分布都包含了期望和方差；
3-5、以上一轮迭代的结果作为第二轮迭代的初始值，遍历每一帧，从而得到新一轮的迭代结果；
3-6、进行一轮一轮的迭代，直到分布稳定，差异小于阈值；
阵型可视化采用桑基图的形式来表示整场比赛中阵型的变化以及球员的人员流动信息；
阵型可视化具体为运用流视图对正常比赛中阵型的变化进行可视化，并可表示出人员在阵型中的流动情况。
2.如权利要求1所述的对足球比赛阵型变化及人员流动的可视分析方法，其特征在于，步骤(2)中，平滑处理运用了线性滤波器，对时序的位置信息进行均值滤波处理。
3.如权利要求1所述的对足球比赛阵型变化及人员流动的可视分析方法，其特征在于，比赛实时数据可视化具体为展示沿着时间线场上的数据变化，包括场上队员的跑动距离、阵型覆盖面积、传球成功率、控球时间。
4.如权利要求1所述的对足球比赛阵型变化及人员流动的可视分析方法，其特征在于，比赛事件可视化具体为在时间线上展示关键事件，并在事件列表中展示出进球事件，点击进球事件，可以播放进球视频；用鼠标在时间线上移动，实时跳转到视频相应的时间点并进行播放。
一种对足球比赛阵型变化及人员流动的可视分析方法
技术领域
[0001] 本发明涉及足球比赛数据分析方法，特别涉及一种对足球比赛阵型变化及人员流动的可视分析方法。
背景技术
[0002] 计算机视觉技术在过去二十年中被广泛用于体育比赛中，如网球比赛中的鹰眼技术，能够快速重建高速运动的网球落点，并用三维动画展示出来。同样地，许多计算机视觉方面的研究也针对足球比赛展开了讨论。而由于足球比赛有其特殊性，场景背景色较单调，因此传统的方法会首先把球场的绿色背景切割出来，再针对剩余部分进行球员的检测。而常用的视频数据都来源于电视直播，因此有一些研究侧重于将电视直播的球员位置检测出来，再通过单应性矩阵投影到二维的球场中。其中主要问题在于电视直播总是关注球附近的球员，直播画面会丢失大量的球员信。近年来计算机视觉的大量的工作都集中在深度学习上，比如行人检测。针对足球比赛的球员，这样的检测方法是可行的，但是我们的数据较为特殊，球员在全景视频中的占比非常小，神经网络在进行下采样的过程中会丢失大量的球员特征，因此导致检测效果不佳。
[0003] 可视化技术在过去几年已经陆陆续续被广泛运用到体育分析中，像乒乓球、篮球、网球、冰球等。而在足球方面，可视化技术也被应用于各类可视化分析系统中。例如，有将球员的运动运动轨迹集成到比赛视频中的可视化工作，有在不同比赛阶段使用新颖视图观看足球比赛的可视化系统，也有针对球或球员所受压迫值的可视化工作等等。这些工作都从不同方面提升了足球分析的效果和效率。
[0004] 然而，在这些足球的可视化工作中，很少有人关注队伍阵型这一团队战术中最重要的部分。
发明内容
[0005] 本发明是提供一种对足球比赛阵型变化及人员流动的可视分析方法，提供数据采集的方式以及预处理方法，给足球分析相关专家提供分析的数据支撑，同时对阵型数据进行了可视化，可以快速发现阵型变化的特征。
[0006] 一种对足球比赛阵型变化及人员流动的可视分析方法，包括以下步骤：
[0007] (1)获取数据，数据包括球员位置数据、足球位置数据、球场发生事件数据和控球信息；
[0008] (2)建立二维球场模型，将步骤(1)中的球员位置数据投射到球场中，并对位置数据进行平滑处理；
[0009] (3)对步骤(1)中的球员位置数据进行聚类，得到总体的阵型信息；
[0010] (4)将步骤(1)、(2)、(3)中得到的数据进行可视化，可视化图像包括阵型可视化、比赛实时数据可视化以及比赛事件可视化。
[0011] 优选的，步骤(1)中，使用了人机交互的方式对足球场上双方球员位置数据进行采集：使用粒子滤波结合颜色直方图的方法，选定场上球员，对所选定的球员进行自动追踪；在多名球员位置发生重叠、交错时，产生追踪错误，此时结合人工矫正的方法，重新对场上的球员的位置进行采集。
[0012] 优选的，步骤(2)中，二维球场数据是基于真实球场的尺寸，以球场一角为原点建立坐标系，建立全景视频中球场与二维球场模型之间的映射关系，定义球场上的一系列关键点p1，…，pk以及目标点d1，…，dk，其x和y坐标为X＝(x1，x2，…，xk)和Y＝(y1，y2，…，yk)，建立单应矩阵映射如下：
[0013]
[0014] 为了优化可视化效果，优选的，步骤(2)中，平滑处理运用了高效的线性滤波器，对时序的位置信息进行均值滤波处理，除去帧与帧之间因为随机误差而产生的位置抖动。
[0015] 优选的，步骤(3)中，得到总体的阵型信息的具体过程如下：
[0016] 可以运用高斯混合模型结合k-means算法，对球场上每一个球员的位置进行聚类，具体算法如下：
[0017] 定义某一队每一帧的球员位置信息为p0，1，p0，2，…，p0，11，对其进行中心化处理，每一个位置信息减去该帧所有球员的平均位置，得到中心化后某一队每一帧的球员信息为p1，p2，…，p11；
[0018] 假设球队的阵型具有稳定性，即使一个队员活动到了其他位置，通常会有其队友进行补位，故阵型中一个位置的球员活动范围符合高斯分布，具体算法如下：
[0019] 3-1、初始化高斯分布，以第一帧的球员位置作为初始分布的均值，分布的方差采用随机数生成方法；
[0020] 3-2、遍历下一帧，计算第i位球员的分配到第j个位置的代价为ci，j＝-log(pi，j)，其中，pi，j为这位球员属于第j个位置的情况下，第i位球员概率密度函数的大小；那么如果一名球员属于某个位置，那么其在该分布中的概率密度函数会越大，那么代价函数的值越小。此时问题转化为分配问题，分配11个球员，使得总的代价最小。在计算的过程中运用了匈牙利算法，高效地计算出结果；
[0021] 3-3、更新分布信息，计算属于某一个分布中的球员的位置的均值和方差，用以表示分布的期望和方差，作为下一帧迭代的基础；
[0022] 3-4、遍历每一帧，将每一帧的球员分别归类，得到第一轮迭代的分布结果，其中每一个分布都包含了期望和方差；
[0023] 3-5、以上一轮迭代的结果作为第二轮迭代的初始值，遍历每一帧，从而得到新一轮的迭代结果；
[0024] 3-6、进行一轮一轮的迭代，直到分布稳定，差异小于阈值。
[0025] 优选的，阵型可视化采用桑基图的形式来表示整场比赛中阵型的变化以及球员的人员流动信息。
[0026] 优选的，阵型可视化：运用流视图对正常比赛中阵型的变化进行可视化，并可表示出人员在阵型中的流动情况。流视图中还包括了时间线，时间线上表示出了正常比赛中的关键事件，比如换人、黄牌、红牌、进球。
[0027] 优选的，比赛实时数据可视化，展示沿着时间线场上的数据变化，包括场上队员的跑动距离、阵型覆盖面积、传球成功率、控球时间等；比赛实时数据可视化可以将球员队形结构用三角剖分并实时重新覆盖在原始视频上，更加利于教练员对视频进行分析。
[0028] 优选的，比赛事件可视化，在时间线上展示关键事件，并在事件列表中展示出进球事件，点击进球事件，可以播放进球视频；用鼠标在时间线上移动，可以实时跳转到视频相应的时间点并进行播放。
[0029] 本发明的有益效果：
[0030] 本发明的对足球比赛阵型变化及人员流动的可视分析方法，提供了针对足球数据的采集方式以及预处理方法，给足球分析相关专家提供分析的数据支撑，同时对阵型数据进行了可视化，便于发现阵型变化的特征。
附图说明
[0031] 图1是本发明的对足球比赛阵型变化及人员流动的可视分析方法的流程图。
[0032] 图2为图1中A部分的处理之前原始视频的格式图。
[0033] 图3为图1中B部分的球员追踪算法的效果示意图。
[0034] 图4为对图3所得球员位置做二维映射的示意图。
[0035] 图5为本发明方法中对阵型做聚类的迭代收敛示意图。
[0036] 图6为本发明方法中将算法所检测出来的阵型概览与真实阵型对应的示意图。
具体实施方式
[0037] 如图1～6所示，本实施例的对足球比赛阵型变化及人员流动的可视分析方法，针对足球比赛数据尤其是阵型变化的可视分析工作，给足球分析相关专家提供分析的数据支撑，同时对阵型数据进行了可视化，便于发现阵型变化的特征。
[0038] 本实施例的对足球比赛阵型变化及人员流动的可视分析方法，包括以下步骤：
[0039] (1)获取数据，数据包括球员位置数据、足球位置数据、球场发生事件数据、控球信息。其中球员位置数据以及足球位置数据具有x、V、t属性，分别表示其在视频中的二维坐标以及时间信息。控球信息为每一帧控球的球员信息，球员得到球后开始计算，直到球被另一名球员获得；
[0040] 使用了人机交互的方式对足球场上双方22名球员的位置数据进行采集：使用粒子滤波结合颜色直方图的方法，选定场上球员，机器对所选定的球员进行自动追踪；在多名球员位置发生重叠、交错时，机器产生追踪错误，此时结合人工矫正的方法，重新对场上的球员的位置进行采集。此外，还重新设计了一个数据采集器，在比赛实时进行过程中可对球权和球场数据进行采集，提高数据采集效率；
[0041] (2)建立二维球场模型，将球员比赛位置数据投射到球场中，并对位置数据进行平滑处理；
[0042] 二维球场数据是基于真实球场的尺寸，以球场一角为原点建立坐标系，建立全景视频中球场与二维球场模型之间的映射关系，首先定义球场上的一系列关键点p1，…，pk以及目标点d1，…，dk，其x和y坐标为X＝(x1，x2，…，xk)和Y＝(y1，y2，…，yk)。建立单应矩阵映射如下：
[0043]
[0044] 经过映射之后所得的二维位置信息再经过平滑处理，算法运用了高效的线性滤波器，对时序的位置信息进行均值滤波处理，除去帧与帧之间因为随机误差而产生的位置抖动，优化可视化效果。
[0045] (3)阵型数据生成算法，利用算法对球员位置信息进行聚类，得到总体的阵型信息；
[0046] 阵型数据生成算法运用了高斯混合模型结合k-means算法，对球场上每一个球员的位置进行聚类；
[0047] 首先定义某一队每一帧的球员位置信息为p0，1，p0，2，…，p0，11，对其进行中心化处理，每一个位置信息减去该帧所有球员的平均位置，得到中心化后某一队每一帧的球员信息为p1，p2，…，p11。假设球队的阵型具有稳定性，即使一个队员活动到了其他位置，通常会有其队友进行补位，故阵型中一个位置的球员活动范围符合高斯分布，具体算法如下：
[0048] 3-1、初始化高斯分布，以第一帧的球员位置作为初始分布的均值，分布的方差采用随机数生成方法。
[0049] 3-2、遍历下一帧，计算第i位球员的分配到第j个位置的代价为ci，j＝-log(Pi，j)，其中pi，j为这位球员属于第j个位置的话，其概率密度函数的大小。那么如果一名球员属于某个位置，那么其在该分布中的概率密度函数会越大，那么代价函数的值越小。此时问题转化为分配问题，分配11个球员，使得总的代价最小。在计算的过程中运用了匈牙利算法，高效地计算出结果；
[0050] 3-3、更新分布信息。计算属于某一个分布中的球员的位置的均值和方差，用以表示分布的期望和方差，作为下一帧迭代的基础；
[0051] 3-4、遍历每一帧，将每一帧的球员分别归类，得到第一轮迭代的分布结果，其中每一个分布都包含了期望和方差；
[0052] 3-5、以上一轮迭代的结果作为第二轮迭代的初始值，遍历每一帧，从而得到新一轮的迭代结果；
[0053] 3-6、进行一轮一轮的迭代，直到分布稳定，差异小于阈值。
[0054] (4)将步骤(1)、(2)、(3)中得到的数据进行可视化，可视化图像主要包括阵型可视化、比赛实时数据可视化以及比赛事件可视化。阵型可视化主要利用了桑基图的形式来表示整场比赛中阵型的变化以及球员的人员流动信息。可视化系统的设计包含三个视图：
[0055] 阵型可视化：运用流视图对正常比赛中阵型的变化进行可视化，并可表示出人员在阵型中的流动情况。流视图中还包括了时间线，时间线上表示出了正常比赛中的关键事件，比如换人、黄牌、红牌、进球。
[0056] 比赛实时数据可视化：展示沿着时间线场上的数据变化，包括场上队员的跑动距离、阵型覆盖面积、传球成功率、控球时间等；
[0057] 比赛事件可视化：在时间线上展示关键事件，并在事件列表中展示出进球事件，点击进球事件，可以播放进球视频；用鼠标在时间线上移动，可以实时跳转到视频相应的时间点并进行播放；
[0058] 将比赛实时数据可视化可以将球员队形结构用三角剖分并实时重新覆盖在原始视频上，更加利于教练员对视频进行分析。
