买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中科南京人工智能创新研究院

摘要：本发明公开了一种足球比赛技战术评估方法和系统，该方法包括获取预定场次的比赛数据，从比赛数据中提取事件数据和追踪数据并进行标准化和对齐处理，整合形成融合数据集；识别每个控球时间段的起始和结束时间点，分割比赛控球时间段，并提取每一控球时间段的视频帧；构建传球图结构，计算传球图结构的度量特征并生成视觉节奏图，生成预测结果；读取实际进球结果并与预测结果对比，提取预测成功概率高于预设阈值但实际未成功的进攻片段并分析；获取视觉节奏图，提取队伍阵型和传球网络，进行战术模式识别和评估。本发明实现了视频数据和跟踪数据的快速处理，提高了关键事件的自动化提取效率。

主权项：1.一种足球比赛技战术评估方法，其特征在于，包括如下步骤：S1、获取预定场次的比赛数据，从比赛数据中提取事件数据和追踪数据并进行标准化和对齐处理，整合对齐后的事件数据和追踪数据，形成融合数据集；S2、基于融合数据集，识别每个控球时间段的起始和结束时间点，分割比赛控球时间段，并提取每一控球时间段的视频帧；S3、读取视频帧，构建传球图结构，计算传球图结构的度量特征并基于度量特征生成视觉节奏图，调用预训练的成功率预测模型，基于视觉节奏图获得预测成功概率，生成预测结果；S4、读取实际进球结果并与预测结果对比，基于对比的结果，提取预测成功概率高于预设阈值但实际未成功的进攻片段并分析；S5、获取视觉节奏图，提取队伍阵型和传球网络，进行战术模式识别和评估；步骤S1进一步为：S11、从数据库或数据接口获取比赛ID列表，根据比赛ID列表，下载原始数据文件，包括是摄像头数据和可穿戴传感器数据；S12、从原始数据文件中提取事件数据和追踪数据；S13、对追踪数据进行时间插值，使之与事件数据的时间戳对齐；将事件数据和追踪数转换变换到相同的空间坐标系；S14、构建一个新的数据结构，包含时间戳、事件信息和追踪信息，遍历对齐后的事件数据和追踪数据，按时间顺序合并信息；获得最终的融合数据集，包含完整的时序、事件和位置信息；步骤S2进一步为：S21、读取融合数据集，提取其中球的位置和速度信息，基于球的位置和速度信息，计算短时间内球的运动特征；S22、采用聚类算法，对球的运动特征进行分类，获得控球状态，使用状态转换检测算法识别控球状态的变化点，基于变化点确定每个控球时间段的起始和结束时间点；S23、基于控球时间段的起始和结束时间点，从原始视频中提取对应的视频片段，对每个视频片段进行解码，提取所有视频帧或按预定间隔采样关键的视频帧；S24、将提取的视频帧转换为标准格式，并进行预处理，包括尺寸调整和归一化，为预处理后的每个视频帧添加元数据，元数据包括对应的时间戳和控球时间段ID；步骤S3进一步为：S31、读取视频帧中每一帧的球员位置数据，将每个球员作为一个节点，构建传球图结构，同时计算球员之间的距离和相对位置，作为传球图结构中边的属性；S32、根据预设的战术规则和空间阈值，去除传球图结构中不可能的传球连接；S33、计算传球图结构的度量特征，将度量特征存储在传球图结构对应的节点或边上；其中度量特征包括中介中心性、偏心率、全局效率、本地效率、脆弱性、聚类系数、熵和网页排名；S34、将每个度量特征随时间的变化转换为一维信号，对每个一维信号进行时频分析，将时频分析结果转换为多通道的视觉节奏图；S35、将视觉节奏图输入预训练的成功率预测模型，通过卷积层和全连接层提取特征；S36、基于提取的特征，使用softmax激活函数，计算得到进攻成功概率，即预测结果；步骤S4进一步为：S41、读取实际进球结果，将实际进球结果与预测结果按时间戳对齐，计算成功率预测模型的评估系数，包括预测准确率、精确率、召回率和F1分数；S42、基于评估系数，筛选出预测成功概率高于预设阈值但实际未成功的进攻片段，对筛选出的进攻片段进行统计；S43、基于统计的结果，提取筛选出的进攻片段的详细数据，包括球员位置、传球路线和移动轨迹，使用决策树或随机森林算法，预测导致进攻失败的关键因素；S44、基于关键因素，生成每个球员在进攻片段中的表现报告；步骤S5进一步为：S51、读取视觉节奏图，使用持续同调算法分析球员位置的拓扑特征，基于拓扑特征，生成队伍阵型的简化拓扑骨架，并计算不同时间点队伍阵型之间的沃瑟斯坦距离；S52、基于队伍阵型的简化拓扑骨架和不同时间点队伍阵型之间的沃瑟斯坦距离，构建不同时间点的队伍阵型序列，使用动态时间规整算法，识别队伍阵型序列中相似的队伍阵型和不同的队伍阵型；S53、使用强化学习算法，评估不同的队伍阵型的有效性和适应性；S54、基于视觉节奏图，构建时变加权有向超图，计算时变加权有向超图的拉普拉斯矩阵和归一化拉普拉斯矩阵；其中时变加权有向超图表示传球网络；S55、基于拉普拉斯矩阵和归一化拉普拉斯矩阵，使用谱聚类算法，在不同分辨率下检测传球网络的社区结构，基于社区结构，采用层次聚类方法，构建球队战术单元的树状结构；S56、基于树状结构，使用预训练的图注意力网络，预测最优传球路径和接应位置；S57、基于视觉节奏图，使用改进的沃罗诺伊图算法，划分每个球员的球场控制区域，基于球场控制区域，构建加权幂图，使用预训练的计算流体动力学模型，输出球场的压力分布图；S58、基于压力分布图，计算空间熵和相对熵，基于空间熵和相对熵，生成热力图，显示球队的空间控制情况；步骤S22中识别每个控球时间段的起始和结束时间点还可以为：S22a、使用基于注意力机制的时序卷积网络提取融合数据集中的特征序列，包含球员和球的位置特征；S22b、基于特征序列，构建控球状态向量，使用动态时间规整算法对控球状态向量进行分段，得到分段后的控球状态序列；S22c、使用贝叶斯变点检测算法识别控球状态序列中的显著状态转换点，基于显著状态转换点，标识出每个控球时间段的起始和结束时间点；步骤S4还包括：S45、基于表现报告，构建球员表现评分函数；S46、基于球员表现评分函数，使用自适应提升算法识别表现异常的球员；S47、使用因果推断方法，评估表现异常的球员对团队表现的因果效应；S48、基于评估的因果效应，利用多智能体强化学习模拟最优决策，将与最优决策实际决策进行对比分析，得到决策分析结果；所述步骤S54中，计算时变加权有向超图的拉普拉斯矩阵和归一化拉普拉斯矩阵的过程，具体为：步骤S541、获取度矩阵和图结构相似度矩阵，构建拉普拉斯矩阵，计算拉普拉斯矩阵前若个最小特征值对应的特征向量；步骤S542、以前若个最小特征值对应的特征向量作为列向量，构建新矩阵，步骤S543、将新矩阵的每行作为一个维点，采用K-means方法进行聚类，输出聚类结果。

全文数据：

权利要求：

百度查询： 中科南京人工智能创新研究院 足球比赛技战术评估方法和系统