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综合运动表现评估方法和系统，该方法包括获取比赛视频和可穿戴传感器的原始数据，提取比赛数据并预处理；基于预处理的比赛数据，提取比赛基础特征和比赛高级特征，形成基础特征空间和高级特征空间，并分别进行降维处理，得到最相关的特征空间集合；依序调用预配置的传球危险系数模块和危险传球分类模块，以最相关的特征空间集合作为输入，获得每一传球的危险系数，根据预设阈值筛选出危险传球事件并分类；基于危险传球事件生成传球网络和球员移动轨迹图，调用预配置的球员表现评分模块，获得每个球员的表现得分数据，评估团队和个人表现并输出评估结果。本发明实现了对青少年球员运动表现的客观、全面评估。

主权项：1.足球比赛综合运动表现评估方法，其特征在于，包括如下步骤：S1、获取比赛视频和可穿戴传感器的原始数据，提取比赛数据并预处理，得到预处理的比赛数据；比赛数据包括事件数据和追踪数据；S2、基于预处理的比赛数据，提取比赛基础特征和比赛高级特征，形成基础特征空间和高级特征空间，并分别进行降维处理，得到最相关的特征空间集合；S3、依序调用预配置的传球危险系数模块和危险传球分类模块，以最相关的特征空间集合作为输入，获得每一传球的危险系数，根据预设阈值筛选出危险传球事件，针对危险传球事件进行分类；S4、基于危险传球事件生成传球网络和球员移动轨迹图，调用预配置的球员表现评分模块，获得每个球员的表现得分数据，评估团队和个人表现并输出评估结果；步骤S1进一步为：S11、使用多台高速摄像机捕捉整场比赛，获取比赛视频；从球员佩戴的传感器中获取原始数据，包括位置、速度和加速度；从官方记录中获取比赛元数据，包括比赛日期、场地信息和球员名单；S12、基于比赛视频，提取球员和球的位置信息，得到每帧球员和球的坐标；对传感器中的原始数据进行融合，得到高精度的球员位置和运动参数；同时对比赛元数据进行人工标注，得到事件的时间戳和位置信息；数据融合的过程包括：将GPS和IMU数据组织成三阶张量，使用平行因子分析法进行张量分解，提取潜在特征；通过自适应粒子群优化算法动态调整分解参数，最小化重构误差；利用提取的特征重构高精度位置和运动参数，包含融合后的3D位置、速度、加速度和姿态数据；其中，三阶张量为时间、传感器类型和测量值；S13、将每帧球员和球的坐标、高精度的球员位置和运动参数、事件的时间戳和位置信息汇集形成比赛数据，将比赛数据转换为标准化的足球球员动作描述语言格式，输出统一格式的比赛数据；S14、使用动态时间规整算法将统一格式的比赛数据进行时间对齐，使用仿射变换将时间对齐后的比赛数据的所有空间坐标转换到统一的场地坐标系统，得到标准化的空间数据；S15、对空间数据进行数据清洗和数据插值，得到最终的预处理的比赛数据；包括：还包括S16、对预处理的比赛数据进行质量控制，具体为：S161、使用隔离森林算法识别潜在最终预处理的比赛数据中的异常数据点，得到带有异常标记的数据集；S162、将带有异常标记的数据集与原始视频进行人工交叉验证，确保数据准确性，输出验证后的最终数据集；S163、输入验证后的最终数据集和原始传感器数据，使用粒子滤波算法进行多源数据融合，输出高精度、高可靠性的综合数据集；步骤S4进一步为：S41、基于危险传球事件，构建加权有向图，加权有向图的节点为球员，边为传球，权重为传球次数；S42、基于危险传球事件，提取每个球员的轨迹数据，对轨迹数据进行平滑处理，使用滑动窗口法将平滑后的轨迹数据分割为不同比赛阶段，并生成不同比赛阶段的球员移动轨迹图；S43、将最相关的特征空间集合、加权有向图和球员移动轨迹图进行整合，得到整合特征，调用预训练的线性支持向量分类器模型，计算每个球员在不同位置的表现得分数据；S44、基于表现得分数据，构建综合评估模型，计算团队级指标，包括每次防守行动的传球数、控球率和进攻效率；S45、基于表现得分数据，使用雷达图展示每个球员在不同维度的标准化得分，基于标准化得分，使用动态时间规整算法分析球员在不同比赛阶段的表现变化；S46、基于团队级指标和球员在不同比赛阶段的表现变化，生成评估结果；步骤S43还包括计算表现得分数据的加权平均得分，具体为：S43a、使用Z-分数标准化方法，将表现得分数据转换为标准化得分数据；S43b、基于预处理的比赛数据，使用模糊C均值算法计算球员在不同角色上的隶属度；uij=1∑k=1k||xi-Cj||||xi-Ck||2m-1；其中xi表示第i个数据点，Cj表示第j个簇的质心，Cj=∑i=1nuijm∙xi∑i=1nuijm，uij表示数据点i对簇j的隶属度，m表示模糊指数，||xi-Cj||表示数据点i到簇j的距离；S43c、将标准化得分数据和球员在不同角色上的隶属度结合，计算得到加权平均得分；步骤S2进一步为：S21、基于预处理的比赛数据，计算得到比赛基础特征，包括球员级特征、团队级特征和比赛级特征；S22、基于预处理的比赛数据和比赛基础特征，构建比赛高级特征，包括空间特征、时序特征和战术特征；S23、基于比赛基础特征和比赛高级特征，计算斯皮尔曼秩相关系数矩阵，基于斯皮尔曼秩相关系数矩阵，使用层次聚类算法识别高度相关的特征组，并输出相关性分析报告；S24、基于相关性分析报告，对斯皮尔曼秩相关系数矩阵进行非线性降维，得到降维后的特征矩阵，计算特征矩阵的特征重要性得分，输出特征重要性排序列表；S25、基于特征重要性排序列表，使用自助抽样法结合最小绝对收缩和选择算子回归进行稳定性选择，得到稳定特征子集，基于稳定特征子集，构建新的组合特征和交互特征，形成扩展特征集；S26、基于降维后的特征矩阵和扩展特征集，使用弹性网络回归选择最终特征子集，得到最相关的特征空间集合；步骤S3进一步为：S31、将最相关的特征空间集合输入预训练的极端梯度提升模型参数，计算得到每次传球的射门概率；S32、将最相关的特征空间集合输入预配置的逻辑回归模型，计算得到每次潜在射门的进球概率；S33、基于射门概率和进球概率，计算每次传球的危险系数，将危险系数与预设阈值进行比较，标记超过预设阈值的传球为危险传球事件；S34、对每个危险传球事件，使用k-近邻算法构建局部图结构，节点表示球员，边表示位置关系，使用图注意力网络处理局部图结构，生成传球的低维嵌入表示；S35、基于低维嵌入表示，采用密度聚类算法将危险传球事件进行分类，基于分类的结果和预定义的战术模板，为每类危险传球事件赋予战术含义标签；步骤S21中计算得到团队级特征具体为：S21a、基于预处理的比赛数据，使用持续同调技术构建团队形状的拓扑特征；S21b、将拓扑特征中的高维团队位置数据映射到低维流形，得到低维流形的数据表示；S21c、在低维流形上使用谱聚类识别数据表示的团队形态模式；S21d、基于团队形态模式，计算得到团队覆盖面积、形状复杂度和动态变化指标；S21e、基于团队覆盖面积、形状复杂度和动态变化指标，形成团队级特征；步骤S22中构建时序特征具体为：S22a、基于预处理的比赛数据和比赛基础特征，使用延迟坐标嵌入方法重构团队动力学的相位空间；S22b、在不同时间尺度上计算相位空间的样本熵；S22c、使用希尔伯特-黄变换技术提取相位空间的战术节奏，包括瞬时频率和振幅；S22d、基于样本熵和战术节奏，构建多维战术节奏描述符，即时序特征；步骤S24的计算特征矩阵的特征重要性得分具体为：S241、构建贝叶斯网络模型，捕捉特征矩阵中特征间的因果关系；S242、基于因果关系，使用反事实推理计算每个特征对比赛结果的因果效应值；S243、基于因果效应值，采用知识蒸馏技术，提取关键特征重要性信息；S244、基于关键特征重要性信息，结合自举法采样估计特征重要性得分。

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 足球比赛综合运动表现评估方法和系统