拉夫堡大学的计算机科学家开发了新颖的人工智能(AI)算法，旨在改变足球俱乐部在球场上分析球队和个人球员表现的方式。
项目负责人李百华博士说，这项技术可能会导致这项运动发生重大变化，因为它将使俱乐部能够有效地识别并迅速招募有才华的球员。
当前的球员表现分析是一项劳动密集型过程，需要有人观看比赛的视频录像并手动记录单个球员的动作-这涉及记录球员进行了多少次传球和投篮，动作发生的位置以及是否有动作。成功的结果。
这种方法不仅非常耗时，而且还存在准确性，一致性和可比性的问题，因为它依赖于人类的判断力和缺乏偏见。
市场上已经有一些自动化技术，但是它们只能跟踪球场上的球员(以确定覆盖距离和速度)，但无法提供有关球员所采取行动的详细信息。
为了解决这个问题，李博士和她的团队致力于开发一种混合系统，在该系统中，可以通过基于摄像头的自动方法来加速和补充人类数据输入，以满足对大量足球产生的低成本及时性能数据的高需求。视频。
由英国创新公司(Innovate UK)和Statmetrix(一家专门研究足球表现数据洞察力的公司)合作资助的研究人员，利用计算机视觉，深度学习和人工智能领域的最新成果，实现了三项主要成果。他们是：
1.检测身体姿势和四肢以识别动作
基于AI和深度学习的最新进展，李博士和团队使用AI模型来检测玩家的肢体和姿势，以便可以识别并分析他们的动作。
该技术可以处理视频镜头，检测单个运动员并识别他们是在奔跑，步行还是跳跃，以及与谁一起传球。
研究人员使用深度学习(一种新颖的机器学习最新技术)和计算机视觉来训练AI系统来做到这一点。
深度学习涉及获取复杂的深层神经网络，以学习隐藏的模式并从大量数据中提取判别性特征以进行感知。
在这种情况下，研究人员使用了来自所有不同足球部门的数千个比赛记录(显示了各种球队，姿势，球衣，摄像机角度和背景)来训练AI来检测球员和姿势，从而识别他们的动作，即跑步，走路，用他们的左脚踢。
2.跟踪玩家以获取个人表现数据
除了查看比赛中采取的行动外，负责该项目的研究助理Shreedhar Rangappa博士还训练了深度神经网络，以跟踪个人运动员并在整个比赛视频中收集有关个人表现的数据。
球员追踪将有助于弄清楚球员的位置与其他人的关系-当分析团队运动协调性时，这一信息非常重要。
3.相机拼接
当分析低级联赛或草根游戏时，有限的摄像机覆盖范围(视野)和低分辨率也成为问题，因为通常仅使用廉价的廉价摄像机来记录比赛。
这是有问题的，因为很难记录整个视野，并且玩家可以在图像视图内或之外运行，因此很难对其进行跟踪。
研究人员已经提出了解决方案。他们建议使用两台低成本的消耗品普通摄像机(例如GoPro)，每个摄像机记录一半的足球比赛时间，并开发出一种实用的摄像机缝合方法。
该技术使用两个摄像机的相应特征点来生成整个视野，从而可以更可靠地跟踪和分析玩家。
行业合作伙伴Statmetrix进一步发展了这一想法，并实现了用于自动视图拼接的软件。
该技术目前正在商业试用中，希望有一种新产品能够在市场上销售，并在2020年底前可用于足球俱乐部。
李博士说，这些创新将有助于改善足球各个层次上球员表现分析和才能识别所需数据的访问权限，并且有可能使用该技术来追踪其他运动项目中的球员。
她评论说：“足球的性能数据和比赛分析是这项运动的重要组成部分，可能会对球员和球队的表现产生巨大影响。
他说：“这项先进技术将突出游戏者的技巧和团队合作，从而可以对比赛进行更客观的解释。
“这项创新将对足球行业产生积极影响，并进一步推动体育技术发展，同时为使用数据的球员，教练和招募人员提供价值。”
与拉夫堡大学的合作以及该项目开发的技术支持Statmetrix赢得了享有盛誉的2019年MSDUK创新挑战奖。
Statmetrix首席执行官Olukunle Kayode表示：“我们旨在商业化的解决方案在技术上具有挑战性，但是较低运动级别的数据可用性带来的好处将有助于释放以前尚未开发的人才。”
