AI如何通过“轨迹”看懂足球转播比赛

在体育领域，足球转播视频的自动化分析一直备受关注。这项技术在赛事检索、精彩片段总结、战术分析以及视频质量增强等方面都有着较好的应用潜力。想要让计算机真正“看懂”比赛，最核心也是最基础的一步，就是在视频画面的每一帧中精准地找到那颗足球。

实际的电视转播画面中，找球是一项极具挑战性的工作。正如论文中图1所示，转播画面中的足球存在以下诸多难点：

（1）足球在运动中会发生不规则的形变，其大小、形状、颜色和速度都在不断变化。

（2）画面中有很多与足球极其相似的物体，比如球员白色的鞋子或袜子。

（3）足球在全景画面中显得非常小。

（4）足球经常与场地的白线重叠，或者被球员的身体遮挡。

为了解决上述难题，研究人员放弃了传统的“逐帧认球”模式，提出了全新的“基于轨迹（Trajectory-Based）”的足球检测与追踪算法，在此基础上开发了视频语义分析系统。

传统的对象识别算法试图在单张画面中分辨出谁是足球，但极易受到长得像足球的物体的干扰。研究人员提出的新思路是：不要孤立地判断某一个物体是不是球，而是去评估一段连续的运动轨迹是不是“属于足球的轨迹”。

第一步：足球尺寸估算 (Ball Size Estimation) 想要找球，得先知道球在画面中大约有多大。由于摄像机的远近推拉，球的像素大小会变。系统会聪明地寻找画面中已知大小的参照物：

（1）系统会优先识别场地中央的白线椭圆（如图3所示）。

（2）如果看不到中场线，系统会去寻找球门（如图4所示）。

（3）如果这两者都不在画面内，系统会通过推算场上球员的身高来估算足球的尺寸。

第二步：候选目标筛选 (Candidate Detection) 利用估算出的尺寸，系统建立了一系列“筛子”来过滤干扰项。比如利用尺寸筛子过滤太大或太小的物体，利用形状筛子过滤掉长条状的物体，以及利用颜色筛子剔除颜色不符的像素块。剩下来的，都是长得比较像足球的“候选人”。

第三步：生成候选轨迹 (Candidate Trajectory Generation) 利用 “卡尔曼滤波（Kalman filter）”的数学工具，系统将连续几帧画面中的候选人连接起来，形成多条候选的运动轨迹。

第四步：轨迹的甄别与延伸 (Trajectory Processing)系统对所有的候选轨迹进行打分和甄别（如图5详细展示了不同处理阶段的候选点和轨迹变化）。可能有一名球员的白鞋子在一段时间内被误认为是球，但鞋子的运动轨迹和真正的足球在空中的飞行轨迹是完全不同的。系统通过迭代处理，保留真实的足球轨迹，并利用插值方法填补足球因被遮挡而短暂消失的轨迹空白。

找到了足球的轨迹，AI就不再只是个“找球机器”，它开始真正具备了“看懂”比赛的能力。研究人员发现，基于足球的物理运动轨迹，可以推导出球员的动作，进而识别出比赛中的重要事件。

1. 基础动作识别：触球与传球

（1）找触球点： 球员为了控制比赛，必然会去踢球。每一次触球，都会导致足球的运动方向和速度发生瞬间改变。通过分析足球轨迹上的“折返点”（如图7和图8中标记的垂直线段），系统就能精准捕捉到球员触球的瞬间。

（2）找传球： 如果在两次触球之间，足球划出了一道长长的、平滑的轨迹，这就构成了一次传球动作（如图9所示）。

2. 进球判断

识别进球是一个相对复杂的事件（架构如图10所示）。系统不仅需要检测到足球飞向了球门区域，还需要结合足球的轨迹和球门的相对位置判断。为了防止将“险些破门的擦边球”误判为进球，系统甚至可以融合裁判的哨声和观众的欢呼声等多媒体数据进行最终确认。

3. 控球率统计

有了触球点，系统还会截取触球瞬间足球周围的画面，识别出是哪位球员踢了球。系统通过“支持向量机（SVM）”工具分析该球员球衣颜色的直方图，分辨出他属于哪支队伍。这样一来，两支球队各自的控球时间都能被自动统计出来。

4. 比赛节奏分析 (Play-Break Structure)

一场足球比赛由“进行中（Play）”和“中断（Break，如死球、出界）”组成。系统根据足球的运动速度（比赛进行时球速通常较快），并结合裁判的哨音特征（如图11和图12所示），能够自动将一场漫长的比赛视频精准切割成不同的节奏片段。

为了验证这套系统的实际使用情况，研究团队提取了2002年FIFA世界杯决赛的真实转播画面进行了测试。实验包含了15段长短不一、涵盖特写和全景的复杂比赛片段（总计176秒）：

（1）在包含足球场地的视频片段中，系统找球和追踪的准确率从以往的85%大幅跃升到了96%。

（2）在动作识别方面，系统能够以极高的精度（Precision）找出比赛中的触球、传球以及进球事件。

（3）比赛的中断与进行状态（Play-break）分析，在绝大多数测试片段中达到了100%准确率。

学者介绍：余新国，华中师范大学国家数字化学习工程技术研究中心教授、博士生导师，澳大利亚伍伦贡大学名誉教授，湖北省智能科教研究会会长。主要研究方向包括人工智能教育、智能教育技术、教育机器人、智能教学系统，以及视频分析、计算机视觉、人机交互与多媒体技术，聚焦人工智能赋能教育与科研、智能科教系统研发及教育场景应用等问题。

ORCID：0000-0001-8379-6742

DOI：10.1145/957013.957018