文摘
随着技术的进步和战术,足球比赛的节奏变得越来越快,导致更加激烈的竞争行为在一场足球比赛;这两名球员的身体接触也越来越多,和足球运动员犯规的频率是越来越高。这导致犯规的球员。因为错误的视觉分析、高层足球运动员在人群中,传统的足球运动员的犯规行为特征提取方法有犯规动作特征提取精度较低的问题。本文主要研究足球运动员的特征提取的基于机器视觉的犯规动作。要解决这些问题,本文运用机器建立足球运动员犯规动作特征提取方法,利用机器视觉系统获得足球运动员动作形象,基于阈值识别算法来识别足球运动员的犯规动作。基于犯规动作的识别形象,犯规动作序列的势函数序列建立了哈里斯的3 d运营商和足球运动员犯规动作的特征数据过滤的演算法。仿真结果表明,该方法具有较高的精度识别高层足球运动员犯规的,有效地减少了识别错误。本文提出的方法能有效地分析犯规动作的特点,帮助足球俱乐部发展更完美的战术。
1。介绍
的过程中频繁犯规在足球比赛中,为了确保足球运动员的安全,让他们玩在最高的层次上,国际足联不断修改和完善足球比赛的规则。足球比赛强度的增加为裁判的判断带来了巨大挑战。
特征提取的研究基于机器视觉的足球运动员的犯规动作吸引了许多专家的兴趣和已被许多研究团队。例如,一些团队发现,在分析直接任意球的犯规的特点在第17届世界杯的最后阶段,土地运行分析直接任意球的犯规位置和区域特征,并认为当代足球比赛主要是直接任意球的犯规犯规,所有这些都是由下肢犯规,犯规大多是绊倒,其次是推、拉、踢。直接任意球在中场犯规是最常见的,尤其是在中场附近,在后面,在前面,犯规更加频繁(1]。左Haochang犯规特征的比较研究表明,在2010年和2006年世界杯决赛的犯规在2006年世界杯球队的数量明显高于2010年世界杯。通过比较和分析的犯规总数在过去三世界杯球队,犯规的数量逐年减少。在比赛中犯规的数量显然是与最终结果有关,和团队有良好的犯规小于团队犯规(较差2,3]。通过分析2004年欧洲杯球员犯规,有些团队发现2004年欧洲杯犯规超过了今年上半年下半年由于缺乏物理储备在下半场的比赛,比分差距。据统计的犯规,欧洲球员犯规在上肢比下肢(4]。统计球员的犯规特征的研究在2004年亚洲杯和同年的欧洲冠军杯,发现在今天的足球比赛中,球员在欧洲和亚洲更活跃的犯规的动机。还有更糟糕的犯规,进攻犯规5]。上半年和下半年的比赛,有一个高发病率的犯规。研究发现,在上面的两个时期,玩家的心态发生了很大的变化,下半年的下半年,由于体能的下降和在该领域的差距分数,那是容易犯规(6]。两个杯赛的共同特性,下半年比上半年红色和黄色卡片。在禁区的特点是最多的在欧亚中场犯规,同样数量的前锋球员犯规,更在亚洲杯的后场犯规,犯规在前场的欧洲冠军杯。最后,欧洲在上肢比下肢犯规,其中大多数是推动和跳闸。亚洲对下肢犯规超过上肢,专注于把犯规和踢7]。虽然他们的研究成果非常丰富,仍有一些缺点。
本文的目的是理解男性和女性运动员的犯规特征在世界上高水平的足球比赛,并提供一个理论参考我们的男性和女性运动员和教练学习世界上强大的球队的犯规特征。同时,它提供了理论参考各级为男性和女性裁判去理解和研究高水平的犯规特征和世界强队,提高各级专业的裁判水平,关注男性和女性之间的差异在未来竞争执法,确保比赛的顺利进行,促进正常发挥的技能和战术的运动员。
2。方法
2.1。犯规动作识别
根据足球运动员的动作图像,阈值识别算法用于识别足球运动员的犯规行为,并准备建立势函数序列的犯规动作。更复杂的情况将出现在一场足球比赛,导致玩家的行动的复杂背景图片。因此,阈值识别算法用于识别犯规动作。假设有效像素的数量操作图像是东北的,动作的图像是一个矩阵,和四个点的坐标一个(x1,y1),b(x2,y2),c(x3,y3),d(x4,y4),计算参数的公式P和年代如下所示(8]。
2.2。建立预订势函数的犯规动作
使用犯规动作识别结果,哈里斯的3 d运营商建立势函数序列的犯规动作,为特征提取提供支持的犯规动作。Harris3D算子用于我的犯规动作,提取时空兴趣点图像中每个不同的犯规动作,梯度直方图的特点和拖缆直接图得到,分为72和90维度,融合梯度直方图,和流动方向直方图,得到一个162维的特征向量,这是一个潜在的犯规行为的特性。选择一个足球运动员的关键,如。xzi,yzi),根据人体的结构特点,足球运动员的身体分为7个本地参考点:肩、左和右手臂,左右腿,左右脚,例如(人工智能,bi),n代表当地的参考中心,它被称为一个兴趣点,七个地区根据本地参考点;(xj)和(yj)代表感兴趣的每一个点在时间和空间9]。
2.3。特征提取的犯规动作
势函数序列的基础上,足球运动员的特征数据的犯规行为筛选的增强算法,训练的特征提取和识别足球球员的犯规行为实现。假设足球运动员犯规动作图像训练样本集(x1,y1)…(习,易)…(xn,yn),习表示犯规动作图像样本数据,易表示犯规动作图像样本。任何犯规动作的示例数据的训练样本N作为已知的样本。学习演算法是一个弱分类器,训练样本。假设,基于φ(y,h,x),抽样误差的足球运动员的犯规动作图像计算和公式(4获得),εt代表了样本误差率(10]。
根据公式的计算结果(4),提取的犯规动作的特点是标记为1,其余被标记为−1。通过迭代的方法,特征提取模型建立了足球运动员的犯规行为。模型的表示如下(11]:
的迪代表了我犯规动作序列中的特征数据,C(dj)代表犯规动作特性的分类训练样本中的数据。根据公式(5),足球运动员的行为特征提取的基于机器视觉的实现。
2.4。建立会员矩阵
使用集群底部犯规动作特性K的意思是,K,得到的集群中心K×162 -维犯规动作形象,同时生成三个层次和犯规动作图像的七个领域,每个领域的行动T时空框架的定义是犯规动作模块,代表的特点,足球运动员的犯规行为的一部分。当单位两个重叠的犯规动作形象T/ 2帧连接,所有的动作单位在每个犯规动作形象是有机合成,一系列的时间和空间犯规动作与长度单位,k意味着集群、回声的特点弓action-image测量的犯规动作数据集得到公式(6),《外交政策》代表了弓犯规动作形象的功能p呼应,Kn显示集群中心犯规的数量范围,和N代表着时间和空间的序列长度单位的犯规动作形象(12]。
融合公式是弓,《外交政策》代表本级每个区域的融合特征。
3所示。实验
3.1。实验数据来源
有超过200的论文“运动员犯规,足球运动员犯规”,在犯规和20多个研究男人的特点,包括3优秀硕士论文和9女足球运动员的犯规特征研究,包括1优秀的硕士论文。然而,有几篇文章在男性和女性运动员的犯规特征。因此,本文以男性和女性运动员为研究对象。
3.2。实验设计
本文研究高级运动员的犯规特征通过文学、调查、录像观察、数据统计以及其他科学研究方法通过技术统计研究57犯规的女足世界杯和32欧冠的球队。
4所示。结果
4.1。分析时间的男性和女性运动员得到红色和黄色卡片
从图可以看出1,得到的黄牌数量的男运动员在第四阶段是33,占总数的28.45%的黄牌。在游戏中继续激烈竞争,希望能尽快打开得分掌握主动权。如图1,红牌的峰值出现在最后的15分钟,表明球队运动员不惜一切代价实现或平等分享胜利,胜利和失败的心理使他们使用激烈,咄咄逼人,和有害的防御措施,以防止对方威胁攻击,即使犯规球员被裁判罚下显示出红牌,另一边是难以充分利用增加游戏的优势。
4.2。区域分析,红色和黄色卡片从不同位置运动员的男性和女性
图2表明,男人的前进,卫兵把7和14张黄牌在中场,35%和38.88%,分别;前卫的正面和背面有10张黄牌和17张黄牌,占总数的17.54%和26.32%的黄色卡片收到的前卫,这表明男性的防守区域的向前和警卫正在扩大,不仅在自己的领域。vanguard中场和后卫可以去协助先锋发起激烈的一起抢劫,前卫的团队可以配合团队,以便另一方不能通过轻松,回到后场区域帮助保护设置防线,确保不会丢失目标。
4.3。分析男性和女性运动员的犯规时期
我们可以看到从图3第一、第四和第六行打破男性的脚运动员犯规时间的图表中的所有点是高峰位置,呈现出逐渐上升的趋势,这三个点的第一个15分钟上下两半,最后15分钟是接近比赛结束是最好的球员犯规。
犯规的数量在第一阶段犯规的占总数的17.43%。一方面,这表明前15名运动员想运用自己丰富的体力发挥他们的技术和战术优势,抑制对手的技能和策略,获得积极的目标和获得心理优势;另一方面,作为游戏的执法者,为了更好的控制和指导比赛,裁判更严格的前15分钟,游戏的开始,导致上半场犯规在前15分钟。在第四阶段的犯规数为18.27,因为教练战术安排和调整下半年,和15分钟的中场球员恢复,所以球员们更强烈下半年的第一个15分钟,经常想打开或赢。的犯规数第六个阶段达到19.01,因为下半场的最后15分钟是游戏的关键阶段,分数可以重写过去15分钟,领导团队想要保持优势,赢得比赛,当比赛最后15分钟,国防慢了下来。
4.4。分析运动员犯规类型的男性和女性
表1和图4显示犯规类型的比例在2019年女足世界杯的球员。女性球员踢的方式,推动,掠夺,跌倒、碰撞,和拉,犯规的占总数的83.86%。的一个最严重的犯规是玩还是尝试,有102次犯规,犯规总数的18.72%,其次是推动和拦截对方15.78%,旅行占14.5%,互相碰撞占10.83%,拉动占8.62%。
视频游戏的女足世界杯,它可以发现,球员在球场上的速度和力量与上届世界杯相比,特别是在德国,巴西和美国,运动员的体能接近男人的足球运动员,尤其是在防守球员,能够使用身体对抗和抢劫碰撞和跳闸犯规的比例增加。从防守技术的分析,抢球的技术主要是由下肢,和犯规动作在抢球的过程中应该主要踢,跳闸,抢夺对方。这些犯规被直接进攻,命中率下降,失去控制,可以防止对方攻击的目的。由于统计的规模的改善前两个女子足球世界杯,犯规的处罚增加,和犯规的数量明显的效果也表现出下降的趋势,这就是为什么把犯规的比例逐渐减少。
4.5。实验环境和分析参数
为了确保测试结果的公平,犯规动作捕获测试房间设置,和三个摄像机安装获得行动图。机器视觉系统OV7670模型相机参数设置如表所示2。
4.6。特征提取的准确性犯规的不同的方法
犯规行为间接影响的识别参数特征提取的准确性的犯规行为。犯规动作的识别参数越大,特征提取的准确性就越高。犯规行为的识别参数通过实验获得的。实验结果如表所示3。
表中的数据3表明,犯规行为的识别参数的范围是9.02 - -10.23,和传统的代表方法是3.98 - -5.12和5.12 - -6.94,分别。相比之下,拟议的犯规行为的识别参数远高于传统的识别方法。这是因为犯规的方法提取特征图像,建立了势函数的犯规动作序列,并详细分析。因此,方法的犯规动作识别的准确性提高。
5。结论
在本文中,基于机器视觉的方法来提取足球运动员的犯规行为特征。通过获取图像和分析图像特性,足球运动员的犯规行为的特征提取。仿真结果表明,该方法可以有效地识别足球运动员的犯规行为。传统的足球运动员的犯规动作特征提取方法是犯规的行为描述为一系列的符号,分解每个符号,并确定犯规动作特性。然而,该方法的特征提取精度较低的问题,在高级足球游戏。为了解决上述问题,提出了一种基于机器视觉的方法来提取足球运动员的犯规动作特点。机器视觉是人工智能发展的一个分支。目标转换成图像信号主要是通过机器视觉产品和传播到特殊的图像处理系统。
数据可用性
数据基础的研究结果中可用的手稿。
的利益冲突
作者声明没有潜在的利益冲突。
确认
这项工作是支持的教学模式的探索和实践“用竞争实践,结合竞争与实践”在大学足球的背景下应用人才培养(没有。j2021735),教学改革和创新的项目于2021年在山西省高校(通用项目)。