[發明專利]通過機器學習構建球員帶球關系的方法、裝置及系統

有效

• 申請號: 201810978562.1
• 申請日: 2018-08-27
• 公開（公告）號: CN109165686B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 嚴煒;孟建
• 申請（專利權）人: 成都精位科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 鄧超

本發明提供了一種通過機器學習構建球員帶球關系的方法、裝置及系統，涉及數據分析技術領域。通過超寬帶定位系統獲得足球和球員的位置坐標，并建立球員對應的數學模型，再采用機器學習算法對相關數學模型進行處理，使得對每個球員的帶球關系可以通過模型進行分類，可以更加準確、真實的反映出球場上球員與足球的關系，為球員的數據統計提供更具有價值的數據參考。超寬帶定位系統的定位精度高，數據采集效率更高。并且，在機器學習過程中，隨著數據量的不斷增大，數學模型輸出的準確性也可以不斷提升。

技術領域

本發明涉及數據分析技術領域，具體而言，涉及一種通過機器學習構建球員帶球關系的方法、裝置及系統。

背景技術

在各種運動中，對于一名運動員的運動能力的評價一般只能通過人來進行，即使通過各種設備能夠獲取運動員的運動狀態，但對于運動員的評價十分主觀和片面。例如，在足球運動中，對于一名球員在賽場上的運動狀態只能通過大量的后臺人員進行數據的采集，采集效率低，數據分散，無法提供有價值的數據參考。

發明內容

有鑒于此，本發明提供了一種通過機器學習構建球員帶球關系的方法、裝置及系統。

本發明提供的技術方案如下：

一種通過機器學習構建球員帶球關系的方法，應用于超寬帶定位系統，所述超寬帶定位系統包括多個定位基站、多個球員標簽和至少一個足球標簽，所述超寬帶定位系統通過所述定位基站確定所述球員標簽和足球標簽的位置坐標，該通過機器學習構建球員帶球關系的方法包括：

分別確定所述球員標簽和足球標簽的位置坐標數據；

根據所述球員標簽和足球標簽的位置坐標數據，確定每個時刻距離所述足球標簽最近的球員標簽；

根據每個時刻距離所述足球標簽最近的球員標簽，建立帶球數據的數學模型；

通過插值法來對所述帶球數據進行平滑處理，以過濾掉所述帶球數據中的噪點數據；

通過預設機器學習算法，校準所述數學模型。

進一步地，根據所述球員標簽和足球標簽的位置坐標數據，確定每個時刻距離所述足球標簽最近的球員標簽的步驟包括：

將所述位置坐標數據轉換為數據矩陣；

建立與每個球員標簽對應的球員矩陣，所述球員矩陣包括與每個所述球員的位置坐標數據對應的時間戳及坐標數據；

建立與所述足球對應的足球矩陣，所述足球矩陣包括與所述足球的位置坐標數據對應的時間戳、橫坐標數據及立坐標數據；

根據所述球員矩陣和足球矩陣，計算每個時刻每個所述球員與所述足球的距離；

根據預設函數確定每個時刻距離所述足球標簽最近的球員標簽。

進一步地，根據所述球員矩陣和足球矩陣，計算每個時刻每個所述球員與所述足球的距離采用以下公式計算：

其中，δ為所述球員與所述足球的距離；s1為每個時刻所述球員的橫坐標信息與所述足球的橫坐標信息的差值；s2為每個時刻所述球員的立坐標信息與所述足球的立坐標信息的差值。

進一步地，根據預設函數確定每個時刻距離所述足球標簽最近的球員標簽的步驟包括：

對通過所述球員矩陣和足球矩陣計算得到的每個時刻每個所述球員與所述足球的距離構成的矩陣中，每行數據通過以下函數取最小值，得到每個時刻距離所述足球標簽最近的球員標簽：

result[list(range(1,14))].min(axis＝1)。

進一步地，根據每個時刻距離所述足球標簽最近的球員標簽，建立帶球數據的數學模型的步驟包括：