足球中的球员检测

在过去的几年里，人们对使用数据来改进足球队的游戏越来越感兴趣。对足球数据的分析和研究可以对多个领域产生积极影响，例如，球员球探、团队游戏(例如，球场控制和xG模型)、球员训练和表现等。

具体地说，计算机视觉可以是从游戏/训练视频中提取相关信息的重要工具。

玩家检测管道

为了从视频片段中检测和识别(通过球衣编号)球员，我建立了一个包含3个步骤的工作流程：

从视觉上看，整个管道定义如下：

1.播放器检测

第一步是最容易实现的。幸运的是，已经有预先训练好的深度学习模型可以用来从图像中检测人，在这种情况下，它将检测足球运动员。

在本例中，我使用了一个使用Darknet框架的预先训练好的YOLO模型，该模型使用Coco数据集中的数千张图像进行训练。使用python，有一个名为dnn的OpenCV模块，其中包含了YOLO/Darknet。查看此链接，了解如何使用YOLO进行对象检测。link

以下是用于加载和检测玩家的Python代码片段

# initialize minimum probability to eliminate weak predictions
p_min = 0.5
thres = 0.

这里有一个例子。蓝色框表示检测到的具有各自概率的玩家。

2.号码检测

第二步重点是检测球员球衣上的号码。

对于这个任务，我使用衬衫上标有数字的数据集(您可以在这里找到更多信息)来训练一个深度学习模型。对图像进行了尺度调整和灰度应用预处理。here

该模型对应于预先训练的VGG模型，在顶部用一些层进行训练(即，转移学习)。以下是模型体系结构的一个片段。

# load the VGG16 network, ensuring the head FC layers are left off

这里有一个例子。红色方框表示检测到的玩家和检测到的数字。

3.号码识别

最后一步涉及检测到的号码的标识。为了完成这项任务，对CNN模型进行了数据增强训练。模型架构如下。

classifier = Sequential()

这里有一个例子。除了玩家和号码检测之外，我们还可以看到预测的人数。

把所有的东西放在一起

通过连续应用这3个步骤，我们可以得到球员的实时预测，包括球衣号码的识别。

下面是一个实时预测的示例。

结束语

在这篇文章中，我介绍了一条检测球场上足球运动员的管道，并在球衣上识别他们的号码。我将这项任务分为3个步骤：玩家检测、号码检测和号码识别。对于每个人，都训练了一个深度学习模型，根据最终目标使用不同的体系结构。

未来的一步是计算球员在球场上的坐标。要实现这一点，首先需要确定节线。

我希望你觉得这篇文章有趣！有关足球数据科学的更多工作，请访问我的repo：https://github.com/danielazevedo/Football-Analyticshttps://github.com/danielazevedo/Football-Analytics