[論文レビュー] Automatic event detection in football using tracking data

Ferran Vidal-Codina, Nicolas Evans+2 more|arXiv (Cornell University)|Feb 1, 2022

Sports Analytics and Performance被引用数 9

ひとこと要約

本論文では、2次元の選手およびボールのトラッキングデータを用いて、まず各フレームごとのボール支配を特定し、その後にサッカーのルールを適用して試合中のイベントおよびセット-pieceを自動で検出する決定木ベースの決定的アルゴリズムを提案する。この手法は、複数の大会およびトラッキングデータプロバイダーにおいて90％を超える検出精度を達成しており、手動アノテーションが不要なスケーラブルで一貫性があり、文脈を反映したイベントデータ生成を可能にする。

ABSTRACT

One of the main shortcomings of event data in football, which has been extensively used for analytics in the recent years, is that it still requires manual collection, thus limiting its availability to a reduced number of tournaments. In this work, we propose a deterministic decision tree-based algorithm to automatically extract football events using tracking data, which consists of two steps: (1) a possession step that evaluates which player was in possession of the ball at each frame in the tracking data, as well as the distinct player configurations during the time intervals where the ball is not in play to inform set piece detection; (2) an event detection step that combines the changes in ball possession computed in the first step with the laws of football to determine in-game events and set pieces. The automatically generated events are benchmarked against manually annotated events and we show that in most event categories the proposed methodology achieves $+90\%$ detection rate across different tournaments and tracking data providers. Finally, we demonstrate how the contextual information offered by tracking data can be leveraged to increase the granularity of auto-detected events, and exhibit how the proposed framework may be used to conduct a myriad of data analyses in football.

研究の動機と目的

• 手動によるイベントデータ収集には主観的で時間がかかり、多くのサッカー大会で利用できないという限界を是正すること。
• トラッキングデータとサッカーのルールのみを用いて、自動的でスケーラブルかつ一貫性のあるイベントデータ生成手法を開発すること。
• 選手の位置、ボール支配、チーム編成などの文脈的情報を統合することで、イベントの粒度を向上させること。
• 自動生成されたイベントをビデオデータおよびトラッキングデータと同期させることで、統合的でクエリ可能なデータセットを実現し、高度なサッカー分析を支援すること。
• 将来的にビデオベースのイベント検出や音声の手がかり（例：レフェリーのホイッスル）を統合することで、レアケースや境界事例の検出を向上させる基盤を構築すること。

提案手法

• アルゴリズムは2段階のプロセスを用いる：まず、空間的接近度、速度、ボールの軌道解析を用いて、各フレームでどの選手がボールを保持しているかを特定するボール支配段階。
• 非プレー時（例：セット-piece）における選手の配置を、空間的クラスタリングと位置の安定性分析によりモデル化する。
• ボール支配の変化および選手の位置変化の遷移にサッカーのルールを適用し、パス、シュート、ゴール、ファウル、セット-pieceなどのイベントを分類するイベント検出段階。
• ピッチの位置に応じた可変半径のゾーンや相手選手との距離に着目した空間的・時間的パターンを活用し、意図やイベントタイプを推定する。
• チームフォーメーション、プレッシャー指標、ボール支配時間などの文脈的情報を統合することで、イベント分類の精度を向上させる。
• 計算負荷が低く、さまざまなトラッキングデータプロバイダーおよびスタジアム環境に適応可能な設計である。

実験結果

リサーチクエスチョン

• RQ1 2次元トラッキングデータとサッカーのルールのみを用いて、手動アノテーションなしでサッカーイベントを正確に検出できるか？
• RQ2 ボール支配トラッキングおよび選手配置の分析を組み込むことで、基本的な運動ベースの手法と比較して、イベント検出の正確性がどの程度向上するか？
• RQ3 本フレームワークは、データ品質や解像度が異なるさまざまな大会およびトラッキングデータプロバイダー間で、どの程度一般化可能か？
• RQ4 重心のトラッキングデータのみを用いて、スラッグ、オフサイド、パスの種別といった洗練されたイベントを検出できるか？
• RQ5 音声のホイッスルや四肢のトラッキングなどの追加データソースを統合することで、曖昧またはレアなイベント（例：VAR介入、ドロップボール対フリーキック）の検出性能がどの程度向上するか？

主な発見

• 提案されたアルゴリズムは、ほとんどのイベントカテゴリで90％を超える検出率を達成しており、多様な大会およびトラッキングデータプロバイダーにおいて高い正確性と頑健性を示している。
• フレームワークは、ゴールやシュートといった一般的なイベントに加え、複雑なセット-pieceやボール支配の遷移を高精度で特定できている。
• ボール支配に基づくヒートマップとフレームレベルのボール支配トラッキングを統合することで、チームおよび個々の選手レベルでのより詳細で文脈に即したイベント分析が可能になった。
• 自動生成されたイベントデータは、ビデオデータおよびトラッキングデータと同期されており、高度なアナリティクス、ビデオセグメンテーション、ターゲット指定のイベントクエリが可能になっている。
• 本手法は計算効率が高く、スケーラブルであるため、アマチュアおよびプロのサッカー連盟における広範な展開に適している。
• 将来的には、音声の手がかりやビデオベースの分類器を統合することで、VAR介入やドロップボール対フリーキックといったレアまたは曖昧なイベントの検出がさらに向上すると予想される。