[논문 리뷰] Automatic event detection in football using tracking data

Ferran Vidal-Codina, Nicolas Evans외 2명|arXiv (Cornell University)|2022. 02. 01.

Sports Analytics and Performance인용 수 9

한 줄 요약

이 논문은 2차원 플레이어 및 볼 트래킹 데이터를 기반으로 결정 트리 기반 알고리즘을 제안하며, 프레임 단위로 볼 휴지권을 먼저 식별한 후 축구 규칙을 적용하여 경기 중 이벤트와 세트-piece를 자동으로 탐지한다. 이 방법은 여러 대회와 트래킹 데이터 제공업체를 통해 90% 이상의 탐지 정확도를 달성하여 수동 애너테이션 없이도 확장 가능하고 일관되며 맥락이 풍부한 이벤트 데이터 생성이 가능하다.

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.

연구 동기 및 목표

• 수동 이벤트 데이터 수집의 한계를 해결하기 위해, 주관적이고 시간이 오래 걸리며 대부분의 축구 대회에서 이용이 불가능한 문제를 해결한다.
• 오직 트래킹 데이터와 축구 규칙만을 사용하여 자동화되고 확장 가능하며 일관된 이벤트 데이터 생성 방법을 개발한다.
• 플레이어 위치, 휴지권, 팀 구성과 같은 맥락적 경기 정보를 통합하여 이벤트의 세분화를 향상시킨다.
• 자동 생성된 이벤트를 영상 및 트래킹 데이터와 동기화하여 쿼리 준비가 가능한 데이터셋을 제공함으로써 고급 축구 분석을 지원한다.
• 미래의 영상 기반 이벤트 탐지 및 오디오 신호(예: 심판의 코스터) 통합을 위한 기반을 마련한다. 이는 간접적인 경우의 탐지 성능 향상에 기여할 것이다.

제안 방법

• 알고리즘은 두 단계 과정을 사용한다: 첫 번째로, 공간적 근접도, 속도, 볼 궤적 분석을 통해 각 프레임에서 어떤 플레이어가 볼을 소유하고 있는지 식별하는 휴지권 단계이다.
• 비경기 간격 동안의 플레이어 구성(예: 세트피스)을 공간 클러스터링과 플레이어 위치의 안정성 분석을 통해 모델링한다.
• 이벤트 탐지 단계에서는 볼 휴지권의 전환과 플레이어 위치 변화에 대해 축구 규칙을 적용하여 패assing, 슛팅, 골, 파울, 세트피스 등을 분류한다.
• 변동 가능한 반경의 영역(경기장 위치 기반)과 상대편 플레이어의 근접도를 포함한 공간적·시간적 패턴을 활용하여 의도와 이벤트 유형을 추론한다.
• 팀 포지션, 압박 지표, 휴지권 지속 시간과 같은 맥락적 데이터를 통합하여 이벤트 분류의 정밀도를 향상시킨다.
• 계산적으로 경량이며 다양한 트래킹 데이터 제공업체와 경기장 환경에 적응 가능한 구조로 설계되어 있다.

실험 결과

연구 질문

• RQ1 수동 애너테이션 없이 2차원 트래킹 데이터와 축구 규칙만으로 축구 이벤트를 정확하게 탐지할 수 있는가?
• RQ2 휴지권 트래킹과 플레이어 구성 정보를 통합할 경우, 기초적인 운동 기반 방법에 비해 이벤트 탐지 정확도는 얼마나 향상되는가?
• RQ3 다양한 대회와 품질 및 해상도가 다른 트래킹 데이터 제공업체 간에 제안된 프레임워크의 일반화 능력은 어느 정도인가?
• RQ4 중심질량 트래킹 데이터만으로도 타격, 오프사이드, 패assing 유형과 같은 세부적인 이벤트를 탐지할 수 있는가?
• RQ5 추가 데이터 소스(예: 오디오 코스터, 사지 트래킹) 통합은 모호하거나 드문 이벤트의 탐지 성능을 어떻게 향상시킬 수 있는가?

주요 결과

• 제안된 알고리즘은 대부분의 이벤트 유형에서 90% 이상의 탐지율을 달성하여 다양한 대회와 트래킹 데이터 제공업체 간에 높은 정확도와 강건성을 입증했다.
• 이 프레임워크는 골, 슛팅과 같은 일반적인 이벤트뿐만 아니라 복잡한 세트피스와 휴지권 전환도 고정밀도로 식별했다.
• 휴지권 기반 히트맵과 프레임 단위 휴지권 트래킹을 통합함으로써 팀 및 개인 플레이어 수준에서 더 세분화되고 맥락 인식이 가능한 이벤트 분석이 가능해졌다.
• 자동 생성된 이벤트 데이터는 영상 및 트래킹 데이터와 동기화되어 있어 고급 분석, 영상 분할, 타겟 이벤트 쿼리가 가능하다.
• 이 방법은 계산적으로 효율적이며 확장 가능하여 아마추어 및 프로 축구 리그 전반에 걸쳐 널리 배포 가능한데 적합하다.
• 향후 오디오 신호 및 영상 기반 분류기 통합을 통해 드문 이벤트나 모호한 이벤트(예: VAR 개입, 드롭볼 vs. 프리킥)의 탐지 성능 향상이 기대된다.