[논문 리뷰] Using Player's Body-Orientation to Model Pass Feasibility in Soccer

Adrià Arbués-Sangüesa, Adrián Martín외 3명|arXiv (Cornell University)|2020. 04. 15.

Video Analysis and Summarization참고 문헌 27인용 수 33

한 줄 요약

이 논문은 선수의 신체 방향, 수비 위치 및 공간적 근접도를 통합하여 축구에서 가장 타당한 패스를 예측하는 계산 모델을 제안한다. 단일 카메라 영상과 자세 추정을 사용하여 각 잠재 수비수에 대해 기하학적 타당성 점수를 계산하며, 신체 방향을 특성으로 포함할 경우 기존 최고 수준의 패스 예측 모델보다 유의하게 향상되어 Top-3 정확도가 0.7 초과를 기록한다.

ABSTRACT

Given a monocular video of a soccer match, this paper presents a computational model to estimate the most feasible pass at any given time. The method leverages offensive player's orientation (plus their location) and opponents' spatial configuration to compute the feasibility of pass events within players of the same team. Orientation data is gathered from body pose estimations that are properly projected onto the 2D game field; moreover, a geometrical solution is provided, through the definition of a feasibility measure, to determine which players are better oriented towards each other. Once analyzed more than 6000 pass events, results show that, by including orientation as a feasibility measure, a robust computational model can be built, reaching more than 0.7 Top-3 accuracy. Finally, the combination of the orientation feasibility measure with the recently introduced Expected Possession Value metric is studied; promising results are obtained, thus showing that existing models can be refined by using orientation as a key feature. These models could help both coaches and analysts to have a better understanding of the game and to improve the players' decision-making process.

연구 동기 및 목표

• 선수의 신체 방향, 수비 위치 및 공간적 근접도를 사용하여 축구에서 패스 타당성을 추정하는 계산 모델을 개발하는 것.
• 기존 모델이 선수의 방향을 무시하는 점을 보완하여, 신체 방향이 패스 결정에 미치는 영향을 정량화하는 것.
• 신체 방향을 핵심 특성으로 통합함으로써 기존 최고 수준의 패스 예측 및 예상 소유가치(EPV) 모델을 향상시키는 것.
• 실시간 축구 영상 분석에서 공격수 간의 방향 타당성 측정을 위한 기하학적 프레임워크를 제공하는 것.
• 방향 데이터가 의사결정 모델링을 향상시켜 코aches와 분석가들에게 실질적인 통찰을 제공할 수 있음을 보여주는 것.

제안 방법

• 상체 자세 키포인트의 2차원 투영에서 최신 자세 추정 모델(OpenPose)을 사용하여 신체 방향을 추정하며, 키포인트가 뒤바뀌는 것을 방지하기 위해 지지 벡터 기반 머신러닝(SVM)을 활용한 오류 보정을 수행한다.
• 패스를 주는 자와 받는 자 간의 상대적 각도를 기반으로 기하학적 타당성 측도를 정의하여, 수비수가 패스를 받는 자의 방향이 얼마나 적합한지 수치화한다.
• 수비 타당성은 패스 라인에서 수비수까지의 최소 거리를 측정하여 계산되며, 높은 수비 압력이 가해지는 대상은 벌점이 부여된다.
• 근접 타당성은 공격수 간의 쌍방향 거리로 모델링되며, 가까운 선수일수록 수비수일 가능성이 높다고 가정한다.
• 모든 세 가지 타당성 점수(방향, 수비, 근접도)를 융합하여 단일 패스 타당성 순위를 도출하는 융합 모델을 구성한다.
• EPV 및 패스 확률 모델과 통합하기 위해, 2차원 필드 맵을 패스를 주는 자에서 받는 자로 향하는 원통형 영역과 그 주변 원판을 사용하여 개별 수비수의 값으로 변환하는 기하학적 매핑 기법을 적용하며, 면적 가중 통합(식 10)을 수행한다.

실험 결과

연구 질문

• RQ1 선수의 신체 방향은 축구에서 패스의 타당성에 어떤 영향을 미치는가?
• RQ2 거리와 수비 위치만을 고려하는 것과 비교해, 방향 기반 기하학적 타당성 측도가 패스 예측 정확도를 향상시키는가?
• RQ3 방향 데이터를 통합함으로써 기존 최고 수준의 모델, 예를 들어 예상 소유가치(EPV) 및 패스 확률 맵이 얼마나 정교해지는가?
• RQ4 2차원 필드 맵에서 방향 데이터를 효과적으로 개별 선수의 타당성 점수로 매핑하는 방법은 무엇이며, 이 과정에서 공간적 맥락을 어떻게 유지할 수 있는가?
• RQ5 방향 기반 타당성은 패스를 주는 자의 시야 외부에 있는 수비수에 대한 잘못된 예측을 줄이는가?

주요 결과

• 방향을 타당성 측도로 포함한 결과, 기준 모델보다 Top-1 정확도가 0.089 향상되고 Top-3 정확도는 0.045 향상되었다.
• 모든 세 가지 타당성 측도(방향, 수비, 근접도)의 조합은 개별 구성 요소보다 우수한 성능을 보이며, Top-3 정확도 0.701을 기록했다.
• EPV 모델과 융합했을 경우, 방향 정보가 포함된 모델은 Top-1 정확도를 0.266에서 0.337로, Top-3 정확도를 0.606에서 0.637로 향상시켰다.
• 패스 확률 모델의 경우, 방향 정보가 추가된 결과 Top-1 정확도가 0.243에서 0.332로 상승하여 예측 능력이 약 10% 향상됨을 확인했다.
• 특히 높은 수비 압력 상황에서, 패스를 주는 자의 시야 외부에 있는 수비수에 대한 오해를 바로잡는 데 방향 데이터가 기여했다.
• 기하학적 통합 기법(식 10)은 2차원 필드 맵을 개별 선수의 타당성 점수에 성공적으로 매핑하여, 기존 최고 수준의 모델과 효과적인 융합을 가능하게 했다.