FootApp:一款基于人工智能的足球比赛注释系统

足球比赛分析离不开对球员个人动作和团队协作的精确标注。然而，标注一场90分钟的比赛通常需要6-8小时，涵盖约2000个事件，是一项成本高昂且容易出错的工作。基于此，意大利的研究团队开发出了一款名为FootApp的应用程序，将语音交互、可穿戴传感器与机器学习算法结合起来，为足球标注带来了新的思路。

研究背景与问题

足球赛事标注的核心目的是完整记录比赛中发生的所有事件。通过标注球员个体动作、团队配合行为与赛场运动表现等数据并开展深度分析，可产出球员个人表现评估、球队战术研判等专业分析报告。赛事标注工作不仅需要兼顾球员主动行为与被动行为，也需要从单体球员动作、整体团队战术两大维度同步完成标注。

目前主流半自动足球赛事标注工具多依托摄像设备与计算机视觉技术搭建，虽能有效采集赛场视觉画面信息，但难以精准解析复杂多变的团队战术动态，也无法采集镜头视野范围外的球员相关赛事数据。

为了解决这些问题，FootApp针对以下三个核心问题展开了系统性的研究：

RQ1：如何减轻人工标注的巨大工作负担？

RQ2：如何捕捉传统视频方法难以识别的复杂事件？

RQ3：如何自动检测标注过程中可能出现的错误？

FootAPP整体架构

FootApp是面向足球比赛标注人员的辅助系统，由三大核心模块协同完成标注全流程。系统整体工作逻辑为：

人工借助混合交互界面标注比赛事件→传感器采集运动数据后经机器学习自动识别球员活动→AI错误检测模块完成全量标注的一致性验证。

图1 FootApp的整体系统架构

♦️混合交互界面

FootApp的用户界面融合语音交互与触控交互。研究团队基于WebSpeechAPI构建语音识别和语音合成引擎，可将标注员的语音自动转化为结构化事件标签；对于球员选择这类高度标准化的操作，则通过触控界面快速完成。

图2 FootAPP的用户界面

实证结果表明，“语音+触控”混合交互模式相比传统系统可节省约25%的时间，直接回应了如何减轻人工标注负担的研究问题。系统支持用户自由选择最适配的操作方式，在保持任务高效执行的同时提升使用体验。

♦️传感器运动识别

传统摄像设备仅能记录画面信息，无法全面捕捉球员身体动作与无球状态下的运动细节。FootApp通过可穿戴惯性传感网络弥补这一缺陷，可自动识别球员活动并生成运动标签，包括镜头外的跑动、站位变动等信息，回应如何捕捉传统视频难以识别的复杂事件这一问题。

图3 FootAPP的足球活动识别框架

在数据采集层面，每位球员在双膝、双腕、胸部共5个位置佩戴传感器。每个传感器输出x/y/z三轴加速度、角速度、磁场数据，单名球员每秒可产生1080次测量读数，原始数据以120Hz频率记录，保证高时间分辨率。

在特征处理层面，系统采用滑动窗口提取统计特征（最小值、最大值、均值、方差、峰度、DFT五大主频、十个自相关采样点），单个窗口可生成234个候选特征。为避免过拟合，研究团队通过卡方检验进行特征选择，最终保留区分能力最强的30个特征输入分类器。

在模型层面，系统以随机森林为主要分类器，可实现19类足球专项动作的高精度识别，仅对行走速度等高度相似动作区分有限，通过类别合并可进一步提升整体准确率。

♦️AI错误检测

人工标注难以避免漏标、错标问题。FootApp构建基于关联规则学习的错误检测引擎，回应如何自动检测标注错误的研究问题。当系统识别到潜在标注错误时，会实时发出警告，标注员可通过界面回看对应时段视频并手动修正。

该模块核心为频繁项集挖掘（FIM）中的Apriori算法。系统在包含67场比赛、103,926条标注记录的专业标注数据集上完成训练，提取事件与活动之间的时空共现关联规则。例如规则{接球，组织}→{传球}的置信度高达0.924，意味着球员完成接球与组织动作后，超过90%的概率会进行传球。

系统规则库包含两类规则：

1.由Apriori自动挖掘的高置信度、高支持度规则；

2.领域专家人工补充的战术规则（如{头球}→{跳跃}、{进攻动作}→{跑动}等）；

运行时，标注员可设置阈值调节检测灵敏度，当标注内容违反强关联规则时，系统立即预警，帮助标注员快速定位并修正问题，从源头降低错标、漏标率。

原型实现与实验验证

FootApp已完成完整可运行的原型系统开发，并对混合交互、传感器识别、AI错误检测三大核心能力进行了实际验证。

在比赛事件标注上，系统整合了语音识别引擎和可触控操作的网页界面。测试结果显示，语音+触控结合的操作方式比单纯使用语音更快；尤其是选择球员、添加详细标签这类固定操作，用触控点击远比语音命令高效，还能快速添加二级、三级细分标签。

在传感器使用方面，系统选用了轻便、不影响球员运动的XSENSDOT设备，能够同时采集加速度、角速度、磁场强度三类数据。整套系统可以顺畅完成数据提取→模型训练→动作识别→数据保存的全流程，而且随机森林模型在普通电脑CPU上训练不到2分钟就能完成，不需要高性能显卡，部署成本低、使用方便。

研究团队基于760分钟真实运动数据、19种足球动作、8名测试人员的数据集，采用留一法交叉验证，结果表明，FootApp的动作识别效果达到了业内领先水平。

在错误检测功能上，系统以103,926条标注数据为基础进行规则学习与实际测试，能够稳定发现标签冲突、逻辑不合理等标注错误，大幅提高了数据的准确性与可信度。

图4 用于记录球员在球场上身体运动的XSENSDOT平台

研究结论

FootApp已完成完整原型开发，并在半职业足球队的训练与正式比赛中完成部署测试，主要结论如下：

1.降低人工标注负担：语音+触控混合交互界面大幅提升操作效率，显著缩短单场比赛标注时间。

2.突破视频分析局限：可穿戴惯性传感器可采集镜头外的球员运动数据，自动生成动作标签，实现复杂比赛动态的全面捕捉。

3.提升标注数据质量：基于Apriori算法与专家规则的AI错误检测模块，可自动识别标注异常并预警，配合快速回看修正，有效减少错标与漏标。

未来方向

FootApp目前的三层模块化架构已经展现出很强的实用价值。为了让这套系统能更大范围落地应用，未来团队将重点推进云端化、轻量化升级：

1.把AI动作识别和错误检测功能部署到云端

2.打造更轻便的移动端界面并内置语音识别引擎

这样一来，标注员不需要高性能设备，用普通平板、手机就能随时接入系统，既降低硬件门槛，也支持多人远程协同标注。

[ END ]

点击文末“阅读原文”获取原文

原文链接：https://link.springer.com/article/10.1007/s11042-022-13359-0

文献来源：Barra S,Carta S M,Giuliani A,et al.FootApp:An AI-powered system for football match annotation[J].Multimedia Tools and Applications,2023,82(4):5547-5567.

供稿人：洪悦莹，武汉体育学院新闻传播学院

本文文献摘要及图片信息源自公开出版的学术文献，由本馆整理编译。内容仅供学术交流，不用于商业用途。原文版权归原作者及出版商所有。