一種提取傳球數據的方法

劉亮　周思藝

【摘 要】傳球是籃球比賽中重要進攻方式之一，關系到一支球隊的籃球進攻戰(zhàn)術，所以在比賽結束后球隊需要對傳球數據進行統(tǒng)計分析，而目前統(tǒng)計傳球的數據還是采用傳統(tǒng)的專人統(tǒng)計方式，或者是球隊需要反復觀看籃球比賽來統(tǒng)計傳球信息，分析傳球效率等相關問題。本文基于NBA籃球比賽的球員的軌跡數據，提出了一種籃球運動軌跡模型，基于軌跡數據的特性，得到傳球數據，以達到節(jié)省人工標記數據時間的目的。最后采用10場比賽的軌跡數據，通過模型結果與真實比賽數據的對比，分析了模型正確率，并實際運用一組案例，驗證了模型的有效性。

【關鍵詞】競技體育;傳球;軌跡模型

中圖分類號： TP391.41文獻標識碼： A文章編號： 2095-2457（2019）28-0056-002

DOI：10.19694/j.cnki.issn2095-2457.2019.28.021

【Abstract】Passing is one of the most important offensive method in basketball matches， which is related to the basketball offensive tactics of a team. Therefore， the team needs to conduct statistical analysis of the passing data after the game. At present， the statistics of passing data are still based on the traditional special statistical method， or a team need to watched the basketball matches repeatedly to count the passing data， analysis passing efficiency and so on related issues. In this paper， the trajectory data of players in NBA basketball matches are used， and proposes a basketball trajectory model. Based on the characteristics of trajectory data， the passing data are obtained， so as to save the time of manual marking data. Finally， the model accuracy is analyzed by using the track data of 10 matches and comparing the model result with the real match data. The validity of the model is verified by a group of cases.

【Key words】Competitive sports;Pass;Trajectory model

0 引言

在籃球運動中，傳球技術是最主要的進攻技術，是籃球比賽中球員之間有目的地轉移球來實現得分的方法。通過傳球可以貫徹執(zhí)行教練的戰(zhàn)術、體現球員的默契程度[1]。好的傳球往往能夠制造直接得分的機會，可以調動場上的氣氛，給隊友一種鼓舞，給對手心理帶來打擊與壓力[2]。

現有的關于傳球技術的研究中，陳俊[3]以傳球技術的運用情況為研究內容，量化比較NBA和CBA在傳球技術運用水平上的差距;張潤梅[4]建立了一個影響圖的傳球模型，通過模型實現對傳球效果的評估;韓彥坤[5]對籃球比賽中傳、接球技術進行了分析。他們的工作都非常有效，但是數據來源只能依靠比賽錄像資料來記錄，耗時耗力。而廖彬[6]等人利用官方網站公開的傳球數據，構建傳球網絡，評估傳球質量，節(jié)省了很多人力。可是現在NBA官網并不公開傳球數據了，對于傳球質量的分析就變得很局限。

如何不依靠專人統(tǒng)計或人工反復觀看視頻得到傳球數據是目前需要解決的問題。其中的需要解決問題的難點包括如何確定軌跡來確定是傳球還是運球，以及如何確定球員之間的傳球。本文通過設置傳球軌跡特征提取實驗，提取傳球軌跡特性，分析發(fā)現球員軌跡與傳球的關聯性。實驗顯示通過計算軌跡斜率能建立運動軌跡模型，分離傳球與控球時段，從而可以實現對傳球數據的提取。

1 運動軌跡模型

對運動軌跡分析，球的運動軌跡是一段直線，而在直線的兩端是控球的球員，依據此可以劃分傳球過程和控球過程。且賽場上除控球外，球的運動軌跡是曲線或近似的直線。運動軌跡模型構建如圖1所示，通過傳球軌跡斜率特征提取實驗，得到傳球閾值，將時段分成兩類，分別為傳球和控球。依據此閾值對運動軌跡建模，得到球員傳球、控球信息。并通過誤差修正算法減小受其他因素影響帶來的誤差，提高數據的正確率。

1.1 傳球軌跡斜率特征提取實驗

選取一個賽季內常規(guī)賽中多場比賽，基于已有的軌跡數據中球的坐標，計算所有比賽多個連續(xù)的傳球時間段對應的斜率。結果發(fā)現，傳球時段的斜率差相近。求得與每個斜率差的方差和最小的值，為傳球閾值。通過該值，可以將時段分成兩類，傳球和控球。且小于該值的為傳球，大于該值的為控球。

1.2 模型建立

設t時刻，球的位置為（xb（t），yb（t））。主隊球員共m人，客隊球員共n人，主隊球員的位置為（xhi（t），yhi（t）），i=1，…，m，客隊球員的位置為（xvj（t），yvj（t）），j=1，…，n。若球員不在場上，其位置坐標設為（10000，10000），方便運算。

（tn，tn+1）與（tn+1，tn+2）時間段的斜率之差為：

由物理知識可得，在理想狀態(tài)下，如果物體沿直線運動，它的軌跡斜率應該不變。但是籃球在空中運動還受到氣流的影響，所以其軌跡不會是嚴格的直線運動。經過反復試驗，當球在相鄰的兩個時間段運動軌跡的斜率之差的絕對值小于1時，可以近似地認為球在做直線運動。

根據以上對籃球軌跡的建模，可以標記傳球時刻和運球時刻，進而將離散的時刻化為連續(xù)的時間段來考慮。

分析控球過程，每次傳球過程的兩端會有球員控球，借助上述標記的控球過程。在每一個時刻，計算與球最近的球員，該球員即為實際控球球員。

1.3 誤差修正算法

由于現實中球的運動會受到各種因素干擾，使得傳球過程中，球不沿直線運動，或者球員運球使得球沿直線運動，導致出現以下三種誤差：傳球誤判為控球，控球誤判為傳球，誤判控球球員。因此，提出誤差修正算法，算法思路如下，其中0.2為實驗計算得出的誤差邊界值。

步驟一，掃描數據，定位一段時間，如果為傳球時間，執(zhí)行步驟二，否則執(zhí)行步驟三。

步驟二，如果這段時間小于0.2秒，將標記修改為控球。否則執(zhí)行步驟一。

步驟三，如果這段時間小于0.2秒，將標記修改為傳球。否則執(zhí)行步驟一。

1.4 對比實驗

選取了十場NBA比賽，對比分析使用本文模型得到的傳球數據與真實數據的差異。如表1所示，平均一場比賽的傳球數量在400-600之間，沒有使用誤差修正算法前的正確率在45%-61%范圍內，正確率不是很高，且誤差較大。使用誤差修正算法后，正確率范圍提升到68%-78%之間，整體提升了17%-25%。

實驗證明誤差修正算法，能解決球員傳球不沿直線運動，和球員運球使得球沿直線運動帶來的誤差。

2 案例分析

案例選取NBA2015-2016賽季騎士隊七場總決賽的比賽，通過運動軌跡模型得到的傳球數據進行統(tǒng)計分析球員最常傳球搭檔。并與真實傳球數據計算的球員最常傳球搭檔對比。以便觀察本文方法對其他分析的影響。

從七場傳球數據中選取從騎士隊詹姆斯傳出的球，并根據傳球次數，對搭檔排名。結果顯示，使用本文的模型得到的傳球數據對最常傳球球員計算正確率達到了100%，而對所有球員的排名正確率達到了60%-77%。如果分析最常傳球搭檔，本文提出的模型可以達到很好的效果。

3 結語

本文研究了基于軌跡得到傳球數據的數學和物理問題，致力于解決目前沒有較好的方法能得到傳球數據的空白現狀。根據現有的NBA比賽的軌跡數據，提出了一種軌跡模型，并且充分考慮到模型中可能存在的誤差，運用理論加實踐進行驗證，結果證明模型表現良好。并且本模型不僅可以應用于籃球，還可以應用足球等其他競技體育，得到的傳球數據可以應用與研究傳球網絡、評估傳球質量等方向。本文的模型仍然具有一定的誤差，因此下一步工作集中于以下方面：（1）模型改進優(yōu)化研究（2）增強模型泛化能力研究。

【參考文獻】

[1]張乾偉，余吉成.關于足球比賽中傳球內涵的分析[J].成都體育學院學報，2003，29（6）：60-63.DOI：10.3969/j.issn.1001-9154.2003.06.017.

[2]姜明，JIANGMing.對籃球運動中傳球技術運用的研究[J]. 湖北體育科技，2006，25（1）：87-89.

[3]陳俊.CBA與NBA常規(guī)賽季比賽中傳球技術運用的比較研究[D].武漢體育學院，2008.

[4]張潤梅[1].基于影響圖的傳球訓練策略的實現[J].計算機技術與發(fā)展，2008（12）.

[5]韓彥坤.從中美男子職業(yè)籃球聯賽鑒析傳球技術的差異[D].遼寧：遼寧師范大學，2011.DOI：10.7666/d.y1890245.

[6]廖彬，張?zhí)?，國冰磊，et al.基于GraphX傳球網絡的傳球質量量化研究[J].計算機科學，2017（12）：181-188+207.