Основная цель проекта – создать систему футбольной аналитики, базирующуюся на обработке видео матчей и тренировок.

Стоит отметить, что применение возможностей искусственного интеллекта в спорте достаточно новый и неизученный вопрос. В основном крупные футбольные клубы используют ИИ в повседневных задачах. Поэтому было очень важно выстроить эффективную систему взаимодействия с основателем футбольной академии, который хотел интегрировать возможности искусственного интеллекта в повседневную работу тренеров. Система аналитики опирается на данные о различных активностях игроков (количество пасов, ударов, пройденная дистанция и т.д.), на основе которых создаётся общий список результатов для каждого члена команды.

Мы начали проект со стадии проверки концепции, основной задачей которой было – разработать и протестировать различные подходы (разные модели ИИ и способы сбора статистики). На данном этапе мы выдвинули несколько гипотез и сконцентрировались на нескольких инструментах (моделях ИИ), которые хотели протестировать.

Что мы сделали

• Проверили несколько алгоритмов машинного обучения для распознавания поз и лиц;
• Подготовили документацию, включающую обзор проекта, сценарии использования, предварительную архитектуру и список функциональности системы;
• Подготовили алгоритм, который позволил определять одновременно несколько мячей на поле.

Задачи и решения

• Идентификация игрока на видеопотоке. Мы нашли способ, как можно подключить распознавание лиц для идентификации игроков, а именно использовали несколько решений в области компьютерного зрения для автоматизации идентификации игроков;
• Распознавание действий игроков. Для определения типа действия, которое совершает игрок на поле, мы использовали модели для определения поз человека. Они показывают “скелет” каждого человека, запечатленного на видео, а также движение его частей тела (рук, ног, торса и т.д.);
• Синхронизация видео. Из-за размеров футбольного поля, мы не могли использовать только одну камеру для покрытия всего пространства. Основываясь на качестве и производительности доступных камер, мы разработали подход, при котором использовалось 6 камер (4 по углам и 2 по центру поля). Основным методом синхронизации для нас был звук (громкий свисток в начале матча) и дальнейшая синхронизация через сравнение звуковых волн на всех 6 камерах;
• Определение положения футбольного мяча. Для предоставления достоверной статистики, нам требовалось понять то, как движется мяч и какие действия совершает с ним игрок. Для использования данной системы и для анализа тренировок, было критически важно, чтобы наш алгоритм мог определять одновременно несколько мячей на поле. Для решения поставленной задачи был использован алгоритм компьютерного зрения для определения положения мяча.

Результаты и ценность

• По результату проведенной научно-исследовательской работы мы были полностью готовы начать разработку проекта, объединив алгоритмы машинного обучения в веб-приложение;
• Автоматизация процесса анализа игры;
• Повышение качества анализа игры;
• На основе полученных данных можно более детально и точно корректировать тренировочный процесс, а также выстраивать план на будущие игры футбольной команды.