基于卷积神经网络的足球战术分析及评判

宁夏大学信息工程学院 赵安

本研究通过跨学科研究法、信息研究法，对信息的收集和处理中的卷积神经网络技术及其结构模型进行了分析，运用“固定数据+卷积核+实时数据”的评判模式，得出人工智能在足球战术以及球员评判的卷积神经网络模型的结论。研究将产生提高足球比赛的质量，科学评价球员行为的价值。

1 研究背景

2022年2月1日，中国男子足球队在世界杯预选赛中1∶3败给实力较弱的越南，同年3月24日，同支队伍败于实力弱于自己越南，战平实力强于自己的沙特，原因是多方面，但战术细节是一个不可忽视的重要方面。当下恰逢AI蓬勃发展，本研究基于卷积神经网络学习，来对球员足球战术进行分析及评判，研究结果将提高足球比赛的质量，科学评价球员行为。

2 研究意义与价值

虽然足球比赛不同于围棋是人与人的对抗，但我们可以利用卷积网络神经对球员的配合策略进行训练。此外好的决策往往比能力更重要，我们可以利用人工智能来决策，经过大量的数字计算后，可以得出很多反常的操作，起到出奇致胜，也可以利用现场实时分析出的数据对球员作出的行为进行对比，能明显地看出球员的行为细节或者战术思想失误。

3 卷积神经网络

3.1 自我学习

如果要将人工智能技术运用到足球领域，可以看作是AI在人类思维模拟的较为复杂的模型。在足球场上由于信息捕获与储存较为有限，人工智能的信息处理和自我学习技术就显得格外重要。可以说，人工智能的自我学习技术是AI运用在足球领域需要攻克的难关之一，在参考了人工智能在虚拟、围棋、军事等领域的运用，深度了解卷积神经网络和其数据延展原理，并了解了卷积神经网络当前进展，决定把卷积神经网络看作人工智能在足球领域运用的重点。

3.2 输入层

在足球分析中主要以上帝视角采用二维数据，利用视频将各球员（依据球号、鞋袜等）转化为位置信息。相比于其他神经网络，卷积神经网络的特点是它采取了梯度下降算法进行学习，因此卷积神经网络使用时需要将输入特征进行标准化处理，可以提高卷积神经网络的学习效率和改善卷积神经网络的表现效果[1]。

3.3 隐含层

（1）卷积层。二维卷积可记作为C=x×K，x=现场实时信息，k=球员自身情况，要做到的是对场上每个球员进行卷积，如表例，x1，x2是输入变量，分别为球员分布（x1为甲方球员分布（进球方），x1’为乙方球员分布）和足球移动方向速度等，y是输出变量（进球的策略），此外还要作出防守的计算，两者结合应用，既要让对方进球少，也要我方进球多，如表1所示以进球为例。

表1 进球数据表Tab.1 Goal data sheet

最后得到一个实时的数据，并根据每个球员的自身数据，计算得到每种做法的成功率，根据较大的一个或多个方法选择与现场的球员一一比对（如表2所示），可以精确确定哪位球员是团队配合失误，哪位是自身技术失误。

（2）卷积核。卷积核是在图像处理时的权值定义函数，它选择给定的输入图像，将其中一个小区域中像素进行加权平均的操作并输出图像的所有对应像素，相当于公式C=x×K中的“×”。卷积核工作公式中求和部分等价于求解一次交叉相关。

以进球最终目标设置为卷积核，根据大量比赛利用无人机实时确定所有场上球员分布、足球位置，不同球员信息（如进球、射门、射正、过人、抢断、拦截、解围、被过等）及球场信息（不同球场长、宽以及不同球门长、宽、高等），进行大量深度学习迭代后，可得到更加精准的实验数据，并以此为卷积核进行实验分析。

（3）卷积参数。如上文依靠大量比赛数据对卷积核交叉相关计算可知，特征图的尺寸会受卷积层的堆叠影响逐渐减小，为抵消计算中的尺寸收缩，可通过填充来增大尺寸，类似一个可调节的数据库用于将足球场收集的信息统一化处理，通过交叉相关计算合理有效的扩充信息的细节点，并经过填充操作保证特征图的独立性，有利于减少函数的计算量，合理的运算数据和预测提供了较为清晰准确的场上赛况，保证了足球比赛实战中实时预测的准确高效，起到数据格式化和扩充作用，为后续提供便利资源。

（4）激励函数。在神经网络中，隐含层和输出层节点的输入和输出之间中存在激励函数关系[2]：用于接受输入值，并将输入值传递给下一层，来保证网络的非线性将神经元映射到输出端使小目标模型表达更具体。在足球学习中，由于影响因素过于复杂，在数据处理中线性函数是很难完成的，只能依靠激励函数处理非线性的部分。面对足球场上各种情况，考虑上限的边界问题，采用激励函数处理线性边界问题，保障对实际判断与实际的契合性和最终提出战术的合理性。

（5）池 化 层。池 化 层 包 括Lp池 化[3]随机/混合池化谱池化。我们将得到的比赛数据在此层中进行简化和分类处理，可以将重要信息如球员和球的位置信息等进行不变性处理，将其他附加信息进行特征降维处理保留重点，逐渐分析得到一个兼顾运行速度和精度的数据并将此数据传递给下一个环节。

（6）Inception模块。为了对每个队员即其各个对手充分分析，需要记录大量数据。当数据信息达到一定值时，特征提取会扩大网络深度和宽度，导致梯度异常等问题，会影响实战中战术分析的准确性，面对这一情况，我们选择了采用Inception模块的改进，减低了计算的复杂程度，可搭建稀疏性和高计算性能的网络结构。这样一来，在足球场上运用时，能降低人工智能计算的出错率和延迟性，也能在不影响性能的情况下，采集更多有效信息加入考虑范围。

3.4 全连接层

全连接的核心操作就是矩阵向量乘积（y=Wx），能通过想卷积操作完成，其对前层是全连接的全连接层可以转变为卷积核为1×1的卷积。全连接层是对足球场上数据信息的特征加权，可作为在以个人球员为核心的运算中将视野模糊化，实现对每个球员的分析局部信息专攻，最终再整合数据，实现变化参数的减少，路线计算的简化。

3.5 输出层

在输出层中，数据发掘起到很重要的作用，可以通过把数据库中的数据纪录映射到给定类别中的某一个的方式，可用于数据预测。输出层可以简单看作是数据的运用，一步预测的运算过程，合理运用函数加工已有数据，为足球的位置的预测计算和对球员走位等信息的计算安排的实现提供了数据和理论的支持。

3.6 卷积神经网络程序

目前卷积神经网络程序主要包括DeepLearnToolbox程序、Caffe程序。

（1）DeepLearnToolbox程序侧重演算，我们先用cnntrain.m进行样本训练，得出攻防各自对应的结果，再用cnntest.m判断确定攻防战略。有些情况可通过队员训练结果中概率较大的行为计算概率，且进球方案优先。在训练过程中cnntrain.m代码能做到尽可能避免穷举法重复输入数据消耗时间和存在的遗漏可能，采用了数据的随机排列和迭代法罗列的方案。通过AI技术计算各种战术方案，根据实际情况球员某套攻防体系训练多少甚至是个人习惯的成功率多少来影响实时概率大小。在足球场上当得到各种战术时cnntest.m可以用于找寻输出结果，通过前面cnntrain.m计算出的计算值，找寻对应的情况输出，分析计算得出最优战术的失误率，检测误差用于复盘。在考虑传统结合的情况下，足够的历史数据支撑还能使决策达到更优解,类似利用对方劣势或己方优势，达到降低失误率，如利用假动作诱导对方某队员失误打出优势。这样一来，无论是训练还是实战中，人工智能在足球场上的计算方面能保证数据利用率尽可能提高，在数据有限的情况下能保证最优解。

（2）Caffe程序是目前卷积神经网络技术应用的另一例子，其构建的卷积神经网络结构更复杂，各项数据的缺省值也较大。深度学习足球中，由于考虑情况和数据较多，涉及计算的复杂程度也较大，在构建卷积神经网络的时候，Caffe程序所使用的lent_train_test.prototxt函数所构造的结构更加全面，适与足球方面配度较高，而Xavier算法和ReLU函数的配合使用就是最大亮点。ReLU函数具有高效率的简化计算以及利于实现梯度下降和反向传播，在仿生物学原理方面是逻辑函数中最接近人脑思维的。其存在的数据过大时互相影响产生额外误差的缺点能利用Xavier初始化向前传播，通过抽象化的特征规律找寻和保留，自动确定初始权重的范围扬长避短。利用其仿生学的优势，人工智能可以更贴合人脑的思维，我们就可以考虑思维漏洞产生的非公平比赛，如：当裁判离得远时，对球员假摔、恶意攻击等行为看不清，在此情况下进行的概率计算并等同于计算方案来取得优势。

4 结构模型优化及比赛分析

在该设想中，梯度下降法能处理非常复杂的非线性函数。以一个球场上带球准备射门的球员为例，以他位置为基准，找到进球目标位置，然后朝球门位移一定距离，再重复操作，直到达成目标。我们可以重复采取局部目标的最佳值，利用分部运算及时修正之前可能存在的问题，达到对足球场局势的进一步掌控。反向传播算法主要包括三个步骤，通过多次迭代完成，直到误差值在允许范围内后输出。在足球的深度学习的设想模型中，公共子表达式的减少能使数据量简化，利于ReLU函数运算增加准确度。在这种受细节影响的比赛中，全面的考虑、信息处理的优化、运算误差的减小等因素都不可忽视，采用的反向传播是目前顶尖的误差修正型学习算法，如表2所示。

表2 X场比赛各球员失误统计表Tab.2 Player error statistics for X games

根据实际情况来对球员进行训练以及判断球员的出错次数，将与正确决策偏离十个百分点的行为视作失误，根据x场比赛我们不妨对球员失误进行统计。

通过表2，能清楚的知道各个球员的失误情况看出各个成员水平，可对球员进行弱项分析，明确各球员责任，也能在人员安排上尽早发现状态不好的球员，及时替换。

5 结语

本文主要利用卷积神经网络设计出足球战术分析的浅层模型——对于不同战术取胜的概率计算、以及球员实时的出错分析。首先提出卷积神经网络对足球研究的优点，再对卷积神经的各个部分进行详细研究及程序的运用，最后根据实验数据提出优化方法，并对结果进行实验应用。

引用

[1] 陈盈祾,潘玉霞.基于卷积神经网络的古文字识别系统设计与实现[J].电脑知识与技术,2021,17(10):207-208.

[2] Goodfellow I.Bengio Y.Courville A.Deep Learning[M].Cambridge:MIT Press,2016.

[3] Joan Bruna,Arthur Szlam,Yann LeCun.Signal Recovery from Pooling Representations[C]//In Proceedings of the International Conference on Machine Learning,2014.

[4] YU D J,WANG H L,CHEN P Q.Mixed Pooling for Convolutional Neural Networks[C]//In International Conference on Rough Sets and Knowledge Technology,2014:364-375.

[5] 李玉鑑,张婷.深度学习导论及案例分析[M].北京:机械工业出版社,2017.