SoccerNet-Tracking

SoccerNet-Tracking是一个专为足球视频中多目标跟踪设计的大型数据集，由列日大学和KAUST共同创建。该数据集包含200个30秒的视频序列，涵盖了12场足球比赛的精彩瞬间，以及一个完整的45分钟半场视频，用于长期跟踪评估。数据集中的视频均经过密集标注，包括球员轨迹、球队和球衣号码等信息。SoccerNet-Tracking旨在通过提供丰富的标注数据，推动足球视频分析领域的技术发展，特别是在球员跟踪、球权分析和战术理解等方面。SoccerNet-Tracking is a large-scale dataset specifically designed for multi-object tracking in soccer videos, co-created by the University of Liège and KAUST. The dataset comprises 200 30-second video sequences covering highlight moments from 12 soccer matches, as well as one full 45-minute half-match video for long-term tracking evaluation. All videos in the dataset are densely annotated with information including player trajectories, team affiliations, and jersey numbers. SoccerNet-Tracking aims to advance technological developments in the field of soccer video analysis by providing rich annotated data, particularly in aspects such as player tracking, possession analysis, and tactical understanding.

搜集汇总

数据集介绍

构建方式

在足球视频分析领域，构建高质量的多目标跟踪数据集面临诸多挑战。SoccerNet-Tracking数据集的构建采用了系统化的采集与标注流程：首先从2019年瑞士超级联赛的12场完整比赛中，选取主摄像机拍摄的1080p分辨率视频，帧率为25fps。基于SoccerNet-v2的动作标注体系，从总计1210分钟视频中识别出3132个动作片段，涵盖17类足球事件。研究团队从中精选出200段30秒的短视频片段，这些片段围绕11类关键动作（如角球、任意球、点球等）展开，均匀覆盖各类具有跟踪挑战性的场景。此外，还完整标注了一段45分钟的半场比赛视频，专门用于评估长期跟踪性能。所有视频片段均通过SuperAnnotate专业平台进行密集人工标注，标注对象包括球员、守门员、裁判、足球及其他场上人员，并为球员和守门员额外标注了所属球队及球衣号码。标注时在关键帧上手动绘制紧密包围框，并在帧间进行线性插值，最终形成了包含约364.5万个包围框、对应5009个独立轨迹的大规模数据集。

特点

该数据集在足球视频多目标跟踪领域展现出若干鲜明特征。其规模堪称空前，包含200个序列和总计225,375帧图像，在公开的体育跟踪数据集中拥有最多的包围框数量。数据内容极具代表性，片段围绕角球、任意球、进球等11类关键足球事件选取，天然包含了球员密集、遮挡严重、目标高速运动等挑战性场景。标注体系细致完备，不仅提供了标准的包围框和轨迹ID，还包含了球队归属、球衣号码、裁判类型等丰富的元数据。尤为重要的是，数据集引入了真实的长期跟踪设定，当目标短暂离开视野后再次出现时仍保持同一ID，这更贴近实际应用需求，对算法的长期重识别能力提出了更高要求。与以往侧重于行人或车辆的跟踪数据集不同，该数据集专注于足球领域，其目标外观相似性高、交互频繁、足球目标小而模糊等特点，构成了独特的挑战。

使用方法

为便于研究社区使用，该数据集在格式设计上充分考虑了与现有标准的兼容性。数据组织方式紧密遵循MOT20数据集的规范，包括图像序列、标注文件及序列信息文件的存储结构。标注文件采用包含10列的CSV格式，依次为帧ID、轨迹ID、包围框坐标与尺寸、置信度等，确保了与主流评估工具包（如TrackEval、MOTChallengeEvalKit）的无缝对接。数据集被划分为训练集、测试集及两个挑战集，其中测试集的真实标注已公开，便于研究者本地评估；而挑战集的标注则被保留，需通过官方提交平台进行评估，以防止过拟合。研究者可利用该数据集进行两种任务模式的探索：一是基于给定真实检测框的纯重关联任务，专注于评估跟踪关联算法的性能；二是从原始视频帧出发的完整跟踪任务，需同时处理目标检测与轨迹关联。论文中已提供了DeepSORT、FairMOT和ByteTrack等先进基线模型在该数据集上的评测结果，为后续研究设立了初步的基准。

背景与挑战

背景概述

随着体育分析领域对自动化视频处理需求的日益增长，多目标跟踪技术在足球视频中的应用显得尤为重要。SoccerNet-Tracking数据集于2022年由列日大学、KAUST和百度研究院的研究团队联合发布，旨在解决足球视频中球员、裁判和球的精准跟踪问题。该数据集包含200段30秒的精选序列以及一段完整的45分钟半场视频，总计提供超过360万个边界框标注和5009个独立轨迹ID。其核心研究问题聚焦于在高速运动、严重遮挡等复杂场景下实现长期稳定的多目标跟踪，为球员耐力、控球率等高级统计指标的自动化提取奠定基础，显著推动了体育视频理解与计算机视觉交叉领域的研究进展。

当前挑战

该数据集所针对的足球视频多目标跟踪任务面临多重挑战：其一，球员外观高度相似，仅能依靠球衣号码或鞋色等有限特征进行区分，身份识别极易混淆；其二，角球、任意球等场景中频繁发生的遮挡现象导致目标丢失与轨迹切换；其三，足球尺寸微小、运动速度快且易产生运动模糊，跟踪难度极大。在构建过程中，研究团队需从长达1210分钟的视频中筛选具有代表性的挑战性片段，并克服密集标注带来的高昂人力成本。此外，为模拟真实比赛场景，数据集坚持对离开镜头后再次出现的对象保持同一ID，这对现有跟踪器的长期重识别能力提出了严峻考验。

常用场景

经典使用场景

在足球视频分析领域，SoccerNet-Tracking数据集为多目标跟踪研究提供了标准化的测试平台。该数据集通过精心挑选的200个30秒序列和一个完整的45分钟半场视频，涵盖了角球、任意球、点球等多种高难度场景，这些场景中球员密集、遮挡严重且运动速度快，为评估跟踪算法在复杂动态环境下的鲁棒性提供了理想条件。研究者可利用该数据集训练和验证模型，探索在视觉相似性、频繁遮挡及快速运动等挑战下的跟踪性能。

衍生相关工作

SoccerNet-Tracking数据集的发布催生了一系列相关研究工作。在跟踪方法上，研究者基于该数据集对DeepSORT、FairMOT和ByteTrack等先进算法进行了基准测试与优化，特别是在长期重识别和遮挡处理方面取得了进展。同时，该数据集作为SoccerNet系列的一部分，与动作定位、球员重识别等任务形成互补，促进了足球视频理解领域的整体发展。后续工作还探索了结合跟踪结果进行战术分析、事件预测等衍生应用，进一步拓展了数据集的学术影响力。

数据集最近研究

最新研究方向

在体育视频分析领域，SoccerNet-Tracking 数据集的推出标志着多目标跟踪研究正朝着专业化、精细化方向迈进。该数据集聚焦于足球视频中的球员、裁判及球的跟踪，其前沿研究主要围绕长时重识别、密集遮挡处理以及高速运动下的轨迹关联等核心挑战展开。当前热点包括利用先进检测模型如 ByteTrack 进行端到端优化，结合领域自适应技术提升模型在复杂场景下的泛化能力，同时探索基于图神经网络的身份保持策略以应对球员交叉与遮挡问题。这些研究不仅推动了计算机视觉在体育分析中的应用深化，也为自动化赛事统计、战术分析及智能转播等产业实践提供了关键技术支撑，具有显著的学术与商业价值。

相关研究论文

• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos

  列日大学 · 2022年