hockey tracking dataset

本文提出了一种新的冰球跟踪数据集，由静止摄像机拍摄整个比赛场地，包含长序列和团队ID以及球衣号码的注释，非常适合评估长期跟踪能力。该数据集为公开可用，旨在通过特定领域特征如球衣号码和团队ID来增强关联准确性，并解决运动分析中的长期球员跟踪问题。

This paper proposes a novel ice hockey tracking dataset, which captures the entire playing field using stationary cameras. It includes long video sequences and annotations for team IDs and jersey numbers, making it well-suited for evaluating long-term tracking performance. This publicly available dataset aims to enhance association accuracy via domain-specific features such as jersey numbers and team IDs, and solve the problem of long-term player tracking in sports analytics.

搜集汇总

数据集介绍

构建方式

为了解决团队运动中长时间球员追踪的挑战，研究人员开发了一个名为SportsSUSHI的系统。该系统基于SUSHI的层次图方法，利用领域特定特征，如球衣号码、队徽ID和场地坐标，来提高追踪精度。研究人员使用了一个固定摄像头来记录整个比赛场地，并创建了包含长序列和队徽ID、球衣号码标注的数据集，使其适合评估长时间追踪能力。该数据集的构建方式是通过分层图构建，其中每个节点代表检测到的球员，而边则代表这些检测之间的潜在关联。研究人员通过在各个层次上训练神经网络来学习特征的重要性，并在每个层次上使用GNN进行边缘分类。

使用方法

使用SportsSUSHI数据集的方法包括以下几个步骤：首先，使用检测到的边界框提取球员的关键属性，如球衣号码、场地坐标、队徽ID和外观特征。然后，通过递归构建层次图来进行追踪，其中每个节点代表检测到的球员，而边则代表这些检测之间的潜在关联。在图的每个层次上，使用GNN进行边缘分类，并根据相似性度量来构建新的图。最后，通过线性规划将边缘预测转换为二进制决策，以获得最终的轨迹。在使用数据集时，研究人员还考虑了不同的层次数量和特征组合，以评估其对追踪性能的影响。

背景与挑战

背景概述

在团队运动分析领域，长期球员追踪一直是一项具有挑战性的任务，因为球员外观相似、遮挡以及动态运动模式等因素的干扰。准确地在球员长时间离开视野或长时间遮挡后重新识别球员并重新连接轨迹对于鲁棒的跟踪分析至关重要。本文介绍了一种名为SportsSUSHI的层次图方法，该方法利用了领域特定特征，包括球衣号码、队伍ID和场地坐标，以提高追踪准确性。SportsSUSHI在SoccerNet数据集和一个新提出的冰球追踪数据集上取得了高性能。我们的冰球数据集使用固定摄像头捕捉整个比赛场地，包含长序列和关于队伍ID和球衣号码的注释，非常适合评估长期追踪能力。我们的方法在实验中显著提高了关联准确性，这得益于在方法中包含了领域特定特征。数据集和代码可在https://github.com/mkoshkina/sportsSUSHI获得。

当前挑战

SportsSUSHI数据集和相关研究面临着多个挑战。首先，球员外观相似，尤其是在冬季运动如冰球中，装备掩盖了独特的特征，使得传统的重新识别方法效果不佳。其次，球员运动速度快，经常呈现非线性运动模式，这给追踪算法带来了困难。此外，运动场景中视野内的个体数量较少，相对于行人场景，这减少了可用于追踪的特征信息。最后，尽管球衣号码和队伍ID可以唯一识别球员，但在实际场景中，球衣号码可能因为运动模糊和频繁的遮挡而难以识别。因此，如何有效地利用这些领域特定特征并处理遮挡、运动模糊等问题是长期球员追踪所面临的挑战。

常用场景

经典使用场景

在团队运动分析领域，长时间球员追踪一直是一个具有挑战性的任务。该数据集通过引入SportsSUSHI方法，利用领域特定特征（如球衣号码、团队ID和场地坐标）来提高追踪的准确性。数据集适用于评估长时间追踪能力，对于团队运动中的游戏分析具有重要意义。

解决学术问题

该数据集解决了长时间球员追踪中的关键问题，如球员外观相似性、遮挡以及动态运动模式。通过引入领域特定特征，如球衣号码、团队ID和场地坐标，该数据集显著提高了关联准确性。此外，该数据集还解决了长时间追踪中球员长时间不在视野内或长时间遮挡后的重新识别问题。

实际应用

该数据集在实际应用中，可以用于团队运动中的游戏分析，帮助教练改进战术和训练，使游戏分析更加高效，丰富观众的观看体验。此外，该数据集还可以用于自动追踪球员，帮助进行游戏统计，为团队运动分析提供有力支持。

数据集最近研究

最新研究方向

在团队运动分析中，长期球员追踪是一个具有挑战性的任务，因为它涉及到球员外观相似、遮挡和动态运动模式。准确地在球员长时间离开视野或长时间遮挡后重新识别球员并重新连接跟踪序列对于稳健的分析至关重要。SportsSUSHI是一个分层图方法，它利用领域特定特征，包括球衣号码、团队ID和场地坐标，以提高追踪的准确性。SportsSUSHI在SoccerNet数据集和一个新提出的曲棍球追踪数据集上实现了高性能。我们的曲棍球数据集使用固定摄像头记录整个比赛场地，包含长时间序列和团队ID以及球衣号码的注释，非常适合评估长期追踪能力。在我们的方法中纳入领域特定特征显著提高了关联准确性，这在我们实验中得到证明。数据集和代码可在https://github.com/mkoshkina/sportsSUSHI获得。

相关研究论文

• Towards long-term player tracking with graph hierarchies and domain-specific features

  约克大学多伦多分校 · 2025年