3D Shot Posture Dataset

该数据集包含专业足球运动员在射门情况下的3D和2D姿势数据。数据集分为训练集和测试集，包含裁剪图像、轨迹、2D和3D关键点等信息。

This dataset contains 3D and 2D pose data of professional footballers during shooting scenarios. The dataset is divided into a training set and a test set, and includes information such as cropped images, trajectories, 2D and 3D keypoints, etc.

原始信息汇总

数据集概述

数据集名称

• 3D Shot Posture Dataset

数据集内容

• 训练集 (3dsp/train):
  • 包含20张裁剪图像 x 200次射门
  • 包含轨迹、2D和3D关键点
• 测试集 (3dsp/test):
  • 包含20张裁剪图像 x 10次射门
  • 包含轨迹

数据收集方法

• 视频来源：SoccerNet
• 视频处理：从标注动作前后各截取0.5秒，共25帧
• 轨迹生成：使用YOLO v8和BoT-Sort进行精细调整
• 2D到3D姿态转换：使用MotionAGFormer

数据集结构

• 图像文件夹 (img):
  • 包含20张裁剪图像
• 姿态文件夹 (posture):
  • 包含20个JSON文件，存储2D和3D关键点信息
• 地面实况文件夹 (gt):
  • 包含gt.txt文件，存储跟踪信息
• 信息文件夹 (info):
  • 包含info.ini文件，存储数据集相关信息

文件格式

• H3WB格式 (posture/xxx.json):
  • 包含图像路径、跟踪ID、边界框、2D和3D关键点信息
• MOT20格式 (gt/gt.txt):
  • 包含帧ID、跟踪ID、边界框坐标、检测置信度等信息

引用信息

@inproceedings{yeung2024autosoccerpose, title={AutoSoccerPose: Automated 3D posture Analysis of Soccer Shot Movements}, author={Yeung, Calvin and Ide, Kenjiro and Fujii, Keisuke}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, pages={3214--3224}, year={2024} }

搜集汇总

数据集介绍

构建方式

该数据集的构建基于从SoccerNet平台收集的足球比赛广播视频，通过手动标注动作并剪辑视频片段（前后各0.5秒，共25帧），使用YOLO v8和BoT-Sort进行目标跟踪，生成轨迹片段。随后，手动选择射门球员的轨迹ID，并利用边界框生成裁剪图像。前20帧的2D姿态通过手动标注，并使用MotionAGFormer模型将其提升为3D姿态。整个过程结合了自动化工具与人工校准，确保了数据的高精度与可靠性。

特点

该数据集的显著特点在于其包含了专业足球运动员在射门情况下的3D和2D姿态数据，涵盖了训练集和测试集，分别包含200次和10次射门动作。数据集提供了两种聚类方法（PCA+KMeans和深度学习+KMeans），便于研究人员进行多样化的分析。此外，数据集还提供了详细的标注信息，包括2D和3D关键点、轨迹信息以及图像路径等，为姿态分析提供了丰富的数据支持。

使用方法

使用该数据集时，首先需克隆GitHub仓库并解压数据集文件。随后，用户可根据需求安装相关依赖包，并下载所需的模型参数。数据集提供了自动化3D姿态提取功能，用户可通过运行demo.py脚本提取目标片段的3D姿态。此外，用户还可通过dataset_annotation.py脚本进行额外的标注工作，并通过vis_post.py和pre_process.py脚本分别进行姿态可视化和预处理。数据集的文件结构清晰，标注格式统一，便于用户快速上手并进行深入研究。

背景与挑战

背景概述

3D Shot Posture Dataset 是由Yeung等人于2024年创建的，旨在支持足球运动员射门动作的三维姿态分析研究。该数据集的核心研究问题是通过自动化方法从广播视频中提取足球运动员的2D和3D姿态，以深入理解射门动作的生物力学特征。该数据集的构建基于SoccerNet平台收集的广播视频，并结合了YOLO v8和BoT-Sort等先进的目标跟踪技术，以及MotionAGFormer模型进行2D到3D姿态的提升。这一数据集的发布不仅为体育科学领域提供了新的研究工具，还为计算机视觉在体育分析中的应用开辟了新的方向。

当前挑战

3D Shot Posture Dataset 在构建过程中面临了多项挑战。首先，从广播视频中自动提取运动员的2D和3D姿态需要高精度的目标检测和跟踪技术，这要求模型在复杂场景中保持稳定的性能。其次，2D到3D姿态的提升涉及复杂的生物力学建模，如何准确地将2D关键点映射到3D空间是一个技术难点。此外，数据集的标注过程需要大量的人工干预，尤其是在选择射门运动员的轨迹ID和手动标注2D姿态时，这增加了数据集构建的复杂性和成本。最后，如何在保持数据多样性的同时确保标注的一致性和准确性，也是该数据集面临的重要挑战。

常用场景

经典使用场景

3D Shot Posture Dataset 主要用于足球运动员在射门动作中的三维姿态分析。该数据集包含了专业足球运动员在射门情况下的2D和3D姿态数据，适用于研究运动员的动作模式、姿态优化以及运动生物力学分析。通过该数据集，研究者可以深入探索运动员在射门瞬间的姿态变化，从而为运动训练和表现优化提供科学依据。

解决学术问题

该数据集解决了运动生物力学和计算机视觉领域中关于运动员三维姿态分析的关键问题。通过提供精确的2D和3D姿态数据，研究者能够更准确地分析运动员的动作模式，揭示其运动中的力学特性，并为运动训练和损伤预防提供理论支持。此外，该数据集还为自动化运动姿态提取技术的发展提供了宝贵的实验数据，推动了相关领域的技术进步。

衍生相关工作

基于3D Shot Posture Dataset，研究者们开发了多种自动化运动姿态提取和分析工具，如AutoSoccerPose系统，该系统能够从广播视频中自动提取运动员的2D和3D姿态。此外，该数据集还启发了在运动生物力学、计算机视觉和机器学习领域的多项研究，推动了运动姿态分析技术的进一步发展，并为相关领域的研究提供了新的思路和方法。